高速列车运行状态监测与故障诊断

陈兴劼+王瑜琳+龙讯+廖化容+何友全

摘要：本文采用光纖分布式振动测试方法对感应光缆获取的钢轨振动和列车运行状态信号进行采集和特征分析，从而检测出通过该区段列车的运行状态和安全性能，做到实时监测并预警，为列车的安全运行和维护提供技术保障。

Abstract： In this paper， optical fiber distributed vibration test method is used to collect and characterize the rail vibration and the train running status signal obtained by the sensing optical fiber cable， so as to detect the running status and safety performance of the train passing through the section， thus realizing real-time monitoring and warning， so as to provide technical support for the safe operation and maintenance of trains.

关健词：列车故障诊断；振动波形分析；小波分解；分形原理

Key words： train fault diagnosis；vibration waveform analysis；wavelet decomposition；fractal principle

中图分类号：TP277 文献标识码：A 文章编号：1006-4311（2018）02-0134-03

0 引言

高速铁路的发展始于上个世纪50年代，日本、法国、德国、意大利、西班牙、比利时、荷兰、瑞典、英国都加入高铁建设及运营中，亚洲的韩国、中国台湾地区及我国大陆于本世纪初开始高铁的建设。直至2015年底我国已建成的高速轨道交通专线约23600km，我国高速轨道线路总长度已超过世界其它各国高速专线线路之总和。随着高速铁路的不断发展，列车事故也在所难免，对高速列车的运行状态进行实时检测与故障诊断显得尤为重要。高速铁路故障检测一般分为在线检测和离线检测[1-8]，如轮轨红外探伤，轨道超声波探伤、轨道检测车对钢轨的磨耗自动测量等等。本系统采用分布式光纤感应技术，在钢轨侧面沿线连续分布振动传感器，通过光缆建立钢轨振动和列车运行噪声的检测区段，对经过该检测区段的运行列车进行连续的钢轨振动和列车运行噪声检测分析。

1 系统组成及软件功能

1.1 传感器布置与检测内容

对钢轨两侧轨腰进行简单的打磨抛光，在钢轨两侧打磨处分别布置四个箔式应变片，四应变片分两组成内45度角，牢固粘贴在钢轨上，并实现搭桥。将连接完毕的应变片连接至动态放大仪并通过USB接口连接至电脑，使用专用软件进行数据采集及存储。通过USB接口实时传输数据，利用数据存储及采集系统对应变片测得的应力信号进行采集及存储，进行记录。车辆通过时自动对该段信号进行编号，同时需记录应变片对应的粘贴点。监测内容包括通过车辆车型、轴重的识别以及对车辆速度、钢轨振动的测试。

1.1.1 振动测试

通过布置粘贴在钢轨外侧轨腰上的光纤，利用分布式振动测试仪对车辆经过时引起的钢轨振动信号进行采集及存储，由已完成的感应光纤标定实验获得的标定系数进行简单即可得到钢轨振动信号的加速度。

1.1.2 轴重识别

通过贴在钢轨两侧轨腰的应变片测量车辆通过时轨道所受到的垂向应力，由应力大小判断轴重。在轨道两侧处分别布置四个应变片，垂向力测试采用对称弯应变法，分别将轨腰两侧的4片箔式应变片组成全桥，距中性轴上下各20mm处，如图1所示。

1.1.3 车速测量

在钢轨给定距离两端布置应变片，该给定距离除以列车同一轮对通过两应变片的时间即可得到车速。

1.1.4 车型识别

不同车型车辆如客车与货车，同一车型车辆在不同载重如空车和重车工况下，在行驶时其车辆的挠度不同，可用地板面距离钢轨面距离作为参考，利用安装布置在钢轨外侧的超声波位移传感器可确定通过车辆地板面距轨面高度，即可识别通过车辆的车型及载重情况。

1.2 系统软件功能

《列车运行监测与故障诊断》主要功能是使人与数据分离，通过主程序GUI操作界面，自动检测、图形化显示、智能分析、诊断目标数据源，使系统自动化与智能化。

软件模块及功能分为数据处理与故障诊断两部分。数据处理部分包含最小二乘法、滑动平均法、IIR滤波器滤波、频域带通滤波、自相关/互相关函数分析、ZOOM-FFT、三分之一倍频程谱处理、倒频谱分析、反应谱分析[9]。

1.2.1 最小二乘法

对于振动信号数据，由于放大器随温度变化产生的零点漂移、传感器频率范围外低频性能的不稳定以及传感器周围的环境干扰，往往会编离基线，甚至偏离基线的大小还会随时间变化。偏离基线随时间变化的过程被称为信号的趋势项。趋势项直接影响信号的正确性，应该将其去除。用最小二乘法消去多项式趋势项。

1.2.2 滑动平均法

包括五点滑动平均法平滑处理、五点三次法平滑处理。属于数据预处理，由于所采集的数据因测量方法不当、测量仪器误差等因素，可能含有部分局部突变的噪声信号，因此故障分析前必须做数据预处理。平滑处理是比较好的消除方法。

1.2.3 IIR滤波器滤波

本方法属于数字滤波的时域处理方法，是对信号离散数据进行差分方程数学运算来达到滤波的目的。无限长冲激响应IIR数字滤波器，其特征是具有无限持续时间的冲激响应，使用递归模型来实现。只考虑幅度指标，未考虑相位指标。endprint

1.2.4 频域带通滤波

数字滤波的频域方法是利用FFT快速算法对输入信号采样数据进行离散傅里叶变换，分析其频谱，根据滤波要求，将需要滤除的频率部分直接设置成零或加渐变过渡频带后再设置成零，例如在通带和阻带之间加设一段余弦类窗函数的过渡带，然后利用IFFT快速算法对滤波处理后数据进行离散傅里叶逆变换恢复出时域信号。

1.2.5 自相关/互相关函数分析

自相关函数曲线的收敛快慢在一定程度上反映信号中所含各频率分量的多少，反映波形的平缓和陡峭程度。自相关函数可用来检测随机振动信号中是否包含有周期振动成分，这是因为随机分量的自相关函数总是随时间坐标移动值趋于无穷大而趋近于零或某一常数值，而周期分量的自相关函数则保持原来的周期性而不衰减，并可以定性地反映振动信号所含频率成分的多少。互相关函数则反映两条随机振动信号波形随时间坐标移动时相互关系紧密性的一种函数。

1.2.6 故障诊断

此模块也是整个系统的核心模块，其作用是对数据波形进行分析诊断，判断是否含有故障信号，并提取故障特征值。本系统根据故障的特征和类型分别对故障信号分析采取了三种技术手段：小波分析、谐波提取、分形原理。

对于有明显冲击特征的，一般来说波形中含有明显波峰或凹坑，或者波形密度与正常信号明显不一样，含有明显干扰信号。此类故障分析采用小波变换。对于幅值变化不明显，信号中含有某一频率的干扰信号，采用谐波分析。对于幅值变化不明显，波形形状特征明显，可以根据波形的形状特征，采用差分原理、谐波提取、小波分析来分析。

谐波提取：分别提取了0次谐波-5次谐波，如果正常数据信号中含有故障信号，其各次主要谐波含量是不一样的。0次谐波表示直流分量，第4、6个数就是3次和5次谐波的幅值。

图3是空车故障文件，选取第1列数据分析，表示空车故障横向加速度测试数据，图3中共有4个子窗口图表，子窗口1显示54400行数据，子图2选取其中的4000-10000行数据进行波形分析，子图3是经过小波分解后的低频系数波形圖，子图4是经过小波分解后的高频系数波形图，红色柱形标注低频、高频分解系数的特征值，表示相应的故障信号点。为了分析、比较同一车辆分别在两种状态（正常与故障）下相对应波形分析数据，在各子图中分别设定同一幅值范围，子图1设置为-3～3，子图2、子图3、子图4设置为-1～1。

另外在软件的开发过程中，采用了软件容错技术，确保软件运行平稳安全，不会因为用户的操作不当和输入错误而使系统陷入崩溃。

2 结论

通过检测列车运行的振动波形，来间接判断列车的性能与状态，在离线检测方法的创新。本方采用了小波分解、分形原理等技术，实现了列车运行的自动检测与故障断诊。系统数据量大，采用计算机全自动化处理技术，自动导入数据、自动分析、自动存储，对于个别有疑问的故障信号，可以与人工处理技术相结合，在软件平台上单独分析处理，从而进一步确认故障信号类型。

参考文献：

[1]Jonguk L， Heesu C， Daihee P， et al. Fault Detection and Diagnosis of Railway Point Machines by Sound Analysis：[J]. Sensors， 2016， 16（4）.

[2]Yao D， Yang J， Li X， et al. A hybrid approach for fault diagnosis of railway rolling bearings using STWD-EMD-GA-LSSVM[J]. Mathematical Problems in Engineering， 2016， 2016（10）：1-7.

[3]卫晓娟，丁旺才，李宁洲，等.基于引力搜索RBF神经网络的机车齿轮箱故障诊断[J].铁道学报，2016（2）：19-26.

Daigle M J， Bregon A， Koutsoukos X， et al. A qualitative event-based approach to multiple fault diagnosis in continuous systems using structural model decomposition[J]. Engineering Applications of Artificial Intelligence， 2016， 53：190-206.

[4]江丽，郭顺生.基于半监督拉普拉斯特征映射的故障诊断[J].中国机械工程，2016，27（14）.

[5]张前图，房立清.基于图像形状特征和LLTSA 的故障诊断方法[J].振动与冲击，2016，35（9）.

[6]臧怀刚，刘子豪，李玉奎.基于形态滤波和Laplace小波的轴承故障诊断[J].中国机械工程，2016，27（9）.

[7]Peng K， Zhang K， You B， et al. A Quality-Based Nonlinear Fault Diagnosis Framework Focusing on Industrial Multimode Batch Processes[J]. IEEE Transactions on Industrial Electronics， 2016， 63（4）：2615-2624.

[8]徐晓滨，张镇，李世宝，等.基于诊断证据静态融合与动态更新的故障诊断方法[J].自动化学报，2016（1）：107-121.

[9] 王济，胡晓.MATLAB在振动信号处理中的应用[M].中国水利水电出版社，2006.endprint