[发明专利]一种列车车轮多边形检测信号处理方法及其系统

说明书

本发明公开了一种列车车轮多边形检测信号处理方法及其系统，包括：采集列车车轮转动一周的检测波形数据；剔除检测波形数据中的异常数据点，并以异常数据点为分割点分割检测波形数据，生成异常前检测波形数据和异常后检测波形数据；以异常后检测波形数据在先、异常前检测波形数据在后，进行首尾拼接，生成真实检测波形数据；对真实检测波形数据进行傅里叶变换计算生成波形数据的频谱，并利用粗糙度水平计算方法生成车轮粗糙度数据。本发明通过改进检测波形的处理方法，利用车轮周向转动一圈所采集的检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性，解决了现有的列车车轮多边形检测信号处理方法存在的检测结果可靠性低的问题。

技术领域

本发明涉及轨道车辆检测技术领域，具体涉及一种列车车轮多边形检测信号处理方法及其系统。

背景技术

列车在运行中由于轮轨摩擦、线路不够理想以及轮轨匹配等因素，易导致车轮周向发生周期性磨耗，即为车轮多边形；由于车轮多边形会造成车辆运行时产生固有的轮轨振动频率，对运行安全有极大影响；故目前多采用振动加速度传感器进行车载及轨边的多边形检测，也称为间接检测方式，也有使用激光等位移传感器进行库内静态或在线动态的多边形检测，也称为位移检测方式。

而无论是间接检测方式还是位移检测方式，其检测结果均受传感器的电信号干扰、检测系统存在的系统性误差等因素干扰，造成检测波形存在杂波的问题，例如：位移检测方式中若使用顶转轮机构让车轮与传感器进行相对旋转，除电干扰外检测信号中还有旋转的不平顺卡滞等抖动，驱动装置与车轮接触位置的不光滑等引入的位移检测干扰、车辆经过的不平稳冲击、检测装置卡滞等干扰。

传统的滤波去噪方法为使用小波包分解、EMD及其改进方法进行去噪，但由于车轮在运行过程中形成的多边形波往往不是最理想的波形模式，故上述方法滤波后无法还原真实的多边形波形，即使能一定程度优化漏检，得到的粗糙度值也不准确，甚至无法定量检测。同理，既有的机器学习神经网络等方法也只能定性识别多边形有无，无法还原真实的多边形波形。

综上所述，现有的列车车轮多边形检测信号处理方法由于均通过剔除异常数据并进行拟合插值的方法，进行检测波形的滤波去噪，不仅没有考虑实际运用中异常数据的产生原因，亦使用拟合插值进行剔除后的数据补充，无法还原真实的多边形波形，存在检测结果可靠性低的问题。

发明内容

有鉴于此，本发明提供一种列车车轮多边形检测信号处理方法及其系统，通过改进检测波形的处理方法，利用车轮周向转动一圈所采集的所述检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性，并通过判定异常数据点的异常类型，解决了现有的列车车轮多边形检测信号处理方法存在的检测结果可靠性低的问题。

为解决以上问题，本发明的技术方案为采用一种列车车轮多边形检测信号处理方法，包括：S1：采集列车车轮转动一周的检测波形数据；S2：剔除所述检测波形数据中的异常数据点，并以所述异常数据点为分割点分割所述检测波形数据，生成异常前检测波形数据和异常后检测波形数据；S3：以所述异常后检测波形数据在先、所述异常前检测波形数据在后，进行首尾拼接，生成真实检测波形数据；S4：对所述真实检测波形数据进行傅里叶变换计算生成波形数据的频谱，并利用粗糙度水平计算方法生成车轮粗糙度数据。

可选地，所述S2包括：基于所述检测波形数据的时域幅值特征提取异常数据点并判定异常数据点的异常类型，其中，异常类型包括点跳变和阶跃波。

可选地，在所述异常数据点的所述异常类型为点跳变的情况下，剔除所述检测波形数据的所述异常数据点，并以所述异常数据点为分割点分割所述检测波形数据，生成所述异常前检测波形数据和所述异常后检测波形数据。

可选地，在所述异常数据点的所述异常类型为阶跃波的情况下，剔除所述检测波形数据的所述异常数据点以及所述异常数据点前后时间段内属于阶跃波的数据点，并以属于阶跃波的数据点为分割点分割所述检测波形数据，生成所述异常前检测波形数据和所述异常后检测波形数据。