【机械设备故障诊断】一种用于变速条件下铁路车轮踏面擦伤检测的两级自适应调频模态分解方法附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、引言

1.1 研究背景与意义

在现代铁路运输体系中，随着列车运行速度的不断提升以及运输任务的日益繁重，铁路车辆的安全可靠性愈发关键。车轮作为铁路车辆与轨道直接接触的核心部件，其运行状态直接关乎列车的行驶安全与平稳性。车轮踏面擦伤是一种较为常见且危害较大的故障形式，它通常是由于列车制动过程中车轮抱死滑行、车轮与轨道间存在异物等原因导致踏面局部磨损而形成。

当车轮踏面出现擦伤时，在列车运行过程中，擦伤部位与轨道的周期性撞击会引发强烈的振动和冲击，不仅会加速车轮和轨道的磨损，降低其使用寿命，还会对车辆的悬挂系统、转向架等部件造成额外的疲劳损伤，严重影响车辆运行的稳定性和安全性。据相关统计，因车轮踏面擦伤未及时检测和处理而引发的铁路安全事故时有发生，造成了巨大的经济损失和社会影响。

尤其在变速条件下，列车运行工况复杂多变，车轮转速的动态变化使得车轮与轨道间的相互作用力、接触状态等更加复杂，这进一步加剧了踏面擦伤故障的发展，同时也给故障检测带来了极大的挑战。传统的故障检测方法在处理这种复杂的非平稳信号时，往往难以准确提取故障特征，导致检测精度较低，无法满足实际工程需求。因此，研究一种高效、准确的适用于变速条件下铁路车轮踏面擦伤检测方法具有重要的现实意义，对于保障铁路运输的安全、高效运行，降低运营成本具有深远的影响。

1.2 国内外研究现状

国内外学者针对铁路车轮踏面擦伤检测开展了大量的研究工作，并取得了一系列成果。早期，主要采用人工巡检的方式来发现车轮踏面擦伤，但这种方法效率低下，主观性强，容易出现漏检情况，且难以适应现代铁路运输快速发展的需求。

随着传感器技术和信号处理技术的不断进步，基于传感器采集振动、声学、应变等信号的检测方法逐渐成为主流。在振动信号检测方面，众多学者进行了深入研究。一些研究者利用安装在轨道上的应变传感器（如应变片或光纤布拉格光栅）来检测车轮擦伤引起的轮轨撞击所产生的应变变化，进而识别车轮踏面擦伤故障 。同时，也有研究将贝叶斯预测、机器学习等先进算法应用于应变数据处理，以提高故障检测的准确性 。

在基于车辆部件振动信号的车载检测方法中，不少学者对轮对（或轴箱）、转向架构架等部位的振动信号进行分析。Bernal 等人基于振动加速度信号研究了车轮踏面擦伤的可检测性，结果表明在噪声环境下，轮对（或轴箱）和转向架构架的振动信号适用于故障检测 。Bosso 等人开发了一种基于轴箱振动加速度时域统计指标的车载车轮踏面擦伤故障诊断算法 。为了在复杂干扰条件下准确检测车轮踏面擦伤，研究者们采用了各种先进的滤波和信号分解方法来增强和提取故障信号。例如，Li 等人提出自适应多尺度形态滤波器，以增强在强噪声下因车轮踏面擦伤引起的脉冲信号特征 ；还有学者采用经验模态分解（EMD）及其改进版本，如集合经验模态分解（EEMD）、基于时变滤波器的 EMD（TVF - EMD）等来提取故障脉冲信号分量 。然而，这些方法在处理变速条件下复杂的非平稳信号时，仍存在模态混叠、对噪声敏感等问题。

除了上述方法，经验小波变换、变分模态分解（VMD）等更高级的信号处理方法也被应用于铁路车辆部件故障诊断领域 。同时，稀疏表示作为一种有效的信号分解方法，在故障诊断中也展现出一定的潜力，如 Qin 构建了基于模型的冲击小波字典，并提出稀疏表示算法用于故障特征提取 。在时频分析方面，基于小波的方法、短时傅里叶变换（STFT）、Wigner - Ville 分布等不同类型的时频（TF）技术已被广泛用于分析或检测车轮踏面擦伤 。Yang 等人应用 TF 重分配的后处理技术，以提高变速条件下车辆振动响应的时频表示（TFR）的可读性 。尽管已有众多研究成果，但在面对复杂的变速运行工况和强干扰环境时，现有的车轮踏面擦伤检测方法仍存在检测精度不高、适应性不强等问题，亟需开发新的检测方法来满足实际需求。

⛳️ 运行结果

📣 部分代码

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇