✅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
在铁路运输系统中,车轮的健康状况直接关乎行车安全与稳定性。车轮踏面擦伤作为常见故障,在变速运行条件下,会引发车辆剧烈振动,产生冲击载荷,不仅降低乘客舒适度,还可能导致轨道与车辆部件过早磨损,甚至危及行车安全。由于实际运行中轨道不平顺、车辆变速等因素,车辆振动响应复杂,包含强干扰信号与变频成分,给踏面擦伤检测带来极大挑战。为攻克这一难题,本文提出一种两级自适应调频模态分解(Adaptive Chirp Mode Decomposition,ACMD)方法,旨在精准识别变速条件下铁路车轮踏面擦伤故障。
铁路车轮踏面擦伤危害及检测现状
铁路车轮在长期服役过程中,受紧急制动、车轮抱死、轨道异物等因素影响,踏面易出现擦伤。擦伤车轮旋转时,每转一周会与轨道产生一次冲击,引发车辆振动。在高速、重载列车不断发展的当下,这种冲击危害愈发显著。据相关研究,车轮踏面擦伤长度超 50mm、深度超 1mm 时,就可能对行车安全构成威胁。
过往车轮踏面擦伤检测方法多样,如基于应变传感器监测轮轨冲击,利用贝叶斯预测、机器学习等提升检测精度;还有倒频谱分析结合阶次分析,考虑列车变速,将振动信号从时域转换到旋转角域;以及互相关分析结合阶次分析,用于在强噪声中检测擦伤信号。然而,面对复杂多变的运行工况,现有方法在抗干扰、时变特征提取等方面存在局限,难以精准检测小尺寸擦伤与早期故障。
两级自适应调频模态分解方法解析
方法整体架构
本文提出的两级 ACMD 方法,旨在分阶段处理复杂振动信号,实现踏面擦伤精准检测。第一级利用 ACMD 结合基于基尼指数(Gini Index,GI)的模态选择与重组方案,在强干扰下分离不同故障信号模态;第二级对分离后的信号模态,运用高分辨率 ACMD 时频分析方法,精确提取时变故障特征频率,达成故障检测。
第一级:基于 ACMD 与基尼指数的模态分离
ACMD 是一种自适应时频分析方法,能有效处理非平稳信号。其通过构建自适应调频原子,匹配信号局部特征,将复杂信号分解为多个调频模态。在第一级中,将 ACMD 与基于 GI 的模态选择和重组相结合。
基尼指数用于衡量数据集中不同类别的分散程度。在信号处理中,可据此评估分解出的各模态信号的纯度,筛选出包含故障信息的模态。具体流程为:对采集到的车辆振动加速度信号,首先进行 ACMD 分解,得到多个模态分量;接着计算每个模态分量的基尼指数,依据设定阈值,挑选出基尼指数较小(即信号纯度高)的模态,将其重组为包含主要故障特征的信号集合。例如,在某复杂振动信号中,经 ACMD 分解出 10 个模态分量,计算基尼指数后,发现其中 3 个模态分量基尼指数小于 0.2(阈值),这 3 个模态很可能包含关键故障信息,将它们重组,以便后续分析。
第二级:高分辨率 ACMD 时频分析与故障特征提取
在第一级分离出故障相关信号模态后,第二级运用高分辨率 ACMD 时频分析方法。ACMD 时频分析通过对分解后的模态分量进行时频变换,能在时频平面上精确呈现信号频率随时间的变化。在踏面擦伤检测中,擦伤引起的冲击信号具有特定时变特征频率,如擦伤车轮旋转频率及其倍频成分。
通过高分辨率 ACMD 时频分析,可将这些时变特征频率清晰展现。以某擦伤车轮为例,在时频图上,可观察到以车轮旋转频率为基频,出现一系列随时间变化的谐波频率,且这些频率特征与正常车轮运行时明显不同。通过精确提取这些时变故障特征频率,可准确判断车轮是否存在踏面擦伤,以及擦伤的严重程度。
基于车辆 - 轨道耦合模型的振动特性分析
为深入理解变速条件下踏面擦伤对车辆振动的影响,构建考虑车轮踏面擦伤的车辆 - 轨道耦合动力学模型。该模型综合考虑车辆悬挂系统、车轮、轨道结构以及轮轨接触关系等因素。
在模型中,将车轮踏面擦伤简化为局部刚度变化,模拟擦伤车轮与轨道的相互作用。通过数值计算,分析不同擦伤尺寸、车辆运行速度下,车辆振动加速度响应特性。结果表明,随着擦伤尺寸增大,车辆振动加速度幅值显著增加;在变速过程中,振动加速度频谱呈现复杂时变特征,擦伤引起的特征频率成分随车速变化而改变。例如,当车轮存在 50mm 长、1mm 深擦伤时,车辆在加速过程中,振动加速度频谱在 5 - 15Hz 频段出现明显时变特征频率,且幅值随车速升高而增大。这些振动特性为两级 ACMD 方法检测踏面擦伤提供了理论依据。
⛳️ 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
👇