一种基于角度域平均的车轮多边形识别方法及系统

1.本发明涉及轨道车辆车轮多边形状态的检测与识别技术领域，尤其是涉及一种基于角度域平均的车轮多边形识别方法及系统。


背景技术：

2.车轮多边形是车轮不圆中的一种常见形态，具体表现为车轮半径沿圆周方向呈现出周期性不均匀磨耗。车轮多边形导致车轮与轨道之问的垂向力明显增加，加剧轮轨间动态响应，影响车辆运行稳定性和安全性以及系统部件疲劳寿命。因此，及时对车轮状态进行检测和维护，对车辆安全平稳服役具有重要意义。
3.当前，对车轮多边形的检测大多分为直接测量和间接测量两种类型。传统的人工直接测量法，只能在列车停止运行状态下测量，消耗大量的人力物力成本，效率低下；间接车轮多边形测量法是指不直接对车轮进行测量，而是通过在车辆各处布置传感器，采集与车轮多边形相关的信息，实现对车轮多边形的间接识别。在实际应用过程中，轴箱振动加速度信号能够明显表征轨道车辆振动特性，能够在车辆运行中对车轮多边形进行检测，具有降低成本、提升效率的优势，同时有助于车轮状况的监测和及时预警。
4.但是，列车在运行过程中，轴箱振动受到整个车辆轨道耦合系统的共同影响，此外现场采集到的振动加速度信号不可避免地受到白噪声等影响，这限制了识别结果的准确性。因此，有必要对现有的车轮多边形检测方案进行改进。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于角度域平均的车轮多边形识别方法及系统。
6.本发明的目的可以通过以下技术方案来实现：
7.根据本发明的第一方面，提供一种基于角度域平均的车轮多边形识别方法，包括以下步骤：
8.(1)采集列车在运行过程中的轴箱振动加速度信号和车辆速度信号；
9.(2)确定车轮转动周期，根据角度域平均方法对轴箱振动加速度信号进行信号重采样、叠加和平均，得到处理后的轴箱振动加速度信号；
10.(3)车轮多边形状态包括车轮多边形的阶次和对应的幅值，基于处理后的车轮多边形信号进行车轮多边形阶次和幅值的识别。
11.进一步地，所述步骤(1)具体为：通过安装在列车轴箱上的加速度传感器采集列车运行时的轴箱振动加速度信号，通过安装在列车转向架上的速度传感器采集列车运行时的车辆速度信号。
12.进一步地，所述步骤(2)包括：
13.s1、设采集到的轴箱振动加速度信号为x(t)，其中包括周期性信号车轮不圆信号f(t)和非周期信号g(t)，即：
14.x(t)＝f(t)+g(t)
15.s2、基于车辆速度信号确定车辆旋转周期，按车辆旋转周期截取所述的轴箱振动加速度信号x(t)，将轴箱振动加速度信号x(t)分为p段信号；
16.s3、将p段信号叠加，得到：
[0017][0018]
其中，i＝1，2，
…
，p，x(ti)表示车轮旋转第i周的轴箱振动加速度信号；
[0019]
s4、对叠加后的信号进行平均，得到处理后的轴箱振动加速度信号：
[0020][0021]
其中，y(t)表示处理后的轴箱振动加速度信号。
[0022]
进一步地，步骤s2中，基于车辆速度信号确定车辆旋转周期具体为：
[0023]
基于车轮半径计算车轮周长，将车辆速度信号对时间进行积分，积分计算结果等于车轮周长的积分区间对应一个车辆转动周期，如下：
[0024][0025]
其中，s(t)是t时刻的车辆位移，r为车轮半径，[t1,t2]为一个车辆转动周期，v(t)为车辆速度信号；
[0026]
重复上述步骤，得到多个车辆转动周期，按照车辆转动周期对轴箱振动加速度信号x(t)进行对应截取，将轴箱振动加速度信号x(t)分为p段信号。
[0027]
进一步地，步骤(3)中，根据车轮多边形阶次与轮轨激励频率的关系，确定各阶车轮多边形的激励频率，车轮多边形阶次与轮轨激励频率的关系如下：
[0028][0029]
其中，l表示车轮多边形阶次；fw表示车轮多边形磨耗产生的轮轨激励频率；v表示车辆速度；d表示车轮直径。
[0030]
进一步地，步骤(3)中，根据惯性基准法计算得到车轮多边形对应阶次的幅值，包括：
[0031]
1)将处理后的轴箱振动加速度信号y(t)采取傅里叶变换，将离散的时域信号转换为频域信号，如下：
[0032][0033]
其中，f(k)表示傅里叶变换后转移到频域内的结果，s表示采样点，s表示总采样点数，j表示虚单位，k表示频率；
[0034]
2)在频域内将加速度转换到位移，同时进行频域滤波处理并除以角频率的平方，得到两次频域积分的结果：
[0035][0036]
其中，a(k)表示经过积分后得到的结果，f
l
和fh分别为下限截止频率和上限截止频率，ω为角频率；
[0037]
3)根据步骤1)中计算得到各阶车轮多边形得到的激励频率fw确定各阶车轮多边形的幅值a(fw)，将幅值转换为粗糙度等级，计算车轮粗糙度等级计算公式为：
[0038][0039]
其中，lr为车轮表面粗糙度等级幅值；r0为钢轨表面短波粗糙度参考值；r
rms
为钢轨表面粗糙度幅值a(fw)的有效值。
[0040]
根据本发明的第二方面，提供一种基于角度域平均的车轮多边形识别系统，包括：
[0041]
信号采集模块，用于采集列车在运行过程中的轴箱振动加速度信号和车辆速度信号；
[0042]
信号处理模块，用于确定车轮转动周期，根据角度域平均方法对轴箱振动加速度信号进行信号重采样、叠加和平均，得到处理后的轴箱振动加速度信号；
[0043]
识别模块，用于基于处理后的车轮多边形信号进行车轮多边形阶次和幅值的识别，其中，车轮多边形状态包括车轮多边形的阶次和对应的幅值。
[0044]
进一步地，所述步骤(2)包括：
[0045]
s1、设采集到的轴箱振动加速度信号为x(t)，其中包括周期性信号车轮不圆信号f(t)和非周期信号g(t)，即：
[0046]
x(t)＝f(t)+g(t)
[0047]
s2、基于车辆速度信号确定车辆旋转周期，按车辆旋转周期截取所述的轴箱振动加速度信号x(t)，将轴箱振动加速度信号x(t)分为p段信号；
[0048]
s3、将p段信号叠加，得到：
[0049][0050]
其中，i＝1，2，
…
，p，x(ti)表示车轮旋转第i周的轴箱振动加速度信号；
[0051]
s4、对叠加后的信号进行平均，得到处理后的轴箱振动加速度信号：
[0052][0053]
其中，y(t)表示处理后的轴箱振动加速度信号。
[0054]
进一步地，步骤(3)中，根据车轮多边形阶次与轮轨激励频率的关系，确定各阶车轮多边形的激励频率，车轮多边形阶次与轮轨激励频率的关系如下：
[0055][0056]
其中，l表示车轮多边形阶次；fw表示车轮多边形磨耗产生的轮轨激励频率；v表示车辆速度；d表示车轮直径。
[0057]
进一步地，步骤(3)中，根据惯性基准法计算得到车轮多边形对应阶次的幅值，包括：
[0058]
1)将处理后的轴箱振动加速度信号y(t)采取傅里叶变换，将离散的时域信号转换为频域信号，如下：
[0059][0060]
其中，f(k)表示傅里叶变换后转移到频域内的结果，s表示采样点，s表示总采样点数，j表示虚单位，k表示频率；
[0061]
2)在频域内将加速度转换到位移，同时进行频域滤波处理并除以角频率的平方，得到两次频域积分的结果：
[0062][0063]
其中，a(k)表示经过积分后得到的结果，f
l
和fh分别为下限截止频率和上限截止频率，ω为角频率；
[0064]
3)根据步骤1)中计算得到各阶车轮多边形得到的激励频率fw确定各阶车轮多边形的幅值a(fw)，将幅值转换为粗糙度等级，计算车轮粗糙度等级计算公式为：
[0065][0066]
其中，lr为车轮表面粗糙度等级幅值；r0为钢轨表面短波粗糙度参考值；r
rms
为钢轨表面粗糙度幅值a(fw)的有效值。
[0067]
与现有技术相比，本发明具有以下有益效果：
[0068]
(1)对轨道车辆在运行过程中所产生的轴箱振动加速度和车辆速度进行采集，并运用角度域平均法提取加速度信号中车轮多边形信息，再进一步处理提取车轮多边形的阶次和幅值，能够将车轮多边形特征信号从复杂的加速度信号中提取出来并准确识别。
[0069]
(2)相较于其它车轮多边形识别方法，本发明充分考虑了列车在运行过程中的速度波动，按照车辆旋转周期对信号进行分段，能够在列车速度变化的情况下对车轮多边形幅值进行准确识别，具有较大的实际应用价值。
[0070]
(3)本发明根据角度域平均法进行信号重采样、叠加和平均，分离车轮多边形信号，能够有效地缓解在使用间接法对车辆多边形进行测量时受到其他噪声信号干扰的问题，提高了识别的准确性。
[0071]
(4)本发明将惯性基准法结合频域二次积分方法，避免了时域积分中的误差累加问题，进一步提升了利用轴箱振动加速度识别车轮多边形的准确性。
附图说明
[0072]
图1为本发明的基于角度域平均的车轮多边形识别方法的流程图；
[0073]
图2为实测值与识别值对比图。
具体实施方式
[0074]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例，本发明的保护范围不限于下述的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0075]
此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0076]
本说明书提供了如实施例或流程示意图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)或者调整没有时序限制的步骤的执行顺序。
[0077]
本发明提供一种基于角度域平均的车轮多边形识别方法，实施流程如图1所示，包括以下步骤：
[0078]
(1)采集列车在运行过程中的轴箱振动加速度信号和车辆速度信号；
[0079]
具体为：将加速度传感器安装在列车的轴箱位置，通过数据线与采集设备连接，采集列车运行时列车轴箱振动加速度的变化信息，即列车运行时的轴箱振动加速度信号；将速度传感器安装在列车转向架位置，通过数据线与采集设备连接，采集列车运行时速度的变化信息，即列车运行时的车辆速度信号。
[0080]
在实际实施过程中，轴箱振动加速度传感器采样频率为5120hz，速度传感器采样频率为20hz。
[0081]
(2)根据角度域平均法进行信号重采样、叠加和平均，分离车轮多边形信号。在实际情况中，由于轨道不平顺和其他干扰激励的影响，通常难以辨识车轮多边形的频率成分。因此，需要对采集到的信号进行二次处理，将车轮多边形信号从复杂的综合信号中分离出来。基于此，本发明提出了角度域平均方法。根据测量得到的车速信号，确定车轮转动周期；结合车轮转动周期，对原始轴箱振动加速度信号进行重采样、叠加和平均，将加速度时域信号转化为角度域信号，从而提取车轮多边形特征信号。
[0082]
根据车轮不圆周期性特点，将时域信号转化为车轮转动角度为基础的角度域信号，并进行叠加、平均，具体实施过程如下：
[0083]
s1、设采集到的轴箱振动加速度信号为x(t)，其中包括周期性信号车轮不圆信号f(t)和非周期信号g(t)，即：
[0084]
x(t)＝f(t)+g(t)
[0085]
s2、基于车辆速度信号确定车辆旋转周期，按车辆旋转周期截取的轴箱振动加速
度信号x(t)，将轴箱振动加速度信号x(t)分为p段信号：x(t1)、x(t2)、
…
、x(t
p
)，x(ti)表示车轮旋转第i周的轴箱振动加速度信号，其中包括车轮多边形信号和噪声信号：
[0086]
x(ti)＝f(ti)+g(ti)
[0087]
其中，基于车辆速度信号确定车辆旋转周期具体为：
[0088]
根据车辆行驶速度，得到车辆的位移随时间的变化。基于车轮半径r计算车轮周长2πr，将车辆速度信号对时间进行积分，每当积分计算结果等于车轮周长时，可以认为在积分区间内车轮旋转了一周，即积分计算结果等于车轮周长的积分区间对应一个车辆转动周期，如下，可以得到车轮的某个旋转周期：
[0089][0090]
其中，s(t)是t时刻的车辆位移，r为车轮半径，[t1,t2]为一个车辆转动周期，v(t)为车辆速度信号；
[0091]
可以从t＝0开始，重复上述步骤，得到多个车辆转动周期，按照车辆转动周期对轴箱振动加速度信号x(t)进行对应截取，将轴箱振动加速度信号x(t)分为p段信号，每一段都表示车轮旋转一周的轴箱振动加速度信号：
[0092]
x(ti)＝f(ti)+g(ti)
[0093]
s3、将p段信号叠加，由于非周期信号的不相干性，得到：
[0094][0095]
其中，i＝1，2，
…
，p，x(ti)表示车轮旋转第i周的轴箱振动加速度信号；
[0096]
s4、对叠加后的信号进行平均，得到输出信号，即处理后的轴箱振动加速度信号：
[0097][0098]
其中，y(t)表示处理后的轴箱振动加速度信号，此时的输出信号y(t)可视为被分离出的车轮多边形信号。
[0099]
由上式得出，经过平均后，车轮不圆信号保持不变，而其余非周期信号在平均后削弱了倍。当p足够大时，可以认为非周期信号的部分趋近于0，此时可以将输出信号看作在一个车轮旋转周期内由车轮不圆引起的轴箱振动加速度变化的角度域信号。这样就完成了将车轮不圆信号分离的过程。
[0100]
(3)车轮多边形状态包括车轮多边形的阶次和对应的幅值，根据车轮多边形特征频率辨识车轮多边形的阶次；根据惯性基准法，采用频域二次积分计算得到车轮多边形的幅值。
[0101]
①
根据车轮多边形阶次与轮轨激励频率的关系，确定各阶车轮多边形的激励频率，车轮多边形阶次与轮轨激励频率的关系如下：
[0102][0103]
其中，l表示车轮多边形阶次；fw表示车轮多边形磨耗产生的轮轨激励频率；v表示车辆速度，单位为km/h；d表示车轮直径，单位为m。
[0104]
②
根据惯性基准法计算得到车轮多边形对应阶次的幅值。
[0105]
惯性基准法是求解车轮多边形幅值的一种常用方法。其主要原理是，当车轮在轨道上行驶时，车轮轴箱的垂向位移h即为轮轨粗糙度η，即各阶车轮多边形共同作用下的车轮表面粗糙度。根据加速度与位移的关系，通过对加速度传感器测出车体垂向加速度x(t)进行二次积分，就可以得到车轮的垂向位移，如下列公式所示：
[0106]
η＝h＝∫∫x(t)dtdt
[0107]
进一步地，为避免惯性基准法直接计算带来的累计偏差，提出了频域二次积分方法。该方法需要先把时域的数组通过快速傅里叶变换(fft)转到频域，再通过傅里叶变换的积分性质，在频域中实现积分与滤波后，通过傅里叶逆变换(ifft)返回时域，此时得到的数组即为时域数组的积分结果。其主要流程为：
[0108]
1)将处理后的轴箱振动加速度信号y(t)采取傅里叶变换，将离散的时域信号转换为频域信号，如下：
[0109][0110]
其中，f(k)表示傅里叶变换后转移到频域内的结果，s表示采样点，s表示总采样点数，j表示虚单位，k表示频率；
[0111]
2)在频域内将加速度转换到位移，同时进行频域滤波处理并除以角频率的平方，得到两次频域积分的结果：
[0112][0113]
其中，a(k)表示经过积分后得到的结果，f
l
和fh分别为下限截止频率和上限截止频率，ω为角频率；
[0114]
3)根据步骤1)中计算得到各阶车轮多边形得到的激励频率fw确定各阶车轮多边形的幅值a(fw)，将幅值转换为粗糙度等级，计算车轮粗糙度等级计算公式为：
[0115][0116]
其中，lr为车轮表面粗糙度等级幅值，单位db；r0为钢轨表面短波粗糙度参考值，一般，钢轨表面短波粗糙度参考值r0＝1μm；r
rms
为钢轨表面粗糙度幅值a(fw)的有效值。
[0117]
相比与传统的车轮多边形检测技术，本发明可在列车行进过程中对车轮多边形状态进行有效识别，节约了人力物力成本，相比于以前的车轮多边形识别方法，能够有效降低噪声影响，此外还考虑了车辆运行中的速度波动影响，提高了识别的准确性。同时有利于跟踪车轮多边形演化过程，以便及时安排车轮维护工作。
[0118]
如图2所示，该图为本实施例中车轮多边形的阶次与幅值识别结果，从该识别结果表明本发明所提出的车轮多边形检测方法能准确识别出车轮多边形主要阶次，具有较高的检测精度。
[0119]
本发明还提供一种基于角度域平均的车轮多边形识别系统，包括：
[0120]
信号采集模块，用于采集列车在运行过程中的轴箱振动加速度信号和车辆速度信
号；
[0121]
信号处理模块，用于确定车轮转动周期，根据角度域平均方法对轴箱振动加速度信号进行信号重采样、叠加和平均，得到处理后的轴箱振动加速度信号；
[0122]
识别模块，用于基于处理后的车轮多边形信号进行车轮多边形阶次和幅值的识别，其中，车轮多边形状态包括车轮多边形的阶次和对应的幅值。
[0123]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0124]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：
1.一种基于角度域平均的车轮多边形识别方法，其特征在于，包括以下步骤：(1)采集列车在运行过程中的轴箱振动加速度信号和车辆速度信号；(2)确定车轮转动周期，根据角度域平均方法对轴箱振动加速度信号进行信号重采样、叠加和平均，得到处理后的轴箱振动加速度信号；(3)车轮多边形状态包括车轮多边形的阶次和对应的幅值，基于处理后的车轮多边形信号进行车轮多边形阶次和幅值的识别。2.根据权利要求1所述的一种基于角度域平均的车轮多边形识别方法，其特征在于，所述步骤(1)具体为：通过安装在列车轴箱上的加速度传感器采集列车运行时的轴箱振动加速度信号，通过安装在列车转向架上的速度传感器采集列车运行时的车辆速度信号。3.根据权利要求1所述的一种基于角度域平均的车轮多边形识别方法，其特征在于，所述步骤(2)包括：s1、设采集到的轴箱振动加速度信号为x(t)，其中包括周期性信号车轮不圆信号f(t)和非周期信号g(t)，即：x(t)＝f(t)+g(t)s2、基于车辆速度信号确定车辆旋转周期，按车辆旋转周期截取所述的轴箱振动加速度信号x(t)，将轴箱振动加速度信号x(t)分为p段信号；s3、将p段信号叠加，得到：其中，i＝1，2，
…
，p，x(t
i
)表示车轮旋转第i周的轴箱振动加速度信号；s4、对叠加后的信号进行平均，得到处理后的轴箱振动加速度信号：其中，y(t)表示处理后的轴箱振动加速度信号。4.根据权利要求3所述的一种基于角度域平均的车轮多边形识别方法，其特征在于，步骤s2中，基于车辆速度信号确定车辆旋转周期具体为：基于车轮半径计算车轮周长，将车辆速度信号对时间进行积分，积分计算结果等于车轮周长的积分区间对应一个车辆转动周期，如下：其中，s(t)是t时刻的车辆位移，r为车轮半径，[t1,t2]为一个车辆转动周期，v(t)为车辆速度信号；重复上述步骤，得到多个车辆转动周期，按照车辆转动周期对轴箱振动加速度信号x(t)进行对应截取，将轴箱振动加速度信号x(t)分为p段信号。5.根据权利要求3所述的一种基于角度域平均的车轮多边形识别方法，其特征在于，步骤(3)中，根据车轮多边形阶次与轮轨激励频率的关系，确定各阶车轮多边形的激励频率，车轮多边形阶次与轮轨激励频率的关系如下：
其中，l表示车轮多边形阶次；f
w
表示车轮多边形磨耗产生的轮轨激励频率；v表示车辆速度；d表示车轮直径。6.根据权利要求3所述的一种基于角度域平均的车轮多边形识别方法，其特征在于，步骤(3)中，根据惯性基准法计算得到车轮多边形对应阶次的幅值，包括：1)将处理后的轴箱振动加速度信号y(t)采取傅里叶变换，将离散的时域信号转换为频域信号，如下：其中，f(k)表示傅里叶变换后转移到频域内的结果，s表示采样点，s表示总采样点数，j表示虚单位，k表示频率；2)在频域内将加速度转换到位移，同时进行频域滤波处理并除以角频率的平方，得到两次频域积分的结果：其中，a(k)表示经过积分后得到的结果，f
l
和f
h
分别为下限截止频率和上限截止频率，ω为角频率；3)根据步骤1)中计算得到各阶车轮多边形得到的激励频率f
w
确定各阶车轮多边形的幅值a(f
w
)，将幅值转换为粗糙度等级，计算车轮粗糙度等级计算公式为：其中，l
r
为车轮表面粗糙度等级幅值；r0为钢轨表面短波粗糙度参考值；r
rms
为钢轨表面粗糙度幅值a(f
w
)的有效值。7.一种基于角度域平均的车轮多边形识别系统，其特征在于，包括：信号采集模块，用于采集列车在运行过程中的轴箱振动加速度信号和车辆速度信号；信号处理模块，用于确定车轮转动周期，根据角度域平均方法对轴箱振动加速度信号进行信号重采样、叠加和平均，得到处理后的轴箱振动加速度信号；识别模块，用于基于处理后的车轮多边形信号进行车轮多边形阶次和幅值的识别，其中，车轮多边形状态包括车轮多边形的阶次和对应的幅值。8.根据权利要求7所述的一种基于角度域平均的车轮多边形识别系统，其特征在于，所述步骤(2)包括：s1、设采集到的轴箱振动加速度信号为x(t)，其中包括周期性信号车轮不圆信号f(t)和非周期信号g(t)，即：x(t)＝f(t)+g(t)s2、基于车辆速度信号确定车辆旋转周期，按车辆旋转周期截取所述的轴箱振动加速度信号x(t)，将轴箱振动加速度信号x(t)分为p段信号；
s3、将p段信号叠加，得到：其中，i＝1，2，
…
，p，x(t
i
)表示车轮旋转第i周的轴箱振动加速度信号；s4、对叠加后的信号进行平均，得到处理后的轴箱振动加速度信号：其中，y(t)表示处理后的轴箱振动加速度信号。9.根据权利要求8所述的一种基于角度域平均的车轮多边形识别系统，其特征在于，步骤(3)中，根据车轮多边形阶次与轮轨激励频率的关系，确定各阶车轮多边形的激励频率，车轮多边形阶次与轮轨激励频率的关系如下：其中，l表示车轮多边形阶次；f
w
表示车轮多边形磨耗产生的轮轨激励频率；v表示车辆速度；d表示车轮直径。10.根据权利要求9所述的一种基于角度域平均的车轮多边形识别系统，其特征在于，步骤(3)中，根据惯性基准法计算得到车轮多边形对应阶次的幅值，包括：1)将处理后的轴箱振动加速度信号y(t)采取傅里叶变换，将离散的时域信号转换为频域信号，如下：其中，f(k)表示傅里叶变换后转移到频域内的结果，s表示采样点，s表示总采样点数，j表示虚单位，k表示频率；2)在频域内将加速度转换到位移，同时进行频域滤波处理并除以角频率的平方，得到两次频域积分的结果：其中，a(k)表示经过积分后得到的结果，f
l
和f
h
分别为下限截止频率和上限截止频率，ω为角频率；3)根据步骤1)中计算得到各阶车轮多边形得到的激励频率f
w
确定各阶车轮多边形的幅值a(f
w
)，将幅值转换为粗糙度等级，计算车轮粗糙度等级计算公式为：其中，l
r
为车轮表面粗糙度等级幅值；r0为钢轨表面短波粗糙度参考值；r
rms
为钢轨表面粗糙度幅值a(f
w
)的有效值。

技术总结
本发明涉及一种基于角度域平均的车轮多边形识别方法及系统，方法包括以下步骤：采集列车在运行过程中的轴箱振动加速度信号和车辆速度信号；确定车轮转动周期，根据角度域平均方法对轴箱振动加速度信号进行信号重采样、叠加和平均，得到处理后的轴箱振动加速度信号；车轮多边形状态包括车轮多边形的阶次和对应的幅值，基于处理后的车轮多边形信号进行车轮多边形阶次和幅值的识别。与现有技术相比，本发明对轨道车辆在运行过程中所产生的轴箱振动加速度和车辆速度进行采集，并运用角度域平均法提取加速度信号中车轮多边形信息，再进一步处理提取车轮多边形的阶次和幅值，能够将车轮多边形特征信号从复杂的加速度信号中提取出来并准确识别。取出来并准确识别。取出来并准确识别。


技术研发人员：孙文静 耿璇 王腾飞
受保护的技术使用者：同济大学
技术研发日：2023.02.28
技术公布日：2023/6/28