基于角域同步平均的高速列車車輪多邊形檢測(cè)方法

摘要：車輪多邊形普遍存在于鐵路車輛上，尤其是在高速情況下會(huì)對(duì)車輛和軌道產(chǎn)生強(qiáng)烈的周期性激勵(lì)，影響車輛運(yùn)行安全和乘客舒適性，因此研究車輪多邊形的檢測(cè)方法具有重要意義。采用軸箱垂向振動(dòng)加速度信號(hào)作為檢測(cè)數(shù)據(jù)，提出一種基于角域同步平均的高速列車車輪多邊形檢測(cè)方法。首先，結(jié)合一致相關(guān)系數(shù)，從濾波后的原始信號(hào)中提取相對(duì)穩(wěn)定的短時(shí)時(shí)域信號(hào)。其次，將時(shí)域信號(hào)重采樣到角域，再利用角域同步平均對(duì)角域信號(hào)進(jìn)行去噪，得到特征向量。最后，根據(jù)特征向量計(jì)算反映車輪多邊形狀態(tài)的粗糙度水平和多邊形階次這兩個(gè)參數(shù)，完成車輪多邊形的準(zhǔn)確估計(jì)。仿真分析和實(shí)例驗(yàn)證表明：該方法可以有效增強(qiáng)同步分量，去除速度因素以及軌道不平順等偶然干擾因素的影響，完成高速列車車輪多邊形的檢測(cè)。

關(guān)鍵詞：高速列車；車輪多邊形；一致相關(guān)系數(shù)；角域同步平均；粗糙度水平；多邊形階次

中圖分類號(hào)：U279 文獻(xiàn)標(biāo)志碼：A doi：10.3969/j.issn.1006-0316.2024.11.004

文章編號(hào)：1006-0316 （2024） 11-0023-10

Wheel Polygon Detection Method of High-Speed Train Based on Angle-Domain Synchronous Averaging

CHEN Haoling，ZHANG Bing

（"State Key Laboratory of Rail Transit Vehicle System， Southwest Jiaotong University，Chengdu 610031， China"）

Abstract：Wheel polygons generally exist on railway vehicles， especially in the case of high speed. It will produce strong periodic excitation to vehicles and tracks， affecting the safety of vehicle operation and passenger comfort. Therefore， it is of great significance to study the detection method of wheel polygons."Using the axle box vertical vibration acceleration signal as the detection data， a wheel polygon detection method of high-speed train based on angle domain synchronous averaging is proposed."First of all， combined with the concordance correlation coefficient， the relatively stable short-time domain signal is extracted from the filtered original signal."Secondly， the time domain signal is resampled to the angle-domain， and then the angle-domain synchronous averaging is used to de-noise the signal， so that the eigenvector is obtained."Finally， the roughness level and polygon order， which reflect the wheel polygon state， are calculated according to the eigenvector to complete the accurate estimation of the wheel polygon. Simulation analysis and case verification show that this method can effectively enhance the synchronous component， remove the influence of accidental interference factors such as speed factors and track irregularity， and complete the detection of wheel polygons of high-speed trains.

Key words：high-speed train；wheel polygon；concordance correlation coefficient；angle-domain synchronous averaging；roughness level；polygon order

由于鋼制鐵路車輪與軌道之間接觸關(guān)系復(fù)雜，導(dǎo)致車輪產(chǎn)生各種失圓磨耗，對(duì)軌道和車輛部件造成不可逆的損壞^[1-2]。隨著列車運(yùn)行速度的不斷提高以及運(yùn)營里程的不斷增加，鐵路車輪失圓問題越來越普遍，導(dǎo)致輪軌之間的動(dòng)力相互作用增大，進(jìn)而加劇車輪和鋼軌的磨耗，直接影響列車運(yùn)行品質(zhì)及乘客舒適性^[3-4]。車輪失圓是指車輪踏面型面發(fā)生變化，可分為全局缺陷和局部缺陷^[5]。局部缺陷是離散的，例如由車輪和軌道之間的意外滑動(dòng)（無滾動(dòng)）導(dǎo)致的車輪扁平，這是一種輪軌接觸區(qū)域的局部表面缺陷，會(huì)導(dǎo)致長(zhǎng)期循環(huán)的輪軌沖擊，對(duì)車輛和軌道產(chǎn)生脈沖激勵(lì)^[6-7]。車輪多邊形是全局缺陷的主要表現(xiàn)形式之一，這是一種沿車輪圓周方向的非均勻磨耗，在車輛運(yùn)行期間以特定頻率產(chǎn)生重復(fù)的垂向輪軌激勵(lì)力^[8-9]。

到目前為止，很多學(xué)者都提出了各自的車輪多邊形檢測(cè)方法。丁建明等^[10]基于頻率切片小波變換與車輪不圓順的振動(dòng)特性，提出一種車輪不圓順動(dòng)態(tài)檢測(cè)的時(shí)頻特征圈內(nèi)定位比較法的車載檢測(cè)方法。周璇等^[11]提出一種將經(jīng)驗(yàn)?zāi)B(tài)分解與神經(jīng)網(wǎng)絡(luò)相結(jié)合的診斷方法，該方法在車速0～200 km/h時(shí)具有較高的識(shí)別能力。李奕璠等^[12]提出一種基于內(nèi)稟模態(tài)函數(shù)疊加理論的改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解方法，并將其應(yīng)用于軌道車輛車輪扁平故障的診斷中。孫琦等^[13]應(yīng)用波長(zhǎng)固定機(jī)理，提出一種可以實(shí)現(xiàn)在線監(jiān)測(cè)檢測(cè)車輪多邊形的方法。徐曉迪等^[14]利用基于同步壓縮短時(shí)傅里葉變換的廣義共振解調(diào)方法對(duì)高速列車車輪多邊形進(jìn)行診斷，并提出自動(dòng)識(shí)別方法。宋穎等^[15]為準(zhǔn)確識(shí)別高速列車車輪多邊形以及磨耗幅值，提出一種改進(jìn)的聚合經(jīng)驗(yàn)?zāi)B(tài)分解與魏格納－威爾分布相結(jié)合的隨機(jī)振動(dòng)信號(hào)聯(lián)合時(shí)頻分析方法。Wang等^[16]提出一種基于迭代修正離散傅里葉變換的車輪多邊形動(dòng)態(tài)檢測(cè)框架，能夠成功地檢測(cè)出反映車輪多邊形的關(guān)鍵參數(shù)。

車輪多邊形已成為當(dāng)今鐵路行業(yè)亟待解決的重要問題之一^[17]，研究車輪多邊形的檢測(cè)方法具有重要的理論意義和工程應(yīng)用價(jià)值^[18]。在高速條件下車輪多邊形的危害大大增加，但是目前對(duì)于高速列車車輪多邊形的檢測(cè)研究較少，并且不能同時(shí)檢測(cè)出描述車輪多邊形的兩個(gè)重要參數(shù)，即粗糙度水平和多邊形階次。為解決以上問題，本文提出一種基于角域同步平均的高速列車車輪多邊形檢測(cè)方法，通過仿真分析和實(shí)測(cè)數(shù)據(jù)對(duì)該方法的有效性和準(zhǔn)確性進(jìn)行驗(yàn)證。該方法為高速列車車輪多邊形的檢測(cè)提供一種新思路，具有一定的參考價(jià)值。

1 車輪多邊形的幾何特征和動(dòng)態(tài)性能

1.1 車輪多邊形的幾何特征

在通常情況下，車輪多邊形主要由三個(gè)參數(shù)來描述，即粗糙度水平、多邊形階次和相位參數(shù)。

如圖1所示：（a）車輪多邊形的粗糙度水平描述了車輪踏面幾何不規(guī)則性的峰峰值；（b）多邊形階次表示一個(gè)車輪圓周內(nèi)的波長(zhǎng)數(shù)；（c）相位參數(shù)表示輪對(duì)上左右車輪之間的相移，相移越大則車輪表現(xiàn)出不圓度越快。由于本文的研究對(duì)象是單個(gè)車輪，因此只關(guān)注粗糙度水平和多邊形階次兩個(gè)參數(shù)。

車輪多邊形的粗糙度水平根據(jù)測(cè)量的輪廓與平均車輪半徑的偏差來計(jì)算^[19]，定義如下：

（1）

式中：為θ階車輪多邊形的粗糙度水平，dB/μm；為車輪外形粗糙度的1/3倍頻程均方根（Root Mean Square，RMS）；為車輪粗糙度參考值，取值為1"μm。根據(jù)粗糙度水平的定義，粗糙度幅值為1"μm時(shí)對(duì)應(yīng)的粗糙度等級(jí)為0 dB。

中心波長(zhǎng)對(duì)應(yīng)的車輪多邊形階次為：

（2）

式中：為θ階車輪多邊形的中心波長(zhǎng)；c為

車輪標(biāo)稱周長(zhǎng)。對(duì)于θ階多邊形，當(dāng)θ＝1時(shí)車輪為1階多邊形，意味著車輪的偏心磨耗狀態(tài)。

1.2 車輪多邊形的動(dòng)態(tài)性能

一般情況下，車輪多邊形會(huì)通過輪軌接觸在軌道和車輛中誘發(fā)多個(gè)振幅較大的窄帶諧波激勵(lì)。車輪多邊形激勵(lì)模型的位移函數(shù)為：

（3）

式中：為位移激勵(lì)；θ為階次；t為時(shí)間；H為階次的最大值，典型的H＝40；v為車輛前進(jìn)速度；R為車輪標(biāo)稱半徑；為由θ階多邊形引起的響應(yīng)于粗糙度的諧波振幅；為由θ階多邊形引起的諧波振動(dòng)的原始相位。

車輪多邊形的基本通過頻率是車輪轉(zhuǎn)動(dòng)頻率，其激勵(lì)頻率定義為車輪轉(zhuǎn)動(dòng)頻率與多邊形階次的乘積，因此θ階多邊形的故障相關(guān)特征頻率為^[20]：

（4）

式中：為車輪轉(zhuǎn)動(dòng)頻率。值得注意的是，θ

階車輪多邊形的故障特征頻率是1階車輪多邊形故障特征頻率的θ倍。

低階多邊形存在時(shí)對(duì)系統(tǒng)的振動(dòng)響應(yīng)較小，而高階多邊形存在時(shí)在軸箱上會(huì)產(chǎn)生明顯的高頻振動(dòng)。在過去的研究中，低階（1～10階）車輪多邊形是人們的重點(diǎn)研究對(duì)象，但是近年來高階車輪多邊形問題頻出，其產(chǎn)生的高

頻振動(dòng)大大減小了軌道和車輛零部件的使用壽命，對(duì)車輛運(yùn)行的安全性和可靠性造成了嚴(yán)重威脅，因此要重視高階車輪多邊形問題。一般情況下，會(huì)有幾個(gè)不同的車輪多邊形階次同時(shí)存在，在本文中只有主階次是關(guān)鍵參數(shù)。

2 基于角域同步平均的高速列車車輪多邊形檢測(cè)方法

傳統(tǒng)的車輪多邊形檢測(cè)方法基于軸箱垂向振動(dòng)加速度信號(hào)，采用離散時(shí)間傅里葉變換（Discrete-time Fourier Transform，DTFT）進(jìn)行檢測(cè)。DTFT方法一般用于線性平穩(wěn)信號(hào)的分析，在處理實(shí)際測(cè)得的非平穩(wěn)振動(dòng)信號(hào)時(shí)存在局限性，有較高的誤判率。為了克服傳統(tǒng)DTFT檢測(cè)方法對(duì)非平穩(wěn)信號(hào)的缺陷，提出一種基于角域同步平均的高速列車車輪多邊形檢測(cè)方法，檢測(cè)流程圖如圖2所示，具體步驟如下：

（1）原始信號(hào)進(jìn)行濾波后，從中提取相對(duì)穩(wěn)定的短時(shí)時(shí)域信號(hào)作為檢測(cè)信號(hào)。

（2）對(duì)時(shí)域信號(hào)進(jìn)行角域重采樣，完成信號(hào)域轉(zhuǎn)換后采用角域同步平均進(jìn)行去噪。

（3）將步驟2得到的純凈角域信號(hào)定義描述車輪多邊形的特征向量，基于特征向量計(jì)算反映車輪多邊形狀態(tài)的粗糙度水平和多邊形階次這兩個(gè)參數(shù)，進(jìn)而對(duì)車輪進(jìn)行診斷。

2.1 角域同步平均基本原理

時(shí)域同步平均（Time-domain Synchronous Averaging，TSA）是一種可以從有噪聲干擾的復(fù)雜信號(hào)中提取感興趣分量的常用信號(hào)處理方法，可以消除噪聲和無關(guān)的周期分量，從而提高信噪比，使信號(hào)處理結(jié)果更加準(zhǔn)確^[21]。角域同步平均（Angle-domain Synchronous Averaging，ASA）既有時(shí)域同步平均的優(yōu)勢(shì)，還可以消除速度因素的影響，非常適合用于旋轉(zhuǎn)機(jī)械的研究。將傳統(tǒng)的時(shí)域同步平均與角域重采樣相結(jié)合，把非平穩(wěn)的時(shí)域信號(hào)轉(zhuǎn)換為平穩(wěn)的角域信號(hào)，進(jìn)而可以推出角域同步平均的具體算法。設(shè)以Δt為間隔的時(shí)域采樣序列為x（n）（n＝1，2，3，...N₁），x（n）經(jīng)等角度重采樣后的信號(hào)為y（i）（i＝1，2，3，..."N₂），其中感興趣周期分量的階次為x_x，則角域同步平均算法如下：

（5）

式中：為角域同步平均后得到的新序列；

p為平均段數(shù)；L為平均段數(shù)的就近取整值；M為每個(gè)平均段長(zhǎng)內(nèi)的重采樣間隔，M＝f_s0/x_x的就近取整值；f_s0為等角度重采樣頻率。

2.2"短時(shí)信號(hào)提取

實(shí)際測(cè)量的信號(hào)不可能是絕對(duì)穩(wěn)定的，在車輛運(yùn)行過程中，很多因素都會(huì)造成軸箱的不平穩(wěn)振動(dòng)，例如運(yùn)行速度的不均勻、輪軌表面的變形或者軌道的不平順等隨機(jī)缺陷。實(shí)際上這些非平穩(wěn)因素的影響是不可能完全消除的，但是通過適當(dāng)?shù)姆€(wěn)定性檢驗(yàn)方法，可以從全過程中提取出相對(duì)穩(wěn)定的短時(shí)時(shí)域信號(hào)。一致相關(guān)系數(shù)可以反映兩組時(shí)間序列的趨勢(shì)和數(shù)值誤差，并且可用于綜合評(píng)估兩組時(shí)間序列的頻譜曲線和概率密度曲線之間的相關(guān)程度^[22]，其計(jì)算公式如下：

（6）

式中：為一致相關(guān)系數(shù)，越接近1則兩組時(shí)間序列之間的相關(guān)性越高；、為時(shí)間序列α、β的標(biāo)準(zhǔn)差；、為時(shí)間序列α、β的平均值；，為皮爾遜相關(guān)系數(shù)。

假設(shè)車輛的運(yùn)行速度為240 km/h左右，車輪標(biāo)稱直徑為860 mm，則車輪旋轉(zhuǎn)一周的時(shí)間大約為0.04"s。根據(jù)奈奎斯特采樣定理，采樣時(shí)間必須大于其旋轉(zhuǎn)周期的兩倍，因此不需要長(zhǎng)樣本數(shù)據(jù)進(jìn)行檢測(cè)，取0.1 s數(shù)據(jù)即可。由式（4）可知，當(dāng)車輛運(yùn)行速度為240 km/h時(shí)，3～24階車輪多邊形的故障激勵(lì)頻率為74～593 Hz，故將帶通濾波器的濾波范圍設(shè)置為50～650"Hz?；谏鲜龇治觯崛∠鄬?duì)穩(wěn)定的短時(shí)時(shí)域信號(hào)詳細(xì)步驟如下：

（1）設(shè)置濾波范圍為50～650"Hz的帶通濾波器對(duì)采集到的軸箱垂向振動(dòng)加速度信號(hào)進(jìn)行濾波，消除零點(diǎn)漂移和高頻噪聲等干擾；

（2）設(shè)置長(zhǎng)度為0.1 s、步長(zhǎng)為0.02 s的滑動(dòng)截?cái)嗪瘮?shù)，從濾波后的加速度信號(hào)中提取短時(shí)信號(hào)x_i（i＝1，2，3）；

（3）對(duì)短時(shí)信號(hào)x_i的a（0～0.06 s）、b（0.02～0.08 s）和c（0.04～0.1 s）三個(gè)區(qū)間內(nèi)

的時(shí)間序列分別進(jìn)行頻譜分析和概率密度分析，獲得頻譜曲線（F_a、F_b和F_c）和概率密度曲線（P_a、P_b和P_c）；

（4）分別計(jì)算F_a和F_b、F_a和F_c、F_b和F_c的一致相關(guān)系數(shù)ρ_C1、ρ_C2、ρ_C3以及P_a和P_b、P_a和P_c、P_b和P_c的一致相關(guān)系數(shù)ρ_C4、ρ_C5、ρ_C6；

（5）計(jì)算一致相關(guān)系數(shù)ρ_C1、ρ_C2、ρ_C3、ρ_C4、ρ_C5和ρ_C6的平均值ρ_Ci；

（6）將平均一致相關(guān)系數(shù)ρ_Ci大于0.98的短時(shí)信號(hào)x_i存儲(chǔ)在臨時(shí)組中；

（7）重復(fù)步驟1～6，搜索并提取滿足要求的所有短時(shí)信號(hào)；

（8）從臨時(shí)組中選擇具有最高一致相關(guān)系數(shù)的短時(shí)時(shí)域信號(hào)作為目標(biāo)信號(hào)。

通過上述方法，幾乎可以排除由軌道不平順、軌道缺陷或者其他隨機(jī)因素造成的嚴(yán)重影響，所提取到的短時(shí)時(shí)域信號(hào)可以被認(rèn)為是在相對(duì)穩(wěn)定的速度、相對(duì)平滑的軌道以及幾乎不受各種偶然因素干擾情況下工作的車輛信號(hào)。

2.3"特征提取

提取到相對(duì)穩(wěn)定的短時(shí)時(shí)域信號(hào)后，將其進(jìn)行角域重采樣變?yōu)榻怯蛐盘?hào)。角域重采樣后得到的角域信號(hào)仍然包含很多噪聲，將其定義

為，則可分為3個(gè)部分，即：

（7）

式中：α為角域自變量；為主要由車輪狀態(tài)產(chǎn)生的角域同步相干分量；為其他外部激勵(lì)產(chǎn)生的非同步相干分量；為非相干隨

機(jī)噪聲分量。

經(jīng)過角域同步平均處理后可以有效增強(qiáng)同步分量，消除異步相干分量和非相干隨機(jī)分量，獲得較為純凈的角域信號(hào)。特征提取流程圖如圖3所示。

2.4"狀態(tài)表征

經(jīng)過角域同步平均處理后，剩下的F（α）即為描述車輪多邊形的特征向量，基于特征向量進(jìn)行計(jì)算可以得到反映車輪多邊形的兩個(gè)關(guān)鍵參數(shù)，即粗糙度水平和多邊形階次。

（1）粗糙度水平。平均粗糙度將信號(hào)的正負(fù)算數(shù)平均值進(jìn)行求和，會(huì)出現(xiàn)凹凸明顯的車輪卻得到很小綜合值的現(xiàn)象；而均方根粗糙度是將其算數(shù)平方求和，能更好、更準(zhǔn)確的反映車輪多邊形程度?；诖?，結(jié)合式（1）可將粗糙度水平的計(jì)算方法定義為：

（8）

式中：為粗糙度水平，dB；為F（α）的

RMS；r為車輪粗糙度參考值，取值為3 m/s²，當(dāng)粗糙度幅值不超過3 m/s²時(shí)，對(duì)應(yīng)的粗糙度等級(jí)為0 dB，此時(shí)的車輪處于健康狀態(tài)。

（2）多邊形階次。車輪多邊形階次是特征向量F（α）峰值數(shù)的1/2，即：

（9）

式中：F'（α）為F（α）的一階導(dǎo)數(shù)；N表示正整數(shù)。

根據(jù)式（8）和式（9）計(jì)算粗糙度水平和多邊形階次，可以對(duì)車輪多邊形做出準(zhǔn)確估計(jì)，為高速列車的安全運(yùn)行提供保障。

3"仿真分析及實(shí)例驗(yàn)證

3.1 仿真分析

基于車輪多邊形的動(dòng)態(tài)性能，將車輛具有多邊形時(shí)的軸箱垂向振動(dòng)加速度信號(hào)定義為軸箱子系統(tǒng)激勵(lì)和其他三種信號(hào)組成的混合信號(hào)，即：

（10）

式中：h為軸箱子系統(tǒng)激勵(lì)；x₁為車輪多邊形對(duì)軸箱的故障激勵(lì)；x₂為軸箱受到的其他外部諧波激勵(lì)；x₃為信噪比為-10 dB的高斯白噪聲信號(hào)。

（11）

（12）

（13）

式中：為系統(tǒng)單元脈沖響應(yīng)幅度；β為衰減符號(hào)；T為周期；為轉(zhuǎn)向架框架的固有頻率；為相位；為故障激勵(lì)幅值；為幅值；、為其他諧波激勵(lì)幅值；、為諧波頻率；、為相位。

設(shè)置信號(hào)采樣頻率為10 kHz，采樣時(shí)間為0.1 s，則T＝10^-5"s。式（11）中系統(tǒng)單元脈沖

響應(yīng)幅度＝1；衰減符號(hào)β＝1000；轉(zhuǎn)向架框架的固有頻率為580 Hz，因此設(shè)置＝580 Hz；相位＝0；為單位階躍函數(shù)。式（12）中故障激勵(lì)幅值＝1；18階是車輪多邊形故障最常見的階次，因此設(shè)置θ＝18；幅值＝0。式（13）中其他諧波激勵(lì)幅值、均為1；諧波頻率f₁＝860 Hz，f₂＝1000 Hz；相位、

均為0。仿真信號(hào)的時(shí)域圖和頻域圖分別如圖4和圖5所示。

信噪比是指有用信號(hào)強(qiáng)度與干擾信號(hào)強(qiáng)度的比值，其計(jì)算公式為：

（14）

式中：為信號(hào)功率；為噪聲功率；lg表示以10為底的對(duì)數(shù)。

原始仿真信號(hào)、經(jīng)過角域同步平均處理后的仿真信號(hào)以及期望得到的仿真信號(hào)對(duì)比圖如圖6所示。由式（14）計(jì)算可得，沒有經(jīng)過處理的模擬信號(hào)信噪比為-14 dB，經(jīng)過角域同步平均處理之后信噪比升高為-5 dB，因此角域同步平均算法可以有效增強(qiáng)同步分量，消除異步噪聲和隨機(jī)噪聲干擾，提高信噪比，增強(qiáng)信號(hào)處理的準(zhǔn)確性。

3.2 實(shí)例驗(yàn)證

通過兩組高速列車的線路試驗(yàn)數(shù)據(jù)來驗(yàn)證所提出檢測(cè)方法的有效性和準(zhǔn)確性，一組為鏇修前車輪有多邊形狀態(tài)下采集的數(shù)據(jù)，另一組為鏇修后車輪無多邊形狀態(tài)下采集的數(shù)據(jù)。圖7為實(shí)測(cè)的軸箱垂向振動(dòng)加速度數(shù)據(jù)和車速數(shù)據(jù)，其中振動(dòng)加速度數(shù)據(jù)采樣頻率為10 kHz，車速數(shù)據(jù)采樣頻率為10 Hz。圖8為振動(dòng)加速度傳感器安裝位置。

根據(jù)短時(shí)時(shí)域信號(hào)提取步驟，三個(gè)區(qū)間的頻譜曲線和概率密度曲線如圖9所示。計(jì)算所有短時(shí)時(shí)域信號(hào)的一致相關(guān)系數(shù)后，選取具有最高一致相關(guān)系數(shù)的短時(shí)時(shí)域信號(hào)作為目標(biāo)檢測(cè)信號(hào)，然后進(jìn)行角域重采樣，得到角域信號(hào)后用角域同步平均算法進(jìn)行去噪。信號(hào)處理完成后取360°數(shù)據(jù)進(jìn)行分析，如圖10所示。根據(jù)2.4節(jié)，通過計(jì)算可以得到粗糙度水平和多邊形階次兩個(gè)參數(shù)。鏇修前，該車輪粗糙度水平為11 dB，多邊形階次為24階，與實(shí)際情況相符；鏇修后，粗糙度水平為0 dB，多邊形階次為0階，為健康狀態(tài)車輪，與實(shí)際情況相符。基于上述分析，提出的基于角域同步平均的高速列車車輪多邊形檢測(cè)方法有效且準(zhǔn)確。

4"結(jié)論

本文基于軸箱垂向振動(dòng)加速度數(shù)據(jù)，通過計(jì)算一致相關(guān)系數(shù)，篩選出的相對(duì)穩(wěn)定的短時(shí)時(shí)域信號(hào)，將時(shí)域信號(hào)重采樣為角域信號(hào)，采用角域同步平均進(jìn)行去噪，基于去噪后得到的特征向量計(jì)算反映車輪多邊形狀態(tài)的兩個(gè)參數(shù)，完成對(duì)高速列車車輪多邊形的估計(jì)。主要結(jié)論如下：

（1）傳統(tǒng)DTFT檢測(cè)方法對(duì)于非平穩(wěn)信號(hào)存在局限性，檢測(cè)車輪多邊形時(shí)會(huì)產(chǎn)生誤判，因此提出一種基于一致相關(guān)系數(shù)和角域同步平均的車輪多邊形檢測(cè)方法。

（2）通過計(jì)算一致相關(guān)系數(shù)提取相對(duì)穩(wěn)定的短時(shí)時(shí)域信號(hào)，幾乎可以排除速度因素、軌道因素和其他隨機(jī)因素的干擾。

（3）通過仿真分析，角域同步平均可以有效增強(qiáng)同步分量，消除異步分量或者隨機(jī)干擾分量，提高信噪比；通過實(shí)例驗(yàn)證，所提出的基于角域同步平均的檢測(cè)方法可以得到車輪多邊形的粗糙度水平和多邊形階次兩個(gè)重要參數(shù)，完成高速狀況下列車車輪的準(zhǔn)確識(shí)別。

參考文獻(xiàn)：

[1]SUN Y，ZHAI W M，YE Y G，et al. A simplified moelfor solving wheel-rail non-hertzian normal contact problem under the influence

of yaw angle[J]. International Journal of Mechanical Sciences，2020， 174：105554.

[2]CUI D B，ZHANG X，WANG R C，et al. The effect of "3D wear state of wheel polygon on wheel-rail systemdynamics[J]. Vehicle System Dynamics，2022，60（9）：3109-3126.

[3]遲勝超，劉兵，錢彥平，等. 地鐵列車全車車輪不圓度對(duì)比測(cè)試分析[J]. 鐵道科學(xué)與工程學(xué)報(bào)，2020，17（8）：2093-2100.

[4]劉鵬飛，楊紹普，劉永強(qiáng)，等. 單軸滾動(dòng)臺(tái)車輪多邊形激振試驗(yàn)及動(dòng)態(tài)仿真[J]. 振動(dòng)與沖擊，2022，41（8）：102-109.

[5]李奕璠，劉建新，李忠繼. 基于Hilbert-Huang變換的列車車輪失圓故障診斷[J]. 振動(dòng). 測(cè)試與診斷，2016，36（4）：734-739.

[6]LI Y F，ZUO M J，LIN J H，et al. Fault detection meth od for railway wheel flat using an adaptivemultiscale morphological filter[J]. Mechanical Systems and SignalProcessing，2017（84）：642-658.

[7]YE YG，SHI DC，KRAUSE P，et al. Wheel flat can cause or exacerbate wheel polygonization[J]. Vehicle System Dynamics，2020，58（10）：1575-1604.

[8]WU H，WU P B，LI F S，et al. Fatigue analysis of the "gearbox housing in high-speed trains under wheel polygonization using a multibody dynamics algorithm[J]. Engineering Failure Analysis，2019（100）：351-364.

[9]魏子龍，孫憲夫，楊飛，等. 車輪多邊形激擾下軌道幾何檢測(cè)數(shù)據(jù)偏差規(guī)律及限值研究[J]. 振動(dòng)與沖擊，2023，42（7）：207-216.

[10]丁建明，林建輝，易彩，等. 車輪不圓順動(dòng)態(tài)檢測(cè)的時(shí)頻特征圈內(nèi)定位比較法[J]. 振動(dòng)與沖擊，2013，32（19）：39-43.

[11]周璇，陳光雄，趙鑫. 基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蜕窠?jīng)網(wǎng)絡(luò)的車輪踏面擦傷檢測(cè)方法[J]. 潤滑與密封，2015，40（6）：13-18，24.

[12]LI Y F，LIU J X，WANG Y. Railway wheel flat detection based on improved empirical mode decomposition[J]. Shock and Vibration，2016，2016（4）：4879283.

[13]孫琦，張兵，李艷萍，等. 一種波長(zhǎng)固定的車輪多邊形在線故障檢測(cè)方法[J]. 鐵道科學(xué)與工程學(xué)報(bào)，2018，15（9）：2343-2348.

[14]徐曉迪，劉金朝，孫善超，等. 基于車輛動(dòng)態(tài)響應(yīng)的車輪多邊形自動(dòng)識(shí)別方法[J]. 鐵道建筑，2019，59（9）：101-105.

[15]宋穎，梁磊，王玥，等. 基于改進(jìn)EEMD和WVD聯(lián)合時(shí)頻分析的車輪多邊形識(shí)別方法[J]. 交通運(yùn)輸工程學(xué)報(bào)，2021，21（6）：259-268.

[16]WANG Q S，XIAO Z M，ZHOU J S，et al. A new DFT-based dynamic detection framework for polygonal wear state of railway wheel[J]. Vehicle System Dynamics，2023，61（8）：2051-2073.

[17]朱海燕，胡華濤，尹必超，等. 軌道車輛車輪多邊形研究進(jìn)展[J]. 交通運(yùn)輸工程學(xué)報(bào)，2020，20（1）：102-119.

[18]李鳳林，杜紅梅，巫忠書，等. 基于EEMD的列車車輪多邊形故障診斷方法[J]. 機(jī)械，2021，48（5）：43-51.

[19]魏來，曾京，高浩，等. 基于軸箱高頻振動(dòng)的車輪不圓辨識(shí)方法研究[J]. 西南交通大學(xué)學(xué)報(bào)，2024， 59（1）：211-219.

[20]毛冉成，曾京，石懷龍，等. 車輪多邊形激勵(lì)下高速轉(zhuǎn)向架構(gòu)架振動(dòng)特性分析[J]. 鐵道學(xué)報(bào)，2022，44（9）：26-32.

[21]代士超，郭瑜，伍星. 基于同步平均與倒頻譜編輯的齒輪箱滾動(dòng)軸承故障特征量提取[J]. 振動(dòng)與沖擊，2015，34（21）：205-209.

[22]FENG C，MA Y，TU X M，et al. A note on the concordance correlation coefficient[J]. Advances amp; Applications in Statistics，2010，15（2）：195-205.

基金項(xiàng)目：國家自然科學(xué)基金（U19A20110）

作者簡(jiǎn)介：陳昊苓（1999－），女，云南昆明人，碩士研究生，主要研究方向?yàn)樾D(zhuǎn)機(jī)械設(shè)備故障診斷，E-mail：chl19990806@163.com。

*通信作者：張兵（1976－），男，四川資陽人，工學(xué)博士，副研究員，主要研究方向?yàn)樾D(zhuǎn)件故障診斷和嵌入式儀器儀表，E-mail：zhbyy05@163.com。