钢轨周期性擦伤识别方法及装置与流程

1.本发明涉及铁路工务技术领域，尤其涉及钢轨周期性擦伤识别方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.钢轨能够引导机车车辆车轮前进并承载其巨大压力，是轨道结构的主要组成部件，其状态影响列车行驶的平稳性和稳定性。钢轨表面擦伤是一种重要的钢轨伤损形式，如不及早整治可能会导致裂纹及掉块发生，严重影响线路运行品质。钢轨擦伤多数由轮轨摩擦接触产生，主要分为两类：一类是钢轨局部区段出现的点擦伤或局部区段擦伤，呈现非周期性特征；另一类钢轨擦伤会以轮径长度等间隔出现，呈现典型的周期性特征。其中，钢轨的周期性擦伤会对列车轮对、转向架以及轨道结构产生周期性激励，严重时可能导致结构零部件松弛或裂纹，降低其使用寿命。而准确有效的钢轨周期性擦伤诊断技术能够及时识别钢轨周期性擦伤区段，指导现场作业人员进行养护维修，为铁路运输提供可靠保障。
4.现阶段的钢轨周期性擦伤诊断方法均基于机器视觉与图像处理技术，尚无法应用于未装备轨道图像采集系统的现有高速综合检测列车上，且上述方法在钢轨周期性擦伤识别方面无较强的针对性，并不能准确识别钢轨的周期性擦伤，导致钢轨周期性擦伤识别的准确性和识别效率较为低下。


技术实现要素：

5.本发明实施例提供一种钢轨周期性擦伤识别方法，用以实现钢轨周期性擦伤的有效识别，提升钢轨周期性擦伤识别的准确性和识别效率，该方法包括：
6.根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络；
7.对信号包络进行滤除趋势项处理，得到目标信号；
8.通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量；
9.根据多阶本征模态分量，确定车辆动态响应信号的重构信号；
10.对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤。
11.本发明实施例还提供一种钢轨周期性擦伤识别装置，用以实现钢轨周期性擦伤的有效识别，提升钢轨周期性擦伤识别的准确性和识别效率，该装置包括：
12.信号包络确定模块，用于根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络；
13.滤除趋势项处理模块，用于对信号包络进行滤除趋势项处理，得到目标信号；
14.ceemdan分解模块，用于通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量；
15.重构模块，用于根据多阶本征模态分量，确定车辆动态响应信号的重构信号；
16.cwd分析模块，用于对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤。
17.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述钢轨周期性擦伤识别方法。
18.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述钢轨周期性擦伤识别方法。
19.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述钢轨周期性擦伤识别方法。
20.本发明实施例中，根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络；对信号包络进行滤除趋势项处理，得到目标信号；通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量；根据多阶本征模态分量，确定车辆动态响应信号的重构信号；对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤，与现有技术中基于机器视觉与图像处理技术进行钢轨周期性擦伤诊断的技术方案相比，通过基于ceemdan算法，可确定出多阶本征模态分量，进而确定重构信号，实现了对钢轨周期性擦伤区段的数据特征挖掘，并通过对重构信号进行cwd分析，可有效确定待检测钢轨是否存在周期性擦伤，实现了钢轨周期性擦伤的有效识别，解决了现有技术下因未装备轨道图像采集系统而无法进行钢轨周期性擦伤识别的问题，提升了钢轨周期性擦伤识别的准确性和识别效率，可为钢轨养护维修提供科学指导。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
22.图1为本发明实施例中一种钢轨周期性擦伤识别方法的具体示意图；
23.图2为本发明实施例中一种原始轴箱加速度信号的具体示例图；
24.图3为本发明实施例中一种多阶本征模态分量的具体示例图；
25.图4为本发明实施例中一种各阶imf与原信号瞬时幅值比的具体示例图；
26.图5为本发明实施例中一种重构信号cwd与其频率及时间边际谱的结构示意图；
27.图6为本发明实施例中一种敏感频率成分时间边际谱趋势项的具体示例图；
28.图7为本发明实施例中一种钢轨周期性擦伤识别方法的流程示意图；
29.图8为本发明实施例中一种钢轨周期性擦伤识别方法的具体示意图；
30.图9为本发明实施例中一种钢轨周期性擦伤识别装置的结构示例图；
31.图10为本发明实施例中用于钢轨周期性擦伤识别的计算机设备示意图。
具体实施方式
32.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并
不作为对本发明的限定。
33.本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
34.在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本技术的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
35.钢轨能够引导机车车辆车轮前进并承载其巨大压力，是轨道结构的主要组成部件，其状态影响列车行驶的平稳性和稳定性。钢轨表面擦伤是一种重要的钢轨伤损形式，如不及早整治可能会导致裂纹及掉块发生，严重影响线路运行品质。钢轨擦伤多数由轮轨摩擦接触产生，主要分为两类：一类是钢轨局部区段出现的点擦伤或局部区段擦伤，呈现非周期性特征；另一类钢轨擦伤会以轮径长度等间隔出现，呈现典型的周期性特征。其中，钢轨的周期性擦伤会对列车轮对、转向架以及轨道结构产生周期性激励，严重时可能导致结构零部件松弛或裂纹，降低其使用寿命。而准确有效的钢轨周期性擦伤诊断技术能够及时识别钢轨周期性擦伤区段，指导现场作业人员进行养护维修，为铁路运输提供可靠保障。
36.现阶段的钢轨周期性擦伤诊断方法均基于机器视觉与图像处理技术，尚无法应用于未装备轨道图像采集系统的现有高速综合检测列车上，且上述方法在钢轨周期性擦伤识别方面无较强的针对性，并不能准确识别钢轨的周期性擦伤，导致钢轨周期性擦伤识别的准确性和识别效率较为低下。
37.为了解决上述问题，本发明实施例提供了一种钢轨周期性擦伤识别方法，用以实现钢轨周期性擦伤的有效识别，提升钢轨周期性擦伤识别的准确性和识别效率，参见图7，该方法可以包括：
38.步骤701：根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络；
39.步骤702：对信号包络进行滤除趋势项处理，得到目标信号；
40.步骤703：通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量；
41.步骤704：根据多阶本征模态分量，确定车辆动态响应信号的重构信号；
42.步骤705：对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤。
43.本发明实施例中，根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络；对信号包络进行滤除趋势项处理，得到目标信号；通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量；根据多阶本征模态分量，确定车辆动态响应信号的重构信号；对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤，与现有技术中基于机器视觉与图像处理技术进行钢轨周期性擦伤诊断的技术方案相
比，通过基于ceemdan算法，可确定出多阶本征模态分量，进而确定重构信号，实现了对钢轨周期性擦伤区段的数据特征挖掘，并通过对重构信号进行cwd分析，可有效确定待检测钢轨是否存在周期性擦伤，实现了钢轨周期性擦伤的有效识别，解决了现有技术下因未装备轨道图像采集系统而无法进行钢轨周期性擦伤识别的问题，提升了钢轨周期性擦伤识别的准确性和识别效率，可为钢轨养护维修提供科学指导。
44.具体实施时，首先根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络。
45.实施例中，上述车辆动态响应数据包括轴箱振动加速度检测数据；上述车辆动态响应信号包括轴箱振动加速度信号；
46.根据待检测钢轨的车辆动态响应数据，确定轴箱振动信号的信号包络，包括：
47.根据待检测钢轨的轴箱振动加速度检测数据，确定轴箱振动加速度信号；
48.对轴箱振动加速度信号进行hilbert变换，得到轴箱振动加速度信号的信号包络。
49.在上述实施例中，通过确定车辆轴箱振动加速度信号的信号包络，有助于在后续步骤中通过基于ceemdan算法，可确定出多阶本征模态分量，进而确定重构信号，实现了对钢轨周期性擦伤区段的数据特征挖掘。
50.举一实例，可将车辆动态响应信号(即轴箱振动加速度信号)，记作x0(t)，t＝1，2
…
，m；其中，m为采样点数。对上述车辆动态响应信号进行hilbert变换，可对到对应车辆动态响应信号的信号包络。
51.进一步地，可按如下公式(1)对信号x0进行hilbert变换h(x0)：
[0052][0053]
其中，h(x0(t))为信号x0的hilbert变换；x0(t)为车辆动态响应信号；p为柯西主分量；t表示第t个采样点，t＝1，2
…
，m；其中，m为采样点数。
[0054]
另举一实例，如某高速铁路区段轴箱振动加速度检测数据如图2所示，可以看出，该区段轴箱振动信号呈现周期性增大现象，波长约为2.75m。
[0055]
具体实施时，在根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络后，对信号包络进行滤除趋势项处理，得到目标信号。
[0056]
举一实例，如可对车辆动态响应信号x0(t)的信号包络进行滤除趋势项处理，得到目标信号x(t)。
[0057]
具体实施时，在对信号包络进行滤除趋势项处理，得到目标信号后，通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量。
[0058]
实施例中，通过ceemdan算法，对目标信号进行分解，得到信号包络的多阶本征模态分量，包括：
[0059]
将高斯白噪声多次添加到目标信号中，得到处理信号；
[0060]
对处理信号进行emd分解，得到第一阶emd本征模态分量；
[0061]
通过ceemdan算法，将第一阶emd本征模态分量的平均值，作为信号包络的第一阶本征模态分量；
[0062]
将去除了第一阶本征模态分量的目标信号，作为残差信号；
[0063]
将高斯白噪声多次添加到残差信号中，得到更新处理信号；对更新处理信号进行
emd分解，得到更新处理信号的第一阶emd本征模态分量；将更新处理信号的第一阶emd本征模态分量的平均值，作为信号包络的第二阶本征模态分量；将去除了第二阶本征模态分量的残差信号，作为更新残差信号；重复执行上述根据确定更新处理信号和更新残差信号的步骤，直到得到的更新残差信号为单调函数；
[0064]
获取上述步骤中得到的信号包络的多阶本征模态分量。
[0065]
在一个实施例中，可将高斯白噪声v分别多次添加到待分解的信号(即上述的目标信号)中，得到新信号(即上述的处理信号)，可按如下公式(2)对新信号进行emd分解，得到第一阶emd本征模态分量(intrinsic mode function，imf)c1。
[0066][0067]
其中e(
·
)为进行emd计算；j为噪声添加次数，j＝1，2
…
，n；q为所添加白噪声正负号参数，q＝1，2；ε为白噪声标准表；r为残余分量；vj(t)为所添加白噪声信号。
[0068]
在一个实施例中，可按如下公式(3)，对分别添加n个白噪声信号所产生的n个第一阶模态分量c
1j
(即上述的第一阶emd本征模态分量)进行总体平均，可得到ceemdan分解的第1阶imf
[0069][0070]
其中，为信号包络的第一阶本征模态分量；n为添加的白噪声信号的数量；j为噪声添加次数，j＝1，2
…
，n；c1(t)为第一阶emd本征模态分量。
[0071]
在一个实施例中，可按如下公式(4)计算去除第一阶imf后的残差(即上述的残差信号)：
[0072][0073]
其中，r1(t)为去除第一阶imf后的残差；x(t)为目标信号；为第一阶本征模态分量；
[0074]
在一个实施例中，可按如下公式(5)在r1(t)中分别加入n个高斯白噪声，得到新的不平顺信号(即上述的更新处理信号)，以新的不平顺信号为载体进行emd分解，得到对应第一阶模态分量d1，由此可以得到ceemdan分解的第2个imf：
[0075][0076]
其中，为信号包络的第二阶本征模态分量；n为添加的白噪声信号的数量；j为噪声添加次数，j＝1，2
…
，n；d1为第一阶emd本征模态分量。
[0077]
实施例中，d1指残差信号的第一阶imf，前面的c1是原始包络信号的第一阶imf。
[0078]
在一个实施例中，可按如下公式(6)计算去除第二个模态分量后的残差(即上述的更新残差信号)：
[0079][0080]
其中，r2(t)为去除第二阶imf后的残差；r1(t)为去除第一阶imf后的残差；为信号包络的第二阶本征模态分量。
[0081]
在一个实施例中，通过重复执行上述根据确定更新处理信号和更新残差信号的步骤，直到得到的更新残差信号为单调函数，不能继续分解，则上述算法结束。
[0082]
此时得到的imf数量为k，则原始信号(即目标信号)被分解为如公式(7)所示：
[0083][0084]
其中，x(t)为目标信号；k为信号包络的本征模态分量的数量，即进行ceemdan分解的次数；rk(t)为去除第k阶imf后的残差；为信号包络的第k阶本征模态分量。
[0085]
举一实例，如可分局ceemdan方法对该信号滤波后的包络进行分解，得到各阶imf，如图3所示。
[0086]
具体实施时，在通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量后，根据多阶本征模态分量，确定车辆动态响应信号的重构信号。
[0087]
实施例中，根据多阶本征模态分量，确定轴箱振动信号的重构信号，包括：
[0088]
对目标信号、和目标信号的每一阶本征模态分量，进行hilbert变换，得到目标信号和每一阶本征模态分量的解析形式；
[0089]
根据目标信号和每一阶本征模态分量的解析形式，计算目标信号和每一阶本征模态分量的针对每一采样点的瞬时幅值；
[0090]
根据目标信号和每一阶本征模态分量的针对每一采样点的瞬时幅值，确定轴箱振动信号的重构信号。
[0091]
在一个实施例中，可利用公式(8)对原始信号(即上述目标信号)与ceemdan分解得到的各阶imf(即上述目标信号的每一阶本征模态分量)进行hilbert变换，得到其解析形式为：
[0092][0093]
其中，zj(t)为所得hilbert变换后信号；为第j阶imf实部；i为虚数单位；为经hilbert变换后虚部；aj为第j阶imf瞬时幅值；为第j阶imf瞬时相位。
[0094]
在一个实施例中，可利用公式(9)计算各阶imf与原始信号的瞬时幅值，的瞬时幅值aj为：
[0095][0096]
其中，aj(t)为第j阶本征模态分量针对第t个采样点的瞬时幅值；为第j阶imf实部；为经hilbert变换后虚部。
[0097]
在一个实施例中，根据目标信号和每一阶本征模态分量的针对每一采样点的瞬时幅值，确定轴箱振动信号的重构信号，包括：
[0098]
对于每一阶本征模态分量的针对每一采样点的瞬时幅值，将计算的：该阶本征模态分量的针对该采样点的瞬时幅值、与目标信号的针对该采样点的瞬时幅值的比值，作为该阶本征模态分量针对该采样点的第一数据；计算该阶本征模态分量针对每一采样点的第一数据的平均值；
[0099]
将上述平均值大于第一预设数值的本征模态分量，作为信号重构分项；
[0100]
对上述信号重构分项进行相加，得到轴箱振动信号的重构信号。
[0101]
在一个实施例中，可利用公式(10)计算各阶imf瞬时幅值与原始信号瞬时幅值比值的平均值pj：
[0102][0103]
其中，pj为第j阶本征模态分量针对该采样点的第一数据；aj(t)为第j阶本征模态分量针对第t个采样点的瞬时幅值；a0(t)为原始包络信号瞬时幅值；t表示第t个采样点，t＝1，2
…
，m；其中，m为采样点数。
[0104]
在上述实施例中，通过根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络；对信号包络进行滤除趋势项处理，得到目标信号；通过ceemdan算法法，对目标信号进行分解，得到目标信号的多阶本征模态分量；根据多阶本征模态分量，确定车辆动态响应信号的重构信号，实现了基于ceemdan的车辆动态响应数据挖掘。
[0105]
具体实施时，在根据多阶本征模态分量，确定车辆动态响应信号的重构信号后，对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤。
[0106]
实施例中，对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤，如图8所示，包括：
[0107]
步骤801：对重构信号进行cwd分析，计算重构信号的cwd分布信号；
[0108]
步骤802：计算cwd分布信号的频率边际谱和全频率时间边际谱；
[0109]
步骤803：从频率边际谱中，提取周期性擦伤频率成分；
[0110]
步骤804：根据周期性擦伤频率成分和全频率时间边际谱，计算周期性擦伤频率成分的时间边际谱；
[0111]
步骤805：根据周期性擦伤频率成分的时间边际谱，确定待检测钢轨是否存在周期性擦伤。
[0112]
在一个实施例中，从频率边际谱中，提取周期性擦伤频率成分，包括：
[0113]
确定频率边际谱的不同极大值点的极大值、对应不同极大值点的频率值；
[0114]
针对每一极大值点，在该极大值点的极大值大于第二预设数值、且对应该极大值点的频率值与预设钢轨周期性擦伤对应频率数值的余数小于第三预设数值时，确定该极大值点为目标极大值点；
[0115]
将目标极大值点的频率值，作为周期性擦伤频率成分。
[0116]
在一个实施例中，可按如下公式(11)计算重构信号y(t)的cwd：
[0117][0118]
其中，cwdy(t,ω)为重构信号的cwd分布信号。
[0119]
实施例中，cwdy(t,ω)中：t代表时间，ω代表频率，下标y代表原信号，一般不用单独说明。
[0120]
在一个实施例中，可按如下公式(12)和公式(13)计算cwd分布信号的频率边际谱s(ω)和全频率时间边际谱s(t)：
[0121]
[0122][0123]
在一个实施例中，确定频率边际谱的不同极大值点的极大值、对应不同极大值点的频率值，可包括：
[0124]
求得频率边界谱x(ω)各极大值点s(ω
imax
)，i＝1，2，
…
，n
max
，n
max
为极大值点数量。
[0125]
在一个实施例中，针对每一极大值点，在该极大值点的极大值大于第二预设数值、且对应该极大值点的频率值与预设钢轨周期性擦伤对应频率数值的余数小于第三预设数值时，确定该极大值点为目标极大值点，可包括：
[0126]
当s(ω
imax
)满足该点频率边际谱大于所设阈值ts，且该点频率除以钢轨周期性擦伤对应频率ω0后的余数小于阈值t
ω
，记录满足以上条件各频率成分ωk，k＝1，2，
…
，n
ω
，n
ω
为满足以上条件极大值点数量。
[0127]
在一个实施例中，根据周期性擦伤频率成分和全频率时间边际谱，计算周期性擦伤频率成分的时间边际谱，包括：
[0128]
计算每一周期性擦伤频率成分，在预设频率范围内的时间边际谱之和；
[0129]
对上述时间边际谱之和，进行低通滤波，得到时间边际谱之和的趋势项；
[0130]
在上述时间边际谱之和的趋势项大于第四预设数值时，将上述时间边际谱之和与上述频率边际谱的比值，作为能量占比；
[0131]
在上述能量占比大于第五预设数值时，确定待检测钢轨存在周期性擦伤。
[0132]
在一个实施例中，可按公式(14)计算各个ωk一定频率范围(即上述预设频率范围，如以下公式中的ωd)内的时间边际谱之和s
p
(t)：
[0133][0134]
在一个实施例中，可对s
p
(t)进行低通滤波，得到其趋势项s
pl
(t)，当s
pl
(t)大于所设阈值t
sp
，则可根据公式(15)计算其能量占比rs，当rs大于所设阈值tr，则认为该区段存在钢轨周期性擦伤。
[0135][0136]
在上述实施例中，通过对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤，实现了基于cwd的钢轨周期性擦伤的提取。
[0137]
下面给出一个具体实施例，来说明本发明的方法的具体应用。
[0138]
本发明具体实施例的主要目的是解决钢轨表面周期性擦伤识别问题，为钢轨养护维修作业工作提供更为可靠的数据和技术支撑。涉及如下两个具体问题，包括：
[0139]
(1)如何从轴箱加速度检测数据中提取车辆钢轨周期性擦伤信息；
[0140]
(2)如何利用相关指标对钢轨周期性擦伤区段数据特征进行准确识别。
[0141]
参见图1，本发明实具体实施例所提供的方法可包含两个部分，可对上述具体问题进行详细说明：
[0142]
第一部分、基于ceemdan实现钢轨周期性擦伤区段数据特征挖掘；
[0143]
第二部分、基于cwd实现钢轨周期性擦伤区段的识别。
[0144]
该实施例中，具体可以包括如下步骤：
[0145]
第一部分、基于ceemdan实现钢轨周期性擦伤区段数据特征挖掘：
[0146]
(1)记车辆动态响应信号为x0(t)，t＝1，2
…
，m，m为采样点数，对其进行hilbert变换，从而得到信号包络，滤除其趋势项，得到信号x(t)。信号x0的hilbert变换h(x0)为：
[0147][0148]
其中，p为柯西主分量。
[0149]
(2)将高斯白噪声v分别多次添加到待分解的信号中，得到新信号，对新信号进行emd分解，得到第一阶本征模态分量(intrinsic mode function，imf)c1。
[0150][0151]
其中e(
·
)为emd计算，j＝1，2
…
，n，为噪声添加次数，q＝1，2，ε为白噪声标准表，r为残余分量。
[0152]
(3)对分别添加n个白噪声信号所产生的n个第一阶模态分量c
1j
进行总体平均就得到ceemdan分解的第1阶imf
[0153][0154]
(4)计算去除第一阶imf后的残差：
[0155][0156]
(5)在r1(t)中分别加入n个高斯白噪声得到新的不平顺信号，以新信号为载体进行emd分解，得到对应第一阶模态分量d1，由此可以得到ceemdan分解的第2个imf：
[0157][0158]
(6)计算去除第二个模态分量后的残差：
[0159][0160]
(7)重复上述步骤，直到获得的残差信号为单调函数，不能继续分解，算法结束。此时得到的imf数量为k，则原始信号被分解为：
[0161][0162]
(8)利用公式(1)对原始信号与ceemdan分解得到的各阶imf进行hilbert变换，得到其解析形式为：
[0163][0164]
(9)计算各阶imf与原始信号的瞬时幅值，的瞬时幅值aj为：
[0165][0166]
(10)计算各阶imf瞬时幅值与原始信号瞬时幅值比值的平均值pj：
[0167][0168]
(11)选取pj大于所设阈值对应imf作为信号重构分项，将其相加得到重构信号y(t)。
[0169]
第二部分、基于cwd实现钢轨周期性擦伤区段的识别。
[0170]
(1)计算重构信号y(t)的cwd：
[0171][0172]
(2)计算cwdy(t，ω)频率边际谱s(ω)与时间边际谱s(t)：
[0173][0174][0175]
(3)求得频率边界谱x(ω)各极大值点s(ω
imax
)，i＝1，2，
…
，n
max
，n
max
为极大值点数量。
[0176]
(4)当s(ω
imax
)满足该点频率边际谱大于所设阈值ts，且该点频率除以钢轨周期性擦伤对应频率ω0后的余数小于阈值t
ω
，记录满足以上条件各频率成分ωk，k＝1，2，
…
，n
ω
，n
ω
为满足以上条件极大值点数量。
[0177]
(5)计算各个ωk一定频率范围内的时间边际谱之和s
p
(t)：
[0178][0179]
(6)对s
p
(t)进行低通滤波，得到其趋势项s
pl
(t)，当s
pl
(t)大于所设阈值t
sp
，则根据公式(15)计算其能量占比rs，当rs大于所设阈值tr，则认为该区段存在钢轨周期性擦伤。
[0180][0181]
举一上述具体实施例的实例：
[0182]
某高速铁路区段轴箱振动加速度检测数据如图2所示，可以看出，该区段轴箱振动信号呈现周期性增大现象，波长约为2.75m。
[0183]
首先、可利用方案中ceemdan方法对该信号滤波后的包络进行分解，得到各阶imf如图3所示，各阶imf幅值与原信号幅值比如图4所示，各阶imf平均幅值与原信号比如表1所示。
[0184]
表1
[0185]
imf阶数平均幅值占比10.14920.06430.26940.32250.310
60.28970.49180.25290.228100.231110.247120.183130.018140.025
[0186]
之后、提取平均幅值占比大于0.3的各阶imf(即4、5、7阶imf)信号作为重构项对原包络信号进行重构，并计算重构信号的cwd分布及其频率边际谱与敏感频率成分对应时间边际谱，得到结果如图5所示，其中上图为滤波后包络信号，中图为其cwd分布，左图为频率边界谱，下图为敏感频率成分对应时间边际谱。
[0187]
从图5左图可以看出，该信号cwd分布的频率边界谱中存在26hz、79hz、106hz、132hz、185hz与212hz六个主要频率成分，其中26hz为其主频，其余均为倍频，该区段列车速度为258km/h，对应波长约为2.75m。
[0188]
图5下图为以上六个主要频率成分对应时间边际谱，图6为其趋势项，可以看出，该区段(红色矩形内)时间边际谱显著高于两侧，且能量占比达到0.8，均超过所设阈值。经现场复核，该区段存在钢轨周期性擦伤现象，波长约为2.7～2.8m。
[0189]
综上，本发明基于车辆动态响应检测技术，应用完全自适应噪声集合经验模态分解(complete eemd with adaptive noise，ceemdan)与choi-williams分布(choi-williams distribution，cwd)实现钢轨周期性擦伤的有效识别，为钢轨养护维修提供科学指导。
[0190]
当然，可以理解的是，上述详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
[0191]
本发明实施例中，根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络；对信号包络进行滤除趋势项处理，得到目标信号；通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量；根据多阶本征模态分量，确定车辆动态响应信号的重构信号；对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤，与现有技术中基于机器视觉与图像处理技术进行钢轨周期性擦伤诊断的技术方案相比，通过基于ceemdan算法，可确定出多阶本征模态分量，进而确定重构信号，实现了对钢轨周期性擦伤区段的数据特征挖掘，并通过对重构信号进行cwd分析，可有效确定待检测钢轨是否存在周期性擦伤，实现了钢轨周期性擦伤的有效识别，解决了现有技术下因未装备轨道图像采集系统而无法进行钢轨周期性擦伤识别的问题，提升了钢轨周期性擦伤识别的准确性和识别效率，可为钢轨养护维修提供科学指导。
[0192]
本发明实施例中还提供了一种钢轨周期性擦伤识别装置，如下面的实施例上述。由于该装置解决问题的原理与钢轨周期性擦伤识别方法相似，因此该装置的实施可以参见钢轨周期性擦伤识别方法的实施，重复之处不再赘述。
[0193]
本发明实施例提供的一种钢轨周期性擦伤识别装置，用以实现钢轨周期性擦伤的
有效识别，提升钢轨周期性擦伤识别的准确性和识别效率，如图9所示，该装置包括：
[0194]
信号包络确定模块901，用于根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络；
[0195]
滤除趋势项处理模块902，用于对信号包络进行滤除趋势项处理，得到目标信号；
[0196]
ceemdan分解模块903，用于通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量；
[0197]
重构模块904，用于根据多阶本征模态分量，确定车辆动态响应信号的重构信号；
[0198]
cwd分析模块905，用于对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤。
[0199]
在一个实施例中，上述车辆动态响应数据包括轴箱振动加速度检测数据；
[0200]
信号包络确定模块，具体用于：
[0201]
根据待检测钢轨的轴箱振动加速度检测数据，确定轴箱振动加速度信号；
[0202]
对轴箱振动加速度信号进行hilbert变换，得到轴箱振动加速度信号的信号包络。
[0203]
在一个实施例中，ceemdan分解模块，具体用于：
[0204]
将高斯白噪声多次添加到目标信号中，得到处理信号；
[0205]
对处理信号进行emd分解，得到第一阶emd本征模态分量；
[0206]
通过ceemdan算法，将第一阶emd本征模态分量的平均值，作为信号包络的第一阶本征模态分量；
[0207]
将去除了第一阶本征模态分量的目标信号，作为残差信号；
[0208]
将高斯白噪声多次添加到残差信号中，得到更新处理信号；对更新处理信号进行emd分解，得到更新处理信号的第一阶emd本征模态分量；将更新处理信号的第一阶emd本征模态分量的平均值，作为信号包络的第二阶本征模态分量；将去除了第二阶本征模态分量的残差信号，作为更新残差信号；重复执行上述根据确定更新处理信号和更新残差信号的步骤，直到得到的更新残差信号为单调函数；
[0209]
获取上述步骤中得到的信号包络的多阶本征模态分量。
[0210]
在一个实施例中，重构模块，具体用于：
[0211]
对目标信号、和目标信号的每一阶本征模态分量，进行hilbert变换，得到目标信号和每一阶本征模态分量的解析形式；
[0212]
根据目标信号和每一阶本征模态分量的解析形式，计算目标信号和每一阶本征模态分量的针对每一采样点的瞬时幅值；
[0213]
根据目标信号和每一阶本征模态分量的针对每一采样点的瞬时幅值，确定轴箱振动信号的重构信号。
[0214]
在一个实施例中，重构模块，具体用于：
[0215]
对于每一阶本征模态分量的针对每一采样点的瞬时幅值，将计算的：该阶本征模态分量的针对该采样点的瞬时幅值、与目标信号的针对该采样点的瞬时幅值的比值，作为该阶本征模态分量针对该采样点的第一数据；计算该阶本征模态分量针对每一采样点的第一数据的平均值；
[0216]
将上述平均值大于第一预设数值的本征模态分量，作为信号重构分项；
[0217]
对上述信号重构分项进行相加，得到轴箱振动信号的重构信号。
[0218]
在一个实施例中，cwd分析模块，具体用于：
[0219]
对重构信号进行cwd分析，计算重构信号的cwd分布信号；
[0220]
计算cwd分布信号的频率边际谱和全频率时间边际谱；
[0221]
从频率边际谱中，提取周期性擦伤频率成分；
[0222]
根据周期性擦伤频率成分和全频率时间边际谱，计算周期性擦伤频率成分的时间边际谱；
[0223]
根据周期性擦伤频率成分的时间边际谱，确定待检测钢轨是否存在周期性擦伤。
[0224]
在一个实施例中，cwd分析模块，具体用于：
[0225]
确定频率边际谱的不同极大值点的极大值、对应不同极大值点的频率值；
[0226]
针对每一极大值点，在该极大值点的极大值大于第二预设数值、且对应该极大值点的频率值与预设钢轨周期性擦伤对应频率数值的余数小于第三预设数值时，确定该极大值点为目标极大值点；
[0227]
将目标极大值点的频率值，作为周期性擦伤频率成分。
[0228]
在一个实施例中，cwd分析模块，具体用于：
[0229]
计算每一周期性擦伤频率成分，在预设频率范围内的时间边际谱之和；
[0230]
对上述时间边际谱之和，进行低通滤波，得到时间边际谱之和的趋势项；
[0231]
在上述时间边际谱之和的趋势项大于第四预设数值时，将上述时间边际谱之和与上述频率边际谱的比值，作为能量占比；
[0232]
在上述能量占比大于第五预设数值时，确定待检测钢轨存在周期性擦伤。
[0233]
本发明实施例提供一种用于实现上述钢轨周期性擦伤识别方法中的全部或部分内容的计算机设备的实施例上述计算机设备具体包含有如下内容：
[0234]
处理器(processor)、存储器(memory)、通信接口(communications interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该计算机设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该计算机设备可以参照实施例用于实现钢轨周期性擦伤识别方法的实施例及用于实现钢轨周期性擦伤识别装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
[0235]
图10为本技术实施例的计算机设备1000的系统构成的示意框图。如图10所示，该计算机设备1000可以包括中央处理器1001和存储器1002；存储器1002耦合到中央处理器1001。值得注意的是，该图10是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
[0236]
一实施例中，钢轨周期性擦伤识别功能可以被集成到中央处理器1001中。其中，中央处理器1001可以被配置为进行如下控制：
[0237]
根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络；
[0238]
对信号包络进行滤除趋势项处理，得到目标信号；
[0239]
通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量；
[0240]
根据多阶本征模态分量，确定车辆动态响应信号的重构信号；
[0241]
对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤。
[0242]
在另一个实施方式中，钢轨周期性擦伤识别装置可以与中央处理器1001分开配置，例如可以将钢轨周期性擦伤识别装置配置为与中央处理器1001连接的芯片，通过中央处理器的控制来实现钢轨周期性擦伤识别功能。
[0243]
如图10所示，该计算机设备1000还可以包括：通信模块1003、输入单元1004、音频处理器1005、显示器1006、电源1007。值得注意的是，计算机设备1000也并不是必须要包括图10中所示的所有部件；此外，计算机设备1000还可以包括图10中没有示出的部件，可以参考现有技术。
[0244]
如图10所示，中央处理器1001有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器1001接收输入并控制计算机设备1000的各个部件的操作。
[0245]
其中，存储器1002，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器1001可执行该存储器1002存储的该程序，以实现信息存储或处理等。
[0246]
输入单元1004向中央处理器1001提供输入。该输入单元1004例如为按键或触摸输入装置。电源1007用于向计算机设备1000提供电力。显示器1006用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0247]
该存储器1002可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器1002还可以是某种其它类型的装置。存储器1002包括缓冲存储器1021(有时被称为缓冲器)。存储器1002可以包括应用/功能存储部1022，该应用/功能存储部1022用于存储应用程序和功能程序或用于通过中央处理器1001执行计算机设备1000的操作的流程。
[0248]
存储器1002还可以包括数据存储部1023，该数据存储部1023用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由计算机设备使用的数据。存储器1002的驱动程序存储部1024可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0249]
通信模块1003即为经由天线1008发送和接收信号的发送机/接收机1003。通信模块(发送机/接收机)1003耦合到中央处理器1001，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0250]
基于不同的通信技术，在同一计算机设备中，可以设置有多个通信模块1003，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)1003还经由音频处理器1005耦合到扬声器1009和麦克风1010，以经由扬声器1009提供音频输出，并接收来自麦克风1010的音频输入，从而实现通常的电信功能。音频处理器1005可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器1005还耦合到中央处理器1001，从而使得可以通过麦克风1010能够在本机上录音，且使得可以通过扬声器1009来播放本机上存储的声音。
[0251]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述钢轨周期性擦伤识别方法。
[0252]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述钢轨周期性擦伤识别方法。
[0253]
本发明实施例中，根据待检测钢轨的车辆动态响应数据，确定车辆轴箱振动加速度信号的信号包络；对信号包络进行滤除趋势项处理，得到目标信号；通过ceemdan算法，对目标信号进行分解，得到目标信号的多阶本征模态分量；根据多阶本征模态分量，确定车辆动态响应信号的重构信号；对重构信号进行cwd分析，确定待检测钢轨是否存在周期性擦伤，与现有技术中基于机器视觉与图像处理技术进行钢轨周期性擦伤诊断的技术方案相比，通过基于ceemdan算法，可确定出多阶本征模态分量，进而确定重构信号，实现了对钢轨周期性擦伤区段的数据特征挖掘，并通过对重构信号进行cwd分析，可有效确定待检测钢轨是否存在周期性擦伤，实现了钢轨周期性擦伤的有效识别，解决了现有技术下因未装备轨道图像采集系统而无法进行钢轨周期性擦伤识别的问题，提升了钢轨周期性擦伤识别的准确性和识别效率，可为钢轨养护维修提供科学指导。
[0254]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0255]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0256]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0257]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0258]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。