一种在线监测列车车轮多边形故障的方法与流程

1.本发明属于轨道列车故障检测技术领域，涉及一种在线监测列车车轮多边形故障的方法。

背景技术：

2.截至2021年年底，全国铁路营业里程15万公里，高速铁路运营里程达4万公里，稳居世界第一。截至2022年7月，31个省(自治区、直辖市)和新疆生产建设兵团共有51个城市开通运营城市轨道交通线路277条，运营里程0.91万公里。
3.列车运营过程中，有许多关系经济性、舒适性和安全性的技术指标需要重点关注，车轮多边形故障指标就是其中之一。车轮多边形又称车轮波磨或车轮周期性非圆化，普遍存在于地铁车辆、普通铁路及高速列车运营中，车轮多边形会加剧车辆振动和产生噪音，对乘坐舒适性造成影响；并且振动也会对轮轨系统的使用寿命产生影响，影响列车运行的稳定性、经济性和安全性。
4.目前在用的车轮多边形状态检测方式主要分为三大类：地面检测、轨旁检测和实时在线监测。目前我国大部分列车检修工务段车轮多边形状态检测主要以地面检测为主，地面检测使用特定设备进行检查，优点是检测准确性高，但需要轮对拆卸下来后进行检测，一般仅在四级修或五级修时进行，检测频次过少。轨旁检测一般使用图像检测技术，利用在轨边安装高清相机阵列，完整采集车辆轮对踏面图像，自动分析识别出故障信息，优点是检测准确性较高，缺点是轨旁检测设备位置固定，需要列车经过此设备旁才可进行检测且检测结果受列车通过速度影响。实时在线监测一般指使用安装在营运车辆轴箱上的振动加速度传感器进行检测，通过检测算法得到多边形评价指标，进行实时检测。
5.目前已有的实时在线监测方法采用短时指标进行报警判断，对车轮多边形故障程度识别较好，但列车实际运行过程中，由于运行的轨道状态存在差异，当列车运行在状态较差轨道段时，多边形评价指标值受冲击信号影响会偏高，容易造成误判，并且当车轮存在多边形故障时，采用短时指标进行报警判断会持续报出多边形故障，造成大量报警信息提示。

技术实现要素：

6.本发明针对这一难点问题，给出了具体的解决方案。本发明采用对传感器采集的振动加速度信号进行分析处理的方法实现，不仅能够实时在线监测车轮多边形缺陷，而且有效避免了采用短时指标报警判断容易产生的误报等情况。
7.为实现上述目的，本发明解决问题采用的技术方案是：
8.获取列车的实时车速和车轮直径信息；根据实时车速和车轮直径，计算车轮实时转频，然后计算出车轮多边形阶次频率值序列；
9.获取采集的列车车轮垂向振动加速度信号；将振动加速度信号进行低通滤波后，截取中段，同时进行频域变换；
10.根据截取中段后得到的振动加速度信号，先计算时域有效值，再计算出振动有效
值指标；
11.根据频域变换得到的频域数据，先提取频域数据中一定数量的峰值及对应频率形成峰值序列，采用差值阈值算法从峰值序列中提取出车轮多边形阶次频率值序列所对应的频域幅值，形成车轮多边形幅频特征序列；
12.根据车轮多边形幅频特征序列，取其中幅值最大的一组数据做为表征量，计算多边形幅值指标和多边形阶次指标；
13.根据振动有效值指标和多边形幅值指标，计算出多边形指标；
14.根据多边形指标和多边形阶次指标，计算出多边形评价指标和多边形阶次评价指标；
15.当车速大于预设值时，将多边形评价指标与报警阈值比较，并结合多边形阶次指标，判断是否满足故障状态计数条件，并进行计数；当车速小于预设值时，判断故障状态次数总和是否超过报警判断次数，输出报警状态，并将相关报警参数置0。
16.一种在线监测列车车轮多边形故障的方法，具体实施步骤如下：
17.步骤1：获取列车的实时车速tspd和车轮直径tdia；
18.步骤2：根据实时车速tspd和车轮直径tdia，计算车轮实时转频st＝tspd*1000/(3.6*tdia*π)，然后计算出车轮多边形阶次频率值序列on(st)；
19.步骤3：获取采集的列车车轮垂向振动加速度信号；
20.步骤4：将步骤3得到的振动加速度信号进行低通滤波后，截取中段，同时进行fftw频域变换；
21.步骤5：根据步骤4截取中段后得到的振动加速度信号，先计算时域有效值rms，再计算出振动有效值指标rmsdb＝20log(rms)；
22.步骤6：根据步骤4fftw频域变换得到的频域数据，先提取频域数据中一定数量的峰值及对应频率形成p(x,y)序列，然后将p(x,y)序列按照频域幅值从大到小排序形成峰值序列py(x,y)，采用差值阈值算法从峰值序列中提取出车轮多边形阶次频率值序列所对应的频域幅值，形成车轮多边形幅频特征序列opn(x,y)；
23.步骤7：根据步骤6得到的车轮多边形幅频特征序列opn(x,y)，取其中频域幅值最大的一组数据opmax(x,y)做为表征量，计算多边形幅值指标adb＝20log(opmax(y))和多边形阶次指标polyn＝opmax(x)/st；
24.步骤8：根据步骤5得到振动有效值指标rmsdb，步骤7得到多边形幅值指标adb值和加权系数a，计算出多边形指标kndb＝a*adb+(1-a)*rmsdb；
25.步骤9：对时间1秒至n秒内多边形指标kndb进行平均，作为第n秒多边形评价指标初始n-1秒内的kdb取值0；
26.步骤10：选取时间1秒至n秒内出现次数最多的多边形阶次指标polyn，作为最终的多边形阶次评价指标poly；
27.步骤11：输出多边形评价指标kdb、多边形阶次评价指标poly；
28.步骤12：当车速大于预设值时，将多边形评价指标kdb与报警阈值比较，并结合多边形阶次评价指标poly，判断是否满足故障状态计数条件，并进行预判状态次数altn1或预警状态次数altn2或报警状态次数altn3的故障状态次数计数；当车速小于预设值时，判断故障状态次数总和是否超过报警判断次数，即altn1+altn2+altn3是否大于等于altn，超过
则报警状态alttr为altn1，altn2，altn3中最大值所对应的状态值altst，否则报警状态alttr＝0；
29.步骤13：输出报警状态alttr；并将altn1、altn2、altn3、alttr值置0。
30.作为优选的方式，步骤2中，车轮多边形阶次频率值序列on(st)为车轮转频st与多边形阶次on序列的乘积，车轮发生多边形故障的阶次on一般在15-40之间；
31.作为优选的方式，步骤4中，截取中段为截取振动加速度信号10％-90％之间的振动加速度信号。
32.作为较优的方式，步骤6中，峰值序列py(x,y)的提取方法包括：采用最小二乘拟合算法提取频域数据中一定数量的峰值及对应频率形成p(x,y)序列，然后将p(x,y)序列按照频域幅值从大到小排序形成峰值序列py(x,y)，该序列为一组坐标值，横坐标x表示频率，纵坐标y表示对应频域幅值。进一步的，所述p(x,y)序列中，提取40-60个峰值及对应频率。
33.作为优选的方式，步骤6中，采用差值阈值算法从峰值序列中提取出车轮多边形阶次频率值序列所对应的频域幅值，形成车轮多边形幅频特征序列opn(x,y)的方法包括：设定耦合系数，将车轮多边形阶次频率值序列on(st)与峰值序列py(x,y)中的频率值逐一耦合，当|on(st)-py(x)|≤耦合系数时，说明该频率值为故障特征频率，提取该频率值与相应频域幅值输出，形成车轮多边形幅频特征序列opn(x,y),序列opn(x,y)为一组坐标值，横坐标x表示车轮多边形阶次频率值，纵坐标y表示对应频域幅值。
34.作为较优的方式，步骤8中，加权系数a取值范围0.2-0.8，一般取值为a＝0.5。
35.作为优选的方式，步骤9中，由于列车实际运行过程中，车轮短时受力波动及振动信号的动态变化特性，计算所得多边形指标会产生数值波动造成误判，为更稳定可靠地计算多边形评价指标，本发明引入了一定时间内多边形指标平均值作为多边形评价指标的方式。优选的，对60s内多边形指标进行平均计算作为多边形评价指标。
36.作为优选的方式，步骤10中，由于列车实际运行过程中，车轮短时受力波动及振动信号的动态变化特性，计算所得多边形阶次指标会产生数值波动造成漏判，为更稳定可靠地计算多边形阶次评价指标，本发明引入了选取一定时间内出现最多次的多边形阶次指标作为多边形阶次评价指标的方式。优选的，选取60s内出现最多次的多边形阶次指标作为多边形阶次评价指标。
37.作为优选的方式，步骤12中，判断是否报警的方法为：当车速大于预设值时，将多边形评价指标kdb与报警阈值比较。当kdb＜报警阈值最低值，运行正常，状态值altst＝0；每当连续n秒报警阈值最低值≤kdb＜报警阈值中间值，且阶次poly相同时，状态值altst＝1，预判状态次数altn1加1；每当连续n秒报警阈值中间值≤kdb＜报警阈值最高值，且阶次poly相同时，状态值altst＝2，预警状态次数值altn2加1；每当连续n秒kdb≥最高报警阈值，且阶次poly相同时，状态值altst＝3，报警状态次数altn3加1。当车速小于预设值时，判断故障状态次数总和是否超过报警判断次数，即altn1+altn2+altn3是否大于等于altn，超过则报警状态alttr为altn1，altn2，altn3中最大值所对应的状态值altst，并进行报警提示；否则报警状态alttr＝0，不进行报警提示。如果采用短时指标进行报警判断，列车实际运行过程中，由于运行的轨道状态存在差异，当列车运行在状态较差轨道段时，评价指标会偏高，造成误报；并且当车轮存在多边形故障时，会持续报出多边形故障，造成大量报警信息提示。所以本发明引入了车速作为故障判断和报警状态输出的条件，引入了时间维度判
断和故障状态值计数判断的方法。即当车速大于预设值以后，判断一定时间内多边形评价指标是否连续超过报警阈值阈值，阶次评价指标是否相同，作为故障状态计数的条件；当车速小于预设值以后，故障状态次数总和超出阈值则诊断为车轮多边形故障，并进行报警提示；进一步的，altn1、altn2、altn3预设值为0；altst＝1为预判、altst＝2为预警、altst＝3为报警；进一步的，n的取值范围为1-60秒；进一步的，报警判断次数altn的取值范围为50-300。
38.本发明的有益效果：本发明的车轮多边形故障监测方法，引入了一定时间内多边形指标平均值作为多边形评价指标的方式和选取一定时间内出现最多次的多边形阶次指标作为多边形阶次评价指标的方式，保证了评价指标稳定可靠，有效避免了误诊和漏诊；引入了车速作为故障判断和报警状态输出的条件，引入了时间维度判断和故障状态值计数判断的方法，有效避免了轨道状态对车轮多边形故障状态判断的影响，减少了大量故障报警信息提示对驾乘人员的干扰。本发明的车轮多边形故障检测方法监测结果准确且稳定，对系统性能要求小，满足低成本嵌入式设备实时在线监测系统的要求。
附图说明
39.图1是本发明方法实施实例系统硬件结构示意图。
40.图2是本发明的监测方法流程图。
41.图3是测点时域波形图。
42.图4是测点频域波形图。
43.图5是原有方法多边形评价指标趋势图。
44.图6是本方法多边形评价指标趋势图。
45.图7是原有方法多边形阶次评价指标趋势图。
46.图8是本方法多边形阶次评价指标趋势图。
47.图9是某车轮全天多边形评价指标和多边形阶次评价指标趋势。
48.图10是某车轮全天多边形故障状态值趋势。
49.图11是某车轮全天多边形故障报警状态值趋势。
具体实施方式
50.以下结合技术方案和附图详细叙述本发明的具体实施方式。
51.实施例1
52.如图1系统硬件结构示意图所示，振动传感器布置在列车轴箱轴承上方，每节车厢8个车轮各布置一支振动加速度传感器。数据采集模块采集传感器获取的车轮垂向振动加速度信号，并发送至诊断分析算法处理模块；通信模块通过以太网获取车载中央控制单元发出的列车的实时车速和车轮直径信息，发送至诊断分析算法处理模块，用于计算车轮实时转频；诊断分析算法处理模块计算的车轮多边形评价指标、车轮多边形阶次评价指标及报警信息从通信模块通过以太网实时发送至车载中央控制单元，本方法在诊断分析算法处理模块中实现。
53.如图2监测方法流程图所示，具体步骤如下：
54.步骤1：获取列车的实时车速tspd和车轮直径tdia；
55.步骤2：根据实时车速tspd和车轮直径tdia，计算车轮实时转频st＝tspd*1000/(3.6*tdia*π)，然后计算出车轮多边形阶次频率值序列on(st)；车轮多边形阶次频率值序列on(st)为车轮转频st与多边形阶次on序列的乘积，车轮发生多边形故障的阶次on一般在15-40之间；
56.步骤3：获取采集的列车车轮垂向振动加速度信号；
57.步骤4：对振动加速度信号做2500hz低通滤波，滤波器选择6阶巴特沃兹滤波器，作为车轮多边形评判数据，滤波器传递函数形式如下：
[0058][0059]
对滤波后信号做傅里叶变换为频域数据，傅里叶变换公式选择fftw公式计算，计算公式如下：
[0060]
其中，
[0061]
根据相关函数性质，并采用递归分治，可快速计算出所有系数，即频域幅值。
[0062]
步骤5：计算滤波后信号振动时域有效值rms，由于滤波后信号存在边缘抖动会带来计算误差，故截取部分信号来计算时域有效值，截取信号时一般取值在数据段10％-90％之间,然后计算振动有效值指标rmsdb＝20log(rms)；
[0063]
步骤6：提取频域数据中一定数量的峰值及对应频率形成p(x,y)序列，提取算法为最小二乘拟合算法，一般提取提取40-60个峰值及对应频率，然后将p(x,y)序列按照频域幅值从大到小排序形成峰值序列py(x,y)，该序列为一组坐标值，横坐标x表示频率，纵坐标y表示对应频域幅值。本步骤中，先进行多个点的峰值序列提取，确保提取峰值序列为故障可能部位，然后采用最小二乘拟合算法提取数据，稳定可靠，耗时短，速度快；
[0064]
采用差值阈值算法进行故障特征耦合，将车轮多边形阶次频率值序列on(st)与峰值序列px(x,y)中的频率值相耦合，耦合系数2.1。具体计算方式为，将车轮多边形阶次频率值序列on(st)与峰值序列py(x,y)中的频率值逐一耦合，当|on(st)-py(x)|≤2.1时，说明该频率值为故障特征频率，提取该频率值与相应频域幅值输出，形成车轮多边形幅频特征序列opn(x,y),序列opn(x,y)为一组坐标值，横坐标x表示车轮多边形阶次频率值，纵坐标y表示对应频域幅值。本步骤中故障特征耦合采用差值阈值算法，可摈弃浮点数计算或转速波动引起频率误差，避免特征提取失败；
[0065]
步骤7：取车轮多边形幅频特征序列opn(x,y)中频域幅值最大的一组数据opmax(x,y)做为表征量，该表征量为一组坐标，opmax(x)表示车轮多边形阶次频率值，opmax(y)表示对应频域幅值，计算多边形幅值指标adb＝20log(opmax(y))和多边形阶次指标polyn＝opmax(x)/st；
[0066]
步骤8：计算多边形指标kndb＝a*adb+(1-a)*rmsdb+kfac,加权系数a取值范围0.2-0.8，优选值为a＝0.5，kfac为修正系数，取值范围0-50，用于适应各类车型报警值统型；在多边形指标中引入权重算法，将振动有效值作为指标参数的组成部分，可确保监测结果更准确；
[0067]
步骤9：对时间1秒至n秒内多边形指标kndb进行平均，作为第n秒多边形评价指标
初始n-1秒内的kdb取值0；n的取值范围20-100秒，优选值为n＝60；引入了一定时间内多边形指标平均值作为多边形评价指标的方式，可以有效避免由于列车实际运行过程中，车轮短时受力波动及振动信号的动态变化特性等引起的多边形指标数值波动产生的误判，可确保多边形评价指标更稳定可靠；
[0068]
步骤10：选取时间1秒至n秒内多边形阶次polyn出现最多的阶次，作为最终的多边形阶次评价指标poly；n的取值范围20-100秒，优取值为n＝60；引入了选取一定时间内出现最多次的多边形阶次指标作为多边形阶次评价指标的方式，可以有效避免由于列车实际运行过程中，车轮短时受力波动及振动信号的动态变化特性等引起的多边形阶次指标波动产生的漏判，可确保多边形阶次评价指标更稳定可靠；
[0069]
步骤11：输出多边形评价指标kdb、多边形阶次评价指标poly；
[0070]
步骤12：altn1、altn2、altn3预设值为0；当车速tspd≥100km/h，多边形评价指标kdb与报警阈值比较。当kdb＜10(db)，运行正常，状态值altst＝0；每当多边形评价指标kdb连续n秒10(db)≤kdb＜18(db)，且阶次poly相同时，状态值altst＝1，预判状态次数altn1加1；每当多边形评价指标kdb连续n秒18(db)≤kdb＜23(db)，且阶次poly相同时，状态值altst＝2，预警状态次数altn2加1；每当多边形评价指标kdb连续n秒kdb≥23(db)，且阶次poly相同时，状态值altst＝3，报警状态次数altn3加1；当车速tspd≤100km/h时，结束altn1、altn2、altn3的计数；判断故障状态次数总和是否超过报警判断次数，即altn1+altn2+altn3是否大于等于altn，报警状态alttr为altn1，altn2，altn3中最大值所对应的状态值altst；否则，报警状态alttr＝0；引入了车速作为故障判断和报警状态输出的条件，引入了时间维度判断和故障状态值计数判断的方法，即当车速大于预设值以后，判断一定时间内多边形评价指标是否连续超出阈值，阶次评价指标是否相同，作为故障状态计数的条件；当车速小于预设值以后，故障状态次数总和超出阈值则诊断为车轮多边形故障，并进行报警提示；避免了采用短时指标进行报警判断，列车运行在状态较差轨道段时，评价指标偏高造成误报，避免了当车轮存在多边形故障时，持续报出多边形故障，造成大量报警信息提示的情况；n的取值范围为1-60，优选值为n＝20；altn的取值范围为50-300，优选值为altn＝100。
[0071]
步骤13：输出报警状态alttr；并将altn1、altn2、altn3、alttr值置0。
[0072]
实施例2
[0073]
将本发明的方法应用于国内某智能高铁动态安全监测系统，进行多边形的故障诊断，具体如下：
[0074]
步骤1：获取列车的实时车速tspd＝344.5km/h和车轮直径tdia＝920mm；
[0075]
步骤2：根据实时车速、轮径计算当前车轮转频st＝tspd*1000/(3.6*tdia*π)＝33.12hz，计算相应车轮多边形阶次频率值on(st)＝496.8hz、529.92hz...662.4hz...1324.8hz序列；
[0076]
步骤3：获取采集的列车车轮垂向振动加速度信号；
[0077]
步骤4：如图3至图4，对振动加速度信号做2500hz低通滤波，滤波器选择6阶巴特沃兹滤波器；
[0078]
对滤波后信号做傅里叶变换为频域数据，傅里叶变换公式选择fftw公式计算；
[0079]
步骤5：计算滤波后信号时域有效值rms，由于滤波后信号存在边缘抖动会带来计
算误差，故截取部分信号来计算振动时域有效值，截取信号时一般取值在数据段10％-90％之间,然后计算振动有效值指标rmsdb＝20log(rms)＝20log(8.9805g)＝19.066db；
[0080]
步骤6：提取频域数据中一定数量的峰值及对应频率形成p(x,y)序列，提取算法为最小二乘拟合算法，一般提取提取40-60个峰值及对应频率，然后将p(x,y)序列按照频域幅值从大到小排序形成峰值序列py(x,y)。如表1，示意了排序前15的峰值序列；
[0081]
表1峰值序列排序
[0082]
序号频率(hz)幅值(g)1661.93210.31482694.9461.882631323.8550.90974628.8380.6765552.0130.58376641.6940.57077658.6460.57048645.3310.56599646.870.553610665.0460.497411640.0420.496612669.5790.474113992.8170.454914675.1110.440415618.0540.4013
[0083]
采用差值阈值算法进行故障特征耦合，将车轮多边形阶次频率值序列on(st)与峰值序列px(x,y)中的频率值相耦合，耦合系数2.1。具体计算方式为，将车轮多边形阶次频率值序列on(st)与峰值序列py(x,y)中的频率值逐一耦合，当|on(st)-py(x)|≤2.1时，说明该频率值为故障特征频率，提取该频率值与相应频域幅值输出，形成车轮多边形幅频特征序列opn(x,y)。如表2，示意了部分提取结果；
[0084]
表2阶次指标提取结果
[0085]
序号频率(hz)幅值(g)多边形阶次序列频率(hz)1661.93210.3148662.42694.9461.8826695.5231323.8550.90971324.84628.8380.6765629.285992.8170.4549993.6
[0086]
步骤7：取车轮多边形幅频特征序列opn(x,y)中频域幅值最大的一组数据opmax(x,y)做为表征量，计算多边形幅值指标adb＝20log(opmax(y))＝20log(10.3148g)＝20.269db和多边形阶次指标polyn＝opmax(x)/st＝661.932/33.12＝19.986,取整为20阶；
[0087]
步骤8：计算多边形指标kndb＝a*adb+(1-a)*rmsdb＝0.5*20.269db+0.5*19.066db＝19.668db；
[0088]
高铁动态安全监测系统为规范管理通常会设置统一的报警阈值。基于不同算法获取的评价值是不同的，但预设的报警阈值不会根据不同算法进行对应调整，对此，算法提供者可根据系统预设的报警阈值设置对应的修正系数，以匹配系统使用要求。本实施例中，修正系数为-4db，修正后的多边形指标为：
[0089]
kndb＝19.668db-4db＝15.668db；
[0090]
步骤9：如图5，在没有进行平均的情况下，由于车轮短时受力波动及振动信号的动态变化特性等引起多边形指标数值波动较大，部分时段已经超过18db的预警阈值，造成了误判。如图6，进行60秒平均处理后，多边形评价指标更稳定可靠；
[0091]
步骤10：如图7，在没有进行处理前，由于车轮短时受力波动及振动信号的动态变化特性等引起多边形阶次指标数据存在波动，干扰了“多边形评价指标kdb连续n秒超过阈值，且阶次poly相同”这一判断条件，会造成故障漏判。如图8，采用选取60秒内出现最多次的多边形阶次指标作为多边形阶次评价指标的方式后，多边形阶次评价指标更稳定可靠；
[0092]
步骤11：输出多边形评价指标kdb＝14.233db、多边形阶次评价指标poly＝20；
[0093]
步骤12：如图9和图10，当车速tspd≥100km/h，多边形评价指标kdb与报警阈值比较：当kdb＜10(db)，运行正常，状态值altst＝0；每当多边形评价指标kdb连续20秒10(db)≤kdb＜18(db)，且阶次poly相同时，状态值altst＝1，预判状态次数altn1加1；
[0094]
如图11，当车速tspd≤100km/h时，结束altn1、altn2、altn3的计数；当故障状态次数总和altn1+altn2+altn3≥报警判断次数altn＝100时，报警状态alttr为altn1，altn2，altn3中最大值altn1所对应的状态值altst＝1；
[0095]
步骤13：输出报警状态alttr＝1；并将altn1、altn2、altn3、alttr值置0。
[0096]
全天共计输出6次预判报警；
[0097]
智能高铁动态安全监测系统采用该算法已持续运行2个月，提示报警14个轮位136次，经过人工对报警位置车轮进行车轮圆度测量，确实存在与监测结果相同的多边形缺陷，准确率100％。采用本发明的方法监测结果准确，监测方法具备极高的监测稳定性。

技术特征：

1.一种在线监测列车车轮多边形故障的方法，其特征在于，获取列车的实时车速和车轮直径信息；根据实时车速和车轮直径，计算车轮实时转频，然后计算出车轮多边形阶次频率值序列；获取采集的列车车轮垂向振动加速度信号；将振动加速度信号进行低通滤波后，截取中段，同时进行频域变换；根据截取中段后得到的振动加速度信号，先计算时域有效值，再计算出振动有效值指标；根据频域变换得到的频域数据，先提取频域数据中的峰值及对应频率形成峰值序列，采用差值阈值算法从峰值序列中提取出车轮多边形阶次频率值序列所对应的频域幅值，形成车轮多边形幅频特征序列；根据车轮多边形幅频特征序列，取其中幅值最大的一组数据做为表征量，计算多边形幅值指标和多边形阶次指标；根据振动有效值指标和多边形幅值指标，计算出多边形指标；根据多边形指标和多边形阶次指标，计算出多边形评价指标和多边形阶次评价指标；当车速大于预设值时，将多边形评价指标与报警阈值比较，并结合多边形阶次评价指标，判断是否满足故障状态计数条件，并进行计数；当车速小于预设值时，判断故障状态次数总和是否超过报警判断次数，输出报警状态，并将相关报警参数置0。2.根据权利要求1所述的一种在线监测列车车轮多边形故障的方法，其特征在于，包括如下步骤：步骤1：获取列车的实时车速tspd和车轮直径tdia；步骤2：根据实时车速tspd和车轮直径tdia，计算车轮实时转频st＝tspd*1000/(3.6*tdia*π)，然后计算出车轮多边形阶次频率值序列on(st)；步骤3：获取采集的列车车轮垂向振动加速度信号；步骤4：将步骤3得到的列车车轮垂向振动加速度信号进行低通滤波后，截取中段，同时进行fftw频域变换；步骤5：根据步骤4截取中段后得到的振动加速度信号，先计算时域有效值rms，再计算出振动有效值指标rmsdb＝20log(rms)；步骤6：根据步骤4fftw频域变换得到的频域数据，先提取频域数据中一定数量的峰值及对应频率形成p(x,y)序列，然后将p(x,y)序列按照频域幅值从大到小排序形成峰值序列py(x,y)，采用差值阈值算法从峰值序列中提取出车轮多边形阶次频率值序列所对应的频域幅值，形成车轮多边形幅频特征序列opn(x,y)；步骤7：根据步骤6得到的车轮多边形幅频特征序列opn(x,y)，取其中频域幅值最大的一组数据opmax(x,y)做为表征量，计算多边形幅值指标adb＝20log(opmax(y))和多边形阶次指标polyn＝opmax(x)/st；步骤8：根据步骤5得到振动有效值指标rmsdb、步骤7得到多边形幅值指标adb值和加权系数a，计算出多边形指标kndb＝a*adb+(1-a)*rmsdb；步骤9：对时间1秒至n秒内多边形指标kndb进行平均，作为第n秒多边形评价指标初始n-1秒内的kdb取值0；
步骤10：选取时间1秒至n秒内出现次数最多的多边形阶次指标polyn，作为最终的多边形阶次评价指标poly；步骤11：输出多边形评价指标kdb、多边形阶次评价指标poly；步骤12：当车速大于预设值时，将多边形评价指标kdb与报警阈值比较，并结合多边形阶次评价指标poly，判断是否满足故障状态计数条件，并进行预判状态次数altn1或预警状态次数altn2或报警状态次数altn3的故障状态次数计数；当车速小于预设值时，判断故障状态次数总和是否超过报警判断次数，即altn1+altn2+altn3是否大于等于altn，超过则报警状态alttr为altn1，altn2，altn3中最大值所对应的状态值altst，否则报警状态alttr＝0；步骤13：输出报警状态alttr；并将altn1、altn2、altn3、alttr值置0。3.根据权利要求2所述的一种在线监测列车车轮多边形故障的方法，其特征还在于，所述车轮多边形阶次频率值序列on(st)为车轮转频st与多边形阶次on序列的乘积，车轮发生多边形故障的阶次on在15-40之间。4.根据权利要求2所述的一种在线监测列车车轮多边形故障的方法，其特征还在于，所述截取中段为截取振动加速度信号10％-90％之间的振动加速度信号。5.根据权利要求2所述的一种在线监测列车车轮多边形故障的方法，其特征还在于，所述峰值序列py(x,y)的提取方法包括：采用最小二乘拟合算法提取频域数据中40-60个最大峰值及对应频率形成p(x,y)序列，然后将p(x,y)序列按照频域幅值从大到小排序形成峰值序列py(x,y)，该序列为一组坐标值，横坐标x表示频率，纵坐标y表示对应频域幅值。6.根据权利要求2所述的一种在线监测列车车轮多边形故障的方法，其特征还在于，所述采用差值阈值算法是从峰值序列中提取出车轮多边形阶次频率值序列所对应的频域幅值，形成车轮多边形幅频特征序列opn(x,y)的方法包括：设定耦合系数，将车轮多边形阶次频率值序列on(st)与峰值序列py(x,y)中的频率值逐一耦合，当|on(st)-py(x)|≤耦合系数时，说明该频率值为故障特征频率，提取该频率值与相应频域幅值输出，形成车轮多边形幅频特征序列opn(x,y),序列opn(x,y)为一组坐标值，横坐标x表示车轮多边形阶次频率值，纵坐标y表示对应频域幅值。7.根据权利要求2所述的一种在线监测列车车轮多边形故障的方法，其特征还在于，所述加权系数a取值范围0.2-0.8。8.根据权利要求2所述的一种在线监测列车车轮多边形故障的方法，其特征还在于，判断是否报警的方法为：当车速大于预设时，将多边形评价指标kdb与报警阈值比较；当kdb＜报警阈值最低值，运行正常，状态值altst＝0；每当连续n秒报警阈值最低值≤kdb＜报警阈值中间值，且阶次poly相同时，状态值altst＝1，预判状态次数altn1加1；每当连续n秒报警阈值中间值≤kdb＜报警阈值最高值，且阶次poly相同时，状态值altst＝2，预警状态次数altn2加1；每当连续n秒kdb≥最高报警阈值，且阶次poly相同时，状态值altst＝3，报警状态次数altn3加1；当车速小于预设时，判断故障状态次数和是否超过报警判断次数，即altn1+altn2+altn3是否大于等于altn，超过则取信报警状态alttr为altn1，altn2，altn3中最大值所对应的状态值altst，并进行报警提示；否则报警状态alttr＝0，不进行报警提示；进一步的，altst＝1为预判、altst＝2为预警、altst＝3为报警。9.根据权利要求8所述的一种在线监测列车车轮多边形故障的方法，其特征在于，所述
连续n秒中，n的取值范围为1-60。10.根据权利要求8所述的一种在线监测列车车轮多边形故障的方法，其特征在于，所述报警判断次数altn的取值范围为50-300。

技术总结

本发明属于轨道列车故障检测技术领域，公开了一种在线监测列车车轮多边形故障的方法。本发明的车轮多边形故障监测方法，引入了一定时间内多边形指标平均值作为多边形评价指标的方式和选取一定时间内出现最多次的多边形阶次指标作为多边形阶次评价指标的方式，保证了评价指标稳定可靠，有效避免了误诊和漏诊；引入了车速作为故障判断和报警状态输出的条件，引入了时间维度判断和故障状态值计数判断的方法，有效避免了轨道状态对车轮多边形故障状态判断的影响，减少了大量故障报警信息提示对驾乘人员的干扰。本发明的车轮多边形故障检测方法监测结果准确且稳定，对系统性能要求小，满足低成本嵌入式设备实时在线监测系统的要求。要求。要求。