Page 100 - 《振动工程学报》2025年第8期

1740 振 动 工 程 学 报 第 38 卷

［4］
件位置用定位模块进行记录 ，然后运用小波变换 烈振动，造成扣件的大量断裂，为连续多段扣件失效
等方法提取扣件子区域的特征，最后将特征输入到 区段。
机器学习等分类器中进行训练学习，达到故障分类 由于直接使用车辆动态响应数据集的幅值作为
的目的 ［5‑10］ 。该方法相较人工巡检的优势在于大幅 诊断扣件状态的特征指标时，容易出现随机性过强
地提高了检测精度，但目前仍存在检测设备复杂、对 与阈值难以确定的问题，因此需要进行数据预处理
现场安装条件要求高等问题，同时该方法的实际应 操 作 。 选 取 图 1 中 扣 件 正 常 K972+110~K972+
用效果会受光照等外界环境因素的影响。因此，其 120 区段、扣件失效 K972+162~K972+172 区段为
可推广性、适应性较差，限制了机器视觉在扣件状态 例作对比试验，进行轴箱垂向加速度信号频域信息
检测方面的发展和应用。 的频谱分析，并相应得到两个试验区段的边际谱，试
本文提出一种基于车辆动态响应数据，应用广 验结果如图 2 和 3 所示。
义解调时频分析联合 SSA‑SVM 模型的高速铁路扣
件状态诊断方法，针对连续多段扣件周期性状态不
良问题进行诊断分析。首先进行数据预处理，运用
短时傅里叶变换与最大重叠离散小波包变换，得到
原始信号的频域信息与相位信息；其次，使用广义解
调时频分析方法将信号进行分解处理，提取包含主
要信息的分量，并选择有效值、能量贡献率、波长作
为扣件状态诊断的特征指标；最后，通过 SSA‑SVM
图 2 扣件正常区段边际谱
模型输入特征指标，进行扣件的分类诊断，并对诊断
Fig. 2 Marginal spectrum of normal section of fastener
结果进行分析和评价，以证明该模型的可行性和精
确性。

1 基于广义解调的扣件特征提取

1. 1 试验数据集

本文使用的数据集来源于高速综合检测列车的
车辆动态响应检测系统，该系统通过在高速列车不 图 3 扣件失效区段边际谱
同位置安装加速度传感器，采集列车行驶时的轴箱 Fig. 3 Marginal spectrum of abnormal section of fastener
加速度、构架加速度、车体加速度以及行驶速度等实
边际谱图能够反映出信号的能量特征，可以看
时数据 ［11］ ，这些数据能够反映轨道及其各部件的工
出图 2 扣件正常区段各频率段的能量分散且较低；
作状态。
而图 3 扣件失效区段能量集中且频率成分较单一，
研究发现，存在连续多段扣件失效会导致高速
信号的周期性较强，从图 2 和 3 中比较看出，扣件正
列车车轮和轨道之间产生较大的振动响应，进而引
常区段的加速度信号波形图与扣件失效区段的边际
起轴箱的振动，因此本文利用轴箱垂向加速度数据
谱图区别比较明显，说明加速度信号数据可以很好
来进行扣件状态的诊断。图 1 为某高速铁路轴箱加
地表征扣件状态。
速度数据波形图，其中里程在 K972+150~K972+
为更好地提取并描述扣件失效处时频特征，进
200 区段轴箱垂向加速度幅值较大，且呈现周期性
一步研究容易引起扣件共振、导致扣件故障的频域
波动，经实地查验该区段因轮轨接触激发扣件的剧
范 围 ，选 取 K972+162~K972+172 扣 件 失 效 区 段
作短时傅里叶变换，进行轴箱垂向加速度信号频域
信息的频谱分析 ［12］ ，得到如图 4 所示的时频分布。
从图 4 中可以看出，扣件失效处信息主要分布
在［500，2500］ Hz 的 频 率 范 围 内 ，同 时 原 始 信 号
x ( t )的时频分布呈现出频带相互重叠且强度不同的
图 1 扣件失效状态的轴箱加速度
多条直线。为了更好地提取原始信号 x ( t ) 中的时
Fig. 1 Axle box acceleration under abnormal condition of
fastener 频特征，需将这些信号分量进行分离处理。而传统