一种基于信息熵理论的钢轨紧固件状态检测方法与流程

本发明涉及钢轨状态检测
技术领域：
，尤其涉及一种基于信息熵理论的钢轨紧固件状态检测方法。
背景技术：
：铁路紧固件状态的检测对铁路安全至关重要，但人工检测铁路紧固件状态的方法无法完成繁重的铁路维护任务，不能顺应铁路技术高速发展的趋势。目前有许多基于图像的紧固件检测方法。yang和feng等人提供了一些用于检测轨道紧固件缺陷的图像处理和模式识别技术。mazzeo等人描述了一个基于视觉的系统，它可以自动检测将铁轨固定到枕木上的紧固螺栓的缺失或存在。但这些方法不能检测紧固件的松动程度，因为它们从顶部获取整个紧固件的视图。一些研究人员将注意力集中在结构光的方法上，用摄像机获取在目标上产生结构光模式。garcia等人提出了一种基于结构光的轨道测量系统，用于评估轨距和检测缺失的轨道紧固件。aytekin等人利用结构化光传感器构建了实时铁路紧固件检测系统，检测缺失的六角头紧固件。上述基于结构光传感器的方法都只能准确地检测出轨道紧固件的缺失，没有一种方法能够识别部分磨损或松动的紧固件。q.mao等人提出了一种基于结构光传感器的高速铁路紧固件严格检测方法。从结构光传感器中获取精确密集的紧固件点云，利用决策树分类器不仅可以检测到缺失的紧固件，还可以检测到部分磨损或松动的紧固件。缺点是精度受外界环境的影响，对紧固件松动程度的敏感性较低。x.gibert等人提出一种新的铁路紧固件检测算法，探究了深度卷及神经网络在分类识别中的优势。基于振动数据的结构损伤识别在结构健康监测中有着广阔的应用前景。物体的振动特性会受到结构物理性质改变的影响。近年来，许多学者通过建立不同的动力学模型，分析了轨下支撑(紧固件或轨枕)失效时轮轨系统的动态响应，并在紧固件的检测方面取得了许多进展。xu等提出，钢轨紧固件的失效会增强车轮与钢轨之间的相互作用，并且这种相互作用随着列车运行速度的增加而显著增加。wang等人提出了一种识别钢轨紧固件松动的方法，采用自功率密度法对安装在钢轨头部的四个加速度传感器的振动信号进行分析。zhou和wei等人提出了一种基于小波包能谱的方法，对振动信号进行小波分解，识别紧固件松动前后的频域能量变化。该方法可以识别松脱紧固件，但精度与小波的选择有关。zhao等设计了一个无线传输的数据采集系统，以应变电压为评价指标，可以检测缺失或断裂的钢轨扣件。但是该系统需要安装在钢轨的底部，安装和移动十分困难。技术实现要素：本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于信息熵理论的钢轨紧固件状态检测方法，实现对铁路紧固件状态的检测。为解决上述技术问题，本发明所采取的技术方案是：本发明提供一种基于信息熵理论的钢轨紧固件状态检测方法，包括以下步骤：步骤1：在铁轨扣件之上和扣件之间的轨腰位置安装λ个加速度传感器，利用加速度传感器以设定的频率来采集铁轨竖直方向加速度，将铁轨竖直方向加速度作为原始数据并上传到云端服务器；步骤2：对采集到的原始数据，去除趋势项之后采用csae的概念来度量钢轨系统的混乱或分散程度，进而对钢轨系统能量分布的均匀性进行量化表征，得到csae值；步骤2.1：使用r语言获得去除趋势项之后的数据；步骤2.2：根据步骤2.1中得到的数据，采用二维分割的方法得到加速度信号的计数数据{θ}＝{θ1,θ2,…,θn}；步骤2.3：计算分割后的计数数据所对应的频率；信号{θ}的概率分别为π1，…，πn，同时有πi＞0和∑πi＝1成立，则求解方法为：其中，πi为第i个计数数据对应的频率，n为计数数据的个数，θi和θj分别表示第i和第j个计数数据；步骤2.4：计算csae值；步骤2.4.1：horvitz-thompson估计器描述为：其中，ai表示样本中包含第i个单位的事件，i(ai)是指标函数，即当事件ai为真时i(ai)＝1，否则i(ai)＝0；hht为horvitz-thompson估计器计算得到的数值；步骤2.4.2：将horvitz-thompson估计器与传统的信息熵相结合得到幅值谱熵csae，如下公式所示：其中，hcs为csae，为经过校正后的频率；步骤3：根据csae值判断钢轨紧固件的状态：当csae值大于同一位置正常拧紧状态时的csae值时，则判定当前时刻的钢轨紧固件松动或脱落；所述步骤2.1的具体步骤为：步骤2.1.1：在r语言中，加载pracma包，设置阶数取值区间，即设置多项式阶数m，根据原始的加速度数据acc和时间t使用polyfit函数求解多项式各阶系数；步骤2.1.2：根据多项式各阶系数和时间t使用polyval拟合多项式，得到多项式拟合后的加速度数据p_acc；最后得到去除趋势项之后的加速度数据acc_1，公式如下所示：acc_1＝acc-p_acc。所述步骤2.2的具体步骤如下：步骤2.2.1：求出紧固件与钢轨的谐振频率fk；步骤2.2.2：设定去除趋势项后的振动信号为{x}＝{x1,…,xk}，在时间轴上以1/fk为间隔大小划分，设置幅度轴间隔p，将x所在的时域平面根据信号的幅值和频率按上述分成若干等面积的部分；步骤2.2.3：用θi表示x分量在每个区域中的数量，得到振动信号的计数数据的形式为{θ}＝{θ1,θ2,…,θn}。采用上述技术方案所产生的有益效果在于：本发明提供的一种基于信息熵理论的钢轨紧固件状态检测方法，传感器收集钢轨产生的震动，利用chao-shen信息熵理论对数据分析，从而得出轨道紧固件的状态信息；本方法可以大大减少人力资源消耗，且信息反馈及时，硬件成本低。附图说明图1为本发明实施例提供的方法流程图；图2为本发明实施例提供的轨道上安装传感器的示意图；图3为本发明实施例提供的轨道安装位置三维图图4为本发明实施例提供的采用二维分割法处理数据的示意图；图5为本发明实施例提供的case提高鲁棒性的示意图，其中，a为带有奇点的数据图，b为信号的时域分割图；图6为本发明实施例提供的实测数据对比图；其中，a为激励位置1的实测数据示意图，b为激励位置2的实测数据示意图；其中1-紧固件，k1-激励位置1，k2-激励位置2。具体实施方式下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。如图1所示，本实施例的方法如下所述。本发明提供一种基于信息熵理论的钢轨紧固件状态检测方法，包括以下步骤：步骤1：在铁轨扣件之上和扣件之间的轨腰位置安装λ个加速度传感器，利用加速度传感器以设定的频率来采集铁轨竖直方向加速度，将铁轨竖直方向加速度作为原始数据并上传到云端服务器；整个装置体积不大，方便灵活安装在铁轨多个位置。本实施例中把加速度传感器(mma7361)部署在钢轨轨腰处(mma7361是一种低功耗、低轮廓电容式数字式加速度传感器芯片，采用三轴微机械加速度计)，如图2-图3所示，传感器以一定的采样频率釆集收集铁轨的竖直方向(传感器的z方向)的振动数据。并上传至云端。因为钢轨振动的最大频率出现在1300hz左右，因此能够分析的数据频率应该达到1500hz左右，依据此将设备装置的采样频率设置为3300hz。使用数字扭力扳手将目标紧固件的力矩调整到如表1中所示的大小，同时调整其他紧固件的紧固力矩为120n·m左右，其中140n·m对应于钢轨紧固件完全锁紧的状态；0n·m对应于钢轨紧固件完全脱落的状态。在每个工况下，对每个激励点k1和k2分别受到至少5次激励，并收集实验数据。表1测试工况工况力矩/n·m松动程度/％1010022085355604854051102061400步骤2：对采集到的原始数据，去除趋势项之后采用csae的概念来度量钢轨系统的混乱或分散程度，进而对钢轨系统能量分布的均匀性进行量化表征，得到csae值；csae是关于“chao-shen信息熵“的内容；e是entropya是amplitude；步骤2.1：处理数据时，要先去除因为温度等产生的非线性趋势，使用r语言获得去除趋势项之后的数据；去除趋势处理可以消除传感器在获取数据时产生的偏移对后期计算产生的影响。原始数据是从钢轨上收集到的，从数据中删除趋势可以将分析集中在数据趋势本身的波动上。具体方法为：步骤2.1.1：在r语言中，加载pracma包，设置阶数取值区间，即设置多项式阶数m，根据原始的加速度数据acc和时间t使用polyfit函数求解多项式各阶系数；语句如下所示:p＝polyfit(t,acc,m)其中，t为时间，acc为原始的加速度数据，m为多项式阶数；步骤2.1.2：根据多项式各阶系数和时间t使用polyval拟合多项式，得到多项式拟合后的加速度数据p_acc，语句如下所示:p_acc＝polyval(p,t)其中，p_acc为多项式拟合后的加速度数据，p是多项式各阶的系数；最后得到去除趋势项之后的加速度数据acc_1，公式如下所示：acc_1＝acc-p_acc步骤2.2：物理结构的变化会导致振动信号的变化，这些变化会体现在加速度信号在时域的能量分布上。原始振动数据具有精度高的特性，最能反映振动系统的稳定性，但是具有负值难以直接应用信息熵理论的缺点。为了将香农熵理论应用于振动数据，首先需要得到反映加速度信号分布的计数数据。根据步骤2.1中得到的数据，采用二维分割的方法得到加速度信号的计数数据{θ}＝{θ1,θ2,…,θn}；步骤2.2.1：求出紧固件与钢轨的谐振频率fk；步骤2.2.2：设定去除趋势项后的振动信号为{x}＝{x1,…,xk}，在时间轴上以1/fk为间隔大小划分，设置幅度轴间隔p，p根据其大小选择合适的间隔，将x所在的时域平面根据信号的幅值和频率按上述分成若干等面积的部分；在本研究中，加速度幅值被平均分为8个部分，时间范围被平均分为35个部分，最后时域分为8×35个子域。如图4所示；步骤2.2.3：用θi表示x分量在每个区域中的数量，得到振动信号的计数数据的形式为{θ}＝{θ1,θ2,…,θn}；步骤2.3：计算分割后的计数数据所对应的频率；信号{θ}的概率分别为π1,…,πn，同时有πi＞0和∑πi＝1成立，则求解方法为：其中，πi为第i个计数数据对应的频率，n为计数数据的个数，θi和θj分别表示第i和第j个计数数据；这时自然单位下的香农熵由下式给出：其中h(u)为信息熵，πi为第i个计数数据对应的频率。由于计数数据是有许多的0的稀疏数据，所以对稀疏数据做了校正，所用公式为：其中f1是计数数据中不为0的个数，即θi不等于0的个数，表示经过校正后的频率，πi为第i个计数数据对应的频率。步骤2.4：计算csae值；步骤2.4.1：带有奇异点的信号对于信号所在时域区间内的分布有很大的影响，而信息熵正是用来量化这种时域分布情况的一种方法，因此奇异数据如果处理不好会对结果产生巨大的影响。而csae方法通过对原始数据在时域平面根据其幅值和频率进行单元划分得到原始数据的计数数据，即保留了数据的分布情况，又可以消解信号奇异带来的影响。故发明csae的估计方法，该方法将horvitz-thompson估计器与传统的信息熵相结合。horvitz-thompson估计器描述为：其中，ai表示样本中包含第i个单位的事件，i(ai)是通常的指标函数，即当事件ai为真时i(ai)＝1，否则i(ai)＝0；hht为horvitz-thompson估计器计算得到的数值；chao和shen对香农熵提出了一种新的估计方法。该方法将horvitz-thompson估计器与good-turing经验单元概率校正相结合。horvitz-thompson估计器可以减小数据严重不均匀分布带来的影响；引用论文nonparametricestimationofshannon'sindexofdiversitywhenthereareunseenspeciesinsample；步骤2.4.2：将horvitz-thompson估计器与传统的信息熵相结合得到幅值谱熵csae，如下公式所示：其中，hcs为csae，为经过校正后的频率；步骤3：根据csae值判断钢轨紧固件的状态：当csae值大于同一位置正常拧紧状态时的csae值时，则判定当前时刻的钢轨紧固件松动或脱落；因不同型号铁轨、同型号铁轨不同位置的csae值都不一样，故比较同一个信号源的csae的相对大小更有意义。如果紧固件稍微松动，这导致csae只发生了一个小的变化，说明轻微的松动对系统结构几乎没有影响。同时，因为当紧固件状态正常时的csae会有较大的波动，因此csae难以准确识别松动系数小于60％的紧固件状态。当紧固件严重松动甚至脱落时，csae值显著增加，可用于准确识别。特别是紧固件接近脱落时，系统结构受到严重破坏，csae变化幅度较大。根据csae衡量信号在时域的分布均匀性，反映信号能量分布的时间复杂度；火车车轮经过钢轨得到的振动信号，在时域平面上的分布取决于其振幅和衰减速度两个参数；紧固件正常锁紧时，钢轨振动幅值小，衰减速度快，故时域能量分布集中，csae值较小；相反，当紧固件松动后，钢轨所受的垂直约束减少，振幅增加，衰减率降低，因此振动信号在时域上的分布会更加分散，这导致了钢轨和固定钢轨的紧固件构成的系统稳定性低，产生相对较高的熵；随着刚度比例因子的降低失效因子变大，csae值逐渐增大，如图6所示；这说明csae方法对于不同刚度和阻尼的弹簧紧固件具备良好的识别能力。对于每组试验条件下得到的原始信号，采用chao-shen熵法得出csae值，把计算的csae均值作为最终结果进行对比，结果如图6所示。可以观察到当紧固件严重松动甚至脱落时，csae值显著增加，可用于准确识别。特别是紧固件接近脱落时，系统结构受到严重破坏，csae变化幅度较大；特别的观测点(传感器s1～传感器s5)在钢轨无枕木支撑处获得的csae值大于钢轨有枕木支撑处获得的csae值。是因为支撑点处的约束力较大，振动响应较弱，csae小；这种基于振动的结构健康监测方法不仅可以检测缺失的紧固件，还可以检测部分松动的紧固件。chao-shen信息熵理论应用于轨道紧固件的状态识别。实验结果表明，紧固件的松动降低了轨道振动的时域衰减速度，产生了较大的熵值。采用幅值谱熵的分析方法，可以准确识别紧固件的松动状态该智能紧固件监控系统对铁路的维护有很大的帮助。csae方法通过对原始数据在时域平面根据其幅值和频率进行单元划分得到原始数据的计数数据，即保留了数据的分布情况，又可以消解信号奇异带来的影响。其原理图5所示，时域中的奇异点只会被划分到一个单元内(假设索引为i)，且其计数数据为1，其影响在计算频率时会进一步被减弱(πi＝1/n，n为总数)。针对图5(b)和图5(b)所示数据，分别使用csae方法计算得到的幅值熵为5.5152和5.5286，说明csae法具有很强的鲁棒性。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。当前第1页12