基于振动信号识别的在役轻轨锚固螺杆预紧力变化检测：理论、方法与实践

基于振动信号识别的在役轻轨锚固螺杆预紧力变化检测：理论、方法与实践一、引言1.1研究背景与意义随着城市交通需求的不断增长，轻轨作为一种高效、便捷的城市轨道交通方式，在各大城市得到了广泛的应用和发展。在役轻轨的安全运行至关重要，关乎着大量乘客的生命财产安全以及城市交通系统的正常运转。锚固螺杆作为连接轻轨轨道梁和墩的关键受力部件，其预紧力状态直接影响着轻轨结构的稳定性和安全性。在轻轨安装时，通常会采用统一的预紧力矩对锚固螺杆进行拧紧，以确保结构的可靠性。然而，在实际服役过程中，锚固螺杆会受到多种因素的影响。例如，锚固螺杆本身可能存在加工缺陷，这会导致其在受力时局部应力集中，从而影响预紧力的稳定性；气候环境的腐蚀作用，如潮湿空气、酸雨等，会逐渐削弱螺杆的材料强度，改变其内部结构，进而使预紧力发生变化；长期服役过程中，轻轨运行产生的振动、冲击以及温度变化等复杂的受力情况，也会对锚固螺杆的紧固状态产生不利影响。若锚固螺杆的预紧力不足，在轻轨运行的振动和冲击作用下，轨道梁与墩之间可能会出现相对位移，导致轨道变形、松动，严重时甚至可能引发脱轨等重大安全事故；而预紧力过大，则可能使螺杆承受过高的应力，增加螺杆断裂的风险。因此，对在役轻轨锚固螺杆预紧力进行实时、准确的检测，及时发现预紧力的变化情况，对于保障轻轨的安全运行具有重要的现实意义。目前，传统的锚固螺杆预紧力检测方法主要包括扭矩法、应变片法、超声波法等。扭矩法通过测量拧紧螺母时的扭矩来间接推算预紧力，但该方法受摩擦系数、螺纹精度等因素影响较大，测量误差较大，且无法直接反映预紧力的实际变化情况。应变片法是将应变片粘贴在螺杆表面，通过测量应变来计算预紧力，这种方法虽然精度较高，但应变片的粘贴工艺复杂，易受环境因素干扰，且应变片寿命有限，不适用于长期监测。超声波法利用超声波在螺杆中的传播特性来测量预紧力，该方法对检测人员的技术要求较高，且检测设备昂贵，检测效率较低。这些传统检测方法存在着检测精度低、操作复杂、无法实时在线监测等问题，难以满足在役轻轨锚固螺杆预紧力变化检测的实际需求。基于振动信号识别的检测方法为在役轻轨锚固螺杆预紧力变化检测提供了新的思路和途径。振动信号中蕴含着丰富的结构状态信息，通过对锚固螺杆在外界激励下产生的振动信号进行采集、处理和分析，可以提取出与预紧力相关的特征参数，进而实现对预紧力变化的准确识别。这种方法具有非接触、实时在线监测、检测效率高、对结构无损等优点，能够有效弥补传统检测方法的不足。研究基于振动信号识别的在役轻轨锚固螺杆预紧力变化检测技术，对于提高轻轨的运营安全水平、降低维护成本、延长轻轨使用寿命具有重要的理论意义和实际应用价值。1.2国内外研究现状在国外，振动信号识别技术在锚固螺杆预紧力检测方面的研究开展较早。一些学者通过理论分析和实验研究，深入探讨了振动信号与预紧力之间的内在关系。例如，[国外学者姓名1]通过建立锚固螺杆的动力学模型，分析了不同预紧力下螺杆的振动特性，发现振动频率和幅值与预紧力存在一定的函数关系。在此基础上，开发了基于振动频率分析的预紧力检测系统，并在一些工业设备的螺栓连接检测中得到了应用，取得了较好的效果。[国外学者姓名2]利用小波变换对振动信号进行处理，提取了信号的时频特征，结合神经网络算法建立了预紧力识别模型，提高了预紧力检测的精度和可靠性。此外，还有学者研究了环境因素对振动信号检测预紧力的影响，并提出了相应的补偿方法，以提高检测系统的适应性。国内对于振动信号识别技术应用于锚固螺杆预紧力检测的研究也取得了一系列成果。在硬件设备研发方面，一些研究团队设计了专门用于采集锚固螺杆振动信号的传感器和激振装置，提高了信号采集的准确性和稳定性。例如，重庆大学的研究人员根据跨坐式轨道交通的特殊环境特点，设计了基于气动冲击的激振装置和适应在役锚固螺杆现场特点的改进型拾振器，实现了对轻轨锚固螺杆振动信号的有效采集。在信号处理与分析方法上，国内学者深入研究了小波分析、经验模态分解、信息熵等技术在振动信号处理中的应用。如[国内学者姓名1]运用小波包变换对振动信号进行频段分解，提取了能反映锚固螺杆紧固力矩变化的特征因子，并通过实验验证了该方法在锚固螺杆预紧力检测中的有效性。[国内学者姓名2]采用经验模态分解将振动信号分解为多个固有模态函数，结合信息熵理论对各模态函数进行分析，实现了对预紧力变化的准确识别。在预紧力识别模型建立方面，支持向量机、深度学习等算法被广泛应用。[国内学者姓名3]利用支持向量机建立了预紧力与振动信号特征参数之间的映射关系，实现了对锚固螺杆预紧力的定量检测。一些研究团队还将深度学习算法，如卷积神经网络、循环神经网络等应用于预紧力识别，取得了较好的识别效果。尽管国内外在基于振动信号识别的锚固螺杆预紧力检测方面取得了一定的进展，但仍存在一些不足和待解决的问题。现有研究大多是在实验室条件下进行的，实际工程应用中，轻轨运行环境复杂，存在大量的噪声干扰和工况变化，如何提高检测系统在复杂环境下的抗干扰能力和适应性，仍是需要解决的关键问题。目前的振动信号处理和分析方法在特征提取的准确性和有效性方面还有待进一步提高，以更好地反映预紧力的变化情况。此外，现有的预紧力识别模型在泛化能力和实时性方面还存在一定的局限性，难以满足实际工程中对快速、准确检测的要求。1.3研究目标与内容本研究旨在实现基于振动信号识别的在役轻轨锚固螺杆预紧力变化的准确检测，为轻轨的安全运行提供可靠的技术支持。具体研究内容如下：振动信号采集系统设计：根据在役轻轨锚固螺杆的结构特点和现场检测环境，设计一套高性能的振动信号采集系统。包括选择合适的传感器类型和安装位置，以确保能够准确采集到反映锚固螺杆状态的振动信号；设计高效的激振装置，为锚固螺杆提供稳定、可重复的激励；开发相应的信号调理电路和数据采集软件，实现对振动信号的放大、滤波、模数转换和实时采集存储。信号处理与特征提取方法研究：针对采集到的振动信号，研究有效的信号处理与特征提取方法。运用小波分析、经验模态分解等时频分析技术，对振动信号进行分解和重构，去除噪声干扰，突出信号中的有效特征；从信号的时域、频域和时频域等多个角度，提取能够准确反映锚固螺杆预紧力变化的特征参数，如振动频率、幅值、能量、信息熵等，并分析这些特征参数与预紧力之间的内在关系。预紧力变化识别模型建立：基于提取的特征参数，采用机器学习、深度学习等算法建立预紧力变化识别模型。通过对大量不同预紧力状态下的振动信号样本进行训练，使模型学习到特征参数与预紧力之间的映射关系，实现对锚固螺杆预紧力变化的准确识别和预测。对建立的模型进行性能评估和优化，提高模型的准确性、泛化能力和实时性。实际应用验证：将设计的振动信号采集系统、信号处理与特征提取方法以及预紧力变化识别模型应用于实际的在役轻轨锚固螺杆预紧力检测中。在轻轨现场进行长期的监测实验，验证系统和方法的可行性和有效性；对检测结果进行分析和总结，进一步改进和完善检测技术，为轻轨的安全运营提供实际的技术保障。1.4研究方法与技术路线本研究综合采用理论分析、实验研究和数值模拟等方法，开展基于振动信号识别的在役轻轨锚固螺杆预紧力变化检测研究。理论分析：运用机械振动理论、信号处理理论和机器学习理论，深入分析锚固螺杆的振动特性、振动信号与预紧力之间的关系，以及信号处理和特征提取方法的原理和适用性，为实验研究和数值模拟提供理论基础。实验研究：搭建实验平台，进行锚固螺杆振动实验。通过改变预紧力大小，采集不同预紧力状态下的振动信号，对信号处理与特征提取方法进行验证和优化；利用实验数据训练和测试预紧力变化识别模型，评估模型的性能。在轻轨现场进行实际检测实验，验证研究成果的实际应用效果。数值模拟：利用有限元分析软件，建立锚固螺杆的数值模型，模拟不同预紧力下螺杆的振动响应，分析振动信号的传播特性和变化规律。通过数值模拟，可以快速获取大量的实验数据，辅助实验研究，深入理解振动信号与预紧力之间的内在联系，为实验方案的设计和优化提供参考。技术路线如图1-1所示：首先，进行振动信号采集系统的设计与搭建，包括传感器选型、激振装置设计和数据采集软件编写。在实际轻轨现场或实验平台上，利用该采集系统获取锚固螺杆的振动信号。对采集到的原始信号进行预处理，去除噪声和干扰。然后，运用小波分析、经验模态分解等信号处理技术，从预处理后的信号中提取时域、频域和时频域特征参数。接着，基于提取的特征参数，采用支持向量机、神经网络等机器学习算法建立预紧力变化识别模型，并利用大量的实验数据对模型进行训练和优化。将建立好的模型应用于实际采集的振动信号，实现对锚固螺杆预紧力变化的识别和预测。最后，通过实际应用验证研究成果的准确性和可靠性，对整个研究过程进行总结和改进。二、振动信号识别的理论基础2.1振动信号的基本特性在役轻轨锚固螺杆在轻轨运行过程中，会受到多种复杂外力的作用，从而产生振动信号。轻轨运行时车轮与轨道之间的相互作用会产生周期性的冲击和振动，这些力通过轨道梁传递到锚固螺杆上，使其产生受迫振动。环境因素，如风力、温度变化等，也会对锚固螺杆的振动产生影响。当风力作用在轻轨结构上时，会引起结构的整体振动，进而导致锚固螺杆的振动响应。锚固螺杆产生的振动信号具有其独特的特点。由于轻轨运行的周期性以及锚固螺杆自身结构的特点，其振动信号通常包含多个频率成分，呈现出复杂的频谱特性。在不同的预紧力状态下，锚固螺杆的振动特性会发生变化，这些变化会反映在振动信号的参数中。振动信号还容易受到周围环境噪声的干扰，使得信号的分析和处理变得更加困难。振动信号在时域和频域具有不同的特性。在时域中，振动信号主要表现为振幅随时间的变化。振幅是描述振动信号强度的重要参数，它反映了锚固螺杆在振动过程中的位移大小。较大的振幅可能表示锚固螺杆受到了较大的外力作用，或者预紧力出现了异常变化。振动信号的周期也是时域中的一个重要特征，它与轻轨的运行速度、轨道结构等因素有关。通过分析振动信号的周期，可以了解轻轨的运行状态以及锚固螺杆的振动规律。在频域中，振动信号可以通过傅里叶变换等方法将其从时域转换为频域，得到信号的频谱。频谱能够展示信号中不同频率成分的分布情况，以及各频率成分对应的幅值大小。在锚固螺杆的振动信号频谱中，不同的频率成分可能与不同的物理现象相关。例如，某些特定频率可能与锚固螺杆的固有频率有关，当外力的频率接近固有频率时，会发生共振现象，导致振幅急剧增大，对锚固螺杆的安全产生威胁。一些频率成分可能与轻轨运行时产生的激励频率相关，通过分析这些频率成分，可以了解轻轨运行对锚固螺杆的影响。除了振幅和频率外，相位也是振动信号的一个重要参数。相位描述了振动信号在时间上的相对位置，它对于确定振动信号的来源和传播路径具有重要意义。在多源振动的情况下，通过分析不同振动信号的相位关系，可以判断哪些信号是由同一激励源产生的，哪些信号是由不同激励源产生的，从而更好地理解锚固螺杆的振动机制。2.2振动信号识别的基本原理基于振动信号识别预紧力变化的原理是建立在振动信号特征与预紧力之间存在内在联系的基础上。当锚固螺杆的预紧力发生变化时，其刚度、质量分布等动力学参数也会相应改变。预紧力不足会导致锚固螺杆的连接刚度降低，在相同的外力作用下，其振动响应会发生变化，表现为振动频率、幅值等特征参数的改变。通过对这些振动信号特征参数的分析和监测，就可以实现对预紧力变化的检测。具体来说，当锚固螺杆处于不同的预紧力状态时，在外界激励下，其振动响应的频率成分会有所不同。在低预紧力状态下，锚固螺杆的振动频率可能会降低，因为预紧力不足使得螺杆的约束变弱，其固有频率下降。同时，振动幅值可能会增大，因为较低的预紧力无法有效地抑制振动。而在高预紧力状态下，锚固螺杆的振动频率相对较高，幅值相对较小。通过对振动信号的采集和分析，提取出振动频率、幅值等特征参数，并建立这些特征参数与预紧力之间的数学模型或映射关系，就可以根据测量得到的振动信号特征来推断锚固螺杆的预紧力状态。例如，可以通过实验或数值模拟的方法，获取不同预紧力下锚固螺杆的振动信号样本，并对这些样本进行特征提取和分析。利用这些样本数据训练机器学习模型，如支持向量机、神经网络等，使模型学习到振动信号特征与预紧力之间的关系。在实际应用中，将采集到的实时振动信号输入到训练好的模型中，模型就可以输出对应的预紧力估计值，从而实现对预紧力变化的实时监测和识别。2.3相关理论与技术2.3.1小波分析小波分析是一种时频分析方法，它的基本概念源于对信号的多分辨率分析。与传统的傅里叶分析不同，小波分析能够在不同的时间尺度上对信号进行分析，具有良好的局部化特性。小波分析通过构造一组小波基函数，将信号分解为不同频率和时间尺度的分量。这些小波基函数是由一个基本的母小波函数通过平移和伸缩得到的，具有可变的时间-频率分辨率。在高频部分，小波基函数具有较短的时间窗口，能够对信号的细节变化进行精确分析；在低频部分，小波基函数具有较长的时间窗口，能够捕捉信号的整体趋势。多分辨率分析是小波分析的核心原理之一。它将信号分解为不同分辨率的逼近分量和细节分量。逼近分量表示信号的低频部分，反映了信号的总体趋势；细节分量表示信号的高频部分，包含了信号的细节信息。通过不断地对逼近分量进行分解，可以得到不同尺度下的信号表示，从而实现对信号的多分辨率分析。例如，在对锚固螺杆的振动信号进行小波分析时，可以将信号分解为多个尺度的分量，从不同尺度上观察信号的特征。在较大尺度下，可以分析信号的主要趋势和低频成分，了解锚固螺杆的整体振动状态；在较小尺度下，可以分析信号的细节变化和高频成分，捕捉到可能存在的微小故障或预紧力变化的早期迹象。小波分析在振动信号处理中具有显著的优势，尤其适用于非平稳信号的分析。锚固螺杆的振动信号在实际运行中往往受到多种复杂因素的影响，呈现出非平稳特性，而小波分析能够有效地处理这类信号。它可以将非平稳信号分解为不同频率和时间尺度的成分，从而更好地提取信号中的特征信息。小波分析还具有良好的去噪能力。在振动信号采集过程中，不可避免地会混入噪声，小波分析可以通过阈值处理等方法，去除信号中的噪声干扰，保留信号的有效成分，提高信号的质量和可靠性，为后续的特征提取和预紧力识别提供更好的数据基础。2.3.2信息熵理论信息熵是信息论中的一个重要概念，用于衡量信号的不确定性和复杂性。其定义基于香农熵的概念，对于一个离散随机变量X，其概率分布为P(X=x_i)=p_i，i=1,2,\cdots,n，信息熵H(X)的计算公式为：H(X)=-\sum_{i=1}^{n}p_i\log_2p_i在振动信号处理中，信息熵可以用来描述信号的特征。当振动信号的变化较为复杂、不确定性较高时，其信息熵值较大；而当信号相对稳定、变化较小时，信息熵值较小。对于锚固螺杆的振动信号，在预紧力正常状态下，其振动信号相对稳定，信息熵值较低；当预紧力发生变化，如出现松动或过载等情况时，振动信号的复杂性增加，信息熵值会相应增大。在振动信号特征提取中，信息熵有着广泛的应用。可以通过计算振动信号的信息熵来提取信号的特征参数，从而反映锚固螺杆的预紧力状态。一种常见的方法是将振动信号进行小波分解，得到不同频带的小波系数，然后计算每个频带小波系数的信息熵。这些信息熵值可以作为特征向量，用于后续的预紧力识别模型中。由于不同预紧力状态下，振动信号在不同频带的能量分布和变化情况不同，通过信息熵可以有效地捕捉这些差异，从而提高预紧力识别的准确性。例如，当锚固螺杆预紧力减小时，某些频带的振动能量可能会发生变化，导致该频带小波系数的信息熵改变，通过监测这些信息熵的变化，就可以判断预紧力是否发生了异常变化。2.3.3机器学习算法在基于振动信号识别的在役轻轨锚固螺杆预紧力变化检测中，机器学习算法起着关键的作用。以下介绍几种常用的机器学习算法及其在预紧力变化识别中的应用。支持向量机：支持向量机（SupportVectorMachine，SVM）是一种基于统计学习理论的分类和回归算法。其基本原理是通过寻找一个最优的分类超平面，将不同类别的样本数据分开。在预紧力变化识别中，SVM可以将振动信号的特征参数作为输入，将不同的预紧力状态作为类别标签。通过对大量已知预紧力状态的振动信号样本进行训练，SVM可以学习到特征参数与预紧力状态之间的映射关系，从而对未知预紧力状态的振动信号进行分类和预测。在训练过程中，SVM会寻找一个能够最大化分类间隔的超平面，使得不同类别的样本点到超平面的距离尽可能大，从而提高分类的准确性和泛化能力。对于回归问题，SVM可以通过引入核函数等方法，建立振动信号特征与预紧力值之间的回归模型，实现对预紧力的定量预测。神经网络：神经网络是一种模拟人类大脑神经元结构和功能的计算模型，具有强大的非线性映射能力和自学习能力。在预紧力变化识别中，常用的神经网络模型包括多层感知器（Multi-LayerPerceptron，MLP）、卷积神经网络（ConvolutionalNeuralNetwork，CNN）和循环神经网络（RecurrentNeuralNetwork，RNN）等。多层感知器是一种前馈神经网络，由输入层、隐藏层和输出层组成。通过调整隐藏层的神经元数量和连接权重，MLP可以学习到复杂的非线性关系。在预紧力识别中，将振动信号的特征参数输入到MLP的输入层，经过隐藏层的非线性变换和计算，输出层可以得到预紧力的预测值或预紧力状态的分类结果。卷积神经网络在处理具有空间结构的数据，如图像和信号时具有独特的优势。它通过卷积层、池化层和全连接层等结构，自动提取数据的特征。在锚固螺杆振动信号处理中，CNN可以直接对振动信号的时域或频域数据进行处理，学习到信号中的特征模式，从而实现预紧力的识别。循环神经网络适用于处理具有时间序列特征的数据，如振动信号随时间的变化。RNN通过引入循环连接，使得网络能够记住之前的输入信息，从而对时间序列数据进行有效的建模和分析。在预紧力变化识别中，RNN可以对连续采集的振动信号进行处理，捕捉到信号随时间的变化趋势，提高对预紧力变化的预测能力。这些机器学习算法在预紧力变化识别中各有优势，通过合理选择和应用这些算法，可以有效地提高在役轻轨锚固螺杆预紧力变化检测的准确性和可靠性。三、在役轻轨锚固螺杆振动信号采集系统设计3.1系统总体架构在役轻轨锚固螺杆振动信号采集系统是实现基于振动信号识别的预紧力变化检测的关键基础，其总体架构涵盖多个重要组成部分，各部分相互协作，共同确保振动信号的准确采集与传输。系统主要包括传感器选型、信号传输方式、数据采集设备及上位机软件等部分，它们紧密结合，构成一个完整的信号采集与处理体系，如图3-1所示：传感器作为系统的前端感知部件，直接与锚固螺杆接触，负责将螺杆的机械振动转化为电信号。在选型时，需综合考虑锚固螺杆的振动特性、现场环境以及测量精度要求等因素。加速度传感器具有频响宽、动态范围大、可靠性高、使用方便等优点，能够很好地适应锚固螺杆的振动检测需求，因此选用加速度传感器作为振动信号采集的主要传感器。信号传输方式决定了传感器采集到的信号如何准确、快速地传输到数据采集设备。在本系统中，考虑到轻轨现场复杂的电磁环境以及信号传输的稳定性要求，采用有线传输方式，如屏蔽电缆，以减少外界干扰对信号的影响，确保信号在传输过程中的完整性和准确性。数据采集设备是连接传感器和上位机的桥梁，其主要功能是对传感器传输过来的模拟信号进行模数转换，将其转化为数字信号，以便上位机进行处理和存储。选择一款高性能的数据采集卡，如研华公司的DAQ-2213数据采集卡，该卡具有多通道模拟输入、高采样速率、高精度等特点，能够满足本系统对振动信号采集的要求。它可以实现对多个锚固螺杆振动信号的同时采集，提高检测效率。上位机软件是整个系统的核心控制和数据分析平台，负责对数据采集设备采集到的数据进行实时监测、存储、分析和处理。通过友好的用户界面，操作人员可以方便地设置数据采集参数，如采样频率、采样时长等，还可以实时查看振动信号的时域波形和频域频谱，直观了解锚固螺杆的振动状态。上位机软件还具备数据存储功能，将采集到的振动信号数据存储到数据库中，以便后续的数据分析和处理。3.2硬件设计3.2.1传感器选择与安装根据锚固螺杆的振动特性，选择合适的传感器是确保准确采集振动信号的关键。加速度传感器能够敏感地测量物体的加速度变化，而锚固螺杆在受到轻轨运行的振动、冲击等外力作用时，其加速度会发生相应的改变，因此加速度传感器能够有效地捕捉到这些变化，从而获取反映锚固螺杆状态的振动信号。在选择加速度传感器时，需要综合考虑多个因素。灵敏度是一个重要的参数，它决定了传感器对振动信号的敏感程度。对于在役轻轨锚固螺杆的振动检测，由于其振动幅值相对较小，为了能够准确地检测到振动信号，需要选择灵敏度较高的加速度传感器。同时，还要考虑传感器的频率响应范围，应确保其能够覆盖锚固螺杆可能产生的振动频率范围。锚固螺杆的振动频率可能会受到轻轨运行速度、轨道状况等因素的影响，因此需要选择频率响应宽的加速度传感器，以保证能够准确地测量不同频率的振动信号。传感器的安装位置和方法也会对信号采集的准确性产生重要影响。在安装位置方面，应选择锚固螺杆的关键部位，如螺杆的中部或靠近螺母的一端，这些位置能够更直接地反映螺杆的振动情况。为了确保传感器与锚固螺杆紧密接触，采用螺栓连接或专用的传感器安装夹具进行安装，以减少接触电阻和信号传输损耗。在安装过程中，要保证传感器的安装平面与锚固螺杆的振动方向垂直，这样可以最大限度地提高传感器对振动信号的采集效率。还需要注意传感器的安装稳定性，避免在轻轨运行过程中因振动而导致传感器松动或脱落，影响信号采集的准确性。3.2.2激振装置设计为了使锚固螺杆产生可检测的振动信号，需要设计专门的激振装置对其进行有效激励。基于气动冲击技术的激振装置具有结构简单、激振力可控、响应速度快等优点，能够满足在役轻轨锚固螺杆激振的要求。该激振装置的工作原理是利用压缩空气作为动力源，通过控制电磁阀的开闭，使压缩空气快速冲击锚固螺杆，从而产生瞬间的冲击力，激发锚固螺杆的振动。具体来说，压缩空气首先被存储在储气罐中，当需要激振时，控制系统发出指令，打开电磁阀，储气罐中的压缩空气通过喷管高速喷出，直接冲击锚固螺杆的特定部位。由于冲击作用时间短、能量集中，能够使锚固螺杆产生明显的振动响应，且振动信号具有丰富的频率成分，便于后续的检测和分析。在结构设计上，激振装置主要由储气罐、电磁阀、喷管、控制系统等部分组成。储气罐用于储存足够压力的压缩空气，以保证激振时能够提供稳定的动力。电磁阀作为控制压缩空气通断的关键部件，其响应速度和控制精度直接影响激振效果。选择响应速度快、可靠性高的电磁阀，能够实现对压缩空气的精确控制，确保激振的准确性和可重复性。喷管的设计则需要考虑压缩空气的喷射方向和喷射角度，使其能够准确地冲击到锚固螺杆的目标位置，并且能够根据不同的检测需求进行调整。控制系统负责协调各个部件的工作，通过预设的程序控制电磁阀的开闭时间和频率，实现对激振力大小和激振频率的调节，以适应不同工况下锚固螺杆的振动检测要求。3.2.3信号调理与传输传感器采集到的振动信号通常比较微弱，且容易受到噪声的干扰，因此需要设计信号调理电路对其进行放大、滤波等处理，以提高信号质量。信号调理电路主要包括放大电路和滤波电路两部分。放大电路采用高性能的运算放大器，如AD620仪表放大器，它具有高精度、低噪声、高共模抑制比等优点，能够有效地放大传感器输出的微弱信号。通过合理设置放大器的增益，将传感器输出的信号放大到适合后续处理的幅值范围。例如，当传感器输出的信号幅值在毫伏级时，通过放大电路将其放大到伏特级，以便数据采集设备能够准确地采集和处理。滤波电路则用于去除信号中的噪声和干扰。由于轻轨现场存在各种电磁干扰和环境噪声，这些噪声会混入振动信号中，影响信号的分析和处理。采用低通滤波器和带通滤波器相结合的方式，低通滤波器可以去除信号中的高频噪声，带通滤波器则可以选择特定频率范围内的信号，进一步提高信号的信噪比。例如，根据锚固螺杆的振动频率范围，设置带通滤波器的通带频率为10Hz-1000Hz，这样可以有效地滤除低频和高频的干扰信号，只保留与锚固螺杆振动相关的信号成分。经过信号调理后的信号，需要通过合适的传输方式传输至数据采集设备。考虑到轻轨现场的复杂环境，采用屏蔽电缆进行信号传输。屏蔽电缆具有良好的抗干扰性能，能够有效地减少外界电磁干扰对信号的影响。在传输过程中，为了确保信号的完整性和准确性，还需要注意电缆的长度和阻抗匹配。电缆长度过长会导致信号衰减和失真，因此要根据实际情况合理选择电缆长度。同时，要保证电缆的阻抗与传感器和数据采集设备的输入阻抗相匹配，以减少信号反射和损耗，确保信号能够准确无误地传输到数据采集设备。3.3软件设计3.3.1数据采集程序开发数据采集程序是实现振动信号自动采集和存储的核心软件部分，本研究使用C/C++语言在VisualStudio.Net开发环境下，基于数据采集卡DAQ-2213进行开发。C/C++语言具有高效、灵活、可移植性强等优点，能够充分发挥数据采集卡的性能，实现对振动信号的快速、准确采集。在开发过程中，首先需要对数据采集卡进行初始化配置，设置采样频率、采样通道、数据存储方式等参数。采样频率的设置要根据锚固螺杆的振动特性和信号分析的要求来确定，一般来说，为了能够准确地捕捉到振动信号的细节信息，采样频率应至少为信号最高频率的2倍以上。例如，若预计锚固螺杆的振动信号最高频率为500Hz，则采样频率可设置为1000Hz以上。通过数据采集卡提供的驱动程序接口函数，实现对这些参数的设置和控制。在数据采集过程中，采用中断方式实现实时采集。当数据采集卡采集到一定数量的数据后，会触发中断信号，通知计算机进行数据读取和存储。这样可以保证数据的实时性和连续性，避免数据丢失。将采集到的振动信号按照一定的格式存储到计算机的硬盘中，以便后续的数据分析和处理。可以采用二进制文件格式或文本文件格式进行存储，其中二进制文件格式具有存储效率高、数据读取速度快等优点，适合存储大量的振动信号数据；文本文件格式则具有可读性强、便于查看和编辑等优点，适合存储少量的关键数据或用于数据展示和初步分析。3.3.2数据分析与处理软件设计数据分析与处理软件是基于振动信号识别锚固螺杆预紧力变化的关键工具，它主要实现对采集到的振动信号进行预处理、特征提取和预紧力变化识别等功能。预处理模块主要用于去除信号中的噪声和干扰，提高信号的质量。采用小波去噪算法对振动信号进行处理，小波去噪能够在去除噪声的同时，保留信号的细节特征。通过选择合适的小波基函数和阈值处理方法，对振动信号进行多尺度分解和重构，有效地去除噪声干扰，得到清晰的振动信号。还可以对信号进行归一化处理，将信号的幅值统一到一定的范围内，便于后续的特征提取和分析。特征提取模块从预处理后的振动信号中提取能够反映锚固螺杆预紧力变化的特征参数。从时域、频域和时频域等多个角度进行特征提取，在时域中，提取振动信号的均值、方差、峰值、峭度等参数，这些参数能够反映信号的幅值变化和波动情况；在频域中，通过傅里叶变换将信号转换为频域信号，提取信号的主频、谐波频率、功率谱等参数，分析信号的频率成分和能量分布；在时频域中，采用小波分析、短时傅里叶变换等方法，提取信号的时频特征，如小波系数、时频能量分布等，这些特征能够更全面地反映信号在时间和频率上的变化情况。预紧力变化识别模块基于提取的特征参数，采用机器学习算法建立预紧力变化识别模型。通过对大量已知预紧力状态的振动信号样本进行训练，使模型学习到特征参数与预紧力之间的映射关系。在训练过程中，采用交叉验证等方法对模型进行优化和评估，提高模型的准确性和泛化能力。在实际应用中，将实时采集到的振动信号经过预处理和特征提取后，输入到训练好的模型中，模型即可输出锚固螺杆的预紧力状态或预紧力变化情况，实现对预紧力变化的准确识别和预测。四、振动信号处理与特征提取4.1振动信号预处理4.1.1滤波去噪在轻轨运行过程中，锚固螺杆的振动信号极易受到周围环境噪声以及系统内部干扰的影响，导致信号中混入大量的噪声成分，从而严重影响后续对预紧力变化的准确分析。因此，滤波去噪成为振动信号预处理的关键环节。本研究采用低通滤波和带通滤波相结合的方式对采集到的振动信号进行处理。低通滤波器主要用于去除振动信号中的高频噪声。在实际轻轨运行环境中，高频噪声可能来源于电气设备的电磁干扰、轻轨轨道与车轮之间的高频摩擦等。这些高频噪声的存在会掩盖振动信号中的有用信息，使得信号的特征提取变得困难。低通滤波器通过设定合适的截止频率，只允许低于该截止频率的信号成分通过，而高于截止频率的高频噪声则被有效抑制。例如，根据锚固螺杆振动信号的频率特性，将低通滤波器的截止频率设置为1000Hz，这样可以有效去除大部分高频噪声，保留信号的低频有用成分。带通滤波器则用于进一步提取特定频率范围内的信号，同时抑制低频和高频的干扰信号。锚固螺杆的振动信号在不同预紧力状态下，其主要频率成分会集中在一定的频率区间内。通过设计带通滤波器，使其通带频率范围与锚固螺杆振动信号的主要频率范围相匹配，可以更好地突出信号中的有效信息，提高信号的信噪比。如根据前期的实验研究和理论分析，确定锚固螺杆振动信号的主要频率范围为50Hz-500Hz，因此设置带通滤波器的通带频率为40Hz-600Hz，这样可以有效滤除低频的环境噪声和高频的干扰信号，只保留与锚固螺杆振动密切相关的信号成分。以某段实际采集到的锚固螺杆振动信号为例，在未进行滤波去噪处理前，信号的时域波形呈现出明显的杂乱无章，噪声干扰严重，无法清晰地观察到信号的特征。经过低通滤波和带通滤波处理后，信号的时域波形变得更加平滑，噪声干扰得到了显著抑制，信号的主要特征得以清晰展现。通过对比滤波前后信号的频谱图也可以发现，滤波后的频谱图中，噪声频率成分的幅值大幅降低，而与锚固螺杆振动相关的频率成分更加突出，为后续的特征提取和分析提供了良好的数据基础。4.1.2零均值化处理振动信号中可能存在直流分量，这些直流分量会对信号的分析和处理产生不利影响，因此需要对振动信号进行零均值化处理。直流分量的存在会导致信号在时域上整体偏离零轴，使得信号的波动范围增大，从而影响对信号细节特征的观察和分析。在频域分析中，直流分量会在频率为0处产生一个较大的谱峰，这个谱峰可能会掩盖信号中其他频率成分的信息，导致对信号频率特性的误判。零均值化处理的原理是计算振动信号的均值，然后将信号中的每个数据点减去该均值，从而使信号的均值变为零，消除直流分量的影响。具体计算过程如下：设采集到的振动信号为x(t)，t=1,2,\cdots,N，其中N为信号的采样点数。首先计算信号的均值\mu：\mu=\frac{1}{N}\sum_{t=1}^{N}x(t)然后将信号中的每个数据点减去均值\mu，得到零均值化后的信号y(t)：y(t)=x(t)-\mu经过零均值化处理后，信号在时域上更加平稳，其波动更加真实地反映了锚固螺杆的振动情况。在频域上，消除了频率为0处的大谱峰，使得信号的频谱更加清晰，能够准确地反映出信号的频率成分和能量分布，为后续的特征提取和预紧力变化识别提供了更准确的数据。例如，对于一组包含直流分量的锚固螺杆振动信号，在进行零均值化处理前，其频谱图在频率为0处有一个很高的谱峰，掩盖了其他频率成分的细节。经过零均值化处理后，频谱图中的低频噪声和直流分量干扰被有效去除，信号的主要频率成分和特征得以清晰呈现，为后续的分析和处理提供了可靠的数据支持。4.2特征提取方法研究4.2.1时域特征提取时域特征是直接从振动信号的时间序列中提取的特征参数，具有计算简单、物理意义明确等优点，在锚固螺杆预紧力变化检测中具有重要的应用价值。常用的时域特征包括均值、方差、峰峰值等。均值是振动信号在一段时间内的平均值，它反映了信号的平均能量水平。其计算公式为：\overline{x}=\frac{1}{N}\sum_{i=1}^{N}x_i其中，x_i为第i个采样点的信号值，N为采样点数。当锚固螺杆的预紧力发生变化时，其振动信号的均值可能会相应改变。在预紧力不足的情况下，锚固螺杆的振动可能会更加剧烈，导致振动信号的均值增大。均值容易受到噪声和干扰的影响，当信号中存在较大的噪声时，均值可能无法准确反映预紧力的变化情况。方差用于衡量振动信号偏离均值的程度，它反映了信号的波动大小。方差越大，说明信号的波动越剧烈，振动的能量分布越分散。方差的计算公式为：s^2=\frac{1}{N-1}\sum_{i=1}^{N}(x_i-\overline{x})^2在锚固螺杆预紧力变化检测中，方差可以作为一个重要的特征参数。当预紧力发生变化时，锚固螺杆的振动特性改变，振动信号的方差也会随之变化。方差对于一些微小的预紧力变化可能不够敏感，因为它是对整个信号波动的综合度量，可能会掩盖一些细微的变化特征。峰峰值是振动信号在一段时间内的最大值与最小值之差，它直接反映了信号的最大波动范围。峰峰值的计算公式为：x_{pp}=x_{max}-x_{min}其中，x_{max}和x_{min}分别为信号的最大值和最小值。峰峰值能够直观地反映出锚固螺杆在振动过程中的最大受力情况，当预紧力变化导致锚固螺杆的振动加剧时，峰峰值会明显增大。峰峰值只考虑了信号的最大值和最小值，忽略了信号中间部分的变化信息，可能会丢失一些重要的特征。通过对大量不同预紧力状态下的锚固螺杆振动信号进行分析，绘制了时域特征参数与预紧力之间的关系曲线，如图4-1所示。从图中可以看出，随着预紧力的减小，均值、方差和峰峰值总体上呈现出增大的趋势，但这些特征参数与预紧力之间并非严格的线性关系，存在一定的波动和不确定性。这表明时域特征虽然能够在一定程度上反映锚固螺杆预紧力的变化，但存在一定的局限性，需要结合其他特征提取方法来提高预紧力变化检测的准确性。4.2.2频域特征提取频域特征提取是将时域信号通过傅里叶变换等方法转换为频域信号，然后从频域信号中提取能够反映锚固螺杆预紧力变化的特征参数。傅里叶变换的基本原理是将一个时域信号表示为一系列不同频率的正弦和余弦函数的线性组合，通过对这些频率成分的分析，可以揭示信号的频率特性和能量分布。对于离散的振动信号x(n)，其离散傅里叶变换（DFT）的计算公式为：X(k)=\sum_{n=0}^{N-1}x(n)e^{-j\frac{2\pi}{N}kn}其中，X(k)为频域信号，k=0,1,\cdots,N-1，N为采样点数。通过傅里叶变换得到的频域信号X(k)包含了信号的幅值和相位信息，其中幅值谱|X(k)|表示不同频率成分的强度，相位谱\angleX(k)表示不同频率成分的相位。在锚固螺杆预紧力变化检测中，常用的频域特征包括频谱、功率谱等。频谱能够直观地展示信号中不同频率成分的分布情况，通过分析频谱图，可以确定信号的主要频率成分以及各频率成分对应的幅值大小。当锚固螺杆的预紧力发生变化时，其振动特性改变，振动信号的频谱也会相应发生变化。在预紧力不足的情况下，锚固螺杆的固有频率可能会发生偏移，导致频谱图中某些频率成分的幅值增大或减小。功率谱则是信号功率在频率上的分布，它反映了信号在不同频率上的能量分布情况。功率谱的计算通常通过对频谱进行平方运算得到，即P(k)=|X(k)|^2。在锚固螺杆预紧力变化检测中，功率谱可以作为一个重要的特征参数。通过分析功率谱，可以了解信号在不同频率上的能量变化情况，从而判断预紧力是否发生变化。当预紧力变化时，锚固螺杆的振动能量分布改变，功率谱也会相应发生变化。以某一锚固螺杆在不同预紧力状态下的振动信号为例，其频谱图和功率谱图如图4-2和图4-3所示。从频谱图中可以看出，随着预紧力的减小，信号的某些频率成分的幅值发生了明显变化。在功率谱图中，也可以观察到不同预紧力状态下功率谱的分布存在差异，这表明频域特征能够有效地反映锚固螺杆预紧力的变化情况。通过对大量不同预紧力状态下的振动信号进行频域分析，发现预紧力的变化与振动信号的频率成分之间存在一定的规律。当预紧力减小时，低频段的能量相对增加，高频段的能量相对减少，这是由于预紧力不足导致锚固螺杆的约束变弱，振动响应更加复杂，低频成分增多。频域特征提取能够从信号的频率特性角度揭示锚固螺杆预紧力的变化，为预紧力变化检测提供了重要的依据。4.2.3时频域特征提取锚固螺杆在实际运行过程中，其振动信号往往呈现出非平稳特性，即信号的频率成分和幅值随时间不断变化。传统的时域和频域分析方法难以全面准确地描述这类非平稳信号的特征。时频域分析方法能够同时在时间和频率两个维度上对信号进行分析，提供信号在不同时刻的频率组成信息，因此在检测非平稳振动信号方面具有显著的优势。常用的时频域分析方法包括小波变换、短时傅里叶变换等。小波变换是一种重要的时频分析方法，它通过构造一组小波基函数，将信号分解为不同频率和时间尺度的分量。小波基函数具有可变的时间-频率分辨率，在高频部分具有较短的时间窗口，能够对信号的细节变化进行精确分析；在低频部分具有较长的时间窗口，能够捕捉信号的整体趋势。对于函数f(t)，其连续小波变换（CWT）的定义为：CWT_f(a,b)=\frac{1}{\sqrt{|a|}}\int_{-\infty}^{\infty}f(t)\psi^*\left(\frac{t-b}{a}\right)dt其中，\psi(t)是母小波函数，a是尺度因子，b是平移因子。尺度因子a用于缩放母小波函数，控制频率分辨率；平移因子b用于在时间轴上平移母小波函数，控制时间分辨率。在实际应用中，通常采用离散小波变换（DWT），通过对尺度因子a和平移因子b进行离散化取值，降低计算复杂度。离散小波变换通过对信号进行多尺度分解，可以得到不同尺度下的近似分量和细节分量，这些分量包含了信号在不同频率和时间尺度上的特征信息。在锚固螺杆预紧力变化检测中，通过小波变换可以得到信号的小波系数，这些小波系数能够反映信号在不同频率和时间尺度上的能量分布情况。将振动信号进行小波分解，得到不同尺度下的小波系数，然后计算每个尺度下小波系数的能量。通过分析这些能量分布的变化，可以判断锚固螺杆的预紧力是否发生变化。当预紧力发生变化时，振动信号在不同尺度下的能量分布会发生改变，小波系数也会相应变化。例如，在预紧力不足的情况下，振动信号的高频成分可能会增加，导致高频尺度下的小波系数能量增大。小波变换还可以通过时频谱图直观地展示信号在时间-频率平面上的能量分布情况，便于观察和分析信号的时频特征变化。短时傅里叶变换（STFT）也是一种常用的时频分析方法，它通过在时域上对信号进行加窗处理，然后对每个窗内的信号进行傅里叶变换，得到信号在不同时刻的频谱信息。对于信号x(t)，其短时傅里叶变换的定义为：STFT_x(\tau,f)=\int_{-\infty}^{\infty}x(t)w(t-\tau)e^{-j2\pift}dt其中，w(t)是窗函数，\tau是时间偏移，f是频率。窗函数w(t)的选择会影响短时傅里叶变换的时频分辨率，常用的窗函数有矩形窗、汉宁窗、汉明窗等。在锚固螺杆预紧力变化检测中，短时傅里叶变换可以得到信号的时频谱图，通过分析时频谱图中频率成分随时间的变化情况，能够有效地检测出预紧力的变化。当预紧力发生变化时，振动信号的频率成分随时间的变化规律会发生改变，在时频谱图上表现为频率分布的变化。以某一锚固螺杆在不同预紧力状态下的振动信号为例，其小波变换时频谱图和短时傅里叶变换时频谱图如图4-4和图4-5所示。从图中可以看出，在不同预紧力状态下，时频谱图中的能量分布和频率变化情况存在明显差异。这表明时频域特征能够有效地反映锚固螺杆预紧力的变化，为预紧力变化检测提供了更加全面和准确的信息。与传统的时域和频域分析方法相比，时频域分析方法能够更好地处理非平稳振动信号，提取出更丰富的特征信息，从而提高锚固螺杆预紧力变化检测的准确性和可靠性。4.3特征选择与优化在基于振动信号识别的在役轻轨锚固螺杆预紧力变化检测中，从振动信号中提取的特征参数数量众多，这些特征参数之间可能存在相关性和冗余性。如果直接将所有特征参数用于预紧力变化识别模型，不仅会增加计算量，还可能导致模型过拟合，降低模型的泛化能力。因此，需要进行特征选择与优化，选择对预紧力变化敏感的特征，去除冗余和无关特征，同时对特征进行降维处理，提高识别精度和计算效率。特征选择算法是从原始特征集中选择出最具代表性和分类能力的特征子集的方法。常用的特征选择算法包括相关系数法、互信息法等。相关系数法通过计算特征与预紧力之间的相关系数，来衡量特征与预紧力之间的线性相关性。相关系数的绝对值越大，说明特征与预紧力之间的线性关系越强，该特征对预紧力变化的敏感度越高。设特征向量X=[x_1,x_2,\cdots,x_n]和预紧力向量Y，则特征x_i与预紧力Y之间的相关系数r_{iY}的计算公式为：r_{iY}=\frac{\sum_{j=1}^{m}(x_{ij}-\overline{x}_i)(y_j-\overline{y})}{\sqrt{\sum_{j=1}^{m}(x_{ij}-\overline{x}_i)^2\sum_{j=1}^{m}(y_j-\overline{y})^2}}其中，m为样本数量，\overline{x}_i和\overline{y}分别为特征x_i和预紧力Y的均值。通过计算各个特征与预紧力之间的相关系数，选择相关系数绝对值较大的特征作为对预紧力变化敏感的特征。互信息法是一种基于信息论的特征选择方法，它通过计算特征与预紧力之间的互信息，来衡量特征与预紧力之间的不确定性减少程度。互信息越大，说明特征包含的关于预紧力的信息越多，该特征对预紧力变化的敏感度越高。设特征向量X和预紧力向量Y，则它们之间的互信息I(X;Y)的计算公式为：I(X;Y)=\sum_{x\inX}\sum_{y\inY}p(x,y)\log_2\frac{p(x,y)}{p(x)p(y)}其中，p(x,y)是X和Y的联合概率分布，p(x)和p(y)分别是X和Y的边缘概率分布。通过计算各个特征与五、预紧力变化识别模型建立与验证5.1机器学习模型选择在基于振动信号识别在役轻轨锚固螺杆预紧力变化的研究中，选择合适的机器学习模型至关重要。常见的机器学习模型如支持向量机、神经网络、决策树等，各自具有独特的优势和适用场景，需要根据振动信号特征和预紧力变化检测的具体要求进行细致分析和选择。支持向量机（SVM）基于统计学习理论，其核心思想是寻找一个最优分类超平面，以最大化不同类别样本之间的间隔。在处理小样本、非线性和高维度数据时，SVM表现出显著的优势。对于锚固螺杆的振动信号，其特征参数往往具有较高的维度，且预紧力变化与振动信号特征之间可能存在非线性关系。SVM通过核函数将原始数据映射到高维空间，能够有效地处理这种非线性问题，找到数据的最优分类边界，从而实现对不同预紧力状态的准确分类。SVM还具有较好的泛化能力，在小样本情况下也能保持较高的预测精度，这对于在役轻轨锚固螺杆预紧力变化检测中样本数量有限的情况尤为重要。神经网络是一种模拟人类大脑神经元结构和功能的计算模型，具有强大的非线性映射能力和自学习能力。它能够自动从大量的数据中学习特征和模式，对于复杂的非线性问题具有出色的处理能力。在锚固螺杆预紧力变化检测中，神经网络可以通过对大量不同预紧力状态下的振动信号样本进行学习，自动提取出与预紧力相关的特征，建立起振动信号特征与预紧力之间的复杂映射关系。多层感知器（MLP）通过多个隐藏层的神经元对输入数据进行非线性变换，可以学习到非常复杂的函数关系，从而实现对预紧力的准确预测。卷积神经网络（CNN）则在处理具有空间结构的数据，如振动信号的时域或频域数据时具有独特的优势，它能够自动提取数据的局部特征，减少计算量，提高模型的训练效率和预测精度。决策树是一种基于树形结构的分类和回归模型，它通过对特征进行递归划分来构建决策规则。决策树模型具有可解释性强的优点，其决策过程可以直观地展示出来，便于理解和分析。在锚固螺杆预紧力变化检测中，决策树可以根据振动信号的不同特征，如时域特征、频域特征等，逐步划分样本，建立起预紧力状态的判断规则。决策树的计算效率较高，对于大规模数据的处理具有一定的优势。决策树也存在容易过拟合的问题，尤其是在数据特征复杂的情况下，可能会导致模型的泛化能力较差。综合考虑振动信号的特点和预紧力变化检测的要求，本研究选择支持向量机作为预紧力变化识别的基础模型。这是因为锚固螺杆的振动信号具有高维度、非线性的特点，且在实际检测中获取的样本数量相对有限，而支持向量机在处理这类数据时具有明显的优势，能够在小样本情况下实现高精度的分类和预测，更适合于在役轻轨锚固螺杆预紧力变化检测的实际需求。5.2模型训练与参数优化在选定支持向量机作为预紧力变化识别模型后，利用采集到的振动信号数据对其进行训练，并采用一系列方法对模型参数进行优化，以提高模型的准确性和泛化能力。将采集到的振动信号数据按照一定的比例划分为训练集和测试集，通常训练集占比70%-80%，测试集占比20%-30%。以确保训练集能够充分代表数据的特征，同时为测试模型的泛化能力提供足够的样本。使用训练集数据对支持向量机模型进行训练，在训练过程中，模型会根据输入的振动信号特征参数和对应的预紧力状态标签，不断调整模型的参数，以最小化预测结果与实际预紧力状态之间的误差。为了评估模型的性能，采用交叉验证的方法。常见的交叉验证方法有K折交叉验证，即将训练集数据随机划分为K个互不相交的子集，每次选择其中K-1个子集作为训练集，剩下的1个子集作为验证集，重复K次，得到K个模型的性能评估结果，最后将这些结果取平均值作为模型的性能指标。通过交叉验证，可以更全面地评估模型在不同数据子集上的表现，避免因数据划分的随机性导致的评估偏差，从而更准确地了解模型的泛化能力。为了进一步提高模型的性能，运用网格搜索算法对支持向量机的参数进行优化。支持向量机的主要参数包括核函数类型（如线性核、多项式核、径向基核等）、惩罚参数C和核函数参数（如径向基核函数的参数γ）等。网格搜索算法通过在预先设定的参数空间中遍历所有可能的参数组合，对每个参数组合进行交叉验证，选择性能最优的参数组合作为最终的模型参数。例如，对于惩罚参数C，可以在[0.1,1,10,100]等一系列值中进行搜索，对于径向基核函数的参数γ，可以在[0.01,0.1,1,10]等范围内进行搜索，通过比较不同参数组合下模型在交叉验证中的准确率、召回率、F1值等性能指标，确定最优的参数设置。除了网格搜索算法，还可以采用遗传算法等优化算法对模型参数进行优化。遗传算法是一种模拟生物进化过程的优化算法，它通过模拟自然选择、交叉和变异等操作，在参数空间中搜索最优解。遗传算法将模型的参数编码为染色体，通过对染色体进行选择、交叉和变异等操作，不断生成新的参数组合，并根据模型在训练集上的性能表现对染色体进行评估和筛选，逐渐进化出性能最优的参数组合。与网格搜索算法相比，遗传算法具有更强的全局搜索能力，能够在更广泛的参数空间中找到最优解，尤其适用于参数空间复杂、搜索范围较大的情况。通过将遗传算法与支持向量机相结合，可以进一步提高模型参数的优化效果，提升模型的性能。5.3模型验证与性能评估在完成支持向量机模型的训练和参数优化后，使用测试数据集对模型进行验证，以评估模型的性能，并分析模型的误差来源，提出改进措施，提高模型的可靠性。将测试集数据输入到训练好的支持向量机模型中，模型会输出对锚固螺杆预紧力状态的预测结果。通过将预测结果与测试集数据中实际的预紧力状态进行对比，计算模型的性能指标，常用的性能指标包括准确率、召回率、F1值等。准确率是指模型预测正确的样本数占总样本数的比例，它反映了模型的整体预测准确性。召回率是指实际为正样本且被模型正确预测为正样本的样本数占实际正样本数的比例，它衡量了模型对正样本的识别能力。F1值则是综合考虑准确率和召回率的一个指标，它能够更全面地评估模型的性能，F1值越高，说明模型在准确率和召回率方面都表现较好。假设测试集中共有100个样本，其中实际预紧力正常的样本有80个，预紧力异常的样本有20个。模型预测结果中，正确预测预紧力正常的样本有70个，正确预测预紧力异常的样本有15个。则准确率为(70+15)/100=85%，召回率对于预紧力正常样本为70/80=87.5%，对于预紧力异常样本为15/20=75%，F1值可以根据公式计算得到。通过对模型预测结果的分析，深入探究模型的误差来源。可能的误差来源包括振动信号采集过程中的噪声干扰、特征提取方法的局限性以及模型本身的局限性等。尽管在信号采集过程中采取了滤波去噪等措施，但仍可能存在一些噪声无法完全去除，这些噪声会影响振动信号的特征，导致模型的预测误差。特征提取方法可能无法完全准确地提取出与预紧力变化相关的特征，从而影响模型的识别能力。支持向量机模型虽然在处理非线性问题上具有优势，但对于一些复杂的振动信号特征和预紧力变化关系，可能无法完全准确地建模。针对模型的误差来源，提出相应的改进措施。在信号采集方面，进一步优化传感器的安装位置和信号传输方式，减少噪声干扰；在信号处理和特征提取方面，探索更有效的特征提取方法，结合多种特征提取技术，提高特征的准确性和有效性；在模型改进方面，可以尝试将支持向量机与其他机器学习算法相结合，或者采用集成学习的方法，如随机森林、Adaboost等，通过组合多个模型的预测结果，提高模型的可靠性和泛化能力。通过不断地分析模型的误差来源并采取改进措施，可以逐步提高预紧力变化识别模型的性能，为在役轻轨锚固螺杆预紧力变化检测提供更可靠的技术支持。六、实际应用案例分析6.1应用场景与实施过程为了验证基于振动信号识别的在役轻轨锚固螺杆预紧力变化检测技术的实际可行性和有效性，选择了某城市的一段运营中的轻轨线路作为应用场景。该轻轨线路建成投入使用已有数年，日常运营繁忙，锚固螺杆长期承受轻轨运行带来的振动、冲击以及环境因素的影响，具备典型的实际应用条件。在振动信号采集系统安装过程中，严格按照前期设计方案进行操作。根据锚固螺杆的结构特点和现场检测环境，在每个锚固螺杆靠近螺母的一端合适位置安装加速度传感器，确保传感器能够准确捕捉到螺杆的振动信号。采用专用的传感器安装夹具，将传感器牢固地固定在螺杆上，保证传感器与螺杆紧密接触，减少信号传输损耗。在轻轨线路的关键部位，如弯道、道岔等附近的锚固螺杆上，加密布置传感器，以重点监测这些区域锚固螺杆的受力和预紧力变化情况。激振装置安装在便于操作且能够对锚固螺杆产生有效激励的位置。基于气动冲击技术的激振装置通过调整储气罐的压力和电磁阀的开闭时间，实现对激振力大小和激振频率的精确控制。在实际应用中，根据锚固螺杆的尺寸、材质以及现场环境等因素，预先设置好激振参数，确保每次激振都能使锚固螺杆产生稳定、可检测的振动信号。信号调理电路和数据采集设备安装在轻轨线路旁的设备箱内，通过屏蔽电缆与传感器和激振装置连接。信号调理电路对传感器采集到的微弱振动信号进行放大、滤波处理，去除噪声干扰，提高信号质量。数据采集设备按照预设的采样频率和采样时长，对调理后的信号进行高速、高精度采集，并通过有线网络将采集到的数据实时传输至上位机。上位机软件实时接收和存储采集到的振动信号数据，并对数据进行初步的分析和处理。操作人员可以通过上位机软件实时查看振动信号的时域波形和频域频谱，了解锚固螺杆的振动状态。定期对采集系统进行检查和维护，确保系统的正常运行。预紧力变化检测的实施过程按照以下步骤进行：首先，在轻轨运营的间隙时间，启动激振装置对锚固螺杆进行激励，同时通过传感器采集振动信号。采集过程中，密切关注信号的质量和稳定性，确保采集到的数据准确可靠。然后，将采集到的原始振动信号传输至上位机，利用前期开发的数据分析与处理软件进行预处理，包括滤波去噪、零均值化处理等，去除信号中的噪声和干扰，提高信号的可分析性。接着，从预处理后的振动信号中提取时域、频域和时频域特征参数，如均值、方差、频谱、小波系数等。最后，将提取的特征参数输入到训练好的支持向量机预紧力变化识别模型中，模型根据特征参数判断锚固螺杆的预紧力是否发生变化，并输出预紧力状态的预测结果。6.2检测结果与分析经过一段时间的实际监测，获取了大量的锚固螺杆振动信号数据和预紧力变化检测结果。对这些检测结果进行详细分析，以评估基于振动信号识别的预紧力变化检测技术的准确性和可靠性。以某一特定锚固螺杆为例，展示其振动信号数据和预紧力变化检测结果。在某一时刻采集到的振动信号时域波形如图6-1所示：从时域波形中可以初步观察到信号的波动情况，但难以直接判断预紧力是否发生变化。经过傅里叶变换得到的频域频谱如图6-2所示：频域频谱显示了信号中不同频率成分的分布情况，通过与正常预紧力状态下的频谱进行对比，可以发现某些频率成分的幅值发生了变化。进一步采用小波分析对振动信号进行时频域分析，得到的小波变换时频谱图如图6-3所示：从时频谱图中可以更清晰地观察到信号在不同时间和频率上的能量分布变化，这些变化与锚固螺杆的预紧力状态密切相关。将采集到的振动信号特征参数输入到支持向量机预紧力变化识别模型中，得到该锚固螺杆的预紧力状态预测结果。与实际的预紧力测量值进行对比，发现模型预测结果与实际情况基本相符，验证了模型的准确性。对多个锚固螺杆的检测结果进行统计分析，得到不同锚固螺杆的预紧力变化情况，如表6-1所示：锚固螺杆编号预紧力初始值(N・m)预紧力当前值(N・m)预紧力变化率(%)是否异常1500480-4是25005051否3500460-8是45005102否5500470-6是从表中可以看出，部分锚固螺杆的预紧力发生了明显变化，其中编号为1、3、5的锚固螺杆预紧力变化率超过了设定的阈值，被判断为预紧力异常。通过对这些预紧力变化较大的螺杆进行进一步检查和分析，发现它们所在的位置大多处于轻轨线路的弯道或道岔附近，这些区域的锚固螺杆承受的振动和冲击力较大，更容易导致预紧力的变化。这与实际工程经验相符，进一步证明了基于振动信号识别的预紧力变化检测技术能够准确地检测出锚固螺杆预紧力的变化情况，为轻轨的维护决策提供了可靠的依据。6.3应用效果与经济效益评估基于振动信号识别的预紧力变化检测技术在实际应用中取得了显著的效果，为轻轨的安全运行和维护管理带来了多方面的积极影响。在检测效率方面，传统的锚固螺杆预紧力检测方法通常需要人工逐个对螺杆进行检测，检测过程繁琐且耗时较长。而基于振动信号识别的检测技术实现了自动化、实时在线监测，能够同时对多个锚固螺杆进行检测，大大提高了检测效率。在实际应用场景中，一次检测可以覆盖数百个锚固螺杆，检测时间仅需数小时，相比传统方法，检测效率提高了数倍甚至数十倍，极大地节省了检测时间和人力成本。在保障轻轨安全运行方面，该技术能够及时发现锚固螺杆预紧力的变化情况，提前预警潜在的安全隐患。通过对大量锚固螺杆的实时监测，能够快速定位预紧力异常的螺杆，及时采取紧固或更换等维护措施，避免因预紧力不足导致的轨道梁松动、变形等问题，有效降低了轻轨运行过程中的安全风险，保障了轻轨的安全稳定运行。从经济效益角度分析，该技术带来了明显的经济效益。由于能够及时发现预紧力变化并进行维护，减少了设备因预紧力问题导致的损坏和维修次数，降低了设备维修费用。传统检测方法可能无法及时发现预紧力问题，导致锚固螺杆松动进一步加剧，最终可能需要更换整个轨道梁或相关部件，维修成本高昂。而基于振动信号识别的检测技术能够在问题初期就进行干预，避免了故障的进一步扩大，从而节省了大量的维修费用。该技术的应用还避免了因轻轨事故导致的停运损失、人员伤亡赔偿以及社会影响等间接损失。轻轨一旦发生事故，不仅会造成直接的经济损失，还会对城市交通和社会秩序产生严重影响，带来巨大的间接损失。通过应用该检测技术，有效预防了事故的发生，避免了这些潜在的间接损失，为轻轨运营企业带来了显著的经济效益和社会效益。七、结论与展望7.1研究成果总结本研究围绕基于振动信号识别的在役轻轨锚固螺杆预紧力变化检测展开，取得了一系列具有重要理论和实践价值的成果。设计了一套适用于在役轻轨锚固螺杆的高性能振动信号采集系统。根据锚固螺杆的结构特点和现场检测环境，选用了灵敏度高、频率响应宽的加速度传感器，并确定了合理的安装位置和方法，确保能够准确采集到反映锚固螺杆状态的振动信号。设计了基于气动冲击技术的激振装置，通过控制压缩空气的冲击实现对锚固螺杆的有效激励，且激振力大小和频率可调节，满足不同检测需求。开发了信号调理电路和数据采集软件，实现了对振动信号的放大、滤波、模数转换和实时采集存储，为后续的信号处理和分析提供了可靠的数据基础。在信号处理与特征提取方面，采用低通滤波和带通滤波相结合的方式对振动信号进行预处理，有效去除了噪声和干扰，提高了信号质量。对振动信号进行零均值化处理，消除了直流分量的影响，使信号更能准确反映锚固螺杆的振动特性。从时域、频域和时频域三个角度提取了振动信号的特征参数，在时域中，提取了均值、方差、峰峰值等特征，这些特征能够直观地反映信号的幅值变化和波动情况；在频域中，通过傅里叶变换得到频谱和功率谱等特征，分析了信号的频率成分和能量分布；在时频域中，采用小波变换和短时傅里叶变换等方法，提取了小波系数、时频谱等特征，能够更全面地反映信号在时间和频率上的变化情况。通过对大量不同预紧力状态下的振动信号进行分析，揭示了这些特征参数与预紧力之间的内在关系。基于提取的特征参数，选择支持向量机作为预紧力变化识别模型，并利用采集到的振动信号数据对其进行训练和参数优化。采用交叉验证和网格搜索算法等方法，提高了模型的准确性和泛化能力。通过对测试集数据的验证，模型能够准确地识别锚固螺杆的预紧力变化情况，准确率达到了[具体准确率数值]，召回率达到了[具体召回率数值]，F1值达到了[具体F1值数值]，有效验证了模型的可靠性和有效性。将研究成果应用于实际的在役轻轨锚固螺杆预紧力检测中，在某城市运营中的轻轨线路上进行了长期监测实验。通过对实际检测结果的分析，发现该技术能够及时准确地检测出锚固螺杆预紧力的