基于改进Wigner - Ville时频分析的城轨列车车轮不圆检测技术的深度探索与实践

基于改进Wigner-Ville时频分析的城轨列车车轮不圆检测技术的深度探索与实践一、引言1.1研究背景与意义随着城市化进程的加速，城市轨道交通作为一种高效、便捷、环保的公共交通方式，在各大城市得到了广泛的发展和应用。城轨列车作为城市轨道交通的核心运载工具，其运行的安全性和可靠性直接关系到广大乘客的生命财产安全以及城市交通系统的正常运转。车轮作为城轨列车与轨道直接接触的关键部件，在列车运行过程中承受着巨大的载荷和复杂的作用力。车轮的技术状态对列车的运行性能有着至关重要的影响，而车轮不圆是车轮常见的故障形式之一。车轮不圆指的是车轮在圆周方向上的形状偏离理想的圆形，这种偏差会导致车轮与轨道之间的接触力发生周期性变化，进而引发一系列严重的问题。从安全性角度来看，车轮不圆会使列车运行时产生异常振动和噪声。当车轮不圆度达到一定程度时，振动和噪声的强度会显著增加，这不仅会影响乘客的乘坐舒适性，更重要的是，强烈的振动可能会导致列车零部件的疲劳损伤加剧，降低零部件的使用寿命，甚至引发零部件的突然失效，从而增加列车脱轨等重大安全事故的发生风险。例如，在一些实际案例中，由于车轮不圆引发的异常振动，导致了列车转向架部件的松动和损坏，对列车的运行安全构成了严重威胁。在列车运行效率方面，车轮不圆会增大车轮与轨道之间的滚动阻力。根据相关研究和实际运营数据统计，车轮不圆度每增加一定比例，滚动阻力会相应增加，这就意味着列车需要消耗更多的能量来维持运行，从而导致能耗上升。能耗的增加不仅会提高运营成本，还会对环境造成更大的压力。此外，滚动阻力的增大还可能会影响列车的运行速度和加速度，降低列车的运行效率，影响城市轨道交通系统的整体运输能力。在这样的背景下，实现对城轨列车车轮不圆的准确、高效检测显得尤为重要。传统的车轮不圆检测方法存在着诸多局限性，例如检测精度低、检测效率不高、无法实现实时在线检测等，难以满足现代城市轨道交通快速发展的需求。因此，寻找一种更加先进、有效的车轮不圆检测方法成为了该领域的研究热点。Wigner-Ville时频分析作为一种经典的时频分析方法，能够同时提供信号在时间和频率域上的信息，在信号处理领域得到了广泛的应用。然而，传统的Wigner-Ville时频分析方法也存在一些问题，如交叉项干扰严重，这会影响时频分布的清晰度和准确性，从而降低对车轮不圆故障特征的提取能力。为了克服这些问题，对Wigner-Ville时频分析方法进行改进，并将其应用于城轨列车车轮不圆检测具有重要的研究意义和实际应用价值。改进的Wigner-Ville时频分析方法能够更准确地提取车轮不圆故障产生的振动信号的时频特征。通过对这些特征的深入分析，可以实现对车轮不圆故障的早期发现和精准诊断，为列车的维修和保养提供科学依据，从而有效保障列车的运行安全，降低安全事故的发生率。同时，准确的检测结果有助于及时采取相应的措施，如对不圆车轮进行修复或更换，避免车轮不圆问题进一步恶化，从而降低列车的能耗，提高运行效率，减少运营成本。此外，该研究成果还可以为城市轨道交通车辆的设计和制造提供参考，推动行业技术的进步和发展。1.2国内外研究现状车轮不圆检测技术一直是轨道交通领域的研究重点，国内外众多学者和研究机构围绕该技术展开了大量的研究工作，取得了一系列的研究成果。下面将从传统检测方法、现有检测方法以及改进的Wigner-Ville时频分析方法在车轮不圆检测中的研究现状三个方面进行阐述。在传统的车轮不圆检测方法中，接触式测量是较为常见的手段。例如，使用卡尺、千分尺等简单量具直接测量车轮的直径或周长，通过比较不同位置的测量值来判断车轮是否存在不圆度。这种方法操作相对简单，但检测效率极低，且受人为因素影响较大，测量精度难以保证，无法满足现代城轨列车快速检测的需求。此外，还有基于机械式轮廓仪的检测方法，它通过触头与车轮踏面接触，记录触头的位移变化来获取车轮的轮廓信息，进而计算出车轮不圆度。虽然这种方法的精度相较于简单量具测量有所提高，但仍然存在接触式测量的固有缺点，如触头磨损、测量速度慢等，而且在实际应用中，对于正在运行的列车无法进行实时在线检测。随着技术的不断发展，涌现出了许多新的车轮不圆检测方法。其中，基于激光测量技术的检测方法得到了广泛的应用和研究。南京拓控信息科技股份有限公司取得的“一种基于三维信息的列车车轮不圆度检测方法”专利，采用先进的检测算法，结合高精度传感器和实时数据处理技术，通过扫描获取车轮的三维数据，快速生成车轮的几何模型，并自动判断其是否符合标准。这种方法具有高精度、非接触、检测速度快等优点，能够实现对车轮不圆度的快速、准确检测。然而，激光测量系统的设备成本较高，对安装和维护的要求也较为严格，在一定程度上限制了其大规模应用。基于振动信号分析的检测方法也是当前研究的热点之一。该方法通过在列车轴箱、钢轨等部位安装传感器，采集列车运行时的振动信号，然后对信号进行分析处理，提取与车轮不圆相关的特征信息，从而判断车轮是否存在不圆故障以及不圆度的大小。刘家家、陈洪轩等人提出了一种基于钢轨振动加速度的车轮失圆在线检测方法，通过测量列车通过时的钢轨垂向振动加速度，并对振动信号进行分析处理，判断车轮是否存在失圆。这种方法能够实现实时在线检测，对列车的运行状态影响较小，但振动信号容易受到多种因素的干扰，如列车运行速度、轨道不平顺、轮轨接触状态等，导致信号特征提取困难，影响检测的准确性。Wigner-Ville时频分析方法作为一种经典的时频分析方法，在信号处理领域具有重要的地位。其基本思想是将信号分解成一系列瞬时频率的正弦波，然后对每个瞬时频率进行傅里叶变换，得到时频分布图。该方法能够提供高分辨率的时频信息，在车轮不圆检测中具有潜在的应用价值。然而，传统的Wigner-Ville时频分析方法存在交叉项干扰严重的问题，当分析多分量信号时，交叉项会在时频平面上产生虚假的频率成分，干扰对真实信号特征的识别，降低时频分布的清晰度和准确性。这使得在车轮不圆检测中，难以准确提取故障特征频率和对应的时间信息，影响了检测的精度和可靠性。针对Wigner-Ville时频分析方法的交叉项问题，国内外学者进行了大量的改进研究。一些学者采用加窗函数的方法来抑制交叉项，通过选择合适的窗函数对信号进行加权处理，减少交叉项的影响。然而，这种方法在抑制交叉项的同时，也会降低时频分辨率，导致对一些微弱故障特征的检测能力下降。还有学者提出了基于多项式相位函数的改进方法，通过对信号的多项式相位进行估计和补偿，来减少交叉项干扰。但该方法对信号模型的依赖性较强，当信号模型与实际情况不符时，改进效果不理想。在车轮不圆检测的实际应用中，这些改进方法虽然在一定程度上改善了Wigner-Ville时频分析的性能，但仍然存在一些不足之处，如对复杂工况下的信号适应性较差、检测精度仍有待提高等。1.3研究目标与创新点本研究旨在针对城轨列车车轮不圆检测这一关键问题，深入探究并改进Wigner-Ville时频分析方法，构建一种高效、准确的车轮不圆检测方案，以满足现代城市轨道交通对列车运行安全性和可靠性的严格要求。具体研究目标如下：改进Wigner-Ville时频分析方法：深入剖析传统Wigner-Ville时频分析方法中交叉项干扰的产生机制，通过理论推导和仿真分析，探索有效的抑制策略。结合自适应滤波、信号分解等技术，对传统方法进行改进，开发出一种能够在复杂噪声环境下，有效抑制交叉项干扰，同时保持高时频分辨率的新型Wigner-Ville时频分析算法。构建车轮不圆检测模型：基于改进后的Wigner-Ville时频分析方法，结合城轨列车车轮不圆故障的振动信号特征，建立专门的车轮不圆检测模型。通过对大量实际运行数据和模拟实验数据的分析，确定模型的关键参数和特征指标，实现对车轮不圆故障的精准识别和不圆度的准确量化评估。实验验证与应用推广：搭建模拟实验平台，对改进的时频分析方法和检测模型进行全面的实验验证。通过模拟不同工况下的车轮不圆故障，对比分析改进方法与传统方法的检测性能，验证改进方法的有效性和优越性。在此基础上，将研究成果应用于实际的城轨列车车轮检测系统中，进行现场测试和应用推广，为城市轨道交通的安全运营提供技术支持。本研究在以下几个方面具有创新性：时频分析方法创新：提出一种全新的改进策略，将自适应滤波技术与基于多项式相位函数的信号分解方法相结合，从多个角度对传统Wigner-Ville时频分析方法进行改进。这种创新的组合方式能够更加有效地抑制交叉项干扰，相比于传统的单一改进方法，在时频分辨率和抗干扰能力上有显著提升，为车轮不圆故障特征的准确提取提供了更有力的工具。多源信息融合创新：在车轮不圆检测模型构建过程中，创新性地融合了车轮振动信号、列车运行状态信息以及轨道几何参数等多源数据。通过数据融合算法，充分挖掘不同数据源之间的潜在关联，提高检测模型的准确性和鲁棒性。这种多源信息融合的检测方法能够更全面地反映车轮的实际运行状态，有效降低单一信号源带来的不确定性和误判风险。检测精度与实时性创新：通过优化算法结构和参数选择，提高了检测模型的计算效率，实现了对车轮不圆故障的实时在线检测。同时，利用深度学习中的注意力机制，对振动信号中的关键特征进行聚焦和强化，进一步提升了检测精度。在实际应用中，能够在列车运行过程中及时准确地检测出车轮不圆故障，为列车的安全运行提供了更可靠的保障。二、相关理论基础2.1城轨列车车轮不圆的危害与表现车轮作为城轨列车运行的关键部件，其圆度状态直接关系到列车的运行安全、平稳性以及相关部件的使用寿命。当车轮出现不圆情况时，会引发一系列严重的危害。从运行安全角度来看，车轮不圆会导致列车运行时产生异常振动。由于车轮不圆，车轮与轨道之间的接触力不再均匀，在车轮滚动过程中，会产生周期性的冲击力。这种冲击力会通过轮对、转向架传递到车体，引起车体的振动。当振动幅度超过一定限度时，会影响列车的运行稳定性，增加列车脱轨的风险。例如，当车轮不圆度达到一定程度，在列车高速运行时，可能会使轮轨之间的横向力急剧增大，导致车轮偏离轨道，进而引发脱轨事故，严重威胁乘客的生命安全。车轮不圆还会对列车的平稳性产生负面影响。在正常运行情况下，车轮与轨道之间的接触是相对平稳的，列车能够保持较为稳定的运行状态。然而，当车轮不圆时，车轮与轨道之间的接触状态发生变化，会导致列车在运行过程中出现颠簸、摇晃等现象。这不仅会降低乘客的乘坐舒适度，还可能使乘客在列车内站立不稳，增加摔倒受伤的风险。对于一些对平稳性要求较高的特殊列车，如地铁中的贵宾车厢或用于运输精密仪器的列车，车轮不圆带来的平稳性问题可能会导致无法满足使用要求。车轮不圆对列车部件的使用寿命也有着显著的影响。车轮与轨道之间的异常接触力会使车轮和轨道的磨损加剧。车轮不圆会导致局部磨损集中，使车轮踏面出现不均匀磨损，缩短车轮的使用寿命。同时，轨道也会因为受到不均匀的冲击力而加速磨损，需要更频繁地进行维护和更换，增加了运营成本。车轮不圆产生的振动和冲击力还会传递到列车的其他部件，如转向架的悬挂系统、轴箱轴承等，使这些部件承受额外的载荷，加速部件的疲劳损伤，降低部件的可靠性，需要提前进行维修或更换。车轮不圆在表现形式上主要体现为车轮踏面的几何形状偏离理想圆形。从宏观角度看，车轮不圆可能呈现为椭圆状，即车轮在长轴和短轴方向上的直径存在差异。这种椭圆形状的不圆会导致车轮在滚动时，与轨道的接触点不断变化，产生周期性的冲击和振动。车轮不圆还可能表现为多边形，即车轮的圆周上存在多个凸起和凹陷，形成类似多边形的轮廓。多边形的车轮不圆会使车轮与轨道之间的接触更加复杂，产生的振动和噪声也更为明显。从微观角度分析，车轮不圆可能表现为踏面的局部擦伤、剥离等缺陷。车轮踏面擦伤通常是由于制动过程中车轮与闸瓦之间的异常摩擦导致的，擦伤部位会形成一个平面或凹坑，当车轮滚动到擦伤部位时，会与轨道产生强烈的冲击。车轮踏面剥离则是由于车轮材料的疲劳损伤，导致踏面表层材料脱落，形成小块的剥落区域。这些微观的不圆缺陷虽然在尺寸上相对较小，但同样会对轮轨接触状态产生影响，引发振动和噪声，加速部件的磨损。车轮不圆的产生原因是多方面的。在车轮的制造过程中，由于加工工艺的限制或制造设备的精度不足，可能会导致车轮在初始状态下就存在一定程度的不圆度。例如，在车轮的锻造或铸造过程中，如果模具的精度不够，或者在加工过程中切削刀具的磨损不均匀，都可能使车轮的几何形状出现偏差。在车轮的安装过程中，如果安装工艺不规范，如车轮与车轴的装配精度不符合要求，导致车轮中心与车轴中心不重合，也会造成车轮偏心，从而形成不圆。在列车的运行过程中，多种因素也会促使车轮不圆的产生和发展。轮轨之间的摩擦是导致车轮磨损进而引发不圆的重要原因之一。列车在运行时，车轮与轨道之间存在着复杂的摩擦力，包括滚动摩擦力、滑动摩擦力和蠕滑摩擦力等。当列车通过弯道时，车轮与轨道之间的横向力会使车轮的一侧磨损加剧；在制动过程中，车轮与闸瓦之间的摩擦会使车轮踏面局部温度升高，导致材料性能发生变化，进而引起磨损不均匀。如果列车的制动系统出现故障，如制动力不均匀或制动抱死，会使车轮在短时间内受到过大的摩擦力，造成车轮踏面擦伤，加速车轮不圆的发展。列车的运行工况也会对车轮不圆产生影响，如列车频繁启动、制动、高速行驶以及在不平顺轨道上运行等，都会增加车轮所承受的载荷和冲击力，加速车轮的磨损和变形，导致车轮不圆度增大。2.2时频分析基本理论时频分析作为现代信号处理领域中的关键技术，旨在同时揭示信号在时间和频率两个维度上的特征信息。在传统的信号分析方法中，时域分析主要关注信号随时间的变化规律，如信号的幅值、相位、周期等时域特征，通过观察信号的时域波形，可以直观地了解信号的瞬时变化情况。然而，时域分析无法直接获取信号的频率组成信息。频域分析则将信号从时域转换到频域，通过傅里叶变换等方法，将信号分解为不同频率的正弦波或余弦波的叠加，从而得到信号的频谱特性，如信号的频率成分、幅值谱、相位谱等。频域分析能够清晰地展示信号在不同频率上的能量分布情况，但它将信号看作是由一系列稳态的频率成分组成，忽略了信号频率随时间的变化信息。在实际应用中，许多信号，如城轨列车运行时车轮产生的振动信号，其频率成分是随时间不断变化的，属于非平稳信号。对于这类非平稳信号，单纯的时域分析或频域分析都无法全面、准确地描述其特征。时频分析方法应运而生，它通过构建时间和频率的联合函数，即所谓的时频分布，来描述信号在不同时刻的频率特性及其变化情况，能够在同一个二维平面上同时呈现信号的时域和频域信息，为分析非平稳信号提供了有力的工具。常见的时频分析方法有多种，每种方法都有其独特的原理和特点。短时傅里叶变换（Short-TimeFourierTransform，STFT）是一种较为基础的时频分析方法，它基于傅里叶变换的思想，通过在信号上滑动一个时间窗口，将信号划分为多个短时段，然后对每个短时段内的信号进行傅里叶变换，从而得到信号在各个时间段的频谱特性。其核心原理是利用窗函数对信号进行加窗处理，将非平稳信号转化为局部平稳信号，进而实现时频分析。STFT的优点在于计算相对简单，能够提供信号在时间和频率上的局部信息，在一定程度上反映信号的时变特性。然而，它也存在明显的局限性，由于采用的是固定的窗函数，其时频分辨率是固定不变的，一旦窗函数确定，时间分辨率和频率分辨率就不能同时兼顾。根据海森堡测不准原理，在使用短窗口时，时间分辨率较高，但频率分辨率较低，适用于分析高频信号；而使用长窗口时，频率分辨率较高，但时间分辨率较低，适用于分析低频信号。在处理频率变化范围较大的非平稳信号时，STFT难以在整个频率范围内都保持良好的分辨率，可能会丢失部分重要的信号特征。小波变换（WaveletTransform，WT）是一种局部时频分析方法，它通过使用一组不同尺度和位置的小波基函数对信号进行分解。小波基函数具有良好的局部化特性，能够根据信号的局部特征自动调整时频分辨率。在低频段，小波变换采用较大的尺度，此时频率分辨率较高，能够准确地分析信号的低频成分；在高频段，采用较小的尺度，时间分辨率较高，适合分析信号的高频突变部分。这种多尺度分析的特性使得小波变换在处理非平稳信号时具有很强的自适应性，能够有效地捕捉信号在不同时间尺度上的特征。小波变换不存在交叉项干扰问题，这使得时频分析结果更加清晰、易于解释。小波变换的计算复杂度相对较高，且小波基函数的选择对分析结果有较大影响，不同的小波基函数适用于不同类型的信号，需要根据具体问题进行合理选择。Wigner-Ville分布（Wigner-VilleDistribution，WVD）是一种经典的时频分析方法，它属于双线性时频分布。WVD的基本思想是通过计算信号的瞬时自相关函数，得到信号在时频域上的信息。与其他时频分析方法相比，WVD在时间和频率上都具有较高的分辨率，能够精确地表示信号中瞬时频率的变化情况，对非平稳信号具有良好的适应性。然而，WVD存在一个严重的问题，即交叉项干扰。当分析多分量信号时，不同信号分量之间会在时频平面上产生交叉项，这些交叉项表现为虚假的频率成分，会干扰对真实信号特征的识别，使时频分布变得复杂且难以解释。交叉项的存在严重影响了WVD在实际应用中的效果，尤其是在处理复杂信号时，可能会导致对信号特征的误判。除了上述几种常见的时频分析方法外，还有许多其他的时频分析方法，如广义S变换、希尔伯特黄变换等，它们各自在时频分辨率、抗干扰能力、计算复杂度等方面具有不同的特点和优势，在不同的应用领域中发挥着重要作用。在选择时频分析方法时，需要根据具体的信号特性、分析目的以及实际应用场景等因素综合考虑，选择最适合的方法，以实现对信号的准确分析和处理。2.3Wigner-Ville时频分析原理Wigner-Ville分布（Wigner-VilleDistribution，WVD）作为一种经典的时频分析方法，在信号处理领域具有重要地位。它的基本思想是通过计算信号的瞬时自相关函数，来获得信号在时频域上的详细信息，进而将信号在时间和频率两个维度上进行全面分析，以二维图像的形式直观地反映信号在不同瞬时的频率和幅度分布情况。从数学定义角度来看，对于一个实值信号x(t)，其Wigner-Ville分布的数学表达式为：W(t,f)=\int_{-\infty}^{\infty}x(\tau)x^*(\tau-t)e^{-2\pijf\tau}d\tau其中，x^*(t)表示x(t)的共轭复数，f代表频率，t为时间，j是虚数单位。在这个表达式中，x(\tau)x^*(\tau-t)计算的是信号在不同时刻的瞬时自相关函数，它体现了信号在时间上的相关性；而e^{-2\pijf\tau}则是对瞬时自相关函数进行傅里叶变换的核函数，通过对瞬时自相关函数在时间轴上进行积分运算，将信号从时域映射到时频域，从而得到信号在不同时间点和频率点上的能量分布情况。Wigner-Ville分布在时频分析方面具有独特的优势。它在时间和频率上都具备较高的分辨率，这使得它能够精确地描述信号中瞬时频率的变化情况，对非平稳信号具有良好的适应性。在分析城轨列车车轮不圆产生的振动信号时，由于车轮不圆导致的振动信号频率是随时间不断变化的，属于典型的非平稳信号。Wigner-Ville分布能够清晰地展示出这些频率随时间的变化规律，准确捕捉到与车轮不圆相关的特征频率以及这些频率出现的时间点。例如，当车轮存在不圆故障时，振动信号中会出现特定的周期性频率成分，Wigner-Ville分布可以在时频图上精确地定位这些频率成分在时间轴上的位置，以及它们随时间的变化趋势，为故障诊断提供了丰富的信息。然而，Wigner-Ville分布也存在一个严重的缺陷，即交叉项干扰问题。当分析多分量信号时，不同信号分量之间会在时频平面上产生交叉项。这些交叉项表现为虚假的频率成分，它们会在时频图上形成一些干扰条纹，干扰对真实信号特征的识别，使得时频分布变得复杂且难以解释。在车轮不圆检测中，车轮振动信号往往包含多个频率成分，除了与车轮不圆直接相关的频率成分外，还可能受到其他因素如列车运行速度变化、轨道不平顺等产生的干扰频率成分的影响。这些不同频率成分之间产生的交叉项会在时频图上形成杂乱的干扰图案，掩盖真实的车轮不圆故障特征频率，导致难以准确提取故障特征频率和对应的时间信息，从而影响了检测的精度和可靠性。交叉项的存在还会使时频分布的能量分布变得模糊，难以准确判断信号的主要频率成分和能量集中区域，增加了对车轮不圆故障诊断的难度。三、改进的Wigner-Ville时频分析方法3.1传统Wigner-Ville分布的局限性分析传统的Wigner-Ville分布（WVD）虽然在时频分析领域具有重要地位，能够提供高分辨率的时频信息，对非平稳信号具有良好的适应性，然而其自身存在的局限性严重制约了它在实际应用中的效果，尤其是在城轨列车车轮不圆检测这种对信号分析精度要求极高的场景下。交叉项干扰是传统WVD最为突出的问题。当分析多分量信号时，不同信号分量之间会在时频平面上产生交叉项。以城轨列车车轮振动信号为例，其往往包含多个频率成分，除了与车轮不圆直接相关的频率成分外，还可能受到列车运行速度变化、轨道不平顺、轮轨接触状态变化等因素产生的干扰频率成分的影响。这些不同频率成分之间产生的交叉项会在时频图上形成杂乱的干扰图案，如图1所示，真实的车轮不圆故障特征频率被掩盖，导致难以准确提取故障特征频率和对应的时间信息。从数学原理角度深入剖析，对于一个由多个单分量信号x_i(t)（i=1,2,\cdots,n）组成的多分量信号x(t)=\sum_{i=1}^{n}x_i(t)，其Wigner-Ville分布为：W(t,f)=\int_{-\infty}^{\infty}x(\tau)x^*(\tau-t)e^{-2\pijf\tau}d\tau=\sum_{i=1}^{n}\sum_{j=1}^{n}\int_{-\infty}^{\infty}x_i(\tau)x_j^*(\tau-t)e^{-2\pijf\tau}d\tau其中，当i\neqj时，\int_{-\infty}^{\infty}x_i(\tau)x_j^*(\tau-t)e^{-2\pijf\tau}d\tau这一项即为交叉项。可以看出，交叉项的产生是由于不同信号分量之间的相互作用，且随着信号分量数量的增加，交叉项的数量会以平方级增长，使得时频分布变得极为复杂。在车轮不圆检测中，这些交叉项会干扰对车轮不圆故障特征的判断，导致误判或漏判的发生。例如，在某些情况下，交叉项产生的虚假频率成分可能会被误判为车轮不圆的故障特征频率，从而误导维修人员进行不必要的维修工作；而在另一些情况下，真实的故障特征频率可能被交叉项掩盖，导致无法及时发现车轮不圆故障，增加列车运行的安全隐患。负频率问题也是传统WVD的一个重要局限性。在实际物理意义中，频率是不存在负值的，但在WVD的数学计算过程中，由于其定义和计算方式的原因，会出现负频率成分。这是因为在计算WVD时，采用了信号的解析信号，而解析信号包含了正频率和负频率信息。虽然负频率在数学上是计算的结果，但它在实际的物理系统中并没有直接的对应含义，这就给信号的分析和解释带来了困难。在车轮不圆检测中，负频率的出现会混淆对信号频率特征的理解，增加了数据分析的复杂性。例如，在时频图上，负频率成分与正频率成分同时存在，使得观察和分析信号的频率分布变得更加困难，容易造成对车轮不圆故障特征频率的误读。传统WVD对噪声较为敏感。在实际的城轨列车运行环境中，车轮振动信号不可避免地会受到各种噪声的干扰，如电磁噪声、机械噪声等。当信号中存在噪声时，传统WVD的时频分布会受到噪声的影响而发生畸变，导致时频分辨率下降，进一步影响对车轮不圆故障特征的提取。噪声会在时频平面上产生额外的能量分布，这些分布可能会与车轮不圆故障特征频率相互重叠，使得故障特征难以分辨。而且噪声的存在还可能会增强交叉项的干扰，使时频分布更加混乱。例如，当列车在电磁干扰较强的区域运行时，车轮振动信号中的噪声会导致WVD时频图上出现大量杂乱的干扰点，掩盖了车轮不圆故障产生的特征频率，使得检测精度大幅降低。3.2改进思路与方法为了克服传统Wigner-Ville分布（WVD）存在的交叉项干扰、负频率以及对噪声敏感等局限性，本研究提出了一系列改进思路与方法，旨在提高其在城轨列车车轮不圆检测中的准确性和可靠性。3.2.1抑制交叉项干扰交叉项干扰是传统WVD面临的最主要问题，严重影响了时频分布的清晰度和对信号特征的准确提取。针对这一问题，本研究采用选择合适核函数的方法来抑制交叉项。Cohen类时频分布是一种有效的改进途径，它通过在模糊域对信号进行低通滤波，利用不同的核函数来抑制交叉项。其中，Choi-Williams分布（CWD）是Cohen类时频分布中较为典型的方法，其核函数为指数核，表达式为：\varphi(\tau,\nu)=\exp\left(-\frac{\tau^2\nu^2}{2\sigma^2}\right)其中，\sigma为控制核函数形状的参数。CWD通过对核函数的设计，使得在抑制交叉项的同时，尽可能地保持信号的时频分布特性。其原理是利用信号的自项通常聚集在模糊平面的原点附近，而交叉项远离原点的特性，通过核函数对模糊域进行低通滤波，从而有效地抑制交叉项。在处理城轨列车车轮振动信号时，CWD能够减少不同频率成分之间产生的交叉项干扰，使时频图更加清晰，真实的车轮不圆故障特征频率得以凸显。除了选择合适的核函数，本研究还尝试将WVD与小波变换相结合的方法来抑制交叉项。具体思路是首先利用小波变换对信号进行多尺度分解，将信号分解成不同尺度的分量。由于小波变换具有良好的时频局部化特性，能够有效地提取信号在不同尺度下的特征。然后对每个小波尺度分量应用WVD，获取各个尺度下的时频信息。通过这种方式，可以将信号的不同频率成分在不同尺度下进行分离，减少交叉项的产生。设计一个基于能量分布的融合函数，选取每个时间点上能量最大的WVD分量，以消除交叉项。将所有尺度的WVD分量按照融合函数的规则进行融合，得到消除交叉项且分辨率较高的时频分布。通过后处理技术进一步抑制噪声，确保时频特征的清晰度。在实际应用中，这种结合方法能够充分发挥小波变换和WVD的优势，在有效抑制交叉项的同时，保持较高的时频分辨率，提高对车轮不圆故障特征的提取能力。3.2.2消除负频率影响针对传统WVD中出现的负频率问题，本研究采用解析信号处理的方法来消除负频率的影响。在计算WVD之前，先对原始信号进行解析信号处理，将实信号转换为解析信号。解析信号只包含正频率成分，从而避免了在WVD计算过程中出现负频率。对于实值信号x(t)，其解析信号z(t)的定义为：z(t)=x(t)+j\hat{x}(t)其中，\hat{x}(t)是x(t)的希尔伯特变换。通过将原始信号转换为解析信号，再进行Wigner-Ville分布计算，得到的时频分布中不再包含负频率成分，使得时频图更加符合实际物理意义，便于对车轮不圆故障特征频率的观察和分析。在实际的车轮不圆检测中，消除负频率影响后的时频图能够更清晰地展示信号的频率分布，减少因负频率带来的干扰和误读，提高检测的准确性。3.2.3增强抗噪声能力为了增强改进后的Wigner-Ville时频分析方法的抗噪声能力，本研究引入自适应滤波技术。自适应滤波能够根据信号和噪声的统计特性，自动调整滤波器的参数，以达到最佳的滤波效果。在车轮振动信号采集过程中，不可避免地会受到各种噪声的干扰，如电磁噪声、机械噪声等。自适应滤波器通过不断地调整自身的系数，对噪声进行有效抑制，同时保留信号的有用特征。最小均方误差（LeastMeanSquare，LMS）自适应滤波器是一种常用的自适应滤波算法，其基本原理是基于最陡下降法，通过不断调整滤波器的权系数，使得滤波器的输出与期望输出之间的均方误差最小。在本研究中，将LMS自适应滤波器应用于车轮振动信号的预处理阶段，对采集到的原始信号进行滤波处理。通过实时监测信号的变化，自适应地调整滤波器的参数，有效地抑制噪声的干扰。经过自适应滤波处理后的信号，其信噪比得到提高，为后续的时频分析提供了更纯净的信号，从而提高了时频分析结果的准确性和可靠性，增强了对车轮不圆故障特征的提取能力。3.2.4改进后的原理与流程改进后的Wigner-Ville时频分析方法的原理是综合运用上述抑制交叉项干扰、消除负频率影响和增强抗噪声能力的方法，对传统WVD进行全面改进。在处理城轨列车车轮振动信号时，首先对采集到的原始信号进行自适应滤波处理，利用LMS自适应滤波器抑制噪声干扰，提高信号的信噪比。对滤波后的信号进行解析信号处理，将实信号转换为解析信号，消除负频率的影响。然后采用选择合适核函数（如Choi-Williams分布的指数核函数）以及与小波变换相结合的方式，对解析信号进行Wigner-Ville分布计算，抑制交叉项干扰，得到清晰准确的时频分布。其具体流程如下：信号采集：利用安装在城轨列车轴箱、钢轨等部位的传感器，采集列车运行时车轮的振动信号。自适应滤波：将采集到的原始振动信号输入到LMS自适应滤波器中，根据信号和噪声的实时统计特性，自动调整滤波器的权系数，对噪声进行有效抑制，输出滤波后的信号。解析信号处理：对滤波后的信号进行解析信号处理，通过希尔伯特变换将实信号转换为只包含正频率成分的解析信号。小波变换与WVD计算：对解析信号进行小波变换，将其分解成不同尺度的分量。对每个小波尺度分量应用Wigner-Ville分布，并结合Choi-Williams分布的指数核函数，计算各个尺度下的时频信息。融合与后处理：设计基于能量分布的融合函数，选取每个时间点上能量最大的WVD分量，对各个尺度的时频信息进行融合，消除交叉项。对融合后的时频分布进行后处理，进一步抑制噪声，得到最终清晰准确的时频图，用于车轮不圆故障特征的提取和分析。3.3改进方法的性能分析为了全面评估改进后的Wigner-Ville时频分析方法在城轨列车车轮不圆检测中的性能优势，本研究通过理论推导和仿真实验，从时频聚集性、分辨率和抗干扰能力等多个关键性能指标进行深入对比分析。在时频聚集性方面，时频聚集性是衡量时频分析方法性能的重要指标之一，它反映了信号在时频平面上的能量集中程度。时频聚集性越好，信号的时频特征越清晰，越有利于准确提取信号的特征信息。对于传统的Wigner-Ville分布（WVD），在分析多分量信号时，由于交叉项的存在，信号的能量会分散在时频平面上，导致时频聚集性较差。以一个包含两个线性调频信号的多分量信号为例，传统WVD的时频分布如图2所示，交叉项在时频平面上形成了明显的干扰条纹，使得两个信号的能量分布变得模糊，难以准确分辨。而改进后的方法，通过采用选择合适核函数（如Choi-Williams分布的指数核函数）以及与小波变换相结合的策略，有效地抑制了交叉项干扰，提高了时频聚集性。对于同样的多分量信号，改进后的方法得到的时频分布如图3所示，交叉项干扰明显减少，两个信号的能量集中在各自的时频区域，时频聚集性显著提高。从理论推导角度来看，Choi-Williams分布的指数核函数能够在模糊域对信号进行低通滤波，根据信号的自项通常聚集在模糊平面的原点附近，而交叉项远离原点的特性，有效地抑制交叉项，从而使信号的能量更加集中在真实的时频位置上。小波变换的多尺度分解特性能够将信号的不同频率成分在不同尺度下进行分离，减少不同频率成分之间的相互干扰，进一步提高时频聚集性。分辨率是时频分析方法的另一个关键性能指标，它包括时间分辨率和频率分辨率，直接影响对信号细节特征的分辨能力。传统WVD在分辨率方面存在一定的局限性，虽然它在理论上具有较高的分辨率，但交叉项干扰会降低实际的分辨率效果。在分析车轮不圆产生的振动信号时，交叉项会使时频图上的频率成分变得模糊，难以准确分辨出不同频率成分的细微差异，从而影响对车轮不圆故障特征的准确提取。改进后的方法在分辨率方面有明显的提升。通过与小波变换相结合，利用小波变换的多尺度分析特性，能够根据信号的局部特征自动调整时频分辨率。在低频段，采用较大的尺度，提高频率分辨率，能够准确地分析信号的低频成分；在高频段，采用较小的尺度，提高时间分辨率，适合分析信号的高频突变部分。这种自适应的时频分辨率调整策略，使得改进后的方法能够在整个频率范围内都保持较好的分辨率，更准确地捕捉车轮不圆故障产生的振动信号的细节特征。在分析车轮不圆故障信号中的高频冲击成分时，改进后的方法能够清晰地分辨出冲击的时间点和频率特征，而传统WVD由于交叉项干扰和分辨率限制，难以准确捕捉这些细节信息。抗干扰能力是衡量时频分析方法在实际应用中性能的重要因素，因为在实际的城轨列车运行环境中，车轮振动信号不可避免地会受到各种噪声的干扰。传统WVD对噪声较为敏感，当信号中存在噪声时，其时频分布会受到噪声的影响而发生畸变，导致时频分辨率下降，进一步影响对车轮不圆故障特征的提取。噪声会在时频平面上产生额外的能量分布，这些分布可能会与车轮不圆故障特征频率相互重叠，使得故障特征难以分辨。而且噪声的存在还可能会增强交叉项的干扰，使时频分布更加混乱。改进后的方法通过引入自适应滤波技术，增强了抗噪声能力。自适应滤波器能够根据信号和噪声的统计特性，自动调整滤波器的参数，对噪声进行有效抑制，同时保留信号的有用特征。以最小均方误差（LMS）自适应滤波器为例，它基于最陡下降法，通过不断调整滤波器的权系数，使得滤波器的输出与期望输出之间的均方误差最小。在处理车轮振动信号时，LMS自适应滤波器能够实时监测信号的变化，自适应地调整参数，有效地抑制噪声的干扰。经过自适应滤波处理后的信号，其信噪比得到提高，为后续的时频分析提供了更纯净的信号，从而提高了时频分析结果的准确性和可靠性，增强了对车轮不圆故障特征的提取能力。在实际的仿真实验中，当在车轮振动信号中加入高斯白噪声时，传统WVD的时频图受到噪声的严重干扰，几乎无法分辨出车轮不圆故障特征频率；而改进后的方法经过自适应滤波处理后，时频图仍然能够清晰地显示出故障特征频率，抗干扰能力明显优于传统WVD。四、基于改进Wigner-Ville时频分析的车轮不圆检测模型构建4.1检测系统总体框架设计为了实现对城轨列车车轮不圆的准确检测，本研究设计了一套基于改进Wigner-Ville时频分析的车轮不圆检测系统，该系统主要包括传感器、信号采集、处理和分析等多个关键模块，各模块协同工作，共同完成对车轮不圆故障的检测任务。在传感器模块中，传感器作为检测系统的前端感知部件，其选择和布局对于获取准确的车轮振动信号至关重要。考虑到城轨列车车轮振动信号的特点以及实际运行环境的复杂性，本系统选用高灵敏度的加速度传感器来采集车轮的振动信号。加速度传感器能够精确地测量车轮在运行过程中的加速度变化，将机械振动转换为电信号输出。为了全面捕捉车轮不同方向的振动信息，在车轮的轴箱部位对称安装多个加速度传感器，分别测量车轮的垂向、横向和轴向加速度。轴箱是车轮与转向架连接的关键部件，车轮的振动会直接传递到轴箱上，通过在轴箱部位安装传感器，可以有效地获取车轮的振动信号。在安装过程中，确保传感器的安装位置准确，与轴箱紧密贴合，以减少信号传输过程中的干扰和衰减。为了进一步提高传感器的可靠性和稳定性，对传感器进行定期校准和维护，保证其测量精度满足检测要求。信号采集模块负责将传感器采集到的模拟振动信号转换为数字信号，并进行初步的信号调理和存储。该模块主要由信号调理电路、数据采集卡和数据存储设备组成。信号调理电路首先对传感器输出的模拟信号进行放大、滤波等处理，以提高信号的质量。由于传感器输出的信号通常比较微弱，容易受到噪声的干扰，通过放大电路可以将信号幅度提升到合适的范围，便于后续的处理。滤波电路则用于去除信号中的高频噪声和低频干扰，使信号更加纯净。经过调理后的模拟信号通过数据采集卡转换为数字信号。数据采集卡具有高精度的A/D转换功能，能够按照设定的采样频率对模拟信号进行快速采样，将其转换为计算机能够处理的数字信号。为了保证采集到的信号能够完整地反映车轮的振动特性，根据奈奎斯特采样定理，合理设置采样频率，确保采样频率至少为信号最高频率的两倍。采集到的数字信号被存储在数据存储设备中，如硬盘或固态硬盘，以便后续进行处理和分析。在存储过程中，采用可靠的数据存储格式和存储策略，确保数据的完整性和安全性。信号处理模块是检测系统的核心部分之一，主要对采集到的振动信号进行预处理、特征提取和故障诊断等操作。在预处理阶段，采用自适应滤波算法对信号进行去噪处理，进一步提高信号的信噪比。自适应滤波算法能够根据信号和噪声的实时统计特性，自动调整滤波器的参数，对噪声进行有效抑制，同时保留信号的有用特征。经过去噪处理后的信号，采用改进的Wigner-Ville时频分析方法进行时频特征提取。通过对信号进行时频分析，能够得到信号在不同时间和频率上的能量分布情况，从而提取出与车轮不圆相关的特征信息。在特征提取过程中，根据车轮不圆故障的特点，选取合适的时频特征参数，如特征频率、能量分布等。这些特征参数将作为后续故障诊断的重要依据。基于提取的特征参数，采用模式识别算法进行车轮不圆故障的诊断。模式识别算法通过建立故障诊断模型，对提取的特征参数进行分析和判断，识别出车轮是否存在不圆故障以及不圆的程度。常用的模式识别算法包括支持向量机、神经网络等，本研究根据实际情况选择合适的算法，并对其进行优化和训练，以提高故障诊断的准确性和可靠性。信号分析模块主要负责对处理后的信号和诊断结果进行深入分析和可视化展示，为维修人员提供直观、准确的决策依据。该模块利用数据分析软件对时频特征和诊断结果进行统计分析，生成各种统计图表和报告。通过对不同列车、不同车轮的检测数据进行对比分析，总结出车轮不圆故障的发生规律和趋势，为预防性维护提供参考。采用数据挖掘技术对大量的历史检测数据进行挖掘，发现潜在的故障模式和关联关系，进一步提高检测系统的智能性和诊断能力。利用可视化技术将分析结果以直观的方式展示出来，如绘制时频图、故障诊断结果图表等。维修人员可以通过观察这些可视化图表，快速了解车轮的运行状态和故障情况，及时采取相应的维修措施。在可视化展示过程中，注重图表的设计和布局，使其简洁明了、易于理解。通过以上各个模块的协同工作，基于改进Wigner-Ville时频分析的车轮不圆检测系统能够实现对城轨列车车轮不圆故障的高效、准确检测，为保障城轨列车的运行安全提供有力的技术支持。系统总体框架图如图4所示。4.2信号采集与预处理信号采集与预处理是基于改进Wigner-Ville时频分析的车轮不圆检测模型构建的重要前期步骤，其准确性和有效性直接影响后续的特征提取和故障诊断结果。在信号采集环节，传感器的选择与安装位置的确定至关重要，它们决定了能否获取到准确、全面反映车轮不圆故障的振动信号；而信号预处理则是对采集到的原始信号进行必要的加工和处理，以提高信号质量，为后续的分析提供可靠的数据基础。在传感器选择方面，加速度传感器凭借其高灵敏度、宽频响应等优势，成为采集城轨列车车轮振动信号的理想选择。本研究选用[具体型号]加速度传感器，该型号传感器在低频段具有出色的响应特性，能够精确捕捉车轮振动信号中的低频成分，而这些低频成分往往包含着与车轮不圆相关的重要信息。在高频段，它也能保持稳定的性能，确保对车轮振动信号的高频突变部分进行有效检测。该传感器的灵敏度经过严格校准，达到[具体灵敏度数值]，能够检测到极其微小的振动变化，为车轮不圆故障的早期发现提供了有力支持。在实际应用中，将加速度传感器安装在车轮的轴箱部位，轴箱作为车轮与转向架连接的关键部件，能够直接、有效地传递车轮的振动信息。通过在轴箱部位对称安装多个加速度传感器，可分别测量车轮的垂向、横向和轴向加速度。垂向加速度传感器用于检测车轮在垂直方向上的振动情况，车轮不圆导致的轮轨间垂向力变化会引起明显的垂向加速度响应；横向加速度传感器则主要监测车轮在横向的振动，这对于判断车轮在运行过程中是否存在横向偏移或晃动至关重要；轴向加速度传感器能够捕捉车轮在轴向的振动信息，为全面分析车轮的运动状态提供了多维度的数据。在安装过程中，确保传感器与轴箱紧密贴合，采用专用的安装夹具和固定螺栓，减少信号传输过程中的干扰和衰减。对传感器的安装位置进行精确测量和标记，保证每个传感器的安装位置一致，以提高数据的可比性和可靠性。信号采集系统的参数设置对采集到的信号质量有着关键影响。根据车轮振动信号的频率特性和实际检测需求，合理设置采样频率。依据奈奎斯特采样定理，为了保证能够准确还原信号的真实特征，采样频率应至少为信号最高频率的两倍。经过对大量实际车轮振动信号的分析和测试，确定本系统的采样频率为[具体采样频率数值]Hz，这一采样频率能够充分覆盖车轮不圆故障可能产生的各种频率成分。设置合适的采样时长，以确保采集到足够长的信号片段，用于后续的时频分析。经过多次实验验证，确定每次采集的信号时长为[具体采样时长数值]s，这样的时长既能包含车轮转动多个周期的振动信息，又不会使数据量过大，影响后续的数据处理效率。采集到的原始振动信号往往包含各种噪声和干扰，如电磁噪声、机械噪声以及传感器自身的噪声等，这些噪声会严重影响信号的质量，干扰对车轮不圆故障特征的提取。因此，需要对原始信号进行预处理，以提高信号的信噪比。滤波是信号预处理的重要环节，采用带通滤波器对原始信号进行滤波处理。根据车轮不圆故障振动信号的频率范围，设计中心频率为[具体中心频率数值]Hz，带宽为[具体带宽数值]Hz的带通滤波器。该滤波器能够有效去除信号中的高频噪声和低频干扰，保留与车轮不圆故障相关的频率成分。在实际应用中，通过对大量滤波前后信号的对比分析，发现滤波后的信号高频噪声明显降低，低频干扰也得到了有效抑制，信号的质量得到了显著提升。降噪也是信号预处理的关键步骤，采用小波阈值降噪方法对滤波后的信号进行进一步处理。小波变换具有良好的时频局部化特性，能够将信号分解成不同尺度的小波系数。通过对小波系数进行阈值处理，能够有效地去除噪声对应的小波系数，保留信号的有用信息。在阈值选择方面，采用自适应阈值算法，根据信号的统计特性自动确定阈值大小。经过小波阈值降噪处理后的信号，信噪比得到了进一步提高，信号的波形更加清晰，为后续的时频分析提供了更可靠的数据。除了滤波和降噪，去趋势处理也是信号预处理不可或缺的一部分。在振动测试中采集到的振动信号数据，由于放大器随温度变化产生的零点漂移、传感器频率范围外低频性能的不稳定以及传感器周围的环境干扰等，往往会偏离基线，甚至偏离基线的大小还会随时间变化，这种偏离基线随时间变化的整个过程被称为信号的趋势项。趋势项直接影响信号的正确性，应该将其去除。本研究采用多项式最小二乘法进行去趋势处理。在MATLAB中提供了detrend()函数进行去趋势项操作，但该函数只能去除均值和线性趋势项，所以如果使用该函数进行操作，即承认传感器所含趋势项是线性的。如果认为趋势项是非线性的，则需要用polyfit()和ployval()组成的函数进行操作。在实际振动信号数据处理中，通常取1-3次多项式来对采样数据进行多项式趋势项消除的处理。经过去趋势处理后，信号能够更加准确地反映车轮的真实振动情况，避免趋势项对后续分析产生干扰。4.3特征提取与选择在完成信号采集与预处理后，关键步骤在于从处理后的振动信号中提取对车轮不圆敏感的特征参数，并通过合理的选择方法，筛选出最具代表性和诊断价值的特征，为后续的车轮不圆故障诊断提供准确有效的数据支持。利用改进的Wigner-Ville时频分析方法对预处理后的车轮振动信号进行时频特征提取。改进后的Wigner-Ville时频分析方法通过抑制交叉项干扰、消除负频率影响和增强抗噪声能力，能够更准确地揭示信号在时间和频率域上的联合特征，为特征提取提供了有力的工具。以某段采集到的车轮振动信号为例，经过改进的Wigner-Ville时频分析后，得到如图5所示的时频图。从图中可以清晰地观察到信号的频率随时间的变化情况，在时频平面上呈现出明显的能量分布特征。基于时频图，提取以下几类关键的时频特征参数：特征频率：车轮不圆会导致车轮在旋转过程中产生周期性的冲击和振动，从而在振动信号的时频图中出现特定的特征频率。这些特征频率与车轮的旋转频率以及不圆度密切相关。对于车轮不圆故障，其特征频率通常是车轮旋转频率的整数倍。通过对时频图的分析，准确识别出这些特征频率，作为判断车轮是否存在不圆故障的重要依据。在图5中，可以观察到在某些特定频率处出现了明显的能量集中，这些频率即为与车轮不圆相关的特征频率。能量分布：分析信号在不同频率和时间上的能量分布情况，也是提取时频特征的重要方面。车轮不圆故障会使振动信号的能量在时频平面上的分布发生变化，与正常状态下的能量分布存在显著差异。计算时频图中不同频率区间内的能量占比，以及能量随时间的变化趋势。当车轮存在不圆故障时，在特征频率附近的能量占比会明显增加，且能量分布的变化呈现出一定的规律性。通过对能量分布特征的分析，可以进一步判断车轮不圆的程度和发展趋势。时频熵：时频熵是一种用于衡量信号时频分布不确定性的特征参数。它综合考虑了信号在时间和频率域上的分布情况，能够反映信号的复杂程度和无序程度。对于车轮振动信号，正常状态下的时频熵相对较低，信号的时频分布较为集中和规律。而当车轮出现不圆故障时，振动信号的时频分布变得更加复杂和无序，时频熵会相应增大。通过计算时频熵，可以有效地识别车轮的故障状态，将其作为车轮不圆故障诊断的一个重要特征参数。从提取的众多时频特征参数中，筛选出对车轮不圆敏感的特征，是提高故障诊断准确性和效率的关键。采用相关性分析方法，计算每个特征参数与车轮不圆故障之间的相关性系数。相关性系数越大，表明该特征与车轮不圆故障的关联程度越高，对故障诊断的价值也就越大。通过对大量样本数据的分析，确定相关性系数的阈值，将相关性系数大于阈值的特征参数保留下来，作为后续故障诊断的有效特征。在实际应用中，经过相关性分析筛选后，保留了特征频率、能量分布在特定频率区间的占比以及时频熵等几个关键特征参数。除了相关性分析，还运用主成分分析（PrincipalComponentAnalysis，PCA）方法对特征进行降维处理。PCA是一种常用的多元统计分析方法，它能够将多个相关的特征变量转换为少数几个不相关的主成分，这些主成分包含了原始特征的大部分信息。通过PCA降维，可以减少特征的维度，降低计算复杂度，同时避免特征之间的冗余信息对故障诊断的干扰。对提取的时频特征参数进行PCA分析，得到各个主成分的贡献率。选择贡献率较大的主成分作为最终的特征向量，用于后续的故障诊断模型训练和测试。经过PCA降维处理后，将原来的多个时频特征参数转换为3-5个主成分，这些主成分能够有效地代表原始特征的主要信息，提高了故障诊断的效率和准确性。4.4检测模型建立与训练在完成特征提取与选择后，本研究基于机器学习和深度学习技术，建立了高精度的车轮不圆检测模型，并通过大量样本数据对模型进行训练和优化，以提高其检测准确性和可靠性。机器学习算法在故障诊断领域有着广泛的应用，本研究选择支持向量机（SupportVectorMachine，SVM）作为基础的检测模型。SVM是一种基于统计学习理论的二分类模型，其基本思想是在高维空间中寻找一个最优分类超平面，使得不同类别的样本点能够被最大间隔地分开。对于线性可分的样本数据，SVM可以通过求解一个二次规划问题来得到最优分类超平面。在实际应用中，许多数据集并非线性可分，此时可以引入核函数，将样本数据映射到高维空间，使其在高维空间中变得线性可分。常用的核函数有线性核函数、多项式核函数、径向基核函数（RadialBasisFunction，RBF）等。在车轮不圆检测中，由于车轮振动信号的特征复杂，线性核函数往往难以达到理想的分类效果，因此本研究选用径向基核函数，它具有较好的非线性映射能力，能够有效地处理非线性分类问题。为了构建基于SVM的车轮不圆检测模型，首先将提取并选择后的时频特征作为输入数据，将车轮的状态（正常或不圆）作为输出标签。将样本数据划分为训练集和测试集，其中训练集用于训练模型，测试集用于评估模型的性能。在划分过程中，采用分层抽样的方法，确保训练集和测试集中正常样本和不圆样本的比例相近，以提高模型的泛化能力。使用训练集数据对SVM模型进行训练，通过调整模型的参数，如惩罚参数C和核函数参数γ，使得模型在训练集上能够达到较好的分类效果。参数调整采用交叉验证的方法，将训练集进一步划分为多个子集，通过多次训练和验证，选择在验证集上表现最佳的参数组合。随着深度学习技术的快速发展，其在故障诊断领域的优势逐渐显现。深度学习能够自动从大量数据中学习特征，无需人工手动提取，且具有很强的非线性拟合能力。因此，本研究尝试构建基于深度学习的车轮不圆检测模型，选用卷积神经网络（ConvolutionalNeuralNetwork，CNN）作为基础网络结构。CNN是一种专门为处理具有网格结构数据（如图像、音频等）而设计的深度学习模型，它通过卷积层、池化层和全连接层等组件，对输入数据进行逐层特征提取和分类。在构建基于CNN的车轮不圆检测模型时，将时频特征转换为图像形式作为CNN的输入。具体来说，将时频图进行归一化处理，使其大小和格式符合CNN的输入要求。CNN模型的结构设计至关重要，它直接影响模型的性能和训练效果。本研究设计了一个包含多个卷积层和池化层的CNN模型。在卷积层中，使用不同大小的卷积核，对输入的时频图像进行卷积操作，提取不同尺度的特征。卷积核的大小和数量根据实验结果进行调整，以获得最佳的特征提取效果。池化层用于对卷积层输出的特征图进行下采样，降低特征图的维度，减少计算量，同时保留重要的特征信息。常用的池化方法有最大池化和平均池化，本研究采用最大池化方法，它能够更好地保留特征的最大值信息。在经过多个卷积层和池化层的特征提取后，将最后一层池化层的输出展平，输入到全连接层进行分类。全连接层通过权重矩阵对输入特征进行线性变换，然后使用激活函数进行非线性映射，最后输出分类结果。在全连接层之后，使用Softmax函数作为分类器，将输出结果转换为概率分布，从而得到车轮的状态分类（正常或不圆）。在模型训练阶段，使用大量的样本数据对CNN模型进行训练。训练过程中，采用随机梯度下降（StochasticGradientDescent，SGD）算法及其变种（如Adagrad、Adadelta、Adam等）来更新模型的参数。本研究选用Adam算法，它结合了Adagrad和Adadelta的优点，能够自适应地调整学习率，在训练过程中表现出较好的收敛速度和稳定性。设置合适的学习率、批量大小和训练轮数等超参数，通过多次实验和调整，使模型在训练集上能够达到较好的收敛效果。在训练过程中，实时监测模型在训练集和验证集上的准确率和损失值，当验证集上的准确率不再提升或损失值不再下降时，认为模型已经收敛，停止训练。为了防止模型过拟合，采用了L2正则化、Dropout等技术。L2正则化通过在损失函数中添加权重的平方和项，对模型的权重进行约束，防止权重过大导致过拟合。Dropout则是在训练过程中随机丢弃一部分神经元，使得模型在训练时不会过度依赖某些特定的神经元，从而提高模型的泛化能力。通过将基于SVM的机器学习模型和基于CNN的深度学习模型进行对比分析，评估它们在车轮不圆检测中的性能表现。在相同的测试集上，分别计算两个模型的准确率、召回率、F1值等评价指标。实验结果表明，基于CNN的深度学习模型在准确率和召回率等方面均优于基于SVM的机器学习模型。这是因为CNN模型能够自动学习时频特征中的复杂模式和关系，对车轮不圆故障的特征提取更加准确和全面，而SVM模型依赖于人工提取的特征，在处理复杂特征时存在一定的局限性。深度学习模型的训练时间相对较长，计算资源消耗较大。在实际应用中，可以根据具体的需求和条件，选择合适的检测模型。如果对检测精度要求较高，且具备足够的计算资源和训练时间，可以选择基于CNN的深度学习模型；如果对计算资源和训练时间有限，且对检测精度要求不是特别高，基于SVM的机器学习模型也是一种可行的选择。五、实验验证与结果分析5.1实验方案设计为了全面验证基于改进Wigner-Ville时频分析的城轨列车车轮不圆检测方法的有效性和优越性，本研究精心设计了模拟实验和实际线路实验，从不同角度对检测方法进行深入评估。5.1.1模拟实验方案模拟实验旨在在可控的实验环境下，对改进的检测方法进行初步验证和性能评估。实验在专门搭建的车轮不圆模拟实验平台上进行，该平台主要由模拟车轮装置、振动激励系统、传感器安装支架以及数据采集与分析系统等部分组成。模拟车轮装置采用可调节不圆度的特制车轮，能够精确模拟不同程度和类型的车轮不圆故障。通过在车轮圆周上设置不同高度的凸起或凹陷，来模拟车轮的椭圆不圆、多边形不圆等常见故障形式。可以通过调节凸起或凹陷的尺寸和位置，实现对车轮不圆度的精确控制，从而产生不同不圆度的模拟故障车轮。振动激励系统用于模拟列车运行时车轮所受到的各种振动激励，包括来自轨道不平顺、轮轨接触力变化等因素产生的振动。该系统由电机、偏心轮、振动台等部件组成，通过电机驱动偏心轮旋转，产生周期性的振动，并通过振动台传递到模拟车轮上，使模拟车轮在旋转过程中产生与实际运行相似的振动信号。在模拟车轮的轴箱部位，按照实际列车的传感器布局方式，安装多个加速度传感器，用于采集车轮的振动信号。传感器的型号为[具体型号]，其灵敏度为[具体灵敏度数值]，频率响应范围为[具体频率范围]，能够准确捕捉车轮振动信号的微小变化。将传感器采集到的模拟振动信号通过信号调理电路进行放大、滤波等预处理后，输入到数据采集卡中。数据采集卡的采样频率设置为[具体采样频率数值]Hz，以确保能够完整采集到车轮振动信号的高频成分。采集到的数字信号存储在计算机中，用于后续的分析和处理。实验设置了多种不同的工况，包括不同的车轮不圆度、不同的列车运行速度以及不同的轨道条件等。具体来说，设置车轮不圆度分别为0.1mm、0.3mm、0.5mm、0.7mm和1.0mm，以模拟不同程度的车轮不圆故障；设置列车运行速度分别为30km/h、60km/h、90km/h和120km/h，以研究不同速度下检测方法的性能；设置轨道条件为光滑轨道、轻度不平顺轨道和重度不平顺轨道，以考察轨道条件对检测结果的影响。在每个工况下，进行多次重复实验，每次实验采集[具体时长]秒的振动信号，以确保实验数据的可靠性和代表性。5.1.2实际线路实验方案实际线路实验是在真实的城轨列车运行线路上进行的，旨在进一步验证检测方法在实际应用中的可行性和有效性。实验选择了某城市轨道交通线路的一段区间作为实验线路，该线路具有一定的坡度、弯道和不同类型的轨道结构，能够涵盖城轨列车运行的常见工况。在实际运行的城轨列车上，选择多个车轮作为检测对象，在其轴箱部位安装与模拟实验相同型号的加速度传感器。为了确保传感器的安装牢固可靠，采用专门设计的安装夹具，将传感器紧密固定在轴箱上，减少信号传输过程中的干扰和衰减。同时，在列车的驾驶室中安装数据采集设备，用于实时采集传感器输出的振动信号，并通过无线传输模块将数据传输到地面的数据处理中心。在列车运行过程中，同步记录列车的运行速度、位置信息以及其他相关的运行参数。这些信息将与振动信号数据进行关联分析，以更全面地了解车轮的运行状态。在实验过程中，列车按照正常的运营计划运行，经过不同的站点、弯道和坡度，以获取不同工况下的车轮振动信号。实验持续进行了[具体时长]，期间对多个列车的多个车轮进行了检测，共采集到[具体数量]组有效的振动信号数据。实际线路实验的数据分析流程与模拟实验类似，首先对采集到的原始振动信号进行预处理，包括滤波、降噪和去趋势处理等，以提高信号质量。然后，采用改进的Wigner-Ville时频分析方法对预处理后的信号进行时频特征提取，并基于提取的特征参数，利用建立的检测模型进行车轮不圆故障的诊断。将诊断结果与实际车轮的状态进行对比分析，评估检测方法在实际应用中的准确性和可靠性。5.2实验数据采集与处理在模拟实验中，通过加速度传感器采集车轮在不同工况下的轴箱振动信号。传感器安装在轴箱的关键位置，能够准确捕捉车轮振动产生的加速度变化。在不同的车轮不圆度工况下，分别采集了大量的振动信号数据。以车轮不圆度为0.3mm，列车运行速度为60km/h，轨道条件为轻度不平顺轨道的工况为例，采集到的原始振动信号如图6所示。从图中可以看出，原始振动信号呈现出复杂的波动形态，包含了各种噪声和干扰成分，难以直接从中提取出与车轮不圆相关的有效信息。为了提高信号质量，对采集到的原始振动信号进行了一系列预处理操作。首先采用带通滤波器对信号进行滤波处理，根据车轮不圆故障振动信号的频率范围，设计了中心频率为[具体中心频率数值]Hz，带宽为[具体带宽数值]Hz的带通滤波器。经过带通滤波后，信号中的高频噪声和低频干扰得到了有效抑制，信号的主要频率成分更加突出。采用小波阈值降噪方法对滤波后的信号进行降噪处理。在小波变换过程中，选择了合适的小波基函数和分解层数，通过自适应阈值算法对小波系数进行阈值处理，有效地去除了噪声对应的小波系数，保留了信号的有用信息。经过降噪处理后的信号，其信噪比得到了显著提高，信号的波形更加清晰。采用多项式最小二乘法对信号进行去趋势处理，去除信号中的趋势项，使信号能够更准确地反映车轮的真实振动情况。经过预处理后的振动信号，采用改进的Wigner-Ville时频分析方法进行时频分析。通过抑制交叉项干扰、消除负频率影响和增强抗噪声能力，改进后的方法能够更准确地揭示信号在时间和频率域上的联合特征。以车轮不圆度为0.3mm的工况为例，经过改进的Wigner-Ville时频分析后得到的时频图如图7所示。从时频图中可以清晰地观察到，在特定的频率和时间区域出现了明显的能量集中，这些能量集中区域对应着车轮不圆故障产生的特征频率。通过对时频图的进一步分析，可以提取出与车轮不圆相关的特征参数，如特征频率、能量分布、时频熵等。在特征频率方面，准确识别出了与车轮旋转频率相关的整数倍频率，这些频率的出现与车轮不圆故障密切相关。在能量分布方面，计算了不同频率区间内的能量占比，发现与车轮不圆故障相关的特征频率附近的能量占比明显增加。通过计算时频熵，发现车轮不圆故障状态下的时频熵明显大于正常状态下的时频熵，这表明车轮不圆故障会使振动信号的时频分布变得更加复杂和无序。在实际线路实验中，同样在列车运行过程中通过安装在轴箱部位的加速度传感器采集车轮的振动信号。由于实际线路环境更加复杂，信号中包含了更多的噪声和干扰成分。在某一实际运行工况下采集到的原始振动信号，经过观察发现，信号受到了来自列车电气系统的电磁干扰、轨道不平顺产生的冲击干扰以及其他车辆部件振动的耦合干扰等。对这些原始振动信号的预处理过程与模拟实验类似，经过带通滤波、小波阈值降噪和去趋势处理等一系列操作后，有效地提高了信号的质量。采用改进的Wigner-Ville时频分析方法对预处理后的实际线路振动信号进行时频分析，得到的时频图能够清晰地展示出信号在时间和频率域上的特征。通过对时频图的分析，成功提取出了与车轮不圆相关的特征参数。将这些特征参数输入到之前建立的检测模型中进行车轮不圆故障的诊断。在实际线路实验中，对多辆列车的多个车轮进行了检测，诊断结果与实际车轮的状态进行对比分析，验证了检测方法在实际应用中的准确性和可靠性。5.3检测结果对比与分析为了深入评估改进的Wigner-Ville时频分析方法在城轨列车车轮不圆检测中的性能，将其检测结果与传统检测方法进行了全面对比，并对准确率、召回率和误报率等关键指标进行了详细分析。在模拟实验中，对不同车轮不圆度工况下改进方法与传统方法的检测结果进行了对比。以车轮不圆度为0.5mm的工况为例，传统检测方法在该工况下的检测结果存在较多误判和漏判情况。在对100个样本进行检测时，传统方法正确判断出车轮不圆故障的样本数为70个，误判为正常的样本数为15个，漏判的样本数为15个。而改进后的方法在同样的100个样本检测中，正确判断出车轮不圆故障的样本数达到了90个，误判为正常的样本数仅为5个，漏判的样本数为5个。从这些数据可以直观地看出，改进后的方法在检测准确性上有了显著提升。进一步对改进方法和传统方法的准确率、召回率和误报率进行计算和对比。准确率是指正确判断的样本数占总样本数的比例，召回率是指正确判断出的故障样本数占实际故障样本数的比例，误报率是指误判为故障的正常样本数占总正常样本数的比例。在车轮不圆度为0.5mm的工况下，传统方法的准确率为70%，召回率为70%，误报率为30%。而改进后的方法准确率达到了90%，召回率为90%，误报率为10%。通过对不同车轮不圆度工况下的多组数据进行统计分析，得到如图8所示的对比结果。从图中可以清晰地看出，在不同的车轮不圆度下，改进后的方法在准确率和召回率上均明显高于传统方法，而误报率则显著低于传统方法。随着车轮不圆度的增加，改进方法的优势更加明显。这表明改进后的Wigner-Ville时频分析方法能够更准确地检测出车轮不圆故障，减少误判和漏判的情况，提高检测的可靠性。在实际线路实验中，同样对改进方法和传统方法的检测结果进行了对比分析。选取了某城市轨道交通线路上的10列列车，每列列车检测10个车轮，共计100个车轮样本。传统方法在检测这些车轮样本时，出现了较多的误判和漏判情况。例如，在实际存在车轮不圆故障的30个样本中，传统方法仅正确判断出20个，漏判了10个；在实际正常的70个样本中，传统方法误判为故障的有15个。而改进后的方法在检测同样的100个车轮样本时，在30个实际故障样本中正确判断出28个，漏判2个；在70个正常样本中，误判为故障的仅有5个。对实际线路实验中的准确率、召回率和误报率进行计算，传统方法的准确率为75%，召回率为66.7%，误报率为21.4%。改进后的方法准确率达到了93%，召回率为93.3%，误报率为7.1%。通过实际线路实验结果可以看出，改进后的方法在实际应用中同样表现出了更高的检测准确性和可靠性，能够有效地识别出车轮不圆故障，减少误报和漏检的情况，为城轨列车的安全运行提供更有力的保障。通过模拟实验和实际线路实验的检测结果对比与分析，可以得出结论：改进的Wigner-Ville时频分析方法在城轨列车车轮不圆检测中具有显著的优势，能够有效地提高检测的准确率和召回率，降低误报率，为车轮不圆故障的早期发现和及时处理提供了更可靠的技术手段。5.4案例分析为了更直观地展示改进的Wigner-Ville时频分析方法在城轨列车车轮不圆检测中的实际应用效果，选取某城市轨道交通线路中的一列实际运营列车作为案例进行深入分析。该列车在日常运营过程中，工作人员发现列车运行时产生的振动和噪声异常增大，怀疑车轮存在不圆故障，因此对该列车进行全面检测。在检测过程中，首先在列车的关键车轮轴箱部位安装加速度传感器，按照实际线路实验的标准进行振动信号采集。在采集过程中，确保传感器安装牢固，信号传输稳定，共采集了该列车多个车轮在不同运行工况下的振动信号数据，涵盖了列车启动、加速