基于轮轨响应的车轮多边形阶数识别研究

Investigation on Order Identification of Wheel Polygonization Based on Wheel-Rail Response

摘要: 针对轨道车辆车轮多边形故障动态识别存在单一传感器适应性不足、易受车速变化干扰的难题，研究首先通过对比分析轨腰与轴箱传感器的安装便利性与检测信号的准确性，采用轨腰与轴箱协同互补的检测方案。其次，提出基于沿钢轨纵向布置的多组等距传感器响应冲击特征的有效信号分割和实时车速获取方案，给出车轮多边形阶数识别算法设计。最后，基于学校试验线开展低速工况车轮多边形阶数识别测试验证。实测数据表明：车轮多边形在轴箱处的冲击响应特征相较于轨腰处更显著；轮轨响应的时域冲击、频域特征频率与理论计算吻合；基于轮轨响应数据，可有效解决车速动态获取与车轮多边形阶数识别问题。

Abstract: This study targets the challenges in the dynamic identification of wheel polygonal faults in rail vehicles, particularly due to the inadequate adaptability of single sensors and their susceptibility to variations in vehicle speed. Initially, a comparative analysis of the installation convenience and detection signal accuracy between rail web and axle-box sensors is conducted, leading to the adoption of a complementary detection scheme that utilizes both sensor types. Furthermore, a method for effective signal segmentation and real-time train speed acquisition using multiple sets of equidistant sensors arranged longitudinally along the rail is proposed, along with the design of a wheel polygonal order identification algorithm. Finally, tests for identifying the polygonal order of wheels under low-speed conditions are conducted in experimental trackline of SIT. Experimental data indicate that the impact response characteristics of polygonal wheels at the axle box are more pronounced than those at the rail web; the time-domain impact responses and frequency-domain characteristic frequencies of the wheel-rail interactions are consistent with theoretical calculations. By the wheel-rail response data, effective solutions to the challenges of dynamic vehicle speed acquisition and wheel polygonal order identification can be achieved.

1. 引言

轨道交通在全球运输体系中占据核心地位，然而车轮多边形问题日益频发。该故障表现为轮周表面呈现周期性非圆化几何损伤，其引发的轮轨周期性异常强烈冲击，一方面通过沿悬挂系统向上传递至车体，增大车内噪声水平，降低乘客舒适性，导致车辆部件出现松动甚至断裂；另一方面沿钢轨向下传递，加速轨面的疲劳损伤、致使轨枕开裂、扣件松动[1] [2]。因此，车轮多边形已成为影响乘坐平稳舒适、危及列车安全运行的关键因素之一，开展其识别研究对保障运输安全、降低维护成本具有显著的工程价值。

现场使用的车轮多边形检测方法主要包括静态法和动态法两类，其中静态法必须在列车停运状态才能开展检测，虽然精度高但接触式检测需人工操作且效率低，非接触式设备对未知损伤排查耗时且需要定期标定；动态检测在车轮/轴箱、钢轨/轨枕上安装传感器(应变片、加速度计、光纤等)检测轮轨力/加速度/应变，因便于实现车轮多边形实时在车检测而备受关注，已成为国内外研究热点。典型代表包括：建立车辆–轨道耦合模型分析车轮多边形与轴箱加速度之间的关系，采集轴箱振动加速度结合信号分析、动力学模型来进行车轮多边形的准确识别[3]-[5]；针对车辆速度变化引起的轮轨冲击频带扩散现象，将基于轴箱加速度信号时间域进行空间域转换，从而有效解决[6] [7]。Guedes António等[8]提出的人工智能检测方法；Nielsen、Johansson等[9] [10]开展的车轮不圆数值模拟与现场实验验证，采用钢轨布置应变计和加速度计；Wei等[11]的光纤光栅监测技术为实时检测提供新思路。

整体来看，现有车轮多边形动态检测与识别技术面临易受传感器安装位置及环境因素干扰问题，且单一技术在复杂工况适应性方面仍存不足，难以满足列车安全运维需求。本文针对上述挑战，聚焦车轮多边形故障监测与阶数识别，提出基于轮轨响应的协同检测方案，旨在提升复杂场景下的故障识别有效性，为优化车轮镟修策略、节约检测维修成本、保障高速列车服役可靠性与舒适性提供技术支撑。

2. 传感器安装方案

轨腰作为钢轨核心承力区，高频信号传输优势显著：振动衰减速率低，高频冲击信号能量损失小，能完整保留时域波形，为频谱分析提供精确数据；远离轮轨接触界面，可规避多种干扰，信号失真度低；表面平整，传感器固定误差小。但其对低频振动衰减强，可能影响低频信号提取，且列车载荷下会引入结构振动噪声，需滤波处理。

轴箱振动信号能反映轮轨力传递特性：车轮多边形冲击经车轴传至轴箱，垂向振动加速度与轮轨接触力线性正相关，信号路径短，基频及其谐波幅值高。但轴箱安装有局限：高速下高频振动因轴承阻尼衰减，高阶多边形特征提取难；传感器安装依赖车型，长期运行易受车辆振动耦合影响，增加信号预处理复杂度。

综合而言，轨腰与轴箱结合方案能全面满足检测需求。轨腰在高频段信号传输完整、抗干扰强、安装便捷；轴箱在多边形特征提取上优势突出，基频及谐波幅值高。二者互补，可适应于全工况检测，为车轮多边形阶数识别提供全面数据支撑。

在轨道一侧沿线路纵向布置N组传感器阵列，每组由M个传感器构成，组内等间距d，每组之间等间距L，传感器间距依据检测需求，排列如图1(a)所示，传感器组覆盖了车轮全周向区域。利用转向架轴距固定的特性，当列车通过时，同转向架不同轮对的车轮会在时域信号中产生轮轴数个冲击峰值，其时间间隔与车速、轴距相关。通过设定时间窗，可精准分割每个轮对的信号段，避免相邻车轮振动叠加干扰。同时在列车轴箱位置布置振动传感器，如图1(b)所示，用于采集车辆运行时的轴箱振动信号。当列车经过时，车轮与轨道相互作用产生的信号会被轮轨上的传感器捕捉。

Figure 1. Schematic diagram of wheel-rail response sensor installation

图1. 轮轨响应传感器安装示意图

3. 信号提取与识别算法设计

3.1. 有效信号提取

在车轮多边形故障识别的信号处理中，峰值匹配与信号分割是精准捕捉轮轨冲击特征的关键环节。通过组内有效峰值匹配、跨组信号同步约束及完整信号段提取，实现对车辆通过时轮轨响应信号的有效提取。

组内峰值匹配的核心目标是在单组传感器的首尾信号中，准确识别由同一车辆不同车轮引发的冲击，排除噪声信号及其他干扰。在峰值检测前，通过统计分析确定噪声基底，利用信号在非冲击时段的波动特性，以3倍标准差作为噪声阈值。仅当信号幅值超过该阈值时，才被判定为有效峰值，从而滤除随机噪声的干扰，显著提升检测的可靠性。当车轮跟轨道接触时，车轮的冲击会产生多个波峰信号，相邻有效峰值的时间间隔需超过车轮与轨道的最小接触时间，将此物理时间转化为采样点数对应的约束条件，可保证检测到的相邻峰值分别对应不同车轮通过时的事件，从而防止把单个轮对的振动响应误判成多个轮对的冲击信号。

当沿轨道部署多组传感器时，需通过跨组峰值匹配确保不同传感器组检测到的峰值属于同一车辆，避免信号混淆。轮对通过相邻传感器组的时间差取决于组间间距和行驶速度。预先计算组间最大允许时间差，仅将时间差在该范围内的峰值判定为同一车辆产生。这一约束有效过滤了不同车辆先后通过传感器组时的峰值误匹配问题。通过分析首尾峰值的时间差可直接计算车辆通过传感器组的时间，结合传感器间距即可解算出实时车速。

3.2. 识别算法设计

在车轮多边形故障识别系统中，核心算法通过多传感器时空数据，实现列车运行速度解算、缺陷特征提取及跨组综合判定，构建了从原始信号到故障阶数的完整处理链路。

传感器沿钢轨轨腰纵向等间距布置(间距d)，当车轮经过时，其引发的振动信号依次触发各传感器。通过检测相邻传感器的峰值时间差$\Delta t$ (即同一车轮冲击信号到达不同传感器的时间间隔)，利用公式(1)可得实时运行速度v：

$v=\frac{d}{\Delta t}$ (1)

在获得列车运行速度后，车轮旋转基频$f_0$ 可通过速度与车轮半径的几何关系推导得出[12]：

$f_0=\frac{v}{2\pi r}$ (2)

其中r为车轮滚动圆半径。基频反映了车轮旋转的固有频率特性，是连接列车运动状态与轮轨振动频率特征的桥梁。

车轮多边形故障表现为旋转时周期性冲击，其在频域中对应基频的整数次谐波。基于时频变换技术提取振动信号中的特征频率f后，多边形阶数可通过特征频率与基频的比值确定：

$n=\frac{f}{f_0}$ (3)

上述过程形成从信号采集到故障识别的完整技术链条，为列车轮轨系统的状态监测提供了可靠的理论与方法支撑。

4. 实验测试验证

Figure 2. Layout diagram of field experiments

图2. 现场实验布置图

为验证方案的工程适用性，在上海应用技术大学轨道交通综合实验线开展现场实测。测试对象为某拖车转向架，车轮半径为0.43 m。为避免破坏原车轮廓形，通过轮周添加垫片模拟车轮多边形，垫片参数长宽高分别为50 × 30 × 1 (单位：mm)。实验采用轨腰安装加速度传感器阵列，在单侧钢轨上沿线路纵向等间距布置3组传感器，组间距为1.5 m，组内以等间隔0.65 m的方式布置，由此实现对3.25 m长度的数据检测范围覆盖，超过测试车轮对象的周长。同时，在转向架单侧轴箱上安装加速度传感器，所有传感器采用工业胶固定，现场实验图如图2所示。

Figure 3. Experimental test results of 4th order polygon (time domain)

图3. 4阶多边形实验测试结果(时域)

受限于实验车的驱动功率和实验安全性考虑，实验车速不超过10 km/h。为现场实验多边形布置的便利，进行车轮多边形轮轨异常磨耗实验考虑选择特定的阶数(1、4、8、12、16、20)。如图3所示，4阶车轮多边形的轨腰和轴箱振动加速度。单周期内出现4次典型脉冲，与设置的多边形阶数吻合，且轴箱传感器对多边形的时域特征捕捉能力较强。已知轨腰传感器1和2的间距为0.65 m，通过对时域波形峰值特征进行识别，确定车辆通过相邻传感器的时间间隔约为0.61 s，依据公式(1)~(3)得列车运行速度为1.07 m/s，车轮旋转基频为0.39 Hz，4阶多边形的故障特征频率为1.57 Hz。

Figure 4. Experimental test results of 4th order polygon (frequency domain)

图4. 4阶多边形实验测试结果(频域)

轮轨多边形磨损是一种分布式的周期性冲击故障，其产生的振动信号故障特征容易被轮轨滚动噪声、结构振动其他它成分所调制和淹没，传统的频谱分析的特征频率的幅值并不突出，容易被邻近的噪声频率干扰。具体处理流程包括：(1) 数据预处理：去除趋势项、直流分量，并进行带通滤波。(2) 计算包络谱：通过希尔伯特变换提取信号的包络，对包络信号进行傅里叶变换，得到包络频谱。(3) 确定自适应阈值：基于包络谱的统计特性生成一个动态阈值线。(4) 执行峰值搜索：结合自适应阈值和阶数先验知识，在包络谱中寻找真实的故障特征峰。(5) 阶数识别与诊断：根据找到的峰值频率与转频的比值，确定多边形阶数。对4阶多边形信号进行包络谱频域分析，如图4所示，轨腰处识别的振动特征频率结果为1.58 Hz，多边形阶数识别为4.05；轴箱处识别的振动特征频率结果为1.55 Hz，多边形阶数识别为3.97，干扰信号较低。采用类似处理方式，其他阶数实验结果及误差如表1所示。

Table 1. Result of field experiments with different wheel polygonization

表1. 车轮多边形实验结果

多边形阶数	1	4	8	12	16
轴箱信号识别阶数	0.95	3.97	8.13	12.14	15.96
轴箱信号识别误差	5%	0.75%	1.6%	1.2%	0.25%
钢轨信号识别阶数	1.06	4.05	7.89	12.18	16.12
钢轨信号识别误差	6%	1.3%	1.4%	1.5%	0.75%

实测结果均表明，车轮多边形导致的轮轨振动时频域特征具有一致性，基于轮轨响应的识别误差不超过6%，识别结果受到计算的车速、车轮半径测试精度的影响。另外，轴箱和轨腰传感器信号相互配合，摆脱了轴箱传感器对车速或车轮转角信号的依赖，验证了多传感器方案在车轮多边形故障识别中的工程适用性。

5. 结论与展望

本研究围绕列车车轮多边形故障的动态识别问题，构建了基于多传感器阵列的轮轨响应检测方法体系，通过理论分析与实验验证，得出如下结论：

(1) 车轮多边形导致的轮轨冲击响应在时域、频域特征与理论推导计算结果基本一致；

(2) 车轮多边形导致的轮轨冲击响应幅值在轴箱处相较于轨腰处更加显著；

(3) 基于轨道等间距布置的多个传感器，结合车轮半径可实现列车车速动态获取。

论文在多边形阶数识别实验中，钢轨波磨、多边形深度的影响尚未探究，且动态获取的车速以及多边形阶数识别受车轮半径测试精度的影响。下一步可结合多传感器融合算法，充分融合轮轨响应数据，提升车轮多边形阶数识别准确性。

基金项目

本文得到以下项目的资助：上海市科技计划项目(21210750300)、上海应用技术大学中青年科技人才发展基金(ZQ2023-19)和上海应用技术大学重点毕业设计课题(1011LW250095-A22)。

NOTES

^*通讯作者。