(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211502765.6 (22)申请日 2022.11.29 (71)申请人 科瑞工业自动化系统 （苏州） 有限公 司 地址 215100 江苏省苏州市吴中区马夏路 585号 (72)发明人 吴杰　杜凯峰　陆伟　 (74)专利代理 机构 苏州翔远专利代理事务所 (普通合伙) 32251 专利代理师 刘计成 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G01D 21/02(2006.01) (54)发明名称 一种列车轮对踏面形貌在线监测方法及系 统 (57)摘要 本发明公开了一种列车轮对踏面形貌在线 监测方法及系统， 该列车轮对 踏面形貌在线监测 方法可实时检测车轴偏心位移信号、 轴箱振动信 号和齿轮箱振动信号， 并将振动信号进行数据转 换， 转换为对应在同一时间轴上的位移信号， 最 后通过神经网络模型进行深度学习， 通过阈值比 对识别轮对的形貌缺陷。 该列车轮对 踏面形貌在 线监测方法稳定性高、 易操作， 实现了列车轮对 踏面形貌实时在线采集， 能实现信号的高采样率 和高同步性， 确保采样的准确性和实效性， 可持 续长距离跟踪轮对踏面形貌的变化， 排除潜在故 障， 为城轨列车安全运行提供保障。 权利要求书2页 说明书5页 附图2页 CN 115526218 A 2022.12.27 CN 115526218 A 1.一种列车轮对踏面形貌在线监测方法， 其特 征在于， 其包括如下步骤： 步骤1： 在列车车轮的车轴上设置两个位移传感器， 两个位移传感器呈90 °间隔设置在 所述车轴外周面上， 所述 位移传感器用于检测车轴偏心的位移信号s； 步骤2： 在列车的轴箱、 齿轮箱上设置振动检测传感器， 检测轴箱振动加速度信号y(t) 和齿轮箱振动加速度信号z(t)； 步骤3： 对轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)进行数据变换， 将轴 箱振动加 速度信号y(t)转换为位移信号y， 将齿轮箱振动加 速度信号z(t)转换为位移信号 z， 并将位移信号s、 y、 z对应到同一时间轴上； 步骤4： 建立神经网络模型， 先通过准备好的训练样本对神经网络模型进行训练， 再通 过测试样本对神经网络模型进行测试； 步骤5： 将位移信号s、 y、 z输入到训练好的神经网络模型中进行深度学习， 通过神经网 络模型分析位移信号s、 y、 z的时频 特性和计算特 征值； 步骤6： 根据神经网络模型输出时频特性分析和特征值计算结果进行阈值判断， 识别列 车轮对踏面形貌缺陷。 2.根据权利要求1所述的列车轮对踏面形貌在线监测方法， 其特征在于， 在步骤3中对 轴箱振动加速度信号y(t)、 齿轮箱振动加速度信号z(t)进行 数据变化具体算法为： 用x(t)代表y(t)、 z(t)其 中的一组信号， 每组信号转换方式为： 在时间T内采集N个时域 信号x(t)， 形成离散数据x(n)， 将  x(n)经离散傅里叶变换后得到加速度信号频域信号X (k)， 对加速度频域信号X(k)进行二次积分获得位移频域信号， 二次积分计算公式为 其中 式中： fd和fu分别为下限截止频率和上限截止频率； X(k)为x(n)的傅里叶变换； △f为 频率分辨 率； H(k)为带通滤波器的频率响应函数； 最后将获得的频域信号y(r)通过傅里叶逆变换转换回到时域获得位移的时域信号。 3.根据权利要求2所述的列车轮对踏面形貌在线监测方法， 其特征在于， 在步骤3中进 行数据变化之前先对采集到的对轴箱振动加速度信号y(t)、 齿轮箱振动加速度信号z(t)进 行滤波、 调制解调。 4.一种的列车轮对踏面形貌在线监测检测系统， 其特 征在于， 其包括： 两个位移传感器， 两个位移传感器沿列车轮对车轴的外周面呈90 °间隔分布， 所述位移 传感器用于检测所述车轴偏心位移信号s； 轴箱振动检测传感器， 所述轴箱振动检测传感器设置在列车的轴箱上， 所述轴箱振动 检测传感器用于检测所述轴箱的轴箱振动加速度信号y(t)； 齿轮箱振动检测传感器， 所述齿轮箱振动检测传感器设置在列车的齿轮箱上， 所述齿 轮箱振动检测传感器用于检测所述齿轮箱的齿轮箱振动加速度信号z(t)； 数据转换模块， 所述数据转换模块用于对轴箱振动加速度信号y(t)和齿轮箱振动加速 度信号z(t)进行数据变换， 将轴箱振动加速度信号y(t)转换为位移信号y、 齿轮箱振动加速权　利　要　求　书 1/2 页 2 CN 115526218 A 2度信号z(t)转换为 位移信号z， 并将位移信号s、 y、 z对应到同一时间轴上； 神经网络模块， 所述神经网络模块用于对位移信号s、 y、 z进行深度学习， 通过神经网络 模型分析位移信号s、 y、 z的时频 特性和计算特 征值； 阈值判断模块， 所述阈值判断模块用于将神经网络模型输出时频特性分析和特征值计 算结果进行阈值判断， 并识别列车轮对踏面形貌缺陷。权　利　要　求　书 2/2 页 3 CN 115526218 A 3