Методы обработки сигналов акселерометров на железнодорожном транспорте с использованием вейвлет-преобразования

Введение. Вопросы безопасности железнодорожного транспорта напрямую связаны с состоянием железнодорожного полотна, а также поверхности колес вагонов. Одной из причин возникновения нештатных ситуаций на железной дороге могут быть различные дефекты, например неровности рельсового пути, поэтому актуальной является задача измерения и расчета коротких и импульсных неровностей. Важным также является проведение совместного анализа сигналов виброускорений акселерометров с целью исследования типов и размеров неровностей рельсового пути.

Цель работы. Разработка алгоритма поиска дефектов поверхности катания рельса по показаниям акселерометров с вертикальной измерительной осью, установленных на буксовых узлах колесной тележки вагона.

Материалы и методы. В рамках проведенного исследования использовались методы вейвлетпреобразования и вейвлет-обработки сигналов, включая дискретное вейвлет-преобразование и непрерывное вейвлет-преобразование, а также частотно-временной анализ на основе фурье-спектрограммы и непрерывной вейвлет-скалограммы. Данные методы обеспечивают частотно-временную локализацию событий в сигнале, в том числе обнаружение дефектов железнодорожного полотна и определение его параметров.

Результаты. Предложены алгоритмы обработки и анализа вибрационных сигналов с помощью непрерывного и дискретного вейвлет-преобразования. Показано, что дискретное вейвлет-преобразование эффективно при проведении мультиразрешающего и мультиполосного анализа сигналов виброускорений, а непрерывное вейвлет-преобразование и вейвлет-скалограмма позволяют выявлять дефекты рельсового пути и определять их параметры. Относительная погрешность определения глубины неровности улучшилась на 18 %, а абсолютная погрешность определения длины неровности уменьшилась в 7 раз.

Заключение. Применение дискретного преобразования Фурье и фурье-спектрограммы к анализу сигналов виброускорений обеспечивает хорошее разрешение в частотной области, однако при этом затруднительным является разделение компонент во временной и частотно-временной областях. Ключевой является именно частотновременная локализация. Непрерывное вейвлет-преобразование обеспечивает достаточное разрешение в низкочастотной области для локализации компонент, а также качественной и количественной визуализации дефектов.

1. Inertial System for Railway Track Diagnostics / А. M. Boronahin, E. D. Bokhman, Yu.V. Filatov, D. Yu. Larionov, L. N. Podgornaya, R. V. Shalymov // Symp. Inertial Sensors and Systems. Karlsruhe, Germany, 18–19 Sept. 2012. German Institute of Navigation (DGON), 2012. P. 17.1–17.20.

2. Inertial Method of Railway Track Diagnostics Incorporating the Condition of Rolling Surfaces of the Railcar's Wheels / А. M. Boronahin, D. Yu. Larionov, L. N. Podgornaya, A. N. Tkachenko, R. V. Shalymov // 4th Intern. Conf. on Intelligent Transportation Engineering, ICITE 2019. Singapore, 05–07 Sept. 2019. IEEE, 2019. P. 49–53. doi: 10.1109/ICITE.2019.8880194

3. Railway Track Diagnostics by Combined Kinematic and Vibroacoustic Analysis / A. V. Bolshakova, A. M. Boronakhin, D. M. Klionsky, D. Yu. Larionov, A. N. Tkachenko, R. V. Shalymov // Proc. of the 2022 Intern. Conf. on Quality Management, Transport and Information Security, Information Technologies (IT&QM&IS). Saint Petersburg, Russia, 26–30 Sept. 2022. IEEE, 2022. P. 188–192. doi: 10.1109/ITQMIS56172.2022.9976711

4. Peculiarities of Vibration Signal Processing Techniques Application to Inertial Way Diagnostics / A. V. Bolshakova, A. M. Boronakhin, D. M. Klionsky, D. Yu. Larionov, A. N. Tkachenko, R. V. Shalymov // Proc. of the 2023 Intern. Conf. on Quality Management, Transport and Information Security, Information Technologies (IT&QM&IS). Petrozavodsk, 25–29 Sept. 2023. IEEE Russia North West Section (в печати).

5. Geppener V. V., Klionsky D. M., Oreshko N. I. Classification of telemetric signals and their spectral density estimation with the help of wavelets // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2012. Vol. 22, № 4. P. 576–582. doi:10.1134/S1054661812040098

6. Newland D. E. An Introduction to Random vibrations, spectral and wavelet analysis, 3rd ed. Harlow: Longman; New York: John Wiley, 1993. 477 p.

7. Percival D. B., Walden A. T. Wavelet methods for time series analysis. Cambridge: Cambridge University Press, 2000. 594 p.

8. Newland D. E. Harmonic and musical wavelets. Proc. of the Royal Society of London (Mathematical and Physical Sciences). 1994. Vol. 444, № 1922. P. 605–620. doi: 10.1098/rspa.1994.0042

9. Daubechies I. Ten lectures of wavelets. Philadelphia: Society for Industrial and Applied Mathematics, 1992. 341 p.

10. Mallat S. A wavelet tour of signal cessing. San Diego: Academic Press, 1998. 577 p.

11. Декомпозиция на эмпирические моды в цифровой обработке сигналов / Н. И. Орешко, Д. М. Клионский, В. В. Геппенер, А. В. Экало // СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2013. 164 c.

12. Клионский Д. М., Геппенер В. В. Технология Гильберта–Хуанга и ее применение в цифровой обработке сигналов. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2019. 150 c.

13. Chui C. K. An Introduction to Wavelets. Academic Press, 1992. 264 p.

14. Смоленцев Н. К. Вейвлет-анализ в MATLAB. 3-е изд. М.: ДМК Пресс, 2010. 448 c.

15. Donoho D. L., Johnstone J. M. Minimax estimation via wavelet shrinkage // Annals of Statistics. 1998. Vol. 26, № 3. P. 879–921. doi: 10.1214/aos/1024691081