[论文解读] Defect Prediction of Railway Wheel Flats based on Hilbert Transform and Wavelet Packet Decomposition

Eui-Youl Kim, Nithya Jayaprakasam+2 more|arXiv (Cornell University)|Aug 27, 2020

Railway Engineering and Dynamics参考文献 34被引用 5

一句话总结

本文提出了一种基于希尔伯特变换与小波包分解的缺陷预测框架，用于铁路轮对踏面剥离的检测。该方法从非平稳轴箱加速度（ABA）信号中提取正交能量特征，并通过在增强特征上训练的神经网络，实现对单个轮对踏面剥离的高精度检测与定位，显著提升了高度分解信号下的预测性能。

ABSTRACT

For efficient railway operation and maintenance, the demand for onboard monitoring systems is increasing with technological advances in high-speed trains. Wheel flats, one of the common defects, can be monitored in real-time through accelerometers mounted on each axle box so that the criteria of relevant standards are not exceeded. This study aims to identify the location and height of a single wheel flat based on non-stationary axle box acceleration (ABA) signals, which are generated through a train dynamics model with flexible wheelsets. The proposed feature extraction method is applied to extract the root mean square distribution of decomposed ABA signals on a balanced binary tree as orthogonal energy features using the Hilbert transform and wavelet packet decomposition. The neural network-based defect prediction model is created to define the relationship between input features and output labels. For insufficient input features, data augmentation is performed by the linear interpolation of existing features. The performance of defect prediction is evaluated in terms of the accuracy of detection and localization and improved by augmented input features and highly decomposed ABA signals. The results show that the trained neural network can predict the height and location of a single wheel flat from orthogonal energy features with high accuracy.

研究动机与目标

• 为高速铁路运营中日益增长的实时车载监测系统需求提供解决方案。
• 利用非平稳轴箱加速度（ABA）信号，提升对铁路轮对常见缺陷——踏面剥离的检测与定位精度。
• 开发一种稳健的特征提取方法，以增强神经网络在缺陷预测中的性能。
• 通过线性插值实现的有效数据增强，克服输入特征数量有限的问题。
• 从检测准确率与定位精度两个方面评估所提方法的性能。

提出的方法

• 将小波包分解应用于非平稳轴箱加速度（ABA）信号，基于平衡二叉树结构将其分解为多个频带子带。
• 利用希尔伯特变换从每个分解后的子带中提取瞬时幅值与相位信息，实现基于能量的特征表示。
• 从希尔伯特变换后的分量中计算正交能量特征，以表征信号在各频带的能量分布。
• 训练神经网络以学习提取的正交能量特征与单个轮对踏面剥离真实位置及高度之间的映射关系。
• 通过现有特征的线性插值实现数据增强，以应对训练数据不足问题，提升模型泛化能力。
• 利用具有柔性转向架的列车动力学模型，模拟真实 ABA 信号用于训练与评估。

实验结果

研究问题

• RQ1 希尔伯特变换与小波包分解能否有效从非平稳轴箱加速度信号中提取用于踏面剥离检测的判别性特征？
• RQ2 基于这些变换提取的正交能量特征，对缺陷预测准确率有何影响？
• RQ3 通过线性插值进行数据增强，在多大程度上提升了神经网络在检测踏面剥离方面的性能？
• RQ4 所提方法能否准确地从 ABA 信号中定位并量化单个轮对踏面剥离的高度？
• RQ5 信号分解深度在多大程度上影响神经网络模型的预测准确率？

主要发现

• 在正交能量特征上训练的神经网络，实现了对单个轮对踏面剥离位置与高度的高精度预测。
• 将小波包分解与希尔伯特变换结合，显著增强了非平稳 ABA 信号的特征表示能力。
• 通过线性插值实现的数据增强，有效弥补了输入特征数量不足的问题，提升了模型鲁棒性。
• 高度分解的 ABA 信号显著提升了检测与定位精度，证明了细粒度频带分析的优势。
• 在复杂非平稳信号环境中，所提方法在预测准确率方面优于基线方法。
• 该框架在高速铁路实际应用中展现出强大的实时车载监测系统潜力。