近年来,以高铁、地铁为代表的轨道交通飞速发展,日益增长的运营里程使得线路养护需求激增,迫切需要更加高效的钢轨打磨技术。因其安全、优质、高效、经济等优势,一种基于高效砂带磨削方式的新型钢轨打磨技术应运而生。但是砂带磨削性能随着砂带磨损发生显著变化,比如:材料去除率降低、磨削温度升高等,这些变化将降低打磨精度与钢轨表面质量,而且使用磨损严重的砂带,将大大增加钢轨烧伤、砂带断裂发生的概率。为了及时更换磨损严重砂带,保障打磨作业安全,同时根据砂带磨损状态优化打磨工艺,从而保证打磨质量,提高打磨效率,充分发挥钢轨砂带打磨的优势,本文以钢轨打磨为工程应用背景,围绕砂带磨损状态监测与剩余寿命预测两个方面,开展了相关研究。首先,为了合理制定砂带磨损监测方案,研究了钢轨打磨砂带磨损规律。在明确钢轨打磨作业需求与砂带服役工况基础上,分析了钢轨打磨砂带磨粒典型磨损形式的磨损规律与发生原因。在此基础上,通过砂带受力模型与砂带全生命周期三维形貌数据,分析了砂带全生命周期表面磨粒受力与磨损特点。根据打磨需求与各种砂带磨损表征量随砂带磨损的变化规律,选定了砂带磨损质量百分比作为砂带磨损程度表征量,砂带能够继续正常服役的钢轨打磨作业里程作为剩余寿命预测结果。针对钢轨打磨砂带磨损监测的高精度、高可靠、低成本需求,制定了打磨声音与打磨电机电流相融合的监测方案,并设计了砂带全寿命服役周期多工艺参数钢轨打磨实验。其次,为了在监测信号中精准提取与砂带磨损相关的特征,分析了打磨声音信号声源,建立了钢轨振动与声辐射模型、打磨单元动力学模型,揭示了钢轨砂带打磨声音与电流信号产生机制以及砂带磨损影响监测信号的机理。结合上述机理与实测数据,发现打磨声音信号中与砂带磨损相关的主要是各磨粒切入切出引起的接触刚度变化以及磨粒滑擦、犁耕、切削所产生的声音成分,6 k Hz以上的部分信噪比较高。从多维度分析了滤波后的声音信号,提取了均方根值、幅频衰减系数、奇异谱特征值等特征,其在砂带不同磨损阶段敏感性各不相同。电流信号中低频成分与磨削切向力静态分量有关,随砂带磨损变化明显。提取电机电流有效值作为电流信号特征,其在砂带退化磨损期随着砂带磨损明显减小,随着打磨压力的增大而近似线性增大。接着,针对钢轨砂带打磨监测中存在的不同问题提出了三种磨损状态监测方法。针对打磨工艺参数连续变化、训练样本集稀疏、系统非线性与识别变量连续的监测特点,提出了可解释性强的砂带磨损程度识别贝叶斯网络模型。该模型能够融合砂带磨损规律与监测数据,提高模型精度,模型在具有相同工艺参数样本的条件下识别相对误差为6.6%,在缺少相同工艺参数样本的条件下识别误差为8.9%。针对打磨声音信号时变特征提取不充分的问题,改进传统深度卷积神经网络结构,提出了砂带磨损程度识别深度卷积神经网络模型,使模型在自动学习声音信号特征时考虑工艺参数以及其它信号特征。在上述研究的基础上,提出了基于贝叶斯理论的砂带磨损状态识别决策级融合策略,融合上述两种方法的识别结果,相比于贝叶斯网络模型绝对误差减小36.1%,相比于深度卷积神经网络模型绝对误差减小38.1%。最后,基于幂指函数、高斯过程回归与蒙特卡罗仿真建立了砂带剩余寿命预测模型。利用幂指函数与高斯过程回归方法融合砂带磨损机理与历史样本数据,建立了砂带磨损率分布模型,然后在确定钢轨打磨砂带服役寿命阈值的基础上,提出了基于蒙特卡洛仿真的砂带剩余寿命预测方法,在砂带稳定磨损期与退化磨损期,预测误差较小,相对误差在3%以内。为了更加准确地识别当前磨损状态并预测砂带剩余寿命,提出了基于粒子滤波的砂带磨损状态监测与剩余寿命预测方法。该方法融合了砂带磨损率模型与磨损状态监测模型,利用了砂带服役过程的所有时刻监测信息,结果表明:砂带磨损状态识别均方根误差只有1%,剩余寿命预测误差为0.096 km。
暂无评论