✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、算法改进、程序设计科研仿真。
🍎 往期回顾关注个人主页：完整代码获取 定制创新 论文复现私信
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
一、研究背景与意义
铁路车辆在长期高速重载运行过程中，车轮踏面擦伤是发生率最高的典型走行部故障之一，擦伤缺陷会引发周期性的冲击振动，进一步加剧轮轨接触疲劳损伤，严重时甚至会引发轨道断裂、车辆脱轨等重大安全事故。我国铁路运营场景复杂，客货列车在区间运行过程中频繁处于加速、减速的变速状态，车轮转速的宽范围动态波动会直接导致踏面擦伤对应的故障冲击间隔随时间快速变化，传统基于恒定转速假设的阶次分析、包络谱检测方法会出现严重的特征频率模糊问题，同时轮轨耦合振动、车体背景噪声的强干扰进一步大幅提升了故障特征的提取难度。
结合你此前在自适应信号分解、非平稳信号处理领域的技术积累，自适应调频模态分解（ACMD）作为一种数据驱动的新型时频分析方法，可自适应匹配变速工况下的时变调频信号特性，天然适配非平稳振动信号的精细化分解需求。本研究提出的两级ACMD检测方法，针对性解决单级ACMD在强噪声干扰下分量提取精度不足的缺陷，实现变速条件下踏面擦伤故障特征的高精度提取，对提升铁路走行部故障在线监测系统的复杂工况适应能力、保障铁路运行安全具备重要的工程应用价值。
二、国内外研究现状
铁路车轮踏面擦伤故障检测技术先后经历了恒定转速下的稳态特征提取、阶次跟踪辅助的变速特征提取、自适应信号分解的非平稳特征增强三个发展阶段：早期研究大多基于车辆恒速运行的假设，通过振动信号包络谱分析提取踏面擦伤对应的特征频率，这类方法仅能在严格稳态工况下有效，一旦车辆进入变速运行状态，故障特征频率随转速动态变化，包络谱会出现严重的频谱展宽与能量弥散，完全无法实现有效识别。随后阶次跟踪技术被引入该领域，通过转速同步重采样将时域非平稳信号转换为角域平稳信号，再开展阶次谱分析提取故障特征，但这类方法高度依赖高精度转速脉冲传感器的同步采样，在实际工程场景中传感器安装受限、转速信号缺失的情况下完全无法使用。
近年来自适应信号分解技术在机械故障诊断领域得到广泛应用，EMD、VMD等方法被大量引入车轮故障检测场景，无需依赖转速传感器即可直接从振动信号中提取故障特征，但这类传统方法在处理强噪声、强时变的变速踏面擦伤信号时，容易出现模态混叠、参数预设依赖度高的固有缺陷，故障特征提取鲁棒性不足。自适应调频模态分解（ACMD）凭借贪婪迭代的自适应分解特性，可精准匹配时变调频信号的动态变化规律，在处理非平稳振动信号时展现出显著优于传统方法的性能，但现有单级ACMD方案在强背景噪声干扰下，容易出现弱故障脉冲分量被噪声淹没的问题，本研究提出的两级ACMD框架针对性填补这一技术缺口。
三、两级ACMD踏面擦伤检测方法原理
本方法的核心技术链路分为两级递进式分解流程，全程无需依赖转速传感器信号，仅通过原始振动信号即可完成变速工况下的踏面擦伤故障特征精准提取：
第一级ACMD粗分解与分量筛选：将原始含强噪声的踏面擦伤振动信号输入第一级ACMD，通过贪婪迭代算法初步分解得到一系列调频模态分量；引入基尼指数（Gini Index）最大化准则作为分量评价指标，基尼指数可精准量化信号的冲击稀疏性，从所有分解得到的模态分量中筛选出冲击特征最显著的若干分量进行重组，剔除大部分背景噪声与无关谐波分量，完成故障脉冲信号的初步提纯。
第二级ACMD精细化特征增强：将第一级提纯后的重组信号输入第二级ACMD开展二次精细化分解，针对变速工况下踏面擦伤故障冲击的时变间隔特性，自适应调整分解过程中的调频参数，精准分离出对应踏面擦伤的时变故障脉冲分量，同步实现瞬时频率的高精度跟踪，最终得到高清晰度的时频分布结果，完全消除传统方法的频率模糊问题。
故障判定逻辑：对第二级分解得到的故障特征分量开展时频域积分与能量聚集度分析，若时频平面内出现与车轮转动周期严格对应的周期性冲击能量带，即可判定踏面存在擦伤缺陷，同时可通过冲击间隔的动态变化反推车轮瞬时转速的波动规律。
⛳️ 运行结果
🔗 参考文献
🍅更多免费数学建模和仿真教程关注领取
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
#各类智能优化算法改进及应用
#生产调度 #经济调度#装配线调度#充电优化#车间调度#发车优化#水库调度#三维装箱#物流选址#货位优化#公交排班优化#充电桩布局优化#车间布局优化#集装箱船配载优化#水泵组合优化#解医疗资源分配优化#设施布局优化#可视域基站和无人机选址优化#背包问题#风电场布局#时隙分配优化#最佳分布式发电单元分配#多阶段管道维修#工厂-中心-需求点三级选址问题 #应急生活物质配送中心选址#基站选址#道路灯柱布置#枢纽节点部署#输电线路台风监测装置#集装箱调度 #机组优化 #投资优化组合 #云服务器组合优化#天线线性阵列分布优化#CVRP问题#VRPPD问题#多中心VRP问题#多层网络的VRP问题#多中心多车型的VRP问题 # 动态VRP问题 #双层车辆路径规划（2E-VRP） #充电车辆路径规划（EVRP） #油电混合车辆路径规划#混合流水车间问题#订单拆分调度问题#公交车的调度排班优化问题#航班摆渡车辆调度问题#选址路径规划问题#港口调度#港口岸桥调度#停机位分配#机场航班调度#泄漏源定位#冷链#时间窗#多车场等#选址优化#港口岸桥调度优化#交通阻抗#重分配#停机位分配#机场航班调度#通信上传下载分配优化
#机器学习和深度学习时序#回归#分类#聚类和降维
#bp时序#回归预测和分类
#ENS声神经网络时序#回归预测和分类
#SVM#CNN-SVM#LSSVM#RVM支持向量机系列时序
#CNN#TCN#GCN卷积神经网络系列时序
#ELM#KELM#RELM#DELM极限学习机系列时序
#GRU#Bi-GRU#CNN-GRU#CNN-BiGRU门控神经网络时序
#ELMAN递归神经网络时序
#LSTM#BiLSTM#CNN-LSTM#CNN-BiLSTM/长短记忆神经网络系列时序
#RBF径向基神经网络时序
