基于GWO-VMD的无砟轨道翻浆冒泥病害识别
齐伟智1
李再帏1
洪剑2
1.上海工程技术大学 城市轨道交通学院,上海 2016202.中国铁路上海局集团有限公司 工务部,上海 20071
摘要：针对当下翻浆冒泥病害识别成本昂贵、周期长和效率低等问题,提出一种基于灰狼优化算法(Grey Wolf Optimization,GWO)与变分模态分解(Variational Mode Decomposition,VMD)相结合的无砟轨道翻浆冒泥病害识别算法.首先,通过对翻浆冒泥病害数量的统计分析,明确无砟轨道翻浆冒泥病害区段长度.其次,基于动检车所测得轨道不平顺数据,比较经验模态分解(Empirical Mode Decomposition,EMD)、小波分解(Wavelet Decomposition,WD)和VMD在无砟轨道翻浆区段不平顺数据分解中效果及麻雀搜索优化算法(Sparrow Search Algorithm,SSA)、人工蜂群优化算法(Artificial Bee Colony,ABC)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、粒子群优化算法(Particle Swarm Optimization,PSO)和GWO对于VMD关键参数k和α的自适应选择效果;采用GWO-VMD对测得的轨道不平顺数据进行分解,分析轨道不平顺固有模态分量(Intrinsic Mode Functions,IMF)的特征;将IMF的峭度值作为特征向量,通过计算包络谱熵值的最大似然函数得到病害识别阈值为3.51.最后,通过实例验证GWO-VMD模型的有效性.研究结果表明:利用GWO-VMD分解轨道不平顺数据所得到的每个IMF分量具有不同的频率和幅度特征,对应了不同空间尺度信息;与现场病害资料对比,GWO-VMD识别的结果准确率均达到90%以上,可有效地实现无砟轨道翻浆冒泥病害的定位与检测.研究结果有助于无砟轨道服役状态的精细化管理,为高铁线路"状态修"提供技术支持.
关键词：铁道工程无砟轨道翻浆冒泥轨道不平顺变分模态分解病害识别
分类号：U216.418(铁路线路工程)
论文发表日期：2025-04-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：12( 123-134 )
英文信息