首頁資訊軌道車輛結構振動損傷識別技術綜述

軌道車輛結構振動損傷識別技術綜述

來源：泰然健康網時間：2024年12月07日 14:38

0. 引言

眾所周知，損傷是導致工程結構失效的主要原因之一，而基于振動的損傷識別技術又是結構健康監(jiān)測的核心內容[1]。由于結構健康監(jiān)測(Structural Health Monitoring, SHM)系統(tǒng)是一個廣泛和高度跨學科的研究領域，涉及試驗測試、信號采集、系統(tǒng)辨識、數據管理以及服役環(huán)境和運行條件的長期監(jiān)測。其過程一般包括：根據傳感器測量信號獲取結構振動響應數據；提取、分類和分析響應數據；進行診斷和預后分析(損傷識別算法)；考慮結構損傷特征的演化過程和失效概率進行運維決策，包括對部件執(zhí)行維修、替換和剩余壽命預測等[2]。

損傷的經典定義是結構系統(tǒng)的材料和/或幾何特性的變化，包括邊界條件和系統(tǒng)特性的變化，且這些變化會對系統(tǒng)的性能產生不利影響[3]。損傷有時也被定義為可能影響結構現在或未來性能的結構參數，包括裂紋、腐蝕、螺栓松動、疲勞或焊接斷裂等導致原始材料或結構幾何特性的偏差[4]。早在20世紀70年代末期，Cawley等[5]就利用振動(固有頻率方法)研究結構損傷識別技術。由于損傷結構與健康結構相比具有剛度缺失的特征，在靜態(tài)分析中人們可以根據位移和作用載荷產生的變形差異進行損傷識別，在動態(tài)分析中，利用頻率、模態(tài)、振型的變化及其他相關的振動分析進行損傷檢測。由于損傷內涵豐富，本文將結構損傷定義為裂紋識別問題。

結構損傷識別(Structural Damage Identification, SDI)，也稱結構損傷檢測(Structural Damage Detection, SDD)，一般分為局部方法和全局方法。按照結構動力學理論，損傷識別也屬于結構動力學正逆混合問題。損傷的定位和量化需要根據結構部件的激勵和響應(加速度、位移、應力應變信號等)求解系統(tǒng)特征參數(固有頻率、模態(tài)振型等)的變化。一般而言，結構參數、損傷場景和識別方法之間的關系共同決定了損傷識別效果，其過程一般分為4個層次[6-10]：層次1(存在性)，判斷系統(tǒng)或結構是否存在損傷(正問題)；層次2(定位)，在已經發(fā)生損傷的基礎上確定損傷位置(反問題)；層次3(類型和程度)，量化判斷損傷類型和嚴重程度(反問題)；層次4(預后)，評估結構的剩余壽命。

由于第4個層次的損傷識別方法與結構疲勞壽命、斷裂力學和結構完整性有關，大多數的損傷識別內容集中于前3個層次。

Fan等[8]將結構振動損傷識別方法概括為基于模型的方法和基于響應信號的方法2種?；谀Ｐ头椒ǘ鄶凳呛徒Y構模態(tài)參數相關的數據(頻率、模態(tài)振型、阻尼、模態(tài)曲率、模態(tài)應變能等)，均可以應用于結構振動損傷識別過程的每個層次，區(qū)別只是考慮不同級別的損傷識別過程應該采取特定的識別算法。為了獲得更加準確的損傷特征模型，有必要考慮有限元模型修正和優(yōu)化技術。結合試驗數據可以獲得更加準確的損傷特征的數學或物理模型，以預測結構在不同場景和不同服役條件下的動態(tài)特性。局限是經常需要與無損傷結構的數據比較。但在評估工程結構損傷的存在、定位、分類或量化時，實際上是很難提供復雜場景下健康結構的完整信息。即使從損傷結構中能獲取一些結構參數相關數據進行訓練，環(huán)境噪聲和測試誤差的影響也會使得模型特征數據的準確獲取存在很多困難。顯然，局部方法難以獲得準確識別損傷的大量數據，更不利于結構狀態(tài)的實時、在線檢測。局部方法只是在相對較小的尺度上檢測和量化損傷，無需關注結構振動響應，檢測范圍相對較小[11]。無損檢測方法多數屬于結構損傷識別的局部方法，應用于結構部件局部區(qū)域的無損檢測、測試和評估，如超聲波測試(Ultrasonic Test, UT)、聲發(fā)射(Acoustic Emission, AE)、紅外熱成像(Infrared Thermal Imaging, IRT)和射線照相測試(Radiographic Test, RT)等。

隨著計算機、人工智能和傳感器等新技術的發(fā)展，結構健康監(jiān)測逐漸從局部方法向全局方法發(fā)展。基于振動的結構損傷識別技術一般屬于全局方法。Onur等[12]根據振動測量信號的不同，又將振動損傷識別技術進一步細分為參數方法和非參數方法，其具有如下優(yōu)點。

(1) 與多數針對結構局部的無損檢測方法相比，具有非破壞、方便快捷和易于在線檢測等優(yōu)點，成為結構故障監(jiān)測全局技術的重要手段，具有良好的應用前景。

(2) 不需要布置太多傳感器網絡，利用有限的加速度傳感器就可以識別結構的動態(tài)特性，獲得響應數據。

(3) 不要求事先知道損傷的預期位置，僅根據振動響應數據和識別算法進行分析。

(4) 測試振動響應的儀器攜帶方便，適合結構狀態(tài)的實時監(jiān)測。

而基于響應的振動損傷識別方法僅依賴于輸出的響應信號數據，利用統(tǒng)計分析和模式識別技術就能實現結構狀態(tài)實時監(jiān)測，不僅可以提前發(fā)現損傷的存在，而且能夠有效識別損傷的位置和嚴重程度，甚至預測剩余壽命。這也是振動損傷識別技術在土木、航空和機械等工程領域越來越受到重視的原因。結構振動損傷識別技術是近10年來結構健康監(jiān)測領域重要研究方向之一。損傷識別技術可以說是結構健康監(jiān)測技術的核心，屬于診斷系統(tǒng)和預后系統(tǒng)的一部分。特別是基于振動的損傷識別技術和算法，已成為未來結構健康監(jiān)測技術研究中必須要重點考慮的關鍵內容。結構健康監(jiān)測的過程和損傷識別的關系如圖 1所示。

圖 1 結構健康監(jiān)測的基本過程和損傷識別

Figure 1. Basic process of structural health monitoring and damage identification

基于振動的結構健康監(jiān)測和損傷識別技術已經出現了不少綜述論文，多數集中于梁、板、桁架等基礎結構，而軌道車輛結構損傷識別技術的綜述文獻相對較少。軌道車輛關鍵部件的損傷通常表現為結構疲勞裂紋的萌生、擴展和斷裂，是引起車輛故障和結構失效破壞的主要原因之一。由于要考慮基于狀態(tài)的智能運維策略(Condition-Based Maintenance, CBM，也稱為狀態(tài)修)，軌道車輛結構振動損傷識別技術的應用需求已變得十分迫切[13]。本文的研究目的是通過綜述的方式調查損傷識別技術在軌道車輛相關領域的應用現狀和進展，為未來軌道車輛的智能運維策略提供技術參考, 故有必要綜述結構振動損傷識別技術在軌道車輛中的應用。

1. 理論背景和數學模型

過去幾十年里，航空、土木和機械等工程領域的結構損傷識別技術經眾多學者的多年探索，包括確定損傷存在、定位、類型和程度量化等，已經取得了豐富的成果。Sinou等[1-3, 7-11, 14-15]均對結構損傷識別方法進行了很好的文獻綜述。顯然，基于振動的損傷識別方法對結構振動行為、失效機制、關鍵損傷位置和嚴重程度要求有深入理解。結構振動損傷識別方法屬于全局方法，本文在文獻基礎上也將振動損傷識別技術分為基于模型的方法和基于響應信號的方法。

基于模型的方法利用傳感器技術獲取結構振動信號來確定結構系統(tǒng)物理性質的未知動態(tài)參數。這些動態(tài)參數多數與模態(tài)參數相關，如結構頻率、模態(tài)振型、阻尼和曲率等。其他一些損傷識別方法則是基于剛度和柔度矩陣方法、敏度方法、頻響函數方法等。使用結構模態(tài)參數相關的方法是根據損傷結構和健康結構(無損傷結構)之間的變化來定位損傷。此外，利用模態(tài)參數建立柔度矩陣、模態(tài)曲率和模態(tài)應變能的變化率也是損傷量化的有效指標[8-14]。

基于響應信號的方法屬于非參數方法，僅依賴于結構的振動響應信號數據(如位移、加速度等信號)，有時也稱為智能損傷診斷方法。Gomes等[15]不僅研究了智能信號處理技術和振動響應參數(剛度、固有頻率、模態(tài)阻尼、模態(tài)振型、模態(tài)曲率、頻響函數、應變能等)相結合的損傷識別算法，也強調了利用振動指標的智能信號處理優(yōu)化算法進行結構損傷識別的比較，同時討論了如何使用優(yōu)化算法和人工神經網絡(Artificial Neural Networks, ANN)進行結構損傷識別。就目前的應用現狀而言，遺傳算法(Genetic Algorithm, GA)、粒子群優(yōu)化(Particle Swarm Optimization, PSO)、人工蜂群(Artificial Bee Colony, ABC)、機器學習(Machine Learning, ML) 和人工神經網絡等主要應用于結構損傷的定位[15]，但這些結構損傷定位仍然需要解決一些問題：改善優(yōu)化算法的準確性；降低計算成本；處理損傷識別多目標優(yōu)化設計變量時容易出現的無效問題。

此外，在一些更加復雜的工程結構的健康監(jiān)測中，損傷識別方法的應用仍然受到各種不確定因素和邊界條件的影響和限制，需要考慮多種識別方法的混合和優(yōu)化，如模態(tài)應變能的損傷定位方法和改進差分演化的優(yōu)化算法等。這些優(yōu)化算法與其他損傷識別方法的集成已成為振動損傷識別技術工程應用的重要發(fā)展方向，這也從側面證明了基于振動響應信號的損傷識別方法已成為一種有效的結構故障診斷與檢測技術。

1.1 基于模型的方法

基于模型的方法主要是指與模態(tài)參數相關的方法，即將健康結構與損傷結構的模態(tài)參數進行比較，觀察振動損傷導致的參數變化，并以此作為結構損傷的存在、位置和嚴重程度的重要指標。這種方法有時也稱為基于物理模型的方法?；谀Ｐ偷姆椒ㄖ饕譃閇8-12]：固有頻率法、模態(tài)振型法、曲率模態(tài)/應變模態(tài)法和其他與模態(tài)參數相關的方法。

1.1.1 固有頻率法

固有頻率法是以固有頻率變化作為損傷識別的基本特征進行裂紋識別[4, 8]。由于結構質量、剛度和其他結構參數的變化會導致其固有頻率的變化。頻率變化是通過設置在特定點的傳感器測量結構由于剛度變化而引起的固有頻率變化。選擇固有頻率變化作為損傷靈敏度因子有很多優(yōu)勢，其中之一就是固有頻率受噪聲的影響較小，測量結果相對比較準確，在結構部分節(jié)點布置傳感器就可以準確測量結構的固有頻率；缺點是需要優(yōu)化確定傳感器布置數量。為了有效地檢測損傷，傳感器應均勻地設置，且最好是振型矢量幅值總和為0的測點位置。Lee等[16]利用Rank-Orderin方法和前4階固有頻率確定結構損傷大小和位置。由于結構固有頻率屬于整體屬性，有時盡管損傷發(fā)生在不同位置，但也可能導致相同的結構頻率變化，如一些對稱結構中處于對稱位置的損傷可能會導致頻率變化相同。顯然，僅依賴頻率變化并不能有效識別損傷的位置和程度。固有頻率法多數用于判斷損傷的存在，這也是利用固有頻率變化識別結構損傷的局限性。另外，利用頻率變化的方法有時對微小損傷不敏感[17-18]。

1.1.2 模態(tài)振型法

模態(tài)振型法需要考慮模態(tài)保證準則(Modal Assurance Criterion, MAC，也稱為模態(tài)置信度)進行結構損傷識別。該準則利用模態(tài)特征向量的正交性來檢測整個結構的模態(tài)變化[1]。模態(tài)保證準則源于對試驗模態(tài)向量的質量置信度指標的需求，該指標一般根據測得的頻響函數估計得出。該方法使用模態(tài)節(jié)點位移來檢測和定位損傷，用于識別測量自由度對MAC低值的負面影響。MAC的一個擴展方法是坐標模態(tài)準則(Coordinate Modal Assurance Criterion, COMAC)。通過一組模態(tài)進行對應分析，其歸一化值Pi, j為[7]

Pi,j=(m∑j=1φu,i,jφd,i,j)2m∑j=1φ2u,i,jm∑j=1φ2d,i,j(1)

式中：φu, i, j和φd, i, j分別為自由度i和模態(tài)系數j處的無損傷和有損傷結構振型矢量；m為模態(tài)向量的匹配對數。

利用MAC和COMAC方法基本可以識別大多數結構損傷的變化和位置，但也存在識別虛假結構損傷的現象，產生錯誤的識別結果。盡管如此，COMAC在實際工程學科中仍然是一種應用廣泛的振動損傷檢測方法。在過去的幾十年中，許多基于模態(tài)振型的損傷識別方法幾乎都是直接或間接建立在實測模態(tài)振型的基礎上[8-9, 19-20]。這些方法大致分為2種類型：傳統(tǒng)的振型變化方法，通過有限元模型或試驗測試來建立損傷位置/損傷嚴重程度與振型變化之間的關系，其準確度依賴于完整和受損結構的振型數據；結合現代信號處理方法，根據損傷結構的振型變化進行損傷識別。這些方法將振型變化或振型數據作為一種空間域信號，利用信號處理技術，通過檢測損傷引起的振型曲線局部不連續(xù)來定位損傷。

由于模態(tài)振型包含局部信息，使得振型對局部損傷更加敏感，模態(tài)振型法可以直接應用于結構的多損傷識別。傳統(tǒng)的模態(tài)振型法是將健康結構和損傷結構的振型變化作為損傷識別的基本特征進行比較分析。健康結構的模態(tài)數據通過對完整結構的試驗測試或精確數值模型獲得。在無法獲得健康結構的試驗數據時，采用有限元模型來生成基準數據。與固有頻率法相比，模態(tài)振型法受環(huán)境影響更小，具有定位損傷的空間信息等優(yōu)點；利用振型及其導數(如轉角模態(tài))作為損傷檢測的基本特征的優(yōu)勢也十分明顯，且振型對溫度等環(huán)境影響的敏感度較低；缺點是測量振型需要采用較多的傳感器，容易受到噪聲污染和測試條件的影響。

由于模態(tài)振型法還存在一定的局限性，很多學者開始嘗試解決振動損傷識別方法的模型基準數據問題。Xu等[21]利用損傷梁結構的振動模態(tài)數據的適當階數多項式近似無損傷梁結構的振動模態(tài)數據，構造模態(tài)曲率差與連續(xù)小波變換損傷指標，進行損傷檢測；Janeliukstis等[22]對損傷結構的模態(tài)振型數據進行傅里葉級數插值來模擬無損傷結構，避免了對健康結構基準數據的過度依賴，利用模態(tài)空間的連續(xù)小波變換和模態(tài)曲率方法研究了梁結構損傷識別中的適應性，并通過損傷指標歸一化和統(tǒng)計假設的方法識別了固支條件下鋁材和復合材料梁的損傷位置；Navabian等[23]提出了基于模態(tài)數據(如模態(tài)振型及其導數)的損傷指標方法，以識別板結構中的損傷，利用模態(tài)振型和基于中心有限差分法計算板在每種模態(tài)下的斜率和曲率，并基于試驗模態(tài)數據進行識別，取得了較好的效果；Rucevskis等[24]提出了一種不需要基準數據的模態(tài)振型法，該方法僅考慮損傷結構的模態(tài)曲率數據，損傷指標為實測損傷結構與健康結構曲率平滑多項式之間的絕對差，且考慮了不同程度的損傷，測量了噪聲和傳感器稀疏性的影響，能夠利用試驗數據和有限的傳感器數據進行識別方法的魯棒性分析；Yang等[25]通過對結構離散的應變模態(tài)數據進行三次樣條插值，獲得了光滑且連續(xù)的結構應變模態(tài)，計算了其差分曲線，構造了損傷指標，定位了損傷，并采用自回歸移動平均法分析了損傷結構位置周邊的振型數據，模擬了無損傷模型的振型，預測了結構的損傷程度。

1.1.3 曲率模態(tài)法

一般的模態(tài)振型法是指位移模態(tài)或應變模態(tài)[26]，但在損傷微小的情況下，即使采用高精度的模態(tài)振型測量技術，利用位移模態(tài)或應變模態(tài)的識別效果也并不理想，這就導致利用結構位移模態(tài)或衍生的其他應變模態(tài)損傷識別方法得到了廣泛應用。為了提高振型數據對損傷的敏感性，人們提出利用模態(tài)振型的曲率作為損傷識別的方法，簡稱為曲率模態(tài)法[18, 27]。其他還有利用應變模態(tài)變化率、應變模態(tài)差分和應變能模態(tài)等概念進行相關研究，都比利用應變模態(tài)在靈敏度方面有不同程度的提高[28]。

曲率模態(tài)在實際過程中不易直接測量，一般是根據模態(tài)位移進行近似數值計算，多數是基于離散采樣位移模態(tài)的曲率數值計算[28]。為此，通常先通過加速度計、電子散斑干涉(Electronic Speckle Pattern Interferometry, ESPI)法或掃描激光振動測量法(Scanning Laser Vibration Measurement, SLVM)提取測量數據中的位移模態(tài)。在實際工程中，加速度信號的獲取最為普遍，而ESPI法和SLVM特別適合于監(jiān)測大量測點的結構。當從模態(tài)試驗中測得振型時，通過任意歸一化處理后，利用中心差分法對模態(tài)位移進行數值微分來計算曲率模態(tài)f″(xs)，即

f′′(xs)=φs?1?2φs+φs+1Δx2(2)

式中：xs為模態(tài)節(jié)點位移；φs為節(jié)點的第s階振型；Δx為相連節(jié)點間距。

許多學者對曲率模態(tài)法進行了論證和公式推導，并提出了更多與曲率模態(tài)變化率等相關的損傷識別方法[29-30]。這些文獻通過有限元分析獲得曲率模態(tài)變化率指標，這種曲率模態(tài)變化率比一般的曲率模態(tài)法對結構的損傷更為敏感，且能有效識別節(jié)點和支座處的損傷[31-32]。

1.1.4 與模態(tài)相關的其他方法

由于利用頻率、模態(tài)、振型等進行損傷識別的方法在損傷定位中存在精度不高的共性問題和局限性，人們開始關注與能量概念相關的其他模態(tài)方法。

(1) 模態(tài)應變能法

模態(tài)應變能(Modal Strain Energy, MSE)法由結構剛度矩陣與模態(tài)振型次冪的乘積構造，結合了結構振動特性與物理特性，在表征結構微小損傷方面具有獨特的優(yōu)勢[1, 8, 14]。然而，由于僅使用結構振動數據(頻率、模態(tài)等)進行損傷識別，該方法只能進行損傷定位，在結構損傷程度的量化分析方面還存在難度較大。由于損傷會導致結構剛度的改變，當某個單元損傷時，其剛度矩陣與模態(tài)振型都將發(fā)生微小變動，而其他無損傷單元的改變又很小，這時就可以用模態(tài)應變能來進行更加有效的損傷定位。模態(tài)應變能法可以在存在一定測量噪聲的環(huán)境下對微小損傷的結構進行有效性和魯棒性的位置識別。有損傷和無損傷結構之間的變化也可以通過量化分析指標Δφk計算得出，具體為[1, 8, 14]

Δφk=(ωd,kωu,k)2φd,k?φu,k(3)

式中：ωu, k和ωd, k分別為無損傷結構和有損傷結構第k階模態(tài)的相對位移變化；φu, k和φd, k分別為無損傷和有損傷結構的第k階模態(tài)。

顯然，與使用位移特征參數計算的相似指標相比，指標Δφk對損傷的嚴重程度更為敏感。

另一種常用的模態(tài)應變能法主要考慮了2個結構自由度之間模態(tài)應變能的減小。該方法由Sinou等提出[1, 8, 14]。對于歐拉-伯努利梁的損傷指標βj可以簡單表示為

βj=n∑k=1μd,k,jn∑k=1μu,k,j(4)

式中：μd, k, j和μu, k, j分別為有損傷和無損傷結構第s階模態(tài)的模態(tài)系數j的分數應變能；n為模態(tài)階數。

Wang等[14]對4種與模態(tài)應變能相關指標的損傷識別方法進行了文獻綜述，對比分析了模態(tài)應變能損傷識別算法，模態(tài)應變能因其能良好地反映了結構的微小損傷信息而備受關注；Seyedpoor等[33-34]提出了兩步法和模態(tài)應變能法來識別結構損傷，具體包括采用結構的單元模態(tài)應變能信息定位損傷的單元位置，使用結構振動響應數據構造目標函數，優(yōu)化所構造的損傷指標，求解單元的損傷程度，利用結構單元的模態(tài)應變能信息構造損傷定位指標，根據Guyan縮減法縮減結構模態(tài)振型，對比分析不同自由度、不同工況的結構損傷識別效果。損傷前后結構剛度的變化將導致結構內應力的改變，從而導致結構應變能的變化，通過結構的模態(tài)應變能定位損傷是可行的。結構損傷發(fā)生前后第l個單元的第k階模態(tài)應變能Qu, k, l和Qd, k, l可分別表示為[33-34]

Qu,k,l=12φTu,kKu,lφu,k(5)Qd,k,l=12φTd,kKd,lφd,k(6)

式中：Ku, l和Kd, l分別為無損傷和有損傷單元l的單元剛度矩陣；φu, k和φd, k分別為無損傷和有損傷結構的第k階模態(tài)振型。

Vo-Duy等[35]也利用兩步法進行損傷識別研究，和前者不同之處在于其使用差分進化算法優(yōu)化目標函數，并在突變和選擇2個階段引入多突變算子的自適應突變方案和精英選擇技術對算法進行改進，以改善識別效率；Vo-Duy等[36]還提出基于應變能的變形方法和差分進化(Differential Evolution, DE)算法，且將其應用于多層復合板損傷的定位與量化。

劉文光等[37]利用彈性力學理論推導了薄板的模態(tài)應變能，并構造了損傷識別指標，對固支彈性薄板結構的損傷進行定位分析，并與模態(tài)柔度曲率方法的識別結果進行了對比分析；梁振彬等[38]系統(tǒng)地研究了模態(tài)應變能法，并通過梁、板、桁架等進行了結果試驗驗證。其他與模態(tài)應變能相關的方法也是最近研究比較多的損傷識別方法。衛(wèi)軍等[39]在模態(tài)應變能變化率(Modal Strain Energy Change Rate, MSECR) 的基礎上提出一種經過貝葉斯數據融合理論處理的損傷識別方法，以改進傳統(tǒng)應變能法的損傷識別能力；Fu等[40]采用模態(tài)應變能變化率確定了板結構的損傷位置，并提出了一種削弱損傷位置的鄰近效應方法，減少了定位過程中的虛假識別現象；Wei等[41]基于響應靈敏度的有限元模型更新技術和應變能法進行了損傷程度識別的優(yōu)化求解。

從上述研究發(fā)現，模態(tài)應變能法可以利用有損傷和無損傷結構微小剛度改變的細微差異進行損傷定位分析，但由于損傷結構的單元剛度矩陣有時屬于未知參數，需要使用無損傷結構的剛度矩陣代替損傷狀態(tài)的剛度矩陣求解。替代后單元模態(tài)應變能的損傷定位效果將更加明顯，故也有學者研究模態(tài)應變能變化率為損傷定位指標的方法。無損傷單元的損傷指標較單元彈性模量變化的損傷形式而言較低，利用模態(tài)應變能曲率的方法對單元截面變化的損傷定位結果較好。

(2) 小波變換法

小波變換法已成為一種應用最廣泛的振動損傷識別方法，這是因為小波變換法能夠更加詳細地檢查多尺度信號，提供不同層次的細節(jié)和近似。小波變換法將振型數據作為空間域信號，利用空間小波變換技術識別損傷引起的信號不規(guī)則性[42]。其優(yōu)點在于小波對響應信號能夠有效去噪，實現多分辨率分析，可以表征一些不適合傅里葉變換方法的信號辨識，在損傷定位方面具有更敏感、抗隨機噪聲能力更強等特點[43]。Serra等[44]通過離散小波變換研究了板結構的損傷識別問題，且驗證了試驗信號去噪及損傷識別結果，利用2D小波變換法和模態(tài)數據識別了板結構的損傷位置；Yang等[45]利用2D離散小波變換法研究了板結構在不同損傷位置及不同約束條件下的識別效果。還有很多學者研究了不同模態(tài)數據下的結構損傷情況，并探索了損傷程度和小波系數、集中性系數之間的關系以及不同邊界條件下的試驗驗證等[46-50]；繆炳榮等[51-54]也將位移模態(tài)、轉角模態(tài)和曲率模態(tài)等與連續(xù)和離散小波變換、小波包和神經網絡及一些優(yōu)化技術結合，研究了多種模態(tài)參數對不同類型結構損傷識別效果的差異，提高了結構損傷識別的精度和魯棒性。

(3) 結合優(yōu)化算法的方法

利用結構振動數據確定結構損傷位置和范圍的問題，通常表現為一個高度非線性的動力學反問題，有時需要利用一些逆問題分析方法將損傷識別問題轉化為優(yōu)化問題進行求解。利用優(yōu)化算法的常見應用是修正結構有限元模型的參數或邊界條件，使其與試驗模態(tài)測試的參數值盡可能一致，從而識別損傷單元的位置和程度。換言之，采用目標函數(通常定義為試驗數據與有限元數值模型計算數據之間的差異)的優(yōu)化尋找一組描述單元受損程度的最佳參數。

近10年來，人們將振動損傷識別算法與各種優(yōu)化方法和技術相互結合，發(fā)展了各種混合優(yōu)化的損傷識別算法。這些優(yōu)化方法包括GA、PSO等[54-56]教學優(yōu)化算法(Teaching-Learning Optimization Algorithm, TLOA)[57]、二次進化算法(Secondary Evolution Algorithm, SEA)[58]、ABC[59]、ANN[60-61]、多目標優(yōu)化(Multi-Object Optimization, MOO)等[62]。損傷識別技術與優(yōu)化算法的結合為復雜結構的損傷識別問題提供了更加穩(wěn)健的解決方案。Ghasemi等[63]通過對選擇算子和變異算子的優(yōu)化，在有限測點條件下可以具有良好的損傷識別效果；Alexandrino等[64]采用多目標遺傳算法求解了結構損傷識別問題；Khatir等[65]以復合材料梁結構為對象，對比了PSO和GA，發(fā)現PSO在損傷檢測和定位上的識別效果優(yōu)于GA，其計算量更小，收斂速度更快，抗噪更強；Hou[66]等提出了基于靈敏度矩陣的最大獨立或最小互相關的結構損傷識別方法，同時混合利用遺傳算法進行損傷識別，取得了較好的效果。

Seyedpoor等[67]通過差分進化算法快速確定了結構損傷位置和損傷量，減少了迭代步數且具有更高的識別精度；Guedria等[68]為了彌補差分進化算法在求解維度過時高容易導致定位損傷錯誤的缺點，提出了一種改進的加速差分進化(Accelerated Differential Evolution, ADE)算法，通過初始化變異算子和交換算子的優(yōu)化技術，提高了算法的收斂速度和避免陷入局部最優(yōu)的能力。

Du等[69]提出了Jaya算法來解決損傷識別問題中的有約束和無約束優(yōu)化問題；Xu等[70]提出了基于布谷鳥搜索(Cuckoo Search, CS)算法的結構損傷識別方法，并與GA的識別效果進行了對比；Mishra等[71]利用蟻獅優(yōu)化(Ant-Lion Optimization, ALO)算法對懸臂梁、框架、平面桁架和空間桁架進行了損傷識別；Chen等[72]提出了一種新的基于混合粒子群優(yōu)化(Hybrid PSO, HPSO)的損傷識別方法，并通過蒙特卡洛算法驗證了其有效性。

從上述文獻中可以發(fā)現，許多與結構模態(tài)參數相關的振動損傷識別方法在實際工程中已經取得一定效果。當然，其他一些方法如剛度矩陣和柔度矩陣法、傳遞函數法(頻響函數法)、統(tǒng)計信息法、功率譜法等在結構損傷識別的過程中也得到了不斷發(fā)展[8]。現代信號處理方法如小波、神經網絡、遺傳算法、機器學習等優(yōu)化算法與振動分析相互結合也極大提高了結構損傷識別的精度和效率，但結構物理模型中與模態(tài)參數相關的方法幾乎都是事先假定損傷對結構的質量、剛度、模態(tài)、阻尼等參數存在顯著影響，在實際應用中依然存在一些缺點，簡單闡述如下。

(1) 部分類型的結構損傷并不總是與整體結構動力特性變化相關，有時較低頻率振動對應的損傷特征并不明顯，特別是結構存在的一些局部損傷僅影響結構高頻振動模態(tài)，通過模態(tài)參數很難準確識別結構損傷。

(2) 模態(tài)參數在測試時很容易受到溫度、濕度和測量噪聲等環(huán)境因素影響，模態(tài)參數變化不一定都能準確表征實際結構產生的損傷。

(3) 模態(tài)參數相關方法高度依賴于系統(tǒng)識別算法和逆問題理論來解決環(huán)境響應下的識別精度。大量文獻也都表明這類方法不適用于實時和在線的結構損傷檢測。

(4) 模型參數化損傷識別方法經常需要在進行結構損傷識別之前將大量信號數據集中傳輸和處理。利用傳感器采集數據時，大量數據傳輸過程中可能會出現不同步，導致識別精度問題。

1.2 基于響應信號的方法

由于多數工程結構缺少健康結構作為損傷識別的基準模型，如何利用有限的試驗數據建立精確的損傷數值模型存在極大的難度和挑戰(zhàn)。傳統(tǒng)的損傷識別方法主要利用結構參數的變化(如結構剛度等)，特別是模態(tài)參數(頻率、振型等)的改變對結構損傷進行檢測。這類方法相對已經成熟，可以通過對模態(tài)參數的精確識別有效診斷結構狀態(tài)，但是基于模態(tài)參數相關的模型方法存在2個局限：一是要求對無損傷結構進行完整的精細化建模和試驗驗證，才能開展有效的識別工作，對于多數大型復雜的實際工程問題，存在不可行的因素；二是其不適用于大型復雜結構的實時狀態(tài)監(jiān)測[8, 12]。這是因為實時在線的結構狀態(tài)檢測技術需要在全局識別未知的損傷單元，結構參數既要體現全局特性，又要反映包含損傷的局部特征信息。此外，完整模型的數值分析和迭代優(yōu)化計算也需要極大的計算成本，這也限制了基于模型的方法的應用范圍[73]。

為了解決關鍵結構部件的狀態(tài)實時監(jiān)測問題，尋找更加有效的結構損傷量化分析技術，人們提出了僅利用振動響應信號的損傷識別方法，有時也稱為非模型方法或數據驅動方法等[11]。該方法利用現代信號處理技術和人工智能分析工具進行數據分析，主要是對結構振動響應直接提取能夠表征結構狀態(tài)的損傷指標和特征值，不需要依賴模型參數，不會受結構參數估計誤差的影響。這種方法的優(yōu)點是很少依賴結構形狀和模型參數，也稱為智能診斷方法。代表方法有小波、神經網絡和遺傳算法等。需要說明的是，小波等不僅應用于基于模態(tài)參數相關的模型方法，也可以用于非模型的響應信號方法。該方法不需要健康結構作為基準模型，適用范圍更廣。近年來，由于機器學習等人工智能方法與結構健康監(jiān)測技術相互結合，基于響應信號和數據驅動的振動損傷識別方法逐漸成為熱點[74]。

由于結構局部損傷容易引起結構高頻信號突變，基于響應信號方法的基本假設就是振動響應會導致結構振型數據在空間域頻率段的信號幅值發(fā)生變化。該方法對于損傷位置的定位能力與損傷程度的量化評估已經取得一定的成果。利用現代信號處理方法進行損傷識別的方法主要包括分形法、分維法和小波變換法等。利用損傷結構振型變化進行損傷識別時，也存在利用損傷結構的模態(tài)數據需要大量數據，這使得損傷識別量化分析存在一定困難。Abdeljaber等[75]提出了一種基于振動響應信號的損傷定位實時檢測方法，其優(yōu)勢在于它能從原始加速度信號中自動提取最佳的損傷敏感特征，尤其在大型試驗中顯示了良好的識別性能，并驗證了實時損傷檢測方法的計算效率。

Teng等[76]利用卷積神經網絡(Convolutional Neural Network, CNN)，從實時振動信號中檢測出結構損傷，根據反映結構狀態(tài)變化的振動響應信號(加速度)，通過分類器CNN將信號映射到結構狀態(tài)并檢測結構損傷，還建立了有限元模型，并與試驗評估方法相互驗證。這種方法使用有限元分析數據訓練卷積神經，提高了方法的識別精度，只需要提供足夠的訓練和測試樣本，就可以提高該識別方法在工程實踐中的實用性。另外，信號數據歸一化使得數值模擬和振動試驗數據具有可比性。經過量綱歸一化后，數據分布可以滿足在相同范圍內，而沒有改變原始信號的固有損傷特征。

依賴于響應信號的振動損傷識別方法不會干擾結構的正常運行，相比基于模態(tài)參數的方法具有很大的發(fā)展優(yōu)勢。迄今為止，人們已經提出了大量基于響應信號的結構損傷識別方法[77]。Ye等[78]綜述了深度學習在土木結構健康狀態(tài)監(jiān)測和損傷識別技術的應用。通常，基于信號的損傷識別方法可以分為時域、頻域和時-頻域方法等。在結構損傷識別技術中大量使用的時域方法主要是時間序列分析方法[79]。頻域方法最適合用于平穩(wěn)信號處理，廣泛用于機械故障診斷[80]。時-頻域分析方法主要包括短時傅里葉變換法、小波變換法和Hilbert-Huang變換(HHT)等。許多研究人員將概率統(tǒng)計和數據挖掘概念，如模式識別、數據聚類、不確定性分析和統(tǒng)計分解技術等集成到損傷識別算法中，以改善損傷特征[81-83]。HHT[84]是響應信號分析中使用最廣泛的時頻方法之一。該變換通過經驗模態(tài)分解(Empirical Mode Decomposition，EMD)的時域分解來進行。HHT和小波技術之間的區(qū)別在于HHT完全是數據驅動，無需假設基本功能，該方法將非平穩(wěn)數據分解為多個正交本征函數，再利用Hilbert變換得出損傷結構的變化頻率、幅值和相位，這些本征函數可以表示出信號中的結構損傷特征。

1.2.1 非參數識別方法

Onur等[12]詳細介紹了非參數的結構振動損傷識別方法。與依靠系統(tǒng)辨識的模型識別(參數)方法不同，非參數識別方法主要利用統(tǒng)計手段直接從測量的加速度信號中檢測結構損傷。它能夠提取無法輕易歸因于結構物理參數變化的損傷特征，經常將時間序列建模與統(tǒng)計分類方法相結合。該方法的核心是使用時間序列建模技術，從原始信號中提取對損傷敏感的特征；然后通過分類器或離散點檢測器處理提取的特征，以評估結構的當前健康狀態(tài)。常見的其他方法還有自回歸移動平均(Autoregressive Moving Average，ARMA)法、時間序列法(Time Series Method，TSM)等。其他的非參數方法如功率譜密度(Power Spectrum Density, PSD)、互譜密度(Cross-Spectrum Density, CSD)和頻響函數(Frequency Response Function，FRF)等技術也經常用于各種激勵下結構的損傷識別。

1.2.2 數據驅動方法

數據驅動方法的典型應用之一就是基于機器學習的振動損傷識別方法，近10年逐漸成為結構健康監(jiān)測領域的研究熱點[85]。常規(guī)的機器學習方法包括基于模型和非模型的振動損傷識別方法，但目前數據驅動方法的適用性和有效性還不成熟，有時不能完全處理離散二進制和不完整/丟失的響應信號(輸入的時間序列信號中存在不連續(xù)性)。如今，越來越多與人工智能相關的數據挖掘方法還在繼續(xù)發(fā)展和完善中，以便其更好地被應用于結構健康監(jiān)測和損傷識別的時域信號分析中，解決實際工程結構損傷識別中存在的數據框架問題[86]。

其實，大多數基于機器學習的損傷識別方法僅涉及2個任務：特征提取和特征分類。實際上這種方法也可以應用于基于模型的識別方法。許多基于機器學習的損傷識別方法都依賴于結構模態(tài)特征參數(固有頻率、阻尼比、模態(tài)振型等)，且作為對損傷敏感的特征。然而，此類特征容易受到結構損傷以外的其他因素(溫度、濕度等)的影響，并且它們對一些特殊結構敏感性低[87]。一些文獻中[85-88]已經明確建議使用基于機器學習的損傷識別方法時盡量不要將模態(tài)參數作為損傷敏感函數。當然，機器學習技術在損傷識別中的應用還依賴于一些其他關鍵結構參數的選擇，例如系統(tǒng)辨識(System Identification，SI)、主成分分析(Principal Component Analysis，PCA)和自回歸分析(Auto-Regressive Analysis，ARA)等，均需要耗費大量計算時間和成本。為了提高計算效率，也有一些方法[89]利用深度學習的算法開發(fā)一些新的結構振動損傷識別技術。深度學習在梁和板結構的損傷識別中已經取得了較好的結果，但數據驅動的結構損傷識別技術有時也可能由于缺少大量實測損傷特征數據，在應用上存在很多局限性。在未來人們還需要繼續(xù)開發(fā)更多新的基于有限數據驅動的振動損傷識別方法。

2. 軌道與車輛結構的損傷識別技術

目前，基于振動響應的軌道與車輛關鍵部件的損傷識別方法主要包括高級濾波器方法、系統(tǒng)識別方法和信號分析方法[90]。這些方法主要是將結構動態(tài)行為的變化作為損傷特征分析的重要依據，其中，利用參數和狀態(tài)估計方法進行車輛狀態(tài)監(jiān)測的技術在鐵路智能運維中已經得到廣泛應用。常見的基于參數與狀態(tài)的模型技術，如卡爾曼濾波器、擴展卡爾曼濾波器、順序蒙特卡羅方法和粒子濾波器等均被廣泛應用于估算軌道車輛系統(tǒng)動力學特性的變化和損傷識別。在未來，智能鐵路(Intelligent Railway) 或智慧車輛(Smart Train)將依靠更加先進的故障預測與健康管理(Prognostics Health Management, PHM) 系統(tǒng)實時在線監(jiān)控和預測其在正常運行過程中的整體動態(tài)行為。如今鐵路車輛的智能診斷技術已經成為一項關鍵的技術問題。由于鐵路車輛是高度非線性的動態(tài)復雜多體系統(tǒng)，如何建立可靠的數學模型，克服結構非線性和多源參數變化的潛在困難，并開展有效的損傷識別依然是一項技術挑戰(zhàn)。常見的基于觀測器的車輛結構故障監(jiān)測方法如圖 2所示[90]。

圖 2 基于觀測器的車輛結構故障監(jiān)測方法

Figure 2. Observer-based vehicle structure fault monitoring method

基于現代信號處理技術(帶通濾波器、頻譜分析、小波分析、快速傅里葉變換等)在結構損傷識別中的主要應用之一就是檢測車輪的各種故障[90]。無論是基于模型的方法，還是基于信號處理，它們均已被廣泛用于鐵路車輛結構的故障監(jiān)測和損傷識別中。這些技術常應用于檢測和識別車輪等部件隨服役時間不斷惡化的結構損傷特征。另外，在車輛實際運行中，軌枕緊固件的松動或丟失以及軌道、道砟的損傷經常會導致軌道局部剛度降低，從而影響軌道-軌枕-道砟系統(tǒng)的振動特性和軌道不平順的變化。車輛與軌道之間由于耦合振動因素，還可能導致車輛結構其他振動特性的劣化問題，使得軌道、車輪等發(fā)生損傷。通過軌道基礎設施路旁或車載傳感器，人們還可以完成車輛動力學狀態(tài)的實際監(jiān)控。利用大容量通信總線、智能傳感器網絡技術和先進的數據處理單元進行數據采集、處理分析和決策管理，可以很好地進行車輛和基礎設施的結構損傷識別。

傳統(tǒng)鐵路領域的基礎設施和車輛等運維主要基于時間維護(Time-Based Maintenance, TBM)策略(也稱為計劃修或定期維修)，這種策略以無損檢測技術為基礎。隨著現代計算機技術的發(fā)展，鐵路維護技術逐漸向CBM策略發(fā)展[13]。未來鐵路智能運維(包括基礎設施和車輛等)的內容包括實現狀態(tài)修的智能維護策略、設備資產的智能管理、人工智能的維護和集成數據庫等[91]。CBM利用車輛或軌道獲得的大量信號數據來監(jiān)測，而不是按設定的時間周期間隔或檢修計劃進行維護。狀態(tài)修包括數據采集、數據處理和維護決策[92]3個方面，其步驟包括：根據布置的傳感器測量信號獲取基礎設施或車輛結構的振動響應數據；對信號數據中可能出現的損傷進行特征提取、分類和分析；監(jiān)測軌道與車輛狀態(tài)(包括損傷的位置和程度等)，確定在最佳時間內進行維護；準確地預測各個具體位置的軌道不平順影響，簡化軌道與車輛的預防性維護。其他關鍵技術還包括智能傳感器技術、數據采集和特征挖掘、損傷識別算法優(yōu)化和智能管理與決策等。

鐵路領域的結構健康監(jiān)控主要有2種發(fā)展途徑[93-97]：一是根據軌下或軌側布置的傳感器測得的振動響應信號識別鐵路基礎設施結構(線路、橋梁、隧道等)的損傷；二是利用車載設備測得的響應數據進行車輛關鍵部件損傷的遠程監(jiān)控和識別。數據信號的采集處理和損傷識別算法是關鍵。Ngamkhanong等[98]綜述了軌道狀態(tài)監(jiān)測及傳感器的技術要求，討論了利用振動響應信號進行軌道故障識別的技術；Chudzikiewicz等[99]利用轉向架軸箱加速度信號估算了軌道狀況，通過對加速度信號進行改進Karhunen- Loève變換，提取了結構動力學特征參數，通過對比分析軌道的損傷，說明了方法跟蹤和估計軌道狀態(tài)的可行性；Oregui等[100]基于頻率響應函數的統(tǒng)計方法開展了軌道損傷特征識別，該方法基于現場模態(tài)測試技術比較了軌道損傷狀態(tài)與健康狀態(tài)的信號，對嚴重程度不同的軌道表面缺陷主要類型也進行了識別效果對比。

另外，由于車輛-軌道之間存在的多場耦合作用，容易產生許多類型的輪軌損傷，輪-軌耦合振動產生的異常沖擊載荷是導致輪軌踏面出現不同疲勞損傷的主要原因之一。根據統(tǒng)計分析，車輪損傷是軌道車輛損傷的主要原因，具體包括多邊形磨耗(Polygon Wear)、踏面劃痕(Tread Scratches)、踏面擦傷(Tread Scuffing)和踏面剝離(Tread Peeling)等。Tao等[101]綜述了軌道車輛車輪多邊形缺陷的作用機理，討論了車輪多邊形化和磨耗問題，同時分析了車輪多邊形化的產生機理，將車輪損傷發(fā)生原因主要分為車輪初始缺陷、車輛-軌道耦合振動和熱-彈塑性變形導致的不穩(wěn)定性。顯然，車輪和軌道的損傷會引起車輛的振動噪聲和疲勞失效等問題，甚至導致車輛脫軌等災害性事故。輪軌踏面損傷事件如圖 3所示[101]。

圖 3 車輪高階多邊形磨損的形成與發(fā)展過程

Figure 3. Formation and development processes of high-order polygonal wear of wheel

Cantero等[102]利用列車運行對基礎設施產生的垂直加速度來檢測軌道局部損傷，具體方法是使用小波變換分析車的加速度，識別軌道表面損傷位置，且提出了基于小波系數的尺度指標，并改進了軌道損傷的識別算法，見圖 4。

圖 4 損傷軌道的識別結果

Figure 4. Identification results of damaged track

Wang等[103]重點介紹了輪軌沖擊力導致的車輪和軌道損傷(缺陷)的檢測技術，介紹了車輪多邊形問題與加工導致的車輪劃痕、扁疤、剝離和脫落等現象的識別方法；Barke等[104]提出了2種車輪非接觸式的損傷程度量化方法，基于應變的方法利用鋼軌應變數學模型評估損傷程度，基于加速度的方法利用在鋼軌上設置的加速度傳感器或應變片測試振動響應信號，進行軌道損傷識別和量化評估。

由于載荷異常、部件老化和環(huán)境因素(濕度、溫度、腐蝕和紫外線輻射等)等影響，車輛結構關鍵部件容易產生局部和全局損傷。這些損傷必然會影響結構關鍵部件的材料幾何屬性、邊界條件和系統(tǒng)的動態(tài)特性。另外，車輛系統(tǒng)也可能會因為懸掛參數的設計不匹配，導致整車振動特性惡劣。這容易導致車體、構架等部件的彈塑性變形或局部共振疲勞等損傷問題。如何開展車輛實時在線狀態(tài)監(jiān)測需要重點考慮振動損傷識別方法。由于車輛結構部件的失效大多數是由于振動導致的結構損傷，開展振動損傷識別方法研究在鐵路領域的工程應用已經變得十分迫切。

車輛結構復雜性和非線性經常導致結構損傷識別技術的工程應用出現很多問題。由于基于結構模型參數的損傷識別技術并不適合實時在線狀態(tài)監(jiān)測，更不利于未來軌道車輛的智能診斷，未來在車輛的智能運營和維護策略方面還需要考慮響應信號和人工智能、大數據、物聯網技術的結合，實現數據驅動的結構振動損傷識別技術。

美國聯邦鐵路管理局(Federal Railroad Administration, FRA)建立的鐵路車輛結構部件管理數據庫顯示，機械部件損傷主要分為3類：轉向架的輪對(車輪、車軸和軸承等)約占損傷事故總數的44.7%；車體、制動器和車鉤等約占損傷事故總數的36.7%；其他如受電弓、底架和車門等約占損傷事故總數的18.6%。這說明輪對損傷檢測技術在軌道車輛狀態(tài)維護中的重要性[105]。車輛結構部件的主要損傷特征如表 1所示。

表 1 車輛關鍵結構部件的損傷分類

Table 1. Damage classification of key structural components of vehicles

部件損傷特征車輪磨損、扁疤、踏面擦傷、滾動接觸疲勞、裂紋、塑性變形等軸承疲勞剝落、磨損、腐蝕、局部硬化、剝離、膠合、保持架損傷等齒輪齒斷裂、齒面疲勞、齒面磨損、齒面劃痕、塑性變形、化學腐蝕等車軸裂紋、腐蝕、斷裂等軸箱裂紋、腐蝕、斷裂等車體裂紋、腐蝕、斷裂等構架裂紋、腐蝕、斷裂等

筆者團隊長期從事軌道車輛車體和構架結構的振動疲勞研究，發(fā)現車體等結構關鍵部件的疲勞損傷主要是由于結構動應力過大導致的。損傷發(fā)生的位置主要是二系懸掛、車鉤、窗門和窗角等位置。一些結構疲勞損傷還是由于列車進出隧道時，密閉車輛內部和外部氣壓差的變化引起結構產生各種疲勞損傷等。

Alemi等[106-108]分別建立了有、無損傷的車輪模型，利用多個應變傳感器收集的數據獲得了不同車輪缺陷模型和測試數據，并驗證了車輪損傷識別方法；Liang等[109]對車輪和軌道表面缺陷進行了建模與仿真，根據簡化數學模型進行了試驗驗證，并采用短時傅里葉變換、Wigner-Ville變換和小波變換研究了車輪和軌道的損傷識別。

近10年來，在極端服役環(huán)境下車輛和基礎設施損傷事件的發(fā)生更加頻繁?；诠饫w傳感器(Fiber Optic Sensor, FOS)的技術因其固有的獨特優(yōu)勢(體積小、質量輕和抗電磁干擾等)而廣泛用于結構健康監(jiān)測中?；诠饫w的狀態(tài)監(jiān)測系統(tǒng)使用準分布和連續(xù)分布的傳感器技術，能實時測量結構早期損傷，從而預防災難性事故。Liu等[110]利用軌邊布置的光纖布拉格光柵(Fiber Bragg Grating, FBG)光學傳感器技術開展了車輪踏面損傷實時監(jiān)測，具體步驟包括應變數據前處理、車輪歸一化數據分析響應和根據振動響應進行局部損傷識別等；Du等[111]綜述了先進的光纖傳感等最新技術，并在鐵路車輛和基礎設施狀態(tài)監(jiān)測中實現了車軸、車輪缺陷、軌道沉降和磨損等的損傷監(jiān)測；Wei等[112]探討了車輪實時狀態(tài)監(jiān)測技術和FBG傳感器技術；Roveri等[113]使用FBG傳感器陣列系統(tǒng)進行了軌道車輛的現場線路試驗，根據振動響應信號實時監(jiān)控了軌道和車輪的健康狀況，利用大量傳感器獲取的測量數據進行統(tǒng)計處理，并采用損傷識別算法檢測了軌道和車輪磨損等局部缺陷。

由于車輪和軌道缺陷引起的振動響應信號容易存在部分頻率重疊，有時不能直接通過濾波器簡單分離，就需要在HHT的基礎上再采用其他頻率濾波、時域斬波以及均值等技術提取車輪和軌道的損傷特征信息。Kraemer等[114]根據實測數據提出了一種統(tǒng)計方法來識別鐵路貨車的板簧裝配體損傷，對比分析了有、無損傷狀態(tài)下板簧結構振動加速度數據的功率譜密度和均方根差異，計算了高階模態(tài)下彈簧損傷導致的振動能量損耗和偏移。

梁建英[115]討論了高速列車智能診斷與故障預測系統(tǒng)架構，從實時狀態(tài)數據的特征提取和預處理，列車運行歷史數據的挖掘，系統(tǒng)故障預測數學模型的建立，部件、系統(tǒng)和列車不同層次及各層次之間關系的特征數據及關聯關系等方面進行了狀態(tài)監(jiān)測和邏輯推導；Magel等[116]設計和評估了車輪和軌道踏面的形狀，改善了軌道接觸疲勞和磨耗性能；Bielak等[117]提出了一種車載振動信號監(jiān)控鐵路基礎設施的新方法，主要測試了時間-頻率、空間-頻率、空間域和信號能量，發(fā)現同時實施這幾種方法也許能更加有效地檢測軌道損傷狀態(tài)，在此基礎上監(jiān)測了輕軌系統(tǒng)的運行數據，發(fā)現振動響應信號對結構損傷特征變化敏感，對環(huán)境可變性并不敏感。通過基于固有頻率方法在結構健康監(jiān)測中開展的研究，除了特征提取外，還研究了各種無監(jiān)督的損傷檢測方法，包括各種濾波器方法的應用。研究發(fā)現，Haar濾波器方法在模擬數據和運行數據的故障識別上具有獨特的優(yōu)勢，將統(tǒng)計學與基于物理模型的損傷識別方法相結合可以為軌道的健康監(jiān)測提供更好的故障監(jiān)測和解決途徑。

Vaiciunas等[118]研究了車輛軸承損傷檢測的2種方法: 振動診斷方法和軸箱加熱方法。振動診斷方法的缺點是要安裝接觸式振動傳感器，需要干預處理車輛結構部件；軸箱加熱方法的原理是通過軸箱溫度變化的強弱識別軸承損傷；缺點是相同軸箱、相同溫度可能表示不同軸承的健康狀態(tài)。

Kundu等[119]綜述了鐵路狀態(tài)修過程中車輪和軸承的結構健康狀況監(jiān)測技術，分析了車輪和軸承部件故障識別的不同在線診斷工具，并分析了傳感器技術，發(fā)現軌旁傳感技術有時比車載傳感技術在損傷識別中應用效果更好；Kukenas等[120]研究了車輪踏面幾何形狀和滾動表面缺陷的識別技術，分析了系統(tǒng)原理和識別算法，從頻率特性推導了車輪損傷的數學模型，并提出了結構損傷特征參數的識別算法；Steisunas等[121]考慮車輪損傷而引起的車輛振動特性變化，并使用數學模型和客車跟蹤系統(tǒng)進行數據跟蹤，動態(tài)估算了不同季節(jié)溫度對車輛動力學響應的影響；Wang等[122]提出了一種基于蘭姆波的損傷檢測方法，檢測、識別并定位了車輪輪輻損傷，驗證了損傷識別方法的有效性。

從上述文獻可以發(fā)現，采用參數及狀態(tài)估計方法進行結構部件損傷識別也是目前車輛在線狀態(tài)監(jiān)測的主要方法和技術途徑。Jesussek等[123]結合卡爾曼濾波器監(jiān)測了車輛的懸掛系統(tǒng)故障；為了考慮鐵路車輛懸掛系統(tǒng)的非線性因素，Jesussek等[124]應用擴展卡爾曼濾波器進行了故障監(jiān)測；Sakellariou等[125]采用基于數據驅動的模型和隨機方法，利用外部輸入數據的自回歸模型進行了懸掛系統(tǒng)的損傷識別；Liu等[126]利用遞歸最小二乘算法進行了鐵路車輛懸掛系統(tǒng)的損傷識別；Jung等[127]在時域中利用輸出特征模態(tài)響應數據變化進行了車輛懸掛系統(tǒng)的損傷識別；Wei等[128]提出了傳感器配置方案，針對車輛懸架系統(tǒng)開發(fā)了數學模型，并基于模型和數據驅動的方法分析了懸架故障監(jiān)測問題；Tsunashima等[129-130]概述了鐵路車輛車載健康監(jiān)測系統(tǒng)的現有方法和近年來文獻中開發(fā)的算法和方法。

3. 損傷識別問題與展望

3.1 存在的問題

未來軌道車輛智能診斷技術存在的問題主要包括：根據損傷特征數據進行特征的高效提取、歸類和分析；與人工智能、數據挖掘等技術結合提出新的識別方法；基于新的響應信號和數據驅動技術實現車輛結構部件損傷地精準識別。車輛損傷識別中存在的問題可以更詳細地羅列如下。

(1) 多種車輛結構損傷識別算法的集成與適應性。傳統(tǒng)的振動損傷識別方法主要是基于模態(tài)參數相關的模型方法，大多只關注損傷定位，而且不同模態(tài)方法、不同類型損傷的識別精度和抗噪性能依然存在較大差異。利用結構參數如頻率、模態(tài)、剛度(包括彈性模量等)等變化模擬損傷，高度依賴結構健康模型，這對未來基于狀態(tài)的車輛智能診斷技術存在極大的局限性。而基于響應信號的損傷識別技術又存在大數據傳輸中可能出現的延遲問題和多源性信號在數據處理與分析中可能出現的差異性問題。

(2) 車輛結構關鍵部件的響應數據在外界環(huán)境激勵下經常受各種不確定性因素(溫度、濕度等)的影響，在故障診斷的過程中需要充分考慮環(huán)境因素的影響，以保證獲得準確的結構振動響應。如何降低環(huán)境因素影響也是車輛結構部件損傷識別技術需要重點解決的技術問題之一。

(3) 智能傳感器的優(yōu)化布置技術。傳感器的布置工作包括傳感器的種類、數目、位置的選擇和確定，需要兼顧各種技術要求和經濟效益，這要求傳感器具有足夠的測試信息數據，以保證通過這些數據能夠更好地識別結構部件的損傷位置和損傷程度，且能進行有效的損傷定性和定量分析。

3.2 軌道車輛損傷識別展望

如果要實現未來軌道車輛的實時在線檢測技術，無論是利用車載數據，還是軌旁傳感器的檢測技術，均應該充分考慮如何使用盡可能簡單、相對較少自由度的數學和物理模型來模擬振動狀態(tài)下結構部件的時間序列信號，進行傷識別和故障診斷。軌道車輛結構部件在運行過程會存在各種非線性，比如輪軌接觸、懸掛參數、部件之間的非線性相互作用等。此外，牽引制動工況引起的車輛加速、減速或切換均可能引起結構振動模態(tài)的時變效應。利用現場實測數據進行損傷識別和故障診斷的狀態(tài)監(jiān)測技術依然需要進一步發(fā)展和完善。

近10年來，鐵路結構健康監(jiān)測系統(tǒng)的研究越來越重視結構損傷識別技術的實時性和在線狀態(tài)監(jiān)測的應用技術研究。為了改善車輛結構部件的損傷識別精度，必須要提高利用先進傳感器網絡獲取振動響應信號數據的能力和可靠性。比如傳感器必須安裝在最適當的位置，以提高數據采集的準確性和減少監(jiān)控系統(tǒng)中安裝的傳感器數量，這些因素有助于降低成本和數據處理時間。未來鐵路的智能診斷技術不僅需要結合傳統(tǒng)的結構損傷檢測方法，也要充分考慮現代基于數據驅動的結構損傷識別算法的研究與應用。

實際車輛結構部件的損傷類型和產生原因比較多，同樣需要考慮利用健康結構的基線數據檢驗損傷識別方法的效果。傳統(tǒng)的基于振動的結構損傷識別技術屬于全局性監(jiān)測技術，基于模型的識別技術多數需要無損傷結構數據作為基準。而實際工程中，尤其是試驗驗證過程中，由于環(huán)境因素的影響，很難在多次測量中保證結構參數的測試結果一致。這就需要結合仿真模型解決這個問題，比如利用有限元模型修正和更新的優(yōu)化技術獲取更加精準的結構參數。另外，車輛結構部件的振動模態(tài)等參數在實測過程中更容易受到環(huán)境及噪聲的干擾，模型方法的局限性不利于車輛狀態(tài)的智能監(jiān)測，如何實現軌道車輛部件實時狀態(tài)的檢測應用是需要考慮的難題。顯然，基于振動響應信號和大數據驅動的結構損傷識別技術是未來車輛結構實時在線智能診斷的重要發(fā)展方向之一。由于許多振動損傷識別的關鍵技術和基礎理論還處于不斷完善和發(fā)展的過程中，有必要提出一些新技術以適應不同對象、不同復雜環(huán)境的損傷識別理論和方法。

對于車輛結構關鍵部件，基于模型的結構損傷識別方法需要考慮健康結構模型參數的獲取以及與實測參數的對比分析，存在一定的應用局限性。結構損傷定位和量化分析的識別算法更加需要考慮仿真模型與試驗方法的結果對比，不僅需要修正和更新數學模型，還需要優(yōu)化損傷識別算法的魯棒性。

基于振動響應信號(基于數據驅動或基于知識等)等其他非模型的損傷識別技術依然在發(fā)展過程中，盡管未來可能會在實時狀態(tài)監(jiān)測中發(fā)揮作用，但還有許多關鍵技術問題有待解決，涉及多學科之間的交叉融合與協(xié)調發(fā)展。未來軌道車輛智能運維的發(fā)展趨勢和重點體現在實時在線狀態(tài)監(jiān)測，振動損傷識別技術研究還有很多問題需要突破。有關鐵路結構損傷識別技術展望如下。

(1) 對結構損傷機理及結構動力學正逆混合模型的精確建模。因為實際工程結構中可收集的損傷樣本數據始終不夠充分，容易受到測試條件的限制，通過大數據來獲取結構損傷樣本費用昂貴且耗時，有時還需要結合數值仿真建模技術建立損傷結構的力學模型。實際上，如何將損傷機理納入結構動力精細化模型是結構健康監(jiān)測基礎研究的重要前提。

(2) 根據結構振動響應參數或信號精確提取結構損傷事件較小的特征指標。人們需要考慮如何更加合理且準確地構造和提取較小結構損傷的特征指標，這是成功識別結構損傷的關鍵。由于表征結構損傷特征的指標也存在著多樣性和復雜性，如何滿足未來智能診斷技術的發(fā)展也非常重要。

(3) 發(fā)展多學科交叉與融合的新型結構損傷檢測技術。隨著計算機與數據通信技術、先進結構動力分析技術的發(fā)展，人們需要融合人工智能、物聯網、大數據、數字孿生、增強現實等新的損傷識別技術，這也將為結構健康監(jiān)測學科的發(fā)展提供無限的可能性。

(4) 優(yōu)化智能傳感器的測量位置和數量，以便更準確地實現大數據的特征挖掘功能。選擇最佳位置和有限數量的傳感器是獲得結構大量檢測信息的重要手段。智能傳感器的布置優(yōu)化涉及智能通信、優(yōu)化和結構動力學等理論。智能傳感器技術在未來軌道交通的智能運維中將發(fā)揮更加重要的作用。

(5) 在車輛或基礎設施的結構損傷識別中，需要考慮和解決非線性因素對結構動力學逆問題的影響。結構動力學逆問題的分析理論和方法尚未完全成熟，對于實時在線的車輛狀態(tài)監(jiān)測而言，是一個必須要認真考慮的基礎研究和關鍵科學問題，這也是軌道車輛結構健康監(jiān)測領域長期而艱巨的任務之一。

4. 結語

如今，基于振動的損傷識別技術和方法主要是基于結構模型(與模態(tài)參數相關的方法，如頻率、模態(tài)振型、曲率模態(tài)、應變能等)的振動損傷識別方法，對象也集中在梁、板、桁架等線性結構，而基于信號或數據驅動，以及基于知識的結構振動損傷識別技術依然在發(fā)展和完善過程中。要實現未來軌道車輛狀態(tài)的實時在線監(jiān)測，很多損傷識別技術的理論和方法尚不成熟，一些逆問題分析方法的應用還存在著極大局限。如何將基于振動響應信號和數據驅動的振動損傷識別技術應用于車輛結構智能診斷中，依然存在較大困難，相關結論如下。

(1) 從智能運維的角度增進對車輛結構關鍵部件，如車輪、車軸、構架、車體等的動力學特性與損傷識別之間耦合作用機理的理解。通過分析結構損傷發(fā)生的根本原因和緩解措施，將結構關鍵部件的損傷和狀態(tài)修運維策略獲得的數據完美融合，研究環(huán)境噪聲下結構多損傷識別方法的魯棒性和抗噪性，如利用振動響應參數建立損傷識別模型，以區(qū)分環(huán)境噪聲下不同位置和/或不同類型損傷識別方面的潛力，尤其是針對算法的實時性進行深入研究。

(2) 損傷識別類型、定位和程度的量化分析技術及相關算法的基礎研究還需要進一步發(fā)展與完善。損傷識別過程中對局部損傷定位的計算方法雖然比較多，但是對全局和系統(tǒng)性的結構損傷識別算法的開發(fā)并不成熟，尤其對一些復雜結構和存在非線性因素的系統(tǒng)結構部件的損傷識別算法和技術還不完善，需要根據不同結構部件的不同對象和不同類型的損傷，根據損傷識別技術的不同層次分析結構損傷程度量化指標，開發(fā)和優(yōu)化新型損傷識別方法，改變現有識別算法的不足。

(3) 為了實現未來軌道車輛結構部件狀態(tài)的實時在線狀態(tài)智能診斷和監(jiān)控，需要加強現有檢測技術與人工智能、大數據、智能傳感器等新興技術的融合，研究大數據、數字孿生和云計算等在智能運維中的應用，通過對損傷的追本溯源，幫助制造商設計和優(yōu)化結構設計的標準和故障排除，減少結構損傷發(fā)生的多源性問題。

(4) 未來軌道車輛應該更多突出由基于狀態(tài)維護向基于智能維護方向的策略轉變和應用，以便做出更加精準的故障智能診斷和預測性維護。振動損傷識別技術需要充分利用非模型響應信號和大數據驅動技術，實現軌道車輛關鍵部件的智能管理和智能決策。開展基于實測振動響應信號大數據的損傷識別技術與其他圖形、圖像等數據源的集合研究，才可能實現列車和線路狀態(tài)感知數據特征的提取、挖掘和分析。利用大數據驅動和基于知識的結構振動損傷識別技術研究將是未來重要的發(fā)展方向之一。

網址: 軌道車輛結構振動損傷識別技術綜述 http://www.u1s5d6.cn/newsview339881.html