基于迭代修正DFT的车轮多边形磨耗状态识别

受车辆变速运行、轨道随机不平顺等因素的影响，轨道车辆的运行过程为典型的非平稳过程。由于传统方法对于非平稳信号的处理不理想，使得车轮多边形磨耗阶次与幅值的准确识别比较困难。为提高车轮多边形磨耗状态的识别准确度，提出了一种基于迭代修正离散傅里叶变换（discrete Fourier transform，简称DFT）的动态识别方法，采用车辆处于相对稳定速度运行时产生的轴箱垂向振动加速度信号进行分析。首先，通过设定适当的平稳性检验条件，从样本信号中抽取出部分相对平稳的短时信号；其次，对所抽取的短时信号进行频域分析与迭代计算，获得各阶车轮多边形的振动频率与振动周期；然后，根据振动周期的长度对所抽取的短时信号进行二次截断，获得代表各阶车轮多变形振动周期整数倍长度的新短时信号；最后，结合车轮多边形的几何特征与动态特性，对抽取的新短时信号再次进行频域分析与磨耗参数（阶次、幅值）计算，进而实现对车轮多边形磨耗状态的准确识别。分析表明，该识别方法有效减少了传统分析方法中因栅栏效应和频谱泄漏等固有缺陷导致的识别误差，可消除大部分非平稳因素的干扰，为轨道车辆的安全运行维护提供理论支持和方法参考。

Detection Framework of Wheel Polygon Wear State Based on Iterative Modified DFT