综述 | 铁路轮对故障诊断研究综述（下）

      2.1 声学法

      2.2 光学法

2.3 电磁法

 轮对故障的在线诊断是指在列车运行过程中，在轨道或车辆部件上布置传感器以获取信号，通过不同的信号处理方法或ML算法对获取的信号进行分析，实现故障的检测或进一步分类。此外，还可以确定缺陷的大小。与库内检测方法相比，此类方法可以快速检测整列车的车轮状态，从而减少列车停运时间和维护成本。同时，通过应用此类方法可以获得大量的历史数据。结合对此历史数据的分析结果和库内检测方法的结果，可以做出更及时、准确的决策。这种数据驱动的决策有助于优化维护计划并提高运营效率。根据传感器的放置位置，本节将在线检测方法分为轨旁方法和车载方法。    

3.1 轨旁方法    

轨旁方法主要是指在干线轨道的某一段上或车站出入口附近放置传感器，以便在列车通过时快速检测故障或进一步对故障进行分类。轨旁方法具有成本低、适应性强和可靠性高的特点。与库内检测方法相比，其优势在于可以在较高的通过速度下实现故障诊断，且自动化程度相对较高。本节根据传感器的工作原理，将轨旁方法分为两类：（I）声学法和（II）机械法。    

3.1.1 声学法    

基于带有踏面缺陷的车轮与轨道碰撞时会产生周期性声音这一简单原理，声学方法可应用于轨旁。常用的轨旁声学方法包括（1）基于麦克风的检测方法和（2）基于声发射（Acousticemission，AE）的检测方法，这两种子方法的代表性文献如图22所示。    

 

图22 轨旁声学检测法的代表性文献

3.1.1.1 基于麦克风的检测方法    

基于麦克风的检测方法的原理是在轨旁安装麦克风，捕捉通过的车轮与轨道碰撞产生的噪声，并对这些冲击噪声进行分析，以检查通过的轮对的健康状态。早在1978年，Nagy等[84]就证明了通过麦克风收集到的辐射到空气中的声音的声学特征可用于自动检测车轮缺陷，并开发了一种检测轮缘或轮盘裂纹的检测系统。然而，文中也指出，轨道安装的加速度计是检测扁平点或破碎轮缘的最佳方式[84]。2019年，Chen等[85]开发了一种基于麦克风阵列的时域峰度波束形成技术，该技术能够在高背景噪声环境中识别和定位轮轨系统中的缺陷。结果表明，通过观察波束形成声图上的峰度值，可以识别和定位车轮上的不同类型的故障（如凹痕、孔洞、扁平）。该技术克服了必须保持传感器与被测结构接触的挑战，更适用于具有宽频率的脉冲信号，例如轮扁引起的冲击噪声。然而，如文献 [84,85] 中所提到的，这些方法仅在实验室条件下使用滚动试验台进行了验证。为了验证基于麦克风的检测方法对在役车辆的可靠性，2021年，Komorski等[86]选择一辆带有扁平缺陷的电车作为研究对象，并在Franowo电车厂布置了基于麦克风的轨旁系统进行声学测量，如图23所示。当电车以20-40km/h 的速度通过时，通过三个麦克风收集声学信号，并通过傅里叶变换[87]和希尔伯特变换[88]成功检测到轮扁。2020年，在Railwatch GmbH提供的轨旁声音监测数据的帮助下，Dernbach等[89]利用支持向量机、经典卷积神经网络和U-Net模型成功检测到轮扁。他们证明，采用梅尔频谱图表示的卷积分割架构在参数数量相当的情况下优于其他方法。

 

3.1.1.2 基于AE的检测方法    

基于声发射的检测方法的原理是，材料内部结构的变化会导致材料内部应力的突然重新分布，从而将机械能转化为声能，产生弹性波。当轮对发生故障时，所获得的声发射信号的能量与正常运行时所获得的声发射信号的能量有显著差异，因此通过设置适当的阈值，可以检测到轮对故障。这类方法在铁路行业早已得到应用，例如检测轨道损伤[90-94]。在过去的二十年中，基于AE的方法已被应用于轮对故障检测。2010年，Bollas等[95]对各种列车和电车进行了广泛的声发射测量。AE传感器安装在轨道旁，以便在车辆行驶时实时监测通过轨道传输的声发射，从而诊断轮对/轴箱故障，例如轮扁和轴承缺陷。2013年，Bollas等[96]进一步研究了该方法，并证明高频AE传感器对扁平缺陷足够敏感，且接收到的AE信号电平波动与单个缺陷的旋转频率一致。该方法如图24所示，使用两个PAC R15i传感器和两个R30a传感器来获取声发射信号。根据所获得的AE信号随时间的变化方式，可以确定车轮表面是否存在扁平缺陷。为了进一步量化轮扁的严重程度，2018年，Aktas等[97]在轨道上安装了一个AE传感器，以在列车通过时收集AE信号。通过基于搜索的监督训练方法对信号进行处理，然后可以定义缺陷分数的阈值曲线。通过将测量值与阈值曲线进行比较，可以确定轮对的健康状态。

 

图24 AE传感器数据采集处理及现场安装示意图[96]

3.1.1.3 总结    

轨旁使用的声学法包括基于麦克风的检测方法和基于AE的检测方法，这些方法总结于表4中。

表4不同声学法的对比    

 

综上所述，基于麦克风的检测方法的研究出现较早，近期的研究多以麦克风阵列的形式为主。此类方法适用于检测局部轮对缺陷，成本低，传感器无需与被测结构接触，设备易于部署。基于AE的检测方法成本较高，但对传感器的数量和安装位置要求较低。这两种方法的共同缺点是声学信号易受环境影响。未来的发展应着重提高对环境噪声的抗干扰能力，优化信号处理算法，以增强声学方法的鲁棒性。    

3.1.2 机械法    

机械法主要利用应变信号和加速度信号来检测或进一步分类轮对故障。选择合适的传感器来获取故障信号至关重要。根据传感器的类型，轨旁使用的机械方法主要包括（1）基于应变片的方法（Strain gauge，SG）、（2）基于光纤布拉格光栅（FiberBragggrating，FBG）传感器的方法和（3）基于加速度计的方法，这三种方法的代表性文献如图25所示。

 

图25 轨旁机械检测法的代表性文献

3.1.2.1 基于SG的方法    

在轨旁检测中，基于SG的方法主要是将SG粘贴在轨道（腹板、根部或头部）上。由于轨道的变形会导致SG的电阻发生变化，从而产生变化的电压信号，根据该信号与轨道变形之间的对应关系，可以精确测量垂直轮轨力。根据测得的力的大小，可以检测到轮对故障或对其进行进一步隔离。    

为了诊断轮对故障，一些学者开发了专门的轨道应变检测系统，并使用信号分析方法和ML方法处理应变信号，以分析缺陷信息，例如是否存在缺陷以及缺陷的类型和大小。2007年，Stratman等[98]开发了一种基于一系列SG的车轮冲击载荷检测器（Wheel impact load detector，WILD），并将其安装在实际线路上以获取冲击载荷数据。通过分析冲击载荷数据，从垂直轮轨力的角度确定了故障车轮的移除阈值。当垂直轮轨力超过规定的阈值时，会自动生成关于故障车轮的报告，并发送给轨道交通控制中心和车间，以辅助维护工作。2015年，Meixedo等[99]介绍了一个葡萄牙国家项目，该项目开发了一种集成了多种功能（包括车轮冲击检测、列车称重和轴计数）的轨旁检测系统。该系统由多个组件组成，包括SG、射频识别和感应触发传感器，其中SG安装在轨道腹板上，以收集列车传递给轨道的动态载荷，通过评估动态载荷并补偿轨道温度变化，可以确定轮对故障。在列车通过期间，系统可以收集和分析所有连接车辆的数据，并自动生成维护报告。2018年，Krummenacher等[100]使用基于SG的车轮载荷检查点测量轨道的垂直力。如图 26 所示，每个车轮载荷检查点由四个1米长的测量杆组成，每个测量杆有四个SG。SG垂直于轨道中心线安装。使用两种ML方法处理测得的垂直力。一种是传统的ML方法，由通用小波特征和基于支持向量机的分类器[101]组成。另一种基于深度卷积神经网络，可以直接从时间序列或二维表示中自动学习和分类特征。结果表明，两种方法都能自动检测不同类型的车轮缺陷，例如轮扁、剥落和失圆，但深度卷积神经网络方法的性能更好。因为轮扁会产生高冲击力[102]，所以车轮载荷检查点在识别轮扁引起的故障方面非常有效。但正如Costa等[103]所讨论的，它们通常会忽略较小的表面变形。文献[100]中还指出，这两种ML方法只能对缺陷进行分类，而无法获得更多关于缺陷的信息，例如缺陷位置、缺陷大小和缺陷形状。为了检测缺陷的位置，2020年，Zhou等[104]使用数值方法分析了不同轮扁情况下轨道的应变分布特征，并设计了基于多传感器阵列的集成布局方案和基于多源数据融合的算法，从而实现了车轮状态的实时检测和精确定位。为了确定扁平缺陷的严重程度，2020年，Mosleh等[105] 开发了一种基于SG的系统。在该系统中，根据车轮的等效周长，在轨道旁的12个位置分布SG，通过布置在两个轨枕之间的SG的变形可以间接测量轨道剪力。此外，引入了包络谱分析（Envelopespectruma nalysis，ESA）[106]来分析轨道剪力信号，以确定轮扁的严重程度。文献[105]中，他们得出结论，应制定合理的阈值，以便能够自动分类健康车轮和有缺陷的车轮。Mattsson等[107]在2024年报道了一个类似的概念，他们指出还应为不同的车辆状态（例如轴重）制定不同的阈值。

 

图26 一个测量杆上的应变片和四个应变片对车轮垂直力的测量[100]

3.1.2.2 基于FBG传感器的方法    

就传感器的工作原理而言，此类方法可归为光学法，但考虑到其变化是由外部应变引起的，且其测量的信号是机械信号，因此本文将其归类为机械法。FBG传感器利用外部扰动振动引起的位移或应变变化来改变光栅间距，进而转换为相应的波长变化，即波长的变化可以响应加速度和应变的变化[108]，从而响应轮对的缺陷信息。FBG传感器已被应用于测量列车的动态载荷[109]。2012年，Filograno等[110]将FBG传感器应用于西班牙马德里至巴塞罗那高速铁路线的现场测试。列车通过速度在200至300km/h之间。使用FBG传感器解调系统同时监测安装在轨道旁的四个FBG传感器。不同位置的传感器用于不同的目的，例如列车识别、轴计数、速度和加速度检测、车轮缺陷监测和动态载荷计算。然而，用于确定车轮是否应进行维护/更换的阈值尚未明确定义。为了检测高速列车中的微小车轮缺陷，2019年，Liu等[111]引入了一种基于轨旁FBG传感器阵列的车轮状态监测系统，如图27所示。在该系统中，每两个FBG传感器间隔约0.15m，整个FBG传感器阵列的长度略大于车轮的周长。当列车通过该系统时，每个FBG传感器可以测量在动态车轮载荷激励下轨道底部的纵向应变，该应变由横截面弯矩引起。在该系统中，使用贝叶斯盲源分离方法对轨道应变信号进行分解，以获得包含缺陷敏感特征的分量，并基于Chauvenet准则通过分析历史时间中的异常来识别潜在的车轮踏面缺陷。现场测试结果表明，当列车以20-50km/h的速度通过检测系统时，该系统不仅能识别出车轮中的小缺陷，还定位了列车组中哪个车轮存在局部异常。然而，与文献[110]中提到的方法一样，仍然无法判断车轮缺陷的严重程度。为了解决该问题2020年，Ni等[112]基于分布式FBG监测系统收集轨道底部的纵向（弯曲）应变数据。基于该数据，开发了一种ML方法来定量评估车轮缺陷的严重程度。通过将在线检测数据与离线车轮半径偏差测量值进行比较，验证了所提出方法在完全贝叶斯推理框架下的可靠性。2023年，Wan等[113]使用短时傅里叶变换（Short-timeFouriertransform，STFT）[114]从一对FBG传感器收集的关于30多列列车通过的振动信号中提取时频特征。通过使用四种常见的无监督学习算法，即非负矩阵分解、一类支持向量机、多层感知器自动编码器和卷积神经网络自动编码器，导出五个健康指数用于监测列车车轮的健康状况，这进一步实现了缺陷的量化。结果表明，在检测轮扁和空洞方面，非负矩阵分解和多层感知器自动编码器优于一类支持向量机和卷积神经网络自动编码器。    

 

图27 基于FBG传感器的系统示意图和不同SG的响应

3.1.2.3 基于加速度计的方法    

基于SG的方法易受电磁干扰，基于FBG传感器的方法易受环境温度影响。相比之下，加速度计基于惯性原理，抗干扰能力更强，能够在复杂环境中稳定工作。在车辆动态运行过程中，车轮缺陷（如轮扁、多边形化和裂纹）往往会导致加速度信号在时域或频域发生显著变化，这些变化中包含丰富的故障信息。随着车速的增加，故障信息变得更加明显。因此，基于加速度计的方法已成为当前研究人员关注的关键检测手段。    

信号处理方法和统计分析方法已被广泛用于分析轨道的振动信号，从而响应轮对的缺陷信息。早在1997年，Bracciali等[115]开发了一种用于检测轮扁和轨道波纹的数值程序，该程序使用组合能量和倒谱分析（Cepstrum an alysis，CA）[116]处理收集到的轨道加速度信号，以检测和分类车轮缺陷。在这项研究中，他们还指出，未来需要用于故障判定的合理阈值。2004年，Skarlatos等[117]在不同速度（30km/h、50km/h、70km/h、90km/h和100km/h）下测量了健康车轮和具有已知缺陷的车轮的轨道振动信号。对监测信号进行统计分析，建立表征故障车轮状况的振动限值。基于这些限值，模糊逻辑模型[118]将获得的经验存储在数据库中，并评估车轮损坏的严重程度，以进行预防性维护。然而，该模型只能检测故障的存在，需要进一步研究以确定具体的故障类型。2006年，Belotti等[119]在意大利佛罗伦萨铁路车间人为加工了一个轮扁缺陷，并使用带有该缺陷车轮的车辆在仪表化轨道上进行了研究。基于故障车轮通过时轨道的加速度，使用小波变换（Wavelet transform，WT）[120]在不同速度（从10km/h到100km/h，增量为10km/h）下检测和量化轮扁缺陷。结果表明，该方法在确定轮扁存在方面具有可靠性，并且可以实现对扁平长度的粗略量化。然而，仍然需要更深入的定量评估方法。文献[121]中报道了一种类似的方法。2016年，Lunys等[122]基于立陶宛铁路系统中安装的轮轴冲击载荷检测器（由加速度计组成）所采集的数据，开展了关于货运货车的研究。在这项研究中，使用车轮冲击载荷检测器记录与车轮表面缺陷相对应的数据，并将其与通过人工测量获得的结果进行比较，以确定车轮缺陷的类型，例如车轮裂纹、扁平和平整度磨损。2021年，Mosleh等[123]研究了轨旁轮扁检测系统中传感器的类型及其最佳位置，并提出了一种多传感器布局方案，通过ESA[106]检测客运和货运列车上是否存在轮扁，检测过程如图28所示。他们发现，使用ESA方法，加速度信号在检测轮扁方面比应变信号具有显著优势。在实践中，轮扁的检测是通过使用两个加速度传感器实现的，每个传感器用于监测车轮圆周的一半。为了提高传感器的耐用性，2022年，Schalkwyk等[124]利用嵌入了加速度计和SG的3D打印智能轨垫来监测重载线路上列车车轮的状况。现场测试表明，它能够检测运营铁路线上60%以上的车轮缺陷。同时，它可以自动记录通过列车的数据，例如列车类型、车轮载荷、轴数等，这有助于建立全面的数据库。2023年，Salehi等[125]使用基于解析振幅的信号分解方法从由五个加速度计组成的轨旁数据收集装置获得的振动信号中提取车轮损伤特征，并研究了带有轮扁的两轴动车在不同运行速度（10km/h、20km/h、30km/h和40km/h）下的车轮损伤特征。2023 年，Gonçalves等[126]模拟了位于轨枕之间的多个SG和加速度计的动态响应，并使用ESA[106]检测轮扁和车轮多边形化。结果表明，加速度计和SG都可用于检测轮扁，而车轮多边形化只能通过加速度计检测。

 

图28文献[123]中的检测过程

近年来，先进的ML技术已被引入轮对故障诊断中。2022年，Mosleh等[127]开发了一个考虑轮扁的三维车辆-轨道耦合动力学模型，通过布置19个加速度计收集实验数据，并使用离群值和聚类分析对缺陷车轮的严重程度进行分类。2022年，Mosleh等[128]开发了一种无监督的早期车轮损伤检测方法，该方法通过连续小波变换（Continuous wavelets transform，CWT）[120]从多个加速度计和应变片中提取信息，并将时间序列信号转换为损伤敏感特征。然后通过主成分分析（Principal component an alysis，PCA）[129]对特征进行归一化，并使用马氏距离进行融合。最后，基于高斯逆累积分布函数计算置信边界，自动区分车轮上是否存在扁平缺陷。文献[128]的检测过程如图29所示。使用多个传感器和不同的测量点来证明该方法对传感器类型和位置的敏感性。结果表明，该方法只需要一个加速度计或SG就可以对车轮缺陷的存在做出判断，并且所提出的方法不受列车类型、轨道不平度轮廓或车辆速度的影响，但无法区分特定的缺陷类型。同样，2024年，Guedes等[130]通过轨旁监测系统探索了用于分类铁路货运车辆多边形车轮的聚类技术。他们的方法分析振动加速度以分类不同类型的多边形损伤，从而增强预测性维护策略并提高整体铁路安全性和效率。2023年，Lourenço等[131]开发了一种在线自适应学习算法，用于检测不同波长的多边形车轮，自动检测列车通过，分割轴组，并对单个车轮的多边形化进行排名。实验结果表明，所提出的模型成功地对单个车轮的多边形化进行了排名，为更换干预建立了有用的优先级序列。为了检测不同特征提取方法对车轮多边形缺陷的敏感性，2023年，De等[132]开发了一个耦合列车-轨道模型，通过该模型模拟列车通过一组安装在轨道上的加速度计的过程，以捕获轨道的振动加速度。使用自回归外生方法[133]和CWT[120]提取加速度信号特征，并采用离群值分析[134]区分健康车轮和有缺陷的车轮。充分阐明了传感器数量及其位置对车轮缺陷检测系统准确性的影响。结果表明，在检测车轮多边形缺陷方面，连续小波变换方法比自回归外生方法更有效。同样，为了比较不同特征提取方法在检测轮扁缺陷方面的能力，2023年，Mohammadi等[135]使用四种无监督数据驱动方法检测轮扁，即自回归[136]、自回归外生[133]、PCA[129]和CWT[120]。结果表明，四种方法都能自动区分有缺陷的车轮和健康的车轮。然而，不同之处在于，自回归和自回归外生方法在检测轮扁缺陷方面最准确，并且对损伤侧敏感。CWT只能检测受损车轮，对缺陷侧不敏感。PCA在检测有缺陷的车轮方面准确性较低，自回归外生方法是唯一能够使用加速度稳健地检测轮扁缺陷的方法。    

 

图29文献[128]中的检测过程

在信号特征提取操作之后，研究人员通常需要使用PCA执行特征归一化操作。然而，PCA只能处理线性关系。在存在非线性现象的情况下，基于深度神经网络的方法表现更好，其强大的自适应能力使其在轮对故障诊断中表现出色。因此，2024年，Jorge等[137]提出了一种基于堆叠稀疏自动编码器的深度学习方法，并优化了轨旁检测系统，该方法指出只需要两个分别位于轨道两侧的加速度传感器就可以检测车轮的扁平和平行多边形故障。同样，2024年，Magalhaes等[138]进行了数值模拟，并开发了一个配备六个传感器的虚拟轨旁监测系统，通过车辆-结构相互作用软件获得轨道的垂直加速度，如图30所示。该加速度数据集分为健康车轮生成的数据集和有缺陷车轮生成的数据集。基于健康数据集，训练稀疏自动编码器模型，以进一步预测有缺陷车轮的后续车辆响应。基于该响应与原始车辆响应之间的差异定义损伤指数，并使用马氏距离将多变量数据转换为单个损伤指数。通过离群点分析检测车轮损伤，并运用聚类分析区分不同损伤指数。车轮损伤可根据类型和严重程度进行分类。

 

图30 外置式加速度传感器的部署[138]

3.1.2.4 总结    

轨旁使用的机械方法包括基于SG的方法、基于FBG传感器的方法和基于加速度计的方法，这些方法总结于表5中。    

表5 各种机械法的对比（基于FBG传感器的方法也可以归类为光学方法）

 

综上所述，机械方法是轨旁检测中的一个热门方向，特别是基于加速度计的方法。基于应变片的方法发展较早，近年来的文献数量有所增加。基于FBG传感器的方法是一种新兴方法。基于加速度计的方法出现较早，近年来基于它们的研究数量激增。原因是加速度传感器抗电磁干扰能力强，丰富的信号处理方法和先进的ML方法为分析加速度信号提供了有利条件，这进一步促进了基于加速度计的方法的发展。基于FBG的方法应采用有效的方法消除温度干扰。基于SG的方法和基于加速度计的方法需要探索传感器的布局方案，提高传感器的耐用性，以应对线路环境的变化。在未来的研究中，这三种方法中使用的信号分析方法和自动故障识别算法需要进一步改进，检测设备应朝着多种检测功能集成的方向发展（例如轴计数、列车称重、测速等）。此外，在检测到缺陷后，应结合智能后处理方法存储数据并自动生成检测报告，以提高维护的自动化程度 [98, 99, 110, 117, 122, 124, 131]。    

3.2 车载方法    

车载方法主要是指在车辆部件（如轴箱、转向架构架、轮轴和车体）上安装传感器，实时获取轮对的故障信号，并通过统计方法、信号处理方法或ML算法对这些信号进行进一步处理，以确定轮对的健康状态。本节根据传感器的工作原理，将车载方法进一步分为三个子类别：（I）光学法、（II）热学法和（III）机械法。    

3.2.1 光学法    

在车载检测中，光学方法主要指激光检测方法，其核心技术是利用车载激光传感器以非接触方式测量振动信号。列车运行过程中，激光传感器可发射激光束并接收从被测物体表面反射的光信号，该光信号中包含车轮的振动信息。通过对该信息的处理和分析，可以识别特定的缺陷。2016年，Rolek等[139]在实验室中对有裂纹和无裂纹的车轴进行了全尺寸测量，如图31所示。通过测量车轴的弯曲振动，并基于与车轴旋转周期的整数倍（n×Rev）相对应的周期性谐波分量，诊断车轴中是否存在疲劳裂纹。有限元模型被用于复现并分析带有裂纹车轴的轮对在轨道上的滚动情况。实验室中的实验和数值研究结果表明，该方法有可能用于现场测试。如果裂纹面积在车轴横截面的16%或以上，则车轴弯曲振动的1×Rev、2×Rev和3×Rev分量可用于检测车轴中是否存在裂纹。需要注意的是，所提出的方法[139]不能替代常规的无损检测，但可以作为一种额外的安全措施，及时检测损伤过程后期的裂纹车轴。该方法目前仅处于实验室评估阶段，有待进一步进行现场测试。

 

图31 文献[139]中的LD传感器安装位置    

3.2.2 热学法    

车载检测中的热学法主要是基于温度传感器的方法，通过温度传感器检测轮对材料的温度变化，以分析异常故障。2023年，Liu等[140]提出了一种无监督的统一检测模型，该模型首先使用长短期记忆网络[141]预测车轴温度，从而生成残差序列。随后，使用核密度估计[142]和改进的局部离群因子分析车轴温度残差序列。如图32所示，通过检测车轴温度的异常变化，可以评估车轴的状态，并可以防止热轴和切轴故障，确保列车的运行安全。

 

图32 文献[140]提出的基于热成像的车轴故障检测方法的整体架构    

3.2.3 机械法    

在用于轨旁检测的机械方法中，已经描述了机械方法是基于传感器的类型进行分类的。使用相同的分类方法，车载检测系统中常用的机械方法同样主要包括（1）基于SG的方法、（2）基于FBG传感器的方法和（3）基于加速度计的方法，这三种方法的代表性文献如图33所示。    

 

图33 车载检测机械法的代表性文献    

3.2.3.1 基于SG的方法    

在车载方法中，基于SG的方法将安装在轮对上的应变片收集的电信号利用轮对几何形状和弹性特性转换为应力，从而实现轮对故障信号的获取。在车载检测中，使用SG检测轮轨力的最常规方法是使用特制的仪表化轮对，即测力轮对。2021年，Maglio等[143]通过结合测力轮对的测量结果和车轴弯曲应力的数值模拟，研究了客运列车轮对滚动接触疲劳损伤演变的后果。在现场测试中，使用带有四个SG的测力轮对监测车轴应力，应力通过遥测获得，同时定期检测车轮失圆的演变。所开发的遥测系统称为SmartSet®系统，由安装在轴体上的SG和遥测发射机，以及安装在转向架或车体上的遥测接收机、遥测感应电源和嵌入式数据采集计算机组成。该系统自动化程度高，能够在正常通过速度（最高速度为200km/h）下自主执行数据采集步骤数年，如图34所示。

 

图34 文献[143]中的测力轮对和SG安装位置    

3.2.3.2 基于FBG传感器的方法    

与轨旁检测中的基于FBG传感器的方法不同，在车载检测中，该方法通过将FBG传感器安装在转向架上来工作。2020年，Wang等[144]开发了一种基于贝叶斯动态线性模型的实时缺陷检测方法，用于实时检测潜在的有缺陷车轮。所提出的方法包括以下功能：预测、潜在离群值检测、变化点识别以及损伤程度和不确定性的量化。依靠FBG传感器从高速列车转向架获取的应变监测数据，建立用于表征实际应力范围的贝叶斯动态线性模型，通过该模型在进行下一次观测之前引出一步预测分布。通过比较常规模型（由贝叶斯动态线性模型生成的预测分布）和替代模型（平均值偏移规定的偏移量）来判断哪一种模型更符合实际观测数据。若比较结果显示支持替代模型，则可判定潜在变化已发生。    

为判断该观测值是异常值还是变化点的起始信号，我们采用三种指标（即贝叶斯因子、最大累积贝叶斯因子和运行长度）进行深入分析。一旦确认存在变化点，即通过贝叶斯假设检验对损伤程度评估及不确定性量化进行验证。若识别出严重变化，则表明列车轮组因缺陷导致质量出现显著改变。如图35所示，本方法已在兰新高铁上以时速200-250km/h运行的列车转向架在线监测数据中得到验证。

 

图35 文献[144]中部署在转向架上的FBG传感器的位置    

3.2.3.3 基于加速度计的方法    

基于加速度计的检测方法主要通过收集安装在列车部件（如车体、转向架构架、轨轴、轴箱）上的加速度计测得的加速度信号来诊断故障，这是当前实际工程应用和研究中的一个热门方向，也常用于检测轨道损伤[145, 146]。根据对获取的加速度信号的处理方式，该方法主要分为经典信号处理方法、传统ML方法和DL方法。这些方法的比较如表6所示。    

表6 不同的基于加速度计的轮对故障诊断方法的比较    

 

经典信号处理方法包括傅里叶变换[87]、WT[120]、经验模态分解（Empirical mode decomposition，EMD）[147]、希尔伯特-黄变换（Hilbert-Huang transform，HHT）[88]、ESA[106]、维格纳-威利变换（Wigner-Ville transform，WVT）[148] 等。一些学者研究了此类方法或其变体在轮对故障诊断中的应用。2007年，Jia等[149] 利用 Matlab-Simulink平台建立了考虑轨道不平度的轨道车辆耦合多体动力学模型，并采用小波能量平均和平均信号小波分解技术分析转向架垂直加速度，从而鉴别是否存在轮扁现象。2019年，Bernal等[150]建立了配备两个Y25转向架的货运列车的多体动力学模型，并在存在轮扁的情况下获得了转向架构架和车体的相应加速度。基于这两种加速度，提出了基于ESA[106]的可检测性指标，以区分健康轮对和有缺陷的轮对。结果表明，使用转向架加速度可以检测到轮扁，而使用车体加速度检测轮扁需要进一步研究。2020年，Song等[151]建立了考虑车轮和轨道柔性的耦合车辆-轨道多体动力学模型，并通过改进的集成EMD和WVT分析轴箱加速度。在仿真实验中，列车速度设置为200-350km/h，数值结果表明，最大轴箱加速度及其频率与谐波阶数和车轮失圆定量相关。2020年，Wang等[152]通过考虑更多的动态因素，如牵引传动、齿轮传动和轨道几何不平度，开发了更详细的车辆-轨道耦合多体动力学模型，并在仿真测试中车辆以200-350km/h的速度运行。使用包络分析[106]分析轴箱加速度以检测轮扁。类似的方法也用于检测车轮失圆缺陷。2020年，Xu等[153]提出了一种基于同步压缩STFT的广义希尔伯特包络解调方法，通过分析轴箱加速度实现了车轮多边形化的诊断。    

为了比较经典时频信号处理方法在轮对故障检测中的有效性，2013年，Liang等[154]使用三种经典时频分析方法（包括STFT[114]、平滑WVT[155]和WT[120]）检测早期轮扁和轨道表面缺陷的性能。结果表明，在滚动试验台的实验中，三种时频方法都能为两种缺陷产生的振动提供适当的时频信息。平滑伪WVT通过在时间和频率分辨率之间进行折衷，提供了更好的表示，而小波变换在时间和频率轴上都表现出良好的定位。文献[156]中也描述了相同的比较。2015年，Liang等[157]提出了一种使用时频信号处理的自适应噪声消除技术。通过两个轴箱加速度计在实验室中收集数据，并测试了四种时频分析方法（包括STFT[114]、平滑伪WVT[155]、崔-威廉姆斯变换[158]和WT[120]）。分析表明，自适应噪声消除技术与传统的时频分析方法（如STFT和WT）相结合可以诊断车轮故障。    

在传统的时频分析方法中，傅里叶变换仅响应频域信息，STFT和WT依赖于特定的窗函数，HHT方法存在模态混叠等问题。为此，一些学者尝试使用新的信号处理方法或从非时频域的角度诊断轮对故障。2017年，Li等[159]开发了一种自适应多尺度形态滤波算法，并使用该算法研究了轮扁引起的轴箱振动，以及轨道不平度和车辆速度对诊断结果的影响。该算法同时考虑了模拟和测量的轴箱振动信号。然而，所提出的方法仅设计用于恒速工况。为了检测变速条件下的轮扁，一些学者研究了角度域下的故障信息。2018年，Bosso等[160]从模拟和实际工况中收集轴箱加速度信号。基于收集的加速度信号和车轮的角位置，可以在时域中确定轮扁的存在和严重程度。由于实际运行环境的影响和车辆系统的非线性，为了实现该方法的实际应用，需要对算法进行特定校准，以适应所使用的特定车辆和路线。2021年，Shim等[161]结合CA[116]和互相关分析[162]方法，通过分析旋转角度域的轴箱加速度信号来检测轮扁并诊断扁平尺寸。最后，在韩国铁路研究院测试的数据验证了CA-互相关分析方法。2021年，Baasch等[163]引入倒谱分析[116]从轴箱加速度信号中提取与车轮磨损相关的特征。加速度信号由德国航空航天中心开发的多传感器系统获得，被测列车的行驶速度高达200km/h。作者提出了一种称为轮辋数域的数据表示法。在该域中，可以监测轮辋的周长，以确定轮辋的胎面是否周期性受激。此外，轮辋数域中的峰值振幅可以表示可能的轮辋缺陷的严重程度。2021年，Bernal等[164]提出了一种车载轮扁检测技术的动态验证，该技术使用模拟信号处理，降低了状态监测传感器节点的功耗和硬件成本。在1:4比例的转向架试验台上采集健康和有缺陷轮对的轴承适配器加速度信号。然后使用这些数据验证轮扁检测技术，该技术仅使用模拟计算，无需软件或复杂算法及相应硬件，就能有效区分健康和有缺陷的加速度信号。该技术有望进一步开发低成本和超低功耗的传感器节点系统，这些系统需要大量的传感器节点，例如重载和一般货运铁路应用。    

为了诊断车轮失圆的阶数并定量估计相应的振幅，2021年，Sun等[165]提出了一种基于角度域同步平均技术的检测框架。文献[165]的检测过程如图36所示。结果表明，借助垂直轴箱加速度，该框架不仅实现了车轮失圆阶数和振幅的检测，还减轻了背景噪声的影响。文献[166, 167]中提出了类似的工作。类似的研究已被Zhou等[168, 169]应用于轮扁检测。2022年，Chen等[170]提出了一种基于自适应啁啾模式分解方法的非平稳条件下多边形车轮定量检测方法。动态仿真和现场测试结果表明，使用所提出的方法分析轴箱加速度可以实现车轮失圆谐波阶数及其振幅的定量识别。一种类似的方法[171]已应用于轮扁检测。

 

图36 文献[165]中的检测过程    

传统的基于ML的方法在轮对故障诊断中具有重要意义。2018年，Gomez等[172]使用转向架试验台测量轴箱加速度，以检测一个车轴上的诱导裂纹。在这项工作中，使用两个完整的轮对作为实验对象，每个轮对两侧的轴箱上都安装有三个传感器。通过小波包变换能量处理获得的振动信号用于训练径向基函数网络[173]，以自动检测车轴裂纹。结果表明，垂直加速度最能反映车轴裂纹。然而，该方法对速度和轴载敏感，仍需要进一步研究。2019年，基于克里金代理模型[174]和粒子群优化[175]，Ye等[176]开发了一种克里金代理模型-粒子群优化反演模型，其中，克里金代理模型用于建立轮扁长度、车辆速度和轴箱加速度之间的关系，粒子群优化用于确定轮扁长度。仿真和现场测试结果表明，该方法可用于定量识别具有理想形状的轮扁。2020年，Kim等[177]基于轴箱加速度识别轮扁的深度和位置，轴箱加速度是由具有柔性轮对的列车动力学模型生成的。使用希尔伯特变换[88]和小波包分解[178]提取加速度信号的特征，并通过前馈神经网络[179]实现准确预测。当使用时频处理方法时，在选择包含故障信息的特征之后，应该构建诊断模型，传统的ML技术为此提供了解决方案。2020年，Gomez等[180]在实验室滚动试验台上测量全尺寸转向架的轴箱加速度，以检测包含四种不同深度（即 0mm、5.7mm、10.9mm 和15mm）的车轴裂纹。通过小波包变换处理加速度信号，并通过支持向量机[101]执行分类任务，结果证明了诊断模型的可靠性。2022年，Xiong等[181]在Simpack中模拟了具有扁平缺陷和失圆缺陷的轮对的动态性能，并分析了这两种缺陷的失效特征。基于分析结果，将轮扁和失圆等效为位移激励，并加载到裂纹轮对的有限元模型中，求解具有三种耦合故障的轮对的振动加速度响应。将生成的加速度输入到Light-GBM模型中，实现车轴裂纹、轮扁、车轮失圆以及耦合故障的故障分类。为了验证仿真结果的可靠性，在实验室中进行了实验以确认模型的检测能力。文献[181]的检测过程如图37所示。2023年，Ye等[182]提出了一种称为多层时频图像熵的时频熵特征，用于捕获轴箱加速度信号中的低振幅细节，并表征信号的频率稳定性和频率可变性。结合所提出的多层时频图像熵特征和经典神经网络分类器，构建了一种铁路车轮故障诊断方法。通过仿真和线路实验验证了该方法的可行性，其中仿真中的车辆速度为300km/h，现场线路测试中的最大运行速度分别为300km/h 和100km/h。2023年，Bustos等[183]研究了货运列车转向架的振动性能，并在实验室中测量了轴箱加速度。通过EMD[147]将获取的加速度分解为固有模态函数。将固有模态函数的频谱功率用作传统前馈神经网络的输入，该网络基于缺陷的严重程度对振动信号进行分类。结果表明，训练后的网络可以准确识别车轮中缺陷的存在及其严重程度。2023年，Shaikh等[184]开发了一个仿真模型来生成车轴的横向振动加速度，该模型用于构建车轮缺陷数据集。基于该数据集，使用多层感知器[185]作为特征提取器，并将其与各种基于ML的分类器相结合，即支持向量机[101]、随机森林[186]、决策树[187]和 k近邻[188]。结果表明，多层感知器-随机森林和多层感知器-决策树方法表现更好。由于ML技术的快速发展，需要更多的数据来训练更可靠的检测模型。因此，2024年，Su等[189]结合模拟和实验获得的加速度信号创建扁平数据集，该数据集用于构建智能检测模型。组合数据集及其构建方法可以促进数据挖掘在铁路运输领域的应用。

 

图37 文献[181]中的检测过程

传统的ML方法只能处理给定的任务和数据集，不能处理复杂多变的数据和任务。DL方法作为ML方法的一个重要分支，能够自动提取加速度信号中的特征，是当今的一个热门研究方向。2020年，Shi等[190]通过现场线路测试收集了存在轮扁时的车体加速度，并开发了一种称为LightWFNet的轻量级一维卷积神经网络架构，用于诊断轮扁。结果表明，LightWFNet的计算成本远低于常用的信号处理方法，使得LightWFNet能部署在现有的远程信息处理设备上进行实时诊断。为了比较各个神经网络在检测缺陷特征和对其进行分类方面的有效性，2021年，Sresakoolchai等[191]使用动态仿真软件包D-Track模拟了1608个样本，并分别使用传统的深度神经网络、卷积神经网络和循环神经网络检测轮扁并对其严重程度进行分类。该研究评估了三个深度神经网络的三个不同方面，即整体准确性、检测轮扁的能力和对轮扁严重程度进行分类的能力。研究表明，深度神经网络具有最高的整体准确性。    

一些学者将时域或频域特征与DL算法相结合，用于诊断轮对故障。2020年，Bai 等[192]认为频域特征比时域特征更能生动地表示车轮缺陷类型，因此提出了一种新颖的频域格拉姆角场算法，该算法将存在轮扁时的垂直轴箱加速度编码为特征图像。然后引入改进的迁移学习网络，在不涉及任何先验知识的情况下，使用少量样本实现特征图像的准确分类。在比例试验台（1:5比例的滚动试验台）上验证了该方法的可行性。2021年，Bai[193]使用比例试验台收集带有人工制造故障的轮对的轴箱加速度，并构建频域信号的一阶马尔可夫转移矩阵。以图像的形式表示信号的频谱特征。然后使用基于迁移学习[194]的训练DL模型检测这些图像，以识别车轮故障。该诊断方法具有较高的可靠性和分类准确性，但该研究缺乏变速条件下的数据，需要进一步发展。2022 年，Ye等[16]开发了一种名为OORNet的DL模型，用于失圆车轮的状态监测和故障诊断，该模型同时考虑了轴箱加速度的时域、频域和时频域特征。为了验证模型的可靠性，使用2000个不同车轮失圆曲线引起的轴箱加速度仿真数据集测试了OORNet的性能，诊断流程如图38所示。2023年，Ye等[195]提出了一种称为激活时域图像的自适应特征提取方法，并将其与深度神经网络相结合，分析轴箱加速度，实现轮扁缺陷的在线检测。所提出的方法具有鲁棒性，不受轨道不平度、轮轨磨损和其他干扰冲击的影响，并且在某一速度下训练的激活时域图像-深度神经网络模型可以直接应用于其他速度，克服了传统方法对车辆速度敏感的缺点。2023年，Galdo等[196]从安装了全尺寸铁路车轴的实验系统中收集轴箱加速度，并基于用于振动信号时频表示的差分二维卷积神经网络开发了一种实时轴箱裂纹诊断技术。结果表明，该网络可以诊断在32种不同工况组合（例如载荷、速度、旋转方向和振动方向）下测试的三个不同轮对的裂纹。然而，由于实验资源的限制，研究人员难以获得大量真实世界的数据来训练DL模型。Shi等[197]和Shim等[198]提出了结合模拟和实验数据创建大量样本的想法，并使用DL模型验证了这一想法，为解决故障样本不足的问题提供了解决方案。    

 

图38 文献[16]将工程问题（a）转换为DL问题（b）    

3.2.3.4 总结    

车载检测中的机械法具体分为基于SG的方法、基于FBG传感器的方法和基于加速度计的方法，总结于表7。    

总体而言，车载检测中的机械法是当前主流方向，其中基于加速度的方法更受研究者青睐。近年来该方法的应用数量激增，这得益于加速度计成本低廉且易于安装、信号处理方法和AI算法（如DL）日趋成熟，以及在线监测设备的逐步普及。基于SG方法的优势在于所用传感器结构简单。与道路检测不同的是，车载检测中SG方法的缺点在于通常需要配备专用测力轮组，这类设备价格昂贵。因此需综合考虑成本、传感器部署位置及数据采集方式。FBG传感方法在车载检测领域的关注度相对较低。未来需解决FBG传感方法存在的温度干扰问题。加速度计方法虽应用最广，但易受车辆子系统振动干扰，因此开发高效的特征提取与识别技术备受关注。此外，基于加速度计的方法在理论上可以用来量化缺陷的大小，但关键是针对不同车辆在不同轨道条件下的运行情况制定适当的故障判断标准[160]。    

表7 各种机械法的对比（基于FBG传感器的方法也可以归类为光学方法）

 

4 对比

综上所述，目前的轮对故障诊断方法主要包括库内诊断法、轨旁诊断法和车载诊断法。本节将对比不同国家在该领域的研究现状，以及这三种方法的总体特点和发展方向。    

4.1 不同国家的研究进展    

不同国家在轮对故障诊断方面的已发表论文数量如图39所示，从中可以发现以下特点：

 

图39 本文调研的不同国家的文献    

（1）中国研究机构发表的学术论文数量遥遥领先于其他国家。原因如下：在过去 15年中，中国大力投入高速列车故障诊断技术的研发。在此背景下，轮对故障诊断相关研究迅速增多，其中库内诊断法最为成熟且应用广泛，因此相关报道也最为频繁。中国也在积极研究和应用轨旁诊断法，这与中国高密度的铁路网络和商业需求密切相关。此外，中国特别重视AI技术在高速列车实时健康监测中的应用，因此车载诊断法的研究和报道也显著增加。    

（2）除中国外，在亚洲国家中，韩国和日本在库内诊断法方面的研究相对较多。在欧洲国家中，许多国家都积极参与轮对故障诊断的研究，其中葡萄牙、西班牙、德国和意大利发表的论文数量较多，这反映出它们为支持铁路运输业的持续发展，在轮对故障检测技术创新方面的不断投入。西班牙和意大利在库内诊断法方面的研究较多，葡萄牙则在轨旁诊断法方面表现出浓厚兴趣。此外，德国、英国和西班牙在车载诊断法方面也取得了相当大的进展，尤其是德国，由于其铁路工业的高技术水平以及对轮对在线检测技术的强烈需求，在该领域表现突出。在非洲国家中，关于车轮故障检测的研究较少。像埃塞俄比亚等一些国家发表的论文数量有限，这可能与铁路基础设施的完善程度以及科技投入有关。此外，一些中东欧国家（如立陶宛和捷克）的相关研究也较少，尽管它们对铁路运输的需求较大，但在检测技术研发方面的投入有限。总体而言，这些国家在轮对故障诊断方面的研究数量尚未能与亚洲和西欧国家相比。    

表8列出了每个国家在三种主要方法的不同子类别中的发表论文数量，从中可以得出以下结论：    

表8 按国家列出的三种主要方法的不同子类别的文献

 

（1）库内诊断法（包括声学法、光学法和电磁学法）在许多不同国家都取得了进展。在声学法的研究中，中国、意大利和西班牙等国家发表了较多论文，并在工业中应用了相关的超声检测设备。例如，中国的LY-30A系统（见图40（a））、意大利的 BAT III系统（见图 40（b））和西班牙的ULTRASEN®系统（见图 7）已在车间安装使用[200]。在光学法的研究中，中国发表的论文数量最多。在实际应用中，也开发了相应的工业设备，例如高等[49]开发的激光检测系统（见图13）。在电磁学方法的研究中，韩国发表的论文数量最多，特别是在ICFPD方法方面。中国、捷克和西班牙等国家的相关发表较少。在工业中，库内普遍使用磁粉检测设备（见图 17），如文献[70]中介绍的那样。    

（2）轨旁诊断法包括声学法和力学法。在声学方法的研究中，各国的发表论文数量相对均衡。在工业领域，声学技术也得到了发展。在实际应用中，也开发了不同的声学检测设备，这些设备通常由多个传感器组成，例如波兰学者Komorski等[86]开发的麦克风系统（见图 23）。参与力学法研究的国家最为广泛，其中葡萄牙发表的论文数量最多。许多国家在该方法的工业应用方面已经相当成熟，例如中国的 TPDS 系统（见图 40（c））[201]、美国和瑞典的 WILD 系统（见图 40（d））[99, 107, 202]、德国的 MULTIRAIL® WheelScan 系统[203]等。    

（3）车载诊断法包括光学法、热学法和力学法。在光学法和热学法的研究中，发表的论文较少，主要由意大利和中国报道，迄今为止，尚未公开报道有成熟的工业应用案例。在力学法的研究中，涉及的国家较多且发表的论文数量庞大。在工业领域，也应用了许多成熟的测试设备，例如瑞士和丹麦分别开发的用于采集加速度信号的KISTLER传感器和BK传感器（见图 40（e））、瑞典使用的用于测量动态载荷的测力轮对（见图34）、北美使用的用于检测车轮扁疤的遥测设备（见图 40（f））等。    

 

图40 世界各地不同的检测设备：（a）LY-30A系统[199]，（b）BAT III系统[200]，（c）TPDS系统[201]，（d）WILD系统[202]，（e）KISTLER和BK传感器，以及（f）遥测设备[204]

4.2 总体特点和发展方向    

本文总结的这三种方法为轮对故障诊断提供了丰富的解决方案。现将这三种方法的总体特点和发展方向总结如下：    

（1）库内诊断法的优点是可以对轮对进行全面检查，为定期维护提供重要帮助，但该方法耗时较长。未来，库内诊断法应向高智能化、高自动化和低成本方向发展。维护部门在制定维护周期时，应兼顾车辆运行的安全性和轮对维护的经济性。    

（2）轨旁诊断法的主要优点是只需少量传感器即可诊断整列列车所有轮对的健康状况，与库内诊断法相比，效率更高且成本更低。此外，该方法还可以整合其他功能，如检测轴数、车辆速度和列车重量等，形成一体化的轨旁检测系统。未来，轨旁诊断法应向更高的智能化、自动化和集成化方向发展。它可以成为构建整条线路列车运行完整数据库的重要手段。    

（3）车载诊断法可以通过特定的车载设备实时检测轮对故障。然而，从安装、实施和维护的角度来看，使用该方法检测列车所有轮对的成本较高。此外，车载诊断法涉及大量复杂的信号处理技术和未经验证的ML模型，这增加了该方法的推广难度。未来，车载诊断法应注重提高设备的耐用性，开发智能算法以提高自动化程度，并降低成本。此外，还应收集更多与故障轮对相关的数据集，为ML模型（包括DL模型）提供可靠的数据来源。

5 讨论与展望

尽管现有的轮对故障诊断方法已取得显著进展，但在实际应用中仍面临诸多挑战。当前研究不仅需要解决理论与实践脱节的问题，还要平衡检测精度、效率和经济性。此外，随着智能化和自动化技术的快速发展，如何将这些新兴技术有效整合到现有的检测和维护系统中，以进一步提高故障诊断的准确性和可靠性，已成为一个亟待解决的问题。以下是值得探索的挑战：    

（1）如何弥合理论研究与工程应用之间的差距？    

目前，许多在役检测方法（包括轨旁方法和车载方法）用于轮对故障诊断时，都基于AI算法，且需要训练ML模型，这需要大量数据作为支撑[205]。然而，由于实验资源的限制，研究人员难以获取海量的真实世界数据。在当前已发表的与基于AI的故障诊断方法相关的研究中，涉及的训练数据集主要有三类：（a）理想故障数据集，例如在理想故障条件下[176]或理想实验室环境中[159]获得的数据集；（b）模拟数据集，例如根据理想理论方法构建的缺陷，包括用半正弦函数描述的车轮扁疤[176]、用正弦函数描述的车轮多边形化[182]，或使用深度学习生成的模拟故障数据集，例如生成对抗网络[68]；（c）结合模拟和实验的数据集 [189, 197, 198]，例如根据特定理论方法将实测的真实世界信号和模拟信号相结合，构建接近真实故障信号的理论信号。这些数据集与真实世界的数据集存在一定差异，基于这些数据开发的理论AI模型的适用性值得怀疑。如何弥合理论研究与工程应用之间的差距，是推动智能故障诊断方法发展的一大挑战。    

（2）如何建立缺陷尺寸、信号中的故障特征与车辆运行安全性之间的关系？    

合理设计的车载方法能够准确判断采集的信号中是否存在故障特征，但由于轮轨系统存在强烈的非线性因素，大多数车载方法无法准确识别缺陷的位置、类型和尺寸，更无法建立缺陷尺寸、信号中的故障特征与铁路车辆运行安全性之间的关系。其最终结果是，一旦检测系统在分析的信号中检测到故障特征，即使是微小缺陷或早期故障，也可能触发警报。然而，这些微小缺陷在车辆运行过程中是不可避免的。例如，列车制动过程中，很容易产生尺寸远小于维护阈值的车轮扁疤。一方面，这些微小缺陷对铁路车辆的运行安全和乘客的乘坐舒适性没有影响。另一方面，它们可能只有在轮对运行足够长的距离后才会演变成可见缺陷，甚至可能被磨掉。通过与车辆制造商和列车运营商（如西门子、中国中车和铁路运输管理部门）的讨论，我们了解到许多列车运营商不愿意在其车辆上配备车载检测设备，因为其中涉及的许多故障诊断算法“过于敏感”，无法准确反映缺陷的大小，这会引发频繁的警报。这不仅无法达到智能维护的目的，还会带来更多无意义的工作并增加运营成本。因此，如何建立故障尺寸、信号中的故障特征与车辆运行安全之间的关系，是推广车载故障诊断方法面临的一个严峻挑战。    

（3）如何制定平衡运行安全性和维护经济性的缺陷尺寸限值？    

与在役检测方法相比，库内方法可以用于检测轮对缺陷的特定尺寸甚至形状，但这些缺陷限值的制定仍是一个挑战。如今，不同国家/地区对车轮扁疤的限值有不同的标准。例如，中国CRH380B动车组车轮扁疤的长度和深度限值分别为30mm和0.25mm（车轮直径>840mm）；EN 15313-2010[206]规定，对于轴重小于18t、速度小于160km/h、车轮直径为840至1000mm的车辆，车轮扁疤长度的限值为60mm。然而，中国的大量实际运营经验表明，即使扁疤长度超过100mm，在长期使用过程中，车辆的运行安全和轨道的疲劳行为也未受到显著影响。另一个例子是高阶车轮多边形化的限值，中国 CRH380B动车组规定18-23阶对应的粗糙度不应超过25dB。该限值的得出没有理论依据，而是通过观察在多边形车轮激励下轴箱上安装的螺栓的松动情况得出的经验值。然而，对于不同的车辆是否应遵循该阈值，这是一个需要进一步研究的问题。因此，对于在不同条件下运行的车辆，制定满足运行安全性和维护经济性的缺陷阈值是一项挑战，这涉及到故障的判定和后续维护措施的制定。    

（4）未来如何有效应用多传感器融合技术？    

现有的车载方法大多仍依赖单一传感器的信号，这使得单个转向架内车轮之间的耦合效应未能得到充分考虑。例如，当转向架中的一个车轮出现故障时，故障信息不仅存在于该车轮对应的轴箱加速度中，还存在于该转向架其他车轮对应的加速度中[157]。然而，基于单一传感器的故障检测方法往往难以充分捕捉这些复杂的相互关系。这些方法不仅无法准确获取缺陷的几何信息（如缺陷长度和深度），甚至可能导致对故障车轮位置的错误判断。多传感器耦合网络可以用于捕捉不同位置的信息，提供多角度的信号观测，以充分获取故障信息。此外，多种类型的传感器可以同时监测车轮的多种物理量，例如加速度、温度和应变信号[144]。通过融合这些传感器的信号，还可以提供多方面的诊断依据。未来，多传感器融合技术的发展将进一步推动智能在线故障诊断系统的进步。AI技术可以进一步提高多传感器数据处理的效率和准确性。如何利用传感器融合技术和AI技术实现高度可靠和高度智能的诊断，是研究人员需要解决的挑战。    

（5）如何实现检测过程的高度自动化和检测设备的高度集成化？    

未来，检测设备将向功能更全面、组件更紧凑的方向发展。除了单一故障检测外，检测系统正朝着多故障检测的方向发展，系统结构越来越精简 [98, 99, 110, 117, 122, 124, 131]。随着现代智能软件的应用，一线工作人员的工作将大大简化。故障的类型、大小和位置等信息将由系统自动识别，并用于生成故障维护表单，显著提高生产效率。然而，实现检测过程和检测系统的自动化仍需要系统且深入的研究。    

（6）如何协同运用库内方法和在役方法，并结合AI技术，实现轮对的预测性和综合性维护？    

目前，库内检测和在役检测的数据共享不畅，这阻碍了AI技术在预测性维护中的应用。AI技术依赖大规模数据集和高质量的特征提取。然而，在现有的数据环境中，库内检测和在役检测的数据往往存在格式差异、内容差异，且缺乏共享平台，使得AI模型在训练和应用过程中难以获得全面的数据支持，从而影响预测的准确性和可靠性。此外，由于缺乏真实的数据库 [191]，且现有研究大多局限于特定的故障类型，当前用于轮对预测性维护的AI算法尚未得到系统的验证和优化。大多数研究仅限于故障类型和大小的识别，缺乏对全生命周期数据的预测分析，未能充分发挥AI在复杂工况下的卓越能力。例如，对于复杂故障（如车轮磨损和疲劳裂纹）的长期演化，AI模型往往无法有效捕捉其微观变化特征。未来，随着AI、物联网和大数据技术的不断进步，轮对故障诊断有望向更加智能化和集成化的方向发展。未来的系统应能够对车辆运行状态进行多维度、实时监测，同时通过自学习和不断的数据积累优化维护策略，最终形成真正的智能预防性维护框架。这将显著提高铁路运营的安全性和经济性，推动铁路技术进入智能化新时代。实现这一目标还需要建立标准化的数据平台和行业规范。因此，如何通过协同库内方法和在役方法，深入研究轮对故障数据的特征和规律以及先进的AI算法，值得研究人员思考。

6 总结

为确保在役列车的安全运行，建立合理高效的轮对故障诊断方案尤为重要。目前，轮对故障诊断的三种方法分别是库内方法、轨旁方法和车载方法。本文讨论了相关研究进展，并比较了每种方法的优缺点。结论如下：    

（1）通过定期的库内检测，维护人员可以及时发现并处理潜在的轮对故障。在库内检测中，声学法主要包括PEU、EMU和LU方法，这三种方法都得到了广泛应用。未来学者需要关注的是无需耦合介质、检测速度更快、自动化和智能化程度更高的方法。光学法主要包括LD、TI和基于CV的方法。LD方法要求检测设备的光出口易受油污和灰尘污染，未来应开发更强的防污染装置。热成像检测设备应向高分辨率和高自动化方向发展。基于CV的方法应增强环境适应性，并开发更高效的多种故障检测和分类技术。电磁学法包括MP、ICFPD和HSA方法。降低成本、提高自动化程度以及开发能够检测深层缺陷的多传感器阵列配置是未来发展的关键方向。    

（2）在列车运行过程中，利用轨旁传感器监测轮对缺陷可以有效减少运营中断和维护成本。在轨旁检测中，声学方法主要包括基于麦克风的检测和基于AE的检测。这两种方法都易受环境影响，因此未来的研究应致力于开发高效的降噪技术。力学方法主要涉及基于SG的方法、基于FBG传感器的方法和基于加速度计的检测。作为一种相对较新的方法，基于FBG传感器的方法未来可能会受到更多关注。但需要注意应变和温度的交叉敏感问题。基于SG和基于加速度计的方法需要探索更合适的信号处理技术和传感器布局安排。此外，近年来DL技术在应变和加速度信号分析中的应用日益增多，这符合当前AI时代的大趋势。    

（3）车载传感器在列车运行过程中收集轮对相关信号，可以实时监测轮对异常。在车载检测中，光学法主要指激光检测方法，其受环境条件影响较大。值得注意的是，随着硬件和DL技术的进步，库内方法中的基于CV的方法有望应用于车载检测。热学法主要依赖温度传感器，需要考虑环境温度干扰。因此，未来应探索更高效的信号处理方法。力学法包括基于SG、基于FBG传感器和基于加速度计的方法。对于基于SG的方法，未来的重点应放在成本、传感器布局和数据采集技术上。对于基于FBG传感器的方法，应解决温度和应变的交叉敏感问题。基于加速度计的方法是目前研究最广泛的。然而，收集到的信号容易受到车辆子系统的干扰。未来的研究应集中在如何消除干扰以及如何利用AI技术实现故障的自动诊断。    

综上所述，每种故障诊断方法都有其优缺点。未来的研究应通过协同利用库内方法、轨旁方法和车载方法，提高检测效率和精度。此外，还应特别关注以下几点：（1）AI技术（包括DL）已逐渐引入轮对故障诊断中。然而，目前大多数研究仍停留在理论层面，AI技术的工程价值仍难以体现。（2）需要建立缺陷尺寸、信号中的故障特征与车辆运行安全性之间的关系，车载检测设备需要实现真正意义上的智能化，且不能违背降低成本、提高效率的初衷。（3）应根据车辆自身特点和列车的服务环境，定制更合理的缺陷阈值和故障定义标准，以兼顾运行安全性和维护经济性。（4）利用多传感器融合技术和AI技术实现可靠且高度智能的诊断，是研究人员面临的挑战。（5）检测过程的高度自动化和检测设备的高度集成化是未来的发展方向。（6）需要协同应用库内方法、轨旁方法和车载方法，并结合AI技术，实现轮对的全面预防性维护。