随着列车运行速度和轴重增加,车轮踏面擦伤现象不断加剧。一旦车轮踏面出现擦伤,轮轨系统间的冲击力会高于正常情况下的几十倍甚至上百倍,严重威胁到高速列车的运行安全,因此能够及时检测出车轮踏面擦伤及其擦伤程度对保证列车运行安全和合理制定维修计划具有重要意义。论文首先建立了已考虑轨道不平顺和车轮擦伤的车辆-轨道垂向耦合模型,利用基于Newmark的多步预测-校正法求解了在车轮擦伤作用下的钢轨振动响应。在此基础上,分析了不同轨道不平顺、不同列车运行速度、不同擦伤深度下钢轨振动特性,同时为后续特征提取提供了仿真数据。为了能够有效识别车轮擦伤及其擦伤程度,论文提出了基于粒子群优化算法改进支持向量机(PSO-SVM)的模式识别算法。在模式识别算法中,特征提取直接影响识别准确率,论文提出了一种利用高阶谱结合灰度-梯度共生矩阵对钢轨振动响应进行特征提取的算法。利用高阶谱方法对钢轨振动信号进行处理得到其二维等高线图和三维双谱图,通过灰度-梯度共生矩阵提取二维等高线图的6个纹理特征,结合车速作为识别车轮擦伤的特征参数。同时为了提高识别车轮擦伤等级的准确率,在上述特征参数的基础上,又提取了二维等高线图的内扩对角频率和三维双谱图的对角切片峰值。为了验证高阶谱方法的有效性,同时分析了 Hilbert-Huang变换、EMD分解和小波包变换对钢轨振动响应的特征提取。仿真结果表明,论文提出的高阶谱结合灰度-梯度共生矩阵算法能够100%识别车轮擦伤,同时在识别车轮擦伤等级方面的准确率为95.89%,优于Hilbert-Huang变换、EMD分解和小波包变换。为了验证高阶谱方法的鲁棒性,论文分析了该算法在不同轨道不平顺下、不同车轮缺陷下对车轮擦伤的识别能力。仿真结果表明:轨道不平顺大小不会影响车轮擦伤的识别,但会影响车轮擦伤等级的识别,且随着轨道不平顺的增大,识别准确率会有所下降。同时,该算法能将车轮擦伤与车轮其它缺陷完全区分开。论文研究结果实现了根据列车运行经过时的钢轨振动响应估计车轮踏面擦伤及其擦伤程度,为实现地对车的检测提供了一种新的解决方案。