Treinwielen

[Xilvo]

Maar het gaat hier natuurlijk om de wielen van de trein waarin je de metingen hebt verricht.

[jkien]

Het treintype was een dubbeldekstrein (VIRM, "verlengd interregiomaterieel"). Volgens railwiki heeft die een wieldiameter van 92,0 cm.

[Xilvo]

Dat zou een frequentie van 0,346 m^-1 geven. Dat lijkt niet in overeenstemming met de frequentie in de grafiek van Vincent, iets onder de 0,5 m^-1.
Misschien een artefact door de berekening?

[OOOVincentOOO]

Hierbij een meer accurate analyse. De resolutie van 0.5 meter stapjes net iets te veel. Enkele stukken lukt dat niet, misschien niet zo een drama. Echter, compromis bins van 0.75 meter lukt over hele traject. Zie toegevoegde *.csv.

Het spectrogram raam is ingesteld op: 256*0.75=192 meter. Dit is dan de low pass filter. Toegevoegd ook de spectra van gehele traject.

Hopelijk klopt mijn sample frequentie: ingesteld op: 1/0.75.

treinreis.7z

(507.7 KiB) 48 keer gedownload

Code een beetje rommelig maar misschien vind een enkeling het leuk.

Code: Selecteer alles

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.mlab as mlab
import numpy as np

# Define layout spectrogram plot and time series
layout = [ ["time","time"], ["time2","time3"],  ["freq","freq"], ["spectrum1", "spectrum2"]]
gs_kw = dict(width_ratios=[1,1], height_ratios=[20, 20, 20, 40])
fig, axd = plt.subplot_mosaic(layout, figsize=(10, 9), layout="constrained", gridspec_kw=gs_kw)

def spectogram(signal, fs):
    # calcuate the spectrogram, determine perios instead of frequency
    spec, freq, t = mlab.specgram(signal, Fs=fs, mode="magnitude", NFFT=256, noverlap=150)

    # calculate the period bin limits, omit the zero frequency bin
    period = 1. / freq[1:]

    return t, freq, period, spec


df = pd.read_csv("treinreis/Retour-calc.csv")[100:-300]


axd["time"].set_title("Retour")

# Plot time signal
axd["time"].plot(df["x"], df["ay"], color="black", linewidth=0.1)
axd["time"].set_xlabel("distance [meters]")
axd["time"].set_ylabel("Acceleration y [m/s²]")
#axd["timepart"].plot(df["x"], df["ay"], color="black", linewidth=0.5)
#axd["timepart"].set_xlabel("distance [meters]")
#xd["timepart"].set_ylabel("Acceleration y [m/s2]")

axd["time2"].plot(df["x"], df["ay"], color="black", linewidth=0.1)
axd["time2"].set_xlabel("distance [meters]")
axd["time2"].set_ylabel("Acceleration y [m/s²]")

axd["time3"].plot(df["x"], df["ay"], color="black", linewidth=0.1)
axd["time3"].set_xlabel("distance [meters]")
axd["time3"].set_ylabel("Acceleration y [m/s²]")

fs = 1/0.75
time, freq, period, spectrum = spectogram(df["ay"], fs)
axd["freq"].pcolormesh(time, (freq), np.log10(spectrum), cmap="coolwarm")
axd["freq"].set_xlabel("distance [meters]")
axd["freq"].set_ylabel("frequency [1/m]")

#axd["period"].pcolormesh(time, (period[::-1]), np.log10(spectrum[:0:-1]), cmap="coolwarm")
#axd["period"].set_xlabel("distance [meters]")
#axd["period"].set_ylabel("period [m]")
#xd["period"].set_ylim([0, 25])

mean = np.mean(spectrum, axis=1)
axd["spectrum1"].plot(freq, (mean), color="black", linewidth=0.1)
axd["spectrum1"].set_xlabel("frequecy [1/m]")
axd["spectrum1"].set_ylabel("magnitude [m/s²]")
#axd["spectrum1"].set_xlim([0, 0.7])
axd["spectrum1"].set_ylim([0, 0.05])
axd["spectrum1"].set_xscale('log')

mean = np.mean(spectrum[:0:-1], axis=1)
axd["spectrum2"].plot(period[::-1], (mean), color="black", linewidth=0.1)
axd["spectrum2"].set_xlabel("period [meters]")
axd["spectrum2"].set_ylabel("magnitude [m/s²]")
axd["spectrum2"].set_xlim([0, 30])
axd["spectrum2"].set_ylim([0, 0.05])

# Annotation
bbox = dict(boxstyle="round", fc="0.8")
arrowprops = dict(
    arrowstyle="->",
    connectionstyle="angle, angleA = 0, angleB = 90,\
    rad = 3")

offset = 10



axd["spectrum2"].annotate('10 [m]',
            (10, 0.0147), xytext =(offset, 8*offset),
            textcoords ='offset points',
            bbox = bbox, arrowprops = arrowprops)

axd["spectrum2"].annotate('27.9 [m]',
            (27.9, 0.048), xytext =(offset, 1*offset),
            textcoords ='offset points',
            bbox = bbox, arrowprops = arrowprops)

axd["spectrum2"].annotate('19.2 [m]',
            (19.2, 0.024), xytext =(offset, 4*offset),
            textcoords ='offset points',
            bbox = bbox, arrowprops = arrowprops)




axd["spectrum2"].annotate('6.8 [m]',
            (6.8, 0.0075), xytext =(offset, 6*offset),
            textcoords ='offset points',
            bbox = bbox, arrowprops = arrowprops)


axd["spectrum2"].annotate('3.48 [m], 0.007 [m/s²]',
            (3.48, 0.008), xytext =(offset, 13.5*offset),
            textcoords ='offset points',
            bbox = bbox, arrowprops = arrowprops)



plt.show()

[OOOVincentOOO]

Er blijft altijd iets knagen. Waar zit mijn fout? Ik heb de snelheid trein in bewegingsrichting toegevoegd.

Het lijkt op plot Xilvo. Maar twijfel nog steeds. Ik dacht dat de grote slinger in versnelling de stop/station was. Is dat het afremmen van de trein?

Klopt dit of zit er misschien een sorteer/reflectie fout in mijn analyse?

Observatie:
Resonantie iedere 3 meter lijkt alleen zichtbaar op traject met constante snelheid.

[Xilvo]

Er blijft altijd iets knagen. Waar zit mijn fout? Ik heb de snelheid trein in bewegingsrichting toegevoegd.

Het lijkt op plot Xilvo. Maar twijfel nog steeds. Ik dacht dat de grote slinger in versnelling de stop/station was. Is dat het afremmen van de trein?

Waar zit jouw twijfel? De snelheidsgrafieken van jou en mij komen mooi overeen. Dat we allebei dezelfde fout zouden hebben gemaakt lijkt me heel onwaarschijnlijk.

[OOOVincentOOO]

Oke, dankjewel. Er zijn zoveel details om rekening mee te houden. Altijd bang iets te vergeten.

[jkien]

Youtube heeft fraaie video's van draaistelbewegingen die hunting oscillations zouden zijn. Deze video, gemaakt vanuit een auto die naast een goederentrein rijdt, laat een schommelend draaistel zien met twee assen die in zekere zin in tegenfase zijn. Is dat eigenlijk wel mogelijk voor een hunting oscillation die door de kegelvorm van de wielen ontstaat? Deze andere video laat een draaistel zien waarin slechts een van beide assen schommelt.

In deze video, waarin de camera onder de trein is gehangen, vertoont het draaistel slechts minimale hunting oscillations. (Terzijde: de twee glimmende schijven op de as zijn de schijfremmen.)

Ik wil bij de plaatsen van de sterkste schommelingen op dat traject ook nog eens nagaan wat de machinist daar hoort en ziet, m.b.v. een video vanuit de cabine.

[OOOVincentOOO]

Excuses voor nog een laatste berichtje. Er is altijd meer uit de data te halen. Ik heb de perioden in afstand geplot tot 100 meter. Ook de lijn dikten wat duidelijker gemaakt.

Bij nadere analyse viel op dat de belangrijke pieken in periode zitten bij: 30 en 58 meter. Dat kon men niet terug zien in voorgaande plots.

Wellicht heeft iemand verklaringen voor de pieken? Wat is de afstand van elektriciteit palen bijvoorbeeld? Meer wellicht zijn er betere verklaringen.