CN103914617A - 地铁车辆转向架轴承的故障诊断方法 - Google Patents

Abstract

本发明涉及交通运输领域，提供了一种地铁车辆转向架轴承的故障诊断方法。针对现有技术中地铁车辆转向架滚动轴承的故障诊断不够智能化的问题，本发明通过直接采集地铁运行状态下的轴承加速度信号，并对其进行处理，得到多个频带内重构信号的包络频谱图，最后通过在包络频谱图内搜索与理论值相匹配的故障特征频率来进行故障诊断。从而可以完全脱离人工参与，由相应的装置来完成地铁车辆转向架轴承的故障诊断过程，也就是实现了列车运行状态下转向架轴承的故障诊断。

Description

地铁车辆转向架轴承的故障诊断方法

技术领域

本发明涉及交通运输领域，具体涉及一种地铁车辆转向架轴承的故障诊断方法。

背景技术

城市轨道交通在中国迅猛发展，其运营安全越来越受到关注。转向架轴承是地铁车辆上非常重要的部件，一旦出现故障将影响地铁列车的行车安全，如何对其进行在线智能故障诊断是一个值得研究的重要问题。

滚动轴承常用的故障诊断方法有：振动诊断方法、温度诊断方法、声学诊断方法等。由于振动信号特征明显、检测手段成熟且易于实现在线监测，基于振动信号的诊断方法是目前应用最广泛的轴承故障诊断方法。一般情况下，可以从时域和频域两个角度来对振动信号进行分析。时域分析法可以简单判断轴承是否发生故障，但不能确定轴承的哪个元件出现故障，而频域分析法可以解决这个问题。传统频域分析法中主要是人通过观察频谱图中故障特征频率处有无谱峰来诊断故障，智能化程度低。

近年来，人工神经网络等智能故障识别方法被提出并应用于轴承故障诊断。虽然整个诊断过程智能化程度高，但由于其必须要有故障训练样本才能完成故障诊断的初始化，执行起来较为复杂，不适于地铁运行状态下的实时故障诊断，工程应用不是很普及。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供一种地铁车辆转向架轴承的故障诊断方法，可以实现列车运行状态下转向架轴承的故障诊断。

（二）技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种地铁车辆转向架轴承的故障诊断方法，其特征在于，该方法包括：

采集轴承的振动加速度信号；

从所述振动加速度信号中提取出多个频带内重构信号的包络频谱图；

分别计算轴承的滚动体、外圈和内圈的故障特征频率的理论值；

在所述包络频谱图中搜索与理论值相匹配的故障特征频率；

根据搜索结果进行对该轴承的故障诊断。

优选地，所述从所述振动加速度信号中提取出多个频段内重构信号的包络频谱图包括：

对所述振动加速度信号进行三层小波包分解重构；

对各频带的重构信号进行Hilbert变换以得到其包络；

对各包络进行快速傅氏变换，得到各重构信号的包络频谱图。

优选地，所述对所述振动加速度信号进行三层小波包分解和重构通过小波包分解算法和小波包重构算法实现。

优选地，所述小波包分解算法包括：

$\left\{\begin{array}{c}{d}_{i,j,2m}=\underset{k}{\mathrm{\Σ}}h(k-2i)d_{k,j+1,m}\\ d_{i,j,2m+1}=\underset{k}{\mathrm{\Σ}}g(k-2i)d_{k,j+1,m}\end{array}\right.;$

其中d_i,j,m为第j层小波包分解的第m个子频带的第i个系数；h(k)和g(k)为小波包滤波器系数。

优选地，所述小波包重构算法包括：

$d_{i,j+1,m}=\underset{k}{\mathrm{\Σ}}h(i-2k)d_{k,j,2m}+\underset{k}{\mathrm{\Σ}}g(i-2k)d_{k,j,2m+1};$

其中d_i,j,m为第j层小波包分解的第m个子频带的第i个系数；h(k)和g(k)为小波包滤波器系数。

优选地，对各频带的重构信号进行Hilbert变换以得到其包络包括：

利用Hilbert变换公式得到重构信号g(t)的Hilbert变换

将所述重构信号g(t)及其Hilbert变换组合，得到解析信号

$g_{+}\left(t\right)=g\left(t\right)+j\hat{g}\left(t\right);$

所述重构信号的包络 $A\left(t\right)=\sqrt{g^2\left(t\right)+{\hat{g}}^2\left(t\right)}.$

优选地，所述Hilbert变换公式为

$\hat{g}\left(t\right)=g\left(t\right)*\frac{1}{\mathrm{\πt}}.$

优选地，所述故障特征频率的理论值根据以下公式计算：

转向架轴承滚动体故障特征频率

$f_b=\frac{D}{2d}(1-\frac{d^2}{D^2}{\cos }^2\mathrm{\α})f_r;$

转向架轴承外圈故障特征频率为

$f_o=\frac{z}{2}(1-\frac{d}{D}\cos \mathrm{\α})f_r;$

转向架轴承内圈故障特征频率为

$f_i=\frac{z}{2}(1+\frac{d}{D}\cos \mathrm{\α})f_r;$

其中d为滚动体直径，D为轴承节径，α为接触角，f_r为内圈旋转频率，z为滚动体个数。

优选地，在所述包络频谱图中搜索与理论值相匹配的故障特征频率包括：

依次在每一个包络频谱图中分别搜索转向架轴承滚动体、外圈和内圈相对应的与理论值相匹配的故障特征频率；

在每一次所述搜索完成后，若搜索到了与理论值相匹配的故障特征频率，则在之后的搜索过程中不再搜索同一类型的故障特征频率。

优选地，对于每一个包络频谱图中，对应于转向架轴承滚动体、外圈和内圈中任意一个的故障特征频率搜索过程包括：

步骤S1：初始化谐波次数N=1；

步骤S2：在以N倍故障特征频率的理论值为中心频率的频段内搜索最大值；

步骤S3：若所述最大值对应的频率值与所述N倍故障特征频率的理论值相差不超过预设门限，则转至步骤S5；否则转至步骤S4；

步骤S4：谐波次数N自增1，若此时谐波次数N>3，则以无匹配的故障特征频率为结果完成搜索，否则转至步骤S2；

步骤S5：在所述频段内搜索次最大值，若所述最大值与该次最大值的比值大于预设临界值，则以该最大值对应的频率值为结果完成搜索，否则转至步骤S4。

（三）有益效果

本发明至少具有如下的有益效果：

本发明通过直接采集地铁运行状态下的轴承加速度信号，并对其进行处理，得到多个频带内重构信号的包络频谱图，最后通过在包络频谱图内搜索与理论值相匹配的故障特征频率来进行故障诊断。从而可以完全脱离人工参与，由相应的装置来完成地铁车辆转向架轴承的故障诊断过程，也就是实现了列车运行状态下转向架轴承的故障诊断。相较于背景技术的基于人工神经网络的智能故障识别方法，本发明不需要故障训练样本，所以诊断过程更加便于实施、更加智能化。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例中地铁车辆转向架轴承的故障诊断方法流程图；

图2是本发明一个实施例中三层小波包分解过程的示意图；

图3是本发明一个实施例中对于每一个包络频谱图中，对应于转向架轴承滚动体、外圈和内圈中任意一个的故障特征频率搜索过程的算法流程图；

图4是本发明一个验证实验中采集到的部分振动信号波形图

（65536点）；

图5是本发明一个验证实验中振动信号直接FFT后的频谱图（只显示0-200Hz）；

图6是本发明一个验证实验中小波包分解后第三层第5个重构信号的包络频谱图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、

完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明实施例提出了一种地铁车辆转向架轴承的故障诊断方法，参见图1，该方法包括：

步骤101：采集轴承的振动加速度信号；

步骤102：从所述振动加速度信号中提取出多个频带内重构信号的包络频谱图；

步骤103：分别计算轴承的滚动体、外圈和内圈的故障特征频率的理论值；

步骤104：在所述包络频谱图中搜索与理论值相匹配的故障特征频率；

步骤105：根据搜索结果进行对该轴承的故障诊断。

该方法属于基于振动信号的诊断方法中的频域分析法，主要通过采集滚动轴承在运动时的径向振动加速度信号并对其进行频域分析来实现故障的诊断。

其总体思路是直接采集地铁运行状态下的轴承加速度信号，并对其进行处理，得到多个频带内重构信号的包络频谱图，最后通过在包络频谱图内搜索与理论值相匹配的故障特征频率来进行故障诊断。

从而，其可以完全脱离人工参与，由相应的装置来完成地铁车辆转向架轴承的故障诊断过程，也就是实现了列车运行状态下转向架轴承的故障诊断。相较于背景技术的基于人工神经网络的智能故障识别方法，本发明不需要故障训练样本，所以诊断过程更加便于实施、更加智能化。

实施例2

本发明实施例提出一种优选的从所述振动加速度信号中提取出多个频带内重构信号的包络频谱图的方法，该方法包括：

对所述振动加速度信号进行三层小波包分解重构；

对各频带的重构信号进行Hilbert变换以得到其包络；

对各包络进行快速傅氏变换，得到各重构信号的包络频谱图。

首先，为细化频率区段，提高信号的分析效果，先对采集到的振动加速度信号进行三层小波包分解重构。也就是先用小波包分解算法把原信号分为2³=8个频带，再用小波包重构算法把各频带的杂散的信号进行重构，从而完成对原信号8个频带的细化。所述小波包分解算法包括：

$\left\{\begin{array}{c}{d}_{i,j,2m}=\underset{k}{\mathrm{\Σ}}h(k-2i)d_{k,j+1,m}\\ d_{i,j,2m+1}=\underset{k}{\mathrm{\Σ}}g(k-2i)d_{k,j+1,m}\end{array}\right.;$

所述小波包重构算法包括：

$d_{i,j+1,m}=\underset{k}{\mathrm{\Σ}}h(i-2k)d_{k,j,2m}+\underset{k}{\mathrm{\Σ}}g(i-2k)d_{k,j,2m+1};$

其中d_i,j,m为第j层小波包分解的第m个子频带的第i个系数；h(k)和g(k)为小波包滤波器系数。

小波包分解具有很强的频谱细化分析能力，k层小波包分解可将原频带划分为2^k个子频带，各个频带不交叠，也无遗漏，所以小波包分解可以看成是一滤波器组。三层小波包分解的过程如图2所示，其中A表示低频部分，D表示高频部分。它将原始信号分为8个频带，在此之后就可对任何一个频带进行分析了。

然后，需要对各频带的重构信号进行Hilbert变换以得到其包络，包括：利用Hilbert变换公式：

$\hat{g}\left(t\right)=g\left(t\right)*\frac{1}{\mathrm{\πt}}.$

得到重构信号g(t)的Hilbert变换将所述重构信号g(t)及其Hilbert变换组合，得到解析信号（复数形式），所述重构信号的包络就是其中的 $A\left(t\right)=\sqrt{g^2\left(t\right)+{\hat{g}}^2\left(t\right)}.$

最后，对各包络进行快速傅氏变换（FFT），就得到各重构信号的包络频谱图了。FFT属于常用的现有技术，在此不再赘述。

通过这样的一系列方法，就可以把容易淹没在噪声中的成分非常微小的故障特征信号有效地提取出来。而一般直接对轴承的振动故障冲击信号进行频谱分析很难达到这样的提取效果。所以本发明实施例所提出的方法可以有效地提取故障特征信号，有利于提高整体的故障诊断流程的诊断效果。

实施例3

本发明实施例提出了一种在包络频谱图中搜索与理论值相匹配的故障特征频率的方法，该方法包括：

依次在每一个包络频谱图中分别搜索转向架轴承滚动体、外圈和内圈相对应的与理论值相匹配的故障特征频率；在每一次所述搜索完成后，若搜索到了与理论值相匹配的故障特征频率，则在之后的搜索过程中不再搜索同一类型的故障特征频率。

也就是说，首先搜索第一个包络谱图，利用故障识别搜索算法判断是否存在外圈故障，其中涉及的故障特征频率为外圈故障特征频率。然后利用故障识别搜索算法判断是否存在内圈故障，其中涉及的故障特征频率为内圈故障特征频率。最后利用故障识别搜索算法判断是否存在滚动体故障，其中涉及的故障特征频率为滚动体故障特征频率；

然后按照上述方法搜索第二个包络谱图，第三个、第四个直至最后一个。一旦搜索到了与理论值相匹配的故障特征频率，也就是发现了某种类型的故障，则在之后的搜索过程中不再搜索同一类型的故障特征频率，以节省算法开支。

而对于每一个包络频谱图中，对应于转向架轴承滚动体、外圈和内圈中任意一个的故障特征频率搜索过程包括：

步骤S1：初始化谐波次数N=1；

步骤S2：在以N倍故障特征频率的理论值为中心频率的频段内搜索最大值；

步骤S3：若所述最大值对应的频率值与所述N倍故障特征频率的理论值相差不超过预设门限，则转至步骤S5；否则转至步骤S4；

步骤S4：谐波次数N自增1（N=N+1），若此时谐波次数N>3，

则以无匹配的故障特征频率为结果完成搜索，否则转至步骤S2；

步骤S5：在所述频段内搜索次最大值，若所述最大值与该次最大值的比值大于预设临界值，则以该最大值对应的频率值为结果完成搜索，否则转至步骤S4。

图3即为上述方法的具体算法流程，其中S代表故障标志变量，

其值为0代表无故障，为1代表有故障；P即为所述最大值与该次最大值的比值。

其中，用到的故障特征频率的理论值已经在步骤103中计算得到了，其具体的计算公式为：

转向架轴承滚动体故障特征频率：

$f_b=\frac{D}{2d}(1-\frac{d^2}{D^2}{\cos }^2\mathrm{\α})f_r$

转向架轴承外圈故障特征频率为：

$f_o=\frac{z}{2}(1-\frac{d}{D}\cos \mathrm{\α})f_r$

转向架轴承内圈故障特征频率为：

$f_i=\frac{z}{2}(1+\frac{d}{D}\cos \mathrm{\α})f_r$

其中d为滚动体直径，D为轴承节径，α为接触角，f_r为内圈旋转频率，z为滚动体个数。

本发明实施例实际上就是一种在包络频谱图中搜索故障特征频率点的算法示例，其中需要说明以下几点：

1、当比值P大于设定的临界值时，程序才可以判定正在搜索的包络谱中出现谱峰。临界值决定了谱峰的明显程度：临界值越大，谱峰越明显；临界值越小，谱峰越不明显。如果谱峰处对应故障特征频率，则临界值越大，故障越严重。所以，临界值可以看作是该搜索方法的灵敏系数，改变临界值可以改变搜索的灵敏度。根据试验验证，当临界值为2时，搜索出的谱峰已经很明显。为了增强可靠性，这里的临界值设为3。

2、在频谱图中，由于谱峰的影响，谱峰左右附近几个频率点处的幅值都比较大。因为这几个频率点处的幅值正处在谱峰形成的过渡段，故不能反映谱峰外其他频率点的幅值水平。若不忽略这几个点，搜索到的第二大值很可能在这几个点处,这是不允许的。故在搜索第二大值时，应忽略这几个点而从其他频率点处搜索。根据试验验证，可忽略谱峰两侧各2个点。

3、选择搜索带宽最基本的原则是：以故障特征频率为搜索频带中心频率，且频带内不应包含其他类型故障特征频率。轴承出现故障时，除故障特征频率处出现谱峰外，有时其高次谐波频率处也有谱峰存在。为了使搜索更加准确可靠，设定计算机从以故障特征频率的1倍频、2倍频和3倍频为中心频率的3个频带内依次搜索。如果没有发现故障特征频率或其谐波频率处存在谱峰，则不继续搜索，认为没有出现故障。这里设置的搜索带宽为10Hz。

4、由于加工精度、轴承各部件磨损等可能原因，根据计算得到的故障特征频率可能和实际的故障特征频率有偏差。若偏差存在，即使轴承有某类型故障，并且计算机搜索到了谱峰，但由于谱峰对应的频率不是计算出的故障特征频率而认为没有故障。为了消除该偏差带来的可能误判，设定只要搜索到谱峰对应的频率与计算出的故障特征频率的差值在误差范围内，则认为两者相等，判断出现故障。这里设置的故障特征频率误差，也就是上面所说的预定门限为±1.5Hz。

可见，本发明实施例提出的搜索方法较为直接简便，同时顾及了搜索的精度与速度，适用于实际的地铁车辆转向架轴承的故障诊断。

综合上面的实施例2和实施例3，下面给出一组使用实际装置的验证实验：

采集振动加速度信号的加速度传感器型号：HK8100，输出灵敏度：50mV/g。用数据采集卡采集振动信号并存储到计算机，采样频率为

10kHz。试验中采用广州地铁公司确认有点蚀或剥落的故障轴承进行试验。该轴承是SKF公司生产的BC1B326441A/HB1圆柱滚子轴承，

D=176mm,d=26mm,z=18，α=0°。将电机转速控制为270r/min(即

f_r=4.5Hz)运行一段时间并采集振动信号。图4为采集到的部分振动信号波形图（65536点）。

为了提前确定该轴承的故障位置以便检验本发明中所提方法的有效性，对振动信号直接进行FFT。图5是振动信号直接FFT后的频谱图（只显示0-200Hz）。将轴承的几何尺寸带入公式可以计算得到滚动体故障特征频率f_b=14.898Hz，外圈故障特征频率f_o=34.515Hz，内圈故障特征频率f_i=46.485Hz。从频谱图上已可以看到在外圈故障特征频率处有明显谱峰，说明该轴承存在外圈故障。这里为了便于区分，设置故障标志变量S、U、V分别为外圈、内圈和滚动体的故障标志变量。

使用matlab软件编程运行实施例2和实施例3所提出的方法，同时为了看到搜索细节，设置一旦故障标志变量为1，还要输出此时正在搜索的包络频谱图序号，以及谱峰对应的频率。运行完程序后，输出结果S=1，i=5（对应的包络频谱图序号），ans=34.6375（对应的搜索出的故障特征频率）；U=0；V=0，说明轴承存在外圈故障，图6为小波包分解后第三层第5个重构信号的包络谱图，与搜索结果吻合。

综上所述，通过本发明提供的一种地铁车辆转向架轴承故障诊断方法，根据车载加速度传感器采集到的径向振动加速度信号，在不需要故障训练样本的条件下就能够准确诊断出轴承故障。而且，由于诊断过程都是由计算机完成，在列车运行状态下便可进行故障诊断，摆脱了人的参与，使诊断过程更加智能化。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种地铁车辆转向架轴承的故障诊断方法，其特征在于，该方法包括：

采集轴承的振动加速度信号；

从所述振动加速度信号中提取出多个频带内重构信号的包络频谱图；

分别计算轴承的滚动体、外圈和内圈的故障特征频率的理论值；

在所述包络频谱图中搜索与理论值相匹配的故障特征频率；

根据搜索结果进行对该轴承的故障诊断。

2.根据权利要求1所述的方法，其特征在于，所述从所述振动加速度信号中提取出多个频段内重构信号的包络频谱图包括：

对所述振动加速度信号进行三层小波包分解重构；

对各频带的重构信号进行Hilbert变换以得到其包络；

对各包络进行快速傅氏变换，得到各重构信号的包络频谱图。

3.根据权利要求2所述的方法，其特征在于，所述对所述振动加速度信号进行三层小波包分解和重构通过小波包分解算法和小波包重构算法实现。

4.根据权利要求3所述的方法，其特征在于，所述小波包分解算法包括：

$\left\{\begin{array}{c}{d}_{i,j,2m}=\underset{k}{\mathrm{\Σ}}h(k-2i)d_{k,j+1,m}\\ d_{i,j,2m+1}=\underset{k}{\mathrm{\Σ}}g(k-2i)d_{k,j+1,m}\end{array}\right.;$

其中d_i,j,m为第j层小波包分解的第m个子频带的第i个系数；h(k)和g(k)为小波包滤波器系数。

5.根据权利要求3所述的方法，其特征在于，所述小波包重构算法包括：

$d_{i,j+1,m}=\underset{k}{\mathrm{\Σ}}h(i-2k)d_{k,j,2m}+\underset{k}{\mathrm{\Σ}}g(i-2k)d_{k,j,2m+1};$

其中d_i,j,m为第j层小波包分解的第m个子频带的第i个系数；h(k)和g(k)为小波包滤波器系数。

6.根据权利要求2所述的方法，其特征在于，对各频带的重构信号进行Hilbert变换以得到其包络包括：

利用Hilbert变换公式得到重构信号g(t)的Hilbert变换

将所述重构信号g(t)及其Hilbert变换组合，得到解析信号

$g_{+}\left(t\right)=g\left(t\right)+j\hat{g}\left(t\right);$

所述重构信号的包络 $A\left(t\right)=\sqrt{g^2\left(t\right)+{\hat{g}}^2\left(t\right)}.$

7.根据权利要求6所述的方法，其特征在于，所述Hilbert变换公式为

$\hat{g}\left(t\right)=g\left(t\right)*\frac{1}{\mathrm{\πt}}.$

8.根据权利要求1所述的方法，其特征在于，所述故障特征频率的理论值根据以下公式计算：

转向架轴承滚动体故障特征频率

$f_b=\frac{D}{2d}(1-\frac{d^2}{D^2}{\cos }^2\mathrm{\α})f_r;$

转向架轴承外圈故障特征频率为

$f_o=\frac{z}{2}(1-\frac{d}{D}\cos \mathrm{\α})f_r;$

转向架轴承内圈故障特征频率为

$f_i=\frac{z}{2}(1+\frac{d}{D}\cos \mathrm{\α})f_r;$

其中d为滚动体直径，D为轴承节径，α为接触角，f_r为内圈旋转频率，z为滚动体个数。

9.根据权利要求1所述的方法，其特征在于，在所述包络频谱图中搜索与理论值相匹配的故障特征频率包括：

依次在每一个包络频谱图中分别搜索转向架轴承滚动体、外圈和内圈相对应的与理论值相匹配的故障特征频率；

在每一次所述搜索完成后，若搜索到了与理论值相匹配的故障特征频率，则在之后的搜索过程中不再搜索同一类型的故障特征频率。

10.根据权利要求9所述的方法，其特征在于，对于每一个包络频谱图中，对应于转向架轴承滚动体、外圈和内圈中任意一个的故障特征频率搜索过程包括：

步骤S1：初始化谐波次数N=1；

步骤S2：在以N倍故障特征频率的理论值为中心频率的频段内搜索最大值；

步骤S3：若所述最大值对应的频率值与所述N倍故障特征频率的理论值相差不超过预设门限，则转至步骤S5；否则转至步骤S4；

步骤S4：谐波次数N自增1，若此时谐波次数N>3，则以无匹配的故障特征频率为结果完成搜索，否则转至步骤S2；

步骤S5：在所述频段内搜索次最大值，若所述最大值与该次最大值的比值大于预设临界值，则以该最大值对应的频率值为结果完成搜索，否则转至步骤S4。