CN103969046A - 一种与轮对轴承磨合机联用的轴承声学诊断系统和方法 - Google Patents

Abstract

本发明公开了一种与轮对轴承磨合机联用的轴承声学诊断系统和方法，包括轴承声学诊断工作站、麦克风、麦克风拢音罩、麦克风前置放大器；麦克风位于麦克风拢音罩内，麦克风拢音罩通过支撑架固定于轴承外侧，麦克风采集轴承声音信号，形成麦克风信号，经过麦克风前置放大器，输入至轴承声学诊断工作站；轴承声学诊断工作站包括音频信号采集卡，四个数字滤波器、共振包络解调判别器、特征参量判别器、专家系统；专家系统根据共振包络解调判别器、特征参量判别器计算得到待测轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子，得到待测轴承是否存在故障，以及故障类型。本发明通过采集转动轴承的声音特征判别轴承的各类故障。

Description

一种与轮对轴承磨合机联用的轴承声学诊断系统和方法

技术领域

本发明属于车辆故障检测技术领域，具体涉及一种与轮对轴承磨合机联用的铁路车辆轴承声学诊断系统和方法。

背景技术

铁路车辆轮对轴承故障是列车运行中的主要故障源之一，也是影响列车安全的最大因素。与其它机械零部件相比，滚动轴承的一个显著特点，就是其寿命的离散性很大，即用同样的材料、同样的加工工艺和生产设备制造出来的同一批轴承，在相同的工况条件下，其寿命也可能有较大的差别，有的轴承远未达到设计寿命时就出现了各种故障，所以加强轴承的监测和诊断，及时了解和掌握轴承的工作状态，就可以尽量发挥轴承的工作潜力，避免或减少事故的发生，对列车的安全运行具有十分重要的意义。对轴承故障的诊断，现在国内主要还是依靠操作工人的经验。工人手工旋转轴承，人耳辨别轴承运转中是否存在异音，手上感觉轴承运转中是否有卡阻现象。这种检测方式完全依赖于个人的经验和工作态度，结果具有很强的主观性、随意性。另一种对轴承故障的诊断方式是测量轴承高速旋转时的温升。现有的轮对轴承磨合机上均安装有红外轴温测量装置。但是因为现有的轮对轴承磨合机无法对轴承施加载荷，轴承是在几乎无载荷的情形下运转的。这种运转方式下，除非轴承出现特别严重的故障，否则轴温不会显著升高。因此，这种轴温检测方式基本上形同虚设，起不到应有的作用。

综上所述，现有的轴承检测方法均难以对大量待检轴承进行快速、准备的诊断。亟需发展新型的货车轴承故障诊断系统。

发明内容

本发明的目的是为了解决上述问题，提出一种与轮对轴承磨合机联用的轴承声学诊断系统和方法，在轮对轴承磨合机上通过增加声学采集、处理系统，利用故障轴承声音特征进行故障诊断。整套系统是在现有的轮对轴承磨合机的基础上加以改造，利用轮对轴承磨合机本身的机械构造，不改变其原有功能、指标，通过增加轴承声音采集、分析软硬件，实现轴承故障的声学诊断。

一种与轮对轴承磨合机联用的轴承声学诊断系统，包括轴承声学诊断工作站、麦克风、麦克风拢音罩、麦克风前置放大器；

麦克风位于麦克风拢音罩内，麦克风拢音罩通过支撑架固定于轴承外侧，麦克风拢音罩的中轴线与轴承的中轴处于同一高度，麦克风拢音罩开口方向正对轴承的外侧端盖；麦克风采集轴承声音信号，形成麦克风信号，经过麦克风前置放大器，输入至轴承声学诊断工作站；

轴承声学诊断工作站包括音频信号采集卡，通频带为1KHz到5KHz的带通数字滤波器、通频带为5KHz到10KHz的带通数字滤波器、通频带为10KHz到15KHz的带通数字滤波器、自定义通频带的带通数字滤波器、共振包络解调判别器、特征参量判别器、专家系统；

音频信号采集卡采集麦克风前置放大器输出的音频信号，转化为数字信号，数字信号分别输入四个带通数字滤波器，得到4组不同频率段的滤波后信号；

滤波后信号输入至共振包络解调判别器，共振包络解调判别器对4组滤波后信号进行处理，得到信号包络波形，对包络波形进行傅立叶变换，得到对应的4组信号的包络频谱，输入至专家系统；

滤波后信号还输入至特征参量判别器，特征参量判别器计算得到波峰因子、余隙因子、冲击因子、峭度因子和形状因子，输入至送入专家系统；

专家系统根据共振包络解调判别器、特征参量判别器计算得到待测轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子，得到待测轴承是否存在故障，以及故障类型。

一种与轮对轴承磨合机联用的轴承声学诊断方法，具体包括以下几个步骤：

步骤一：利用轮对轴承磨合机驱动车轮；

步骤二：设置麦克风；

步骤三：采集信号；

步骤四：故障识别。

本发明的优点在于：

(1)本发明提出一种铁路车辆轮对轴承声学诊断系统，通过采集转动轴承的声音特征综合利用多种算法判别轴承的各类故障；

(2)本发明提出的与轮对轴承磨合机联用的轴承声学诊断系统是在现有的轮对轴承磨合机上增加声学信号采集、分析装置。可以同时对轮对轴承磨合机上多个轴承进行声学诊断；

(3)本发明提出的与轮对轴承磨合机联用的轴承声学诊断系统采用共振包络解调方法及声学统计参量波峰因子、余隙因子、冲击因子、峭度因子和形状因子综合判定，有效判断轴承各类故障，可对轴承剥离型故障、缺油故障、麻点、擦伤类损伤等进行诊断；

(4)本发明提出的与轮对轴承磨合机联用的轴承声学诊断系统在轮对轴承磨合机工作的同时进行诊断，不增加轮对检修流水线的工作时间；

(5)本发明提出的与轮对轴承磨合机联用的轴承声学诊断系统，该系统为非接触检测，可以适应各类复杂的工作环境。

附图说明

图1：与轮对轴承磨合机联用的轴承声学诊断系统的结构框图；

图2：与轮对轴承磨合机联用的轴承声学诊断系统的声音采集装置结构框图；

图3：与轮对轴承磨合机联用的轴承声学诊断系统的信号处理流程图。

图中：

轴承声学诊断工作站101	麦克风前置放大器102	麦克风拢音罩103
			麦克风104	轴承105	轮轴106
轮对轴承磨合机107	车轮108
			音频信号采集卡301	带通数字滤波器302	带通数字滤波器303
带通数字滤波器304	带通数字滤波器305	共振包络解调判别器306
			特征参量判别器307	专家系统308

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

一种与轮对轴承磨合机联用的轴承声学诊断系统，如图1、图2所示，包括轴承声学诊断工作站101、麦克风104、麦克风拢音罩103、麦克风前置放大器102；

麦克风104位于麦克风拢音罩103内，麦克风拢音罩103通过支撑架110固定于轴承105外侧100mm到1m范围内，麦克风拢音罩103的中轴线与轴承105的中轴处于同一高度，麦克风拢音罩103开口方向正对轴承105的外侧端盖。

麦克风104采集轴承声音信号，形成麦克风信号，经过麦克风前置放大器102，输入至轴承声学诊断工作站101；

轴承声学诊断工作站101包括音频信号采集卡301，通频带为1KHz到5KHz的带通数字滤波器302、通频带为5KHz到10KHz的带通数字滤波器303、通频带为10KHz到15KHz的带通数字滤波器304、自定义通频带的带通数字滤波器305、共振包络解调判别器306、特征参量判别器307、专家系统308；

自定义通频带的带通数字滤波器305的通频带根据待测轮对轴承的种类和现场噪声频带确定；

音频信号采集卡301采集麦克风前置放大器102输出的音频信号，转化为数字信号，数字信号输入带通数字滤波器302、带通数字滤波器303、带通数字滤波器304、自定义带通数字滤波器305，得到4组不同频率段的滤波后信号。

滤波后信号输入至共振包络解调判别器306，共振包络解调判别器306对4组滤波后信号进行处理，得到信号包络波形，对包络波形进行傅立叶变换，得到对应的4组信号的包络频谱，输入至专家系统308。

滤波后信号还输入至特征参量判别器307，特征参量判别器307计算得到波峰因子、余隙因子、冲击因子、峭度因子和形状因子，输入至送入专家系统308。

专家系统308根据共振包络解调判别器306、特征参量判别器307计算得到待测轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子，得到待测轴承是否存在故障，以及故障类型；

专家系统308采用BP神经网络，前期通过采集的既有各类故障轴承的音频信号，经过数字滤波器302、数字滤波器303、数字滤波器304、数字滤波器305组成的滤波器组滤波处理，输入共振包络解调判别器306、特征参量判别器307，计算得出各类故障轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子。将各类故障轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子作为BP神经网络的训练样本进行训练，完成专家系统308对内外圈滚子剥离故障、缺油故障、麻点、擦伤型故障识别模型的建立。

本发明是一种与轮对轴承磨合机联用的轴承声学诊断方法，如图1所示，具体包括以下几个步骤：

步骤一：利用轮对轴承磨合机107驱动车轮108；

轮对轴承磨合机107包括传动轮109、轴承105、轮轴106、车轮108，两个车轮108固定在轮轴106两端，轴承105固定在车轮108外侧，轮对轴承磨合机107通过传动轮109驱动车轮108、轮轴106高速旋转，轴承105外圈固定不动，轮对轴承磨合机107的转速范围在100转每分钟到1000转每分钟之间。

步骤二：设置麦克风104；

麦克风104固定于麦克风拢音罩103中，麦克风拢音罩103位于轴承105外侧100mm到1m范围内，麦克风拢音罩103的中轴线与轴承105的中轴处于同一高度，麦克风拢音罩103开口方向正对轴承105的外侧端盖。

步骤三：采集信号；

麦克风104采集轴承声音信号，生成麦克风信号，经过麦克风前置放大器102进行放大、滤波后，输出至轴承声学诊断工作站101的音频信号采集卡301。

步骤四：故障识别；

轴承声学诊断工作站101对轴承声音信号的数字信号进行处理及分析，结合共振包络解调方法及声学统计参量波峰因子、余隙因子、冲击因子、峭度因子和形状因子综合判定，有效判断轴承各类故障，包括剥离型故障，缺油故障，麻点、擦伤类损伤等。

轴承声学诊断工作站101包括音频信号采集卡301，通频带为1KHz到5KHz的带通数字滤波器302、通频带为5KHz到10KHz的带通数字滤波器303、通频带为10KHz到15KHz的带通数字滤波器304、自定义通频带的带通数字滤波器305、共振包络解调判别器306、特征参量判别器307、专家系统308。

自定义通频带的带通数字滤波器305的通频带根据待测轮对轴承的种类和现场噪声频带确定，可以在20Hz到20KHz范围内自主设置通频带。

音频信号采集卡301采集麦克风前置放大器102输出的音频信号，转化为数字信号；

为了消除环境噪音对故障信号的干扰，对数字信号进行滤波处理，排除干扰信号并获得更好的信噪比，将数字信号输入带通数字滤波器302、带通数字滤波器303、带通数字滤波器304、自定义带通数字滤波器305，得到4组不同频率段的滤波后信号。

滤波后信号输入至共振包络解调判别器306，共振包络解调判别器306对4组滤波后信号分别进行希尔伯特变换(采用并不局限于这种方法，基于小波变换、基于数学形态学与基于规则平均Shannon能量的包络提取法同样可以取得相应的包络波形)得到信号包络波形，对包络波形进行傅立叶变换，得到对应的4组信号的包络频谱，输入至专家系统308。

同时，滤波后信号输入至特征参量判别器307，特征参量判别器307计算得到波峰因子、余隙因子、冲击因子、峭度因子和形状因子，输入至送入专家系统308。

波峰因子为： $\mathrm{CrestFactor}=\frac{\mathrm{peak}}{\mathrm{RMS}}$

其中，RMS表示输入信号的有效值，x[i]为输入的信号值，N为信号值的总数，peak为输入信号的峰峰值，max(x[i])为输入信号的最大值，min(x[i])为输入信号的最小值。

余隙因子为： $\mathrm{ClearanceFactor}=\frac{\mathrm{peak}}{\frac{1}{N}{\left({\mathrm{\Σ}}_{i=1}^N\sqrt{\left|x\right[i\left]\right|}\right)}^2}$

冲击因子为： $\mathrm{ImpulseFactor}=\frac{\mathrm{peak}}{\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N\left|x\right[i\left]\right|}$

峭度因子为： $\mathrm{kurtosis}=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\left(\frac{x\left[i\right]}{\mathrm{RMS}}\right)}^4-3$

形状因子为： $\mathrm{ShapeFactor}=\frac{\mathrm{RMS}}{\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N\left|x\right[i\left]\right|}$

专家系统308根据共振包络解调判别器306、特征参量判别器307计算得到待测轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子，得到待测轴承是否存在故障，以及故障类型；

专家系统308采用BP神经网络，前期通过采集的既有各类故障轴承的音频信号，经过数字滤波器302、数字滤波器303、数字滤波器304、数字滤波器305组成的滤波器组滤波处理，输入共振包络解调判别器306、特征参量判别器307，计算得出各类故障轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子。将各类故障轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子作为BP神经网络的训练样本进行训练，完成专家系统308对内外圈滚子剥离故障、缺油故障、麻点、擦伤型故障识别模型的建立。

本发明提出一种与轮对轴承磨合机联用的轴承声学诊断系统，整套系统是在现有的轮对轴承磨合机的基础上加以改造，利用轮对轴承磨合机本身的机械构造，不改变其原有功能、指标，通过增加轴承声音采集、分析软硬件，实现轴承故障的声学诊断。轴承声音信号经麦克风采集为电学信号后经过放大、滤波后被信号处理工作站上的音频信号采集卡采集转化为数字信号，之后综合利用共振包络解调算法、特征统计参量等算法，经过专家系统判别、识别轴承的各类故障。

Claims (5)

1.一种与轮对轴承磨合机联用的轴承声学诊断系统，包括轴承声学诊断工作站、麦克风、麦克风拢音罩、麦克风前置放大器；

麦克风位于麦克风拢音罩内，麦克风拢音罩通过支撑架固定于轴承外侧，麦克风拢音罩的中轴线与轴承的中轴处于同一高度，麦克风拢音罩开口方向正对轴承的外侧端盖；麦克风采集轴承声音信号，形成麦克风信号，经过麦克风前置放大器，输入至轴承声学诊断工作站；

轴承声学诊断工作站包括音频信号采集卡，通频带为1KHz到5KHz的带通数字滤波器、通频带为5KHz到10KHz的带通数字滤波器、通频带为10KHz到15KHz的带通数字滤波器、自定义通频带的带通数字滤波器、共振包络解调判别器、特征参量判别器、专家系统；

音频信号采集卡采集麦克风前置放大器输出的音频信号，转化为数字信号，数字信号分别输入四个带通数字滤波器，得到4组不同频率段的滤波后信号；

滤波后信号输入至共振包络解调判别器，共振包络解调判别器对4组滤波后信号进行处理，得到信号包络波形，对包络波形进行傅立叶变换，得到对应的4组信号的包络频谱，输入至专家系统；

滤波后信号还输入至特征参量判别器，特征参量判别器计算得到波峰因子、余隙因子、冲击因子、峭度因子和形状因子，输入至送入专家系统；

专家系统根据共振包络解调判别器、特征参量判别器计算得到待测轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子，得到待测轴承是否存在故障，以及故障类型。

2.根据权利要求1所述的一种与轮对轴承磨合机联用的轴承声学诊断系统，所述的自定义通频带的带通数字滤波器的通频带根据待测轮对轴承的种类和现场噪声频带确定。

3.根据权利要求1所述的一种与轮对轴承磨合机联用的轴承声学诊断系统，所述的专家系统采用BP神经网络，前期通过采集的既有各类故障轴承的音频信号，经过四个数字滤波器的滤波处理，输入共振包络解调判别器、特征参量判别器，计算得出各类故障轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子；将各类故障轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子作为BP神经网络的训练样本进行训练，完成专家系统对内外圈滚子剥离故障、缺油故障、麻点、擦伤型故障识别模型的建立。

4.一种与轮对轴承磨合机联用的轴承声学诊断方法，具体包括以下几个步骤：

步骤一：利用轮对轴承磨合机驱动车轮；

轮对轴承磨合机包括传动轮、轴承、轮轴、车轮，两个车轮固定在轮轴两端，轴承固定在车轮外侧，轮对轴承磨合机通过传动轮驱动车轮、轮轴高速旋转，轴承外圈固定不动；

步骤二：设置麦克风；

麦克风固定于麦克风拢音罩中，麦克风拢音罩位于轴承外侧，麦克风拢音罩的中轴线与轴承的中轴处于同一高度，麦克风拢音罩开口方向正对轴承的外侧端盖；

步骤三：采集信号；

麦克风采集轴承声音信号，生成麦克风信号，经过麦克风前置放大器进行放大、滤波后，

输出至轴承声学诊断工作站的音频信号采集卡；

步骤四：故障识别；

轴承声学诊断工作站包括音频信号采集卡，通频带为1KHz到5KHz的带通数字滤波器、通频带为5KHz到10KHz的带通数字滤波器、通频带为10KHz到15KHz的带通数字滤波器、自定义通频带的带通数字滤波器、共振包络解调判别器、特征参量判别器、专家系统；

自定义通频带的带通数字滤波器的通频带根据待测轮对轴承的种类和现场噪声频带确定；

音频信号采集卡采集麦克风前置放大器输出的音频信号，转化为数字信号，将数字信号输入四个带通数字滤波器，得到4组不同频率段的滤波后信号；

滤波后信号输入至共振包络解调判别器，共振包络解调判别器对4组滤波后信号分别处理，得到信号包络波形，对包络波形进行傅立叶变换，得到对应的4组信号的包络频谱，输入至专家系统；

同时，滤波后信号输入至特征参量判别器，特征参量判别器计算得到波峰因子、余隙因子、冲击因子、峭度因子和形状因子，输入至送入专家系统；

波峰因子为： $\mathrm{CrestFactor}=\frac{\mathrm{peak}}{\mathrm{RMS}}$

其中，RMS表示输入信号的有效值，x[i]为输入的信号值，N为信号值的总数，peak为输入信号的峰峰值，max(x[i])为输入信号的最大值，min(x[i])为输入信号的最小值；

余隙因子为： $\mathrm{ClearanceFactor}=\frac{\mathrm{peak}}{\frac{1}{N}{\left({\mathrm{\Σ}}_{i=1}^N\sqrt{\left|x\right[i\left]\right|}\right)}^2}$

冲击因子为： $\mathrm{ImpulseFactor}=\frac{\mathrm{peak}}{\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N\left|x\right[i\left]\right|}$

峭度因子为： $\mathrm{kurtosis}=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\left(\frac{x\left[i\right]}{\mathrm{RMS}}\right)}^4-3$

形状因子为： $\mathrm{ShapeFactor}=\frac{\mathrm{RMS}}{\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N\left|x\right[i\left]\right|}$

专家系统根据共振包络解调判别器、特征参量判别器计算得到待测轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子，得到待测轴承是否存在故障，以及故障类型。

5.根据权利要求4所述的一种与轮对轴承磨合机联用的轴承声学诊断方法，步骤四中，专家系统采用BP神经网络，前期通过采集的既有各类故障轴承的音频信号，经过四个数字滤波器滤波处理，输入共振包络解调判别器、特征参量判别器，计算得出各类故障轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子；将各类故障轴承的包络频谱、波峰因子、余隙因子、冲击因子、峭度因子、形状因子作为BP神经网络的训练样本进行训练，完成专家系统对内外圈滚子剥离故障、缺油故障、麻点、擦伤型故障识别模型的建立。