CN104458252A - 一种高速列车齿轮箱运行状态监测方法 - Google Patents

Abstract

本发明公开了一种高速列车齿轮箱运行状态监测方法，属于齿轮箱状态监测领域。包括以下步骤：在齿轮箱的X、Y、Z振动方向布置振动加速度传感器，采集齿轮箱在各方向的振动加速度信号；以振动加速度信号在各频带的小波能量作为齿轮箱的运行状态特征参数；根据齿轮箱正常运行时的历史数据生成特征参数样本训练数据库；建立齿轮箱正常运行时在各振动方向的经典域物元模型和节域物元模型；优化确定各振动方向物元模型特征参数的经典域；建立齿轮箱当前运行状态物元模型，计算当前运行状态与正常运行状态之间的综合关联度，判断当前齿轮箱是否正常运行。本发明提供了一种定性定量判断齿轮箱当前运行状态的方法，为齿轮箱状态监测提供依据。

Description

一种高速列车齿轮箱运行状态监测方法

技术领域

本发明涉及一种高速列车齿轮箱运行状态监测方法。它能根据高速列车齿轮箱的当前运行状态特征参数，定性定量地判断当前齿轮箱是否处于正常运行状态以及正常运行或异常运行的程度。

背景技术

《高速列车科技发展“十二五”专项规划》提出要继续大力推进我国高速铁路的发展，到“十二五”末建成中国“四纵四横”高速铁路网，并确立了“十二五”期间我国高铁发展的技术目标。由此可见，高速列车在轨道车辆系统中的位置越来越重要。安全、可靠始终是车辆系统的第一要务，也是轨道车辆发展的根基和生命线。高速列车在高速、大负荷下的运行条件下，必然会恶化车辆各零部件、悬挂系统、传动系统等的运行环境，对车辆的安全运行造成巨大威胁。

而属于传动系统的齿轮箱作为高速列车走行部的关键部件，其自身容易产生不平稳振动并通过转向架传递振动，属故障多发系统。齿轮箱的运行状态会对整车的安全运行产生直接影响。目前对齿轮箱的故障诊断方法主要有模式识别、神经网络、专家系统以及人工智能等。本发明提出了一种高速列车齿轮箱运行状态监测方法，该方法可在列车的行进方向、横向运动方向和垂直振动方向对齿轮箱进行状态监测，定性定量地判断当前齿轮箱是否处于正常运行状态以及正常运行或异常运行的程度，进而在齿轮箱发生故障之前做出正确预警，实现提高高速列车齿轮箱安全运行的目的。

发明内容

本发明所述的高速列车齿轮箱运行状态监测方法，旨在提出一种定性定量判断高速列车齿轮箱当前运行状态的方法，实现提高高速列车齿轮箱安全运行的目的。

本发明的上述目的可通过以下技术方案实现，结合附图说明如下：

本发明所述的一种高速列车齿轮箱运行状态监测方法，包括以下具体步骤：

1)在齿轮箱的X、Y、Z振动方向布置振动加速度传感器，通过数据采集系统采集齿轮箱在各振动方向的振动加速度信号，所述X、Y、Z振动方向分别指列车的行进方向、横向运动方向和垂直运动方向；

2)对振动加速度信号进行小波分解，形成关于振动加速度信号在各频带小波能量的特征参数集；

3)根据齿轮箱正常运行时的历史数据，提取齿轮箱在X、Y、Z振动方向振动加速度信号在各频带的小波能量数值，形成齿轮箱正常运行状态下的样本训练数据库；

4)用物元模型表示齿轮箱的运行状态，建立齿轮箱正常运行状态下在X、Y、Z振动方向的经典域物元模型和节域物元模型；

5)优化确定齿轮箱正常运行状态下，各频带小波能量参数在X、Y、Z振动方向的经典域；

6)根据数据采集系统采集到的齿轮箱当前振动加速度信号，建立齿轮箱当前运行状态物元模型；

7)确定齿轮箱的当前运行状态物元模型各小波能量参数与经典域物元模型对应小波能量参数经典域的关联度；

8)利用加权求和的方法计算齿轮箱在某一振动方向的当前运行状态与齿轮箱在该振动方向正常运行状态之间的综合关联度，判断齿轮箱在该振动方向的当前运行状态。

所述步骤3，从齿轮箱正常运行时，在X、Y、Z振动方向的历史数据中选取多组振动加速度信号样本数据，采用db3小波对振动加速度信号进行小波分解，得到振动加速度信号在各频带的小波能量数值，生成齿轮箱在正常运行状态下的特征参数训练样本数据库。

本发明的技术效果：

1、本发明建立的高速列车齿轮箱运行状态物元模型，以振动加速度信号在各频带的小波能量为特征参数，特征参数量值易于提取，并能反映齿轮箱的运行状况。

2、本发明采用并行粒子群方法优化确定物元模型中振动加速度信号在各频带小波能量参数的经典域，有效提高人为经验确定物元模型特征参数范围所引起的可靠性及精确性问题，并且物元模型特征参数的样本训练值为高速列车齿轮箱的实际运行数据，使小波能量参数的经典域更符合高速列车齿轮箱的实际运行环境。

3、本发明提出的高速列车齿轮箱运行状态监测方法，从列车的行进方向、横向运动方向和垂直振动方向分别对齿轮箱进行状态监测，提高了齿轮箱状态监测的可靠性。

4、本发明提出的高速列车齿轮箱运行状态监测方法是一种定性与定量相结合的监测方法，不仅能定性地判别齿轮箱在某一方向的振动是否正常，还可定量地表示振动正常或者异常的程度。

附图说明

图1为高速列车齿轮箱运行状态监测方法流程图

图2为齿轮箱振动加速度信号采集流程图

图3为小波分解结构图

图4为种群粒子的迁移与保存图

图5为并行粒子群算法流程图

图6为标准粒子群算法流程图

图7为采用并行粒子群算法优化X方向特征参数经典域的最佳适应度值变化曲线

表1为小波各频带范围定义表

表2为物元模型特征参数的样本训练数据库

具体实施方式

下面结合附图对本发明作进一步详细说明。本发明提出了一种高速列车齿轮箱运行状态监测方法，具体包括以下步骤：

1)步骤1：在齿轮箱的X、Y、Z振动方向布置振动加速度传感器，通过数据采集系统采集齿轮箱在各振动方向的振动加速度信号，所述X、Y、Z振动方向分别指列车的行进方向、横向运动方向和垂直运动方向；

2)步骤2：对振动加速度信号进行小波分解，形成关于振动加速度信号在各频带小波能量的特征参数集；

3)步骤3：根据齿轮箱正常运行时的历史数据，提取齿轮箱在X、Y、Z振动方向振动加速度信号在各频带的小波能量数值，形成齿轮箱正常运行状态下的样本训练数据库；

4)步骤4：用物元模型表示齿轮箱的运行状态，建立齿轮箱正常运行状态下在X、Y、Z振动方向的经典域物元模型和节域物元模型；

5)步骤5：优化确定齿轮箱正常运行状态下，各频带小波能量参数在X、Y、Z振动方向的经典域；

6)步骤6：根据数据采集系统采集到的齿轮箱当前振动加速度信号，建立齿轮箱当前运行状态物元模型；

7)步骤7：确定齿轮箱的当前运行状态物元模型各小波能量参数与经典域物元模型对应小波能量参数经典域的关联度；

8)步骤8：利用加权求和的方法计算齿轮箱在某一振动方向的当前运行状态与齿轮箱在该振动方向正常运行状态之间的综合关联度，判断齿轮箱在该振动方向的当前运行状态。

参阅图1、图2所示，取列车的行进方向为X方向，横向运动方向为Y方向，垂直振动方向为Z方向，在齿轮箱的上述三个振动方向上布置振动加速度传感器。传感器采集到的齿轮箱振动加速度信号经放大、滤波、整形后传送到PC机，其中数据采集模块的采样频率为2048Hz。

表1-为小波各频带范围定义表

参阅图3、表1所示，图1步骤2)以振动加速度信号在各频带的小波能量作为高速列车齿轮箱运行状态物元模型的特征参数，用db3小波对传送到PC机的振动加速度信号进行4层小波分解，得到关于振动加速度信号在各频带小波能量的特征参数集C＝{c₁,c₂,…,c₅}。其中c₁代表振动加速度信号在1024～2048Hz的小波能量，c₂代表振动加速度信号在512～1024Hz的小波能量，c₃代表振动加速度信号在256～512Hz的小波能量，c₄代表振动加速度信号在128～256Hz的小波能量，c₅代表振动加速度信号在0～128Hz的小波能量。

参阅图1所示，步骤3)采集齿轮箱正常运行时，在列车行进方向X方向、横向运动方向Y方向和垂直振动方向Z方向的振动加速度信号。根据齿轮箱正常运行时的振动加速度信号历史数据，在上述三个振动方向上各取30组数据，每组4096点，采用db3小波对振动加速度信号进行4层小波分解，得到振动加速度信号在各频带的小波能量数值。在选取数据点时，应使每一组数据的起始时间点相同，即X、Y、Z三个振动方向的第一组数据的起始时间点相同，第二组数据的起始时间点相同，依次类推。

对X、Y、Z三个方向振动加速度信号的小波能量数值进行均值处理，即对X、Y、Z方向振动加速度信号的每3组小波能量数值进行均值化，最后在每个振动方向上得到振动加速度信号在0～2048Hz范围内小波能量参数c₁～c₅的10组小波能量数值，以此作为齿轮箱正常运行状态时物元模型特征参数的样本训练数据库。

表2-为物元模型特征参数样本训练数据库

参阅图1所示，步骤4)建立的齿轮箱正常运行状态时在X、Y、Z振动方向的经典域物元模型如下：

$R_j=(N_j,c_i,V_{\mathrm{ji}})=\left[\begin{array}{ccc}{N}_j& c_1& <a_{j1},b_{j1}>\\ & c_2& <a_{j2},b_{j2}>\\ & M& M\\ & c_5& <a_{j5},b_{j5}>\end{array}\right]---\left(1\right)$

式(1)中，N_j表示齿轮箱在第j个振动方向处于正常运行状态，j＝1表示X方向，j＝2表示Y方向，j＝3表示Z方向；V_ji表示第j个振动方向上第i个频带的小波能量取值范围，即小波能量参数c_i的经典域；a_ji、b_ji分别为V_ji的下界和上界。

齿轮箱正常运行状态时的节域物元模型R_P如下：

$R_P=(P,c_i,V_{\mathrm{Pi}})=\left[\begin{array}{ccc}P& c_1& <a_{P1},b_{P1}>\\ & c_2& <a_{P2},b_{P2}>\\ & M& M\\ & c_5& <a_{P5},b_{P5}>\end{array}\right]---\left(2\right)$

式(2)中，P指齿轮箱在三个振动方向上均处于正常运行状态；V_Pi为第i个频带的小波能量在三个振动方向上取值范围的全体，即小波能量参数c_i的节域；a_Pi、b_Pi分别为V_Pi的下界和上界。

参阅表2所示，根据齿轮箱正常运行状态下物元模型特征参数样本训练数据库确定第i个频带小波能量参数c_i节域V_Pi的下界a_Pi和上界b_Pi，其中a_Pi＝min(v_iX1～v_iX10,v_iY1～v_iY10,v_iZ1～v_iZ10)；b_Pi＝max(v_iX1～v_iX10,v_iY1～v_iY10,v_iZ1～v_iZ10)(i＝1,2,3,4,5)。

参阅图1所示，步骤5)根据步骤3建立的训练样本数据库，采用并行粒子群方法优化确定各频带小波能量参数c₁～c₅经典域V_ji的下界a_ji和上界b_ji(j＝1,2,3；i＝1,2,3,4,5)，以第j个振动方向上10组样本数据关于该振动方向的最大综合关联度作为并行粒子群算法的适应度函数F，具体表示为：

$F=\max \underset{10}{\mathrm{\&Sigma;}}{K}_j\left(N\right)---\left(3\right)$

式(3)中，K_j(N)为齿轮箱第j个振动方向上每组样本数据关于该振动方向的综合关联度，具体表示为：

$K_j\left(N\right)=\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i{K}_j\left(v_i\right)---\left(4\right)$

式(4)中，K_j(v_i)为齿轮箱第j个振动方向中每一组样本数据的第i个频带的小波能量数值v_i关于该方向第i个频带的小波能量参数经典域V_ji的关联度；ω_i为第i个频带小波能量参数c_i的权重系数，ω_i按等权重处理，即ω_i＝1/5。

将式(3)与式(4)合并，适应度函数F可具体表示为：

$F=\max \underset{10}{\mathrm{\&Sigma;}}{K}_j\left(N\right)=\max \underset{10}{\mathrm{\&Sigma;}}\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i{K}_j\left(v_i\right)\right)---\left(5\right)$

其中，K_j(v_i)表示如下：

$K_j\left(x_i\right)=\left\{\begin{array}{cc}\frac{-\mathrm{\&rho;}(v_i,V_{\mathrm{ji}})}{\left|V_{\mathrm{ji}}\right|}& v_i\&Element;V_{\mathrm{ji}}\\ \frac{\mathrm{\&rho;}(v_i,V_{\mathrm{ji}})}{\mathrm{\&rho;}(v_i,V_{\mathrm{Pi}})-\mathrm{\&rho;}(v_i,V_{\mathrm{ji}})}& v_i\&NotElement;V_{\mathrm{ji}}\end{array}\right.---\left(6\right)$

式(6)中，ρ(v,V)为实数v与区间V之距，ρ(v,V)具体表示为：

$\mathrm{\&rho;}(v,V)=\mathrm{\&rho;}(v,<a,b>)=|v-\frac{a+b}{2}|-\frac{b-a}{2}---\left(7\right)$

式(7)中，a、b分别为区间V的下界和上界。

参阅图4、图5所示，图1步骤5)将种群划分为4个子群，各子群相互独立地进行标准粒子群算法，在每个迭代步代得到所有子群的群体极值G_best(q)，对G_best(q)进行取极值的规约处理，得到G_best(q)的最大值G_best，以G_best更新所有子群的群体极值G_best(q)。

参阅图4、图5所示，图1步骤5)采用并行粒子群方法优化确定X、Y、Z三个振动方向经典域物元模型各频带小波能量参数c₁～c₅经典域V_ji下界a_ji和上界b_ji的具体过程如下：

a.对4个子群进行初始化，随机产生各子群粒子的初始速度和位置；

b.确定各子群标准粒子群算法的参数。加速常数c₁＝c₂＝1.4，子群规模m＝20。由于每个振动方向有5个特征参数，每个参数的经典域包括上界和下界，故每个振动方向各需要优化10个参数，即粒子维数Dim＝10。算法终止条件的阈值(收敛精度)ε＝1e-9。惯性权重w的初始值w_initial＝0.9，随迭代次数的增加线性递减至终值w_final＝0.4，递减公式如下：

$w^{\left(k\right)}=\frac{t}{T_{\max }}(w_{\mathrm{final}}-w_{\mathrm{initial}})+w_{\mathrm{initial}}---\left(8\right)$

式(8)中，t为当前进化代数，T_max为最大进化代数。

c.计算各种群粒子在当前进化代的适应度值；

d.比较各子群粒子的当前适应度值与个体极值P_best(q)和群体极值G_best(q)(q＝1,2,3,4)，对所有子群的群体极值进行规约处理，选取所有子群中群体极值最大的粒子极值G_best更新所有子群的G_best(q)，同时保存所有子群的群体极值G_best(q)；

e.按式(9)更新各子群粒子的位置和速度信息，产生新种群：

$\left\{\begin{array}{c}{v}_{\mathrm{qd}}^{(k+1)}=w^{(k+1)}{v}_{\mathrm{qd}}^{\left(k\right)}+c_1{r}_1(P_{\mathrm{bestqd}}^{\left(k\right)}-X_{\mathrm{qd}}^{\left(k\right)})\\ +c_2{r}_2(G_{\mathrm{bestqd}}^{\left(k\right)}-X_{\mathrm{qd}}^{\left(k\right)})\\ X_{\mathrm{qd}}^{(k+1)}=X_{\mathrm{qd}}^{\left(k\right)}+v_{\mathrm{qd}}^{(k+1)}\end{array}\right.---\left(9\right)$

f.当迭代次数达到最大进化次数T_max或前后两次迭代时G_best的差值小于给定精度ε时，停止迭代并输出结果，否则返回d继续迭代。

参阅图1所示，步骤6)提取当前振动加速度传感器采集到的振动加速度信号在各频带的小波能量参数，建立齿轮箱在X、Y、Z振动方向的当前运行状态物元模型，具体表示为：

$R_j^{\&prime;}=\left[\begin{array}{ccc}{N}_j^{\&prime;}& c_1& x_{j1}\\ & c_2& x_{j2}\\ & M& M\\ & c_5& x_{j5}\end{array}\right]---\left(10\right)$

式(10)中，N_j′表示齿轮箱在第j个振动方向的当前运行状态，j＝1表示齿轮箱当前在X方向的运行状态，j＝2表示齿轮箱当前在Y方向的运行状态，j＝3表示齿轮箱当前在Z方向的运行状态；c₁～c₅为振动加速度信号在各频带的小波能量；x_j1～x_j5为第j个振动方向上振动加速度信号在各频带的小波能量数值。

参阅图1所示，步骤7)根据式(2)建立的齿轮箱正常运行时的节域物元模型R_P、步骤5)优化得到的X、Y、Z振动方向振动加速度信号在各频带小波能量参数c₁～c₅的经典域V_ji以及式(6)、式(7)，计算式(10)所建立的当前齿轮箱在各振动方向运行状态物元模型R_j′各频带小波能量参数与经典域物元模型R_j对应小波能量参数经典域的关联度k_j(x_ji)。

设振动加速度信号在各频带的小波能量参数c₁～c₅的权重系数ω₁～ω₅按等权处理，即ω_i＝1/5。根据式(4)加权求和的方法计算齿轮箱在某一振动方向的当前运行状态与齿轮箱在该振动方向正常运行状态之间的综合关联度k_j′，即

步骤8)根据综合关联度k_j′的正负及数值大小定性定量地判断当前齿轮箱在各振动方向是否处于正常运行状态。综合关联度k_j′为正时，表示齿轮箱在第j个振动方向处于正常运行状态，反之则处于振动运行状态，且综合关联度k_j′的数值大小表明了齿轮箱在第j个振动方向上正常或异常运行的程度。

Claims (6)

1.一种高速列车齿轮箱运行状态监测方法，其特征在于，所述方法包括以下步骤：

步骤1：在齿轮箱的X、Y、Z振动方向布置振动加速度传感器，通过数据采集系统采集齿轮箱在各振动方向的振动加速度信号，所述X、Y、Z振动方向分别指列车的行进方向、横向运动方向和垂直运动方向；

步骤2：对振动加速度信号进行小波分解，形成关于振动加速度信号在各频带小波能量的特征参数集；

步骤3：根据齿轮箱正常运行时的历史数据，提取齿轮箱在X、Y、Z振动方向振动加速度信号在各频带的小波能量数值，形成齿轮箱正常运行状态下的样本训练数据库；

步骤4：用物元模型表示齿轮箱的运行状态，建立齿轮箱正常运行状态下在X、Y、Z振动方向的经典域物元模型和节域物元模型；

步骤5：优化确定齿轮箱正常运行状态下，各频带小波能量参数在X、Y、Z振动方向的经典域；

步骤6：根据数据采集系统采集到的齿轮箱当前振动加速度信号，建立齿轮箱当前运行状态物元模型；

步骤7：确定齿轮箱的当前运行状态物元模型各小波能量参数与经典域物元模型对应小波能量参数经典域的关联度；

步骤8：利用加权求和的方法计算齿轮箱在某一振动方向的当前运行状态与齿轮箱在该振动方向正常运行状态之间的综合关联度，判断齿轮箱在该振动方向的当前运行状态。

2.根据权利要求1所述的一种高速列车齿轮箱运行状态监测方法，其特征在于，所述步骤3，从齿轮箱正常运行时，在X、Y、Z振动方向的历史数据中选取多组振动加速度信号样本数据，采用db3小波对振动加速度信号进行小波分解，得到振动加速度信号在各频带的小波能量数值，生成齿轮箱在正常运行状态下的特征参数训练样本数据库。

3.根据权利要求1所述的一种高速列车齿轮箱运行状态监测方法，其特征在于，步骤4所述的齿轮箱正常运行状态下在X、Y、Z振动方向的经典域物元模型表示为：

$R_j=(N_j,c_i,V_{\mathrm{ji}})=\left[\begin{array}{ccc}{N}_j& c_1& <a_{j1},b_{j1}>\\ & c_2& <a_{j2},b_{j2}>\\ & M& M\\ & c_n& <a_{\mathrm{jn}},b_{\mathrm{jn}}>\end{array}\right]$

式中，N_j表示齿轮箱在第j个振动方向处于正常运行状态，j＝1表示X方向，j＝2表示Y方向，j＝3表示Z方向；V_ji表示第j个振动方向上第i个频带小波能量的取值范围，即小波能量参数c_i的经典域；a_ji、b_ji分别为V_ji的下界和上界。

4.根据权利要求1所述的一种高速列车齿轮箱运行状态监测方法，其特征在于，步骤4所述的齿轮箱正常运行状态下的节域物元模型RP表示为：

$R_p=(P,c_i,V_{\mathrm{Pi}})=\left[\begin{array}{ccc}P& c_1& <a_{P1},b_{P1}>\\ & c_2& <a_{P2},b_{P2}>\\ & M& M\\ & c_n& <a_{\mathrm{Pn}},b_{\mathrm{Pn}}>\end{array}\right]$

式中，P指齿轮箱在三个振动方向上均处于正常运行状态；V_Pi为第i个频带的小波能量在三个振动方向上取值范围的全体，即小波能量参数c_i的节域；a_Pi、b_Pi分别为V_Pi的下界和上界。

5.根据权利要求1所述的一种高速列车齿轮箱运行状态监测方法，其特征在于，步骤5根据步骤3建立的训练样本数据库，采用并行粒子群方法优化确定各频带小波能量参数c₁～c₅经典域V_ji的下界a_ji和上界b_ji，并行粒子群方法的适应度函数F为某一振动方向上所有组样本数据关于该振动方向的最大综合关联度，具体表示为：

$F=\max \underset{q}{\mathrm{\&Sigma;}}{K}_j\left(N\right)=\max \underset{q}{\mathrm{\&Sigma;}}\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i{K}_j\left(v_i\right)\right)$

式中，q为第j个振动方向上样本数据的组数；K_j(N)为齿轮箱第j个振动方向上每组样本数据关于该振动方向的综合关联度；K_j(v_i)为齿轮箱第j个振动方向中每组样本数据的第i个频带的小波能量数值v_i关于该方向第i个频带的小波能量参数经典域V_ji的关联度；ω_i为第i个频带小波能量参数c_i的权重系数，所述关联度K_j(v_i)表示为：

$K_j\left(v_i\right)=\left\{\begin{array}{cc}\frac{-\mathrm{\&rho;}(v_i,V_{\mathrm{ji}})}{\left|V_{\mathrm{ji}}\right|}& v_i\&Element;V_{\mathrm{ji}}\\ \frac{\mathrm{\&rho;}(v_i,V_{\mathrm{ji}})}{\mathrm{\&rho;}(v_i,V_{\mathrm{Pi}})-\mathrm{\&rho;}(v_i,V_{\mathrm{ji}})}& v_i\&NotElement;V_{\mathrm{ji}}\end{array}\right.$

式中，ρ(v,V)为实数v与区间V之距，具体表示为：

$\mathrm{\&rho;}(v,V)=\mathrm{\&rho;}(v,<a,b>)=|v-\frac{a+b}{2}|-\frac{b-a}{2}$

上式中，a、b分别为区间V的下界和上界。

6.根据权利要求1所述的一种高速列车齿轮箱运行状态监测方法，其特征在于，步骤8所述的综合关联度为正时，表示齿轮箱在第j个方向的振动处于正常状态，反之则处于异常状态，且综合关联度的数值大小表示了齿轮箱在该方向振动正常或异常的程度。