CN107941513B - 一种列车走行部轴承非平稳运维的时频阶比跟踪方法 - Google Patents

Abstract

本发明提供一种列车走行部轴承非平稳运维的时频阶比跟踪方法，该方法首先采集列车轴承非平稳运行时的振动信号，其次利用采集的键相脉冲信号确定角域重采样时间，然后采用变分模态分解方法对重采样信号进行分解，得到多个单分量信号，最后进行时频信息重构得到更精细故障信息。该方法可用于基于振动监测的城轨车辆走行部轴承非平稳运维，避免突发性事故发生，减小经济损失。

Description

一种列车走行部轴承非平稳运维的时频阶比跟踪方法

技术领域

本发明属于装备系统故障监测、诊断领域。

背景技术

滚动轴承是城市轨道车辆设备中应用最广泛的通用部件，在走行部中起到承受、传递载荷的作用，其运行状态直接影响车辆性能。在城市轨道车辆运行过程中，走行部轴箱轴承和牵引电机轴承受到各种变载荷与冲击振动的作用极易发生各类故障，常见的故障有疲劳剥落、磨耗、锈蚀、保持架断裂等。据统计，由轴承等城轨列车走行部关键部件引起的故障占故障总量的65％以上，可见轴承工作状态的好坏将直接影响车辆的运行。一旦滚动轴承发生故障，轻则影响城轨车辆设备的正常运行，重则给乘客生命和财产造成重大损失。

城市轨道交通车辆运行站站之间运行时间间隔较短，使得车辆运行速度长期处于变速运行状态，对走行部轴承的故障特征提取带来诸多困难。现有的一些轴承故障诊断方法多数是在轴承恒定转速条件，进行故障特征提取与诊断工作，不适用于城轨车辆走行部轴承长时间非平稳运行维护。少数用于轴承变速工况诊断方法，采用的经验模式分解、小波变换等分解方法，由于存在严重的端点效应、需要人为指定母小波函数等缺陷，很难应用于实际城轨车辆走行部轴承诊断中。本发明采用变分模式分解方法是一种非递归自适应信号处理方法，具有坚实的数学理论基础。在模态分离方面要优于经验模式分解方法，且不存在模态混叠和端点效应等问题。另外，现有的一些信号非平稳运行特征提取方法只能提供单一阶比特征，因无法提供全面的诊断信息极易造成误诊，增加了列车安全隐患，提高了维修成本。

发明内容

本发明目的在于提供一种应用于城轨车辆走行部轴承非平稳运维的故障故障识别的方法，该方法通过采集车辆走行部轴承振动信号，采用时频阶比跟踪算法分析振动信号得到更精细故障信息。

本专利所述时频阶比跟踪方法及系统主要包括如下步骤:

该方法包括如下步骤：

(1)采集城轨车辆走行部轴承的振动信号f(t)，并采用光电编码器采集键相脉冲信号；

(2)利用采集的键相脉冲信号确定角域重采样时间

其中，Δθ为角域重采样间隔，k为内的正整数，b₀、b₁和b₂为指定系数。

(3)采用变分模态分解方法对重采样信号进行分解，得到多个单分量信号，估计模态带宽的约束变分问题为

式中，{u_k}＝{u₁,…,u_K}表示分解后的K个模态分量；{ω_k}＝{ω₁,…,ω_K}分别表示K个模态分量的中心频率，为重采样后时间，为原始重采样信号；为δ脉冲函数，j为复数符号，为第k个分解分量信号；

(4)时频信息重构，对每一个分解分量，计算其希尔伯特变换

构造出相应的解析信号

为第k个相位分量，i为复数符号；

其中

而

瞬时转角采用一阶导数，计算得出瞬时阶比

最终重构出时频为

优选地，步骤(3)通过二次惩罚因子α和拉格朗日乘子将约束变分问题转换为无约束变分问题：

其中，为拉格朗日乘子；

采用交替方向法乘子法解决所述无约束变分问题，通过两个方向交替更新λⁿ⁺¹求得鞍点，该鞍点为约束变分问题的解。

本发明具有如下效果：

1)本发明同时使用计算阶比跟踪、变分模态分解和时频信息重构等手段；

2)本发明解决了城轨车辆走行部轴承非平稳运行维护难点；

3)本发明以瞬时转角-阶比图全面表示轴承故障信息；

4)本发明可用于基于振动监测的城轨车辆走行部轴承非平稳运维，避免

突发性事故发生，减小经济损失。

附图说明

图1城轨车辆走行部轴承诊断流程图。

图2实施例中采集轴承原始振动信号及转速信号(图2a)以及振动信号频谱(图2b)。

图3为实施例中轴承振动信号的角域重采样信号。

图4实施例中轴承角域重采样信号的VMD分解图。

图5实施例中重构轴承转角-阶比图。

具体实施方式

下面结合附图对本发明具体实施例的内容作进一步详细说明：

滚动轴承是城轨车辆装备中的关键部件，然而滚动轴承在运转过程中可能会由于各种原因引起损坏，如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等都可能会导致滚动轴承过早损坏。即使在安装、润滑和使用维护都正常的情况下，经过一段时间运转，滚动轴承也会出现疲劳剥落、磨损、点蚀等故障导致不能正常工作，一般的轴承故障类别分为外圈故障、内圈故障、滚动体故障、保持架故障等。本实施例为采用，对上述轴承非平稳运行外圈故障类别的振动信号进行分析，最后给出诊断结果。

整体方法的具体实现流程如图1所示，主要包括如下步骤：

第一步：信号采集。针对城轨车辆走行部中轴承关键部件，采用振动传感器，如压电加速度传感器、位移传感器或者电涡流位移传感器等采集振动信号，并采用光电编码器采集键相脉冲信号。轴承为SKF型号，相应理论故障参数为3.05。轴箱外壳安装压电加速度传感器(ICP)。采用美国SpectraQuest公司小型数据采集仪和LW149536型压电式加速度传感器。该加速度传感器的性能指标如表1所示。该采集仪基于USB2.0接口实现8位A/D并行数据采集，信号采集监测由下位机(监测前端机)完成。采用光电编码器采集轴承转速信号。

表1LW149536型压电式加速度传感器特性参数表

本实施例采集轴承降速过程振动信号f(t)如图2所示，上图中斜线表示由采集键相信号得出转速信号，下图为采集振动信号的频谱

第二步：角域重采样。利用采集的键相信号确定角域采样时间

其中，Δθ为角域重采样间隔，k为内的正整数。若轴转角增量为b₀，b₁和b₂通过拟合连续三个轴转角θ(t₁)＝0，θ(t₁)＝0，计算得出

据此计算得到t值，将振动信号转换为角域重采样信号。如图3所示。

第三步：信号变分模态分解。采用变分模态分解(VMD)方法对重采样信号进行分解，得到多个单分量信号。

VMD算法理论中的模态u_k是一种基于调频-调幅的具有有限带宽的本征模态函数(BLIMF)。每一个模态u_k主要在中心频率ω_k周围波动，其带宽可以通对频移信号进行Gaussian平滑估计获得。

VMD分解过程可以看作是变分问题的构造和求解过程。VMD中所有估计模态带宽的约束变分问题可写为

式中，{u_k}＝{u₁,…,u_K}表示VMD分解后的K个BLIMF模态分量；{ω_k}＝{ω₁,…,ω_K}分别表示K个BLIMF模态分量的中心频率，为原始输入信号。式(1)中目标函数的约束优化问题可以通过二次惩罚因子α和拉格朗日乘子λ(t)转换为无约束优化问题，其中二次惩罚因子α可以在Gaussian噪声存在的情况下确保信号的重构精度，拉格朗日算子能确保约束条件的严格性，综合两种方法的优势，增广拉格朗日乘子如下

采用交替方向法乘子法(ADMM)可以解决式(2)中无约束变分问题，通过两个方向交替更新λⁿ⁺¹求得式(2)中的鞍点，该鞍点即为式(1)的解。此外，VMD内嵌Wiener滤波，具有更好的鲁棒性，在频域中得到的更新模态和相应的更新中心频率可以写为：

上式中的中心频率是其对应的模态函数功率谱的重心，这就意味着载波频率就是在模态中观测到的瞬时相位的最小二乘线性回归的频率，时域中的模态u_k(t)是通过对经过维纳滤波后的进行傅里叶逆变换得到的实部。

从约束变分问题的求解过程可以看出：VMD可以根据信号的频率特性完成频带的划分，各模态和中心频率在频域不断循环更新，最终实现信号的自适应分解。

第四步：时频信息重构。对每一个VMD分解分量计算其希尔伯特变换进而构造出相应的解析信号 其中瞬时阶比而瞬时转角可采用一阶导数最终可重构出时频表示在重构的时频图中，可以发现周期为2.05rad≈T_outer＝2π/3.05，与轴承外圈故障吻合。

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (2)

1.一种列车走行部轴承非平稳运维的时频阶比跟踪方法，其特征在于，该方法包括如下步骤：

(1)采集城轨车辆走行部轴承的振动信号f(t)，并采用光电编码器采集键相脉冲信号；

(2)利用采集的键相脉冲信号确定角域重采样时间

其中，Δθ为角域重采样间隔，k为内的正整数，b₀、b₁和b₂为指定系数；

(3)采用变分模态分解方法对重采样信号进行分解，得到多个单分量信号，估计模态带宽的约束变分问题为

式中，{u_k}＝{u₁,…,u_K}表示分解后的K个模态分量；{ω_k}＝{ω₁,…,ω_K}分别表示K个模态分量的中心频率，为重采样后时间，为原始重采样信号；为δ脉冲函数，j为复数符号，为第k个分解分量信号；

(4)时频信息重构，对每一个分解分量，计算其希尔伯特变换

构造出相应的解析信号

为第k个相位分量，i为复数符号；

其中

而

瞬时转角采用一阶导数，计算得出瞬时阶比

最终重构出时频为

2.根据权利要求1所述的一种列车走行部轴承非平稳运维的时频阶比跟踪方法，其特征在于，步骤(3)通过二次惩罚因子α和拉格朗日乘子将约束变分问题转换为无约束变分问题：

其中，为拉格朗日乘子；

采用交替方向法乘子法解决所述无约束变分问题，通过两个方向交替更新λⁿ⁺¹求得鞍点，该鞍点为约束变分问题的解。