CN110530639B - 一种高速列车轴箱轴承故障诊断方法 - Google Patents

Abstract

本发明具体涉及一种稳定性强、诊断精度的高速列车轴箱轴承故障诊断方法。本发明通过提取轴承振动加速度信号并将信号进行改进粗粒化处理，以此避免传统粗粒化过程可能造成的信息丢失，从而能够有效抑制误差。将不同尺度因数下的信号利用散布熵(Dispersion Entropy)算法提取其特征值，所得特征值能有效表征原始轴承振动加速度信号的混乱程度。将多尺度下的熵值构建特征向量，放入LIBSVM中进行训练得出分类模型，同时通过对核函数参数的校正来优化分类模型，之后用另一组测试数据检测所得分类模型的有效性。结果显示此诊断方法可有效判别轴承运行状态，诊断精度高，性能优异。

Description

一种高速列车轴箱轴承故障诊断方法

技术领域

本发明涉及一种高速列车故障针对技术领域，尤其是一种高速列车轴箱轴承故障智能诊断方法。

背景技术

高速列车以转向架作为走行部，在列车运行中，转向架需要承受较大的静态负荷和动态负荷。轴箱轴承作为转向架的关键零部件，在列车转弯、承受较大横向风、轨道不平顺激励等因素影响下，需要承受更为复杂的非稳定力。由于复杂恶劣的工况以及轴箱轴承的特殊位置，使得轴箱轴承易受磨损，导致轴箱轴容易出现故障；而且发生故障时不易察觉。因此，为了保障列车安全运行，探索和发展时效性高，识别效果好，稳定性强的列车轴箱轴承损伤检测方法尤为重要。

列车在运行过程中，会受到来自轨道踏面的不平顺激励，运行速度越大，列车振幅越大。而且列车正常运行与故障运行的不同振动状态呈现不同的规律性，不同位置和不同零部件的振动规律也各不相同，从而导致列车零部件不同程度的损伤。

由于在早期的轴箱轴承损伤，在复杂的运行工况与大量噪声地干扰下，振动情况出现典型的非平稳性和非线性特征。所以对非线性振动信号特征的提取，是轴承损伤检测的关键。

对轴箱轴承的检测方法主要包括如分割能量熵、奇异熵、经验模态熵、自适应多尺度形态学滤波分析方法、排列熵、改进多尺度样本熵等，对高速列车的轴箱轴承故障都具有良好的分析效果。但是，上述方法存在以下问题：

1)、排列熵会忽视幅值的均值和不同幅值之间的差异性，造成信息挖掘不充分；

2)、对原始时间序列进行粗粒化处理时，由于数据点的重叠会导致信息缺失；

3)、改进多尺度样本熵适用于处理短时间序列信号，对长信号处理效率不足，以及样本熵(Sample Entropy)的相似容限选没有统一的标准等问题。

由于上述问题的存在，导致轴箱轴承故障诊断效果不理想，导致检测精度低、无法保证较高的诊断效率等问题出现。

因此，需要提出一种稳定性强、可靠性高、分类效果好的高速列车轴箱轴承故障诊断方法。

发明内容

针对现有技术的不足，本发明提供一种稳定性强、误差小、分类精度高的高速列车轴箱轴承故障智能诊断方法。

本发明的技术方案为：一种高速列车轴箱轴承故障诊断方法，包括以下步骤：

S1)、通过振动加速度传感器采集轴承不同运行工况的振动信号作为信号样本X_i(i＝1,2,.....N)，并对振动信号X_i(i＝1,2,.....N)进行粗粒化处理，并将每次粗粒化的首个点向后位移一次，共位移次τ-1，每个尺度因数下得到τ组粗粒化序列，即：

式中，z_i,j ^τ为粗粒化处理的多尺度振动信号，f为首个粗粒化点向后位移一位的次数，f＝0为从第一个点开始粗粒化过程，f＝1为从第二个点开始粗粒化过程，依次共位移τ-1，τ为尺度因数，为粗粒化后的数据点个数，N为原始时间序列的长度，x_f+i+τ(j-1)为每次粗粒化所取原始时间序列的数据点；

S2)、将粗粒化处理后的信号z_i,j ^τ映射到分类数为1到c的不同类别中，得到映射后的新序列具体映射方法如下：

式中，为通过映射得到的新时间序列，映射后的样本长度与原始数据的长度一致，σ为原始时间序列的标准差，t为积分变量，μ为原始时间序列的数学期望；

S3)、以嵌入维数m作为尺度，d为时间延迟，对新序列作连接，得到信号模型即：

并根据分类数c和嵌入维数m可以确定所有潜在模型类别及数量c^m；

式中，为信号模型集合；

S4)、将每个模型与潜在模型一一对应，计算模型匹配后每个尺寸因数下τ组粗粒化信号的概率/>并求取概率均值，其中，概率/>的计算式如下：

式中，g为潜在模型的个数，N为原始时间序列的长度，m为嵌入维数，c为分类数，d为时间延迟；

S5)、将上述得到的概率均值通过香农熵求得多尺度熵值，计算公式如下：

式中，x,m,c,d,τ分别为样本数、嵌入维数、分类数、时间延迟、尺度因数、s为潜在模型种类数量，为模型平均概率；

S6)、将步骤S5)中计算得到多尺度熵值组合得到振动加速度信号的特征向量，并作为输入通过LIBSVM向量机训练得到分类模型，同时通过参数寻优校正训练核函数参数，从而得到最优分类模型；

S7)、将不同轴承的振动信号的特征向量输入步骤S6)中训练好的分类模型中，判断轴承的不同运行状态。

优选的，步骤S1)中，经过粗粒化得到多尺度信号包括尺度因数为1的原始信号和尺度因数大于1的信号。

优选的，对于尺度因数为1的原始信号利用嵌入维数m和分类数c构建所有潜在模型，并利用嵌入维数m、分类数c、时间延迟d构建信号模型，并匹配潜在模型和信号模型得到相应模型出现的概率

优选的，对于尺度因数大于1的信号，在粗粒化过程中，每次粗粒化过程中的首个点向后位于1次，从而得到同一尺度因数下的τ组粗粒化信号，并利用嵌入维数m和分类数c构建所有潜在模型，并利用嵌入维数m、分类数c、时间延迟d构建信号模型，并匹配潜在模型和信号模型得到τ组粗粒化信号的概率同时获取τ组粗粒化信号的概率平均值。

本发明还提供一种用于高速列车轴箱轴承故障诊断的模拟试验装置，包括试验台，以及设置在试验台上的轴箱支架、制动箱支架和牵引电机支架，所述的轴箱支架安装在试验台两端，所述的制动箱支架和牵引电机支架位于两轴箱支架之间；

所述的轴箱支架上端安装有轴箱，轴箱上具有人为损伤的轴承，其中，损伤位置分别为外圈、滚子、内圈，两所述的轴承与车轴相连；

并且所述的轴承外圈上还设置有振动加速度传感器，所述的振动加速度传感器用于获取轴承在不同工况下的振动加速度信号；

所述的轴箱外侧还设置有压力加载装置；所述的压力加载装置用于对轴承施加非周期力，模拟列车在运行时轴箱的受力情况；

所述的牵引电机支架上设置有牵引电机，所述的牵引电机通过齿轮传动箱与车轴连接，并且所述的牵引电机和齿轮传动箱上还设置有转速传感器；

所述的制动箱支架上设置有制动装置，所述的制动装置包括制动箱，以及设置于制动箱内的制动缸、制动夹钳、闸片、制动轴盘，所述制动夹钳一端与制动缸的活塞连接，另一端与闸片连接，所述的制动轴盘与车轴一体成型，所述的闸片位于制动轴盘外侧，以模拟列车减速；所述的制动缸还与牵引电机电连接。

优选的，所述的压力加载装置4通过六角螺栓固定于轴箱侧面，包括二系悬挂弹簧、压力加载部、压力传感器，所述的二系悬挂弹簧弹性系数与列车二系悬挂弹簧一致，所述的压力传感器位于二系悬挂弹簧下端，所述的压力加载部位于二系悬挂弹簧弹上端。

优选的，所述的齿轮传动箱包括相互连接的传动齿轮与从动齿轮，所述的传动齿轮与牵引电机的输出轴连接，所述的从动齿轮与车轴连接；并且所述的从动齿轮上设置有转速传感器。

优选的，所述的轴承为圆锥轴承，位于轴箱中并与车轴连接。

优选的，所述的装置还包括中控台，所述的中控台分别与振动加速度传感器、牵引电机、制动缸、转速传感器、压力传感器连接。

优选的，模拟时，通过中控台控制压力加载装置给轴箱加载非周期性的纵向负载，压力传感器将施加的压力数值实时传输给中控台，并且通过中控台控制牵引电机控制车轴转动，并通过转速传感器实时检测牵引电机和从动齿轮的转速并传给中控台，同时通过振动加速度传感器实时获取轴承的振动信号，并将信号作为原始信号进行一定频率的采样。

本发明的有益效果为：

1、本发明轴箱轴承的振动加速度信号通过改进的粗粒化处理，被分解为多个尺度下的多组信号。

2、本发明的方法可以有效挖掘轴承振动加速度信号蕴含的多重信息，同时可以避免尺度因数增大而引起的信息丢失问题，从而提高信号分解的可靠性。

3、本发明将粗粒化后的信号通过DispEn处理，得到不同组信号的平均概率，然后再通过香农熵定义计算得到熵值，此方法提取的特征值稳定性有较大提高，误差相应更小，能更好地表征原始信号的混乱程度。

4、本发明将得到的特征向量通过LIBSVM训练，得到分类模型，同时对核函数的c、g参数进行寻优处理，校正分类超平面，从而得到最优分类模型。

5、本发明通过对振动加速度信号的信息挖掘、提升稳定性、特征提取和超平面校正，能明显提高分类精度，强化轴箱轴承的智能故障诊断能力。

附图说明

图1为本发明轴承故障诊断方法的流程图；

图2本发明方法粗粒化算法原理图(τ≥2)；

图3为本发明方法信号样本在尺度因数为2时的粗粒化流程图；

图4为本发明方法的样本信号映射处理图；

图5为本发明实施例中多尺度散布熵算法50组数据所得熵的均值图；

图6为本发明实施例中测试轴承通过LIBSVM的分类结果图；

图7为本发明装置的结构示意图；

图8为本发明装置的框架图。

图中，1-试验台，2-牵引电机支架，3-轴箱支架，4-压力加载装置，5-齿轮传动箱，7-制动箱，8-轴箱，9-制动箱支架，10-中控台，21-牵引电机，41-二系悬挂弹簧，42-压力加载部，43-压力传感器，51-传动齿轮，52-从动齿轮，53-转速传感器，61-车轴，62-车轮，71-制动缸，72-制动夹钳，73-闸片，74-制动盘，81-轴承，82-振动加速度传感器。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

实施例1

本实施例提供一种用于高速列车轴箱轴承故障诊断的模拟试验装置，如图7和图8所示，包括试验台1，以及设置在试验台1上的两轴箱支架3、制动箱支架9和牵引电机支架2，所述的试验台1上开设有多个螺孔，所述的两轴箱支架3通过螺孔、螺栓安装在试验台1两端，所述的制动箱支架9和牵引电机支架2位于两轴箱支架3之间。

两所述的轴箱支架3上端均安装有轴箱8，所述的轴箱8内具有人为损伤的轴承81，其中，损伤位置分别为外圈、滚子、内圈，所述的轴承8为圆锥轴承，两所述的轴承81与车轴61相连，车轴61上相应设置有车轮62。

并且所述的轴承81外圈上还设置有振动加速度传感器82，所述的振动加速度传感器82用于获取轴承81在不同工况下的振动加速度信号，该信号作为轴承81的故障诊断信号。所述的振动加速度传感器82与中控台10连接，通过中控台10收集振动信息。

所述的轴箱8外侧还设置有压力加载装置4；所述的压力加载装置4用于对轴承81施加非周期力，模拟列车在运行时轴箱8的受力情况。所述的压力加载装置4通过六角螺栓固定于轴箱8侧面，所述的压力加载装置4包括二系悬挂弹簧41、压力加载部42、压力传感器43，所述的二系悬挂弹簧41弹性系数与列车二系悬挂弹簧一致，所述的压力传感器43位于二系悬挂弹簧41下端，所述的压力加载部42位于二系悬挂弹簧弹41上端。所述的压力传感器43与中控台10连接。通过中控台10调控轴箱8加入非周期力，模拟列车运行时刻轴箱8受力。两端的轴箱8的受力可以不同。从而最大化模拟列车实际运行下的轴箱工况。

所述的牵引电机支架2上设置有牵引电机21，所述的牵引电机21通过齿轮传动箱5与车轴61连接。牵引电机21的输入端由外部继电器控制，加入相应工作电压并调节转速使车轴61转速为列车实际运行转速，并通过相应的驱动电路与中控台10连接。所述的齿轮传动箱5包括相互连接的传动齿轮51与从动齿轮52，所述的传动齿轮51与牵引电机21的输出轴连接，所述的从动齿轮52与车轴61连接，从而通过牵引电机21驱动车轴61转动；并且所述的从动齿轮52和牵引电机21上均设置有转速传感器53，所述的转速传感器53与中控台电连接。

所述的制动箱支架9上设置有两个制动装置，每个所述的制动装置包括制动箱7，以及设置于制动箱7内的制动缸71、制动夹钳72、闸片73、制动轴盘74，所述制动夹钳72一端与制动缸71的活塞连接，另一端与闸片73连接，所述的制动轴盘74与车轴61一体成型，所述的闸片73位于制动轴盘74外侧，以模拟列车减速；制动缸71输入端分别与中控台10和牵引电机21电连接，用以保证制动情况下牵引电机21的安全性。

优选的，模拟时，通过中控台10控制压力加载装置4给轴箱8加载非周期性的纵向负载，压力传感器43将施加的压力数值实时传输给中控台10，并且通过中控台10控制牵引电机21控制车轴61转动，并通过转速传感器53实时检测牵引电机21和从动齿轮52的转速并传给中控台10，同时通过振动加速度传感器82实时获取轴承81的振动信号，并将信号作为原始信号进行一定频率的采样。

实施例2

如图1所示，本实施例提供一种高速列车轴箱轴承故障诊断方法，包括以下步骤：

S1)、通过振动加速度传感器采集轴承不同运行工况的振动信号作为信号样本X_i(i＝1,2,.....N)，并对振动信号X_i(i＝1,2,.....N)进行粗粒化处理，并将每次粗粒化的首个点向后位移一次，共位移次τ-1，每个尺度因数下得到τ组粗粒化序列，即：

式中，z_i,j ^τ为粗粒化处理的多尺度振动信号，f为首个粗粒化点向后位移一位的次数，f＝0为从第一个点开始粗粒化过程，f＝1为从第二个点开始粗粒化过程，依次共位移τ-1，τ为尺度因数，为粗粒化后的数据点个数，N为原始时间序列的长度，x_f+i+τ(j-1)为每次粗粒化所取原始时间序列的数据点；

S2)、将粗粒化处理后的信号z_i,j ^τ映射到分类数为1到c的不同类别中，得到映射后的新序列具体映射方法如下：

式中，为通过映射得到的新时间序列，映射后的样本长度与原始数据的长度一致，σ为原始时间序列的标准差，t为积分变量，μ为原始时间序列的数学期望；

S3)、以嵌入维数m作为尺度，d为时间延迟，对新序列作连接，得到信号模型即：

并根据分类数c和嵌入维数m可以确定所有潜在模型类别及数量c^m；

式中，为信号模型集合，

S4)、将每个模型与潜在模型一一对应，计算模型匹配后每个尺寸因数下τ组粗粒化信号的概率/>并求取概率均值，其中，概率/>的计算式如下：

式中，g为潜在模型的个数，N为原始时间序列的长度，m为嵌入维数，c为分类数，d为时间延迟；

S5)、将上述得到的概率均值通过香农熵求得多尺度熵值，计算公式如下：

式中，x,m,c,d,τ分别为样本数、嵌入维数、分类数、时间延迟、尺度因数、s为潜在模型种类数量，为模型平均概率。

S6)、将步骤S5)中计算得到多尺度熵值组合得到振动加速度信号的特征向量，并作为输入通过LIBSVM向量机训练得到分类模型，同时通过参数寻优校正训练核函数参数c和g，从而得到最优分类模型；

S7)、将不同轴承的振动信号的特征向量输入步骤S6)中训练好的分类模型中，判断轴承的不同运行状态。

本实施例通过振动加速度传感器82采集轴承81不同运行工况的振动信号作为信号样本，以1024个信号样本为一组，通过步骤S1)-S5)处理后得到50组数据，四种轴承状态共200组数据。将50组数据通过步骤S6)的LIBSVM训练得到分类模型，同时通过参数寻优校正训练核函数参数c和g，以此得到最优超平面；

然后将将测试组的轴承81随机混合，依次安装在试验台1的轴箱8内，通过重复步骤S1)-S5)得到20组数据，四种轴承状态共80组数据，将测试数据放入步骤S7)中已经训练的模型中进行测试，判断测试轴承的不同运行状态，诊断结束。

以轴承内圈故障为例，并设定分类数c＝4、嵌入维数m＝2、时间延迟d＝1、尺度因数τ＝20，通过步骤S1)进行粗粒化处理，粗粒化原理如图2所示，样本数据在尺度因数为2时的粗粒化过程如图3所示；通过步骤S2可以计算得到映射后的信号所构建的模型，部分样本结果如图4所示；通过步骤S3-S4匹配模型，则可得到所有样本模型出现的概率，模型概率如表1所示；之后进行步骤S5)可得相应熵值；

表1模型概率

得到的200组熵值，其均值如图5；将200组熵值放入LIBSVM进行训练，得出分类模型；之后将测试轴承装入试验台1的轴箱8内计算得到共80组特征向量，将80组特征向量放入训练好的模型内，并通过参数校正得到最优分类模型，分类结果如图6所示，分类矩阵如表2所示，其分类精度高于95％，结果可靠，至此诊断完成。

表2，分类结果

轴承状态	健康状态	内圈故障	外圈故障	滚子故障
					健康状态	20	0	0	0
内圈故障	0	20	0	0
					外圈故障	0	1	18	1
滚子故障	0	2	0	18

上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.一种高速列车轴箱轴承故障诊断方法，其特征在于，包括以下步骤：

S1)、通过振动加速度传感器采集轴承不同运行工况的振动信号作为信号样本X_i(i＝1,2,.....N)，并对振动信号X_i(i＝1,2,.....N)进行粗粒化处理，并将每次粗粒化的首个点向后位移一次，共位移次τ-1，每个尺度因数下得到τ组粗粒化序列，即：

式中，z_i,j ^τ为粗粒化处理的多尺度振动信号，f为首个粗粒化点向后位移一位的次数，f＝0为从第一个点开始粗粒化过程，f＝1为从第二个点开始粗粒化过程，依次共位移τ-1，τ为尺度因数，为粗粒化后的数据点个数，N为原始时间序列的长度，x_f+i+τ(j-1)为每次粗粒化所取原始时间序列的数据点；

S2)、将粗粒化处理后的信号z_i,j ^τ映射到分类数为1到c的不同类别中，得到映射后的新序列具体映射方法如下：

式中，为通过映射得到的新时间序列，映射后的样本长度与原始数据的长度一致，σ为原始时间序列的标准差，t为积分变量，μ为原始时间序列的数学期望；

S3)、以嵌入维数m作为尺度，d为时间延迟，对新序列作连接，得到信号模型/>即：

并根据分类数c和嵌入维数m可以确定所有潜在模型类别及数量c^m；

式中，为信号模型集合，

S4)、将每个模型与潜在模型一一对应，计算模型匹配后每个尺寸因数下τ组粗粒化信号的概率/>并求取概率均值，其中，概率/>的计算式如下：

式中，g为潜在模型的个数，N为原始时间序列的长度，m为嵌入维数，c为分类数，d为时间延迟；

S5)、将上述得到的概率均值通过香农熵求得多尺度熵值，计算公式如下：

式中，x，m，c，d，τ分别为样本数、嵌入维数、分类数、时间延迟、尺度因数、s为潜在模型种类数量，为模型平均概率；

S6)、将步骤S5)中计算得到多尺度熵值组合得到振动加速度信号的特征向量，并作为输入通过LIBSVM向量机训练得到分类模型，同时通过参数寻优校正训练核函数参数，从而得到最优分类模型；

S7)、将不同轴承的振动信号的特征向量输入步骤S6)中训练好的分类模型中，判断轴承的不同运行状态。

2.根据权利要求1所述的一种高速列车轴箱轴承故障诊断方法，其特征在于：步骤S1)中，经过粗粒化得到多尺度信号包括尺度因数为1的信号和尺度因数大于1的信号。

3.根据权利要求2所述的一种高速列车轴箱轴承故障诊断方法，其特征在于：对于尺度因数为1的原始信号利用嵌入维数m和分类数c构建所有潜在模型，并利用嵌入维数m、分类数c、时间延迟d构建信号模型，并匹配潜在模型和信号模型得到相应模型出现的概率。

4.根据权利要求2所述的一种高速列车轴箱轴承故障诊断方法，其特征在于：对于尺度因数大于1的信号，在粗粒化过程中，每次粗粒化过程中的首个点向后位于1次，从而得到同一尺度因数下的τ组粗粒化信号，并利用嵌入维数m和分类数c构建所有潜在模型，并利用嵌入维数m、分类数c、时间延迟d构建信号模型，并匹配潜在模型和信号模型得到τ组粗粒化信号的概率同时获取τ组粗粒化信号的概率平均值。

5.一种用于实现权利要求1-4任一项所述的高速列车轴箱轴承故障诊断方法的模拟试验装置，其特征在于：包括试验台，以及设置在试验台上的轴箱支架、制动箱支架和牵引电机支架，所述的轴箱支架安装在试验台两端，所述的制动箱支架和牵引电机支架位于两轴箱支架之间；

所述的轴箱支架上端安装有轴箱，轴箱上具有人为损伤的轴承，其中，损伤位置分别为外圈、滚子、内圈，两所述的轴承与车轴相连；

并且所述的轴承外圈上还设置有振动加速度传感器，所述的振动加速度传感器用于获取轴承在不同工况下的振动加速度信号；

所述的轴箱外侧还设置有压力加载装置；所述的压力加载装置用于对轴承施加非周期力，模拟列车在运行时轴箱的受力情况；

所述的牵引电机支架上设置有牵引电机，所述的牵引电机通过齿轮传动箱与车轴连接，并且所述的牵引电机和齿轮传动箱上还设置有转速传感器；

所述的制动箱支架上设置有制动装置，所述的制动装置包括制动箱，以及设置于制动箱内的制动缸、制动夹钳、闸片、制动轴盘，所述制动夹钳一端与制动缸的活塞连接，另一端与闸片连接，所述的制动轴盘与车轴一体成型，所述的闸片位于制动轴盘外侧，以模拟列车减速；所述的制动缸还与牵引电机电连接。

6.根据权利要求5所述的模拟试验装置，其特征在于：所述的压力加载装置通过六角螺栓固定于轴箱侧面，包括二系悬挂弹簧、压力加载部、压力传感器，所述的二系悬挂弹簧弹性系数与列车二系悬挂弹簧一致，所述的压力传感器位于二系悬挂弹簧下端，所述的压力加载部位于二系悬挂弹簧弹上端。

7.根据权利要求5所述的模拟试验装置，其特征在于：所述的齿轮传动箱包括相互连接的传动齿轮与从动齿轮，所述的传动齿轮与牵引电机的输出轴连接，所述的从动齿轮与车轴连接；并且所述的从动齿轮上设置有转速传感器。

8.根据权利要求5所述的模拟试验装置，其特征在于：所述的轴承为圆锥轴承，位于轴箱中并与车轴连接。

9.根据权利要求5-8任一项所述的模拟试验装置，其特征在于：所述的装置还包括中控台，所述的中控台分别与振动加速度传感器、牵引电机、制动缸、转速传感器、压力传感器连接。

10.根据权利要求9所述的模拟试验装置，其特征在于：模拟时，通过中控台控制压力加载装置给轴箱加载非周期性的纵向负载，压力传感器将施加的压力数值实时传输给中控台，并且通过中控台控制牵引电机控制车轴转动，并通过转速传感器实时检测牵引电机和从动齿轮的转速并传给中控台，同时通过振动加速度传感器实时获取轴承的振动信号，并将信号作为原始信号进行一定频率的采样。