CN111307455B - 一种基于字典学习的列车转向架轴承故障监测方法及系统 - Google Patents

Abstract

本发明提供一种基于字典学习的列车转向架轴承故障监测方法及系统，涉及轨道列车安全运行技术领域，包括如下步骤：采集列车转向架轴承的振动信号和温度信号；通过温度信号判断轴承是否已经发生故障；基于字典学习技术，通过振动信号提取各个部位的轴承故障特征，判断轴承是否发生故障以及发生故障的部位；本发明的方法采用了基于字典学习算法对振动信号进行分析，字典学习算法更能匹配复杂信号的结构特征，能有效提取滚动轴承复合故障信号中的冲击成分，有效地解决了现有技术难以处理信号中混杂着大量背景噪声、谐波干涉以及故障特征识别混叠等问题，对轴承故障识别的准确性具有很大的提高，为列车运行的安全性提供了保障。

Description

一种基于字典学习的列车转向架轴承故障监测方法及系统

技术领域

本发明涉及轨道列车安全运行技术领域，具体涉及一种基于字典学习的列车转向架轴承故障监测方法及系统。

背景技术

转向架作为列车的重要部件，可以支撑车体，增加车体载重，提高列车运行速度，保证车辆安全运行。而轴承作为转向架中最常见的零部件，往往处于高温和过载的环境中，容易发生故障。一旦列车转向架轴承发生故障，列车运行的安全性将无法得到保障，并且需要进行停车检修，花费大量的成本。因此，对列车转向架轴承进行故障监测具有很大的价值，并在过去几年得到了广泛的关注。目前对列车转向架轴承进行故障监测时往往通过采集轴承的振动信号和温度信号进行分析，但是由于轴承运行环境恶劣，采集到的信号中往往混杂着大量的背景噪声和谐波干涉，而现有的列车转向架轴承监测技术对于这样的非平稳信号难以进行有效的处理分析，从而难以提取故障特征，并且容易造成故障模式识别混叠等问题，这必然对列车转向架轴承的故障诊断造成了困难。因此，设计一种可以有效解决信号中存在的背景噪声和谐波干涉的列车转向架轴承故障监测系统具有很大的实际意义和价值。

发明内容

本发明的目的在于：针对现有的列车转向架轴承故障监测方法对轴承振动信号中存在大量的背景噪声和谐波干涉而无法对信号进行有效的分离、故障特征提取以及容易造成故障模式识别混叠的问题，本发明提供一种基于字典学习的列车转向架轴承故障监测方法。

本发明的技术方案如下：

一种基于字典学习的列车转向架轴承故障监测方法，包括如下步骤：

采集列车转向架轴承的振动信号和温度信号；

通过温度信号判断轴承是否已经发生故障；

基于字典学习技术，通过振动信号提取各个部位的轴承故障特征，判断轴承是否发生故障以及发生故障的部位；

所述基于字典学习算法，通过振动信号提取轴承故障特征，判断轴承是否发生故障以及发生故障的部位的步骤包括：

将包含单个故障特征的信号作为训练样本，对样本进行字典学习，得到每种故障特征的基函数，再根据每种故障特征的基函数得到包含轴承各个部位故障特征的信号分量；

对各个信号分量作Hilbert变换得到相应的包络谱；

根据计算得出的各部位的故障频率，参照相应的包络谱，找出列车转向架轴承的故障。

进一步地，在所述通过温度信号判断轴承是否已经发生故障后，若监测出轴承温度高于阈值，则发出警报并停止列车运行。

具体地，所述字典学习算法具体包括如下步骤：

a.字典初始化；用部分的原始数据即列车转向架轴承的故障信号组成初始字典矩阵D∈R^m×k，并用ρ²范数将字典每一列单位标准化；式中，D∈R^m×k表示m×k的矩阵，m表示样本数，k表示样本中原子的个数；

b.稀疏编码；根据初始字典D，采用任意一种追踪算法，对每个列车转向架轴承监测信号样本y_i的稀疏系数向量x_i进行求解，即

式中，T₀表示稀疏表示系数中非零元素的最大数量；

c.字典更新；固定向量x_i更新字典D的每一列，设向量d_k为要更新的字典的第k列原子，X的第k行表示

即d_k对应的稀疏系数矩阵X中的第k行向量，T表示向量的列数，E_k表示抽取原子d_k后的误差矩阵，此时式(3)表示为

式中，Y表示训练样本，d_j表示第j列原子，

表示稀疏系数矩阵X中的第j行向量,通过式(4)实现字典空间的优化，完成字典的学习过程。

进一步地，所述信号分量的获取步骤包括：

所述振动信号为包含多中故障特征的信号分量，具体为：

式中，z表示振动信号，z_i为第i个源信号，即信号分量，a_i为混合系数，a_i表示z_i对混合信号的贡献，ε为噪声；

在稀疏约束的条件下，所述字典学习算法的目标函数为：

式中，c_k表示基函数，即由字典中第k列原子组成，s_k表示基函数c_k中字典原子的稀疏表示系数；对于观测信号z，相当于上述训练样本Y，采用K-SVD字典学习算法，获得一系列基函数c_k及对应的稀疏系数，对每个基函数c_k重构得到其对应的潜在成分l_k，对于某个源信号z_i，其对应的时域特征即基函数的索引集为κ_i，通过其对应的全部潜在成分来重构，即：

具体地，所述对各个信号分量作Hilbert变换得到相应的包络谱具体为：

式中，t表示信号周期；

具体地，所述各部位的故障频率包括：

外圈故障频率为：

内圈故障频率为：

滚动体单故障频率为：

保持架外圈故障频率为：

式中，n表示轴承转速，p表示滚珠个数，R表示轴承节径，r表示滚动体直径，α表示滚动体接触角。

同时，本发明提供一种基于字典学习的列车转向架轴承故障监测系统，包括：

信号采集模块，用于采集列车转向架轴承的振动信号和温度信号；

信号传输模块，用于将信号采集模块采集的数据传输到数据中转模块；

数据中转模块，用于中转振动信号，接收温度信号，并通过温度信号判断轴承是否已经发生故障；

信号处理终端，用于接收由数据中转模块转发的振动信号，再基于字典学习技术，通过振动信号提取各个部位的轴承故障特征，判断轴承是否发生故障以及发生故障的部位；

信号处理终端中，所述基于字典学习算法，通过振动信号提取轴承故障特征，判断轴承是否发生故障以及发生故障的部位的步骤包括：

将包含单个故障特征的信号作为训练样本，对样本进行字典学习，得到每种故障特征的基函数，再根据每种故障特征的基函数得到包含轴承各个部位故障特征的信号分量；

对各个信号分量作Hilbert变换得到相应的包络谱；

根据计算得出的各部位的故障频率，参照相应的包络谱，找出列车转向架轴承的故障。

优选地，所述信号传输模块为WIFI无线传输模块，当列车停靠到站时，将列车运行时采集的信号通过WIFI无线通讯模块从信号采集模块中传输到数据中转站模块。

进一步地，所述数据中转模块还包括报警模块，当数据中转模块对温度信号处理后得出轴承温度高于一定阈值时，判断出轴承已经发生故障，同时报警模块发出警报，列车停止运行。

具体地，所述信号采集模块包括传感器、采集板卡、AD转换芯片和存储器，所述温度信号和振动信号存储在所述存储器中。

采用上述方案后，本发明的有益效果如下：

(1)当信号中夹杂着大量背景噪声时无法准确的进行判断，本发明的方法采用了基于字典学习算法对振动信号进行分析，字典学习算法更能匹配复杂信号的结构特征，能有效提取滚动轴承复合故障信号中的冲击成分，有效地解决了现有技术难以处理信号中混杂着大量背景噪声、谐波干涉以及故障特征识别混叠等问题，对轴承故障识别的准确性具有很大的提高，为列车运行的安全性提供了保障。

(2)本发明的系统将轴承信号采集、信号传输、信号中转、信号处理及轴承故障诊断结合，由于现有的列车转向架轴承故障监测技术需要在列车停车进库后进行诊断，无法在列车运行靠站时进行诊断，增加了列车在运行时的风险，故本发明系统采集了轴承的温度和振动信号，在数据中转站可先通过对温度信号进行分析，温度信号是针对轴承故障发生的后期进行检测，判断轴承是否已经受损严重，起到了提前预警的作用。

附图说明

图1为本发明的整体流程图；

图2为本发明中基于字典学习算法，通过振动信号提取轴承故障特征，判断轴承是否发生故障以及发生故障的部位的流程图；

图3为本发明的系统结构图；

图4为本发明具体实施方式中的复合故障信号图；

图5为本发明具体实施方式中的各分量合成去噪后信号图；

图6为本发明具体实施方式中的分量信号1图；

图7为本发明具体实施方式中的分量信号2图；

图8为本发明具体实施方式中的分量信号1的包络谱图；

图9为本发明具体实施方式中的分量信号2的包络谱图。

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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

本发明公开一种基于字典学习的列车转向架轴承故障监测方法及系统，所述方法基于所述系统。

本具体实施方式中，如图3所示，基于字典学习的列车转向架轴承故障监测系统包括信号采集模块、信号传输模块、数据中转模块、终端信号处理模块；上述模块的具体如下：

信号采集模块，用于采集列车转向架轴承的振动信号和温度信号；信号采集模块包括传感器、采集板卡、AD转换芯片、存储器。传感器包括振动传感器和温度传感器，振动传感器和温度传感器分别对列车转向架轴承的振动信号和温度信号进行采集，经由带有集成放大、滤波功能电路的采集板卡得到模拟信号，AD转换芯片将模拟信号转换成数字信号，并保存到存储器中。

信号传输模块，用于将信号采集模块采集的数据传输到数据中转模块；本具体实施方式中，所述信号传输模块采用的是WIFI无线传输模块。具体地，当列车停靠到站时，将列车运行时采集的信号通过WIFI无线传输模块从信号采集模块中的存储器中传输到数据中转模块。

数据中转模块，用于中转振动信号，接收温度信号，并通过温度信号判断轴承是否已经发生故障，若发生故障，进行报警；具体地，数据中转模块包括信号接收模块、温度信号处理模块、报警模块。作为优选，数据中转模块设立在列车停靠的站点，能够快速接收信号传输模块传输的信号；温度信号处理模块对接收的温度信号进行处理分析；实际操作中，温度信号更多的是对轴承故障后期进行诊断，当温度信号处理模块对监测到的温度信号处理后发现轴承温度高于90℃或者轴承的温升达到55K时(实际操作中也可以设置其他阈值，具体阈值根据轴承的性能参数、环境参数等综合确定)，可以判断出轴承已经发生故障了，报警模块发出警报，列车停止运行。

信号处理终端，用于接收由数据中转模块转发的振动信号，再基于字典学习技术，通过振动信号提取各个部位的轴承故障特征，判断轴承是否发生故障以及发生故障的部位；本发明的信号处理终端采用的是基于K-SVD字典学习的信号处理方法，字典学习算法可以解决信号中存在的大量背景噪声、谐波干涉以及故障模式识别混叠等问题，可以使列车转向架轴承的故障特征提取更加准确。

应当理解的，K-SVD字典学习算法的本质是范数稀疏约束追踪和奇异值分解算法交替应用，使字典和稀疏系数交替更新。矩阵D∈R^m×k表示由训练得到的超完备字典，向量y∈Rⁿ，x∈Rⁿ分别表示训练样本和其对应的稀疏表示向量系数，矩阵

为N个训练样本的集合，矩阵

为N个向量系数的集合，则字典学习过程可优化过程可以表示为

或

式中，T₀表示稀疏表示系数中非零元素个数的最大值。

具体地，述字典学习算法具体包括如下步骤：

a.字典初始化；用部分的原始数据即列车转向架轴承的故障信号组成初始字典矩阵D∈R^m×k，并用ρ²范数将字典每一列单位标准化；式中，R^m×k表示m×k的矩阵，m表示样本数，k表示样本中原子的个数；

b.稀疏编码；根据初始字典D，采用任意一种追踪算法，对每个列车转向架轴承监测信号样本y_i的稀疏系数向量x_i进行求解，即

式中，T₀表示稀疏表示系数中非零元素的最大数量；

c.字典更新；固定向量x_i更新字典D的每一列，设向量d_k为要更新的字典的第k列原子，X的第k行表示

即d_k对应的稀疏系数矩阵X中的第k行向量，T表示向量的列数，E_k表示抽取原子d_k后的误差矩阵，此时式(3)表示为

式中，Y表示训练样本，d_j表示第j列原子，

表示稀疏系数矩阵X中的第j行向量,通过式(4)实现字典空间的优化，完成字典的学习过程。

基于上述的系统以及字典学习算法原理，本发明的基于字典学习的列车转向架轴承故障监测方法，如图1所示，包括如下步骤：

S1.在列车行使过程中，信号采集模块采集列车转向轴承的振动信号和温度信号；当列车停靠到站时，信号传输模块采用WIFI无线传输模块从信号采集模块中的存储器中传输到数据中转站模块；

S2.数据中转模块接收到温度信号和振动信号，将振动信号转发到信号处理终端；作为优选，本具体实施方式中，直接在数据中转站通过温度信号判断轴承是否已经发生故障，本具体实施方式中的通过温度信号更多的是对轴承故障后期进行诊断，当数据中转站对温度信号处理后得出轴承温度高于90℃或者轴承的温升达到55K时，可以判断出轴承已经发生故障，同时报警模块发出警报，列车停止运行。也可以设置其他的温度阈值，从而大致判别轴承已经处于何种损坏阶段。应当理解的是，也可以将温度信号发送到信号处理终端来进行判断，直接在数据中转站中对温度信号进行阈值分析，若超过阈值，能够更加迅速地发现异常，发出警报。

S3.信号处理终端在接收到数据中转模块的振动信号后，基于字典学习技术，通过振动信号提取各个部位的轴承故障特征，判断轴承是否发生故障以及发生故障的部位；

具体地，如图2所示所述基于字典学习算法，通过振动信号提取轴承故障特征，判断轴承是否发生故障以及发生故障的部位的步骤包括：

S31.将包含单个故障特征的信号作为训练样本，对样本进行字典学习，得到每种故障特征的基函数，再根据每种故障特征的基函数得到包含轴承各个部位故障特征的信号分量；本发明中，所述振动信号为包含多中故障特征的信号分量，具体为：

式中，z表示振动信号，z_i为第i个源信号，即信号分量，a_i为混合系数，a_i表示z_i对混合信号的贡献，ε为噪声；

在稀疏约束的条件下，所述字典学习算法的目标函数为：

式中，c_k表示基函数，即由字典中第k列原子组成，s_k表示基函数c_k中字典原子的稀疏表示系数；对于观测信号z，相当于上述训练样本Y，采用K-SVD字典学习算法，获得一系列基函数c_k及对应的稀疏系数，对每个基函数c_k重构得到其对应的潜在成分l_k，对于某个源信号z_i，其对应的时域特征即基函数的索引集为κ_i，通过其对应的全部潜在成分来重构，即：

S32.对各个信号分量作Hilbert变换得到相应的包络谱：

式中，t表示信号周期；

S33.根据计算得出的各部位的故障频率，参照相应的包络谱，找出列车转向架轴承的故障，所述各部位的故障频率包括：

外圈故障频率为：

内圈故障频率为：

滚动体单故障频率为：

保持架外圈故障频率为：

式中，n表示轴承转速，p表示滚珠个数，R表示轴承节径，r表示滚动体直径，α表示滚动体接触角。

采用上述的具体实施方式，对型号为SKF6205滚动轴承的运行信号的分析结果如图所示，图4为强噪声背景下复合故障信号，图5为对信号进行去噪处理后的结果，图6和图7为复合信号分解重构后的结果，图8、图9分别为两个分量信号的包络谱；结果表明，基于字典学习的列车转向架轴承故障监测系统及方法可有效地去除信号中大量的背景噪声、谐波干涉等，并有效地分离出复合信号中的各个特征信号，寻找到轴承发生故障的部位，该图结果可得出轴承发生的故障为内圈故障和外圈故障。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于字典学习的列车转向架轴承故障监测方法，其特征在于，包括如下步骤：

采集列车转向架轴承的振动信号和温度信号；

通过温度信号判断轴承是否已经发生故障；

基于字典学习技术，通过振动信号提取各个部位的轴承故障特征，判断轴承是否发生故障以及发生故障的部位；

所述基于字典学习算法，通过振动信号提取轴承故障特征，判断轴承是否发生故障以及发生故障的部位的步骤包括：

将包含单个故障特征的信号作为训练样本，对样本进行字典学习，得到每种故障特征的基函数，再根据每种故障特征的基函数得到包含轴承各个部位故障特征的信号分量；

对各个信号分量作Hilbert变换得到相应的包络谱；

根据计算得出的各部位的故障频率，参照相应的包络谱，找出列车转向架轴承的故障；

所述字典学习算法具体包括如下步骤：

a.字典初始化；用部分的原始数据即列车转向架轴承的故障信号组成初始字典矩阵D∈R^m×k，并用ρ²范数将字典每一列单位标准化；式中，D∈R^m×k表示m×k的矩阵，m表示样本数，k表示样本中原子的个数；

b.稀疏编码；根据初始字典D，采用任意一种追踪算法，对每个列车转向架轴承监测信号样本y_i的稀疏系数向量x_i进行求解，即

式中，T₀表示稀疏表示系数中非零元素的最大数量；

c.字典更新；固定向量x_i更新字典D的每一列，设向量d_k为要更新的字典的第k列原子，X的第k行表示

即d_k对应的稀疏系数矩阵X中的第k行向量，T表示向量的列数，E_k表示抽取原子d_k后的误差矩阵，此时式(3)表示为

式中，Y表示训练样本，d_j表示第j列原子，

表示稀疏系数矩阵X中的第j行向量,通过式(4)实现字典空间的优化，完成字典的学习过程；

所述信号分量的获取步骤包括：

所述振动信号为包含多中故障特征的信号分量，具体为：

式中，z表示振动信号，z_i为第i个源信号，即信号分量，a_i为混合系数，a_i表示z_i对混合信号的贡献，ε为噪声；

在稀疏约束的条件下，所述字典学习算法的目标函数为：

式中，c_k表示基函数，即由字典中第k列原子组成，s_k表示基函数c_k中字典原子的稀疏表示系数；对于观测信号z，相当于上述训练样本Y，采用K-SVD字典学习算法，获得一系列基函数c_k及对应的稀疏系数，对每个基函数c_k重构得到其对应的潜在成分l_k，对于某个源信号z_i，其对应的时域特征即基函数的索引集为κ_i，通过其对应的全部潜在成分来重构，即：

2.根据权利要求1所述的一种基于字典学习的列车转向架轴承故障监测方法，其特征在于，在所述通过温度信号判断轴承是否已经发生故障后，若监测出轴承温度高于阈值，则发出警报并停止列车运行。

3.根据权利要求1所述的一种基于字典学习的列车转向架轴承故障监测方法，其特征在于，所述对各个信号分量作Hilbert变换得到相应的包络谱具体为：

式中，t表示信号周期。

4.根据权利要求1所述的一种基于字典学习的列车转向架轴承故障监测方法，其特征在于，所述各部位的故障频率包括：

外圈故障频率为：

内圈故障频率为：

滚动体单故障频率为：

保持架外圈故障频率为：

式中，n表示轴承转速，p表示滚珠个数，R表示轴承节径，r表示滚动体直径，α表示滚动体接触角。

5.一种基于字典学习的列车转向架轴承故障监测系统，其特征在于，包括：

信号采集模块，用于采集列车转向架轴承的振动信号和温度信号；

信号传输模块，用于将信号采集模块采集的数据传输到数据中转模块；

数据中转模块，用于中转振动信号，接收温度信号，并通过温度信号判断轴承是否已经发生故障；

信号处理终端，用于接收由数据中转模块转发的振动信号，再基于字典学习技术，通过振动信号提取各个部位的轴承故障特征，判断轴承是否发生故障以及发生故障的部位；

信号处理终端中，所述基于字典学习算法，通过振动信号提取轴承故障特征，判断轴承是否发生故障以及发生故障的部位的步骤包括：

将包含单个故障特征的信号作为训练样本，对样本进行字典学习，得到每种故障特征的基函数，再根据每种故障特征的基函数得到包含轴承各个部位故障特征的信号分量；

对各个信号分量作Hilbert变换得到相应的包络谱；

根据计算得出的各部位的故障频率，参照相应的包络谱，找出列车转向架轴承的故障。

6.根据权利要求5所述的一种基于字典学习的列车转向架轴承故障监测系统，其特征在于，所述信号传输模块为WIFI无线传输模块，当列车停靠到站时，将列车运行时采集的信号通过WIFI无线通讯模块从信号采集模块中传输到数据中转站模块。

7.根据权利要求5所述的一种基于字典学习的列车转向架轴承故障监测系统，其特征在于，所述数据中转模块还包括报警模块，当数据中转模块对温度信号处理后得出轴承温度高于一定阈值时，判断出轴承已经发生故障，同时报警模块发出警报，列车停止运行。

8.根据权利要求5所述的一种基于字典学习的列车转向架轴承故障监测系统，其特征在于，所述信号采集模块包括传感器、采集板卡、AD转换芯片和存储器，所述温度信号和振动信号存储在所述存储器中。

Images