陳 剛，左 成，邢宗義，姚小文

（1.廣州地鐵集團(tuán)有限公司 運(yùn)營(yíng)事業(yè)總部，廣州 510308；2.南京理工大學(xué) 自動(dòng)化學(xué)院，南京 210094)

基于EMD和包絡(luò)分析的城軌列車滾動(dòng)軸承故障診斷

陳 剛1，左 成2，邢宗義2，姚小文2

（1.廣州地鐵集團(tuán)有限公司 運(yùn)營(yíng)事業(yè)總部，廣州 510308；2.南京理工大學(xué) 自動(dòng)化學(xué)院，南京 210094)

為了準(zhǔn)確識(shí)別城軌列車滾動(dòng)軸承故障類型，研究了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解（EMD，Empirical Mode Decomposition）和包絡(luò)分析的滾動(dòng)軸承故障診斷方法。對(duì)滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行EMD分解，得到若干個(gè)本征模態(tài)函數(shù)（IMF，Intrinsic Mode Function）之和，對(duì)包含主要信息成分的IMF分量作包絡(luò)分析，根據(jù)包絡(luò)譜的故障特征頻率判斷滾動(dòng)軸承故障類型。實(shí)驗(yàn)結(jié)果表明，該方法能夠準(zhǔn)確有效地識(shí)別城軌列車滾動(dòng)軸承的故障類型。

滾動(dòng)軸承；故障診斷；EMD；包絡(luò)分析

滾動(dòng)軸承是列車的重要基礎(chǔ)元件，也是列車上最容易發(fā)生故障的零部件之一，它的工作狀態(tài)不僅直接影響列車的平穩(wěn)性和舒適性，還會(huì)影響列車的運(yùn)行安全。因此，實(shí)時(shí)監(jiān)測(cè)城軌列車滾動(dòng)軸承的工作狀態(tài)，并對(duì)其進(jìn)行故障診斷具有重要的理論價(jià)值和現(xiàn)實(shí)意義。

近年來，國(guó)內(nèi)外學(xué)者對(duì)滾動(dòng)軸承的故障診斷進(jìn)行了廣泛研究，Djebala A等人[1]提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）和優(yōu)化的小波多分辨率分析（WMRA）相結(jié)合的混合方法，這2個(gè)時(shí)頻分析技術(shù)的配對(duì)非常適用于由滾動(dòng)軸承缺陷產(chǎn)生的瞬態(tài)信號(hào)；?vokelj M等人[2]提出基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）的多尺度獨(dú)立成分分析法（ICA）對(duì)轉(zhuǎn)盤軸承進(jìn)行故障檢測(cè)與診斷；Golafshan R等人[3]將基于奇異值分解（SVD）和Hankel矩陣的去噪方法處理成功應(yīng)用到軸承的時(shí)域振動(dòng)信號(hào)，通過實(shí)驗(yàn)驗(yàn)證所提方法的有效性；何廣堅(jiān)等人[4]將EMD和支持向量機(jī)（SVM）相結(jié)合提出了一種新方法，并將其應(yīng)用在城軌列車滾動(dòng)軸承的故障診斷中，實(shí)驗(yàn)結(jié)果證明了該方法的可行性；潘麗莎等人[5]在研究小波分析和神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，融合兩者的優(yōu)點(diǎn)，提出用小波對(duì)振動(dòng)信號(hào)進(jìn)行去噪和分解，并用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而進(jìn)行故障診斷。以上方法能夠?qū)崿F(xiàn)基于仿真或試驗(yàn)臺(tái)數(shù)據(jù)的軸承故障診斷，但存在算法復(fù)雜、實(shí)時(shí)性較差等問題。

本文研究了一種基于EMD和包絡(luò)分析的城軌列車滾動(dòng)軸承故障診斷方法，該方法具有簡(jiǎn)單可靠、實(shí)時(shí)性好等優(yōu)點(diǎn)。

1 EMD分解

經(jīng)驗(yàn)?zāi)B(tài)分析（EMD）是一種新型自適應(yīng)信號(hào)時(shí)頻處理方法，適用于分析非線性以及非平穩(wěn)信號(hào)序列[6]。

EMD分解信號(hào)的原理是將原始信號(hào)分解為多個(gè)窄帶分量，每個(gè)分量稱為本征模態(tài)函數(shù)，每個(gè)本征模態(tài)函數(shù)的成立必須滿足2個(gè)基本條件[7]：

（1）整段原始信號(hào)中，零點(diǎn)數(shù)和極點(diǎn)數(shù)的差的絕對(duì)值小于1；

（2）在任意時(shí)刻，局部極值點(diǎn)形成的包絡(luò)線均值為零。

對(duì)信號(hào)x(t)的EMD分解具體步驟如下：

（1）計(jì)算信號(hào)x(t)的局部極值點(diǎn)，通過3次樣條曲線差值，形成信號(hào)的包絡(luò)線；

（2）將m1記為上包絡(luò)線和下包絡(luò)線的平均值，計(jì)算可得：

若h1(t)是1個(gè)本征模態(tài)函數(shù)（IMF）分量，則h1(t)是x(t)的第1個(gè)IMF分量；

（3）若h1(t)不是1個(gè)IMF分量，則將繼續(xù)進(jìn)行以上2個(gè)步驟：

一直循環(huán)上述過程k次，直到h1k(t)是1個(gè)IMF分量。

（4）把h1k(t)記為c1(t)，將信號(hào)進(jìn)行更新：

再次對(duì)r1(t)進(jìn)行篩選過程，逐步分離出各個(gè)IMF分量，可得到：

式（4）停止分解的條件是：rn(t)變?yōu)閱握{(diào)函數(shù)或者cn(t)小于某一閾值；

（5）將原始信號(hào)x(t)表示為多個(gè)cn(t)與rn(t)之和，可得到：

其中，c1(t)，c2(t)，…，cn(t)為原始信號(hào)x(t)分解的各個(gè)IMF分量，包含原始信號(hào)各個(gè)不同頻率段的成分，rn(t)為分解的殘余量，表示信號(hào)的平均趨勢(shì)。

2 基于EMD和包絡(luò)分析的軸承故障診斷

EMD分解將復(fù)雜的城軌列車滾動(dòng)軸承振動(dòng)信號(hào)分解為多個(gè)IMF分量，因?yàn)榍皫讉€(gè)IMF分量已經(jīng)包含了原始信號(hào)中大部分信息，因此只對(duì)包含原始信號(hào)成分多的IMF分量進(jìn)行包絡(luò)分析[8]。

包絡(luò)分析已被證明是一個(gè)有效提取軸承故障特征的方法，其故障對(duì)機(jī)械的特征頻率有調(diào)幅的影響[9]。已廣泛用于檢測(cè)旋轉(zhuǎn)機(jī)器故障的位置，如軸承和齒輪箱等。

具體診斷步驟如下：

（1）基于EMD的原始振動(dòng)信號(hào)的分解，得到多個(gè)IMF分量。

（2）選取前幾個(gè)IMF分量進(jìn)行Hilbert變換，即：

（3）構(gòu)造解析信號(hào)z(t)，即：

（4）解析信號(hào)z(t)求模獲得信號(hào)的包絡(luò)ai(t)：

（5）通過對(duì)包絡(luò)信號(hào)作譜分析即可獲得包絡(luò)譜。

（6）通過對(duì)比包絡(luò)譜得到特征頻率與滾動(dòng)軸承故障特征頻率，從而診斷出滾動(dòng)軸承的故障。

3 實(shí)驗(yàn)與分析

城軌列車滾動(dòng)軸承的振動(dòng)數(shù)據(jù)來源于863項(xiàng)目（2011AA110506），振動(dòng)采集系統(tǒng)安裝在廣州地鐵8號(hào)線A5型列車上，安裝方式如圖1所示。

列車軸承采用雙列圓錐滾子軸承，振動(dòng)傳感器采用的是HK8100加速度傳感器，安裝于軸承外殼的水平位置上。

圖1 車載裝置圖

以IPC610H工控機(jī)作為監(jiān)測(cè)主機(jī)，NI DAQ6062E為振動(dòng)信號(hào)的采集板卡，通過C++和Qt實(shí)現(xiàn)振動(dòng)信號(hào)的采集，采集頻率為20 kHz，調(diào)用Matlab對(duì)采集的振動(dòng)信號(hào)進(jìn)行分析處理，從而實(shí)現(xiàn)列車滾動(dòng)軸承的故障診斷，系統(tǒng)的采集界面如圖2所示。

圖2 系統(tǒng)采集界面

根據(jù)列車選用的滾動(dòng)軸承型號(hào)，列車滾動(dòng)軸承的理論故障特征頻率[10]如表1所示。

表1 滾動(dòng)軸承的故障特征頻率

選取一組振動(dòng)數(shù)據(jù)進(jìn)行分析處理，將其進(jìn)行EMD分解，得到時(shí)域波形如圖3所示。其中，x(t)表示振動(dòng)信號(hào)，imf1～imf4表示EMD分解得到的第1～第4個(gè)IMF。

對(duì)前4個(gè)IMF做包絡(luò)分析，其包絡(luò)譜如圖4所示。通過圖3和圖4可見，振動(dòng)信號(hào)波動(dòng)幅度不大，包絡(luò)譜的幅值較小，而且特征信息主要集中在第1個(gè)IMF和第2個(gè)IMF，所以選擇第1個(gè)IMF做詳細(xì)分析，其包絡(luò)譜如圖5所示。

圖3 振動(dòng)信號(hào)EMD分解結(jié)果

圖4 IMF包絡(luò)譜

圖5 第1個(gè)IMF的包絡(luò)譜

由圖5可以看出，在頻率234.4 Hz、459 Hz、693.4 Hz、927.7 Hz和1 152 Hz處譜線非常明顯，通過對(duì)照發(fā)現(xiàn)，故障特征頻率的實(shí)際值234.4 Hz與滾動(dòng)軸承外圈特征頻率理論值236.5 Hz非常接近，而且圖5中也可以明顯看到存在頻率234.4 Hz的5倍頻，因此，可以判斷列車滾動(dòng)軸承出現(xiàn)外圈故障，從而實(shí)現(xiàn)列車滾動(dòng)軸承的故障診斷。

4 結(jié)束語(yǔ)

城軌列車滾動(dòng)軸承的運(yùn)行狀態(tài)不僅對(duì)列車平穩(wěn)性和舒適性會(huì)產(chǎn)生影響，嚴(yán)重的還會(huì)影響列車的安全運(yùn)行，為此本文研究了一種基于EMD和包絡(luò)分析的城軌列車滾動(dòng)軸承故障診斷方法。通過EMD方法將軸承振動(dòng)信號(hào)分解為若干組IMF分量，對(duì)前幾個(gè)IMF分量做包絡(luò)分析，根據(jù)包絡(luò)譜得到特征頻率，再對(duì)照滾動(dòng)軸承各種故障模式下的特征頻率，從而判斷滾動(dòng)軸承的故障類型。實(shí)驗(yàn)結(jié)果表明，本文所研究的方法成功實(shí)現(xiàn)了對(duì)城軌列車滾動(dòng)軸承故障類型的診斷，驗(yàn)證了算法的可行性和有效性。

[1]Djebala A,Babouri M K,Ouelaa N.Rolling bearing fault detection using a hybrid method based on Empirical Mode Decomposition and optimized wavelet multi-resolution analysis[J].The International Journal of Advanced Manufacturing Technology,2015,79(9-12):2093-2105.

[2]?vokelj M,Zupan S,Prebil I.EEMD-based multiscale ICA method for slewing bearing fault detection and diagnosis[J].Journal of Sound and Vibration,2016(370):394-423.

[3]Golafshan R,Sanliturk K Y.SVD and Hankel matrix based de-noising approach for ball bearing fault detection and its assessment using artificial faults[J].Mechanical Systems and Signal Processing,2016(70):36-50.

[4]何廣堅(jiān)，邢宗義，左 成，等.基于EMD與SVM的城軌列車滾動(dòng)軸承故障診斷方法研究[J].鐵路計(jì)算機(jī)應(yīng)用，2015，24（8）：1-4，15.

[5]潘麗莎，陳 皓，秦 勇，等.基于小波包和RBF神經(jīng)網(wǎng)絡(luò)的軌道車輛滾動(dòng)軸承故障診斷[J].鐵路計(jì)算機(jī)應(yīng)用，2012，21（7）：8-11.

[6]HUANG N E,SHEN Z,LONG S R.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis[J].The Royal Society A:Mathematical,Physical &Engineering Sciences,1998(3):903-995.

[7]王 婷.EMD算法研究及其在信號(hào)去噪中的應(yīng)用[D].哈爾濱：哈爾濱工程大學(xué)，2010.

[8]李 智，陳祥初，劉政波.包絡(luò)分析及其在設(shè)備故障診斷中的應(yīng)用[J].測(cè)試技術(shù)學(xué)報(bào)，2002（2）：92-95.

[9]Feng G J,Gu J,Zhen D,et al.Implementation of envelope analysis on a wireless condition monitoring system for bearing fault diagnosis[J].International Journal of Automation and Computing,2015,12(1):14-24.

[10]劉建強(qiáng)，趙治博，章國(guó)平，等.地鐵車輛轉(zhuǎn)向架軸承故障診斷方法研究[J].鐵道學(xué)報(bào)，2015（1）：30-36.

責(zé)任編輯 王 浩

Fault diagnosis for rolling bearing of Urban Trnsit trains based on EMD and envelope spectrum

CHEN Gang1,ZUO Cheng2,XING Zongyi2,YAO Xiaowen2
( 1.Operation Division,Guangzhou Metro Corporation,Guangzhou 510308,China;2.School of Automation,Nanjing University of Science and Technology,Nanjing 210094,China)

Aiming at the problem of fault diagnosis for rolling bearing of Urban Transit trains,a method combined empirical mode decomposition (EMD) with envelope spectrum was researched on the basis of roller bearing vibration signals.Rolling bearing vibration signals were decomposed into a fnite number of intrinsic mode functions(IMFs) by using EMD.Envelope spectrum was used to calculate some IMFs including the main information.Fault pattern was determined by contrast with characteristic defect frequencies of rolling bearing.The experiment result indicated that the fault pattern of rolling bearing could be identifed effectively by the researched method.

rolling bearing;fault diagnosis;EMD;envelope spectrum

U270.331.2 ：TP39

A

1005-8451（2016）07-0057-04

2016-03-16

國(guó)家科技支撐計(jì)劃項(xiàng)目（2011BAG01B05）；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目（AE89454）。

陳 剛，工程師；左 成，副教授。