陳 剛，左 成，邢宗義，姚小文

（1.廣州地鐵集團有限公司 運營事業(yè)總部，廣州 510308；2.南京理工大學 自動化學院，南京 210094)

基于EMD和包絡分析的城軌列車滾動軸承故障診斷

陳 剛1，左 成2，邢宗義2，姚小文2

（1.廣州地鐵集團有限公司 運營事業(yè)總部，廣州 510308；2.南京理工大學 自動化學院，南京 210094)

為了準確識別城軌列車滾動軸承故障類型，研究了一種基于經驗模態(tài)分解（EMD，Empirical Mode Decomposition）和包絡分析的滾動軸承故障診斷方法。對滾動軸承的振動信號進行EMD分解，得到若干個本征模態(tài)函數(shù)（IMF，Intrinsic Mode Function）之和，對包含主要信息成分的IMF分量作包絡分析，根據(jù)包絡譜的故障特征頻率判斷滾動軸承故障類型。實驗結果表明，該方法能夠準確有效地識別城軌列車滾動軸承的故障類型。

滾動軸承；故障診斷；EMD；包絡分析

滾動軸承是列車的重要基礎元件，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，還會影響列車的運行安全。因此，實時監(jiān)測城軌列車滾動軸承的工作狀態(tài)，并對其進行故障診斷具有重要的理論價值和現(xiàn)實意義。

近年來，國內外學者對滾動軸承的故障診斷進行了廣泛研究，Djebala A等人[1]提出了一種基于經驗模態(tài)分解（EMD）和優(yōu)化的小波多分辨率分析（WMRA）相結合的混合方法，這2個時頻分析技術的配對非常適用于由滾動軸承缺陷產生的瞬態(tài)信號；?vokelj M等人[2]提出基于集合經驗模態(tài)分解（EEMD）的多尺度獨立成分分析法（ICA）對轉盤軸承進行故障檢測與診斷；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用到軸承的時域振動信號，通過實驗驗證所提方法的有效性；何廣堅等人[4]將EMD和支持向量機（SVM）相結合提出了一種新方法，并將其應用在城軌列車滾動軸承的故障診斷中，實驗結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網(wǎng)絡基礎上，融合兩者的優(yōu)點，提出用小波對振動信號進行去噪和分解，并用RBF神經網(wǎng)絡進行訓練，從而進行故障診斷。以上方法能夠實現(xiàn)基于仿真或試驗臺數(shù)據(jù)的軸承故障診斷，但存在算法復雜、實時性較差等問題。

本文研究了一種基于EMD和包絡分析的城軌列車滾動軸承故障診斷方法，該方法具有簡單可靠、實時性好等優(yōu)點。

1 EMD分解

經驗模態(tài)分析（EMD）是一種新型自適應信號時頻處理方法，適用于分析非線性以及非平穩(wěn)信號序列[6]。

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

（1）整段原始信號中，零點數(shù)和極點數(shù)的差的絕對值小于1；

（2）在任意時刻，局部極值點形成的包絡線均值為零。

對信號x(t)的EMD分解具體步驟如下：

（1）計算信號x(t)的局部極值點，通過3次樣條曲線差值，形成信號的包絡線；

（2）將m1記為上包絡線和下包絡線的平均值，計算可得：

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

（3）若h1(t)不是1個IMF分量，則將繼續(xù)進行以上2個步驟：

一直循環(huán)上述過程k次，直到h1k(t)是1個IMF分量。

（4）把h1k(t)記為c1(t)，將信號進行更新：

再次對r1(t)進行篩選過程，逐步分離出各個IMF分量，可得到：

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

（5）將原始信號x(t)表示為多個cn(t)與rn(t)之和，可得到：

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

2 基于EMD和包絡分析的軸承故障診斷

EMD分解將復雜的城軌列車滾動軸承振動信號分解為多個IMF分量，因為前幾個IMF分量已經包含了原始信號中大部分信息，因此只對包含原始信號成分多的IMF分量進行包絡分析[8]。

包絡分析已被證明是一個有效提取軸承故障特征的方法，其故障對機械的特征頻率有調幅的影響[9]。已廣泛用于檢測旋轉機器故障的位置，如軸承和齒輪箱等。

具體診斷步驟如下：

（1）基于EMD的原始振動信號的分解，得到多個IMF分量。

（2）選取前幾個IMF分量進行Hilbert變換，即：

（3）構造解析信號z(t)，即：

（4）解析信號z(t)求模獲得信號的包絡ai(t)：

（5）通過對包絡信號作譜分析即可獲得包絡譜。

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

3 實驗與分析

城軌列車滾動軸承的振動數(shù)據(jù)來源于863項目（2011AA110506），振動采集系統(tǒng)安裝在廣州地鐵8號線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工控機作為監(jiān)測主機，NI DAQ6062E為振動信號的采集板卡，通過C++和Qt實現(xiàn)振動信號的采集，采集頻率為20 kHz，調用Matlab對采集的振動信號進行分析處理，從而實現(xiàn)列車滾動軸承的故障診斷，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)列車選用的滾動軸承型號，列車滾動軸承的理論故障特征頻率[10]如表1所示。

表1 滾動軸承的故障特征頻率

選取一組振動數(shù)據(jù)進行分析處理，將其進行EMD分解，得到時域波形如圖3所示。其中，x(t)表示振動信號，imf1～imf4表示EMD分解得到的第1～第4個IMF。

對前4個IMF做包絡分析，其包絡譜如圖4所示。通過圖3和圖4可見，振動信號波動幅度不大，包絡譜的幅值較小，而且特征信息主要集中在第1個IMF和第2個IMF，所以選擇第1個IMF做詳細分析，其包絡譜如圖5所示。

圖3 振動信號EMD分解結果

圖4 IMF包絡譜

圖5 第1個IMF的包絡譜

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，通過對照發(fā)現(xiàn)，故障特征頻率的實際值234.4 Hz與滾動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，可以判斷列車滾動軸承出現(xiàn)外圈故障，從而實現(xiàn)列車滾動軸承的故障診斷。

4 結束語

城軌列車滾動軸承的運行狀態(tài)不僅對列車平穩(wěn)性和舒適性會產生影響，嚴重的還會影響列車的安全運行，為此本文研究了一種基于EMD和包絡分析的城軌列車滾動軸承故障診斷方法。通過EMD方法將軸承振動信號分解為若干組IMF分量，對前幾個IMF分量做包絡分析，根據(jù)包絡譜得到特征頻率，再對照滾動軸承各種故障模式下的特征頻率，從而判斷滾動軸承的故障類型。實驗結果表明，本文所研究的方法成功實現(xiàn)了對城軌列車滾動軸承故障類型的診斷，驗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，邢宗義，左 成，等.基于EMD與SVM的城軌列車滾動軸承故障診斷方法研究[J].鐵路計算機應用，2015，24（8）：1-4，15.

[5]潘麗莎，陳 皓，秦 勇，等.基于小波包和RBF神經網(wǎng)絡的軌道車輛滾動軸承故障診斷[J].鐵路計算機應用，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去噪中的應用[D].哈爾濱：哈爾濱工程大學，2010.

[8]李 智，陳祥初，劉政波.包絡分析及其在設備故障診斷中的應用[J].測試技術學報，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，趙治博，章國平，等.地鐵車輛轉向架軸承故障診斷方法研究[J].鐵道學報，2015（1）：30-36.

責任編輯 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

國家科技支撐計劃項目（2011BAG01B05）；中央高校基本科研業(yè)務費專項資金項目（AE89454）。

陳 剛，工程師；左 成，副教授。