曾琦

摘 要：在地鐵車輛中，轉(zhuǎn)向架是其重要的組成部分，直接關(guān)系到地鐵車輛的安全運(yùn)行。因此需要時(shí)時(shí)對地鐵車輛的轉(zhuǎn)向架進(jìn)行故障檢修和診斷，維持地鐵車輛轉(zhuǎn)向架的安全運(yùn)作。隨著科學(xué)技術(shù)的發(fā)展，現(xiàn)階段出現(xiàn)了多種地鐵車輛轉(zhuǎn)向架的故障診斷技術(shù)，實(shí)現(xiàn)了在線智能地鐵轉(zhuǎn)向架的故障診斷。本文主要從收集振動信號的小波包包絡(luò)分析技術(shù)和智能識別方法入手進(jìn)行分析，討論了現(xiàn)階段最常用的地鐵車輛轉(zhuǎn)向架故障診斷技術(shù)，論述了其技術(shù)的診斷方法、優(yōu)點(diǎn)和缺陷，旨在為今后地鐵車輛轉(zhuǎn)向架新故障診斷技術(shù)的開發(fā)貢獻(xiàn)力量。

關(guān)鍵詞：地鐵車輛；轉(zhuǎn)向架；故障診斷

0 引言

隨著我國社會經(jīng)濟(jì)的快速發(fā)展，城建建設(shè)的速度也在不斷加快。越來越多的人們開始涌入城市，給城市帶來巨大的居住壓力，使得城市交通變得更加擁堵。為了緩解現(xiàn)階段城市擁堵的交通現(xiàn)狀，需要在城市中實(shí)施地鐵車輛的建設(shè)工作，地鐵交通運(yùn)輸量大、運(yùn)輸速度快，相較于其他交通方式更加安全可靠。維持地鐵安全運(yùn)行的因素多種多樣，其中地鐵車輛的轉(zhuǎn)向架就做出了自己的貢獻(xiàn)。地鐵車輛的平衡性和安全性直接受到地鐵轉(zhuǎn)向架的影響，由于地鐵轉(zhuǎn)向架常年處在惡劣的工作環(huán)境中，承受的壓力十分巨大，極容易出現(xiàn)故障甚至損壞，如果不能及時(shí)檢測出地鐵車輛轉(zhuǎn)向架的故障原因和位置，及時(shí)對其進(jìn)行更換和處理，就會造成嚴(yán)重的地鐵事故。因此，需要采用高新的地鐵車輛轉(zhuǎn)向架故障診斷技術(shù)，對其實(shí)施實(shí)時(shí)在線的故障診斷，從而保障地鐵車輛的安全運(yùn)行。

1 小波包包絡(luò)分析技術(shù)

在地鐵車輛轉(zhuǎn)向架的故障診斷技術(shù)中，對故障對象特征的提取是故障診斷的關(guān)鍵。這些特征必須具有代表性和典型性，能夠表示故障設(shè)備的具體狀態(tài)。而小波包包絡(luò)分析技術(shù)作為傅里葉分析思想的延續(xù)，能夠?qū)Ψ蔷€性領(lǐng)域提供較大的幫助。這種分析技術(shù)最大的特點(diǎn)就是具有良好的時(shí)頻局部化特征，能夠有效地消除信號當(dāng)中的噪聲并提取已經(jīng)較為微弱的信號。在地鐵車輛轉(zhuǎn)向架故障檢修診斷過程中，需要關(guān)注地鐵車輛轉(zhuǎn)向架出現(xiàn)故障而導(dǎo)致的不正常信號，小波變換能夠有效地將時(shí)域信號展開，疊加小波函數(shù)足的線性內(nèi)容，從而達(dá)到診斷地鐵車輛轉(zhuǎn)向架故障原因的目的。

由圖1的典型結(jié)構(gòu)圖我們可以得出：

內(nèi)圈旋轉(zhuǎn)角速度設(shè)置為wr=2πfr，那么wa=2πfa就是外圈旋轉(zhuǎn)角的速度。由此也可以得出公轉(zhuǎn)角速度為wc=2πfc，自轉(zhuǎn)角速度為ws=2πfs。得出了轉(zhuǎn)向架內(nèi)外圈旋轉(zhuǎn)的速度之后，可以算出：

由上式得出：

最后將角速度轉(zhuǎn)化為園頻率的形式，得出式子：

2 智能故障識別方法

傳統(tǒng)的地鐵車輛轉(zhuǎn)向架故障識別技術(shù)還包括人們觀察頻譜圖當(dāng)中的故障譜縫來判斷地鐵車輛是否出現(xiàn)了相應(yīng)的故障。近年來，隨著科學(xué)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)路和非線性混沌與分形理論的出現(xiàn)使得智能故障識別方法被運(yùn)用在了地鐵車輛轉(zhuǎn)向架的故障識別當(dāng)中。這種故障診斷方法不但能夠達(dá)到無人的智能化診斷，并且在不斷的診斷識別當(dāng)中還能自我學(xué)習(xí)、自我適應(yīng)。但這種故障識別技術(shù)需要大量的故障樣本打底，并且事前需要用人工對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，加上這種智能故障識別方法需求的環(huán)境較高，診斷率相對不夠精準(zhǔn)，在工程當(dāng)中也應(yīng)用較少。

這種智能故障識別方法首先要對頻譜有一個(gè)充分的認(rèn)知，要了解和分析頻譜當(dāng)中的譜峰。從一般意義上來說，譜峰就是頻譜當(dāng)中峰值的最大值。假如某個(gè)地鐵車輛的轉(zhuǎn)向架故障頻率在90Hz左右，那么計(jì)算機(jī)能搜索到的最大值就是故障的特征峰頻，為了避免出現(xiàn)診斷失誤，在進(jìn)行計(jì)算機(jī)的搜索工作時(shí)，要確定譜峰大于頻帶當(dāng)中其他的數(shù)值。在完成了對譜峰的信息收集之后需要對故障特征頻率來搜索頻帶設(shè)定。設(shè)定的搜索頻帶不能太寬，如果出現(xiàn)兩種或兩種以上的故障原因，而最大值只取一個(gè)，勢必會漏掉一個(gè)譜峰。這個(gè)漏掉的譜峰可能會在接下來的搜索當(dāng)中成為第二個(gè)最大值，如果兩個(gè)譜峰的值相比要小于設(shè)定的臨界值，那么計(jì)算機(jī)就不能識別任何一個(gè)譜峰，因此設(shè)定的搜索頻帶寬度一定要符合檢索要求，這樣才能滿足對地鐵車輛轉(zhuǎn)向架的故障診斷要求。

3 結(jié)論

地鐵車輛的轉(zhuǎn)向架是地鐵車輛中相當(dāng)重要的組成部分，一旦出現(xiàn)故障就必須立即更換，否則就會影響到地鐵車輛的安全運(yùn)行。為了實(shí)現(xiàn)對地鐵車輛的在線監(jiān)管和故障診斷，保障地鐵車輛運(yùn)行的可靠性，需要對其實(shí)施故障診斷技術(shù)，檢測出其中容易出現(xiàn)故障的區(qū)域，將故障的原因分析出來并且進(jìn)行及時(shí)的處理和更換。本文論述了現(xiàn)階段最常使用的兩種故障診斷技術(shù)，從數(shù)據(jù)模型和頻譜分析當(dāng)中闡述了如何完成對地鐵車輛轉(zhuǎn)向架的故障診斷工作。這兩種診斷技術(shù)只需要前期做好數(shù)據(jù)灌輸和樣本輸入工作就可以在實(shí)際的故障診斷過程中完全脫離工作人員的參與和操作，實(shí)現(xiàn)智能化、自動化的轉(zhuǎn)向架故障診斷，從而更好地為地鐵車輛轉(zhuǎn)向架故障診斷貢獻(xiàn)力量。

參考文獻(xiàn)

[1]許帥帥.地鐵車輛故障信息統(tǒng)計(jì)分析及檢修策略優(yōu)化[D].西南交通大學(xué)，2013（06）：24-26

[2]劉建強(qiáng)，趙治博，章國平，王廣明，孟雙，任剛.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（01）：30-36.