付江南， 馮林杰， 李 博， 林靖洵

（重慶交通大學信息科學與工程學院， 重慶 400074）

引言

目前，中國城市軌道交通發(fā)展呈現(xiàn)出高速化、低耗化、清潔化等特點，這對列車的安全運營提出了更高的要求。城市軌道交通系統(tǒng)龐大而復雜，其中任何一個環(huán)節(jié)出現(xiàn)問題都可能引發(fā)嚴重的安全事故。據(jù)2016年廣州地鐵輕軌列車故障統(tǒng)計數(shù)據(jù)，列車走行部的故障近三成源于軸承[1]。其運行環(huán)境惡劣、易損壞等特點[1]使得對列車滾動軸承故障的檢測與鑒別工作十分重要。

1 滾動軸承的故障概述

1.1 滾動軸承的故障類別

滾動軸承是將運轉(zhuǎn)的軸與軸座之間的滑動摩擦變?yōu)闈L動摩擦，從而減少摩擦損失的一種精密的機械元件。滾動軸承一般由內(nèi)圈、外圈、滾動體和保持架四部分組成。內(nèi)圈的與軸配合并一起旋轉(zhuǎn)；外圈與軸承座配合，起支撐作用；滾動體介于內(nèi)外圈之間；保持架使?jié)L動體均勻分布，防止脫落，起潤滑作用。

滾動軸承的故障主要分為兩種：內(nèi)外圈故障和滾珠故障。內(nèi)外圈故障：因周期性負荷工作或突然的沖擊導致內(nèi)外座圈磨損、開裂、剝落。滾珠故障：因周期性負荷工作、突然的沖擊或咬合不準導致滾動體磨損以及滾道產(chǎn)生壓痕。

1.2 滾動軸承的故障特征

出現(xiàn)故障的軸承在列車運行過程中會產(chǎn)生異常振動，軸承的機械振動通過軌道電路產(chǎn)生一定規(guī)律的電信號，通過對電信號的分析，可以鑒別軸承是否存在故障并診斷出其具體的故障類別。

分析故障的電信號常用的時域指標主要有6種：均值、峰值、有效值、峭度、偏度、方差。不同的故障得到的時域信號參數(shù)各不相同，以這些特征為基礎，配合以各種算法便可完成對滾動軸承的故障檢測與診斷。

2 滾動軸承的信號檢測

在分析之前，需要檢測電路對軸承的振動信號進行采集并做濾波、整型、重構(gòu)、解調(diào)等初步處理。目前，應用較為廣泛的技術(shù)主要有共振解調(diào)器、STFT解調(diào)、小波分析、加速度包絡檢波等。

2.1 共振解調(diào)器

滾動軸承早期故障癥狀不明顯，特征信號微弱，信噪比低。共振解調(diào)法作為一種頻率分析法可大大提高信噪比，適用于故障的早期診斷[2-3]。

振動信號經(jīng)加速度諧振放大器，通過帶通濾波濾出沖擊性故障信號。故障信號經(jīng)包絡檢波，通過低通濾波最終得到故障信號。

2.2 STFT解調(diào)

傅里葉變換只能給出信號的頻域特性，這在穩(wěn)定信號中并無大礙，但是在不穩(wěn)定信號中，無法作出有效分析。為此，引入短時傅里葉變換分析不穩(wěn)定信號，如滾動軸承的振動信號。在軸承故障檢測領域，主要使用離散時間短時傅里葉變換，如式(1)所示：

X[n]代表信號，w[n]為窗口函數(shù)，其低通特性決定復解析帶通濾波器通帶寬度。選擇不同的窗口函數(shù)可得到不同的低通濾波器特性。

2.3 諧波小波包-加速度包絡檢波

軸承振動信號的振幅反映故障程度，可用速度、位移、加速度衡量振幅大小。軸承振動信號微弱，位移和速度信號振幅小，因此采用加速度信號的振幅來作為分析對象。

當滾動軸承出現(xiàn)故障時，加速度傳感器檢測到振動信號出現(xiàn)調(diào)制現(xiàn)象[4]，對其進行包絡解調(diào)處理就可得到調(diào)制信息，分析其頻譜，最終判斷故障發(fā)生與否以及故障發(fā)生的種類。

包絡檢波要求輸入信號高信噪比，而滾動軸承的振動信號中存在大量干擾，且頻率隨時間變化，常用的FFT和小波變換難以滿足要求。于是采用諧波小波包分解作為前置濾波，減少能量泄露，提高信噪比。

3 滾動軸承的故障鑒別

得到滾動軸承的故障信號之后，需對故障種類進行鑒別。利用統(tǒng)計原理將故障信號與特征信息相匹配是鑒別故障種類最直接的方法。而隨著人工智能技術(shù)的發(fā)展，機器學習的概念也進入在了故障檢測的領域。目前應用較為廣泛的主要由支持向量機算法與BP神經(jīng)網(wǎng)絡算法。利用機器學習算法，可以得到更準確的故障分類，有利于滾動軸承的故障診斷。

3.1 SVM-AdaBoost

支持向量機（Support Vector Machine）由Corinna Cortes和Vapnik等學者于20世紀末最先提出。它以統(tǒng)計理論為基礎，通過訓練數(shù)據(jù)，可以一定程度上解決小樣本分類問題。

實踐表明，VSM分類算法辨識效果相對較低，難以滿足故障診斷的較高要求。因此，提出集成學習故障診斷算法。它們通過改變訓練樣本權(quán)重，對大量基本分類器進行組合，從而形成一種提升集成學習方法，能夠更準確迅速地診斷軸承故障。

3.2 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡在特征分類方面應用更為廣泛，是目前應用最廣泛的神經(jīng)網(wǎng)絡算法。據(jù)統(tǒng)計，近90%的神經(jīng)網(wǎng)絡算法基于BP算法。

20世紀80年代，David Runelhart等人分別獨立發(fā)現(xiàn)了誤差反向傳播算法，簡稱BP，系統(tǒng)解決了多層神經(jīng)網(wǎng)絡隱含層連接權(quán)學習問題。其具有任意復雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力。BP網(wǎng)絡以誤差平方為目標函數(shù)，采用梯度下降法計算目標函數(shù)最小值。

典型的BP網(wǎng)絡分為三層，輸入層、隱含層和輸出層。其中輸入神經(jīng)元個數(shù)與故障特征矢量X=（x1,x2,…,xm)的數(shù)目相等，輸出神經(jīng)元個數(shù)與故障類別Y=（y1，y2，…，yn)的數(shù)目相等，隱含層神經(jīng)元的個數(shù)通常根據(jù)實際情況而定[5]。

4 當前主要問題及未來展望

目前，滾動軸承的故障診斷主要存在兩個難點：一是故障信號在軸承振動信號中占比小，噪聲強，故障信號難以提取。二是故障信號的分類難以確定，不同的故障可能引起相近的電信號，失真過重也會導致信號難以分類而引起故障誤診。

就當前的技術(shù)發(fā)展來說，關于信號處理的理論研究依舊是主要工作。而在未來則可能不再局限于通過電信號來獲取軸承的故障信息。關于故障的分類目前已展開大量研究，人工智能技術(shù)已經(jīng)很好地應用到這一領域。同時，隨著物聯(lián)網(wǎng)、5G通信的高速發(fā)展，列車運行信息將接入一個大網(wǎng)。那時，通過“云技術(shù)”對列車滾動軸承故障進行檢測將顯得更加智能。

參考文獻

[1] 馮帥.基于SVM-AdaBoost算法的軌道交通列車滾動軸承故障診斷[J].城市公共交通，2017（5）：30.

[2] 安琪.城市軌道交通車輛軸承故障診斷方法研究[J].城市軌道交通，2014（11）：96-97.

[3] 馬增強.基于共振解調(diào)模擬電路的滾動軸承早期故障檢測性能研究[J].石家莊鐵道大學學報，2016，29（4）：72-73.

[4] 胡曉依.基于SVD降噪和STFT解調(diào)方法的軸承故障檢測[J].中國鐵道科學，2008，29（3）：95-96.

[5] 丁慶喜.基于小波包和改進BP神經(jīng)網(wǎng)絡的滾動軸承故障診斷方法[J].現(xiàn)代電子技術(shù)，2013，36（8）：13-15.

（編輯：王紅霖）