孫卓奇 孫艷波

摘要：眾所周知，地鐵轉(zhuǎn)向架的故障智能承載和其運行的實際狀態(tài)對于地鐵車輛的安全和運行有著極為重要的作用，在現(xiàn)實的生活當中，很多現(xiàn)有的地鐵車輛轉(zhuǎn)向架對其轉(zhuǎn)向架智能故障軸承的監(jiān)測的方法普遍存在著系統(tǒng)智能化的一系列缺陷，這些缺陷在一定程度上影響著我們的安全問題，因此，需要對這些故障以及缺陷進行深入的診斷和試驗以及分析研究。

關(guān)鍵詞：地鐵車輛;轉(zhuǎn)向架軸承;研究方法

引言：地鐵車輛轉(zhuǎn)向架和軸承作為地鐵車輛的重要組成部分之一，在實際的工作過程當中，一旦轉(zhuǎn)向架發(fā)生異常的故障問題，就會在一定程度上嚴重危及地鐵車輛的安全，甚至有很大的可能引發(fā)交通事故。因此，能夠較為快速地、準確及時地診斷和檢測地鐵車輛的異常故障有著相當重要的意義。

1轉(zhuǎn)向架軸承故障類型分析

1.1 局部斷點損傷

當滾動軸承的局部滾動體和局部沖擊體與軸承的局部損傷中斷點共同發(fā)生了局部的沖擊損傷時，軸承的其它部分在其正常運行中會出現(xiàn)周期性的滾動并且產(chǎn)生局部沖擊，這是軸承的局部損傷中斷點。通常情況下根據(jù)一種軸承的周期故障發(fā)生位置和周期特征頻率等，它可以準確判斷一種類型軸承在正常運行中是否已經(jīng)出現(xiàn)了具有某種周期性的異常故障，并可以確定一種軸承的周期性故障發(fā)生的位置。滾動彈性軸承按照其滾動體的直徑大小和滾動類型又大致可以細分為彈性滾珠滾動軸承和彈性滾柱滾動軸承。

1.2零部件沖擊故障

通常情況下，當一個運動系統(tǒng)中的一個軸承發(fā)生了局部振動沖擊故障的時候，故障的接觸點也會發(fā)生周期性的振動，并且沖擊其它軸承的零部件，因此就會造成周期性的局部振動沖擊。這種周期性的影響也不容小覷，它將直接反映在運動中的軸承發(fā)生振動的時域信號和振幅根據(jù)溫度分布的信號上，因此，我們就需要選擇這兩種基本的振動信號證據(jù)作為來源。一般情況下，對于接觸點振動的信號，時域振動信號參數(shù)的接觸點和峰度振動因子對于軸承發(fā)生故障的沖擊是非常敏感的。時域信號故障越嚴重，振動軸承信號的振幅偏離正態(tài)的分布越大，對應(yīng)的時域信號峰度指數(shù)因子值越大。

2故障診斷方法研究

2.1小波包-包絡(luò)分析

在小波包軸承的故障早期時間，反映軸承局部沖擊，損傷軸承故障所在位置的軸承故障特征頻率沖擊分量的能量一般來說都很弱，往往會完全被淹沒在噪聲當中。由頻譜分析圖可以直接對軸承振動特征信號的頻率進行詳細的分析，但是往往很難準確地診斷得出早期的軸承局部沖擊損傷軸承故障。然而，這些軸承早期發(fā)生故障的特征頻率沖擊分量會直接激發(fā)一些軸承零部件的高頻固有的振動，這些固有的振動信號會被相應(yīng)的軸承早期發(fā)生故障的固有特征頻率所影響進行調(diào)制。小波包通過帶通濾波器直接提取一個具有固有頻率的小波包原頻帶共振信號，然后通過計算其中的小波包絡(luò)譜，就這樣可以將其分離出所需要調(diào)制的信息，小波包每層的分解都將原頻帶一分為二，從而能夠很好地實現(xiàn)了原頻帶的細分工作，并且在一定程度上提高了時頻的分辨率。在此種方法的基礎(chǔ)之上，進行自適應(yīng)軸承小波包的分析，快速地提取轉(zhuǎn)向架軸承故障的特征并對其進行分析診斷。為了更進一步驗證所提出的轉(zhuǎn)向架故障檢測和診斷解決方法的可靠和正確性，可以建立轉(zhuǎn)向架軸承故障試驗臺并對此進行一定時間長度的試驗研究。已有的實驗結(jié)果表明，該診斷解決方法有助于在無人值守的轉(zhuǎn)向架得情況當中較為準確、快速地檢測和實現(xiàn)對軸承轉(zhuǎn)向架故障的診斷工作，是一種十分符合實際應(yīng)用需要的轉(zhuǎn)向架故障診斷解決方法。

2.2譜峰判定

通常，默認振動峰值被準確地定義為振動信號頻譜中的最大振動峰值。因此，當使用計算機在軸承中搜索最大振動峰值時，首先我們需要在振動信號頻譜的一個振動信號頻帶內(nèi)準確地搜索最大振動峰值。但同時也可能存在這樣的振動信號情況：例如，當一個軸承中幾乎沒有某一類型的軸承發(fā)生故障的時候，在軸承振動信號的頻譜圖中以軸承發(fā)生故障的特征頻率表示在作為信號中心的振動信號頻帶內(nèi)，計算機通過搜索得到的最大振動峰值確實在軸承發(fā)生故障的特征頻率上，但最大值與振動信號頻帶內(nèi)其它振幅信號頻率相差不大，如果這樣，需要人們仔細觀察，它不被計算機誤認為可能是計算機的光譜峰。為了盡可能地避免計算機的誤判，在頻譜上設(shè)置故障計算機特征值搜索時，最大特征值搜索頻率應(yīng)明顯地大于故障搜索頻帶內(nèi)的其他特征值。例如，負責計算機故障頻譜數(shù)據(jù)分析的研究人員調(diào)查發(fā)現(xiàn)，故障的最高特征率峰值對應(yīng)點與最低故障峰值對應(yīng)點之間有一定的誤差距離，這就可能導致了計算機在頻譜上發(fā)生錯誤，或者叛亂計算機故障時為了使計算機沒有發(fā)生故障而錯誤地進行識別，所以計算機需要在頻譜上設(shè)置一定的錯誤值，從而可以確定計算機的誤差。

結(jié)束語

轉(zhuǎn)向架軸承主要零部件的正常使用和運行對于地鐵車輛旅客的安全具有重要的意義。為了能夠快速、準確地檢測和診斷轉(zhuǎn)向架軸承的各種故障和狀態(tài)，研究的這些方法，在線路運行狀態(tài)條件下就可進行軸承故障的診斷，并且在一定程度上能夠為故障診斷工作的智能化提供出一種新的思路過程。

參考文獻：

[1]王遠霏，裴春興，孫海榮.基于加權(quán)改進D-S證據(jù)融合理論的地鐵車輛轉(zhuǎn)向架軸承故障診斷方法[J].北京交通大學學報，2018，42（06）：75-82+90.

[2]劉建強，趙東明，趙楠.一種改進的地鐵車輛轉(zhuǎn)向架軸承故障診斷方法[J].鐵道學報，2018，40（11）：55-61.

[3]曾琦.地鐵車輛轉(zhuǎn)向架的軸承故障診斷方法[J].住宅與房地產(chǎn)，2015（S1）：162.

[4]趙治博. 地鐵車輛轉(zhuǎn)向架軸承故障診斷方法研究[D].北京交通大學，2015.

[5]劉建強，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].鐵道學報，2015，37（01）：30-36.