城市軌道交通車輛滾動軸承故障檢測鑒別方法研究與綜述

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展呈現出高速化、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。城市軌道交通系統龐大而復雜，其中任何一個環節出現問題都可能引發嚴重的安全事故。據2016年廣州地鐵輕軌列車故障統計數據，列車走行部的故障近三成源于軸承[1]。其運行環境惡劣、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

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

滾動軸承的故障主要分為兩種：內外圈故障和滾珠故障。內外圈故障：因周期性負荷工作或突然的沖擊導致內外座圈磨損、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生壓痕。

1.2 滾動軸承的故障特征

出現故障的軸承在列車運行過程中會產生異常振動，軸承的機械振動通過軌道電路產生一定規律的電信號，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、解調等初步處理。目前，應用較為廣泛的技術主要有共振解調器、STFT解調、小波分析、加速度包絡檢波等。

2.1 共振解調器

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。故障信號經包絡檢波，通過低通濾波最終得到故障信號。

2.2 STFT解調

傅里葉變換只能給出信號的頻域特性，這在穩定信號中并無大礙，但是在不穩定信號中，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，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。

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

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的發展，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神經網絡算法。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。它以統計理論為基礎，通過訓練數據，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神經網絡

BP神經網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網絡算法。據統計，近90%的神經網絡算法基于BP算法。

20世紀80年代，David Runelhart等人分別獨立發現了誤差反向傳播算法，簡稱BP，系統解決了多層神經網絡隱含層連接權學習問題。其具有任意復雜的模式分類能力和優良的多維函數映射能力。BP網絡以誤差平方為目標函數，采用梯度下降法計算目標函數最小值。

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

就當前的技術發展來說，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，人工智能技術已經很好地應用到這一領域。同時，隨著物聯網、5G通信的高速發展，列車運行信息將接入一個大網。那時，通過“云技術”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神經網絡的滾動軸承故障診斷方法[J].現代電子技術，2013，36（8）：13-15.

（編輯：王紅霖）