基于自相關降噪和局域均值分解的軌道車輛軸箱軸承故障診斷方法

宋冬利， 董儉雄， 鄭則君， 江炘坤

（西南交通大學牽引動力國家重點實驗室，成都 610031）

0 引 言

軸箱軸承是軌道車輛轉向架的關鍵部件，起承載和傳動的作用，日益增長的行車速度和運行里程意味著軸箱軸承在運行中面臨著更復雜的影響。根據(jù)相關數(shù)據(jù)統(tǒng)計，軌道車輛軸箱軸承故障約占轉向架軸承（包括軸箱軸承、電機軸承和齒輪箱軸承）故障總數(shù)的一半，因此有必要開展對軸箱軸承的健康監(jiān)測工作［1］。

基于上述現(xiàn)狀，本文研究并利用自相關函數(shù)對隨機噪聲的抑制特性和局域均值分解（Local Mean Decomposition，LMD）的自適應分解能力提出了軸箱軸承故障診斷方法，進一步搭建了軌道車輛軸箱軸承實際服役工況實驗平臺。通過實驗及數(shù)據(jù)分析驗證其方法的有效性和優(yōu)越性。

1 軸箱軸承故障診斷方法

1.1 自相關降噪

在信號分析處理領域內，常應用相關函數(shù)來尋找同一序列在不同時刻間的內在聯(lián)系。自相關函數(shù)通過在不同時間節(jié)點對同一序列進行觀測來尋找隱藏在混沌信號中的周期性信息，被廣泛應用于機械設備旋轉件故障診斷中［13-15］。

自相關函數(shù)表達式［13］：

式中：x（t）為原始信號；τ 為時延步長；T 為信號周期，Rx（τ）為原始信號的自相關函數(shù)。

自相關函數(shù)具有的特性：①偶函數(shù)，關于y 軸對稱，因此對自相關函數(shù)通常取其正半軸分析即可；②在τ ＝0 時自相關函數(shù)取得最大值；③周期信號的自相關函數(shù)不改變原周期特性；④對隨機信號，當τ趨近于無窮大時，其自相關函數(shù)值趨近于0。利用自相關函數(shù)的上述特性可得：當τ ＝0 時，信號中的高斯噪聲成分自相關函數(shù)取得最大值；當τ→∞時，由于自相關函數(shù)無偏估計存在誤差，其函數(shù)值也比較大。因此，求得原信號的自相關序列后，剔除τ ＝0 和趨近于τ→∞這兩部分自相關數(shù)據(jù)，可有效降低原始故障軸承振動信號中隨機噪聲的影響［13］。

1.2 LMD分解

局域均值分解可自適應地將非平穩(wěn)隨機信號分解為多個純調幅調頻信號分量，相比于經(jīng)驗模態(tài)分解（Empirical Mode Decomposition，EMD）可更有效避免模態(tài)混疊現(xiàn)象的出現(xiàn)，完整步驟見文獻［16］。

1.3 軸箱軸承故障診斷流程

原始軸承故障信號經(jīng)LMD 分解后變?yōu)橛筛哳l到低頻的各階調幅調頻分量。為篩選有效分量重構信號以提高信噪比，引入能量比（Energy Ratio，ER）的概念。當軸箱軸承某零部件表面存在局部缺陷時，滾動體經(jīng)過該處會引發(fā)軸承系統(tǒng)共振，其振動信號的能量在共振頻帶較為集中，則包含較多故障信息的調幅調頻分量的頻帶會與共振頻帶部分重疊，該分量在所有分量總能量中的占比也就越大，第i 階分量的能量比計算如下：

式中：PFi為第i 階調幅調頻分量；ERi為其對應能量比。

從水的動蕩程度和生物生長環(huán)境來看，鮞粒形成的環(huán)境應為潮間帶到潮下帶[17]。從鮞粒近圓狀的形態(tài)判斷，其沉積環(huán)境的穩(wěn)定程度較高。但是生物成因的鮞層并沒有一直延續(xù)下去，富藻層越來越薄，以至于難以分辨，導致微生物消亡的具體環(huán)境因素的變化有待研究。

本文利用自相關函數(shù)對隨機噪聲的抑制特性和局域均值分解的自適應分解能力以及所構建的能量比指標，提出了軸箱軸承故障診斷方法，方法流程見圖1。

圖1 軌道車輛軸箱軸承故障診斷流程

具體步驟如下：

步驟1載入原始振動信號x（t），對其進行自相關降噪得到序列。

步驟2對降噪后的序列進行LMD 分解獲得n個調幅調頻分量。

步驟3計算各階調幅調頻分量的能量比ERi以及所有分量的能量比均值ERm。保留ERi＞ERm的PF分量進行信號重構，增強信噪比。

步驟4對重構信號進行希爾伯特包絡解調分析，與理論特征頻對比進行故障辨識。

2 軌道車輛軸箱軸承實驗

為更好地驗證所提故障診斷方法的有效性，考慮軌道車輛軸箱軸承實際服役工況搭建了實驗臺。實驗臺主要由驅動電機、主軸、萬向聯(lián)軸器、龍門架、支撐軸承及被試軸承組成。圖2 所示為實驗臺的結構：支撐軸承的軸承座用于支撐主軸和被試軸承的重量；支撐平臺充當整個試驗臺的底座；主軸被設置為階梯軸用以限制支撐軸承與被試軸承的軸向移動；龍門架用于固定被試軸承的軸承端蓋，限制被試軸承的繞軸轉動；激振臺用以模擬軌道不平順激勵；徑向載荷以螺紋預緊力的方式施加到被試軸承上以模擬垂向負荷；主軸與驅動電機以萬向傳動軸的方式連接以模擬列車軸運轉；振動加速度傳感器以磁吸的方式粘貼在軸承端蓋。

圖2 軌道車輛軸箱軸承實驗臺結構

實驗前，通過調節(jié)轉速、激振頻率、載荷來采集不同工況下的軸箱軸承振動數(shù)據(jù)，實驗臺實物圖如圖3所示。

圖3 軌道車輛軸箱軸承實驗臺實物圖

實驗對象為某型軌道車輛雙列圓錐滾子軸承，通過打磨設備自制外圈、滾動體等故障，如圖4 所示。

圖4 被試軸箱軸承結構及常見故障

該型軸箱軸承的尺寸：軸承節(jié)徑為φ185 mm；單列滾動體數(shù)目為17；滾動體直徑為φ27 mm；接觸角為0°。

3 實驗結果分析

本文使用搭建的實驗臺采集外圈故障、滾動體故障振動信號進行分析驗證所構建軸箱軸承故障診斷方法的有效性和優(yōu)越性，實驗數(shù)據(jù)工況設定故障位置在外圈和滾動體時的轉速分別為：500 和1 100 r／min；采樣頻率均為25.6 kHz；理論特征頻率分別為61 和62 Hz。

3.1 外圈故障分析

在上述工況條件下，連續(xù)對51 200 個數(shù)據(jù)點進行分析，圖5 所示為其時域圖，對時域信號進行傅里葉變換可得到其頻域圖，圖6 所示為變換后的結果。由圖5 和6 可知，在環(huán)境噪聲和其他隨機干擾成分的影響下，無法尋找到周期性脈沖信息或者故障特征頻率。

圖5 外圈故障信號時域圖

圖6 外圈故障信號頻域圖

按圖1 所示流程，對原始振動信號進行自相關降噪，首先求其自相關序列，如圖7 所示；剔除τ ＝0 和τ→∞部分自相關數(shù)據(jù)后進行LMD分解，為篩選有效分量重構信號，求各階分量的能量比，如圖8 所示。

圖7 外圈故障信號自相關函數(shù)圖

圖8 第1次降噪后信號各階PF分量能量比

由圖8 所示實驗結果，保留能量比值大于均值的PF1、PF2 重構信號，重構信號包絡譜如圖9（a）所示。同時，分別與未經(jīng)降噪處理的原信號直接求包絡譜、EMD方法包絡譜進行對比分析，如圖9（b）和（c）所示。

圖9 不同方法第1次降噪效果對比

由圖9（a）可知，經(jīng)自相關-LMD 方法降噪處理后的包絡譜中可清晰看到：軸承故障特征頻基頻及2 倍頻、3 倍頻，環(huán)境噪聲和其他調制成分的影響得到了有效抑制；由圖9（b）可知，對原信號直接求包絡譜無法觀測到故障特征頻，說明了所提方法的有效性；由圖9（c）可知，故障特征頻所在譜線受其他干擾成分影響較大，倍頻特性不如圖9（a）明顯，說明本文所提出的自相關-LMD降噪方法求解效果更為顯著，體現(xiàn)了所構建方法的優(yōu)越性。

3.2 滾動體故障分析

在前述設定的工況條件下，對連續(xù)51 200 個數(shù)據(jù)點進行分析，其時域信號如圖10 所示。對時域信號進行傅里葉變換，其頻域圖如圖11 所示。與外圈故障信號類似，由于環(huán)境噪聲和其他調制成分的影響，其時頻域圖中均無法清晰觀測到故障脈沖成分。

圖10 滾動體故障信號時域圖

圖11 滾動體故障信號頻域圖

對原滾動體故障振動信號進行自相關降噪后，圖12 所示為其自相關序列。剔除τ ＝0 和τ→∞自相關數(shù)據(jù)后再對其進行LMD分解，分解后各PF 分量能量占比如圖13 所示。

圖12 滾動體故障信號自相關函數(shù)圖

圖13 第2次降噪后信號各階PF分量能量比

根據(jù)圖13 所示結果篩選PF1、PF2 分量重構信號，再對重構信號進行希爾伯特包絡解調分析，其結果如圖14（a）所示。原始故障特征頻及其2、3、4 倍頻譜線清晰可見，分別與對原信號直接求包絡譜、EMD 方法包絡譜進行對比分析。由圖14（b）和（c）可知，雖可見到倍頻成分，但受其他調制成分影響較大，不如圖14（a）清晰，本文所提自相關-LMD 方法的求解效果更為顯著。

圖14 不同方法第2次降噪效果對比

4 結 語

本文研究并構建了軸箱軸承故障診斷方法，同時搭建了軌道車輛軸箱軸承實驗臺，實驗驗證結果表明：①基于自相關降噪-LMD 的軸箱軸承故障診斷方法可有效降低軸箱軸承中環(huán)境噪聲及其他干擾成分的影響，提取故障特征頻率成分，實現(xiàn)故障模式識別；②相較于經(jīng)驗模態(tài)分解方法，本文所提出的基于自相關降噪-LMD的故障診斷方法可提取到3 倍頻以上故障特征頻率成分，求解效果更為顯著，具有一定優(yōu)越性。該實驗平臺也用于本科實驗教學中，讓學生了解軸箱軸承的運行環(huán)境，培養(yǎng)學生動手實踐、提煉科學問題、解決科學問題等多方面能力。隨著實驗臺功能的不斷完善，將會對高速列車轉向架軸承狀態(tài)監(jiān)測教學中提供更大的幫助。