基于EMD和包络分析的城轨列车滚动轴承故障诊断

陈 刚，左 成，邢宗义，姚小文

（1.广州地铁集团有限公司 运营事业总部，广州 510308；2.南京理工大学 自动化学院，南京 210094)

基于EMD和包络分析的城轨列车滚动轴承故障诊断

陈 刚1，左 成2，邢宗义2，姚小文2

（1.广州地铁集团有限公司 运营事业总部，广州 510308；2.南京理工大学 自动化学院，南京 210094)

为了准确识别城轨列车滚动轴承故障类型，研究了一种基于经验模态分解（EMD，Empirical Mode Decomposition）和包络分析的滚动轴承故障诊断方法。对滚动轴承的振动信号进行EMD分解，得到若干个本征模态函数（IMF，Intrinsic Mode Function）之和，对包含主要信息成分的IMF分量作包络分析，根据包络谱的故障特征频率判断滚动轴承故障类型。实验结果表明，该方法能够准确有效地识别城轨列车滚动轴承的故障类型。

滚动轴承；故障诊断；EMD；包络分析

滚动轴承是列车的重要基础元件，也是列车上最容易发生故障的零部件之一，它的工作状态不仅直接影响列车的平稳性和舒适性，还会影响列车的运行安全。因此，实时监测城轨列车滚动轴承的工作状态，并对其进行故障诊断具有重要的理论价值和现实意义。

近年来，国内外学者对滚动轴承的故障诊断进行了广泛研究，Djebala A等人[1]提出了一种基于经验模态分解（EMD）和优化的小波多分辨率分析（WMRA）相结合的混合方法，这2个时频分析技术的配对非常适用于由滚动轴承缺陷产生的瞬态信号；Žvokelj M等人[2]提出基于集合经验模态分解（EEMD）的多尺度独立成分分析法（ICA）对转盘轴承进行故障检测与诊断；Golafshan R等人[3]将基于奇异值分解（SVD）和Hankel矩阵的去噪方法处理成功应用到轴承的时域振动信号，通过实验验证所提方法的有效性；何广坚等人[4]将EMD和支持向量机（SVM）相结合提出了一种新方法，并将其应用在城轨列车滚动轴承的故障诊断中，实验结果证明了该方法的可行性；潘丽莎等人[5]在研究小波分析和神经网络基础上，融合两者的优点，提出用小波对振动信号进行去噪和分解，并用RBF神经网络进行训练，从而进行故障诊断。以上方法能够实现基于仿真或试验台数据的轴承故障诊断，但存在算法复杂、实时性较差等问题。

本文研究了一种基于EMD和包络分析的城轨列车滚动轴承故障诊断方法，该方法具有简单可靠、实时性好等优点。

1 EMD分解

经验模态分析（EMD）是一种新型自适应信号时频处理方法，适用于分析非线性以及非平稳信号序列[6]。

EMD分解信号的原理是将原始信号分解为多个窄带分量，每个分量称为本征模态函数，每个本征模态函数的成立必须满足2个基本条件[7]：

（1）整段原始信号中，零点数和极点数的差的绝对值小于1；

（2）在任意时刻，局部极值点形成的包络线均值为零。

对信号x(t)的EMD分解具体步骤如下：

（1）计算信号x(t)的局部极值点，通过3次样条曲线差值，形成信号的包络线；

（2）将m1记为上包络线和下包络线的平均值，计算可得：

若h1(t)是1个本征模态函数（IMF）分量，则h1(t)是x(t)的第1个IMF分量；

（3）若h1(t)不是1个IMF分量，则将继续进行以上2个步骤：

一直循环上述过程k次，直到h1k(t)是1个IMF分量。

（4）把h1k(t)记为c1(t)，将信号进行更新：

再次对r1(t)进行筛选过程，逐步分离出各个IMF分量，可得到：

式（4）停止分解的条件是：rn(t)变为单调函数或者cn(t)小于某一阈值；

（5）将原始信号x(t)表示为多个cn(t)与rn(t)之和，可得到：

其中，c1(t)，c2(t)，…，cn(t)为原始信号x(t)分解的各个IMF分量，包含原始信号各个不同频率段的成分，rn(t)为分解的残余量，表示信号的平均趋势。

2 基于EMD和包络分析的轴承故障诊断

EMD分解将复杂的城轨列车滚动轴承振动信号分解为多个IMF分量，因为前几个IMF分量已经包含了原始信号中大部分信息，因此只对包含原始信号成分多的IMF分量进行包络分析[8]。

包络分析已被证明是一个有效提取轴承故障特征的方法，其故障对机械的特征频率有调幅的影响[9]。已广泛用于检测旋转机器故障的位置，如轴承和齿轮箱等。

具体诊断步骤如下：

（1）基于EMD的原始振动信号的分解，得到多个IMF分量。

（2）选取前几个IMF分量进行Hilbert变换，即：

（3）构造解析信号z(t)，即：

（4）解析信号z(t)求模获得信号的包络ai(t)：

（5）通过对包络信号作谱分析即可获得包络谱。

（6）通过对比包络谱得到特征频率与滚动轴承故障特征频率，从而诊断出滚动轴承的故障。

3 实验与分析

城轨列车滚动轴承的振动数据来源于863项目（2011AA110506），振动采集系统安装在广州地铁8号线A5型列车上，安装方式如图1所示。

列车轴承采用双列圆锥滚子轴承，振动传感器采用的是HK8100加速度传感器，安装于轴承外壳的水平位置上。

图1 车载装置图

以IPC610H工控机作为监测主机，NI DAQ6062E为振动信号的采集板卡，通过C++和Qt实现振动信号的采集，采集频率为20 kHz，调用Matlab对采集的振动信号进行分析处理，从而实现列车滚动轴承的故障诊断，系统的采集界面如图2所示。

图2 系统采集界面

根据列车选用的滚动轴承型号，列车滚动轴承的理论故障特征频率[10]如表1所示。

表1 滚动轴承的故障特征频率

选取一组振动数据进行分析处理，将其进行EMD分解，得到时域波形如图3所示。其中，x(t)表示振动信号，imf1～imf4表示EMD分解得到的第1～第4个IMF。

对前4个IMF做包络分析，其包络谱如图4所示。通过图3和图4可见，振动信号波动幅度不大，包络谱的幅值较小，而且特征信息主要集中在第1个IMF和第2个IMF，所以选择第1个IMF做详细分析，其包络谱如图5所示。

图3 振动信号EMD分解结果

图4 IMF包络谱

图5 第1个IMF的包络谱

由图5可以看出，在频率234.4 Hz、459 Hz、693.4 Hz、927.7 Hz和1 152 Hz处谱线非常明显，通过对照发现，故障特征频率的实际值234.4 Hz与滚动轴承外圈特征频率理论值236.5 Hz非常接近，而且图5中也可以明显看到存在频率234.4 Hz的5倍频，因此，可以判断列车滚动轴承出现外圈故障，从而实现列车滚动轴承的故障诊断。

4 结束语

城轨列车滚动轴承的运行状态不仅对列车平稳性和舒适性会产生影响，严重的还会影响列车的安全运行，为此本文研究了一种基于EMD和包络分析的城轨列车滚动轴承故障诊断方法。通过EMD方法将轴承振动信号分解为若干组IMF分量，对前几个IMF分量做包络分析，根据包络谱得到特征频率，再对照滚动轴承各种故障模式下的特征频率，从而判断滚动轴承的故障类型。实验结果表明，本文所研究的方法成功实现了对城轨列车滚动轴承故障类型的诊断，验证了算法的可行性和有效性。

[1]Djebala A,Babouri M K,Ouelaa N.Rolling bearing fault detection using a hybrid method based on Empirical Mode Decomposition and optimized wavelet multi-resolution analysis[J].The International Journal of Advanced Manufacturing Technology,2015,79(9-12):2093-2105.

[2]Žvokelj M,Zupan S,Prebil I.EEMD-based multiscale ICA method for slewing bearing fault detection and diagnosis[J].Journal of Sound and Vibration,2016(370):394-423.

[3]Golafshan R,Sanliturk K Y.SVD and Hankel matrix based de-noising approach for ball bearing fault detection and its assessment using artificial faults[J].Mechanical Systems and Signal Processing,2016(70):36-50.

[4]何广坚，邢宗义，左 成，等.基于EMD与SVM的城轨列车滚动轴承故障诊断方法研究[J].铁路计算机应用，2015，24（8）：1-4，15.

[5]潘丽莎，陈 皓，秦 勇，等.基于小波包和RBF神经网络的轨道车辆滚动轴承故障诊断[J].铁路计算机应用，2012，21（7）：8-11.

[6]HUANG N E,SHEN Z,LONG S R.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis[J].The Royal Society A:Mathematical,Physical &Engineering Sciences,1998(3):903-995.

[7]王 婷.EMD算法研究及其在信号去噪中的应用[D].哈尔滨：哈尔滨工程大学，2010.

[8]李 智，陈祥初，刘政波.包络分析及其在设备故障诊断中的应用[J].测试技术学报，2002（2）：92-95.

[9]Feng G J,Gu J,Zhen D,et al.Implementation of envelope analysis on a wireless condition monitoring system for bearing fault diagnosis[J].International Journal of Automation and Computing,2015,12(1):14-24.

[10]刘建强，赵治博，章国平，等.地铁车辆转向架轴承故障诊断方法研究[J].铁道学报，2015（1）：30-36.

责任编辑 王 浩

Fault diagnosis for rolling bearing of Urban Trnsit trains based on EMD and envelope spectrum

CHEN Gang1,ZUO Cheng2,XING Zongyi2,YAO Xiaowen2
( 1.Operation Division,Guangzhou Metro Corporation,Guangzhou 510308,China;2.School of Automation,Nanjing University of Science and Technology,Nanjing 210094,China)

Aiming at the problem of fault diagnosis for rolling bearing of Urban Transit trains,a method combined empirical mode decomposition (EMD) with envelope spectrum was researched on the basis of roller bearing vibration signals.Rolling bearing vibration signals were decomposed into a fnite number of intrinsic mode functions(IMFs) by using EMD.Envelope spectrum was used to calculate some IMFs including the main information.Fault pattern was determined by contrast with characteristic defect frequencies of rolling bearing.The experiment result indicated that the fault pattern of rolling bearing could be identifed effectively by the researched method.

rolling bearing;fault diagnosis;EMD;envelope spectrum

U270.331.2 ：TP39

A

1005-8451（2016）07-0057-04

2016-03-16

国家科技支撑计划项目（2011BAG01B05）；中央高校基本科研业务费专项资金项目（AE89454）。

陈 刚，工程师；左 成，副教授。