城市轨道交通车辆滚动轴承故障检测鉴别方法研究与综述

付江南， 冯林杰， 李 博， 林靖洵

（重庆交通大学信息科学与工程学院， 重庆 400074）

引言

目前，中国城市轨道交通发展呈现出高速化、低耗化、清洁化等特点，这对列车的安全运营提出了更高的要求。城市轨道交通系统庞大而复杂，其中任何一个环节出现问题都可能引发严重的安全事故。据2016年广州地铁轻轨列车故障统计数据，列车走行部的故障近三成源于轴承[1]。其运行环境恶劣、易损坏等特点[1]使得对列车滚动轴承故障的检测与鉴别工作十分重要。

1 滚动轴承的故障概述

1.1 滚动轴承的故障类别

滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失的一种精密的机械元件。滚动轴承一般由内圈、外圈、滚动体和保持架四部分组成。内圈的与轴配合并一起旋转；外圈与轴承座配合，起支撑作用；滚动体介于内外圈之间；保持架使滚动体均匀分布，防止脱落，起润滑作用。

滚动轴承的故障主要分为两种：内外圈故障和滚珠故障。内外圈故障：因周期性负荷工作或突然的冲击导致内外座圈磨损、开裂、剥落。滚珠故障：因周期性负荷工作、突然的冲击或咬合不准导致滚动体磨损以及滚道产生压痕。

1.2 滚动轴承的故障特征

出现故障的轴承在列车运行过程中会产生异常振动，轴承的机械振动通过轨道电路产生一定规律的电信号，通过对电信号的分析，可以鉴别轴承是否存在故障并诊断出其具体的故障类别。

分析故障的电信号常用的时域指标主要有6种：均值、峰值、有效值、峭度、偏度、方差。不同的故障得到的时域信号参数各不相同，以这些特征为基础，配合以各种算法便可完成对滚动轴承的故障检测与诊断。

2 滚动轴承的信号检测

在分析之前，需要检测电路对轴承的振动信号进行采集并做滤波、整型、重构、解调等初步处理。目前，应用较为广泛的技术主要有共振解调器、STFT解调、小波分析、加速度包络检波等。

2.1 共振解调器

滚动轴承早期故障症状不明显，特征信号微弱，信噪比低。共振解调法作为一种频率分析法可大大提高信噪比，适用于故障的早期诊断[2-3]。

振动信号经加速度谐振放大器，通过带通滤波滤出冲击性故障信号。故障信号经包络检波，通过低通滤波最终得到故障信号。

2.2 STFT解调

傅里叶变换只能给出信号的频域特性，这在稳定信号中并无大碍，但是在不稳定信号中，无法作出有效分析。为此，引入短时傅里叶变换分析不稳定信号，如滚动轴承的振动信号。在轴承故障检测领域，主要使用离散时间短时傅里叶变换，如式(1)所示：

X[n]代表信号，w[n]为窗口函数，其低通特性决定复解析带通滤波器通带宽度。选择不同的窗口函数可得到不同的低通滤波器特性。

2.3 谐波小波包-加速度包络检波

轴承振动信号的振幅反映故障程度，可用速度、位移、加速度衡量振幅大小。轴承振动信号微弱，位移和速度信号振幅小，因此采用加速度信号的振幅来作为分析对象。

当滚动轴承出现故障时，加速度传感器检测到振动信号出现调制现象[4]，对其进行包络解调处理就可得到调制信息，分析其频谱，最终判断故障发生与否以及故障发生的种类。

包络检波要求输入信号高信噪比，而滚动轴承的振动信号中存在大量干扰，且频率随时间变化，常用的FFT和小波变换难以满足要求。于是采用谐波小波包分解作为前置滤波，减少能量泄露，提高信噪比。

3 滚动轴承的故障鉴别

得到滚动轴承的故障信号之后，需对故障种类进行鉴别。利用统计原理将故障信号与特征信息相匹配是鉴别故障种类最直接的方法。而随着人工智能技术的发展，机器学习的概念也进入在了故障检测的领域。目前应用较为广泛的主要由支持向量机算法与BP神经网络算法。利用机器学习算法，可以得到更准确的故障分类，有利于滚动轴承的故障诊断。

3.1 SVM-AdaBoost

支持向量机（Support Vector Machine）由Corinna Cortes和Vapnik等学者于20世纪末最先提出。它以统计理论为基础，通过训练数据，可以一定程度上解决小样本分类问题。

实践表明，VSM分类算法辨识效果相对较低，难以满足故障诊断的较高要求。因此，提出集成学习故障诊断算法。它们通过改变训练样本权重，对大量基本分类器进行组合，从而形成一种提升集成学习方法，能够更准确迅速地诊断轴承故障。

3.2 BP神经网络

BP神经网络在特征分类方面应用更为广泛，是目前应用最广泛的神经网络算法。据统计，近90%的神经网络算法基于BP算法。

20世纪80年代，David Runelhart等人分别独立发现了误差反向传播算法，简称BP，系统解决了多层神经网络隐含层连接权学习问题。其具有任意复杂的模式分类能力和优良的多维函数映射能力。BP网络以误差平方为目标函数，采用梯度下降法计算目标函数最小值。

典型的BP网络分为三层，输入层、隐含层和输出层。其中输入神经元个数与故障特征矢量X=（x1,x2,…,xm)的数目相等，输出神经元个数与故障类别Y=（y1，y2，…，yn)的数目相等，隐含层神经元的个数通常根据实际情况而定[5]。

4 当前主要问题及未来展望

目前，滚动轴承的故障诊断主要存在两个难点：一是故障信号在轴承振动信号中占比小，噪声强，故障信号难以提取。二是故障信号的分类难以确定，不同的故障可能引起相近的电信号，失真过重也会导致信号难以分类而引起故障误诊。

就当前的技术发展来说，关于信号处理的理论研究依旧是主要工作。而在未来则可能不再局限于通过电信号来获取轴承的故障信息。关于故障的分类目前已展开大量研究，人工智能技术已经很好地应用到这一领域。同时，随着物联网、5G通信的高速发展，列车运行信息将接入一个大网。那时，通过“云技术”对列车滚动轴承故障进行检测将显得更加智能。

参考文献

[1] 冯帅.基于SVM-AdaBoost算法的轨道交通列车滚动轴承故障诊断[J].城市公共交通，2017（5）：30.

[2] 安琪.城市轨道交通车辆轴承故障诊断方法研究[J].城市轨道交通，2014（11）：96-97.

[3] 马增强.基于共振解调模拟电路的滚动轴承早期故障检测性能研究[J].石家庄铁道大学学报，2016，29（4）：72-73.

[4] 胡晓依.基于SVD降噪和STFT解调方法的轴承故障检测[J].中国铁道科学，2008，29（3）：95-96.

[5] 丁庆喜.基于小波包和改进BP神经网络的滚动轴承故障诊断方法[J].现代电子技术，2013，36（8）：13-15.

（编辑：王红霖）