基于MEEMD包络谱的地铁列车车轮踏面擦伤诊断方法

胡林桥 陈 博 陈晓亮 邹梦

摘  要：针对地铁车轮踏面擦伤故障，提出一种基于MEEMD包络谱的地铁列车车轮踏面擦伤诊断方法。该方法使用MEEMD将车轮轴箱垂向振动信号分解成IMF分量，再提取各分量的包络谱峰值作为判断车轮踏面擦伤的特征值。对现场实验数据的分析结果表明，该方法能有效诊断出车轮踏面擦伤故障。

关键词：地铁;车轮踏面擦伤;振动信号;包络谱;故障诊断

中图分类号：TP206.3 文献标识码：A 文章编号：2095-2945（2019）33-0095-03

Abstract： Aiming at the fault of subway wheel tread scratch， a method of subway train wheel tread scratch diagnosis based on MEEMD envelope spectrum is proposed. In this method， the vertical vibration signal of the wheel axle box is decomposed into IMF components by MEEMD， and the envelope spectrum peak of each component is extracted as the eigenvalue to judge the wheel tread abrasion. The analysis results of the field experimental data show that this method can effectively diagnose the wheel tread abrasion fault. Keywords： subway; wheel tread abrasion; vibration signal; envelope spectrum; fault diagnosis

随着地铁运营里程和运量的增加，列车车轮与钢轨间的磨损日趋严重，车轮踏面更容易发生擦伤故障。车轮踏面擦伤引起的周期性冲击振动作用于轮轨系统上，将导致轮轨各部件的疲劳损伤，威胁行车安全;同时，引起的冲击噪声会使乘客舒适度降低。目前，车轮踏面擦伤的检测方法主要有轮轨力检测法、振动加速度检测法、声音检测法、光学检测法。振动加速度检测[1]是将传感器安装在车轮轴箱上，直接检测出包含车轮故障信息的振动信号。轴箱振动信号是非平稳、非线性信号，采用改进的集合经验模态分解（MEEMD）方法可以对非平稳信号的不同频率成分进行分解，从而取得信号在各频带的特征。据此，本文提出一种基于MEEMD包络谱的地铁列车车轮踏面擦伤诊断方法。

1 MEEMD原理与Hilbert变换

经验模态分解（EMD）方法[2]可自适应地将复杂非平稳信号进行分解，得到有限个表征信号特征的固有模态函数（IMF），这些IMF分量的瞬时频率具有物理意义。由于间歇信号、噪声信号以及脉冲干扰的影响，EMD方法会产生模态混叠现象，使IMF分量丢失原本的物理意义，甚至产生虚假的IMF分量。因而，Wu等[3]提出了集合经验模态分解（EEMD），它将多个白噪声分别加入原信号中，产生多个加噪信号，再进行EMD分解，对各信号中同阶分量求集合平均，得到最终的IMF分量。但EEMD方法受到白噪声幅值和迭代次数的影响很大，若两个参数选择不当，抑制模態混叠的作用不明显，并可能产生伪分量。本文采用改进的集合经验模态分解（MEEMD）方法[4]，能够更有效地抑制模态混叠现象和白噪声的影响，其分解过程如下：

（1）在原始信号x（t）中分别添加两组均值为零且正负成对的白噪声信号ni（t）和-ni（t），式中，ni（t）为白噪声信号;ai表示白噪声信号的幅值;i=1，2…，n，这里n为白噪声信号的对数，共得到2n个加噪信号的集合。

（3）对多组同阶分量求和再平均，得到各阶IMF分量

（4）这里的cj（t）可能仍存在部分模态混叠的问题，为了获得标准的IMF分量，需要再对各阶cj（t）分别进行EMD分解。

（5）根据以上的分解过程，可将MEEMD方法表示为

其中，dl（t）为原信号x（t）经过MEEMD分解成的各阶IMF分量，r（t）为余项。

Hilbert变换是一种线性变换，强调了函数的局部特性，对MEEMD分解得到的IMF分量dl（t）进行Hil构造相应的解析信号为

2 车轮踏面擦伤诊断方法

存在踏面擦伤的车轮会产生周期性的冲击振动，在转动一周的过程中会发生一次周期性变化，因而会出现明显的与转频一致的振动频率，这是车轮踏面擦伤在振动信号中表现出的重要特征。该特征频率往往受到高频冲击振动的影响，难以直接在频谱上表现出来，因此采用包络谱分析提取故障特征。

包络谱分析[5]是从原始信号的高频成分中提取出与故障相关的低频信号进行频谱分析。包络信号是解析信号的幅值，解析信号由实部和虚部构成，实部是原始信号本身，虚部为Hilbert变换后的信号。本文的诊断方法对分量信号进行包络谱分析，再提取峰值频率特征，具体步骤如下：

（1）使用MEEMD方法将轴箱振动信号分解成有限个IMF分量dl（t）;

（2）将各个IMF分量经过Hilbert变换后得到信号 l（t）;

（3）用dl（t）和 l（t）计算出各个IMF分量的包络信号al（t）;

（4）求取包络信号al（t）的频谱，即为各分量信号的包络谱;

（5）提取各分量包络谱峰值频率，与车轮转频比较，诊断出踏面擦伤。

3 实验分析

为了获取由车轮踏面擦伤引起的真实振动信号，本文在地铁线路进行了现场实验，通过安装在车轮轴箱上的振动加速度传感器采集了车辆在正线运行时的轴箱振动数据，采样频率设置为2kHz。该采集系统是自研车辆振动状态监测设备，使用压电式三轴振动加速度传感器，其量程为±100g，灵敏度为50mV/g。通过对三向振动信号的分析，发现轴箱垂向振动信号对车轮多边形的响应更加明显，因此将垂向信号作为信号源。选取列车以75km/h的速度匀速运行时的数据进行分析。车轮转动频率的计算公式为式中，v是列车的时速，R是车轮的半径。测得车轮周长为2.54m，则可算出此速度下车轮的转动频率为8.20Hz。

图2为轴箱垂向振动信号，由于踏面擦伤的作用，信号中存在明显的冲击振动。用MEEMD方法将信号分解成包含不同频带特征的IMF分量，图3展示了频率由高到低排列的各阶IMF分量。可以看出，前三阶分量具有比原信号更明显的周期性冲击振动，且集中了信号的大部分能量，因而包含了更多特征信息。

对各IMF分量进行Hilbert变换，再求取其包络信号的包络谱，前五阶分量信号的包络谱如图4所示。由图可知，各阶分量的主要频率基本集中在100Hz以内，前三阶分量中存在明显的谱峰，峰值频率为8.18Hz。而该段信号对应的车轮转动频率为8.20Hz，两者误差不超过0.24%，可见IMF分量的包络谱峰值与车轮转频一致，由此可以判断车轮出现明显的踏面擦伤故障。

4 结论

针对地铁列车踏面擦伤故障，提出基于MEEMD包络谱的踏面擦伤诊断方法，通过对现场实验数据的分析，验证了该方法的有效性。利用本方法提取的擦伤车轮振动信号的包络谱峰值与车轮转频一致，由此可诊断出车轮踏面擦伤故障。

参考文献：

[1]李奕璠，刘建新，李忠继.基于Hilbert-Huang变换的列車车轮失圆故障诊断[J].振动、测试与诊断，2016，36（4）：734-739.

[2]Huang N E，Shen Z，Long S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society of London A，1998，454（1971）：903-995.

[3]Wu Z H，Huang N E.Ensemble empirical mode decomposition： A noise assisted data analysis method [J].Advances in Adaptive Data Analysis，2009，1（1）：1-41.

[4]郑旭.车辆与内燃机振声信号盲分离及噪声源识别的研究[D].杭州：浙江大学，2012.

[5]师蔚，刘霄.基于改进的EEMD-Hilbert包络解调轴箱轴承故障诊断[J].测控技术，2017，36（2）：44-49.