关于地铁车辆转向架轴承故障诊断的相关问题分析

李向斌 邢远方 于百惠

（武汉地铁运营有限公司，湖北 武汉430000）

我国城市轨道交通发展较为迅速，各大城市不断加强建设及规划城市轨道交通，其运营成为人们关注的焦点。对地铁车辆而言，转向架轴承为核心部件，其与车辆安全稳定运行密切相关，所以加强对列车转向架轴承故障诊断尤为重要。振动信号中一般折射大量故障信息，本文将立足于武汉地铁3 号线相关轴承，将其故障机理予以阐述，深究故障诊断的使用方法，提升故障诊断效率，为列车安全运行做以支撑。

1 项目概况

武汉地铁3 号线一期于2015 年12 月28 日正式开通，为武汉第四条运营的地铁线路，列车使用6 节编组，为B 型车，截至2020 年10 月共有29 列可上线运营车，其转向架生产供应商为中车长春轨道客车股份有限公司。其转向架型号为CW2100（D）型无摇枕转向架，轴箱轴承为双列自密封圆柱滚子轴承（CBU），其内部润滑脂采用Shell Nerita HV，加入剂量为250±20g，图1为轴箱轴承剖面图。

2 地铁车辆转向架轴承故障机理

2.1 滚动轴承常见故障形式

2.1.1 腐蚀故障

金属与其周围介质发生化学或电化学作用，进而造成的破坏称为腐蚀，造成轴承部件腐蚀成因较多，主要涉及水分或润滑油化学腐蚀，或强电流通过轴承，以及轴承套环相对运动，均会造成轴承腐蚀故障。

2.1.2 胶合故障

胶合主要指两个金属相互粘合现象，受荷载较大及未有良好的润滑状况下，摩擦生成大量热量，轴承短时间内大幅度升温，使其表面损伤。

2.1.3 磨损故障

磨损故障特指，在部分元件机械作用下，使轴承表面造成严重磨损。轴承磨损后，将其与正常轴承相较，未存在相应的变更规律，通常具有随机性，磨损之后幅值大于正常轴承，所以针对此种状况，需将其振动信号最高峰值及有效值计算，若计算结果均比正常值大，判定为磨损。

2.2 滚动轴承振动机理及特征频率

转向架轴承若出现异常状况时，会造成地铁车辆整个系统发生变更，主要表现为减幅振动。通过将其信息进行整合分析，判定轴承故障。根据轴承典型结构图，可得以下表达式：

式子内圈旋转速度为Wr=2 πfr；外圈旋转角速度为Wa= 2πfa；滚动体质心的公转角速度为 Wc=2πfc；滚动体自传角速度为 Ws=2πfs，设定滚动体与管道间为纯滚动接触，可滚动体质心的公转角速度为：

2.3 滚动轴承振动信号分析方法

滚动轴承故障诊断方式较多，譬如温度、振动、声学等，其中振动信号诊断，存在显著的特征，且检测方式趋于完善及成熟，广泛应用于轴承故障检测中。通常可从时域和频域两个层面进行分析，其中时域主要侧重于轴承是否发生故障的检测，但无法将故障元件予以明确，而频域法可将存在故障元件指出。

时域分析法:

图1 轴箱轴承剖面图

立足于振动信号轴承故障检测中，时域分析法尤为重要,其主要通过计算机将振动信号进行收集，且将其进行简单分析，以表达轴承是否处于正常或异常状况，通常使用其参数信息可划分为两大类，即为有量纲参数和无量纲参数。有量纲参数包含峰值、有效值、方根值等。峰值主要指振动信号出现的最大值，通常具有不稳定性，在不同时刻变更频率较大，其针对轴承转动进程中出现瞬时冲击，具有良好的故障诊断成效；有效值为常见统计参量，反映机械振动强度级别，为机械故障判定核心参数，有效值可将轴承未来发展趋势予以估测。无量纲参数，主要包含峰值因子、峭度因子等，此类指标与轴承工作状态变更成正比[1]。

3 列车转向架轴承故障智能诊断方法

轴承故障诊断主要包含数据收集、特征提取及故障模式识别，如图2 所示，其中核心环节为故障特征的提取，其与最终故障诊断准确率密切相关。此外，可能存在不同种类的频谱表现故障特征相同，或相同类型的故障存在多种表现，阻碍准确判定故障类别。因此多数旋转机械故障诊断系统，可对其故障信号信息作出正确诊断，但针对特征较多故障或特点相似的故障，难以短时间内进行判定。下文主要阐述几类转向架轴承故障诊断方式，力争为轴承故障检修提供参考。

图2 轴承故障诊断流程

3.1 小波包分析及包络解调分析故障诊断

通常而言，轴承使用振动信号诊断方法，主要涉及时域和频域，在频域分析进程中，若故障发生阶段较早，可根据微弱变更信号进行全方位分析，将其振动信号输入特定的频谱图中，进行系统性对比及研究，将故障未来发展趋势及故障信息予以确定，遵循渐进可将故障轴承承载状况予以掌握。通常轴承发生异常时，将进一步发生联动反应，多数部件运动状态发生变更，此类频率可通过计算机进行记录及深层次分析，将其故障成因确定。同时，此类频率可作为故障预警指标，当轴承发生故障时可通过计算机进行提醒。待上述操作完成后，可通过滤波器将其信号获取，利用共振分离方式，将局部频次进行提取，进一步找出故障成因。

3.2 智能故障模式识别

传统频域方式主要通过专业人员将频谱图中故障特征进行观察，判定轴承是否发生故障，以及故障发生类型。近年来，随着科学技术不断发展，智能故障识别方式，被普遍应用于轴承故障诊断中，其具有较强的适应性，且可实施自行组织，整个过程无需人工参与，科技含量尤为凸显，而人工神经网络需大量故障训练样本做以支撑，加之应用环境较为复杂，在工程中难以大面积使用。智能故障识别方式，主要通过计算机根据频谱图搜索故障，其核心环节不仅包含谱峰判定、搜索频带设定，而且涉及故障特征频率误差设定及搜索算法。