薑海燕

（湖南鐵道職業技（jì）術學院鐵道供電與電氣學院，湖南株洲 412001）

　　【摘　要】本文主要探討了基於數據驅動的機車滾動軸承的各種特征提取方法以及各類故障模式識（shí）別方法。詳細比較了（le）各種特征提取的特點以及（jí）應用範圍，並指出了今（jīn）後在機車滾（gǔn）動軸（zhóu）承故障診斷研（yán）究中的研究方向，為機車滾動軸承的（de）故障診斷（duàn）提供依據。

　　【關鍵（jiàn）詞】機（jī）車（chē）滾動軸承；故障診斷；特征（zhēng）提取；模（mó）式識別

　　滾動軸承是機車行走部件中應用Z為廣泛的機械（xiè）零（líng）部件，滾動軸承的好壞直接影響（xiǎng）到列車行走的安全。因此（cǐ），滾動軸承故（gù）障診（zhěn）斷的研究成為（wéi）至關重要的研（yán）究點。基於數據驅動的滾動軸承故障診（zhěn）斷的研（yán）究步驟分為：信號的采集；信號的低通濾波、離散化和降噪（zào）等預處理；故障特征提（tí）取；故障的模式識別與分類。本文主要介紹故障的特征提取和故障的模式識別與分類方法。

　　1　機（jī）車滾動軸承故障診斷機理

　　由於機車車輛長時間工作在惡劣的天氣和環境下，運行中會存在著（zhe）滾子與滾道潤滑（huá）不夠，而且（qiě）長時間處於高負荷、重（chóng）載的運行狀態下，運行時間長，會出現滾動軸承的溫度上升、軸承的表麵出（chū）現腐蝕和裂痕以（yǐ）及滾動體鬆動等，這些都是由滾動軸承的非正常磨損而造成的（de）故障。而由軸承安（ān）裝不（bú）當造成（chéng）的嚴重後果也（yě）不少，但滾動軸承（chéng）的具（jù）體故（gù）障形（xíng）式有：疲勞剝落、磨損、塑性（xìng）變形、腐（fǔ）蝕、斷裂、膠合、保持（chí）架損壞。任何一種故障現象如果按（àn）其發生在滾動軸承的位置（zhì）來分的話，可以（yǐ）分為：外環故障、內環故障、滾動體故障和保持架（jià）故障。

　　2　機車滾動軸承故（gù）障特征提取方法

　　傳感器采集到（dào）的機車滾動軸承振動信號（hào）往往是連續的而且含有大量的白噪聲，為了（le）更（gèng）好（hǎo）的分析滾動軸承的振動信號，從而（ér）有效的診斷滾動軸承的故障，首先應（yīng）該振動信號進行離散化和低通濾波等預處理。為了提高信號的信（xìn）噪比，目前采取的方（fāng）法有（yǒu）時域平均法、小波濾（lǜ）波（bō）降噪法和AR模型提取故障脈衝衝擊信號法等。在進行預處（chù）理之後，將對振動信號進（jìn）行故障特征提取，目前特征提取的分（fèn）類方法（fǎ）沒有統一的形式，大致從（cóng）以下幾個方麵進（jìn）行考慮：

　　2.1時域分析法

　　時域分析（xī）法是在時間域（yù）對振動信號進行分析的方法，也是Z早（zǎo）提出的特征提取方法，目前廣泛應用在機車軸承故障診（zhěn）斷儀器設備以及在線（xiàn）監測診斷係統中（zhōng）。主要是提取時域特征量，分為有量綱（gāng）與無（wú）量綱。其中有（yǒu）量（liàng）綱包括：均值、均方根值、峰值（zhí）和（hé）峰峰值（zhí）；無量（liàng）綱包括：峰（fēng）值（zhí）因子、峭度（歸（guī）一化的四（sì）階中（zhōng）心矩）、偏度（歪度）和裕度指標。其中峰值和均方根值應用比較廣泛（fàn），通過多次試驗證明（míng），時（shí）域特征量（liàng）的（de）優點表現為計算簡（jiǎn）單，隻（zhī）需幾個特征量就能診斷滾動軸承有無故障，但其缺點為：缺乏早（zǎo）期報警能力、不（bú）能（néng）準確診斷滾（gǔn）動軸承的故（gù）障的具（jù）體位置（zhì），而且（qiě）不同（tóng）的特征（zhēng）量所能反映的軸承的故障形（xíng）式也不同。隻能對機車軸承故障做出初步的診斷。

　　2.2頻域分析法

　　為了更加準確的描述滾動軸承故障的具體（tǐ）位置，提出了頻（pín）域分析法。頻域分析法是將傳感器采（cǎi）集（jí）到的時（shí）域振動信號轉換（huàn）到頻域，再提取其信號的頻域特征。而軸承信號的頻域特征主（zhǔ）要表現為其故障頻（pín）率，可以根據軸承的參數以及軸承的旋轉（zhuǎn）頻率確定軸承的外環故障頻率、內環故障頻率以及滾（gǔn）動體故障頻率（lǜ）。通（tōng）常是采用不同的頻域分（fèn）析方法來（lái）確（què）定軸承振動信號（hào）的振（zhèn）動頻譜、功率譜或者是包絡（luò）譜的故障特征頻率處的峰值來確定軸承的故障頻率。目前采用（yòng）的方（fāng）法有：1）快速傅裏葉變換（FFT）：將信號（hào）從時域變換到頻域，獲取信號的頻域信息，提取其振動故障頻率；此方法隻適用於（yú）於平（píng）穩（wěn）信（xìn）號的處理。2）Hilbert變換、經驗模式分解（EMD）：由於滾動軸承振動信號是一種典型的（de）非線性、非平穩振動信號，而Hilbert變換、經（jīng）驗模式分解能較（jiào）好的分析非線性、非平（píng）穩信號，彌補了FFT的不足（zú）。通過（guò）獲得原始信號的Hilbert的包絡譜，從而實現振動信（xìn）號的Hilbert的包絡解（jiě）調，從高頻的固（gù）有頻率中分離出低（dī）頻的故障頻率。3）高（gāo）階（jiē）譜、雙譜分析（xī）：高階譜是分析非高斯信號的有力工（gōng）具，能完全抑製（zhì）高斯（sī）噪聲，檢測二次相位禍合，是提取軸承故障特征信號的（de）有力工具；但是高階（jiē）譜對非高斯（sī）信號的處理能力較差，而雙譜分析方法是處理旋轉機械中大量的非高斯信號的有力工具，特別是在理論上能夠完全抑製高斯噪聲的（de）幹擾（rǎo），從而解決了軸承振動信號的非高斯（sī）性。

　　2.3小波域分析法

　　小波分析法是目前分析非平（píng）穩信號的（de）有效（xiào）方法，廣泛應用於機車滾動軸承（chéng）故障特征提取中（zhōng）。它是一（yī）種典型（xíng）的時-頻域分（fèn）析方法，能將信號分（fèn）解到不同的頻帶上，在不（bú）同頻帶範圍內（nèi）反映原始振動信號的信息。目前小波域特征提取的（de）方法主要為：1）小波歸一化能量特征提取方法：將振動（dòng）信號進行小波或小波包變換，然後對其不同尺度下的分解係數進行信號重構，對重構信（xìn）號的幅（fú）值進行歸一化處理；或者將小波變換（huàn）的分解係數、小波包變（biàn）換（huàn）的節點係數歸一化（huà）處理作為（wéi）表征（zhēng）滾動軸承的運行狀態信息。2）小波域的頻譜分析法：利用正交小波基將軸承故障（zhàng）振動信號變換到時間-尺度（dù）域，對高（gāo）頻段尺（chǐ）度域的小波係數進（jìn）行包（bāo）絡（luò）細（xì）化譜分析，檢測機車滾動軸承（chéng）故障的不同故障頻率，有效識別軸承的故障模式。3）混合小波（bō）特征提取（qǔ）方法：小波變換與統計分布（bù）模型相結（jié）合（hé）的方法，首先將振動信號進行小波分解重構，對（duì）重構信號（hào）建立對應的統（tǒng）計分布模型，求取模型的參數（shù）作為滾動軸承的特征（zhēng）向量；小波AR參數模型、小波（bō）域高斯分布模型參數等。

　　除以上介紹的特征提（tí）取方（fāng）法之外，還有分析非線（xiàn）性（xìng）特征的Wigner分布算法，利用二維、三（sān）維的Wigner分布圖對滾動（dòng）軸承進行故障診斷；奇異值分解技術和為了降低特征參數的維（wéi）數，尋（xún）找更有效的（de）特征參數，縮（suō）短智能模式識別器的（de）訓練時（shí）間，可采用主元分析（xī）方法（PCA）對特征（zhēng）參數進行降維處理。

　　3　機車軸（zhóu）承故障智能診斷技術

　　機車軸承故障智（zhì）能診斷是指結合信號處理方法，將提取的（de）特（tè）征量訓練故障模式識別分類器，利用分類器（qì）測試滾動軸承故障，識別去屬於哪種（zhǒng）故障（zhàng）類型。目前應用Z廣泛的識別方（fāng）法有：神經網絡、專家係統、灰色係統理論、模（mó）糊理論、高斯過程、支持向（xiàng）量機、Z小二乘支持向量機等。本文具體介紹神經網（wǎng）絡和支持（chí）向量機故障識別方法：1）神經網絡：神經網絡具有獨特優點，如容錯、聯（lián）想、推測、記憶（yì）、自適應、自學習（xí）和（hé）處理複雜多（duō）模式（shì），因此，對於（yú）突發性故障或其他（tā）異常現象，可以利用神（shén）經網絡的聯想、推測及記憶（yì）對其進（jìn）行推理和診斷。由於神（shén）經網絡具有很強的魯（lǔ）棒（bàng）性和容錯性，能對不十分準確（què）和含有噪聲的數據進行處理，但其具有陷入局部Z小值的缺（quē）點。2）支持（chí）向量機（jī）：支持（chí）向量機是統計學模式識別方（fāng）法的一種，它較好地解決了小樣本、非線性和高維模（mó）式識別等實（shí）際問題（tí），而且隻需要（yào）較（jiào）少的樣本對模型進行訓（xùn）練。因此，SVM的研究成為目前熱點研究問題。但（dàn）是SVM也存在著計算複雜、怎樣選擇和優化核函數的問題，如今計算機水平的不斷提高計算複雜問題已經解決，但怎樣（yàng）選擇和優化（huà）核函數仍（réng）然成為研究的熱（rè）點。而（ér）為了更好的（de）提（tí）高（gāo）SVM分類器的性能，提出了Z小（xiǎo）二乘支（zhī）持向量機（jī）分（fèn）類器。

　　4　展望

　　目前仍然找不（bú）到（dào）一種（zhǒng）通用而有效的特征提取方法（fǎ）應用於機車軸承故障診斷中。而且大部（bù）分的智能診斷還處（chù）於（yú）離線狀態研究中，因此，在今後的研究中應該找到一種通用而且有效的特征（zhēng）提取方法（fǎ）實現滾動軸（zhóu）承故障的在線（xiàn）監測和診斷，更進一步（bù）能實（shí）現故障的預測。

　　【參考文獻】

　　[1]吳俊偉.Laplace小波在機車軸（zhóu）承故障診斷中的應用研究[D].北京：北京交通大學，2009.

　　[2]項斌.基（jī）於小波包與支持向量機的機車軸承故障診斷研究[D].甘（gān）肅：蘭州交（jiāo）通大學，2011.

　　[3]李世玲，李治，李合生.基（jī）於小波（bō）包能量特征的（de）滾動軸承故（gù）障監測方（fāng）法[J].係（xì）統仿真學報，2003，No.01：76-80.

　　[4]董（dǒng）建寧，申永軍，楊紹普.軸（zhóu）承故障診斷中的信號處（chù）理（lǐ）技（jì）術研究與展望[J].軸承，2005（1）：3-47.

來源：《科（kē）技視界》2013年第31期