胡林橋 陳 博 陳曉亮 鄒夢

摘? 要：針對地鐵車輪踏面擦傷故障，提出一種基于MEEMD包絡(luò)譜的地鐵列車車輪踏面擦傷診斷方法。該方法使用MEEMD將車輪軸箱垂向振動信號分解成IMF分量，再提取各分量的包絡(luò)譜峰值作為判斷車輪踏面擦傷的特征值。對現(xiàn)場實驗數(shù)據(jù)的分析結(jié)果表明，該方法能有效診斷出車輪踏面擦傷故障。

關(guān)鍵詞：地鐵;車輪踏面擦傷;振動信號;包絡(luò)譜;故障診斷

中圖分類號：TP206.3 文獻(xiàn)標(biāo)識碼：A 文章編號：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

隨著地鐵運營里程和運量的增加，列車車輪與鋼軌間的磨損日趨嚴(yán)重，車輪踏面更容易發(fā)生擦傷故障。車輪踏面擦傷引起的周期性沖擊振動作用于輪軌系統(tǒng)上，將導(dǎo)致輪軌各部件的疲勞損傷，威脅行車安全;同時，引起的沖擊噪聲會使乘客舒適度降低。目前，車輪踏面擦傷的檢測方法主要有輪軌力檢測法、振動加速度檢測法、聲音檢測法、光學(xué)檢測法。振動加速度檢測[1]是將傳感器安裝在車輪軸箱上，直接檢測出包含車輪故障信息的振動信號。軸箱振動信號是非平穩(wěn)、非線性信號，采用改進(jìn)的集合經(jīng)驗?zāi)B(tài)分解（MEEMD）方法可以對非平穩(wěn)信號的不同頻率成分進(jìn)行分解，從而取得信號在各頻帶的特征。據(jù)此，本文提出一種基于MEEMD包絡(luò)譜的地鐵列車車輪踏面擦傷診斷方法。

1 MEEMD原理與Hilbert變換

經(jīng)驗?zāi)B(tài)分解（EMD）方法[2]可自適應(yīng)地將復(fù)雜非平穩(wěn)信號進(jìn)行分解，得到有限個表征信號特征的固有模態(tài)函數(shù)（IMF），這些IMF分量的瞬時頻率具有物理意義。由于間歇信號、噪聲信號以及脈沖干擾的影響，EMD方法會產(chǎn)生模態(tài)混疊現(xiàn)象，使IMF分量丟失原本的物理意義，甚至產(chǎn)生虛假的IMF分量。因而，Wu等[3]提出了集合經(jīng)驗?zāi)B(tài)分解（EEMD），它將多個白噪聲分別加入原信號中，產(chǎn)生多個加噪信號，再進(jìn)行EMD分解，對各信號中同階分量求集合平均，得到最終的IMF分量。但EEMD方法受到白噪聲幅值和迭代次數(shù)的影響很大，若兩個參數(shù)選擇不當(dāng)，抑制模態(tài)混疊的作用不明顯，并可能產(chǎn)生偽分量。本文采用改進(jìn)的集合經(jīng)驗?zāi)B(tài)分解（MEEMD）方法[4]，能夠更有效地抑制模態(tài)混疊現(xiàn)象和白噪聲的影響，其分解過程如下：

（1）在原始信號x（t）中分別添加兩組均值為零且正負(fù)成對的白噪聲信號ni（t）和-ni（t），式中，ni（t）為白噪聲信號;ai表示白噪聲信號的幅值;i=1，2…，n，這里n為白噪聲信號的對數(shù)，共得到2n個加噪信號的集合。

（3）對多組同階分量求和再平均，得到各階IMF分量

（4）這里的cj（t）可能仍存在部分模態(tài)混疊的問題，為了獲得標(biāo)準(zhǔn)的IMF分量，需要再對各階cj（t）分別進(jìn)行EMD分解。

（5）根據(jù)以上的分解過程，可將MEEMD方法表示為

其中，dl（t）為原信號x（t）經(jīng)過MEEMD分解成的各階IMF分量，r（t）為余項。

Hilbert變換是一種線性變換，強調(diào)了函數(shù)的局部特性，對MEEMD分解得到的IMF分量dl（t）進(jìn)行Hil構(gòu)造相應(yīng)的解析信號為

2 車輪踏面擦傷診斷方法

存在踏面擦傷的車輪會產(chǎn)生周期性的沖擊振動，在轉(zhuǎn)動一周的過程中會發(fā)生一次周期性變化，因而會出現(xiàn)明顯的與轉(zhuǎn)頻一致的振動頻率，這是車輪踏面擦傷在振動信號中表現(xiàn)出的重要特征。該特征頻率往往受到高頻沖擊振動的影響，難以直接在頻譜上表現(xiàn)出來，因此采用包絡(luò)譜分析提取故障特征。

包絡(luò)譜分析[5]是從原始信號的高頻成分中提取出與故障相關(guān)的低頻信號進(jìn)行頻譜分析。包絡(luò)信號是解析信號的幅值，解析信號由實部和虛部構(gòu)成，實部是原始信號本身，虛部為Hilbert變換后的信號。本文的診斷方法對分量信號進(jìn)行包絡(luò)譜分析，再提取峰值頻率特征，具體步驟如下：

（1）使用MEEMD方法將軸箱振動信號分解成有限個IMF分量dl（t）;

（2）將各個IMF分量經(jīng)過Hilbert變換后得到信號 l（t）;

（3）用dl（t）和 l（t）計算出各個IMF分量的包絡(luò)信號al（t）;

（4）求取包絡(luò)信號al（t）的頻譜，即為各分量信號的包絡(luò)譜;

（5）提取各分量包絡(luò)譜峰值頻率，與車輪轉(zhuǎn)頻比較，診斷出踏面擦傷。

3 實驗分析

為了獲取由車輪踏面擦傷引起的真實振動信號，本文在地鐵線路進(jìn)行了現(xiàn)場實驗，通過安裝在車輪軸箱上的振動加速度傳感器采集了車輛在正線運行時的軸箱振動數(shù)據(jù)，采樣頻率設(shè)置為2kHz。該采集系統(tǒng)是自研車輛振動狀態(tài)監(jiān)測設(shè)備，使用壓電式三軸振動加速度傳感器，其量程為±100g，靈敏度為50mV/g。通過對三向振動信號的分析，發(fā)現(xiàn)軸箱垂向振動信號對車輪多邊形的響應(yīng)更加明顯，因此將垂向信號作為信號源。選取列車以75km/h的速度勻速運行時的數(shù)據(jù)進(jìn)行分析。車輪轉(zhuǎn)動頻率的計算公式為式中，v是列車的時速，R是車輪的半徑。測得車輪周長為2.54m，則可算出此速度下車輪的轉(zhuǎn)動頻率為8.20Hz。

圖2為軸箱垂向振動信號，由于踏面擦傷的作用，信號中存在明顯的沖擊振動。用MEEMD方法將信號分解成包含不同頻帶特征的IMF分量，圖3展示了頻率由高到低排列的各階IMF分量。可以看出，前三階分量具有比原信號更明顯的周期性沖擊振動，且集中了信號的大部分能量，因而包含了更多特征信息。

對各IMF分量進(jìn)行Hilbert變換，再求取其包絡(luò)信號的包絡(luò)譜，前五階分量信號的包絡(luò)譜如圖4所示。由圖可知，各階分量的主要頻率基本集中在100Hz以內(nèi)，前三階分量中存在明顯的譜峰，峰值頻率為8.18Hz。而該段信號對應(yīng)的車輪轉(zhuǎn)動頻率為8.20Hz，兩者誤差不超過0.24%，可見IMF分量的包絡(luò)譜峰值與車輪轉(zhuǎn)頻一致，由此可以判斷車輪出現(xiàn)明顯的踏面擦傷故障。

4 結(jié)論

針對地鐵列車踏面擦傷故障，提出基于MEEMD包絡(luò)譜的踏面擦傷診斷方法，通過對現(xiàn)場實驗數(shù)據(jù)的分析，驗證了該方法的有效性。利用本方法提取的擦傷車輪振動信號的包絡(luò)譜峰值與車輪轉(zhuǎn)頻一致，由此可診斷出車輪踏面擦傷故障。

參考文獻(xiàn)：

[1]李奕璠，劉建新，李忠繼.基于Hilbert-Huang變換的列車車輪失圓故障診斷[J].振動、測試與診斷，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]鄭旭.車輛與內(nèi)燃機振聲信號盲分離及噪聲源識別的研究[D].杭州：浙江大學(xué)，2012.

[5]師蔚，劉霄.基于改進(jìn)的EEMD-Hilbert包絡(luò)解調(diào)軸箱軸承故障診斷[J].測控技術(shù)，2017，36（2）：44-49.