辛 格，鐘槭畑，李 哲，賈利民，楊 洋，李林峰

（1. 北京交通大學(xué)交通運(yùn)輸學(xué)院，北京 100044；2. 北京交通大學(xué)綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室，北京 100044；3. 北京交通大學(xué)軌道交通控制與安全國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100044；4. 中車唐山機(jī)車車輛有限公司，河北唐山 063000；5. 北京電子工程總體研究所，北京 100854）

隨著軌道交通的快速發(fā)展，列車設(shè)備的自動(dòng)化、智能化程度越來(lái)越高，對(duì)設(shè)備運(yùn)行的安全性、可靠性也提出了更高要求。作為故障預(yù)測(cè)和健康管理的重要組成部分［1］，故障診斷技術(shù)能夠有效防止安全事故的發(fā)生，近年來(lái)在學(xué)術(shù)研究和工程實(shí)踐中成為熱點(diǎn)［2-3］。軸承是列車的基礎(chǔ)部件，同時(shí)也是易損部件，其健康狀態(tài)在確保列車安全運(yùn)行中起著關(guān)鍵作用［4］。在工程中，列車軸箱軸承常常處于高轉(zhuǎn)速、重載荷等惡劣工作環(huán)境，極易誘發(fā)損傷，成為影響列車可靠安全運(yùn)行的主要隱患之一［5］。因此，針對(duì)列車軸箱軸承的自主故障識(shí)別，不僅能有效保障列車安全運(yùn)行，還能實(shí)現(xiàn)列車軸箱軸承的智能化診斷，促進(jìn)列車修制由“計(jì)劃修”向“狀態(tài)修”轉(zhuǎn)變，為運(yùn)營(yíng)單位降本增效提供技術(shù)支持。

信號(hào)處理技術(shù)能檢測(cè)出隱藏在振動(dòng)信號(hào)中的周期性沖擊頻率（即故障特征頻率），從而準(zhǔn)確識(shí)別軸承的故障類型?，F(xiàn)有振動(dòng)信號(hào)處理方法主要包含2 類：一類是基于振動(dòng)信號(hào)穩(wěn)態(tài)或近似穩(wěn)態(tài)假設(shè)的各種經(jīng)典信號(hào)處理方法［6］；另一類是針對(duì)非穩(wěn)態(tài)信號(hào)特征提取的方法，如小波變換［7］、經(jīng)驗(yàn)?zāi)B(tài)分解［8］和包絡(luò)分析（Envelope Analysis， EA）［9］等，其中，EA 被工業(yè)界廣泛采用，并被證實(shí)是行之有效的方法。然而，直接將EA 應(yīng)用于列車軸箱軸承故障診斷和在途監(jiān)測(cè)，仍有2 個(gè)亟待解決的實(shí)際問(wèn)題：①多信號(hào)源混疊問(wèn)題，列車的運(yùn)行環(huán)境復(fù)雜，振動(dòng)信號(hào)中存在背景噪聲信號(hào)、隨機(jī)脈沖信號(hào)和故障信號(hào)混疊現(xiàn)象，EA 對(duì)低信噪比的早期微弱故障信號(hào)診斷效果不理想；②早期故障程度無(wú)法量化問(wèn)題，目前大多數(shù)故障診斷方法仍需人為地分析故障特征才能確定故障部位和故障程度信息，對(duì)使用者的專業(yè)知識(shí)和工作經(jīng)驗(yàn)要求較高，給工程應(yīng)用帶來(lái)極大困難。

針對(duì)多信號(hào)源混疊問(wèn)題，譜峭度（Spectral Kurtosis， SK）能夠有效檢測(cè)軸承故障信號(hào)的非高斯性，因而被用來(lái)檢測(cè)信號(hào)中的故障特征［10］。為了解決SK 計(jì)算效率低的問(wèn)題，Antoni 將1/3-二叉樹(shù)濾波器組與SK 結(jié)合提出Kurtogram 方法［11］，通過(guò)快速計(jì)算SK 有效提取信噪比最優(yōu)的頻段，從而實(shí)現(xiàn)微弱故障特征的提取。然而，由于SK 對(duì)隨機(jī)脈沖信號(hào)過(guò)于敏感，Kurtogram 方法在對(duì)存在隨機(jī)脈沖信號(hào)干擾時(shí)的故障特征提取效果并不理想，針對(duì)該問(wèn)題Barszcz 等提出Protrugram 方法，提高了SK 的頻率分辨率和檢測(cè)效果，但是其帶寬需要預(yù)先設(shè)定［12］。隨著研究的深入，Antoni 通過(guò)引入譜負(fù)熵（Spectral Negentropy）提出了信息圖（In?fogram）方法［13］。雖然上述方法可以有效提取最優(yōu)故障特征頻段的故障信號(hào)，但是沒(méi)有考慮列車軸承振動(dòng)信號(hào)中強(qiáng)隨機(jī)脈沖信號(hào)對(duì)故障診斷的影響，并且還需要經(jīng)過(guò)專業(yè)的人工分析才能獲知準(zhǔn)確的軸承故障部位和故障程度信息。

針對(duì)早期故障程度無(wú)法量化問(wèn)題，目前的一個(gè)主要思路是通過(guò)相關(guān)指標(biāo)量化包絡(luò)譜中包含的故障特征。Borghesani 等［14］和Smith 等［15］分別提出循環(huán)分量比和二階循環(huán)平穩(wěn)指標(biāo)，通過(guò)這2 個(gè)指標(biāo)計(jì)算平方包絡(luò)譜（Squared Envelope Spectrum，SES）中軸承故障特征頻率對(duì)應(yīng)的峰值譜線識(shí)別故障發(fā)生的部位，但是這2 個(gè)指標(biāo)在用于故障特征識(shí)別時(shí)計(jì)算的頻段過(guò)寬，倍頻計(jì)算數(shù)量也過(guò)少。隨后，Kass等［16］基于增強(qiáng)包絡(luò)譜（Enhanced Envelope Spec?trum，EES）提出故障出現(xiàn)率，對(duì)故障特征的識(shí)別頻段寬度和倍頻計(jì)算數(shù)量進(jìn)行了改進(jìn)，但是在計(jì)算時(shí)并沒(méi)有考慮多信號(hào)源混疊的情況。此外，上述3個(gè)指標(biāo)均未考慮軸承內(nèi)圈和滾動(dòng)體故障特征中邊頻的影響。

本文針對(duì)多信號(hào)源混疊問(wèn)題，將1/3-二叉樹(shù)濾波方法與基尼系數(shù)結(jié)合形成Ginigram 方法，通過(guò)識(shí)別故障特征所在的最優(yōu)解調(diào)頻段，以有效地從背景噪聲、隨機(jī)脈沖等干擾信號(hào)中提取出故障特征；針對(duì)早期故障程度量化問(wèn)題，基于預(yù)處理信號(hào)的SES，提出采用循環(huán)諧波中值比（Cyclic har?monic-to-median ratio，CHMR）這一統(tǒng)計(jì)指標(biāo)以量化軸承故障部位和故障程度信息，進(jìn)而基于CHMR，根據(jù)正態(tài)分布的西格瑪原則提出了故障分級(jí)準(zhǔn)則，實(shí)現(xiàn)列車軸承早期故障程度的自動(dòng)量化。采用提出的基于Ginigram 和CHMR 的列車軸箱軸承自主故障識(shí)別方法，試驗(yàn)驗(yàn)證了其有效性。

1 基于Ginigram的信號(hào)預(yù)處理

Kurtogram 方法使用的峭度對(duì)單個(gè)強(qiáng)脈沖信號(hào)非常敏感，當(dāng)信號(hào)存在單個(gè)強(qiáng)脈沖信號(hào)和周期性故障信號(hào)混疊情況時(shí)可能會(huì)導(dǎo)致誤檢，而基尼系數(shù)對(duì)信號(hào)中的隨機(jī)強(qiáng)脈沖信號(hào)具有很好的抗性［17］，因此，采用對(duì)隨機(jī)脈沖信號(hào)不敏感同時(shí)能夠測(cè)量故障特征的基尼系數(shù)對(duì)Kurtogram 方法中的峭度進(jìn)行替換，具體思路如圖1所示。圖1中，軸承振動(dòng)加速度信號(hào)被1/3-二叉樹(shù)分解為多個(gè)等級(jí)和頻段，其中，每個(gè)等級(jí)包括2k（k為分解等級(jí)）個(gè)頻段，通過(guò)計(jì)算各個(gè)頻段包絡(luò)信號(hào)的基尼系數(shù)，選取基尼系數(shù)最大的頻段作為最優(yōu)濾波頻段，為區(qū)別于Kurto?gram，稱其為Ginigram。

圖1 Ginigram計(jì)算思路

具體地，基尼系數(shù)的定義為

其中，

x=(x1x2…xL)

式中：G為基尼系數(shù)的值；x為振動(dòng)加速度信號(hào)xj按幅值從小到大排序的向量；L為向量x的總長(zhǎng)；||x||為x所有幅值的絕對(duì)值之和。

根據(jù)Ginigram 方法得到x的最優(yōu)濾波頻段[fl，fh]，其中，fl和fh為最優(yōu)濾波頻段的下限和上限。基于最優(yōu)濾波頻段[fl，fh]對(duì)軸承振動(dòng)加速度信號(hào)進(jìn)行帶通濾波得到濾波信號(hào)xb。為進(jìn)一步分析濾波信號(hào)xb的SES，需先計(jì)算濾波信號(hào)xb的解析信號(hào)，為

式中：為解析信號(hào)；j 為復(fù)數(shù)單位；H(·)為希爾伯特變換。

然后基于解析信號(hào)的幅值計(jì)算SES，為

式中：Eb(f)為SES在頻率f處的幅值；為的第k個(gè)值；F(·)為離散傅里葉變換；fs為信號(hào)的采樣頻率。

SES 中包含了故障特征的頻率和幅值信息，為自主識(shí)別SES 的故障特征，需要提出量化指標(biāo)對(duì)SES的故障特征進(jìn)行有效提取。

2 基于CHMR的故障程度量化

針對(duì)故障程度量化問(wèn)題，基于預(yù)處理信號(hào)的SES 建立二元假設(shè)模型，采用CHMR 以量化SES中所包含的故障部位及故障程度信息。

2.1 基于SES/EES的故障程度量化經(jīng)典指標(biāo)

目前，故障程度量化指標(biāo)的思路是在信號(hào)SES/EES 的頻域內(nèi)通過(guò)窄頻段識(shí)別故障軸承的特征頻率和高次倍頻，以提取故障特征幅值。經(jīng)典的量化指標(biāo)包括循環(huán)分量比［14］、二階循環(huán)平穩(wěn)指標(biāo)［15］和故障出現(xiàn)率［16］。

1）循環(huán)分量比

Borghesani 等［14］基于SES 提出了循環(huán)分量比（Ratio of Cyclic Content，RCC），其定義如下。

式中：IRCC為SES 窄頻段內(nèi)幅值之和與SES 所有幅值之和的比值，即循環(huán)分量比；N為窄頻段倍頻的計(jì)算數(shù)量；fp(i)和fq(i)分別為第i個(gè)窄頻段的下限和上限。

2）二階循環(huán)平穩(wěn)指標(biāo)

Smith 等［15］基于SES 提出了二階循環(huán)平穩(wěn)指標(biāo)（Indicator of Second-Order Cyclostationarity，ICS2），其定義如下。

式中：IICS2為窄頻段內(nèi)幅值的最大值與SES 中0 頻率對(duì)應(yīng)幅值的比值，即二階循環(huán)平穩(wěn)指標(biāo)；max(·)為求最大值運(yùn)算。

3）故障出現(xiàn)率

由于RCC 和ICS2 對(duì)于窄頻段寬度的選取精度較低，Kass 等［16］基于EES 提出了故障出現(xiàn)率（Probability of Presence of a Fault，PPF），其定義如下。

式中：IPPF為EES 窄頻段內(nèi)幅值的最大值減去閾值λ1-t（λ1-t為EES 的直方圖100(1-t)%分位點(diǎn)對(duì)應(yīng)的數(shù)值，t為顯著性水平）之后與EES 最大值的比值，即故障出現(xiàn)率；EE(f)為EES 在頻率f處的幅值。

上述3 個(gè)經(jīng)典指標(biāo)通過(guò)SES/EES 實(shí)現(xiàn)了軸承故障信息的量化，然而針對(duì)列車軸箱軸承復(fù)雜惡劣工況下的故障自主識(shí)別問(wèn)題，依然存在一定局限性：①RCC 和ICS2 未考慮設(shè)置噪聲閾值，增加了誤報(bào)風(fēng)險(xiǎn)；②RCC 的窄頻段過(guò)寬，易識(shí)別一些非故障特征頻率幅值；③RCC 和ICS2 的窄頻段計(jì)算數(shù)量過(guò)少，未充分考慮故障特征的諧波特性；④3種指標(biāo)均未考慮內(nèi)圈和滾動(dòng)體邊頻故障特征的影響；⑤PPF 未進(jìn)行濾波處理，存在故障特征的漏報(bào)風(fēng)險(xiǎn)。

2.2 基于SES的CHMR

針對(duì)3 個(gè)經(jīng)典量化指標(biāo)存在的不足進(jìn)行改進(jìn)，并更進(jìn)一步考慮噪聲對(duì)故障特征量化的影響從而估計(jì)噪聲閾值，降低噪聲對(duì)故障特征量化的影響。

1）閾值計(jì)算和CHMR設(shè)計(jì)

針對(duì)噪聲閾值的計(jì)算問(wèn)題，建立基于SES 的二元假設(shè)模型，為

根據(jù)文獻(xiàn)［9］，可得二元模型的判決統(tǒng)計(jì)量θ(f)為

式中：S(f)為尺度因子；χ22(1-t)為二自由度卡方分布的累計(jì)概率密度函數(shù)。

S(f)可由下式進(jìn)行估計(jì)，估計(jì)結(jié)果(f)為

式中：R(·)為互相關(guān)運(yùn)算；Xb(f)為濾波信號(hào)xb的離散傅里葉變換結(jié)果。

由式（8）可知：如果Eb(f)＞θ(f)，拒絕H0假設(shè)，接受H1假設(shè)，即SES包含故障特征；反之，接受H0假設(shè)，即SES 不包含故障特征。因此，將θ(f)作為區(qū)分2種假設(shè)模型的判斷閾值。

設(shè)置閾值主要包含2 個(gè)方面作用：①根據(jù)閾值精確判斷SES 中窄頻段的峰值是否為故障特征；②對(duì)峰值的連續(xù)性進(jìn)行識(shí)別，確保從各個(gè)窄頻段內(nèi)識(shí)別到的峰值均超過(guò)閾值，以對(duì)應(yīng)故障機(jī)理中的諧波特性。

基于此，提出一種新指標(biāo)CHMR，以量化軸承故障部位和故障程度信息，計(jì)算公式如下。

式中：ICHMR為SES 窄頻段內(nèi)最大值減去閾值后與SES 中位數(shù)的比值，即循環(huán)諧波中值比；median(·)為求中位數(shù)運(yùn)算；m(i)為第i個(gè)窄頻段內(nèi)識(shí)別的峰值；M(i)為在第i個(gè)窄頻段內(nèi)識(shí)別的峰值經(jīng)閾值處理后的值。

2）窄頻段寬度計(jì)算

針對(duì)窄頻段寬度設(shè)置，經(jīng)典指標(biāo)始終基于故障特征頻率和其倍頻取定值，與之不同，本文選取第1 個(gè)窄頻段峰值估計(jì)的故障特征頻率作為高次倍頻和窄頻段的計(jì)算基準(zhǔn)以減少計(jì)算誤差，則式（10）的窄頻段下限和上限為

式中：fc1為預(yù)估的故障特征頻率；為第1 個(gè)窄頻段內(nèi)識(shí)別的峰值對(duì)應(yīng)的頻率；μ(i)為第i個(gè)窄頻段的誤差系數(shù)。

根據(jù)軸承動(dòng)態(tài)特性，隨機(jī)滑動(dòng)會(huì)造成故障特征頻率與理論值存在2%左右的誤差［18］。此外，考慮到工程應(yīng)用的復(fù)雜性，將第1個(gè)窄頻段的誤差系數(shù)設(shè)置高于2%。因此，μ(i)的取值為

3）窄頻段數(shù)量設(shè)置

包絡(luò)譜中觀察到故障特征頻率及諧波出現(xiàn)3～5 個(gè)連續(xù)的高幅值時(shí)可確定軸承的故障特征［12］。不同于RCC 和ICS2 只計(jì)算1 個(gè)窄頻段，本文選擇計(jì)算外圈、內(nèi)圈、保持架故障的窄頻段，即計(jì)算數(shù)量為N=3，特別地，考慮到滾動(dòng)體故障特征偶次諧波的峰值比奇次諧波的峰值更明顯［18］，其窄頻段計(jì)算數(shù)量應(yīng)設(shè)為偶數(shù)，所以滾動(dòng)體故障的窄頻段計(jì)算數(shù)量取N=4。

4）故障特征邊頻段計(jì)算

軸承的內(nèi)圈和滾動(dòng)體故障信號(hào)存在周期性振幅調(diào)制現(xiàn)象，而經(jīng)典指標(biāo)未考慮內(nèi)圈和滾動(dòng)體的邊頻調(diào)制特征。因此，本文根據(jù)調(diào)制原理，在內(nèi)圈的故障特征頻率基礎(chǔ)上分別加上和減去軸的轉(zhuǎn)頻；滾動(dòng)體故障特征頻率分別加上和減去保持架故障特征頻率。因此，對(duì)于內(nèi)圈、滾動(dòng)體故障，CHMR 的計(jì)算式為

式中：M1(i)，M2(i)，M3(i)分別為由左側(cè)邊頻段，中間主頻段，右側(cè)邊頻段識(shí)別出的故障特征峰值。

綜上，CHMR 與3 個(gè)經(jīng)典指標(biāo)的異同點(diǎn)如圖2所示。與3 個(gè)經(jīng)典指標(biāo)相比，CHMR 的優(yōu)勢(shì)在于：①考慮了噪聲閾值，并選取中位數(shù)作為基準(zhǔn)，能有效降低噪聲對(duì)故障特征量化的干擾；②考慮到軸承隨機(jī)滑動(dòng)的影響，進(jìn)一步優(yōu)化了窄頻段設(shè)置的寬度；③針對(duì)軸承各個(gè)部位的不同故障特性設(shè)置了窄頻段的計(jì)算數(shù)量；④對(duì)內(nèi)圈和滾動(dòng)體的邊頻故障特征進(jìn)行了加權(quán)計(jì)算。

圖2 CHMR與3個(gè)經(jīng)典指標(biāo)的異同點(diǎn)

2.3 故障部位識(shí)別與故障分級(jí)

利用軸承在正常運(yùn)行狀態(tài)下的歷史數(shù)據(jù)來(lái)計(jì)算CHMR 的3σ區(qū)間(μ-3σ，μ+3σ)，其中μ為CHMR 的均值，σ為CHMR 的標(biāo)準(zhǔn)差。根據(jù)3σ法則：數(shù)值落在區(qū)間(μ-3σ，μ+3σ)外的事件為極小概率事件，即在實(shí)際中基本不可能發(fā)生。因?yàn)檩S承發(fā)生故障時(shí)CHMR 較健康狀態(tài)將會(huì)增大，故將健康軸承CHMR 的μ+3σ值作為健康閾值，根據(jù)歷史健康數(shù)據(jù)計(jì)算閾值，對(duì)未知數(shù)據(jù)各個(gè)部位的CHMR 進(jìn)行檢測(cè)，實(shí)現(xiàn)故障特征的自主識(shí)別。此外，根據(jù)不同故障程度軸承測(cè)量數(shù)據(jù)可以實(shí)現(xiàn)各級(jí)故障的閾值計(jì)算，實(shí)現(xiàn)軸承故障程度分級(jí)，本文根據(jù)軸承故障程度將軸承故障分為無(wú)故障、輕微、中等和嚴(yán)重故障共4 段等級(jí)。軸承故障時(shí)的CHMR值會(huì)明顯升高，因此根據(jù)西格瑪準(zhǔn)則選取健康軸承CHMR 的μ+3σ值作為1 級(jí)閾值（即健康閾值），輕微故障CHMR 的μ+3σ值或中度故障CHMR 的μ-3σ值（如果同時(shí)有輕微和中等故障數(shù)據(jù)，取輕微和中等故障CHMR 的均值）作為2 級(jí)閾值，中度故障CHMR 的μ+3σ值或重度故障CHMR 的μ-3σ值作為3 級(jí)閾值（如果同時(shí)有中等和嚴(yán)重故障數(shù)據(jù)，取中等和嚴(yán)重故障CHMR 的均值）。CHMR 低于1 級(jí)閾值時(shí)，視軸承為無(wú)故障；高于1級(jí)閾值低于2 級(jí)閾值，視軸承為輕微故障；高于2級(jí)閾值低于3 級(jí)閾值，視軸承為中等故障；高于3級(jí)閾值，視軸承為嚴(yán)重故障。通過(guò)上述方法，得到3級(jí)閾值并實(shí)現(xiàn)軸承狀態(tài)的4段劃分，稱其為“3級(jí)4段制”軸承狀態(tài)分級(jí)法。

3 早期故障自主識(shí)別流程

綜上所述，基于Ginigram 方法和CHMR 的列車軸箱軸承自主故障識(shí)別方法流程如圖3所示。首先，軸承振動(dòng)加速度信號(hào)經(jīng)Ginigram 進(jìn)行濾波，并計(jì)算濾波信號(hào)的SES；然后，基于濾波信號(hào)的SES 計(jì)算CHMR，并根據(jù)西格瑪原則計(jì)算CHMR的閾值以識(shí)別故障樣本；最終，基于歷史的健康和故障數(shù)據(jù)計(jì)算故障分級(jí)閾值以實(shí)現(xiàn)軸承故障分級(jí)。

圖3 基于Ginigram和CHMR的自主故障識(shí)別方法流程圖

4 試驗(yàn)驗(yàn)證

4.1 列車軸箱軸承試驗(yàn)臺(tái)

列車軸箱軸承的真實(shí)振動(dòng)數(shù)據(jù)是對(duì)所提方法進(jìn)行驗(yàn)證、對(duì)比、優(yōu)化的重要依據(jù)。然而，實(shí)際運(yùn)行列車的軸承振動(dòng)數(shù)據(jù)存在故障樣本稀缺的問(wèn)題。為了獲取盡可能接近實(shí)際運(yùn)行狀態(tài)的列車故障軸承振動(dòng)數(shù)據(jù)，試驗(yàn)中使用了從列車軸箱上拆卸下來(lái)的自然磨損的早期故障軸承，并將其裝配到與列車軸箱等比例的列車軸箱軸承試驗(yàn)臺(tái)上進(jìn)行原始振動(dòng)信號(hào)的采集。

列車軸箱軸承試驗(yàn)臺(tái)包括驅(qū)動(dòng)端電機(jī)、風(fēng)扇端電機(jī)、傳動(dòng)裝置、軸箱軸承以及橫向和垂向載荷裝置，如圖4所示。其中，軸箱軸承裝配在車軸2端，載荷裝置可以模擬列車實(shí)際運(yùn)行期間軸承所承受的不同方向載荷。電機(jī)的功率為75 kW，轉(zhuǎn)速最高可達(dá)1 480 r·min-1，可實(shí)現(xiàn)無(wú)級(jí)調(diào)速，配合載荷裝置可以開(kāi)展列車在不同車速和不同工況下的試驗(yàn)。振動(dòng)加速度傳感器安裝在軸箱的12 點(diǎn)鐘方向（垂向）。試驗(yàn)中使用的軸承參數(shù)見(jiàn)表1。

圖4 列車軸箱軸承試驗(yàn)臺(tái)

表1 試驗(yàn)軸承參數(shù)

區(qū)分各個(gè)軸承的故障程度時(shí)，由于內(nèi)外圈和滾動(dòng)體磨損對(duì)軸承故障的影響程度不同，將外圈和內(nèi)圈磨損面積小于300 mm2的故障定義為輕微故障，磨損面積大于450 mm2的故障定義為嚴(yán)重故障，磨損面積在輕微故障和嚴(yán)重故障磨損面積之間的故障定義為中等故障。滾動(dòng)體較內(nèi)、外圈滾道表面積更小，定義磨損面積50 mm2以下的為輕微故障，磨損面積100 mm2（不含100 mm2）以上的為嚴(yán)重故障，磨損面積在輕微故障和嚴(yán)重故障磨損面積之間的為中等故障。列車故障軸承的實(shí)物如圖5所示，對(duì)應(yīng)的軸承磨損程度信息見(jiàn)表2。

圖5 列車故障軸承

表2 列車故障軸承磨損程度信息

4.2 Ginigram 方法有效性驗(yàn)證試驗(yàn)

為了驗(yàn)證Ginigram 方法的有效性，選擇更接近工程實(shí)際的多信號(hào)源混疊案例進(jìn)行對(duì)比驗(yàn)證。在模擬列車以90 km·h-1速度行駛、施加垂向載荷為56 kN 的工況下，采集外圈故障軸承的原始信號(hào)，采樣頻率為37 268 Hz、時(shí)長(zhǎng)為10 s，結(jié)果如圖6所示。圖中：故障脈沖僅挑選4 處作為示意。由圖6可知：該信號(hào)包含了強(qiáng)隨機(jī)脈沖、微弱外圈故障脈沖和背景噪聲信號(hào)，對(duì)應(yīng)的外圈故障特征頻率為64.52 Hz。

圖6 外圈故障軸承原始振動(dòng)加速度信號(hào)時(shí)域波形

采用經(jīng)典的Kurtogram 和Ginigram 分別對(duì)圖6所示原始信號(hào)進(jìn)行濾波處理，結(jié)果如圖7所示。圖中：紅色方框標(biāo)出的為最優(yōu)濾波頻段。由圖7可知：Kurtogram 中最大峭度對(duì)應(yīng)的最佳濾波頻段為第5 等級(jí)，中心頻率4 351.9 Hz，帶寬512 Hz，最大峭度為101.9，而Ginigram 中最大基尼系數(shù)對(duì)應(yīng)的最佳濾波頻段在第5 等級(jí)，中心頻率為2 815.9 Hz，帶寬512 Hz，最大基尼系數(shù)為0.5，這說(shuō)明在故障信號(hào)中包含強(qiáng)脈沖干擾的情況下，Ginigram 和Kurtogram識(shí)別的最優(yōu)頻段不一致。

圖7 Kurtogram和Ginigram最優(yōu)濾波頻段對(duì)比

分別計(jì)算圖6所示原始信號(hào)以及圖7所示最優(yōu)頻段濾波信號(hào)的SES，對(duì)比分析結(jié)果如圖8所示。由圖8可知：受多信號(hào)源混疊的影響，原始信號(hào)的SES 無(wú)法觀察到故障特征；雖然Kurtogram 方法預(yù)處理后信號(hào)的SES 中包含故障特征，但其峰值的譜線受噪聲干擾嚴(yán)重；而Ginigram 方法預(yù)處理后信號(hào)的SES 能清晰地呈現(xiàn)出故障特征譜線且噪聲干擾微?。粚?duì)比結(jié)果證明，Ginigram 方法相較于Kurtogram 方法能夠更好地從多信號(hào)源混疊信號(hào)中選取最優(yōu)信噪比頻段，更適合做進(jìn)一步的故障信息量化。

圖8 原始信號(hào)及Kurtogram 和Ginigram 濾波后信號(hào)的SES對(duì)比

4.3 CHMR有效性驗(yàn)證試驗(yàn)

1）數(shù)據(jù)采集與參數(shù)設(shè)置

在模擬列車以時(shí)速90 km 行駛、施加垂向載荷為56 kN 的工況下，通過(guò)列車軸箱軸承試驗(yàn)臺(tái)對(duì)健康軸承及1 號(hào)—6 號(hào)故障軸承各采集1 組振動(dòng)數(shù)據(jù)，采樣頻率為32 768 Hz，每組采集90 個(gè)樣本，每個(gè)樣本采樣時(shí)長(zhǎng)為1 s。

在比較CHMR 與3 個(gè)經(jīng)典指標(biāo)時(shí)，為保證公平性，所有指標(biāo)均采用Ginigram 方法對(duì)信號(hào)預(yù)處理后進(jìn)行計(jì)算。窄頻段及邊頻段的計(jì)算數(shù)量和寬度根據(jù)式（11）—式（14）計(jì)算。

2）故障部位自主識(shí)別能力驗(yàn)證

為驗(yàn)證CHMR 的故障部位識(shí)別能力，設(shè)置CHMR與3個(gè)經(jīng)典指標(biāo)的故障部位識(shí)別能力對(duì)比試驗(yàn)。根據(jù)西格瑪原則計(jì)算閾值，對(duì)各組故障數(shù)據(jù)進(jìn)行故障部位識(shí)別，并按如下規(guī)則計(jì)算準(zhǔn)確率：由數(shù)據(jù)計(jì)算的指標(biāo)超出健康閾值即為對(duì)應(yīng)部位存在故障，如識(shí)別結(jié)果與實(shí)際故障部位相符，且其他部位未發(fā)生誤報(bào)，則為識(shí)別準(zhǔn)確；反之，均視為不準(zhǔn)確。

對(duì)1 號(hào)—6 號(hào)軸承分別按上述標(biāo)準(zhǔn)計(jì)算故障部位識(shí)別準(zhǔn)確率，測(cè)試結(jié)果見(jiàn)表3。由表3可知：總體上，CHMR 和PPF 的準(zhǔn)確率較RCC 和ICS2 更高，且CHMR 對(duì)5 號(hào)軸承故障部位的識(shí)別表現(xiàn)最優(yōu)。上述試驗(yàn)表明，CHMR 對(duì)于軸承故障部位的自主識(shí)別能力明顯優(yōu)于RCC 和ICS2，略優(yōu)于PPF。

表3 指標(biāo)故障部位識(shí)別準(zhǔn)確率

3）故障程度區(qū)分能力驗(yàn)證

為驗(yàn)證CHMR 對(duì)故障程度的區(qū)分能力，分別比較CHMR 與3 個(gè)經(jīng)典指標(biāo)對(duì)于外圈、內(nèi)圈、滾動(dòng)體3個(gè)部位的故障程度區(qū)分效果。

對(duì)于外圈故障，選取健康軸承、1 號(hào)（外圈中等故障）和2 號(hào)（外圈嚴(yán)重故障）軸承的各50 個(gè)數(shù)據(jù)樣本進(jìn)行對(duì)比試驗(yàn)，結(jié)果如圖9所示。由圖9可知：4 種指標(biāo)均能明顯區(qū)分軸承的健康與故障狀態(tài)，然而，RCC 和PPF 對(duì)外圈的故障程度難以區(qū)分，ICS2 僅能區(qū)分出部分樣本，而CHMR 能夠清晰完整地區(qū)分軸承的故障程度。

對(duì)于內(nèi)圈故障，選取健康軸承、3 號(hào)（內(nèi)圈中等故障）和4號(hào)（內(nèi)圈嚴(yán)重故障）軸承的各50個(gè)數(shù)據(jù)樣本進(jìn)行對(duì)比試驗(yàn)，結(jié)果與圖9相似，限于篇幅未列出。結(jié)果表明，RCC 和PPF 很難區(qū)分故障程度，ICS2 能夠區(qū)分部分樣本，而CHMR 區(qū)分效果最好。

圖9 基于不同指標(biāo)的外圈故障程度區(qū)分結(jié)果

對(duì)于滾動(dòng)體故障，選取健康軸承、5 號(hào)（滾動(dòng)體輕微故障）和6號(hào)（滾動(dòng)體嚴(yán)重故障）軸承的各50個(gè)數(shù)據(jù)樣本進(jìn)行對(duì)比試驗(yàn)，結(jié)果如圖10所示。

圖10 基于不同指標(biāo)的滾動(dòng)體故障程度區(qū)分結(jié)果

由圖10 可知：4 種指標(biāo)均能明顯區(qū)分出6 號(hào)軸承的故障；不同于外圈和內(nèi)圈的區(qū)分結(jié)果，對(duì)于5號(hào)軸承故障，由于其剝落面積過(guò)?。ㄒ?jiàn)圖5（e）），各個(gè)指標(biāo)對(duì)5號(hào)軸承的故障識(shí)別效果不如6號(hào)軸承；具體地，RCC 和ICS2 指標(biāo)均無(wú)法對(duì)5 號(hào)軸承進(jìn)行故障狀態(tài)與健康狀態(tài)區(qū)分，僅PPF 和CHMR 能夠部分區(qū)分上述2 種狀態(tài)，且CHMR 區(qū)分效果更好。

綜上所述，相較于3 個(gè)經(jīng)典指標(biāo)，提出的CHMR 在列車軸箱軸承故障程度區(qū)分能力上更具優(yōu)勢(shì)，更適用于軸承故障程度的自主識(shí)別。

4.4 基于西格瑪原則的故障分級(jí)

根據(jù)西格瑪原則，基于現(xiàn)有的試驗(yàn)數(shù)據(jù)，可以進(jìn)一步自主辨識(shí)故障等級(jí)。以軸承外圈故障為例，根據(jù)“3 級(jí)4 段制”狀態(tài)分級(jí)法，分別計(jì)算外圈軸承的1 級(jí)閾值、2 級(jí)閾值和3 級(jí)閾值，結(jié)果如圖11所示。對(duì)于新的數(shù)據(jù)樣本，首先計(jì)算CHMR，然后與現(xiàn)有分級(jí)閾值比較，超過(guò)1 級(jí)閾值而不超過(guò)2級(jí)閾值，判斷軸承處于亞健康狀態(tài)，需要持續(xù)地對(duì)軸承進(jìn)行監(jiān)測(cè)；超過(guò)2 級(jí)閾值而不超過(guò)3 級(jí)閾值，判斷軸承處于中度故障狀態(tài)，需要在一定時(shí)間內(nèi)安排維修作業(yè)；超過(guò)3級(jí)閾值，判斷軸承處于嚴(yán)重故障狀態(tài)，需要盡快對(duì)軸承采取維修措施。“3級(jí)4段制”狀態(tài)分級(jí)法的優(yōu)勢(shì)在于能夠從統(tǒng)計(jì)的角度量化軸承的狀態(tài)區(qū)間，進(jìn)而設(shè)定劃分故障等級(jí)的閾值，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的列車軸箱軸承故障程度分級(jí)。

圖11 列車軸箱軸承“3級(jí)4段制”狀態(tài)分級(jí)法

5 結(jié) 論

（1）針對(duì)多信號(hào)源混疊問(wèn)題，提出能夠有效地從多源混疊的原始振動(dòng)信號(hào)中快速選取最優(yōu)濾波頻段的Ginigram 方法；針對(duì)故障程度量化問(wèn)題，基于Ginigram 方法濾波信號(hào)的SES 建立了二元假設(shè)模型，進(jìn)而提出能夠自主識(shí)別軸承故障部位和量化軸承故障程度的CHMR，并由CHMR 的統(tǒng)計(jì)特性和西格瑪原則提出列車軸箱軸承“3 級(jí)4 段制”狀態(tài)分級(jí)方法。

（2）Ginigram 方法相較于Kurtogram 方法能更優(yōu)地從多信號(hào)源混疊的原始振動(dòng)信號(hào)中識(shí)別微弱故障特征所在的最優(yōu)解調(diào)頻段；CHMR 相較傳統(tǒng)的循環(huán)分量比、二階循環(huán)平穩(wěn)指標(biāo)和故障出現(xiàn)率，一方面能夠更準(zhǔn)確地識(shí)別軸承的故障部位，另一方面能夠更清晰地區(qū)分出軸承的故障程度。

（3）本文所提方法適用于軸承單故障情況，未來(lái)將考慮多故障（軸箱軸承、車輪踏面、牽引齒輪等）并發(fā)條件下的耦合關(guān)系，以提升故障自主識(shí)別方法在多故障條件下的魯棒性和穩(wěn)定性。此外，所提方法在軸箱軸承的早期典型故障診斷方面取得了顯著效果，未來(lái)將針對(duì)軸承后期非典型故障特征下的故障特征量化問(wèn)題進(jìn)一步研究，以拓展本算法的工程適用范圍。