徐磊，王田天，謝勁松，陽勁松，高廣軍

(1.中南大學(xué)交通運(yùn)輸工程學(xué)院，湖南長沙，410083；2.中車青島四方機(jī)車車輛股份有限公司，山東青島，266229)

軸箱軸承是高速列車的關(guān)鍵機(jī)械部件之一，其工作狀態(tài)會(huì)對列車的安全性和穩(wěn)定性產(chǎn)生重大影響[1]。在高速列車運(yùn)行過程中，長時(shí)間高速旋轉(zhuǎn)和重載共同作用導(dǎo)致軸箱軸承不可避免地出現(xiàn)性能退化和故障。軸箱軸承的故障若未及時(shí)處理，則會(huì)影響列車的正常運(yùn)行，甚至?xí)斐芍卮蟮慕?jīng)濟(jì)損失或危及生命安全[2-3]。軸箱軸承的故障診斷技術(shù)對于保障高速列車的安全運(yùn)行具有重要的意義。在軸承的故障診斷中，基于振動(dòng)信號的診斷技術(shù)因其較高的可靠性已被廣泛使用[4]，其關(guān)鍵是從振動(dòng)信號中準(zhǔn)確提取軸承的故障特征信息。當(dāng)前，時(shí)域、頻域和時(shí)頻域等分析方法被廣泛應(yīng)用于軸承的故障診斷。龍?jiān)吹萚5]提出了一種基于希爾伯特-黃變換和時(shí)頻域參數(shù)指標(biāo)相結(jié)合的機(jī)車軸承故障診斷方法。小波變換結(jié)果可以用于區(qū)分振動(dòng)信號中的噪聲和沖擊成分，是處理不穩(wěn)定和非線性信號的一種有用方法[6]。楊慧瑩等[7]基于小波閾值去噪原理并結(jié)合全變差極小化技術(shù)去除振動(dòng)信號中的強(qiáng)背景噪聲。田晶等[8]采用集成經(jīng)驗(yàn)?zāi)B(tài)對滾動(dòng)軸承故障信號進(jìn)行分解，采用峭度度量因子準(zhǔn)則篩選出有效的本征模式分量以實(shí)現(xiàn)故障診斷。對振動(dòng)信號進(jìn)行降噪處理后，需要準(zhǔn)確提取軸承的故障特征信息，并采用這些信息來分析軸承的健康狀態(tài)。WANG等[9]在軸承的故障診斷中提出一種獲取增強(qiáng)包絡(luò)譜的有效方法。黃傳金等[10]提出了一種基于復(fù)包絡(luò)譜的滾動(dòng)軸承故障特征提取方法，依據(jù)復(fù)數(shù)形式的包絡(luò)信號傅里葉譜提取滾動(dòng)軸承的復(fù)合故障特征頻率。LIU等[11]采用主成分分析法(principal component Analysis,PCA)降低原始特征矩陣的維數(shù)，以降低數(shù)據(jù)的復(fù)雜度，保留原始特征空間中的主要信息。鄭恒等[12]基于K 均值聚類算法和核主成分分析(kernel principal component analysis,KPCA)方法提出了聚KPCA 方法，利用均值聚類算法對相似特征進(jìn)行聚類，再使用KPCA對聚類后的特征進(jìn)行降維以提高故障診斷的準(zhǔn)確率?；谡駝?dòng)信號的軸承診斷技術(shù)在一定程度上能較好地實(shí)現(xiàn)故障診斷，這些診斷方法的研究為高鐵軸承的診斷提供了理論基礎(chǔ)，但診斷方法的工程適用性和有效性仍有待進(jìn)一步研究和驗(yàn)證。

由于實(shí)驗(yàn)室模擬各種軸承故障十分方便，試驗(yàn)平臺運(yùn)行參數(shù)可控，采集的故障樣本數(shù)據(jù)受噪聲污染小，目前大多數(shù)軸承故障診斷研究中使用的故障樣本數(shù)據(jù)集都通過故障模擬試驗(yàn)臺獲得。SONG等[13]在低速軸承故障實(shí)驗(yàn)平臺模擬各種軸承故障，從加速度傳感器上獲取振動(dòng)信號。LIU等[14]利用從車輪軸承試驗(yàn)臺采集的振動(dòng)信號驗(yàn)證基于自適應(yīng)相關(guān)峭度圖的列車輪對軸承故障診斷方法的有效性和優(yōu)越性。DE GODóI等[15]在公開的軸承故障實(shí)驗(yàn)數(shù)據(jù)集上對基于極限機(jī)器學(xué)習(xí)機(jī)械旋轉(zhuǎn)部件故障診斷方法進(jìn)行驗(yàn)證。但實(shí)驗(yàn)室內(nèi)故障模擬試驗(yàn)臺的故障振動(dòng)樣本數(shù)據(jù)成分相對簡單，無法體現(xiàn)軸箱軸承復(fù)雜多變的真實(shí)運(yùn)行環(huán)境，同時(shí)受試驗(yàn)條件所限，獲取真實(shí)的故障軸承信號存在難度。黃晨光[16]將某型號動(dòng)車組健康軸箱軸承的真實(shí)信號作為一種特殊噪聲添加至軸箱軸承輪對試驗(yàn)臺故障軸承信號中，使用得到的疊加信號驗(yàn)證所提方法的有效性。

綜上所述，現(xiàn)有軸承故障診斷方法的試驗(yàn)研究結(jié)果在一定程度上驗(yàn)證了診斷原理及方法的有效性。由于受不同測量環(huán)境、不同操作條件、不同數(shù)據(jù)采集系統(tǒng)等因素的影響，實(shí)驗(yàn)室故障模擬試驗(yàn)平臺與實(shí)車狀態(tài)相差較大，故障模擬試件與真實(shí)高鐵軸承之間的故障特征存在巨大差異，因此，需要基于真實(shí)的軸箱軸承故障部件開展整車試驗(yàn)研究，并對故障診斷方法進(jìn)行進(jìn)一步探索和驗(yàn)證，以提出工程上可用的故障診斷技術(shù)。

1 軸箱軸承故障分析與滾動(dòng)試驗(yàn)

1.1 典型故障形式分析

受軌道不平順、輪軌復(fù)雜作用、牽引制動(dòng)載荷等耦合交變影響，高速列車軸箱軸承在重承載、高轉(zhuǎn)速、大激擾工況下，其各類型故障時(shí)有發(fā)生。通過對高速列車近9 000套軸箱軸承的分解檢修情況進(jìn)行統(tǒng)計(jì)，其故障形式主要包括變色、壓痕、剝離等。軸箱軸承變色主要是軸承發(fā)熱、銹腐蝕、油燒、電蝕等導(dǎo)致的零部件表面材料變色，軸箱軸承壓痕則是由于微粒異物或剝離金屬片在重載及高速旋轉(zhuǎn)作用下切削材料表面所致的環(huán)狀壓痕(位置及深度隨機(jī)分布)，軸箱軸承剝離主要是由于材料疲勞、局部過載、非金屬夾雜物等造成的零部件表面剝落。軸箱軸承典型故障形貌如圖1所示。

圖1 軸箱軸承典型失效形式Fig.1 Typical failure modes of axle box bearing

1.2 軸箱軸承檢修監(jiān)測現(xiàn)狀

目前，高速列車軸箱軸承的檢修執(zhí)行五級檢修規(guī)定，如圖2所示。其中，一、二級修以車輛不解編狀態(tài)下的目視檢查為主，三級修以輪對狀態(tài)下的目視檢查、低速跑合、聽診檢測為主，四級修以軸承分解檢查為主，五級修便是更換或更新零部件[17]。為進(jìn)一步強(qiáng)化高速列車軸箱軸承的安全保障措施，目前在高鐵沿線重要站點(diǎn)安裝軸承軌邊聲學(xué)檢測裝置用于列車低速通過時(shí)識別潛在重度剝離故障。隨著列車故障預(yù)測與健康管理技術(shù)應(yīng)用推廣，車載溫度振動(dòng)復(fù)合監(jiān)測裝置逐步從復(fù)興號系列動(dòng)車組開始小批量應(yīng)用，可實(shí)現(xiàn)高速列車軸箱在途監(jiān)測、診斷預(yù)警、遠(yuǎn)程傳輸?shù)裙δ?，使軸箱軸承修程延長，并使預(yù)測性維修技術(shù)得到研究和應(yīng)用。

圖2 高速列車軸箱軸承檢修監(jiān)測現(xiàn)狀Fig.2 Monitoring and examining of axle box bearing of high-speed train

1.3 軸箱軸承滾動(dòng)試驗(yàn)

車載軸承溫度振動(dòng)復(fù)合監(jiān)測裝置逐步得到批量應(yīng)用，狀態(tài)數(shù)據(jù)獲取條件已經(jīng)具備。當(dāng)前，如何基于振動(dòng)監(jiān)測數(shù)據(jù)實(shí)現(xiàn)典型故障準(zhǔn)確診斷、促進(jìn)檢修手段更新是工程應(yīng)用的關(guān)鍵。為此，本文以故障軸箱軸承為對象，開展整車滾動(dòng)試驗(yàn)研究。

構(gòu)建基于振動(dòng)信號的軸箱軸承故障診斷指標(biāo)需要對軸承振動(dòng)響應(yīng)機(jī)理進(jìn)行系統(tǒng)分析與試驗(yàn)研究。然而，高速列車軸箱軸承的振動(dòng)響應(yīng)受干擾噪聲、信號傳遞路徑及工況影響，其特征較復(fù)雜。為了獲取高速列車軸箱軸承在實(shí)際載荷、裝配狀態(tài)、不同轉(zhuǎn)速、其他旋轉(zhuǎn)件激擾下的振動(dòng)響應(yīng)信號，以整車滾動(dòng)試驗(yàn)臺為基礎(chǔ)，以實(shí)車檢修拆卸的故障軸承為對象，設(shè)計(jì)高鐵軸承故障試驗(yàn)場景。通過采集系統(tǒng)配置、傳感器位置優(yōu)選、信號傳遞路徑對比、工況設(shè)計(jì)，形成高鐵軸承故障振動(dòng)響應(yīng)數(shù)據(jù)測試試驗(yàn)方案。

1.3.1 整車滾動(dòng)試驗(yàn)平臺

故障試驗(yàn)系統(tǒng)主要由整車滾動(dòng)試驗(yàn)臺和故障軸承組成，整車滾動(dòng)試驗(yàn)臺保證了試驗(yàn)條件與實(shí)車條件的一致性，實(shí)車拆卸的故障軸承保證了試驗(yàn)對象與真實(shí)對象的一致性，因此，該故障試驗(yàn)系統(tǒng)獲取的故障響應(yīng)數(shù)據(jù)與實(shí)車監(jiān)測數(shù)據(jù)具有一致性。

整車滾動(dòng)試驗(yàn)臺及其結(jié)構(gòu)原理如圖3所示。該實(shí)驗(yàn)系統(tǒng)由CRH380A 頭車為車輛平臺，列車4 條輪對更換故障軸承與驅(qū)動(dòng)輪配合相對運(yùn)動(dòng)，兩端工裝與列車車鉤相連保證試驗(yàn)過程中車身的穩(wěn)定性，試驗(yàn)系統(tǒng)與線路實(shí)車運(yùn)行車輛的幾何結(jié)構(gòu)完全一致，載荷形式相似，邊界條件接近?；谠搶?shí)驗(yàn)系統(tǒng)獲取的振動(dòng)響應(yīng)數(shù)據(jù)，真實(shí)和完整地反映實(shí)車振動(dòng)狀態(tài)，對促進(jìn)故障特征提取及診斷方法的工程化應(yīng)用具有重要價(jià)值。

圖3 整車滾動(dòng)試驗(yàn)臺結(jié)構(gòu)原理Fig.3 Structures of high speed train full size roller rig

1.3.2 整車滾動(dòng)試驗(yàn)設(shè)計(jì)

本試驗(yàn)以統(tǒng)計(jì)的高發(fā)和高危故障為研究對象，使用CRH380A 型動(dòng)車組NTN CRI-2692 雙列圓錐滾子軸承，選取正常、壓痕和剝離故障試件，安裝在整車滾動(dòng)試驗(yàn)臺的2組轉(zhuǎn)向架上。軸承的安裝位置定位如圖4所示，面向車頭方向，分為左側(cè)軸承和右側(cè)軸承。從車頭往后，2 個(gè)轉(zhuǎn)向架4 根車軸依次定義為第一軸、第二軸、第三軸和第四軸。編號B1至B8的軸承在列車上的安裝位置依次為左1、左2、右1、右2、左3、左4、右3 和右4。其中，B1和B5為正常軸承，B2，B7和B8為外圈壓痕故障軸承，B3 和B6 為剝離故障軸承，B4 為外圈銹蝕故障軸承。具體軸承試件信息見表1。

圖4 軸承位置與傳感器布局定義Fig.4 Definition of bearing position and sensor layout

表1 軸承試件信息Table 1 Information of bearing specimens

測試對象涵蓋8 個(gè)軸承，在每個(gè)軸承上布置2個(gè)測點(diǎn)，共16 個(gè)傳感器。圖4 中，1～16 代表傳感器編號，其中奇數(shù)編號傳感器垂向布置，偶數(shù)編號傳感器水平布置。為了可靠測試軸承振動(dòng)響應(yīng)數(shù)據(jù)，對軸承的測點(diǎn)進(jìn)行設(shè)計(jì)。根據(jù)高速列車軸箱軸承結(jié)構(gòu)設(shè)計(jì)，在運(yùn)行過程中軸承主要承受車輛垂向載荷以及輪軌縱向、橫向、垂向力，軸箱軸承與軸箱體接觸上方區(qū)域?yàn)槌休d區(qū)，下方為非承載區(qū)。當(dāng)軸承內(nèi)部零件存在局部故障損傷時(shí)，由于載荷的作用，承載區(qū)會(huì)隨著軸承的旋轉(zhuǎn)產(chǎn)生周期性沖擊，這些沖擊能量能夠被安裝在軸箱體附近并且靠近承載區(qū)的振動(dòng)傳感器采集，可運(yùn)用信號處理方法進(jìn)行軸承故障的定性分析和定量診斷。在非承載區(qū)，由于沒有載荷作用，局部故障損傷難以引起沖擊，故不在該區(qū)域布置傳感器。

采用多種測試工況充分模擬實(shí)車各速度區(qū)間的運(yùn)行工況。在試驗(yàn)過程中，通過整車滾動(dòng)試驗(yàn)臺驅(qū)動(dòng)車輛輪對均勻加速到若干個(gè)設(shè)定速度后保持一段時(shí)間勻速運(yùn)行。完整工況設(shè)計(jì)如表2 所示，包括19 個(gè)工況，速度區(qū)間為0～350 km/h，涵蓋正線運(yùn)行的行車速度。

表2 試驗(yàn)工況設(shè)計(jì)Table 2 Design of test conditions

2 軸承故障診斷技術(shù)研究

以試驗(yàn)獲取的振動(dòng)響應(yīng)數(shù)據(jù)為基礎(chǔ)，從時(shí)域特征、頻域特征、多指標(biāo)融合共3方面研究適用于高速列車軸箱軸承的故障診斷技術(shù)，并進(jìn)一步研究軸承故障特征與運(yùn)行速度的關(guān)系，確定軸承故障診斷的最佳速度區(qū)間。

2.1 時(shí)域沖擊識別

在滾動(dòng)軸承運(yùn)轉(zhuǎn)過程中，當(dāng)軸承內(nèi)圈、外圈和滾子等部件的表面出現(xiàn)損傷時(shí)，會(huì)在振動(dòng)響應(yīng)中產(chǎn)生沖擊信號，并且不同部件的沖擊間隔和波形特征不同。因此，通過識別時(shí)域波形中沖擊間隔，可以初步、直觀地判定軸承的健康狀態(tài)和故障類型。

2.1.1 降噪方法有效性驗(yàn)證

軸承的振動(dòng)信號往往噪聲較強(qiáng)，沖擊特征被淹沒，難以直觀識別。為此，對比常用的降噪方法(包括小波軟閾值降噪(wavelet soft threshold denoising,WS)、小波硬閾值降噪(wavelet hard threshold denoising,WH)、相鄰系數(shù)降噪(neighbor coefficient denoising,NC) 與奇異值分解降噪(singular value decomposition,SVD)方法)，以研究各方法在高速列車軸承沖擊識別中的有效性，為工程應(yīng)用選定合適方法。以B4(外圈銹蝕)與B6(外圈剝離)這2 個(gè)故障形式和程度的軸承為例，選取100 km/h 穩(wěn)定運(yùn)行工況下、0.1 s 時(shí)長的軸承水平方向振動(dòng)信號，對不同降噪方法進(jìn)行對比，結(jié)果分別如圖5和圖6所示。

B6 和B4 這2 種軸承故障均屬于外圈故障，結(jié)合軸承參數(shù)和機(jī)理分析可知，這2種型號軸承的外圈故障時(shí)域沖擊間隔為0.012 s。

從圖5 可見：B6 存在較嚴(yán)重的外圈損傷，原始波形中存在不顯著的等間隔沖擊(見圖5(a))；對該軸承的振動(dòng)響應(yīng)原始數(shù)據(jù)進(jìn)行降噪(WS 和NC，見圖5(b)和圖5(d))，能顯著識別出0.012 s 的等間隔沖擊，說明小波軟閾值降噪和相鄰系數(shù)降噪方法均能較好地識別出高鐵軸承的外圈嚴(yán)重?fù)p傷時(shí)域沖擊波形；經(jīng)WH 處理(見圖5(c))后，雖然能識別出沖擊波形，但信號中存在較多其他間隔的沖擊成分，易對診斷結(jié)果產(chǎn)生干擾；經(jīng)SVD處理(見圖5(e))后，降噪效果不顯著，不利于沖擊間隔的識別和提取。

圖5 B6軸承降噪方法對比Fig.5 Noise reduction methods comparison for bearing B6

從圖6 可見：B4 存在典型的外圈銹蝕故障；原始波形中存在等間隔的沖擊(圖6(a))；對該軸承的振動(dòng)響應(yīng)原始數(shù)據(jù)進(jìn)行降噪(NC)后，能顯著地識別出0.012 s 的等間隔沖擊，說明相鄰系數(shù)降噪方法能較好地識別出高鐵軸承外圈銹蝕導(dǎo)致的時(shí)域沖擊波形；經(jīng)WS 和WH(見圖6(b)和圖6(c))后，雖然能識別出沖擊波形，但信號中存在較多其他間隔的沖擊成分，易對診斷結(jié)果產(chǎn)生干擾；經(jīng)SVD處理(圖6(e))后，降噪效果不顯著，不利于沖擊間隔的識別和提取。

圖6 B4軸承降噪方法對比Fig.6 Noise reduction methods comparison for bearing B4

通過對比上述2 個(gè)典型故障形式?jīng)_擊波形可知，相鄰系數(shù)降噪方法(NC)能有效降低軸承振動(dòng)信號中的噪聲成分，并保留軸承損傷導(dǎo)致的沖擊成分，可為軸承故障的初步診斷提供關(guān)鍵技術(shù)支持。該結(jié)論源于實(shí)車試驗(yàn)數(shù)據(jù)的分析和對比，能為工程應(yīng)用中方法的選擇提供重要參考。

2.1.2 基于相鄰系數(shù)（NC）降噪的軸承故障沖擊識別

選取100 km/h 穩(wěn)定運(yùn)行工況下0.1 s 時(shí)長的軸承水平方向振動(dòng)信號，以優(yōu)選的相鄰系數(shù)降噪方法對本次試驗(yàn)的8個(gè)(B1，B2，…，B8)不同損傷類型和形式的軸承進(jìn)行降噪處理，結(jié)果如圖7所示。

降噪時(shí)域波形圖7(a)和圖7(e)(B1和B5軸承)中不存在顯著的沖擊成分，并且其時(shí)域幅值在±1g(g=9.8 m/s2)之間，振動(dòng)強(qiáng)度較低，因此，可判定B1和B5是正常軸承，與實(shí)際試故障狀態(tài)相同。

圖7(c)和圖7(f)中(B3和B6軸承)的振動(dòng)幅值分別為±5g和±20g，顯著大于正常軸承的振動(dòng)幅值，因此，可判定軸承存在較嚴(yán)重?fù)p傷。在降噪時(shí)域波形中提取沖擊成分的間隔為0.012 s，對應(yīng)于外圈的故障特征。因此，可判定軸承B3和B6存在嚴(yán)重的外圈故障，與試驗(yàn)工況中B3和B6試件的外圈剝離故障情況相吻合。

圖7(b)和圖7(d)中(B2 和B4 軸承)振動(dòng)幅值分別為±1g和±2g，且均存在間隔為0.012 s 的沖擊成分，因此，可以判定軸承B2和B4均存在一定程度的外圈損傷，并且B4軸承的損傷程度大于B2軸承的損傷程度。試驗(yàn)試件中B2 軸承存在有觸感的外圈壓痕，而B4 存在明顯觸感的多處銹蝕，驗(yàn)證了診斷結(jié)果的準(zhǔn)確性。

圖7 NC降噪時(shí)域波形Fig.7 Time domain waveforms after NC denoising

圖7(g)和圖7(h)中(B7 和B8 軸承)振動(dòng)幅值分別為±2g和±4g，大于正常軸承的±1g，因此，可判定軸承存在一定程度的故障。但其時(shí)域波形不存在清洗的等間隔沖擊，因此，僅從時(shí)域波形特征中難以進(jìn)一步判定軸承的故障類型。在實(shí)際試件中，B7 和B8 軸承存在輕微的外圈壓痕和滾子壓痕，該故障的特征未能在降噪時(shí)域波形中體現(xiàn)。

上述分析表明，基于相鄰系數(shù)降噪的時(shí)域振幅和沖擊波形能準(zhǔn)確判定軸承的狀態(tài)是正?；蚬收稀５珜τ诓糠州^輕微的故障，難以進(jìn)一步判定其具體故障類型。

2.2 頻域特征提取

時(shí)域信號中能通過沖擊波形識別軸承的嚴(yán)重故障，但對于部分微弱和復(fù)雜故障，需進(jìn)一步提取頻域特征。

當(dāng)軸承出現(xiàn)故障時(shí)，故障導(dǎo)致的沖擊將激發(fā)軸承的固有頻率，并且高頻的共振頻率往往被故障的低頻沖擊信號所調(diào)制。體現(xiàn)在頻譜上，軸承共振頻率附近出現(xiàn)以軸承故障特征頻率為間距的邊頻帶，因此，包絡(luò)解調(diào)方法常用于滾動(dòng)軸承的精密診斷。

2.2.1 包絡(luò)譜有效性驗(yàn)證

包絡(luò)解調(diào)方法的步驟主要包括提取包含故障信息的共振信號與解調(diào)兩部分。這里對比常用的快速傅里葉變換頻譜分析(fast Fourier transform,FFT)以及利用譜峭度(spectral Kurtosis,SK)、經(jīng)驗(yàn)小波分解(empirical wavelet decomposition,EWD)與變分模態(tài)分解(variational modal decomposition,VMD)提取共振頻帶的包絡(luò)解調(diào)方法，以研究各方法在高速列車軸承頻域故障特征提取中的有效性，為工程應(yīng)用選定合適方法。以B3(外圈剝離)與B8(外圈輕微壓痕)這2個(gè)故障形式的軸承為例，選取100 km/h穩(wěn)定運(yùn)行工況下振動(dòng)信號，對頻域特征提取方法進(jìn)行對比。

圖8和圖9所示分別為B3和B8軸承頻域特征，其中，圖(a)，(b)，(c)和(d)所示依次為快速傅里葉變換頻譜(FFT)以及利用譜峭度(SK)、經(jīng)驗(yàn)小波分解(EWT)與變分模態(tài)分解(VMD)提取共振頻帶后的包絡(luò)譜。B3和B8這2種軸承的故障均屬于外圈故障，結(jié)合軸承參數(shù)和機(jī)理分析可知，該型號軸承外圈故障在100 km/h 穩(wěn)定運(yùn)行工況下的特征頻率為83.35 Hz。

圖8 B3軸承頻域特征提取Fig.8 Feature extracting in frequency domain of bearing B3

圖9 B8軸承頻域特征提取Fig.9 Feature extracting in frequency domain of bearing B8

對于剝離的存在嚴(yán)重外圈故障的軸承B3，直接采用FFT進(jìn)行頻分析，結(jié)果見圖8(a)，發(fā)現(xiàn)在低頻范圍內(nèi)難以觀測到故障頻率的1×及2×(×為故障特征頻率階次)成分，不利于外圈故障的準(zhǔn)確識別。采用SK，EWT和VMD提取共振頻帶后的包絡(luò)譜，從這3種包絡(luò)譜都能清晰地識別出外圈故障的1×，2×和3×等頻率成分，見圖8(b)，8(c)和8(d)。因此，從包絡(luò)譜中可有效提供軸承故障特征。

對于壓痕的輕微故障軸承B8，直接采用FFT進(jìn)行頻分析，結(jié)果見圖9(a)，發(fā)現(xiàn)在低頻范圍內(nèi)難以觀測到外圈特征頻率1×和2×成分，且存在較多干擾頻率成分，不利于外圈故障的準(zhǔn)確識別。圖9(b)所示為SK 提取共振頻帶后的包絡(luò)譜，未能從其中識別出軸承的外圈特征頻率。圖9(c)所示為EWT 提取共振頻帶后的包絡(luò)譜，雖然從其中能觀測到外圈特征頻率1×和2×成分，但是峰值不明顯，且存在其他譜峰干擾，不利于對外圈故障進(jìn)行診斷。圖9(d)所示為VMD提取共振頻帶后的包絡(luò)譜，從該包絡(luò)譜能觀測到外圈特征頻率1×和2×成分相應(yīng)的譜峰，其他頻率成分不存在峰值。

上述分析表明，包絡(luò)譜分析是有效的高鐵軸承故障特征提取方法，并且VMD方法在嚴(yán)重和輕微故障軸承中均有較好的特征提取效果。

2.2.2 基于VMD包絡(luò)譜的軸承故障頻率提取

以優(yōu)選的VMD濾波的包絡(luò)譜分析方法，選取100 km/h穩(wěn)定運(yùn)行工況下振動(dòng)信號，對本次試驗(yàn)的8個(gè)(B1，B2，…，B8)不同損傷類型和形式的軸承進(jìn)行特征提取和故障識別，結(jié)果如圖10所示。

圖10 VMD濾波包絡(luò)譜Fig.10 Envelope spectrums after VMD filtering

從B1 軸承的VMD 濾波包絡(luò)譜(圖10(a))和B5軸承VMD 濾波包絡(luò)譜(圖10(e))可見：頻域幅值整體較低，在(0.02～0.03)g之間，且不存故障的倍頻成分。因此，可判定B1和B5是正常軸承，與實(shí)際試驗(yàn)試件相吻合。

從B6軸承的VMD濾波包絡(luò)譜(圖10(f))可見其譜峰達(dá)到1g，顯著大于正常軸承的峰值，且包絡(luò)譜中在外圈故障特征頻率處存在明顯譜峰，因此，可以判定B6 軸承存在嚴(yán)重的外圈故障，這與試驗(yàn)工況中B6試件的外圈剝離故障情況相吻合。

從B3 軸承的VMD 濾波包絡(luò)譜(圖10(c))和B4軸承的VMD濾波包絡(luò)譜(圖10(d))可見，頻域幅值整體比正常軸承的大，在(0.15～0.20)g之間，且在外圈故障特征頻率處存在清晰譜峰，因此，可以判定軸承B3和B4均存在較嚴(yán)重的外圈損傷。試驗(yàn)試件中B3軸承外圈剝離，而B4存在明顯觸感的多處銹蝕，驗(yàn)證了診斷結(jié)果的準(zhǔn)確性。

從B2，B7和B8軸承VMD濾波包絡(luò)譜(分別見圖10(b)、10(g)和10(h))可見，頻域幅值整體上比正常軸承的略大，在(0.02～0.04)g之間，且在外圈的1×和2×故障特征頻率處，均能識別出不顯著的譜峰，因此，可以判定軸承B2，B7 和B8 均存在較輕微的外圈故障。在試驗(yàn)試件中，B2和B8均存在外圈壓痕故障，B7 外圈存在1 處小傷，驗(yàn)證了包絡(luò)譜特征的準(zhǔn)確性。

上述分析表明，采用VMD濾波的包絡(luò)譜分析方法能準(zhǔn)確提取高鐵軸承的外圈故障。據(jù)特征頻率處的清晰譜峰可以判定故障類型，頻譜幅值能準(zhǔn)確反映故障的嚴(yán)重程度。

2.3 多指標(biāo)融合聚類

利用上述降噪后的時(shí)域沖擊識別和包絡(luò)解調(diào)的頻域特征提取技術(shù)，可以在沒有大量樣本的基礎(chǔ)上，根據(jù)故障機(jī)理有效識別出軸承處于正?；蛘吖收蠣顟B(tài)，并確定故障位置是在內(nèi)圈還是在外圈或者滾動(dòng)體等部位，但對于外圈的剝離、銹蝕、壓痕等故障難以進(jìn)一步區(qū)分。

在具有各類型故障對應(yīng)的標(biāo)準(zhǔn)樣本庫的基礎(chǔ)上，可通過多特征融合的手段對未知樣本進(jìn)行聚類，以精確判定故障的類型。本節(jié)通過構(gòu)建軸承健康評價(jià)指標(biāo)集合，并采用主成分分析(PCA)、核主分量分析(KPCA)、線性局部切空間排列(LLTSA)與局部保留投影(LPP)等信息融合與數(shù)據(jù)降維方法，對試驗(yàn)軸承振動(dòng)響應(yīng)數(shù)據(jù)進(jìn)行聚類分析，以期精確識別正常、外圈剝離、外圈壓痕及外圈銹蝕4種狀態(tài)。

2.3.1 指標(biāo)選擇

常用的指標(biāo)包括有效值、最大值、方根幅值、峭度指標(biāo)、波形指標(biāo)及頻譜中心等。為盡量減少特征向量維數(shù)，首先對各時(shí)域與頻域指標(biāo)進(jìn)行篩選，剔除對軸承健康狀態(tài)檢測無用的指標(biāo)。

取100 km/h 工況下各軸承振動(dòng)信號，以1 s 時(shí)長的振動(dòng)響應(yīng)數(shù)據(jù)為1個(gè)樣本，初步測試不同指標(biāo)對軸承不同健康狀態(tài)的敏感程度，結(jié)果如圖11 所示(圖中橫坐標(biāo)依次為B1，B2，…，B8 軸承對應(yīng)的振動(dòng)數(shù)據(jù)樣本序號，每個(gè)軸承取54 個(gè)樣本，以豎虛線間隔，縱坐標(biāo)為各樣本對應(yīng)的指標(biāo))。

從圖11 可見：部分指標(biāo)如峰值指標(biāo)、脈沖指標(biāo)及裕度指標(biāo)等特征幅值波動(dòng)大，且對于不同故障程度軸承指示程度不明顯，難以用于軸承狀態(tài)的識別；均方根、峭度指標(biāo)和頻譜均值等波動(dòng)小，在軸承不同健康狀態(tài)下，它們的變化也很大。

圖11 不同指標(biāo)對健康狀態(tài)的敏感程度Fig.11 Sensitivities of different indicators to health status

最終選取如表3 所示的7 個(gè)時(shí)域指標(biāo)(P1，P2，…，P7)、9 個(gè)傅里葉變換頻譜的頻域指標(biāo)、9 個(gè)Hilbert包絡(luò)譜頻域指標(biāo)(S1，S2，…，S9)及1個(gè)小波能量熵時(shí)頻指標(biāo)(En)，構(gòu)成總維數(shù)為26 的特征向量。表3 中，N為總數(shù)據(jù)點(diǎn)數(shù)，i為數(shù)據(jù)點(diǎn)序號，x(i)為時(shí)域振動(dòng)加速度，xˉ為時(shí)域振動(dòng)加速度均值，fi為頻域頻率值，s(i)為頻域頻率幅值，sˉ為頻域頻率均值，M為小波包分解頻帶數(shù)，P(i)為頻帶能量比。

表3 特征指標(biāo)Table 3 Characteristic indexes

2.3.2 指標(biāo)融合與評價(jià)

利用PCA，KPCA，LLTSA 與LPP 這4 種不同降維方法對優(yōu)選的26 個(gè)特征進(jìn)行融合，以一維空間內(nèi)故障樣本數(shù)據(jù)的聚類結(jié)果區(qū)分不同故障類型。

圖12(a)，(b)，(c)和(d)所示分別為PCA，KPCA，LLTSA與LPP進(jìn)行指標(biāo)融合后的各類型故障軸承的聚類結(jié)果(圖中橫坐標(biāo)依次為B1，B2，…，B8 軸承對應(yīng)的振動(dòng)數(shù)據(jù)樣本序號，每個(gè)軸承取54 個(gè)樣本，以豎虛線間隔；縱坐標(biāo)為各樣本的26維指標(biāo)所融合的一維指標(biāo))。

從圖12(a)和圖12(b)可以看出：在PCA 和KPCA 指標(biāo)融合結(jié)果中，B1，B5 和B8 聚合為一類，B2 和B7 聚合為一類，B4 為單獨(dú)一類，B3 和B6為單獨(dú)一類；在有先驗(yàn)信息和樣本庫的基礎(chǔ)上，可以判定B4 為外圈銹蝕，B3 和B6 為外圈剝離，B2 和B7 被判定為輕微外圈故障。而B8 將被認(rèn)為是與B1和B5一樣的正常樣本，從而造成誤判。

從圖12(c)和圖12(d)可以看出：在LLTSA 和LPP 指標(biāo)融合結(jié)果中，B1 和B5 聚合為一類，B2，B7和B8聚合為一類，B4為單獨(dú)一類，B3和B6為單獨(dú)一類。因此，在有先驗(yàn)信息和樣本庫的基礎(chǔ)上，可以實(shí)現(xiàn)外圈銹蝕、剝離與輕微損傷的識別。

圖12 指標(biāo)融合方法的故障聚類效果對比Fig.12 Comparisons of fault clustering effect based on index fusing

為了進(jìn)一步評價(jià)融合指標(biāo)的聚類效果，利用類內(nèi)距離與類間距離構(gòu)建指標(biāo)η定量評價(jià)指標(biāo)融合方法故障聚類效果。

Ci類與Cj類的類間距為

設(shè)所有類內(nèi)距離均值為SI，所有類間距離均值為SO，可建立聚類效果評價(jià)指標(biāo)：

η越大，則聚類效果越好。

進(jìn)一步計(jì)算不同降維方法對100 km/h 工況下振動(dòng)信號的指標(biāo)融合與故障聚類效果評價(jià)指標(biāo)η，結(jié)果如表4所示。從表4可見：用LPP指標(biāo)融合方法取得的故障聚類效果最佳，其融合后的一維指標(biāo)更有利于對軸承故障的辨識。因此，可通過大量收集振動(dòng)響應(yīng)故障樣本，建立樣本庫并劃分各故障類型對應(yīng)的一維融合指標(biāo)閾值區(qū)間，從而對高鐵軸承故障類型進(jìn)行準(zhǔn)確識別。

表4 故障聚類效果評價(jià)指標(biāo)ηTable 4 Evaluation index of fault clustering effect

2.4 敏感診斷工況研究

列車行車過程中將遍歷0～350 km/h 的運(yùn)行速度，而軸承的故障特征隨工況變化，因此，在選擇合適故障診斷方法的基礎(chǔ)上，確定故障診斷的最佳速度區(qū)間也是工程應(yīng)用中的關(guān)鍵。本節(jié)通過對比不同運(yùn)行速度下所提取的軸承故障特征，選取最適合進(jìn)行故障診斷的速度區(qū)間。

從前面分析可知VMD分解的頻域特征提取方法對于高鐵軸承識別有良好的效果。以典型外圈故障軸承B3 和B4 軸承為例，分別用VMD 對其振動(dòng)信息進(jìn)行頻譜分析，并提取故障特征頻率及其倍頻的能量，將其與總能量的比值作為特征提取效果的評價(jià)指標(biāo)。該比值越大，說明特征頻率的譜峰越顯著，其他頻帶能量越低，越有利于故障診斷。所研究的運(yùn)行速度及各速度下相應(yīng)的故障特征頻率如表5所示。

表5 運(yùn)行速度與軸承故障特征頻率Table 5 Operating speeds and fault characteristic frequencies of bearing

所提取的故障特征頻帶與總能量的能量比隨運(yùn)行速度的變化如圖13所示。從圖13可以看出B4軸承的能量比整體上比B3 軸承的能量比大，說明B4 軸承的頻譜中故障特征頻率處的譜峰很顯著。圖10所示結(jié)果驗(yàn)證了所構(gòu)建的能量比的合理性。

從圖13 可見：能量比隨運(yùn)行速度的變化盡管在局部位置存在波動(dòng)，但整體變化規(guī)律是先增加后降低，這說明在低速和高速區(qū)間內(nèi)，故障特征不易于提??；當(dāng)行車速度低于50 km/h 或者大于250 km/h 時(shí)，都不利于軸承故障特征的提取。因此，在工程應(yīng)用中，在100～200 km/h 速度區(qū)間內(nèi)觸發(fā)采集軸承振動(dòng)信號，以保證所獲取的軸承振動(dòng)響應(yīng)數(shù)據(jù)的質(zhì)量可靠。

圖13 能量比隨運(yùn)行速度變化規(guī)律Fig.13 Variations of energy ratio with running speeds

進(jìn)一步對指標(biāo)融合方法的故障聚類效果隨運(yùn)行速度的變化進(jìn)行研究?；?.3節(jié)中以類間距離與類內(nèi)距離之比構(gòu)建的故障聚類效果評價(jià)指標(biāo)η，評價(jià)指標(biāo)融合方法在不同轉(zhuǎn)速區(qū)間的診斷效果，以便指標(biāo)融合方法用于故障聚類時(shí)能確定最佳轉(zhuǎn)速區(qū)間。

圖14 所示為不同行車速度下各指標(biāo)融合方法的故障聚類效果評價(jià)指標(biāo)η的變化規(guī)律。從圖14可以看出：各方法的故障聚類效果變化規(guī)律基本一致，在100 km/h 處達(dá)到峰值，且除了LPP 方法提取指標(biāo)波動(dòng)外，其他方法提取指標(biāo)在時(shí)速大于100 km/h后隨速度增大而降低，并且LPP方法的故障識別效果最佳；當(dāng)行車速度在100～200 km/h 區(qū)間內(nèi)時(shí)，通過特征融合與數(shù)據(jù)降維得到的故障評價(jià)指標(biāo)對軸承自身健康狀態(tài)的反映效果最好。

圖14 故障聚類效果指標(biāo)隨運(yùn)行速度變化規(guī)律Fig.14 Variations of fault clustering effect with running speeds

綜上所述，為了提高在線監(jiān)測和診斷的精度以及提升振動(dòng)數(shù)據(jù)采集和存儲效率，在軸承的振動(dòng)數(shù)據(jù)測試中，宜采用轉(zhuǎn)速觸發(fā)模式，獲取100～200 km/h速度區(qū)間內(nèi)的振動(dòng)信號。

3 結(jié)論

1)所開展的試驗(yàn)以實(shí)車為試驗(yàn)平臺，以實(shí)車拆卸的故障軸承為對象，相對于大多數(shù)軸承故障模擬試驗(yàn)更接近列車服役過程的真實(shí)狀態(tài)。因此，基于該試驗(yàn)數(shù)據(jù)所驗(yàn)證的方法、構(gòu)建的指標(biāo)及提出的閾值，對工程應(yīng)用均具有重要的參考價(jià)值。

2)時(shí)域沖擊波形特征能直觀和初步地反映軸承存在的故障，但須采取有效的降噪技術(shù)進(jìn)行信號處理。針對高鐵軸承振動(dòng)現(xiàn)象，相鄰系數(shù)降噪是有效的處理方法，該方法可準(zhǔn)確識別外圈剝離、銹蝕等嚴(yán)重故障，但對輕微壓痕故障難以診斷。

3)頻域特征提取能有效提取軸承的故障特征，VMD 濾波后的包絡(luò)譜分析是相對有效的軸承故障特征頻率提取方法。包絡(luò)譜幅值能準(zhǔn)確反映故障程度，故障特征頻率的倍頻是診斷該故障的可靠指標(biāo)。

4)在具有少量樣本的基礎(chǔ)上，可通過多指標(biāo)融合的聚類技術(shù)對故障類別進(jìn)行準(zhǔn)確判定。其中，LPP多指標(biāo)融合方法在高鐵軸承的外圈壓痕、銹蝕及剝離方面均具有較好的識別效果。

5)當(dāng)列車在100～200 km/h 速度區(qū)間內(nèi)時(shí)，由轉(zhuǎn)速觸發(fā)采集方法所得振動(dòng)數(shù)據(jù)中的故障特征更顯著。因此，在工程應(yīng)用中，推薦采用轉(zhuǎn)速觸發(fā)數(shù)據(jù)采集方法，以獲取高質(zhì)量數(shù)據(jù)和提升在線診斷方法的可靠性。

6)本文結(jié)論僅針對本次整車滾動(dòng)試驗(yàn)結(jié)果得出，所優(yōu)選的方法、聚類指標(biāo)區(qū)間的劃分及最佳工況的選擇等普適性及推廣性仍有待進(jìn)一步研究。后續(xù)將進(jìn)一步通過多車型的線路試驗(yàn)對診斷方法進(jìn)行優(yōu)化，對結(jié)論進(jìn)行驗(yàn)證和推廣。