地铁车辆转向架轴承的故障诊断方法技术

本发明专利技术涉及交通运输领域，提供了一种地铁车辆转向架轴承的故障诊断方法。针对现有技术中地铁车辆转向架滚动轴承的故障诊断不够智能化的问题，本发明专利技术通过直接采集地铁运行状态下的轴承加速度信号，并对其进行处理，得到多个频带内重构信号的包络频谱图，最后通过在包络频谱图内搜索与理论值相匹配的故障特征频率来进行故障诊断。从而可以完全脱离人工参与，由相应的装置来完成地铁车辆转向架轴承的故障诊断过程，也就是实现了列车运行状态下转向架轴承的故障诊断。

【技术实现步骤摘要】
地铁车辆转向架轴承的故障诊断方法
本专利技术涉及交通运输领域，具体涉及一种地铁车辆转向架轴承的故障诊断方法。
技术介绍
城市轨道交通在中国迅猛发展，其运营安全越来越受到关注。转向架轴承是地铁车辆上非常重要的部件，一旦出现故障将影响地铁列车的行车安全，如何对其进行在线智能故障诊断是一个值得研究的重要问题。滚动轴承常用的故障诊断方法有：振动诊断方法、温度诊断方法、声学诊断方法等。由于振动信号特征明显、检测手段成熟且易于实现在线监测，基于振动信号的诊断方法是目前应用最广泛的轴承故障诊断方法。一般情况下，可以从时域和频域两个角度来对振动信号进行分析。时域分析法可以简单判断轴承是否发生故障，但不能确定轴承的哪个元件出现故障，而频域分析法可以解决这个问题。传统频域分析法中主要是人通过观察频谱图中故障特征频率处有无谱峰来诊断故障，智能化程度低。近年来，人工神经网络等智能故障识别方法被提出并应用于轴承故障诊断。虽然整个诊断过程智能化程度高，但由于其必须要有故障训练样本才能完成故障诊断的初始化，执行起来较为复杂，不适于地铁运行状态下的实时故障诊断，工程应用不是很普及。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供一种地铁车辆转向架轴承的故障诊断方法，可以实现列车运行状态下转向架轴承的故障诊断。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：一种地铁车辆转向架轴承的故障诊断方法，其特征在于，该方法包括：采集轴承的振动加速度信号；从所述振动加速度信号中提取出多个频带内重构信号的包络频谱图；分别计算轴承的滚动体、外圈和内圈的故障特征频率的理论值；在所述包络频谱图中搜索与理论值相匹配的故障特征频率；根据搜索结果进行对该轴承的故障诊断。优选地，所述从所述振动加速度信号中提取出多个频带内重构信号的包络频谱图包括：对所述振动加速度信号进行三层小波包分解重构；对各频带的重构信号进行Hilbert变换以得到其包络；对各包络进行快速傅氏变换，得到各重构信号的包络频谱图。优选地，所述对所述振动加速度信号进行三层小波包分解和重构通过小波包分解算法和小波包重构算法实现。优选地，所述小波包分解算法包括：其中di,j,m为第j层小波包分解的第m个子频带的第i个系数；h(k)和g(k)为小波包滤波器系数。优选地，所述小波包重构算法包括：其中di,j,m为第j层小波包分解的第m个子频带的第i个系数；h(k)和g(k)为小波包滤波器系数。优选地，对各频带的重构信号进行Hilbert变换以得到其包络包括：利用Hilbert变换公式得到重构信号g(t)的Hilbert变换将所述重构信号g(t)及其Hilbert变换组合，得到解析信号所述重构信号的包络优选地，所述Hilbert变换公式为优选地，所述故障特征频率的理论值根据以下公式计算：转向架轴承滚动体故障特征频率转向架轴承外圈故障特征频率为转向架轴承内圈故障特征频率为其中d为滚动体直径，D为轴承节径，α为接触角，fr为内圈旋转频率，z为滚动体个数。优选地，在所述包络频谱图中搜索与理论值相匹配的故障特征频率包括：依次在每一个包络频谱图中分别搜索转向架轴承滚动体、外圈和内圈相对应的与理论值相匹配的故障特征频率；在每一次所述搜索完成后，若搜索到了与理论值相匹配的故障特征频率，则在之后的搜索过程中不再搜索同一类型的故障特征频率。优选地，对于每一个包络频谱图中，对应于转向架轴承滚动体、外圈和内圈中任意一个的故障特征频率搜索过程包括：步骤S1：初始化谐波次数N＝1；步骤S2：在以N倍故障特征频率的理论值为中心频率的频段内搜索最大值；步骤S3：若所述最大值对应的频率值与所述N倍故障特征频率的理论值相差不超过预设门限，则转至步骤S5；否则转至步骤S4；步骤S4：谐波次数N自增1，若此时谐波次数N>3，则以无匹配的故障特征频率为结果完成搜索，否则转至步骤S2；步骤S5：在所述频段内搜索次最大值，若所述最大值与该次最大值的比值大于预设临界值，则以该最大值对应的频率值为结果完成搜索，否则转至步骤S4。(三)有益效果本专利技术至少具有如下的有益效果：本专利技术通过直接采集地铁运行状态下的轴承加速度信号，并对其进行处理，得到多个频带内重构信号的包络频谱图，最后通过在包络频谱图内搜索与理论值相匹配的故障特征频率来进行故障诊断。从而可以完全脱离人工参与，由相应的装置来完成地铁车辆转向架轴承的故障诊断过程，也就是实现了列车运行状态下转向架轴承的故障诊断。相较于
技术介绍
的基于人工神经网络的智能故障识别方法，本专利技术不需要故障训练样本，所以诊断过程更加便于实施、更加智能化。当然，实施本专利技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一个实施例中地铁车辆转向架轴承的故障诊断方法流程图；图2是本专利技术一个实施例中三层小波包分解过程的示意图；图3是本专利技术一个实施例中对于每一个包络频谱图中，对应于转向架轴承滚动体、外圈和内圈中任意一个的故障特征频率搜索过程的算法流程图；图4是本专利技术一个验证实验中采集到的部分振动信号波形图(65536点)；图5是本专利技术一个验证实验中振动信号直接FFT后的频谱图(只显示0-200Hz)；图6是本专利技术一个验证实验中小波包分解后第三层第5个重构信号的包络频谱图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1本专利技术实施例提出了一种地铁车辆转向架轴承的故障诊断方法，参见图1，该方法包括：步骤101：采集轴承的振动加速度信号；步骤102：从所述振动加速度信号中提取出多个频带内重构信号的包络频谱图；步骤103：分别计算轴承的滚动体、外圈和内圈的故障特征频率的理论值；步骤104：在所述包络频谱图中搜索与理论值相匹配的故障特征频率；步骤105：根据搜索结果进行对该轴承的故障诊断。该方法属于基于振动信号的诊断方法中的频域分析法，主本文档来自技高网...

【技术保护点】
一种地铁车辆转向架轴承的故障诊断方法，其特征在于，该方法包括：采集轴承的振动加速度信号；从所述振动加速度信号中提取出多个频带内重构信号的包络频谱图；分别计算轴承的滚动体、外圈和内圈的故障特征频率的理论值；在所述包络频谱图中搜索与理论值相匹配的故障特征频率；根据搜索结果进行对该轴承的故障诊断。

【技术特征摘要】
1.一种地铁车辆转向架轴承的故障诊断方法，其特征在于，该方法包括：采集轴承的振动加速度信号；从所述振动加速度信号中提取出多个频带内重构信号的包络频谱图；分别计算轴承的滚动体、外圈和内圈的故障特征频率的理论值；在所述包络频谱图中搜索与理论值相匹配的故障特征频率；根据搜索结果进行对该轴承的故障诊断；其中，在所述包络频谱图中搜索与理论值相匹配的故障特征频率包括：依次在每一个包络频谱图中分别搜索转向架轴承滚动体、外圈和内圈相对应的与理论值相匹配的故障特征频率；在每一次所述搜索完成后，若搜索到了与理论值相匹配的故障特征频率，则在之后的搜索过程中不再搜索同一类型的故障特征频率；对于每一个包络频谱图中，对应于转向架轴承滚动体、外圈和内圈中任意一个的故障特征频率搜索过程包括：步骤S1：初始化谐波次数N＝1；步骤S2：在以N倍故障特征频率的理论值为中心频率的频段内搜索最大值；步骤S3：若所述最大值对应的频率值与所述N倍故障特征频率的理论值相差不超过预设门限，则转至步骤S5；否则转至步骤S4；步骤S4：谐波次数N自增1，若此时谐波次数N>3，则以无匹配的故障特征频率为结果完成搜索，否则转至步骤S2；步骤S5：在所述频段内搜索次最大值，若所述最大值与该次最大值的比值大于预设临界值，则以该最大值对应的频率值为结果完成搜索，否则转至步骤S4。2.根据权利要求1所述的方法，其特征在于，所述从所述振动加速度信号中提取出多个频带内重构信号的包络频谱图包括：对所述振动加速度信号进行三层小波包分解重构；对各频带的重构信号进行Hilbert变换以得到其包络；对各包络进行快速傅氏变换，得到各重构信号的包络频谱图。3.根据权利要求2所述的方法，其特征在于，所述对所述振动加速度信号进行三层小波包分解和重构通过小波包分解算法和小波包重构算法实现。...

【专利技术属性】
技术研发人员：刘建强，赵治博，魏远乐，刘绍凯，宋强，王竟飞，赵楠，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11