变转速火车滚动轴承故障特征频率提取方法技术

本发明专利技术公开了一种变转速火车滚动轴承故障特征频率提取方法，属于故障诊断与信号处理技术领域，包括以下步骤：通过对变转速轴承振动信号进行时频域分析和局部峰值搜索，提取出不同时刻转速对应的瞬时频率值；采用神经网络对瞬时频率进行拟合，获取参考主轴的转速曲线，在此基础上对原始信号进行等角度重采样和阶比分析；引入固定点独立分量分析和谱峰搜索技术，对混合阶比信号进行分离，获得轴承故障部件的阶比分量特征。本发明专利技术提供一种无需转速计的火车轴承转速实时估计方法，能够将非平稳的故障轴承信号转换为等角度域的平稳信号，有效分离出独立的阶比分量，更加有利于火车轴承故障特征频率提取及在线检测。

【技术实现步骤摘要】
变转速火车滚动轴承故障特征频率提取方法
本专利技术涉及机械设备声学故障诊断
，特别是变转速状态下火车滚动轴承故障特征频率提取方法。
技术介绍
安全是铁路运输的永恒主题。我国现拥有铁路货车60多万辆，滚动轴承作为其中的重要机械零部件，由于长期重载、碰磨运行，极易发生表面剥离等故障，轻则造成列车停运晚点，重则导致热轴、燃轴、切轴、脱轨颠覆等恶性事故，对其实施在线故障诊断至关重要。据车辆段的调研结果来看，轴承检修过程主要由经验工人通过手工转动轴承外圈，以人耳听的方式判断其是否有异音或故障，该方法受主观因素影响大，不利于行业标准化管理，且有时工人为了降低自己的责任风险，采取宁可误判决不漏判方式，导致虚警率过高，检修效率低下。针对滚动轴承故障诊断问题，发展了多种诊断技术。按信号的物理性质分，主要包括红外测温法、油液分析法、油膜厚度分析法、振动与声学法等。红外测温法具有简单、易于实现的特点，已被应用于货车列检，但温升属于滚动轴承故障晚期特征，对于早期点蚀、剥落等轻微故障则无法检测，存在较大检测风险，预警能力弱。油液分析技术通过分析润滑油脂本身的理化性能以及所含金属磨粒大小、形貌和浓度判断轴承工作状态，可用于早期诊断，但存在取样不便、实时性差缺点。油膜厚度分析通过测量油膜电阻来判断润滑状态，对表面剥落、裂纹等故障的检测能力较弱，且不适用于低速、旋转轴不外露等情况。振动或声学诊断法相对比较成熟，已得到广泛研究和应用，成熟的商用系统有美国的滚动轴承轨边声学诊断系统(TracksideAcousticDetectionSystem,TADS)，该系统具有较高的检测准确率，但是它只能检测出故障较为严重的轴承，部署时要求列车直线恒速运行，且价格昂贵，单个测点需要约60万美元(共部署60个测点)，还不包括后期维护以及几年之后设备更新费用。特征频率是滚动轴承声学故障识别与分类的重要依据。目前的主流检测方法是利用共振解调(ResonanceDemodulation)技术提取故障特征频率，即采用带通滤波器将低频的微弱冲击信号调制到高频的共振频带，再通过包络解调和频谱分析可以得到不同部件的故障特征频率，定位出内圈、外圈还是滚子部件故障。由于传统共振解调方法采用Hilbert变换的包络检波方法，存在带通滤波器中心频率及其带宽参数难以确定问题，为此，一些学者提出了与希尔波特-黄变换(Hilbert–HuangTransform，HHT)、谱峭度(SpectralKurtosis)等相结合的改进方法，自适应确定共振频带。文献“Hilbert-Huangtransformandmarginalspectrumfordetectionanddiagnosisoflocalizeddefectsinrollerbearings”(Source:JournalofMechanicalScienceandTechnology,2009,23(2):291-301)，采用HHT变换自适应地将非平稳信号分解为若干个调幅或调频的内禀模态函数(IntrinsicModeFunction,IMF)分量之和，再对IMF分量进行Hilbert变换来诊断故障类型，但是存在边界效应和IMF分量判据难等问题；专利“一种滚动轴承故障特征提取方法及系统”(专利号：CN201410140890)，采用谱峭度对共振解调频带进行了优化选取，一定程度上提高了故障特征提取的质量；专利“早期故障状态下滚动轴承振动信号特征提取和分析方法”(专利号：CN201210346147)，通过对振动信号进行自相关和包络谱分析，能够突出反映早期故障状态下振动信号中的调制特征；等。在轴承故障特征频率提取方面，已经取得了一些研究成果，但是，上述研究或应用系统一般假设转速恒定情形，无法直接应用于变速运动下火车滚动轴承状态检测。为此，本专利技术有机融合短时傅里叶变换、阶比分析、独立分量分析、神经网络等多种技术，给出一种新的火车滚动轴承故障特征频率提取方法，该方法可用于变速运动下轴承在线检测，具有较好的应用前景。
技术实现思路
本专利技术的目的是提供一种变转速火车滚动轴承故障特征频率提取方法，通过对轴承振动信号进行时频域分析，结合局部峰值自适应搜索，提取出不同时刻转速的瞬时频率值；采用神经网络对瞬时频率进行拟合，获取参考主轴的转速曲线，在此基础上对原始信号进行等角度重采样和阶比分析；采用固定点独立分量分析和谱峰搜索方法，对混合阶比信号进行独立源分离处理，获得轴承故障部件的阶比特征，该方法适用于轴承变速运动且没有硬件转速计情况下故障特征频率提取，可满足实际火车滚动轴承的在线诊断需求。为了实现上述目的，本专利技术提出如下技术方案：步骤一、在滚动轴承外圈表面安装加速度传感器，这里传感器数量要大于等于分析独立源的数量，采集轴承运动时的振动信号；步骤二、利用短时傅立叶变换方法对变转速轴承振动信号进行时频分析，局部搜索时频能量分布中能量最大的频率点，提取出不同时刻主轴转速对应的瞬时频率；步骤三、设计BP神经网络模型，对离散的瞬时频率点进行拟合，依据转速与瞬时频率之间的理论关系，计算火车滚动轴承主轴的实时转速；步骤四、依据轴承的实时转速信息，对振动信号进行等角度的重采样，计算等角度的采样时标，通过插值函数将原始信号变换到角度域的平稳信号；步骤五、对混合信号进行均值化、白噪化处理，引入固定点独立分量分析和谱峰搜索技术，对混合阶比信号进行分离，获得轴承故障部件的阶比特征。该方法的优点在于：(1)完全采用软件方法，无需转速计等硬件装置，可估计出变转速运动下火车滚动轴承的实时转速，具有较强的使用灵活性；(2)通过对原始振动信号进行等角度重采样，将非稳态声信号变换到等角度域的稳态信号，可以去除与转速无关的噪声，更加有利于后续故障特征提取与分类识别；(3)通过引入固定点独立分量分析和谱峰搜索技术，可有效分离出混合阶比分量，提取出所关心部件的特征频率，适用于火车滚动轴承的在线检测。附图说明图1为本专利技术实施中火车轮对模拟实验台及传感器部署图，图中：1-左侧车轮2-右侧车轮3-转轴4-右侧轴承5-左侧轴承6-电机(含变频器)7-液压泵8-摩擦轮9-支撑座10(11,12，13)-加速度传感器图2为火车滚动轴承的结构图，图中：14－外圈15－内圈16－滚子17－保持架图3为本专利技术的方法流程图；具体实施方式下面将结合附图对本专利技术作进一步的详细说明：图1给出了火车轮对模拟试验台的结构，主要包括左侧车轮(1)、右侧车轮(2)、转轴(3)、左侧滚动轴承(4)、右侧滚动轴承(5)、电机(6)、液压泵(7)、摩擦轮(8)、支撑座(9)；在每个滚动轴承外侧部署Lance2052加速度传感器(10-13)；轴承由电机驱动摩擦轮作旋转运动，外圈相对静止不动；图2给出了实验采用的外圈剥离和内圈剥离故障的双列圆锥滚子轴承轴承(197726型号)，由外圈(14)、内圈(15)、滚子(16)、保持架(17)构成，其中，滚子数目N＝20,滚子直径d＝23.7mm,轴承节径D＝180mm,接触角a＝10度，通过调节变频器控制轴承从50rpm加速运动到240rpm，系统采样率25.6kHz；本专利技术是一种变转速火车滚动轴承故障特征频率提取方法，算法流程如图3所示，具体包括以下本文档来自技高网...

【技术保护点】
变转速火车滚动轴承故障特征频率提取方法，其特征在于包括以下步骤：步骤一、利用短时傅立叶变换方法对变转速轴承振动信号进行时频分析，局部搜索时频能量分布中能量最大的频率点，提取出不同时刻主轴转速对应的瞬时频率；(1)给定轴承的振动信号x(n)，对其做离散的短时傅里叶变换，具体计算方法是：其中，w*(·)表示窗函数的共轭复数，F(k,f)表示信号在分析时间k频率f处的频谱；(2)通过求时‑频分布函数的模平方，可得振动信号的时‑频能量分布P(k,f)＝|F(k,f)|2；(3)采用局部峰值搜索方式，获取主轴的瞬时频率f，具体方式是：截取轴承实际变速运转过程中相对平稳的时间窗进行分析，估计每个时间窗内理论转频值，假设t0时刻转频估计值为f0,估计误差Δf,则以区间[f0‑Δf,f0+Δf]的最大值作为该时刻的转频跟踪值，同时作为下一时刻的频率估计中心的更新值；需要说明的是，算法不限定转频的基频特征，若是转频成分能量较小，则搜索能量较高的转频高次谐波进行跟踪，然后换算为转频的基频；照此方法逐步搜索，直到搜索完所有时间，获取主轴的实时瞬时频率；步骤二、设计BP(Back Propagation)神经网络的瞬时频率拟合模型，计算火车滚动轴承主轴的实时转速；(1)建立三层神经网络模型，其中，输入层的神经元数为1，以离散时间点作为输入向量；输出层神经元数为1，以离散时间点对应的瞬时频率作为训练函数的目标向量；隐含层的神经元数，可根据下面的经验公式得到：其中，β为无量纲的修正参数，β＝1～10，p为输入神经元数，q为输出神经元数；根据隐含层神经元数的取值范围，设计可变的BP神经网络模型，通过误差比较最终确定隐含层神经元的数量；(2)以均方误差函数作为神经网络计算结果与期望输出之间的偏差，计算方法如下：其中，分别表示k时刻神经网络计算得到输出频率值和理想输出频率值；若误差J小于给定的最小正数,则神经网络训练结束，从而得到时间‑瞬时频率曲线；(3)依据轴承主轴转速r与瞬时频率f之间关系:r＝60*f，以及时间‑频率曲线，可计算得到轴承的实时转速；步骤三、依据轴承的实时转速信息，对振动信号进行等角度的重采样，将原始信号变换到角度域的平稳信号；步骤四、采用固定点独立分量分析方法，对混合阶比信号进行分离；步骤五、采用谱峰搜索处理分离信号，获得故障部件阶比分量特征，具体方法是：利用短时傅里叶变换进一步分析分离信号，通过谱峰搜索找出分离信号中能量最大的分量，记录其瞬时频率，然后根据频率信息对信号进行重构，去除能量低的其他信号分量，提取所需信号分量，获得故障部件的阶比分量特征。...

【技术特征摘要】
1.变转速火车滚动轴承故障特征频率提取方法，其特征在于包括以下步骤：步骤一、利用短时傅立叶变换方法对变转速轴承振动信号进行时频分析，局部搜索时频能量分布中能量最大的频率点，提取出不同时刻主轴转速对应的瞬时频率；(1)给定轴承的振动信号x(n)，对其做离散的短时傅里叶变换，具体计算方法是：其中，w*(·)表示窗函数的共轭复数，F(k,f)表示信号在分析时间k频率f处的频谱；(2)通过求时-频分布函数的模平方，可得振动信号的时-频能量分布P(k,f)＝|F(k,f)|2；(3)采用局部峰值搜索方式，获取主轴的瞬时频率f，具体方式是：截取轴承实际变速运转过程中相对平稳的时间窗进行分析，估计每个时间窗内理论转频值，假设t0时刻转频估计值为f0,估计误差Δf,则以区间[f0-Δf,f0+Δf]的最大值作为该时刻的转频跟踪值，同时作为下一时刻的频率估计中心的更新值；需要说明的是，算法不限定转频的基频特征，若是转频成分能量较小，则搜索能量较高的转频高次谐波进行跟踪，然后换算为转频的基频；照此方法逐步搜索，直到搜索完所有时间，获取主轴的实时瞬时频率；步骤二、设计BP(BackPropagation)神经网络的瞬时频率拟合模型，计算火车滚动轴承主轴的实时转速；(1)建立三层神经网络模型，其中，输入层的神经元数为1，以离散时间点作为输入向量；输出层神经元数为1，以离散时间点对应的瞬时频率作为训练函数的目标向量；隐含层的神经元数，可根据下面的经验公式得到：其中，β为无量纲的修正参数，β＝1～10，p为输入神经元数，q为输出神经元数；根据隐含层神经元数的取值范围，设计可变的BP神经网络模型，通过误差比较最终确定隐含层神经元的数量；(2)以均方误差函数作为神经网络计算结果与期望输出之间的偏差，计算方法如下：其中，分别表示k时刻神经网络计算得到输出频率值和理想输出频率值；若误差J小于给定的最小正数,则神经网络训练结束，从而得到时间-瞬时频率曲线；(3)依据轴承主轴转速r与瞬时频率f之间关系:r＝60*f，以及时间-频率曲线，可计算得到轴承的实时转速；步骤三、依据轴承的实时转速信息，对振动信号进行等角度的重采样，将原始信号变换到角度域的平稳信号；步骤四、采用固定点独立分量分析方法，对混合阶比信号进行分离；(1)对混合阶比信号x进行中心化处理，得到均值为0的新数据x＝x-E(x)，其中E(x)表示x的均值；(2)对去均值后的信号数据进行白噪声化处理，具体过程是：对x进行奇异值分解x＝UΣV′，其中，Σ是准对角阵，U和V都是正交归一化的方阵，V′是V的转置矩阵，对x的协方差阵C做如下分解：C＝xx′＝[UΣV′][VΣ'U′]＝UΣ2U′＝UΛU′(4)其中，表示特征值矩阵，λi(i＝1,2,...,m)为C的特征根，且λi＞0，U＝[u1,u2,…,um]是特征矢量矩阵，为奇异值分解中...

【专利技术属性】
技术研发人员：陈斌，吴冬，周媛，高宝成，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11