姜海燕

（湖南铁道职业技术学院铁道供电与电气学院，湖南株洲 412001）

　　【摘　要】本文主要探讨了基于数据驱动的机车滚动轴承的各种特征提取方法以及各类故障模式识别方法。详细比较了各种特征提取的特点以及应用范围，并指出了今后在机车滚动轴承故障诊断研究中的研究方向，为机车滚动轴承的故障诊断提供依据。

　　【关键词】机车滚动轴承；故障诊断；特征提取；模式识别

　　滚动轴承是机车行走部件中应用Z为广泛的机械零部件，滚动轴承的好坏直接影响到列车行走的安全。因此，滚动轴承故障诊断的研究成为至关重要的研究点。基于数据驱动的滚动轴承故障诊断的研究步骤分为：信号的采集；信号的低通滤波、离散化和降噪等预处理；故障特征提取；故障的模式识别与分类。本文主要介绍故障的特征提取和故障的模式识别与分类方法。

　　1　机车滚动轴承故障诊断机理

　　由于机车车辆长时间工作在恶劣的天气和环境下，运行中会存在着滚子与滚道润滑不够，而且长时间处于高负荷、重载的运行状态下，运行时间长，会出现滚动轴承的温度上升、轴承的表面出现腐蚀和裂痕以及滚动体松动等，这些都是由滚动轴承的非正常磨损而造成的故障。而由轴承安装不当造成的严重后果也不少，但滚动轴承的具体故障形式有：疲劳剥落、磨损、塑性变形、腐蚀、断裂、胶合、保持架损坏。任何一种故障现象如果按其发生在滚动轴承的位置来分的话，可以分为：外环故障、内环故障、滚动体故障和保持架故障。

　　2　机车滚动轴承故障特征提取方法

　　传感器采集到的机车滚动轴承振动信号往往是连续的而且含有大量的白噪声，为了更好的分析滚动轴承的振动信号，从而有效的诊断滚动轴承的故障，首先应该振动信号进行离散化和低通滤波等预处理。为了提高信号的信噪比，目前采取的方法有时域平均法、小波滤波降噪法和AR模型提取故障脉冲冲击信号法等。在进行预处理之后，将对振动信号进行故障特征提取，目前特征提取的分类方法没有统一的形式，大致从以下几个方面进行考虑：

　　2.1时域分析法

　　时域分析法是在时间域对振动信号进行分析的方法，也是Z早提出的特征提取方法，目前广泛应用在机车轴承故障诊断仪器设备以及在线监测诊断系统中。主要是提取时域特征量，分为有量纲与无量纲。其中有量纲包括：均值、均方根值、峰值和峰峰值；无量纲包括：峰值因子、峭度（归一化的四阶中心矩）、偏度（歪度）和裕度指标。其中峰值和均方根值应用比较广泛，通过多次试验证明，时域特征量的优点表现为计算简单，只需几个特征量就能诊断滚动轴承有无故障，但其缺点为：缺乏早期报警能力、不能准确诊断滚动轴承的故障的具体位置，而且不同的特征量所能反映的轴承的故障形式也不同。只能对机车轴承故障做出初步的诊断。

　　2.2频域分析法

　　为了更加准确的描述滚动轴承故障的具体位置，提出了频域分析法。频域分析法是将传感器采集到的时域振动信号转换到频域，再提取其信号的频域特征。而轴承信号的频域特征主要表现为其故障频率，可以根据轴承的参数以及轴承的旋转频率确定轴承的外环故障频率、内环故障频率以及滚动体故障频率。通常是采用不同的频域分析方法来确定轴承振动信号的振动频谱、功率谱或者是包络谱的故障特征频率处的峰值来确定轴承的故障频率。目前采用的方法有：1）快速傅里叶变换（FFT）：将信号从时域变换到频域，获取信号的频域信息，提取其振动故障频率；此方法只适用于于平稳信号的处理。2）Hilbert变换、经验模式分解（EMD）：由于滚动轴承振动信号是一种典型的非线性、非平稳振动信号，而Hilbert变换、经验模式分解能较好的分析非线性、非平稳信号，弥补了FFT的不足。通过获得原始信号的Hilbert的包络谱，从而实现振动信号的Hilbert的包络解调，从高频的固有频率中分离出低频的故障频率。3）高阶谱、双谱分析：高阶谱是分析非高斯信号的有力工具，能完全抑制高斯噪声，检测二次相位祸合，是提取轴承故障特征信号的有力工具；但是高阶谱对非高斯信号的处理能力较差，而双谱分析方法是处理旋转机械中大量的非高斯信号的有力工具，特别是在理论上能够完全抑制高斯噪声的干扰，从而解决了轴承振动信号的非高斯性。

　　2.3小波域分析法

　　小波分析法是目前分析非平稳信号的有效方法，广泛应用于机车滚动轴承故障特征提取中。它是一种典型的时-频域分析方法，能将信号分解到不同的频带上，在不同频带范围内反映原始振动信号的信息。目前小波域特征提取的方法主要为：1）小波归一化能量特征提取方法：将振动信号进行小波或小波包变换，然后对其不同尺度下的分解系数进行信号重构，对重构信号的幅值进行归一化处理；或者将小波变换的分解系数、小波包变换的节点系数归一化处理作为表征滚动轴承的运行状态信息。2）小波域的频谱分析法：利用正交小波基将轴承故障振动信号变换到时间-尺度域，对高频段尺度域的小波系数进行包络细化谱分析，检测机车滚动轴承故障的不同故障频率，有效识别轴承的故障模式。3）混合小波特征提取方法：小波变换与统计分布模型相结合的方法，首先将振动信号进行小波分解重构，对重构信号建立对应的统计分布模型，求取模型的参数作为滚动轴承的特征向量；小波AR参数模型、小波域高斯分布模型参数等。

　　除以上介绍的特征提取方法之外，还有分析非线性特征的Wigner分布算法，利用二维、三维的Wigner分布图对滚动轴承进行故障诊断；奇异值分解技术和为了降低特征参数的维数，寻找更有效的特征参数，缩短智能模式识别器的训练时间，可采用主元分析方法（PCA）对特征参数进行降维处理。

　　3　机车轴承故障智能诊断技术

　　机车轴承故障智能诊断是指结合信号处理方法，将提取的特征量训练故障模式识别分类器，利用分类器测试滚动轴承故障，识别去属于哪种故障类型。目前应用Z广泛的识别方法有：神经网络、专家系统、灰色系统理论、模糊理论、高斯过程、支持向量机、Z小二乘支持向量机等。本文具体介绍神经网络和支持向量机故障识别方法：1）神经网络：神经网络具有独特优点，如容错、联想、推测、记忆、自适应、自学习和处理复杂多模式，因此，对于突发性故障或其他异常现象，可以利用神经网络的联想、推测及记忆对其进行推理和诊断。由于神经网络具有很强的鲁棒性和容错性，能对不十分准确和含有噪声的数据进行处理，但其具有陷入局部Z小值的缺点。2）支持向量机：支持向量机是统计学模式识别方法的一种，它较好地解决了小样本、非线性和高维模式识别等实际问题，而且只需要较少的样本对模型进行训练。因此，SVM的研究成为目前热点研究问题。但是SVM也存在着计算复杂、怎样选择和优化核函数的问题，如今计算机水平的不断提高计算复杂问题已经解决，但怎样选择和优化核函数仍然成为研究的热点。而为了更好的提高SVM分类器的性能，提出了Z小二乘支持向量机分类器。

　　4　展望

　　目前仍然找不到一种通用而有效的特征提取方法应用于机车轴承故障诊断中。而且大部分的智能诊断还处于离线状态研究中，因此，在今后的研究中应该找到一种通用而且有效的特征提取方法实现滚动轴承故障的在线监测和诊断，更进一步能实现故障的预测。

　　【参考文献】

　　[1]吴俊伟.Laplace小波在机车轴承故障诊断中的应用研究[D].北京：北京交通大学，2009.

　　[2]项斌.基于小波包与支持向量机的机车轴承故障诊断研究[D].甘肃：兰州交通大学，2011.

　　[3]李世玲，李治，李合生.基于小波包能量特征的滚动轴承故障监测方法[J].系统仿真学报，2003，No.01：76-80.

　　[4]董建宁，申永军，杨绍普.轴承故障诊断中的信号处理技术研究与展望[J].轴承，2005（1）：3-47.

来源：《科技视界》2013年第31期