动车组机械传动系统轴承振动信号分析与故障诊断探讨

动车组机械传动系统轴承振动信号分析与故障诊断探讨

张贝

青岛四方阿尔斯通铁路运输设备有限公司 山东青岛 266000

摘要：振动信号属于机械动力学上的重要表现形式，在机械传动系统组成中，轴承或者是齿轮等部件产生局部故障问题，振动信号会受到瞬态冲击成分影响，故障在不断发展后，波形特征也会产生相应变化。振动信号提取后会对机械零部件的局部故障进行反映，在瞬态冲击成分提取后，可有效诊断机械故障问题。本文通过对动车组机械传动系统轴承振动信号与故障诊断进行分析，在分析信号后，采用有效故障诊断措施，通过此种方式保证动车组机械传动系统有效运行，为动车组安全运行提供重要支持。

关键词：动车组；机械传动系统；轴承；振动信号

在高速列车安全运行过程中，起着关键性影响的技术之一是轴承故障诊断技术，轴承部分属于动车中比较重要的旋转部件，同时也是重要故障源部分。依据相应资料，动车组传动系统故障问题，占比显示为30%左右故障是滚动轴承造成中，以年为周期，占比显示为40%的动车组传动系统滚动轴承需借助下车检验方式对其运行状态进行确定，占比显示为33%左右部件需更换。基于此，动车组滚动轴承部分开展状态监测以及故障诊断工作可对高速铁路运行管理效果进行有效提升，过程中凸显较高的经济效益。轴承振动信号的监测、提取以及识别研究，逐渐受到相关研究人员更多重视，实现多方多次探讨。

一、信号诊断分析方式

通常情况下收集信号是利用时间函数，本质内容上是借助时间以及频率因素作为变量函数，信号上的时域函数凸显 幅值伴随时间变化，频域函数因素可对频率成分进行反映[1]。基于此，时域分析以及频域分析方式是比较传统普遍的措施。（1）时域分析方式，机械设备诊断故障过程中，需对信号时域进行直接分析，获取相应结果，此种方式属于最为直接和简单的信号分析方式，在信号中含有比较明显的简谐成分以及周期成分等效果比较明显。在统计分析时域过程中，比较常见的统计量数值为均值以及方差等。时域统计量可凸显表征信号中的部分特性，但借助此种时域特性因素对复杂信号分析并不充分，因此时间序列信号在本质内容上属于时间函数以及频率函数，因此会生成信号频域分析模式。（2）频域分析方式，信号频谱方式主要是指在频域范围内描述信号分布情况，内容比较丰富，其中涵盖幅值谱以及相位谱等，在频域分析过程中，其基础部分主要是指傅立叶变换，此种方式的基本性理论是将信号分解成一定数量的正弦函数，形成总和。（3）时频分析措施，瞬态冲击响应成分属于非平稳信号，其主要特点是持续时间相对较短，频带较宽，统计特性会伴随时间变化等特点，傅里叶分析中不涵盖时间信息数据，因此难以有效提取上述类型信号特征，相关研究人员提出时频分析措施，其内容中主要包括线性时频分析措施以及双线性时频分析措施。前一种可看作是加窗版本的时频变化，上述时频变化属于针对信号因素开展傅里叶分析，分析前增加时频窗口。后者分析措施主要是指Cohen类型时频分析。

二、振动信号轴承诊断类型分析

（一）磨损振动分析

轴承零部件产生磨损问题后，轴并不会围绕轴心进行摆动，过程中会将轴承外环中心部分作为中心完成振摆动作，振动频率数值主要设置为滚动体公转频率数值n倍形式，这一阶段n值作为轴，转一周后会触发一定振动数值，也就是滚道上波纹的凸起数，n值较大情况下会产生相应频率数值，可确认轴承产生较大故障，伴随磨损程度逐渐加强，时域范围内振动信号峰值等均会同比上升，振动信号上也会凸显较强的随机性，未产生疲劳剥落情况下，最终呈现的振动幅值相比于最初阶段会增加更多的倍数[2]。

（二）烧伤振动分析

轴承烧伤问题的原因主要是润滑不良，轴承烧伤问题在较短时间内会降低轴承的性能，烧伤比较严重的情况下会造成轴承滚道以及表面处于胶合状态，轴承难以实现正常运转。在烧伤直至胶合的时间较短，通常情况下难以利用定期检查方式发现。严重情况下会基于冲击振动影响，振动幅值也会快速扩大。

（三）点蚀振动分析

轴承部位产生剥落或者是压痕等损伤问题，极易产生振动情况。过程中由于轴承本身具备径向间隙问题，依据点蚀位置以及滚动体冲击问题，会促使幅值变化，此种变化基本是与旋转频率以及滚动体的实际公转频率数值相关[3]。

三、振动信号分析措施

（一）集合经验模态分解方式

轴承运动过程中，滚动轴承产生相应故障问题，轴承其他部件会产生周期性撞击，故障部位承受轴承撞击影响，出现冲击性振动，其中轴承座或者是其他机械零部件也会处于共振状态，构成故障冲击振动，此种现象会在轴承正常运转过程中将平稳振动信号转换成为非平稳振动信号。经验模态分解方式特点可确定为平稳化以及线性化处理非平稳以及非线性数据，在分解阶段，需对自身数据特性进行保留，因此可借助此种能能够方式预处理振动信号，将非平稳振动信号转换成为差异性特征尺度的平稳信号[4]。此种分解性质为自适应，因此可对故障本质信息进行反映。

（二）BP神经网络智能诊断技术

人工神经网络应用以及研究属于近些年逐渐发展的国际性课题，此种借助将工程技术作为基础，对人脑神经网络结构以及功能进行模拟，属于规模较大的并行非线性动力学系统。在微观结构上可实现人体大脑抽象化以及简化动作，属于人类智能模拟的重要方式。技术可对人脑基本特征进行反映，并且本身具备较强的知识获取能力以及并行计算能力等[5]。人工神经元结构构成主要有以下几种因素，其一是连接权值，此种数值在正值情况下表明处于激活状态，相反是抑制状态；其二是加法器部分，针对输入信号，在神经元相应突触完成加权之和；其三为传递函数，可对神经元输出振幅进行限制。

（三）Matab以及LabVIEW诊断系统

构建滚动轴承在线诊断系统，可分析工作中的轴承振动信号，因此可构成将Matab以及LabVIEW作为基础的轴承故障诊断系统。此系统运行可借助技术中的数据处理分析和采集能力，发挥界面编程优势。借助Matab以及LabVIEW可采集轴承振动信号，利用信号分析以及智能诊断程序，可在LabVIEW界面中凸显时频以及时域分析结果和智能诊断结果，可有效记录诊断结果[6]。

总结：

信号频域会受到求解数量以及迭代次数的限制影响，出于信号本质信息保证目的，需要对运算效率进行优化，有效满足工程实时监测需求，在优化算法后，可完成故障振动信号解调以及频域分析，凸显信号分析以及诊断效果。依据差异性故障情况，振动信号频率特性等分解后，构建算法神经网络，借助训练和测试方式，可确定故障检测性能，动车组滚动轴承运行获得保证。

参考文献：

[1]杨江天, 赵明元, 张志强,等. 基于定子电流小波包分析的牵引电机轴承故障诊断[J]. 铁道学报, 2013, 35(2):5.

[2]汪伟, 李军, 翟旭升,等. 某型航空发动机中介主轴承早期微弱故障诊断研究[J]. 机械与电子, 2019, 37(6):5.

[3]孙鑫威, 纪爱敏, 陈曦晖,等. 强噪声背景下动车组轴承微弱故障信号检测[J]. 电子学报, 2021, 49(11):8.

[4]谌亮, 韩宣, 吕成吉,等. 动车组万向轴轴承润滑故障分析及轴承结构设计优化[J]. 城市轨道交通研究, 2020, 23(2):5.

[5]俞啸, 范春旸, 董飞,等. 基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法[J]. 机械传动, 2018, 42(6):7.

[6]颜天晓, 张瑞亮, 王铁,等. 基于EEMD和Hilbert包络分析的轴承复合故障诊断研究[J]. 机械传动, 2016, 40(6):4.