城轨车辆转向架的构成及检修

摘要在中国，城市轨道交通迅猛发展，各大省会城市都在进行建设或规划自己的城轨，其运营安全越来越受到关注。转向架轴承是地铁车辆中的关键部件，其状态对车辆的安全运行至关重要。因此，对列车转向架轴承故障诊断具有很大的现实意义，而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。振动信号中往往含有与故障相关的大量信息。本文基于小波包-包络分析对转向架轴承故障诊断方法作了深入的研究。论故障诊断包括故障特征提取和故障模式识别两大部分。本文将小波包分解与重构和Hilbert变换结合起来，通过获取振动信号各频段的包络谱将故障特征有效提取出来，使之更易识别。针对现有智能故障诊断方法的弊端，本文提岀了故障识别搜索算法这一智能模式识别方法。该搜索算法完全采用计算机模拟人“观察”频谱图，对提取的故障特征进行有效模式识别，进而诊断出故障情况，为故障的自动智能诊断打下了坚实的基础。关键词：轴承；模拟第1章绪论1.1研究背景随着我国经济社会的持续高速发展，城市化速度也在不断提高，越来越多的人开始涌向城市，这给城市交通系统带来了巨大的压力。与常规交通工具相比，排除建设投资和运营费用的因素，轨道交通单次运量大，运行速度快，尤其在畅通准时方面的优点是常规交通无法比拟的。目前，全国各大省会城市都在进行建设或规划自己的城轨，截至2013年底，19座城市的85条线路已经开通运营，总里程达2500多公里。从中可以看出，我国已经进入城市轨道交通发展的黄金期。伴随着城轨的高速发展，城轨列车的运营安全也越来越受到关注。城轨列车是一个非常复杂的系统，如果其中的一个环节出现问题，都可能造成车毁人亡的严重事故，带来巨大的人身财产损失和经济损失。转向架是轨道车辆结构中最为重要的部件之一，对列车的平稳性和安全性起着非常重要的作用，而转向架轴箱轴承则是转向架中最重要的部件。转向架轴箱轴承工作条件恶劣，承受着巨大的重力负荷，而且其工作面长期受到接触应力的反复作用，极易产生裂纹甚至断裂。而我国在城轨列车转向架轴承在线监测和故障诊断方面相对落后，目前普遍釆用的时间修的维修机制不能及时发现故障，有时甚至造成人力物力的浪费。基于以上分析，进行城轨列车转向架轴承的在线监测与故障诊断的研究，减少列车事故的发生，节省列车运营成本，提高故障预警能力势在必行。1.2研究目的和意义转向架轴承是列车非常关键的部件，又由于其工作环境恶劣，极易出现故障。转向架轴承状态的好坏直接关系到列车的行驶安全，甚至影响到整个城轨交通系统的安全性和稳定性。所以对转向架轴承状态进行在线监测和故障诊断意义重大。目前，多数列车运营单位釆用的是定期检査的维修机制，但是该维修机制具有很大的盲目性：一方面，会造成资源浪费，即轴承本来没有故障，却要定期进行检修，从而提高了城轨列车的运维成本；另一方面，会造成欠维修，即轴承出现故障时还没有到定期检査时间，从而不能及时发现，甚至使故障不断扩大严重，给列车的运行带来严重的隐患。因此，对转向架轴承进行在线监测与故障诊断，研究岀适应在线诊断的轴承故障诊断方法，能够及时发现早期轻微故障，防患于未然，提高城轨列车运行的安全性和稳定性。同时，还能够节省大量人力物力，降低运维成本。

第2章列车转向架轴承故障机理及分析方法2.1滚动轴承典型结构滚动轴承包括四部分：内圈、外圈、滚动体和保持架句。轴承内圈一般与轴固定在一起，轴带动内圈旋转；轴承外圈一般与轴承座或轴箱固定在一起起支撑作用。滚动体为滚动轴承中的关键零件，它处于内、外圈工作面中间，表面间的滑动摩擦转变为滚动摩擦。滚动体的种类一般为圆柱滚子、滚子、滚针和球面滚子。保持架将轴承中的滚动体均匀分布，主要对滚动体起保持作用，偏离正确的滚道，同时使轴承润滑性能和内部载荷分配得到改善。和没有保持架的满装球或滚子的轴承相比，具有保持架的滚动轴承，其总体摩擦阻力较小，适用于像列车转向架轴承如此高速的旋转机械上。在实际使用时，很多滚动轴承带有密封圈、防尘盖以及安装调整用的紧定套等。密封圈能将滚动轴承的工作部分和外界隔开，对滚动体、滚道和保持架起封闭作用，一般可分为接触式密封和非接触式密封两种。需要说明的是，非接触式利用小缝隙密封，总体摩擦小，故温升小而且无损耗，适用于高速旋转的列车转向架轴承。衡量一个轴承是否能够正常工作的一个重要因素是游隙。合适的游隙可以使载荷在滚动体之间合理分布；可以有效限制轴在径向与轴向移动从而确保轴能够以高精度旋转；可以使轴承在规定的条件下正常运行；可以减小振动和噪声，有利于延长轴承的寿命。2.2滚动轴承的故障形式常见的滚动轴承故障形式包括腐蚀故障、胶合故障、磨损故障、疲劳失效、压痕失效、断裂故障、保持架损坏卩气（1）腐蚀故障滚动轴承部件表面的腐蚀通常由以下原因造成的：湿气、水分或者润滑油的化学腐蚀；较大电流从轴承表面间通过造成的电腐蚀：轴承套环的相对运动产生的微振腐蚀。（2）胶合故障胶合指的是一个表面的金属与粘附到另外一个金属表面的现象卩气在高速重载和润滑不良的情况下，因为摩擦产生大量热量，轴承部件可能在极其短的时间内达到极高的温度，从而造成表面烧伤。（3）磨损故障这种故障形式是轴承的某些元件由于机械原因引起的表面磨损。轴承表面磨损后的振动波形与正常轴承相比，都是无规则的，随机性比较强。但磨损后的波形幅值要明显高于正常轴承，所以对这种故障形式诊断的方法往往是计算振动信号的峰值和有效值，若明显大于正常水平，则诊断为磨损。（4）疲劳失效滚动轴承在运转时，其内圈和外圈外工作面与滚动体的表面既相对滚动又承受载荷。由于交变载荷的作用，在表面下最大剪应力处形成裂纹，进而延展到工作面使表层产生剥落坑，最终发展为大片剥落。像这样由于剥落产生的失效形式称为疲劳失效。疲劳失效会在轴承运转时加剧振动、冲击载荷和噪声。引起疲劳失效的重要原因是疲劳应力。通常所谓的轴承寿命便是疲劳寿命，轴承的寿命试验便是疲劳试验。试验规程有具体规定，在滚动体或工作面上，若出现面积大于0.5皿2的剥落坑便认为是轴承生命的终结。滚动轴承的疲劳寿命分散性很大，同一批次滚动轴承，其最短寿命与最长寿命可相差上百倍，这也从另外一个角度说明了对滚动轴承进行故障诊断的重要性。(5)压痕失效这是在轴承外圈、内圈工作面或滚动体表面出现的边沿圆滑的条状压痕或凹坑。引起它的原因有可能是密封不良导致异物侵入或润滑脂罩混杂有其他物质，也可能是在轴承运转时的过载、振动、过大冲击或偏载。滚动轴承使用和装配不当可能导致保持架变形，加大了其与滚动体间的摩擦力，甚至会使滚动体卡死而不能滚动，还有可能导致保持架和内外圈工作面发生摩擦。2.3滚动轴承的振动信号分析方法滚动轴承故障诊断主要方法有：振动诊断方法、温度诊断方法、声学诊断方法等【2%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，可从时域和频域两个方面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该问题。2.3.1时域分析法在最开始的基于振动信号的轴承故障诊断中，时域分析法占有很重要地位。在时域分析中，主要是计算振动信号的统计特征参数，其分析过程简单，而且能准确表征轴承状态的好坏。通常用到的时域特征参数可以分为有量纲参数和无量纲参数两大类。有量纲参数常用的有量纲特征参数有峰值、有效值、方根幅、歪度、峭度等。峰值是指振动波形的单峰最大值，它是一个时不稳参数，在不同时刻它的变动很大。当轴承运转时有瞬时冲击发生，则它适用于此类情况的故障诊断。在实际情况下，一般把整个离散信号分为若干小段，然后分别求各段的峰值，再取平均值作为峰值。有效值(rms值)，是应用最为广泛的统计参量之一，它用来判断机械振动等级强度，是机械故障诊断系统中用来判定运行状态是否良好的重要指标。随着故障的不断发展而单调增加，通常来讲，当轴承发生故障时有效值变大，多处故障同时发生时轴承信号有效值比单一故障轴承信号的有效值高。有效值具有较强的稳定性，能够较好地进行趋势分析。由于计算值是对时间的平均，有效值对表面裂纹产生的无规则振动波形的异常能做出恰当评价。可是对于具有瞬时冲击的故障异常不是很适用。这是因为瞬时冲击的振幅较大，但是维持时间短，经过对时间的平均，则有无峰值的差异难以表现出来。无量纲特征参数的优点在于对轴承状态敏感，当轴承状态发生变化时，无量纲参数将会有明显变化，基本上不受转速、载荷和轴承型号等因素的影响；此外它们不受信号绝对水平的影响，因而如果测量点同以往的地方略有变动，也不会对诊断结果产生太大的影响。上述所提到的时域特征参数，其计算过程简单、快速，可以判断轴承是否发生故障，而无法判断故障的类型，故障发生在哪个元件上。通过分析时域特征参数可以实现轴承故障的简易诊断。2.3.2频域分析法通过对时域信号的特征参数分析只能粗略地判断轴承是否有故障，而不能具体判断轴承的哪个元件出现故障。管理及维修人员为了釆取针对性的维修措施，就应该对故障进行定位，这就需要对振动信号进行频域分析。其中，SCX)为信号的功率谱，重心频率FC、均方频率松F和均方根频率RMSF都用来描述功率谱主能量谱峰的位置变化，而频率方差VF和标准差&KF描述谱能量的分散程度。利用频域参数指标可以对滚动轴承的故障类型进行粗略判断。当轴承没有故障时，FC较小，频率成分主要集中在低频；当轴承出现局部损伤类故障时，由于冲击引起的共振，因而主频区右移，FC增加。2.4本章小结轴承在其运转过程中必然会产生振动。本章介绍了滚动轴承的典型结构和故障形式，研究了地铁转向架轴承的振动机理，推导了滚动轴承的故障特征频率。这是利用振动信号方法对其进行故障诊断的基础原理。常用的时域频域特征参数可以对轴承故障进行粗略诊断，对故障类型精确诊断需要研究新的智能诊断方法。

第3章列车转向架轴承故障智能诊断方法轴承故障诊断一般包括三个部分：釆集数据，故障特征提取和故障模式识别。而最重要且最困难的环节就是故障特征提取。故障特征的提取作为故障诊断中的关键问题，直接影响到故障诊断的正确率；另外，因为可能有不同类型故障在频谱上表现出相同故障特征的情况，即不同故障产生交集，或者同一类型故障表现出多种特征，很难精确地进行诊断，甚至还有可能造成误判。因此，现在很多旋转机械状态监测与故障诊断系统对典型的故障信号能做出正确诊断，但对于多特征对单故障映射问题和故障特征接近或相似的信号很难准确诊断。3.1基于小波包分析和包络解调分析的故障特征提取方法特征的提取是进行故障诊断的关键所在，所提取的特征必须具有代表性和典型性，能够表征设备的故障状态。小波分析作为新的数学理论，既继承了Fourier（傅里叶）的分析思想，同时也是对其的发展。在非线性领域，比如数值分析、信号分析、图像处理、故障诊断等，无论从工具角度还是在方法上，它都是近阶段的重大突破。小波分析最大的特点是它具有良好的时频局部化特性，而且可以对信号进行消噪从而更有利于提取微弱信号，在时频分析中以及在处理非平稳信号领域得到了广泛的应用。傅里叶变换的本质在于将一个任意的函数分解为一系列不同频率的三角函数的线性叠加，是一种全频域分析。它的致命缺点表现为缺乏空间局部性。在轴承故障诊断中，需要关注的是轴承由于故障产生的的非正常信号，而不是在正常运转条件下的信号。虽然加窗能凸显出信号的局部特征，但是如果窗函数确定下来，它的大小与形状也就跟着确定下来，这样我们只能得到信号在窗区间内的总信息。小波变换则是把时域信号展开，表现为小波函数族的线性叠加。而小波函数不论在时域还是频域都是局部化的，传统傅里叶变换与小波变换的本质区别就在于此。频域分析法中，在轴承故障早期，反映局部损伤故障位置的故障特征频率成分一般能量都比较弱，常常淹没在噪声之中，直接对振动信号作快速傅里叶变换(FFT)很难从频谱图中诊断出早期局部损伤故障。但轴承出现故障时产生的冲击会激发某些元件的高频固有振动，且这些固有振动会受到轴承故障特征频率的调制。通过带通滤波器提取含有固有频率的某一频带信号，再求其包络谱，便可分离出调制信息,即共振解调，或称包络解调。包络解调为处理调制信号提供了很重要的技术基础，它能把轴承故障特征从非常杂乱的调制信号中解调出来。通常情况下，解调方法主要包括广义检波滤波法和Hilbert变换法等，广义检波滤波法包括三种算法：检波滤波、平方解调算法和高通绝对值。这些方法的核心原理基本一致，都是取信号的绝对值或者是绝对值的平方，再通过低通滤波处理。一旦釆样频率选取不当，检波过程、平方过程和取绝对值都可能造成混频效应。3.2智能故障模式识别方法研究传统频域分析法是人通过观察频谱图中故障特征频率处是否对应谱峰来判断是否出现了故障及故障类型。近年来，人工神经网络和非线性混沌与分形理论等智能故障识别方法被提出并应用于轴承故障诊断。虽然人工神经网络方法具有自适应、自组织和自学习等优点，整个诊断过程可以实现无人参与，智能化程度高，但由于必须要有大盘故障训练样本，并且需要人工训练网络。再加上应用环境恶劣，诊断准确率不够高，工程应用难以普及。而基于非线性理论的故障识别方法还不太成熟。本文中所提出的故障识别搜索算法是利用计算机根据频谱图搜索故障，模拟人“观察”频谱，无需故障样本，诊断过程完全智能化。其关键环节包括谱峰判定、搜索频带设定和故障特征频率误差设定等。3.2.1谱峰判定一般默认的谱峰定义为一段频谱图中的幅值最大值。所以计算机在搜索谱峰时，首先要在频谱图的一个频带内搜索最大值。假设某故障特征频率约为90Hz,当轴承没有此类型故障时，在振动信号频谱图中以故障特征频率为中心的一个频带内，计算机搜索到的最大值确实在故障特征频率处，只是最大值与该频带内的其他幅值相差不大，如果人观察的话则不认为是谱峰。为了尽量避免误判，设定计算机搜索时，最大值要明显大于搜索频带内其他值时才认为是谱峰。定义：比值P=最大值/第二大值。当P大于设定的临界值时，计算机才可以判断出现谱峰。临界值决定了谱峰的明显程度：临界值越大，谱峰越明显；临界值越小，谱峰越不明显。如果谱峰处对应故障特征频率，则临界值越大，故障越严重。所以，临界值可以看作是该搜索方法的灵敏系数，临界值设得越小，也就是谱峰越不明显，搜索灵敏度越高。改变临界值可以改变捜索的灵敏度。根据试验验证，当临界值为1.5时，搜索出的谱峰已经很明显。在频谱图中，由于谱峰的影响，谱峰左右附近几个频率点处的幅值都比较大。因为这几个频率点处的幅值正处在谱峰形成的过渡段，故不能反映谱峰外其他频率点的幅值水平，若不忽略这几个点，搜索到的第二大值很可能在这几个点处，这是不允许的。故在搜索第二大值时，应忽略这几个点而从其他频率点处捜索。根据试验验证，可忽略谱峰两侧各2个点。3.2.2捜索频带设定由于根据故障特征频率处是否对应谱峰来诊断故障，搜索频带内必须包含故障特征频率，故将故障特征频率设置为搜素频带中心频率较为合理。搜索频带不能太宽。假设轴承存在两种故障，故障特征频率分别为103Hz和133Hz,则在振动信号频谱图中两种故障特征频率处都对应谱峰。如果搜索频带内包含这两种故障特征频率，因为最大值只有一个，必然漏掉一个谱峰，而漏掉的谱峰幅值很可能成为接下来搜索到的第二大值。若两个谱峰幅值之比小于设定的临界值，则计算机不能识别任何一个谱峰。所以选择捜索带宽最基本的原则是：以故障特征频率为搜索频带中心频率，且频带内不应包含其他类型故障特征频率。轴承出现故障时，除故障特征频率处出现谱峰外，有时其高次谐波频率处也有谱峰存在，为了使搜索更加准确可靠，设定计算机从以故障特征频率的1倍频、2倍频和3倍频为中心频率的3个频带内依次搜索。如果故障特征频率或其谐波频率处不存在谱峰，则停止搜索，认为没有出现故障。3.2.3故障特征频率误差设定由于加工精度、轴承各部件磨损等原因，根据式（2・15）〜式（2.17）计算得到的故障特征频率可能和实际的故障特征频率存在偏差。若偏差存在，即使轴承有某类型故障，且计算机搜索到了谱峰，但由于谱峰对应的频率不是计算出的故障特征频率从而会认为没有故障。为了消除该偏差造成的误判，设定只要搜索到谱峰对应的频率与计算出的故障特征频率的差值在误差范围内，则认为两者相等,判断出现故障。故障特征频率误差范围的设定，既要参考参数手册给出的轴承尺寸误差值和频谱图的频率分辨率，还要考虑轴承的历史运行状况，包括运行时间和运行环境3.2.4故障识别搜索算法综上所述，单类型故障识别搜索算法步骤如下：(1)初始化：令故障标志变量S=0(S=0表示无故障，S=1表示有故障)，谐波次数N=l,设定临界值；(2)计算出故障特征频率；(3)在以N倍故障特征频率为中心频率的搜索频带内进行搜索，搜索出最大值及所对应的频率值。如果该频率等于计算出的N倍故障特征频率，则进行下一步;否