列车轴承轨边声信号冲击成分提取

　　摘要：轨边声学检测是列车轴承故障检测的有效手段之一，然而轨边信号在多普勒效应的影响下产生的时频调制给传统的冲击成分提取方法带来了挑战。现有的等周期多普勒瞬态小波模型未考虑轴承在实际运行中的非纯滚动问题，因此存在提取误差。针对该问题，提出了一种单瞬态多普勒调制Laplace小波模型与冲击成分提取方法，可构建与轨边信号时频结构相匹配的单瞬态多普勒调制Laplace小波模型，利用相关滤波法从轨边信号中逐个提取冲击成分。与现有的等周期多普勒瞬态小波模型相比，识别精度更高，仿真和实验分析验证了该方法的有效性。该方法可用于列车轴承故障轨边定量诊断，具有良好的应用前景。

　　关键词：故障诊断;列车轴承;瞬态分析;多普勒效应;Laplace小波

　　《振动工程学报》杂志，于1987年经国家新闻出版总署批准正式创刊，CN:32-1349/TB，本刊在国内外有广泛的覆盖面，题材新颖，信息量大、时效性强的特点，其中主要栏目有：论文、研究简报、应用实践等。

　　轴承运转时发出的声音信号蕴含了丰富的健康状态信息，对其进行分析处理是实现故障诊断的有效途径，并且与振动信号相比具有非接触式测量的优点。轨边声学监测技术利用安装在铁轨两侧的麦克风阵列采集列车高速通过时轮对轴承发出的声音信号(轨边信号)，通过对轨边信号的分析处理来获取列车轴承运行状况[1]。该方法能够在不影响列车正常运行的情况下，同时监测数百个轮对轴承，是一种成本较低的非接触式监测手段[2-3]。

　　何正嘉等[4]提出Laplace小波相关滤波法，并成功将其应用于内燃机、水轮机、汽轮机等故障冲击特征提取[5-6]。轴承部件局部故障会导致故障信号中出现冲击响应成分，研究表明Laplace小波与其具有相近的波形结构。文献[7-9]

　　通过构造参数化Laplace小波和相关滤波法可以从轴承故障信号中成功提取冲击成分。袁幸等[10]利用峭度最优Laplace小波实现了滚动轴承量化诊断。此外，Laplace小波还被应用于汽车减速箱的齿轮故障诊断[11]和柴油机齿轮箱轴承的冲击成分提取[12]。

　　然而，由于列车和轨边安装的麦克风之间存在较高的相对运动速度，因此轨边信号受到了多普勒效应的影响，在时频域上产生了特有的多普勒调制现象[13-15]，使得轨边信号中的冲击成分在时频结构上产生多普勒畸变。传统的Laplace小波是针对静态采集信号设计的，与轨边信号的冲击成分存在结构上的差异，直接运用会造成小波特征参数的错误识别，因而无法实现冲击成分的正确提取。

　　针对该问题，沈长青等[16]提出了一种周期性多普勒Laplace小波模型，并运用于轨边信号冲击成分的提取。但在实际运行中，由于轴承部件装配间隙的存在以及润滑作用，轴承滚子与内外圈滚道之间并非严格的纯滚动，而是存在微小的相对滑动，使得冲击成分呈现微观上的非周期性，这种情况下使用周期小波模型来识别就存在偏差。

　　为此，本文提出使用单瞬态多普勒Laplace小波模型从轨边信号中逐个剥离冲击成分，介绍了单瞬态多普勒Laplace小波模型构建算法和瞬态冲击成分提取算法。由于使用的小波与轨边信号在时频结构上相近，并且能够从信号中逐个剥离冲击成分，因此识别精度得到提高。仿真信号和试验信号验证了该方法的有效性。

　　1单瞬态多普勒调制Laplace小波模型

　　1.1.轨边声学监测模型

　　如图1所示为单声源单麦克风轨边声学监测模型。轴承声源从t=0时刻开始从A点出发，以匀速V沿图中所示方向運动至对称点B点。麦克风与AB线段之间的垂直距离为r，初始时刻轴承声源与麦克风位置的横向距离为X0，声源在t时刻与麦克风的距离为R。运动过程中麦克风采集到的信号称为轨边信号，经过信号处理可从中提取轴承运行状态相关信息。由于声源的高速运动，轨边信号受到多普勒效应的影响，与传统的静态采集信号相比，存在时频结构上的差别，给冲击成分的提取带来了困难。

　　3仿真分析

　　3.1仿真信号

　　为了验证本文方法的有效性，本节利用仿真信号进行验证。仿真声源信号为非周期双边Laplace小波，中心频率为3000Hz，阻尼比为0.05，故障频率为120Hz。仿真使用的轨边模型参考图1，模型参数设定为：r=0.5m，V=60m/s，X0=3.6m。采样频率设为20kHz。为了模拟实际工况中，轴承滚子与内外圈滚道之间微小相对滑动造成的冲击成分微观上的非周期性现象，将仿真声源信号各个冲击成分的间隔设置为{245，250，246，280，233，253，254，241，245}，仿真声源信号如图5(a)所示，其对应的轨边仿真信号如图5(b)所示，观察可以发现在多普勒效应影响下，各个冲击成分的间隔变为{202，207，205，244，243，290，297，283，288}。

　　为了检验提出方法对含噪信号的有效性，对前面分析的仿真信号加入信噪比为5dB的高斯噪声，加噪后的声源信号和轨边信号如图8(a)和(b)所示。再次利用本文方法进行冲击成分提取，参数搜索范围与前述处理过程中设置相同，图8(c)-(e)展示了第一次搜索过程的相关系数走势曲线、最优单瞬态Laplace小波和对应的单瞬态多普勒调制Laplace小波。最终提取的冲击成分如图8(f)所示，各个冲击成分间隔为{202，207，205，244，243，290，297，283，288}，与仿真信号一致，可以看出本文方法具有较好的抗噪能力。另一方面，利用等周期模型提取的冲击成分结果展示在图8(g)中，得到的各个冲击成分的间隔{223，224，226，242，295，314，315，318，317}与前述无噪仿真信号分析结果{223，224，226，242，295，313，316，325，310}相比发生了微小变化，说明在噪声的影响下等周期模型产生了一定的识别误差。

　　在图9中，对比了等周期模型方法和本文方法提取的冲击成分与仿真信号的相关系数。无噪情况下，两种方法提取的冲击成分与仿真信号的相关系数分别为0.555和1，在5dB含噪情况下，两种方法提取的冲击成分与仿真信号的相关系数分别为0.5078和0.9865。可见本文提出的单瞬态多普勒调制Laplace小波模型与等周期模型相比识别精度更高，抗噪能力更强。为了进一步验证本文方法的抗噪能力，对-5-5dB信噪比范围内的仿真信号进行分组分析，并计算提取的冲击成分与仿真信号的相关系数，其结果如图10所示[JP2]，可以看出在噪声较强的情况下本文方法仍然保持了较好的提取效果。

　　4实验分析

　　4.1实验信号

　　为了进一步验证本文方法的有效性，本节对某型号列车滚动轴承的轨边试验信号进行分析，实验中采用的轴承型号为中国现役货运列车圆柱滚子轴承NJ(P)3226XI，该型号为中国列车使用的单列向心短圆柱滚子轴承的主要型号，其参数如表1所示。

　　轨边信号分两个实验阶段获取，首先通过静态实验分别获取轴承外圈、内圈单点故障声音信号。然后在动态实验中使用全频喇叭播放静态实验中获取的故障轴承声音信号作为声源放置于直线行驶的车辆上，在距离车辆运行直线距离为r处，与声源等高放置麦克风采集车辆高速通过时发出的声音信号。两个独立的实验分别如图11和12所示[18]。

　　本文所分析的采集信号零时刻距离汽车的横向距离为X0=4m，麥克风距离声源移动路径的垂直距离为r=2m，汽车移动速度为V=30m/s，麦克风采样频率为fs=50kHz。下面利用两种方法分别对该信号进行处理和对比分析。

　　4.2外圈故障轴承轨边信号分析

　　图13(a)为动态实验采集到的外圈故障轴承轨边信号原始信号波形;图13(b)为经过带通滤波后的信号波形，观察波形发现冲击成分与双边Laplace波形较为接近，同时可以测量出各个冲击成分之间的间距为{339，262，381，344，345，392，350，357，357，361，366，367，417，331，419，380，383}，由此可见在多普勒效应和轴承实际运行中非纯滚动现象的联合影响下冲击成分呈现非等间隔分布，甚至其中序号为5和6，7和8，10和11，14和15的冲击成分相互之间存在部分重叠。

　　5结论

　　在多普勒效应和实际运行中轴承滚子非纯滚现象的联合影响下，列车轴承轨边信号冲击成分呈现非等间隔分布，使用等周期模型从轨边信号中提取冲击成分时存在一定误差。本文提出的单瞬态多普勒调制Laplace小波模型与轨边信号冲击成分结构匹配程度较高，并且能够从轨边信号中逐个提取冲击成分，与现有方法相比提取精度得到了提高。仿真和试验信号对比分析表明了本文方法的有效性。该方法是针对轨边信号特点，对传统冲击成分提取方法提出的改良和创新，可用于列车故障轴承轨边定量诊断，具有良好的应用前景。

　　参考文献：

　　[1]刘方，沈长青，何清波，等.基于时域多普勒校正和EEMD的列车轴承道旁声音监测故障诊断方法研究[J].振动与冲击，2013，32(24)：104-109.

　　LiuFang，ShenChang-qing，HeQing-bo，etal.WaysideacousticfaultdiagnosisforlocomotivebearingsbasedonDopplereffectcorrectionandEEMDmethodintimedomain[J].JournalofVibrationandShock，2013，32(24)：104-109.

　　[2]刘瑞扬.北美铁路车辆安全轨边检测系统的现状及思考[J].中国铁路，2004，(7)：57-60.

　　LiuRui-yang.CurrentsituationandconsiderationsofrailsidedetectionsystemforNorthAmericanrailwayvehicles[J].ChineseRailway，2004，(7)：57-60

　　[3]FirdausiDIrani，吴朝院.先进道旁车辆状态监视系统的开发和应用[J].国外铁道车辆，2002，39(2)：39-43.

　　FirdausiDIrani，WuChao-yuan.Developmentanddeploymentofadvancedwaysideconditionmonitoringsystems[J].ForeignRollingStock，2002，39(2)：39-43.

　　[4]何正嘉，訾艳阳.Laplace小波及其工程应用[J].工程数学学报，2001，18(f12)：87-92.

　　HeZheng-jia，ZiYan-yang.Laplacewaveletanditsengineeringapplication[J].ChineseJournalofEngineeringMathematics，2001，18(f12)：87-92.

　　[5]訾艳阳，李庆祥，何正嘉.Laplace小波相关滤波法与冲击响应提取[J].振动工程学报，2003，16(1)：67-70.

　　ZiYan-yang，LiQing-xiang，HeZheng-jia.Extractionofimpulseresponsebasedoncorrelationfilteringmethodoflaplacewavelet[J].JournalofVibrationEngineering，2003，16(1)：67-70.

　　[6]祁克玉，向家伟，訾艳阳，等.基于Laplace小波相关滤波的结构模态参数精确识别方法[J].机械工程学报，2007，43(9)：167-172.

　　QiKe-yu，XiangJia-wei，ZiYan-yang，etal.HighprecisionmodelparameteridentificationbasedonLaplacewaveletcorrelationfiltering[J].JournalofMechanicalEngineering，2007，43(9)：167-172.

　　[7]WangS，HuangW，ZHU，etal.Transientmodelingandparameteridentificationbasedonwaveletandcorrelationfilteringforrotatingmachinefaultdiagnosis[J].MechanicalSystems&SignalProcessing，2011，25(4)：1299-1320.

　　[8]王诗彬，朱忠奎，王安柱，等.基于瞬态冲击响应参数辨识的轴承故障特征检测[J].振动工程学报，2010，23(4)：445-449.

　　WangShi-bin，ZhuZhong-kui，WangAn-zhu，etal.Bearingfaultfeaturedetectionbasedonparameteridentificationoftransientimpulseresponse[J].JournalofVibrationEngineering，2010，23(4)：445-449.

　　[9]WangD，ShenC，TsePW.Anoveladaptivewaveletstrippingalgorithmforextractingthetransientscausedbybearinglocalizedfaults[J].JournalofSound&Vibration，2013，332(25)：6871-6890.

　　[10]袁幸，朱永生，張优云，等.基于接触模型和峭度最优Laplace小波的滚动轴承量化诊断[J].振动工程学报，2012，25(6)：643-650.

　　YuanXing，ZhuYong-sheng，ZhangYou-yun，etal.Quantitativedamagediagnosisforrollingbearingbasedoncontactvibrationmodelandoptimumkurtosis-Laplacewavelet[J].JournalofVibrationEngineering.2012，25(6)：643-650.

　　[11]张志刚，周晓军，宫燃，等.小波域局部Laplace模型降噪算法及其在机械故障诊断中应用[J].机械工程学报，2009，45(9)：52-57.

　　ZhangZhi-gang，ZhouXiao-jun，GongRan，etal.DenosingalgorithmbasedonlocalLaplacemodelinwaveletdomainanditsapplicationinmechanicalfaultdiagnosis[J].JournalofMechanicalEngineering，2009，45(9)：52-57.

　　[12]杨江天，周培钰.经验模态分解和Laplace小波在机车柴油机齿轮系故障诊断中的应用[J].机械工程学报，2011，47(7)：109-115.

　　YangJiang-tian，ZhouPei-yu.FaultdiagnosisforgeartrainoflocomotivedieselenginebasedonempiricalmodedecompositionandLaplacewavelet[J].JournalofMechanicalEngineering，2011，47(7)：109-115.

　　[13]刘方，何清波，沈长青，等.运动声源多普勒畸变信号的一种时域校正方法[J].声学学报，2014，(2)：185-190.

　　LiuFang，HeQing-bo，ShenChang-qing，etal.AtimedomaincorrectionmethodforDoppler-distortionsignalfromacousticmovingsource[J].ActaAcoustica，2014，(2)：185-190.

　　[14]王超，孔凡让，胡飞，等.CrazyClimber算法与重采样技术在消除多普勒效应及列车轴承诊断中的应用[J].振动工程学报，2014，27(5)：770-779.

　　WangChao，KongFan-rang，HuFei，etal.ApplicationofCrazyClimberalgorithmandre-samplingtechniqueintheDopplereffectremovalandtrainbearingdiagnosis[J].JournalofVibrationEngineering，2014，27(5)：770-779.

　　[15]ShenC，LiuF，WangD，etal.ADopplertransientmodelbasedontheLaplacewaveletandspectrumcorrelationassessmentforlocomotivebearingfaultdiagnosis[J].Sensors，2013，13(11)：15726-15746.

　　[16]沈长青，朱忠奎，刘方，等.基于EEMD和改进的形态滤波方法的轴承故障诊断研究[J].振动与冲击，2013，32(2)：76-80.

　　ShenChang-qing，ZhuZhongkui，LiuFang，etal.RollingelementbearingfaultdiagnosisbasedonEEMDandimprovedmorphologicalfilteringmethod[J].JournalofVibrationandShock，2013，32(2)：76-80

　　[17]LiuF，HeQ，KongF，etal.Dopplereffectreductionbasedontime-domaininterpolationresamplingforwaysideacousticdefectivebearingdetectorsystem[J].MechanicalSystemsandSignalProcessing，2014，46(2)：253-271.

　　[18]LiuF，ShenC，HeQ，etal.Waysidebearingfaultdiagnosisbasedonadata-drivenDopplereffecteliminatorandtransientmodelanalysis.[J].Sensors，2014，14(5)：8096-8125.