动车组轴承轨旁声学故障诊断研究综述

李恒奎，卫昱乾，杨岗

(1.中车青岛四方机车车辆股份有限公司，山东 青岛 266111；
2.西南交通大学 唐山研究生院，河北 唐山 063000；
3.西南交通大学 机械工程学院，成都 610031)

在高速动车组列车中，滚动轴承是转向架的核心部件，实际运行中在变载荷、高压力工况下持续工作。一旦轴承发生故障，会直接引起热轴、切轴等事故，甚至会导致列车脱轨。对滚动轴承进行在线监测与故障诊断，可以减少或杜绝事故的发生，并为滚动轴承工艺优化提供数据和信息支撑，预知状态并指导维修，降低轴承全寿命周期的开支。根据测量数据的种类，故障诊断技术可以分为振动法、温度法、声音法等，基于振动信号的故障诊断是轴承故障诊断最常用的方法。

轴承零件的材料发生微小断裂而产生裂纹时会发出声音信号，之后裂纹扩大或部件发生磨损时也会引起零件间相互作用的冲击信号，激发相应的振动和声学信号。相对于探测振动信号的加速度传感器，声学传感器或麦克风收集装置的非接触式安装方式更为简单，安装过程不会对车辆产生附加影响(增加车底布线、轴箱开孔)，减少了安装中的关联性经济损失。因此，与振动信号诊断相比，声学信号诊断具备非接触式测量、成本低和早期故障预警能力，但也存在强噪声背景下难以提取故障特征的缺点。

轨旁声学故障诊断技术对运行中列车轴承的噪声信号进行采集和分析，从而识别轴承工作状态，预测轴承早期故障。轨旁声学故障诊断流程主要有3步：实时声学数据采集、声学信号处理以及故障诊断。列车轴承轨旁声学诊断系统主要由轨旁装置和轨旁机房设备组成：轨旁装置包括声学采集传感器阵列、车号识别装置、探测开机装置、车速测量装置等；
轨旁机房设备包括声学处理服务器、通信服务装置、控制及监控装置、电源等。

目前，我国还未研制出完善的列车轴承轨旁声学诊断系统，仍处于理论分析和试验阶段，国内近年来对该技术的研究主要集中在声学信号处理与故障诊断方面，因此，本文综合论述列车轴承轨旁声学诊断系统的难点、研究成果和关键技术，并总结该技术的发展趋势。

轨旁声学诊断技术的核心是利用声学采集装置收集列车驶过时轮轨产生的声音信号，再进行信号分析和特征提取，从而达到对列车轴承故障进行诊断的目的。总体来说该技术的发展受到以下3个难点的限制。

1.1 信号畸变

声学采集装置与列车之间的相对运动速度很大，故障源发出的信号与采集到的信号之间存在较大的时间差，从而产生多普勒效应。声学采集装置与故障源的距离越远，列车速度越快，相应地多普勒效应也越大[1]；
多普勒畸变会使信号在时域上出现调制现象，在频域上出现频带扩展和混叠，并对后期信号处理带来很大困扰，对畸变进行矫正有利于提高故障诊断的准确性。时域插值重采样是应用最广泛的畸变校正方法，其通过对时域信号插值来构成新的重采样信号，以此减小所采集信号与故障源发出信号之间的差异。文献[2]采用基于瞬时频率的方法和基于运动参数估计的方法求取重采样的参数，通过希尔伯特变换与复移位Morlet小波确定瞬时频率，利用固有频率和瞬时频率构造重采样时间向量：由于该方法计算成本太大，不适合用于实时故障诊断。

1.2 多声源

采用麦克风阵列作为声学采集装置，当列车经过时每个麦克风均会收集到多个轮对轴承发出的声音，采集到的声音信号往往是多声源的，从原始信号中剥离单套轴承的故障信号非常困难；
而且多套轴承的声音信号耦合在一起，多普勒畸变也会引起频带扩展和混叠，采用简单的带通滤波器难以有效分离信号。多声源问题的解决方法有基于信号时频分析的声源分离和基于信号统计特性的盲源分离：基于信号时频分析的声源分离根据不同声源在时频域中的分布实现多种声源的提取与分离，最后根据分离结果恢复成时域信号[4-5]，其关键在于如何设定时频域的信号特征以及如何将信号在时频域中分割[6]；
盲源分离主要从统计特性或结构特性出发，根据观测实现不同信号的分离，其需要预先设定一个损失函数，以损失函数最大点作为不同声源分离点[7]。目前常用的盲源分离方法主要有独立分量分析、神经网络等，该类方法各有缺点，独立分量分析存在欠定问题，即已知信号数量少于源信号数量，神经网络则需要大量数据样本作为支撑。

1.3 噪声强

列车经过时产生的噪声种类丰富且强度很大[8-9]：如电动机噪声，车轮与铁轨相互摩擦形成的噪声，空气流动产生的噪声等。相比之下，轴承故障特征比较微弱，从强噪声下提取故障特征比较困难。近年来，结合小波、经验模态分解、神经网络等方法的降噪算法层出不穷，但从强噪声中提取需要采集的信号，提高故障轴承对应声音信号的信噪比，仍是轨旁声学诊断技术的一个重大挑战。

1.4 小结

信号畸变、多声源和强噪声对轴承声学诊断技术的应用带来了极大的困难，笔者认为：应首先解决多普勒畸变问题，重构得到真实信号；
在上述基础上研究强噪声下的降噪算法以及从降噪后信号中分离出不同的故障源的算法，以达到对故障源的精准定位。

2.1 声学信号产生机理研究

声发射(Acoustic Emission，AE)是指由于应力引起的材料内部或表面的变形或损伤以弹性波形式瞬时快速释放能量[10]。在正常负载、转速和良好对准条件下，滚动轴承表面损伤始于滚道或滚动体次表面的小裂纹，这些裂纹逐渐扩展并传播到表面产生可被检测的声信号[11]。有研究表明，在轴承发生故障时，故障特征最先体现在声发射信号中而不是振动信号[12]，因此声发射信号可应用于轴承故障监测中。

2.2 声学信号的故障特征研究

声学诊断与振动信号诊断本质相同，都是通过对原始信号进行时频分析得到故障特征。

2.2.1 时域特征研究

假设原始声发射信号为x(n)，n为采样点，n=1,2,…,N。可采用过零率、均值、峰值、概率密度函数、方差以及峭度系数、波形因子等时域指标表征该段信号，部分时域参数计算方法见表1。可通过故障轴承与正常轴承之间时域参数的对比得出时域参数变化与故障类型之间的逻辑关系。由于时域参数的计算很快，该方法具有简便、快捷的优点；
但由于背景噪声的存在，所采集声发射信号的时域波形十分复杂，时域参数会受到很大的影响，两者间的故障逻辑关系很难被分析出来。

表1 声发射信号的常用时域参数

信号中任何一个成分变化的影响都远远大于随机噪声的影响，即可以用主成分分析(Principal Component Analysis，PCA)重构原始数据[13-14]，其能够对高维特征进行降维，去除噪声与不重要的特征，保留最重要的特征。对于不同故障类型的原始数据，其时域参数有很多种，PCA能够从多个参数中筛选出最有价值的参数，从而分析出时域特征与故障类型之间的逻辑关系。

2.2.2 频域特征研究

轴承发生故障时，声发射信号的频率组成会发生改变，有必要确定故障频率与噪声频率在原始信号中的具体组成。合理分析信号的频域信息才能准确诊断故障部位，常用的频域特征分析方法有频谱分析、包络谱分析等。

频谱分析是一种将复杂信号分解为较简单信号的方法，许多物理信号均可以分解为不同频率的简单信号，以此找出一个信号在不同频率下的信息。通常采用傅里叶变换将信号分解为若干正弦信号与余弦信号之和的形式[15]，观察频谱图以分析原始信号的频率组成，通过比较正常轴承与故障轴承的频谱发现频率组成的不同，进而分析轴承故障带来的频段变化，实现对轴承故障的分类识别。

轴承通常存在一些复合故障(滚子、内圈、外圈或保持架两两或多个同时故障)，加之受到齿轮啮合、轮轨冲击作用，往往会使轴承的振动产生调制现象，仅靠频谱分析无法分离故障频率。包络谱对故障造成的瞬态冲击比较敏感，故障特征频率的幅值很高且容易辨认；
另外，包络谱分析能够避免不必要的频率干扰，凸显故障特征频率，从而更容易对滚动轴承故障类型进行判断。

2.3 声学信号降噪算法研究

时域与频域分析只能从单个角度对信号进行分析，有各自的局限性。随着时间的变化，采集到的声发射信号也在变化，只有将时域与频域信息联合才能完整地表征信号的局部特征。目前，常用的时频分析方法有小波变换、经验模态分解、短时傅里叶变换等，其中小波变换与经验模态分解被广泛应用于信号降噪。

小波分析通过选取不同的小波基函数来拟合原始信号，将原信号分割为多层次以便于分析信号的高低频信息。交叉小波变换可用于2组信号的相干性分析[16-17]，在列车周围放置多个麦克风收集同一故障源信号，经过交叉小波变换后各频段的相干性会表现出来；
由于噪声信号具有随机性，其相干性往往较小，通过去除相干性小的频段信号可以达到降噪的目的，但目前还没有将交叉小波变换应用于声学诊断方面的研究。为更精确地提取故障特征，需要从原始信号中去除噪声频段或提取出故障特征所在的频段信号，常采用经验模态分解、变分模态分解等算法对信号进行频段分割，然后有目的性地删除噪声频段或保留故障特征频段。除此之外，小波分析与神经网络、主成分分析等技术进行融合也可用于轴承的故障诊断和寿命预测[18]。

小波分析一旦确定使用的小波基函数，整个分析过程中就不可更换。经验模态分解则具有自适应性，无需对原始信号进行预先分析与研究就可以直接开始分解。通过对经验模态分解得到的多个本征模函数进行分析，可以有效把握原始信号的特征信息。然而，由于模态混叠问题，各本征模函数的频段存在部分交叉，一定程度上影响特征提取或信号降噪；
因此在经验模态分解基础上产生了多种优化方案并广泛应用于轴承的故障诊断，如集合经验模态分解、变分经验模态分解、互补集合模态分解等，并还在得到不断的深入研究。

奇异值分解降噪是基于矩阵奇异值分解理论的非线性滤波方法，相比于传统的降噪方法，该方法能够去除宽带随机噪声[19]。首先，对信号x(n)构造Hankel矩阵并对矩阵进行奇异值分解，得到由奇异值构成的对角矩阵；
然后，根据奇异值从大到小的排列顺序设定阈值，将小于阈值的奇异值作为噪声去除；
最后，根据剩余的奇异值重构信号，达到信号降噪的目的。由于奇异值分解降噪的自适应性较差，可将其与经验模态分解或傅里叶变换等方法结合起来，实现更好的降噪效果[20-21〗。

2.4 现代故障诊断算法

随着机器学习与人工智能技术的发展，智能诊断技术越来越受到研究者的关注。支持向量机、隐马尔可夫模型、自编码器等人工智能算法被广泛应用于轴承的故障诊断。深度学习理论以强大的建模与数据处理能力，在数据处理和特征学习方面具有独特的优势[22-23]。在对原始数据进行预处理后，将时域、频域特征输入神经网络模型进行学习，经过优化模型往往能取得较好的故障诊断效果。卷积神经网络(Convolutional Neural Networks，CNN)使用卷积运算代替一般神经网络的乘法运算，使用多个卷积核分别进行卷积运算，从而提取不同类型的特征。将一维信号或一维特征进行二维可视化后作为网络的输入数据，能够实现轴承故障的自动分类[24]。CNN的故障分类过程如图1所示，将一维信号可视化为峭度图、时频图等特征图，将特征图输入所建立CNN网络模型的输入层，通过卷积层、池化层对图像进行深层特征提取，最后使用全连接层加Softmax等分类器得到故障分类结果[25]。

3.1 国内研究现状

近年来，国内对声学信号采集技术的研究较少，对声学信号处理方面的研究较多。与振动信号诊断技术相比，声学诊断仅仅是数据来源和背景噪声不同，完全可以将振动信号分析方法用于后者。由于高畸变、多声源与强噪声的影响，难以从轨旁声学信号中提取轴承故障特征，并且缺少数据支撑，轨旁声学诊断技术发展缓慢。如果有大量的数据供人工智能算法学习，故障诊断就能获得较高的准确率；
同样，在信号降噪及特征提取的步骤中，若能得到有价值的故障特征信号，也可以提高故障诊断的水平。

文献[26]通过搭建声学信号采集设备，采集同一目标的多个声源信号，研究了不同声源速度下所采集信号的畸变程度变化，得到了轨旁声学信号多普勒时频变化规律，研究了最优原子筛选和信号重构策略，实现了声学信号消噪。

文献[27]对轨旁监听信号进行多普勒畸变矫正，采用核特征矩阵联合近似对角化算法对时频指标进行特征融合并利用支持向量机进行故障分类，实现了对轴承轨旁声学信号的特征提取。

文献[28]提出了一种结合共振稀疏分解与小波降噪对信号进行二次降噪的轴承故障诊断方法，其以峭度值作为指标，从降噪后信号中提取瞬态冲击成分，通过包络谱分析确定轴承故障。试验表明该方法能够在复杂噪声背景下实现轴承的声学诊断，也可应用于其他机械部件的故障诊断，具有可移植性。

文献[29]采用近场声全息技术对轴承产生的声信号进行了重构及可视化，得到了相应的二维声音图像，然后从声音图像中得到相应的灰度共生矩阵并提取出故障特征，使用多分类支持向量机实现了轴承故障判别，结果表明近场声场全息术能够有效实现声音的可视化及重构，有利于与卷积神经网络等深度学习技术的结合。

文献[30]为减小多普勒效应的影响，提出重采样的方法，根据声音数据的时频变化确定采样间隔，然后进行包络谱分析并结合遗传算法重采样信号进行多尺度噪声调制，达到了微弱特征增强的效果。

文献[31]使用小波包变换将单通道声音信号分离为2个虚拟通道的声音信号，再用盲源分离技术提取源信号：首先，将香农熵作为指标优化Morlet小波的形状参数，从而匹配到与所测信号特征最匹配的小波函数；
然后，根据小波系数矩阵奇异值与尺度的关系曲线得到最佳小波变换尺度；
最后，对滚动轴承故障信号进行Morlet小波变换并提取故障特征；
结果表明该方法能从强背景噪声下提取出轴承声学信号的故障。

文献[32]基于奇异值分解构造原始振动信号的汉克尔矩阵，将相邻奇异值的比值引入特征信号的提取中，并利用隐马尔可夫模型实现故障自动分类，为该模型在声学诊断领域提供了基础。

针对轨旁声学信号特征微弱的特点，文献[33]采用自编码器提取故障特征并输入支持向量机实现故障分类，得到了96.7%的故障分类准确率。

3.2 国内研究发展趋势

目前，国内研究都偏重于特征提取与故障诊断两方面。特征提取方法有很大的研究进展，人工智能技术的结合使用较多，但尚未实际应用。列车运行时周围环境比较复杂，数据采集方面的研究缺失，没有形成完整的轴承声学数据储备；
多普勒畸变的影响也给该声学故障诊断研究带来了很大困难；
总体而言轴承声学故障理论和应用有较大缺口，还需要不断改进：

1)模拟列车运行环境，研究合理的麦克风阵列，采集不同种类的轴承故障声学数据，为实际应用提供完整的数据储备。

2)继续完善时域分析、频域分析、时频分析等方法的理论研究，促进多种方法的结合，从原始信号中更有效地提取故障特征。

3)在完善上述理论的基础上，充分利用人工智能技术，进行跨学科、跨方法之间的交叉应用，将智能故障诊断技术作为未来的研究重点。

4.1 国外研究现状

美国运输技术中心公司从20世纪80年代开始研究轨旁声学监测系统(Trackside Acoustic Detector System，TADS)[34]，该技术采用传感器阵列采集轨旁信号，然后利用计算机处理分析信号，在北美、澳洲和南非等地已经推广试用[35]，如图2所示。

近些年，国外一直在进行声学诊断的基础研究，结合人工智能技术深入研究声学信号的时域信号与故障尺寸和故障种类之间的逻辑关系。使用较多的时频分析方法有小波包变换、经验模态分解、傅里叶变换等，基本遵循原始信号降噪、时域特征提取、故障诊断的流程。

文献[36]采用试验设计方法研究了故障尺寸、运行速度和载荷条件对声信号时域统计参数的影响，以选择诊断滚动轴承早期故障和缺陷增长的最敏感参数，最终将峰度与香农熵的比值作为优化指标，利用小波包变换和包络谱分析获得最佳带通滤波器，在背景噪声下成功从原始信号中提取到轴承故障特征频率。

文献[37]将支持向量机回归、多层人工神经网络模型和高斯过程回归作为分类器，以均方根和信号强度估计值为输入特征研究低速状态下轴承声音信号时域参数与故障种类之间的关系，试验表明选取合适的网络结构并提供充足的数据，能够达到良好的剩余寿命预测结果。

文献[38]首先从声信号的时域、频域和包络功率谱中提取轴承健康状况的特征，然后使用基于线性判别分析技术的增强特征分析方法从原始特征集中选择最具价值的轴承故障特征，使用朴素贝叶斯分类器取得了99.4%的故障分类准确率。

文献[39]将循环平稳性指标用于声学诊断领域，并将其与传统的包络谱分析进行了比较，结果表明循环谱相关分析方法对于识别外圈缺陷更加有效。与传统的时间指标(均方根值、峰度、波峰因子)相比，循环平稳性指标对故障缺陷的连续监测具有更好的灵敏度。

文献[40]采用一种结合外差频率降低技术、时间同步重采样和频谱平均的方法处理声信号并提取轴承故障特征：其通过带通滤波保留信号中与轴承缺陷相关的信息，再时间同步重采样并计算频谱平均值提取故障特征，最后通过自建试验台收集声音数据验证了该方法的有效性。

4.2 国外研究发展趋势

与国内研究情况相似，国外同样缺乏完整的轴承声学数据。近年来，国外学者没有针对性地研究轨旁故障诊断技术，也没有对避免多普勒畸变的影响进行更深入的研究，更多是在研究电动机的故障诊断，从其中可发现以下发展趋势：

1)深入研究时域特征与故障尺寸及故障种类之间的逻辑关系。

2)结合使用时频分析方法的同时，不断引入新的特征提取优化指标，并深入研究基础理论。

3)更多结合人工智能技术进行故障分类。

声学故障诊断虽然已在列车轴承轨旁声学诊断系统中有所应用，但仍有以下问题亟待解决：

1)多普勒畸变的影响导致高质量信号采集、降噪和故障特征提取困难。

2)需针对实际运行工况建立列车轴承故障识别模型，分析轴承在不同工况下的性能退化失效准则。

列车轴承轨旁声学诊断系统优越性在于采集方式简单，维护系统设备时不影响列车运行。在解决高畸变、多声源与强噪声的影响后，该技术能够根据列车经过时产生的声音实时定位轴承故障位置与故障类型。识别故障特征是预测剩余寿命的基础，能够精准量化故障程度则是精确预测剩余寿命的保障。笔者认为未来该技术的应用应当扩展至精准的轴承剩余寿命预测，比如精准预测轴承故障的面积、裂纹扩展程度等。

猜你喜欢 时域声学轴承 OFDM 系统中的符号时域偏差估计电声技术(2022年7期)2022-09-23异步立式感应电机轴承系统设计防爆电机(2022年4期)2022-08-17改进的浮体运动响应间接时域计算方法哈尔滨工程大学学报(2021年10期)2021-11-05无轴承电机的结构设计防爆电机(2021年5期)2021-11-04燃气管道泄漏主动声学探测方法煤气与热力(2021年5期)2021-07-22泵用电机水润滑轴承选择与应用防爆电机(2021年3期)2021-07-21进一步放大细腻通透的优势 Davis Acoustics(戴维斯声学) MODEL M/MODEL S/BASSON 88家庭影院技术(2020年11期)2020-12-28还原音乐的本来面貌 Davis Acoustics(戴维斯声学)Courbet N°5家庭影院技术(2020年5期)2020-08-24爱的就是这股Hi-Fi味 Davis Acoustics(戴维斯声学)Balthus 70家庭影院技术(2020年6期)2020-07-27基于复杂网络理论的作战计划时域协同方法研究军事运筹与系统工程(2019年4期)2019-09-11 相关热词搜索：车组，声学，综述，