城軌車輛轉(zhuǎn)向架的構(gòu)成及檢修

摘要在中國，城市軌道交通迅猛發(fā)展，各大省會城市都在進行建設(shè)或規(guī)劃自己的城軌，其運營安全越來越受到關(guān)注。轉(zhuǎn)向架軸承是地鐵車輛中的關(guān)鍵部件，其狀態(tài)對車輛的安全運行至關(guān)重要。因此，對列車轉(zhuǎn)向架軸承故障診斷具有很大的現(xiàn)實意義，而如何對其進行在線智能故障診斷是一個值得研究的重要問題。振動信號中往往含有與故障相關(guān)的大量信息。本文基于小波包-包絡(luò)分析對轉(zhuǎn)向架軸承故障診斷方法作了深入的研究。論故障診斷包括故障特征提取和故障模式識別兩大部分。本文將小波包分解與重構(gòu)和Hilbert變換結(jié)合起來，通過獲取振動信號各頻段的包絡(luò)譜將故障特征有效提取出來，使之更易識別。針對現(xiàn)有智能故障診斷方法的弊端，本文提岀了故障識別搜索算法這一智能模式識別方法。該搜索算法完全采用計算機模擬人“觀察”頻譜圖，對提取的故障特征進行有效模式識別，進而診斷出故障情況，為故障的自動智能診斷打下了堅實的基礎(chǔ)。關(guān)鍵詞：軸承；模擬第1章緒論1.1研究背景隨著我國經(jīng)濟社會的持續(xù)高速發(fā)展，城市化速度也在不斷提高，越來越多的人開始涌向城市，這給城市交通系統(tǒng)帶來了巨大的壓力。與常規(guī)交通工具相比，排除建設(shè)投資和運營費用的因素，軌道交通單次運量大，運行速度快，尤其在暢通準時方面的優(yōu)點是常規(guī)交通無法比擬的。目前，全國各大省會城市都在進行建設(shè)或規(guī)劃自己的城軌，截至2013年底，19座城市的85條線路已經(jīng)開通運營，總里程達2500多公里。從中可以看出，我國已經(jīng)進入城市軌道交通發(fā)展的黃金期。伴隨著城軌的高速發(fā)展，城軌列車的運營安全也越來越受到關(guān)注。城軌列車是一個非常復(fù)雜的系統(tǒng)，如果其中的一個環(huán)節(jié)出現(xiàn)問題，都可能造成車毀人亡的嚴重事故，帶來巨大的人身財產(chǎn)損失和經(jīng)濟損失。轉(zhuǎn)向架是軌道車輛結(jié)構(gòu)中最為重要的部件之一，對列車的平穩(wěn)性和安全性起著非常重要的作用，而轉(zhuǎn)向架軸箱軸承則是轉(zhuǎn)向架中最重要的部件。轉(zhuǎn)向架軸箱軸承工作條件惡劣，承受著巨大的重力負荷，而且其工作面長期受到接觸應(yīng)力的反復(fù)作用，極易產(chǎn)生裂紋甚至斷裂。而我國在城軌列車轉(zhuǎn)向架軸承在線監(jiān)測和故障診斷方面相對落后，目前普遍釆用的時間修的維修機制不能及時發(fā)現(xiàn)故障，有時甚至造成人力物力的浪費。基于以上分析，進行城軌列車轉(zhuǎn)向架軸承的在線監(jiān)測與故障診斷的研究，減少列車事故的發(fā)生，節(jié)省列車運營成本，提高故障預(yù)警能力勢在必行。1.2研究目的和意義轉(zhuǎn)向架軸承是列車非常關(guān)鍵的部件，又由于其工作環(huán)境惡劣，極易出現(xiàn)故障。轉(zhuǎn)向架軸承狀態(tài)的好壞直接關(guān)系到列車的行駛安全，甚至影響到整個城軌交通系統(tǒng)的安全性和穩(wěn)定性。所以對轉(zhuǎn)向架軸承狀態(tài)進行在線監(jiān)測和故障診斷意義重大。目前，多數(shù)列車運營單位釆用的是定期檢査的維修機制，但是該維修機制具有很大的盲目性：一方面，會造成資源浪費，即軸承本來沒有故障，卻要定期進行檢修，從而提高了城軌列車的運維成本；另一方面，會造成欠維修，即軸承出現(xiàn)故障時還沒有到定期檢査時間，從而不能及時發(fā)現(xiàn)，甚至使故障不斷擴大嚴重，給列車的運行帶來嚴重的隱患。因此，對轉(zhuǎn)向架軸承進行在線監(jiān)測與故障診斷，研究岀適應(yīng)在線診斷的軸承故障診斷方法，能夠及時發(fā)現(xiàn)早期輕微故障，防患于未然，提高城軌列車運行的安全性和穩(wěn)定性。同時，還能夠節(jié)省大量人力物力，降低運維成本。

第2章列車轉(zhuǎn)向架軸承故障機理及分析方法2.1滾動軸承典型結(jié)構(gòu)滾動軸承包括四部分：內(nèi)圈、外圈、滾動體和保持架句。軸承內(nèi)圈一般與軸固定在一起，軸帶動內(nèi)圈旋轉(zhuǎn)；軸承外圈一般與軸承座或軸箱固定在一起起支撐作用。滾動體為滾動軸承中的關(guān)鍵零件，它處于內(nèi)、外圈工作面中間，表面間的滑動摩擦轉(zhuǎn)變?yōu)闈L動摩擦。滾動體的種類一般為圓柱滾子、滾子、滾針和球面滾子。保持架將軸承中的滾動體均勻分布，主要對滾動體起保持作用，偏離正確的滾道，同時使軸承潤滑性能和內(nèi)部載荷分配得到改善。和沒有保持架的滿裝球或滾子的軸承相比，具有保持架的滾動軸承，其總體摩擦阻力較小，適用于像列車轉(zhuǎn)向架軸承如此高速的旋轉(zhuǎn)機械上。在實際使用時，很多滾動軸承帶有密封圈、防塵蓋以及安裝調(diào)整用的緊定套等。密封圈能將滾動軸承的工作部分和外界隔開，對滾動體、滾道和保持架起封閉作用，一般可分為接觸式密封和非接觸式密封兩種。需要說明的是，非接觸式利用小縫隙密封，總體摩擦小，故溫升小而且無損耗，適用于高速旋轉(zhuǎn)的列車轉(zhuǎn)向架軸承。衡量一個軸承是否能夠正常工作的一個重要因素是游隙。合適的游隙可以使載荷在滾動體之間合理分布；可以有效限制軸在徑向與軸向移動從而確保軸能夠以高精度旋轉(zhuǎn)；可以使軸承在規(guī)定的條件下正常運行；可以減小振動和噪聲，有利于延長軸承的壽命。2.2滾動軸承的故障形式常見的滾動軸承故障形式包括腐蝕故障、膠合故障、磨損故障、疲勞失效、壓痕失效、斷裂故障、保持架損壞卩氣（1）腐蝕故障滾動軸承部件表面的腐蝕通常由以下原因造成的：濕氣、水分或者潤滑油的化學(xué)腐蝕；較大電流從軸承表面間通過造成的電腐蝕：軸承套環(huán)的相對運動產(chǎn)生的微振腐蝕。（2）膠合故障膠合指的是一個表面的金屬與粘附到另外一個金屬表面的現(xiàn)象卩氣在高速重載和潤滑不良的情況下，因為摩擦產(chǎn)生大量熱量，軸承部件可能在極其短的時間內(nèi)達到極高的溫度，從而造成表面燒傷。（3）磨損故障這種故障形式是軸承的某些元件由于機械原因引起的表面磨損。軸承表面磨損后的振動波形與正常軸承相比，都是無規(guī)則的，隨機性比較強。但磨損后的波形幅值要明顯高于正常軸承，所以對這種故障形式診斷的方法往往是計算振動信號的峰值和有效值，若明顯大于正常水平，則診斷為磨損。（4）疲勞失效滾動軸承在運轉(zhuǎn)時，其內(nèi)圈和外圈外工作面與滾動體的表面既相對滾動又承受載荷。由于交變載荷的作用，在表面下最大剪應(yīng)力處形成裂紋，進而延展到工作面使表層產(chǎn)生剝落坑，最終發(fā)展為大片剝落。像這樣由于剝落產(chǎn)生的失效形式稱為疲勞失效。疲勞失效會在軸承運轉(zhuǎn)時加劇振動、沖擊載荷和噪聲。引起疲勞失效的重要原因是疲勞應(yīng)力。通常所謂的軸承壽命便是疲勞壽命，軸承的壽命試驗便是疲勞試驗。試驗規(guī)程有具體規(guī)定，在滾動體或工作面上，若出現(xiàn)面積大于0.5皿2的剝落坑便認為是軸承生命的終結(jié)。滾動軸承的疲勞壽命分散性很大，同一批次滾動軸承，其最短壽命與最長壽命可相差上百倍，這也從另外一個角度說明了對滾動軸承進行故障診斷的重要性。(5)壓痕失效這是在軸承外圈、內(nèi)圈工作面或滾動體表面出現(xiàn)的邊沿圓滑的條狀壓痕或凹坑。引起它的原因有可能是密封不良導(dǎo)致異物侵入或潤滑脂罩混雜有其他物質(zhì)，也可能是在軸承運轉(zhuǎn)時的過載、振動、過大沖擊或偏載。滾動軸承使用和裝配不當可能導(dǎo)致保持架變形，加大了其與滾動體間的摩擦力，甚至?xí)節(jié)L動體卡死而不能滾動，還有可能導(dǎo)致保持架和內(nèi)外圈工作面發(fā)生摩擦。2.3滾動軸承的振動信號分析方法滾動軸承故障診斷主要方法有：振動診斷方法、溫度診斷方法、聲學(xué)診斷方法等【2%由于振動信號特征明顯、檢測手段成熟且易于實現(xiàn)在線監(jiān)測，基于振動信號的診斷方法是目前應(yīng)用最廣泛的軸承故障診斷方法。一般情況下，可從時域和頻域兩個方面對振動信號進行分析。時域分析法可以簡單判斷軸承是否發(fā)生故障，但不能確定軸承的哪個元件出現(xiàn)故障，而頻域分析法可以解決該問題。2.3.1時域分析法在最開始的基于振動信號的軸承故障診斷中，時域分析法占有很重要地位。在時域分析中，主要是計算振動信號的統(tǒng)計特征參數(shù)，其分析過程簡單，而且能準確表征軸承狀態(tài)的好壞。通常用到的時域特征參數(shù)可以分為有量綱參數(shù)和無量綱參數(shù)兩大類。有量綱參數(shù)常用的有量綱特征參數(shù)有峰值、有效值、方根幅、歪度、峭度等。峰值是指振動波形的單峰最大值，它是一個時不穩(wěn)參數(shù)，在不同時刻它的變動很大。當軸承運轉(zhuǎn)時有瞬時沖擊發(fā)生，則它適用于此類情況的故障診斷。在實際情況下，一般把整個離散信號分為若干小段，然后分別求各段的峰值，再取平均值作為峰值。有效值(rms值)，是應(yīng)用最為廣泛的統(tǒng)計參量之一，它用來判斷機械振動等級強度，是機械故障診斷系統(tǒng)中用來判定運行狀態(tài)是否良好的重要指標。隨著故障的不斷發(fā)展而單調(diào)增加，通常來講，當軸承發(fā)生故障時有效值變大，多處故障同時發(fā)生時軸承信號有效值比單一故障軸承信號的有效值高。有效值具有較強的穩(wěn)定性，能夠較好地進行趨勢分析。由于計算值是對時間的平均，有效值對表面裂紋產(chǎn)生的無規(guī)則振動波形的異常能做出恰當評價。可是對于具有瞬時沖擊的故障異常不是很適用。這是因為瞬時沖擊的振幅較大，但是維持時間短，經(jīng)過對時間的平均，則有無峰值的差異難以表現(xiàn)出來。無量綱特征參數(shù)的優(yōu)點在于對軸承狀態(tài)敏感，當軸承狀態(tài)發(fā)生變化時，無量綱參數(shù)將會有明顯變化，基本上不受轉(zhuǎn)速、載荷和軸承型號等因素的影響；此外它們不受信號絕對水平的影響，因而如果測量點同以往的地方略有變動，也不會對診斷結(jié)果產(chǎn)生太大的影響。上述所提到的時域特征參數(shù)，其計算過程簡單、快速，可以判斷軸承是否發(fā)生故障，而無法判斷故障的類型，故障發(fā)生在哪個元件上。通過分析時域特征參數(shù)可以實現(xiàn)軸承故障的簡易診斷。2.3.2頻域分析法通過對時域信號的特征參數(shù)分析只能粗略地判斷軸承是否有故障，而不能具體判斷軸承的哪個元件出現(xiàn)故障。管理及維修人員為了釆取針對性的維修措施，就應(yīng)該對故障進行定位，這就需要對振動信號進行頻域分析。其中，SCX)為信號的功率譜，重心頻率FC、均方頻率松F和均方根頻率RMSF都用來描述功率譜主能量譜峰的位置變化，而頻率方差VF和標準差&KF描述譜能量的分散程度。利用頻域參數(shù)指標可以對滾動軸承的故障類型進行粗略判斷。當軸承沒有故障時，F(xiàn)C較小，頻率成分主要集中在低頻；當軸承出現(xiàn)局部損傷類故障時，由于沖擊引起的共振，因而主頻區(qū)右移，F(xiàn)C增加。2.4本章小結(jié)軸承在其運轉(zhuǎn)過程中必然會產(chǎn)生振動。本章介紹了滾動軸承的典型結(jié)構(gòu)和故障形式，研究了地鐵轉(zhuǎn)向架軸承的振動機理，推導(dǎo)了滾動軸承的故障特征頻率。這是利用振動信號方法對其進行故障診斷的基礎(chǔ)原理。常用的時域頻域特征參數(shù)可以對軸承故障進行粗略診斷，對故障類型精確診斷需要研究新的智能診斷方法。

第3章列車轉(zhuǎn)向架軸承故障智能診斷方法軸承故障診斷一般包括三個部分：釆集數(shù)據(jù)，故障特征提取和故障模式識別。而最重要且最困難的環(huán)節(jié)就是故障特征提取。故障特征的提取作為故障診斷中的關(guān)鍵問題，直接影響到故障診斷的正確率；另外，因為可能有不同類型故障在頻譜上表現(xiàn)出相同故障特征的情況，即不同故障產(chǎn)生交集，或者同一類型故障表現(xiàn)出多種特征，很難精確地進行診斷，甚至還有可能造成誤判。因此，現(xiàn)在很多旋轉(zhuǎn)機械狀態(tài)監(jiān)測與故障診斷系統(tǒng)對典型的故障信號能做出正確診斷，但對于多特征對單故障映射問題和故障特征接近或相似的信號很難準確診斷。3.1基于小波包分析和包絡(luò)解調(diào)分析的故障特征提取方法特征的提取是進行故障診斷的關(guān)鍵所在，所提取的特征必須具有代表性和典型性，能夠表征設(shè)備的故障狀態(tài)。小波分析作為新的數(shù)學(xué)理論，既繼承了Fourier（傅里葉）的分析思想，同時也是對其的發(fā)展。在非線性領(lǐng)域，比如數(shù)值分析、信號分析、圖像處理、故障診斷等，無論從工具角度還是在方法上，它都是近階段的重大突破。小波分析最大的特點是它具有良好的時頻局部化特性，而且可以對信號進行消噪從而更有利于提取微弱信號，在時頻分析中以及在處理非平穩(wěn)信號領(lǐng)域得到了廣泛的應(yīng)用。傅里葉變換的本質(zhì)在于將一個任意的函數(shù)分解為一系列不同頻率的三角函數(shù)的線性疊加，是一種全頻域分析。它的致命缺點表現(xiàn)為缺乏空間局部性。在軸承故障診斷中，需要關(guān)注的是軸承由于故障產(chǎn)生的的非正常信號，而不是在正常運轉(zhuǎn)條件下的信號。雖然加窗能凸顯出信號的局部特征，但是如果窗函數(shù)確定下來，它的大小與形狀也就跟著確定下來，這樣我們只能得到信號在窗區(qū)間內(nèi)的總信息。小波變換則是把時域信號展開，表現(xiàn)為小波函數(shù)族的線性疊加。而小波函數(shù)不論在時域還是頻域都是局部化的，傳統(tǒng)傅里葉變換與小波變換的本質(zhì)區(qū)別就在于此。頻域分析法中，在軸承故障早期，反映局部損傷故障位置的故障特征頻率成分一般能量都比較弱，常常淹沒在噪聲之中，直接對振動信號作快速傅里葉變換(FFT)很難從頻譜圖中診斷出早期局部損傷故障。但軸承出現(xiàn)故障時產(chǎn)生的沖擊會激發(fā)某些元件的高頻固有振動，且這些固有振動會受到軸承故障特征頻率的調(diào)制。通過帶通濾波器提取含有固有頻率的某一頻帶信號，再求其包絡(luò)譜，便可分離出調(diào)制信息,即共振解調(diào)，或稱包絡(luò)解調(diào)。包絡(luò)解調(diào)為處理調(diào)制信號提供了很重要的技術(shù)基礎(chǔ)，它能把軸承故障特征從非常雜亂的調(diào)制信號中解調(diào)出來。通常情況下，解調(diào)方法主要包括廣義檢波濾波法和Hilbert變換法等，廣義檢波濾波法包括三種算法：檢波濾波、平方解調(diào)算法和高通絕對值。這些方法的核心原理基本一致，都是取信號的絕對值或者是絕對值的平方，再通過低通濾波處理。一旦釆樣頻率選取不當，檢波過程、平方過程和取絕對值都可能造成混頻效應(yīng)。3.2智能故障模式識別方法研究傳統(tǒng)頻域分析法是人通過觀察頻譜圖中故障特征頻率處是否對應(yīng)譜峰來判斷是否出現(xiàn)了故障及故障類型。近年來，人工神經(jīng)網(wǎng)絡(luò)和非線性混沌與分形理論等智能故障識別方法被提出并應(yīng)用于軸承故障診斷。雖然人工神經(jīng)網(wǎng)絡(luò)方法具有自適應(yīng)、自組織和自學(xué)習(xí)等優(yōu)點，整個診斷過程可以實現(xiàn)無人參與，智能化程度高，但由于必須要有大盤故障訓(xùn)練樣本，并且需要人工訓(xùn)練網(wǎng)絡(luò)。再加上應(yīng)用環(huán)境惡劣，診斷準確率不夠高，工程應(yīng)用難以普及。而基于非線性理論的故障識別方法還不太成熟。本文中所提出的故障識別搜索算法是利用計算機根據(jù)頻譜圖搜索故障，模擬人“觀察”頻譜，無需故障樣本，診斷過程完全智能化。其關(guān)鍵環(huán)節(jié)包括譜峰判定、搜索頻帶設(shè)定和故障特征頻率誤差設(shè)定等。3.2.1譜峰判定一般默認的譜峰定義為一段頻譜圖中的幅值最大值。所以計算機在搜索譜峰時，首先要在頻譜圖的一個頻帶內(nèi)搜索最大值。假設(shè)某故障特征頻率約為90Hz,當軸承沒有此類型故障時，在振動信號頻譜圖中以故障特征頻率為中心的一個頻帶內(nèi)，計算機搜索到的最大值確實在故障特征頻率處，只是最大值與該頻帶內(nèi)的其他幅值相差不大，如果人觀察的話則不認為是譜峰。為了盡量避免誤判，設(shè)定計算機搜索時，最大值要明顯大于搜索頻帶內(nèi)其他值時才認為是譜峰。定義：比值P=最大值/第二大值。當P大于設(shè)定的臨界值時，計算機才可以判斷出現(xiàn)譜峰。臨界值決定了譜峰的明顯程度：臨界值越大，譜峰越明顯；臨界值越小，譜峰越不明顯。如果譜峰處對應(yīng)故障特征頻率，則臨界值越大，故障越嚴重。所以，臨界值可以看作是該搜索方法的靈敏系數(shù)，臨界值設(shè)得越小，也就是譜峰越不明顯，搜索靈敏度越高。改變臨界值可以改變捜索的靈敏度。根據(jù)試驗驗證，當臨界值為1.5時，搜索出的譜峰已經(jīng)很明顯。在頻譜圖中，由于譜峰的影響，譜峰左右附近幾個頻率點處的幅值都比較大。因為這幾個頻率點處的幅值正處在譜峰形成的過渡段，故不能反映譜峰外其他頻率點的幅值水平，若不忽略這幾個點，搜索到的第二大值很可能在這幾個點處，這是不允許的。故在搜索第二大值時，應(yīng)忽略這幾個點而從其他頻率點處捜索。根據(jù)試驗驗證，可忽略譜峰兩側(cè)各2個點。3.2.2捜索頻帶設(shè)定由于根據(jù)故障特征頻率處是否對應(yīng)譜峰來診斷故障，搜索頻帶內(nèi)必須包含故障特征頻率，故將故障特征頻率設(shè)置為搜素頻帶中心頻率較為合理。搜索頻帶不能太寬。假設(shè)軸承存在兩種故障，故障特征頻率分別為103Hz和133Hz,則在振動信號頻譜圖中兩種故障特征頻率處都對應(yīng)譜峰。如果搜索頻帶內(nèi)包含這兩種故障特征頻率，因為最大值只有一個，必然漏掉一個譜峰，而漏掉的譜峰幅值很可能成為接下來搜索到的第二大值。若兩個譜峰幅值之比小于設(shè)定的臨界值，則計算機不能識別任何一個譜峰。所以選擇捜索帶寬最基本的原則是：以故障特征頻率為搜索頻帶中心頻率，且頻帶內(nèi)不應(yīng)包含其他類型故障特征頻率。軸承出現(xiàn)故障時，除故障特征頻率處出現(xiàn)譜峰外，有時其高次諧波頻率處也有譜峰存在，為了使搜索更加準確可靠，設(shè)定計算機從以故障特征頻率的1倍頻、2倍頻和3倍頻為中心頻率的3個頻帶內(nèi)依次搜索。如果故障特征頻率或其諧波頻率處不存在譜峰，則停止搜索，認為沒有出現(xiàn)故障。3.2.3故障特征頻率誤差設(shè)定由于加工精度、軸承各部件磨損等原因，根據(jù)式（2?15）?式（2.17）計算得到的故障特征頻率可能和實際的故障特征頻率存在偏差。若偏差存在，即使軸承有某類型故障，且計算機搜索到了譜峰，但由于譜峰對應(yīng)的頻率不是計算出的故障特征頻率從而會認為沒有故障。為了消除該偏差造成的誤判，設(shè)定只要搜索到譜峰對應(yīng)的頻率與計算出的故障特征頻率的差值在誤差范圍內(nèi)，則認為兩者相等,判斷出現(xiàn)故障。故障特征頻率誤差范圍的設(shè)定，既要參考參數(shù)手冊給出的軸承尺寸誤差值和頻譜圖的頻率分辨率，還要考慮軸承的歷史運行狀況，包括運行時間和運行環(huán)境3.2.4故障識別搜索算法綜上所述，單類型故障識別搜索算法步驟如下：(1)初始化：令故障標志變量S=0(S=0表示無故障，S=1表示有故障)，諧波次數(shù)N=l,設(shè)定臨界值；(2)計算出故障特征頻率；(3)在以N倍故障特征頻率為中心頻率的搜索頻帶內(nèi)進行搜索，搜索出最大值及所對應(yīng)的頻率值。如果該頻率等于計算出的N倍故障特征頻率，則進行下一步;否