牽引電機軸承故障診斷技術(shù)綜述

朱文龍，楊家偉，關(guān)照議，曾威嶂

（株洲中車時代電氣股份有限公司，湖南 株洲 412001）

0 引言

牽引電機是軌道交通列車牽引傳動系統(tǒng)的關(guān)鍵部件之一，主要由轉(zhuǎn)子、軸承和定子組成，可實現(xiàn)電能和機械能的相互轉(zhuǎn)換，其正常運行對列車運行安全和行車秩序至關(guān)重要。軸承作為機械傳動軸的支撐，是實現(xiàn)牽引電機功能的重要保障。然而，在列車運行過程中，受脈沖寬度調(diào)制（pulse width modulation，PWM）供電、灰塵與雨雪侵襲、溫濕度變化和交變負載沖擊等復(fù)雜運行環(huán)境的影響，牽引電機軸承易出現(xiàn)不同程度的性能退化和疲勞損傷，影響列車安全、穩(wěn)定地運行。此外，目前包括牽引電機軸承在內(nèi)的軌道交通列車關(guān)鍵部件因缺乏故障診斷及故障預(yù)警機制，檢修過程仍然采用的是計劃修、故障修的檢修模式，存在過度維修或欠修等問題，難以滿足“安全、高效、智能”的列車智能化體系發(fā)展需求。因此，通過開展牽引電機軸承故障診斷技術(shù)研究，動態(tài)跟蹤軸承健康狀態(tài)、實現(xiàn)牽引電機狀態(tài)修，可有效保證軌道交通列車運行安全、減少非計劃停機和提高檢修效率。

按照所采用的信號類型進行分類，軸承故障診斷法主要包括振動信號分析法、電信號分析法和聲音信號分析法3類。其中，振動信號法是研究最早、最成熟和應(yīng)用最廣的一種軸承故障診斷方法，包括加速度包絡(luò)[1]、沖擊脈沖[2-3]、峰值能量法[4-5]、譜峭度法[6]和經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition, EMD）包絡(luò)解調(diào)法[7-8]。雖然振動分析法是軸承故障診斷最為直接、應(yīng)用效果最為顯著的方法，但因其需要新增傳感器和信號采集單元等監(jiān)測設(shè)備，并改變電機原有接口方式，對于現(xiàn)有已投運的列車而言，工程實施難度增大。因此，電信號分析法[9-12]應(yīng)運而生，其具有信號易于獲取、無須額外加裝傳感器、可以實現(xiàn)對象部件的非嵌入式監(jiān)測,并且具有受外界干擾較小的特點，是振動信號分析法一種很好的補充。聲信號分析法是另一種非侵入式軸承故障診斷方法，主要包括超聲波診斷法[13-14]和聲陣列診斷法[15-16]兩種，其中：（1）超聲波診斷法可用于軸承早期故障診斷，但由于超聲波傳感器較振動加速度其傳感器成本更高，且診斷效果沒有明顯優(yōu)勢，實際工程應(yīng)用較少；（2）聲陣列診斷法用于嚴重軸承故障檢測，一般被部署在軌旁檢測設(shè)備中以進行本線路所有列車的軸承狀態(tài)檢測，在軌道交通領(lǐng)域應(yīng)用較為廣泛。

本文在深入分析軸承故障原因及其診斷機理的基礎(chǔ)上，總結(jié)了現(xiàn)有軸承故障診斷技術(shù)的研究進展和技術(shù)特點，重點介紹了現(xiàn)有的牽引電機軸承故障診斷在軌道交通領(lǐng)域推廣應(yīng)用的3種主要技術(shù)手段和未來的研究方向，并為牽引電機軸承故障診斷的后續(xù)工作提供一定的技術(shù)指導(dǎo)。

1 軸承故障原因及診斷機理

掌握故障原因與機理，是軸承故障診斷能否成功的基礎(chǔ)和先決條件，因此本節(jié)首先闡述牽引電機軸承故障診斷原因、常見故障形式及其對應(yīng)的診斷機理。

1.1 故障原因

滾動軸承在牽引電機前后兩端起著支撐轉(zhuǎn)子的作用，由內(nèi)圈、外圈、滾動體和保持架4個部分組成。受環(huán)境振動、疲勞、潤滑不良、過載、安裝不正、軸電流、腐蝕及異物進入等因素的影響，牽引電機軸承的4個部分均容易出現(xiàn)缺陷，引發(fā)軸承磨損、表面腐蝕、剝落甚至碎裂等故障。各缺陷隨著運行時間的推移不斷擴散、增大，之后產(chǎn)生機械振動并引起聽覺噪聲。其中疲勞、腐蝕、斷裂和磨損是最常見的軸承故障形式。

1.2 診斷機理

當軸承外圈、內(nèi)圈及滾動體等位置出現(xiàn)缺陷時，軸承轉(zhuǎn)動過程中每次運動至缺陷點時將會產(chǎn)生特定頻率的機械振動和等周期噪聲信號。該特定頻率是軸承幾何尺寸和牽引電機轉(zhuǎn)子頻率的函數(shù)；同時，各缺陷還會引起感應(yīng)電機轉(zhuǎn)子一個徑向的電機轉(zhuǎn)子瞬時偏心或轉(zhuǎn)矩擾動，引起定轉(zhuǎn)子之間的氣隙長度發(fā)生變化，從而影響氣隙的對稱性和電機電感，進而會在牽引電機磁鏈中調(diào)制出特定的諧波分量。軸承故障征兆發(fā)展流程如圖1所示。因此，可從振動、聲音和電信號提取軸承故障特征分量，實現(xiàn)軸承故障的檢測與類型的識別。

圖1 軸承故障征兆發(fā)展流程Fig.1 Process of bearing fault symptom developing flow chart

軸承故障工況下，振動信號和噪聲信號特征頻率[1]如下：

式中：fo——外圈故障特征頻率；fi——內(nèi)圈故障特征頻率；fb——滾珠故障特征頻率；fc——保持架故障特征頻率；fr——電機轉(zhuǎn)子頻率；Nb——滾珠數(shù)量；Db——滾珠直徑；Dc——滾珠分布直徑；β——接觸角。

2 軸承故障診斷技術(shù)

特征提取與模式識別是牽引電機軸承故障診斷的兩大核心組成部分。下面針對目前在學(xué)術(shù)研究及軌道交通領(lǐng)域應(yīng)用較為廣泛的3類軸承故障診斷技術(shù)重點進行闡述。

2.1 基于振動信號分析法

牽引電機在旋轉(zhuǎn)過程中會產(chǎn)生振動，正常情況下，該振動信號主要是電機轉(zhuǎn)子頻率振動分量；而當軸承故障時，將會激發(fā)出周期性的高頻沖擊信號。這些高頻沖擊信號與電機轉(zhuǎn)子頻率振動分量進行幅值調(diào)制，形成故障信號。因此振動信號分析法的核心思想是故障特征信號解調(diào)，即采用帶通/高通濾波和包絡(luò)處理方法將軸承故障特征分量從振動信號中提出，并根據(jù)所提取的故障特征分量實現(xiàn)故障模式識別。傅里葉變換最早被用于提取軸承故障特征分量。該方法簡單但只能檢測出嚴重的軸承故障，難以有效檢測出早期微弱的軸承故障。之后，沖擊脈沖法和振動加速度包絡(luò)（也稱共振解調(diào)）被先后提出。沖擊脈沖法是通過專用傳感器采集因軸承故障引起的高頻沖擊脈沖信號，可用于檢測軸承早期故障，適用于低速旋轉(zhuǎn)機械設(shè)備，其檢測原理如圖2所示。振動加速度包絡(luò)法則通過普通振動傳感器采集振動加速度信號，再對振動加速度信號進行高通/帶通濾波來獲取包含軸承故障信息的高頻信號，通過對高頻信號進行包絡(luò)解調(diào)，從而實現(xiàn)軸承的故障診斷。相對沖擊脈沖法而言，振動加速度包絡(luò)法（圖3）對軸承早期故障的檢測更有效，且可以定性判斷軸承故障嚴重程度。

圖2 沖擊脈沖檢測原理Fig.2 Principle of shock pulse detection

圖3 加速度包絡(luò)解調(diào)檢測原理Fig.3 Principle of acceleration envelope demodulation detection

振動信號會隨牽引電機速度的變化而變化，屬于一種非平穩(wěn)性信號，嚴重影響上述基于振動信號的軸承故障診斷方法的準確性。為此，近年來一些針對非平穩(wěn)信號處理的方法被引入軸承的故障診斷。文獻[17]提出一種將卷積型小波變換與共振解調(diào)法、沖擊脈沖法相結(jié)合的新方法，可實現(xiàn)對滾動軸承早期故障的診斷與定量識別。文獻[18]提出一種基于階次分析與經(jīng)驗小波變換（empirical wavelet transform, EWT）相結(jié)合的新方法，其能準確識別非平穩(wěn)工況下軸承的故障特征，解決了傳統(tǒng)階次分析方法無法有效識別故障特征的問題。文獻[19]提出一種基于變分模態(tài)分解(variable modal decomposition, VMD)和信息熵的滾動軸承診斷方法，其能從非平穩(wěn)振動信號中準確地提取軸承故障特征信息。文獻[20]針對非平穩(wěn)信號，提出一種基于局部特征尺度分解(local characteristic scale decomposition, LCD)和變量預(yù)測模型的模式識別(variable predictive model based class discriminate,VPMCD)方法來診斷滾動軸承故障，實現(xiàn)了軸承故障特征信息的自適應(yīng)提取。針對低轉(zhuǎn)速、非平穩(wěn)工況下滾動軸承故障信號難以提取的問題，文獻[21]提出了基于經(jīng)驗?zāi)B(tài)分解(empirical model decomposition, EMD)和最小二乘支持向量機(least squares support vector machine, LSSVM) 相結(jié)合的滾動軸承故障診斷方法，提高了診斷的準確率。

2.2 基于聲信號分析法

牽引電機帶軸承故障運行過程中，由于機械振動會產(chǎn)生故障聲音信號。軌旁聲陣列軸承故障檢測裝置首先獲取原始聲音信號，并對故障聲信號進行特征提取與故障模式識別，以實現(xiàn)軸承故障分析與定位。還可以在軌旁安裝一組聲信號傳感器以檢測不同列車牽引電機軸承的運行狀態(tài)，從而極大降低檢測設(shè)備的投入成本，具體診斷原理如圖4所示。但在實際應(yīng)用中，由于環(huán)境噪聲、列車運動速度和多激勵源等因素的影響，采集獲得的聲信號具有多聲源混疊、多普勒畸變和強噪聲等特點[22-24]，這給聲信號的特征提取帶來了巨大的挑戰(zhàn)。

圖4 軌旁聲陣列軸承故障檢測Fig.4 Flow chart of bearing fault detection by trackside acoustic array

針對多聲源混疊的問題，文獻[24]提出了一種基于均勻線性陣列的參數(shù)化時頻分離矩陣和時域重映射矩陣設(shè)計的時空濾波重排方法，實現(xiàn)了目標聲源的分離與識別；文獻[25]提出了一種基于核獨立分析（kernel independent component analysis,KICA）和階次EMD方法的聲信號處理方法，有效提升了信號的信噪比，提高了目標聲源識別的準確度；文獻[26]提出了一種基于短時斜投影的空間指向性濾波方法的多聲源信號分離方法，可徹底分離多聲源。針對多普勒畸變的問題，文獻[27]

引入時差技術(shù)實時估計故障軸承的位置和傳播時延，提出了一種基于到達時差和時域插值的多普勒畸變信號校正方法，同時適用于定轉(zhuǎn)速和變轉(zhuǎn)速場合；文獻[28]提出了一種基于角插值重采樣法校正多普勒畸變，即通過將多重信號分類方法和滑動窗方法相結(jié)合起來提取時間-角度曲線，該方法不需要先驗知識，且對噪聲具有更強的魯棒性；文獻[29]提出一種等頻偏重采樣的方法來對聲信號進行等分處理，進而解決了多普勒畸變問題。針對強噪聲的問題，文獻[30]提出一種改進的自適應(yīng)多尺度結(jié)果形態(tài)濾波、小波閾值降噪和稀疏量分析相結(jié)合的特征提取方法，有效提高了信噪比；文獻[31]提出了一種基于盲源分離和自適應(yīng)Morlet小波變換的軸承故障診斷方法，能有效從強背景噪聲中提取微弱故障特征信號；文獻[32]提出了一種基于非局部均值消噪算法的微弱信號特征提取方法，該方法有效增強了故障沖擊信息。

2.3 基于電信號分析法

基于電信號的軸承故障診斷方法是一種非入侵式的軸承故障診斷法，主要采用牽引系統(tǒng)既有控制信號實現(xiàn)軸承故障的在線診斷。該方法不需要額外增加傳感器，工程化應(yīng)用簡單，適用于新造、已投運等各種車型。其可通過轉(zhuǎn)速[33]、轉(zhuǎn)矩[33]和電流[11]等電氣數(shù)據(jù)進行頻譜分析并提取軸承故障特征分量，有最新的研究成果是基于磁鏈觀測信號和改進峰值能量譜相結(jié)合的方法實現(xiàn)軸承故障的在線診斷[34]，該方法集控制、診斷于一體，實現(xiàn)了軸承各子部件（外圈、內(nèi)圈、滾動體和保持架）早期劣化狀態(tài)檢測，并通過了CR400AF 滾動試驗臺的5次盲測試驗和某地鐵公司36列城軌車輛上的現(xiàn)場裝車應(yīng)用，診斷效果顯著。

由于牽引電機采用PWM方式供電，受變頻調(diào)速因素的影響，牽引電機電信號諧波含量豐富，軸承故障特征分量容易被基頻、諧波等強背景噪聲淹沒，這給電信號分析法的實現(xiàn)增加了難度。因此，如何消除基頻及其諧波等干擾信號的影響以及故障精準定位，是電信號分析法的技術(shù)難題。為解決上述問題，首先采用計算階次跟蹤（computed order tracking, COT）法對磁鏈原始電信號進行等角度采樣，獲得等角度平穩(wěn)信號；再采用小波消噪法來降低電信號中的背景噪聲信號的影響，提升軸承故障特征微弱信號的信噪比；接著采用變分模態(tài)分解法對處理后的信號進行自適應(yīng)分解與重構(gòu)，有效提取出軸承故障微弱特征信號；最后采用支撐向量機（support vector machines, SVM）方法實現(xiàn)軸承內(nèi)圈、外圈、滾動體和保持架的故障模式識別，具體檢測流程如圖5所示。

圖5 基于電信號的軸承故障檢測技術(shù)Fig.5 Bearing fault detection technology based on electrical signal

3 常用軸承故障的診斷方法特點及適用場景比較

在軌道交通領(lǐng)域，對于牽引電機軸承故障的診斷，應(yīng)用最為廣泛的還是基于振動信號分析法，其中加速度包絡(luò)技術(shù)基本上可以滿足實際工程需求。但受不同運行線路軌面負載沖擊、變頻變轉(zhuǎn)速等非穩(wěn)態(tài)工況的影響，目前尚存微弱信號特征難以被有效提取的問題。

3.1 軸承故障特征提取常用方法及適用場景

為解決微弱信號特征難以被有效提取的問題，經(jīng)驗?zāi)B(tài)分解、變分模態(tài)分解等先進的信號處理方法被引入，可有效解決非平穩(wěn)工況下牽引電機軸承故障診斷的難題。與此同時，隨著軸承故障診斷技術(shù)的不斷發(fā)展與進步，基于電信號、非侵入式的軸承故障特征提取技術(shù)日趨成熟。該方法復(fù)用變流器既有信號來實現(xiàn)牽引電機軸承故障微弱電信號的在線辨識，無須新增監(jiān)測設(shè)備，為牽引電機軸承故障的在線實時診斷提供了強有力的技術(shù)支撐。此外，基于聲信號分析法主要用于軌旁檢測，安裝一套設(shè)備可同時檢測本線路所有列車的軸承狀態(tài)；但受多聲源混疊、多普勒畸變和強噪聲等因素的影響，技術(shù)成熟度尚需進一步提升。軸承故障特征提取常用方法特點和適用場景如表1所示。

表1 軸承故障特征提取常用方法特點與適用場景Tab. 1 Characteristics and application scenarios of normal bearing fault feature extraction methods

3.2 軸承故障模式識別方法及適用場景

隨著軸承故障診斷技術(shù)的不斷發(fā)展與進步，已涌現(xiàn)出多種優(yōu)秀算法及其優(yōu)化技術(shù)，就算法本身而言，基本上可以滿足軌道交通領(lǐng)域牽引電機軸承故障診斷工程需求。但在軌道交通特有的運用環(huán)境下，受不同運行線路軌面負載沖擊、不同工況下PWM供電諧波、非穩(wěn)態(tài)工況等實際環(huán)境因素影響，基于專家經(jīng)驗規(guī)則的牽引電機軸承故障診斷技術(shù)尚存在漏報、誤報等問題。隨著數(shù)據(jù)聚類、統(tǒng)計分類和深度學(xué)習(xí)等技術(shù)的不斷發(fā)展，一些模式識別新算法不斷地涌現(xiàn)，使牽引電機軸承故障的機器自動識別得以實現(xiàn)。這些算法具有工況自適應(yīng)和自學(xué)習(xí)功能，有效提高了實際復(fù)雜工作環(huán)境和特定工況下的故障診斷準確率。在這些機器自動識別算法中，基于深度學(xué)習(xí)的方法無須故障特征提取環(huán)境，但需要大量故障樣本數(shù)據(jù)進行模型訓(xùn)練，然而實際應(yīng)用中故障樣本較少，尚難以發(fā)揮其應(yīng)有優(yōu)勢，目前只是在理論探索階段；基于數(shù)據(jù)聚類方法更適用于檢測軸承是否發(fā)生故障，在軸承故障模式識別方面應(yīng)用較少；基于統(tǒng)計分析的方法所需故障樣本量相對較少，且對計算資源要求適中，更適用于目前牽引電機軸承故障在線診斷。采用上述軸承故障診斷技術(shù)，可實現(xiàn)軌道交通復(fù)雜運行工況下牽引電機軸承劣化狀態(tài)的精準監(jiān)測與定位，為提升列車運行安全和智慧運維水平提供了技術(shù)保障。牽引軸承故障模式識別常用方法特點和適用場景如表2所示。

表2 軸承故障模式識別常用方法特點與適用場景Tab. 2 Characteristics and application scenarios of normal bearing fault pattern recognition methods

4 結(jié)語

本文結(jié)合軌道交通行業(yè)現(xiàn)狀，總結(jié)了牽引電機軸承故障診斷相關(guān)技術(shù)進展與發(fā)展趨勢，以期為該技術(shù)的后續(xù)研究提供參考性建議。本文重點闡述了基于振動、聲音和電信號的牽引電機軸承故障診斷技術(shù)的最新進展、技術(shù)特點和適用場景。其中，振動分析法是目前應(yīng)用最為成熟、最為廣泛的牽引電機軸承故障診斷技術(shù)手段；但綜合考慮成本、診斷效果、工程實施難易程度等多種因素，基于電信號的非侵入式軸承故障診斷技術(shù)未來具有較大的市場前景與工程應(yīng)用價值。

先進信息技術(shù)的快速發(fā)展以及現(xiàn)場運用數(shù)據(jù)的不斷積累，給軸承故障診斷與預(yù)測帶來了新的機遇?；跈C器學(xué)習(xí)、深度學(xué)習(xí)等數(shù)據(jù)驅(qū)動算法，未來有望開發(fā)出更智能、普適度更高的軸承故障診斷與預(yù)測技術(shù)；同時根據(jù)預(yù)測結(jié)果優(yōu)化現(xiàn)有的修程修制，提供靈活、可靠和可定制操作的維修計劃，最終實現(xiàn)牽引電機軸承的狀態(tài)修。