動車組軸承軌旁聲學(xué)故障診斷研究綜述

李恒奎，衛(wèi)昱乾，楊崗

(1.中車青島四方機車車輛股份有限公司，山東 青島 266111；2.西南交通大學(xué) 唐山研究生院，河北 唐山 063000；3.西南交通大學(xué) 機械工程學(xué)院，成都 610031)

在高速動車組列車中，滾動軸承是轉(zhuǎn)向架的核心部件，實際運行中在變載荷、高壓力工況下持續(xù)工作。一旦軸承發(fā)生故障，會直接引起熱軸、切軸等事故，甚至?xí)?dǎo)致列車脫軌。對滾動軸承進行在線監(jiān)測與故障診斷，可以減少或杜絕事故的發(fā)生，并為滾動軸承工藝優(yōu)化提供數(shù)據(jù)和信息支撐，預(yù)知狀態(tài)并指導(dǎo)維修，降低軸承全壽命周期的開支。根據(jù)測量數(shù)據(jù)的種類，故障診斷技術(shù)可以分為振動法、溫度法、聲音法等，基于振動信號的故障診斷是軸承故障診斷最常用的方法。

軸承零件的材料發(fā)生微小斷裂而產(chǎn)生裂紋時會發(fā)出聲音信號，之后裂紋擴大或部件發(fā)生磨損時也會引起零件間相互作用的沖擊信號，激發(fā)相應(yīng)的振動和聲學(xué)信號。相對于探測振動信號的加速度傳感器，聲學(xué)傳感器或麥克風(fēng)收集裝置的非接觸式安裝方式更為簡單，安裝過程不會對車輛產(chǎn)生附加影響(增加車底布線、軸箱開孔)，減少了安裝中的關(guān)聯(lián)性經(jīng)濟損失。因此，與振動信號診斷相比，聲學(xué)信號診斷具備非接觸式測量、成本低和早期故障預(yù)警能力，但也存在強噪聲背景下難以提取故障特征的缺點。

軌旁聲學(xué)故障診斷技術(shù)對運行中列車軸承的噪聲信號進行采集和分析，從而識別軸承工作狀態(tài)，預(yù)測軸承早期故障。軌旁聲學(xué)故障診斷流程主要有3步：實時聲學(xué)數(shù)據(jù)采集、聲學(xué)信號處理以及故障診斷。列車軸承軌旁聲學(xué)診斷系統(tǒng)主要由軌旁裝置和軌旁機房設(shè)備組成：軌旁裝置包括聲學(xué)采集傳感器陣列、車號識別裝置、探測開機裝置、車速測量裝置等；軌旁機房設(shè)備包括聲學(xué)處理服務(wù)器、通信服務(wù)裝置、控制及監(jiān)控裝置、電源等。

目前，我國還未研制出完善的列車軸承軌旁聲學(xué)診斷系統(tǒng)，仍處于理論分析和試驗階段，國內(nèi)近年來對該技術(shù)的研究主要集中在聲學(xué)信號處理與故障診斷方面，因此，本文綜合論述列車軸承軌旁聲學(xué)診斷系統(tǒng)的難點、研究成果和關(guān)鍵技術(shù)，并總結(jié)該技術(shù)的發(fā)展趨勢。

1 列車軸承軌旁聲學(xué)故障診斷難點

軌旁聲學(xué)診斷技術(shù)的核心是利用聲學(xué)采集裝置收集列車駛過時輪軌產(chǎn)生的聲音信號，再進行信號分析和特征提取，從而達到對列車軸承故障進行診斷的目的?？傮w來說該技術(shù)的發(fā)展受到以下3個難點的限制。

1.1 信號畸變

聲學(xué)采集裝置與列車之間的相對運動速度很大，故障源發(fā)出的信號與采集到的信號之間存在較大的時間差，從而產(chǎn)生多普勒效應(yīng)。聲學(xué)采集裝置與故障源的距離越遠，列車速度越快，相應(yīng)地多普勒效應(yīng)也越大[1]；多普勒畸變會使信號在時域上出現(xiàn)調(diào)制現(xiàn)象，在頻域上出現(xiàn)頻帶擴展和混疊，并對后期信號處理帶來很大困擾，對畸變進行矯正有利于提高故障診斷的準確性。時域插值重采樣是應(yīng)用最廣泛的畸變校正方法，其通過對時域信號插值來構(gòu)成新的重采樣信號，以此減小所采集信號與故障源發(fā)出信號之間的差異。文獻[2]采用基于瞬時頻率的方法和基于運動參數(shù)估計的方法求取重采樣的參數(shù)，通過希爾伯特變換與復(fù)移位Morlet小波確定瞬時頻率，利用固有頻率和瞬時頻率構(gòu)造重采樣時間向量：由于該方法計算成本太大，不適合用于實時故障診斷。

1.2 多聲源

采用麥克風(fēng)陣列作為聲學(xué)采集裝置，當(dāng)列車經(jīng)過時每個麥克風(fēng)均會收集到多個輪對軸承發(fā)出的聲音，采集到的聲音信號往往是多聲源的，從原始信號中剝離單套軸承的故障信號非常困難；而且多套軸承的聲音信號耦合在一起，多普勒畸變也會引起頻帶擴展和混疊，采用簡單的帶通濾波器難以有效分離信號。多聲源問題的解決方法有基于信號時頻分析的聲源分離和基于信號統(tǒng)計特性的盲源分離：基于信號時頻分析的聲源分離根據(jù)不同聲源在時頻域中的分布實現(xiàn)多種聲源的提取與分離，最后根據(jù)分離結(jié)果恢復(fù)成時域信號[4-5]，其關(guān)鍵在于如何設(shè)定時頻域的信號特征以及如何將信號在時頻域中分割[6]；盲源分離主要從統(tǒng)計特性或結(jié)構(gòu)特性出發(fā)，根據(jù)觀測實現(xiàn)不同信號的分離，其需要預(yù)先設(shè)定一個損失函數(shù)，以損失函數(shù)最大點作為不同聲源分離點[7]。目前常用的盲源分離方法主要有獨立分量分析、神經(jīng)網(wǎng)絡(luò)等，該類方法各有缺點，獨立分量分析存在欠定問題，即已知信號數(shù)量少于源信號數(shù)量，神經(jīng)網(wǎng)絡(luò)則需要大量數(shù)據(jù)樣本作為支撐。

1.3 噪聲強

列車經(jīng)過時產(chǎn)生的噪聲種類豐富且強度很大[8-9]：如電動機噪聲，車輪與鐵軌相互摩擦形成的噪聲，空氣流動產(chǎn)生的噪聲等。相比之下，軸承故障特征比較微弱，從強噪聲下提取故障特征比較困難。近年來，結(jié)合小波、經(jīng)驗?zāi)B(tài)分解、神經(jīng)網(wǎng)絡(luò)等方法的降噪算法層出不窮，但從強噪聲中提取需要采集的信號，提高故障軸承對應(yīng)聲音信號的信噪比，仍是軌旁聲學(xué)診斷技術(shù)的一個重大挑戰(zhàn)。

1.4 小結(jié)

信號畸變、多聲源和強噪聲對軸承聲學(xué)診斷技術(shù)的應(yīng)用帶來了極大的困難，筆者認為：應(yīng)首先解決多普勒畸變問題，重構(gòu)得到真實信號；在上述基礎(chǔ)上研究強噪聲下的降噪算法以及從降噪后信號中分離出不同的故障源的算法，以達到對故障源的精準定位。

2 基于聲學(xué)信號的軸承故障診斷

2.1 聲學(xué)信號產(chǎn)生機理研究

聲發(fā)射(Acoustic Emission，AE)是指由于應(yīng)力引起的材料內(nèi)部或表面的變形或損傷以彈性波形式瞬時快速釋放能量[10]。在正常負載、轉(zhuǎn)速和良好對準條件下，滾動軸承表面損傷始于滾道或滾動體次表面的小裂紋，這些裂紋逐漸擴展并傳播到表面產(chǎn)生可被檢測的聲信號[11]。有研究表明，在軸承發(fā)生故障時，故障特征最先體現(xiàn)在聲發(fā)射信號中而不是振動信號[12]，因此聲發(fā)射信號可應(yīng)用于軸承故障監(jiān)測中。

2.2 聲學(xué)信號的故障特征研究

聲學(xué)診斷與振動信號診斷本質(zhì)相同，都是通過對原始信號進行時頻分析得到故障特征。

2.2.1 時域特征研究

假設(shè)原始聲發(fā)射信號為x(n)，n為采樣點，n=1,2,…,N?？刹捎眠^零率、均值、峰值、概率密度函數(shù)、方差以及峭度系數(shù)、波形因子等時域指標表征該段信號，部分時域參數(shù)計算方法見表1?？赏ㄟ^故障軸承與正常軸承之間時域參數(shù)的對比得出時域參數(shù)變化與故障類型之間的邏輯關(guān)系。由于時域參數(shù)的計算很快，該方法具有簡便、快捷的優(yōu)點；但由于背景噪聲的存在，所采集聲發(fā)射信號的時域波形十分復(fù)雜，時域參數(shù)會受到很大的影響，兩者間的故障邏輯關(guān)系很難被分析出來。

表1 聲發(fā)射信號的常用時域參數(shù)

信號中任何一個成分變化的影響都遠遠大于隨機噪聲的影響，即可以用主成分分析(Principal Component Analysis，PCA)重構(gòu)原始數(shù)據(jù)[13-14]，其能夠?qū)Ω呔S特征進行降維，去除噪聲與不重要的特征，保留最重要的特征。對于不同故障類型的原始數(shù)據(jù)，其時域參數(shù)有很多種，PCA能夠從多個參數(shù)中篩選出最有價值的參數(shù)，從而分析出時域特征與故障類型之間的邏輯關(guān)系。

2.2.2 頻域特征研究

軸承發(fā)生故障時，聲發(fā)射信號的頻率組成會發(fā)生改變，有必要確定故障頻率與噪聲頻率在原始信號中的具體組成。合理分析信號的頻域信息才能準確診斷故障部位，常用的頻域特征分析方法有頻譜分析、包絡(luò)譜分析等。

頻譜分析是一種將復(fù)雜信號分解為較簡單信號的方法，許多物理信號均可以分解為不同頻率的簡單信號，以此找出一個信號在不同頻率下的信息。通常采用傅里葉變換將信號分解為若干正弦信號與余弦信號之和的形式[15]，觀察頻譜圖以分析原始信號的頻率組成，通過比較正常軸承與故障軸承的頻譜發(fā)現(xiàn)頻率組成的不同，進而分析軸承故障帶來的頻段變化，實現(xiàn)對軸承故障的分類識別。

軸承通常存在一些復(fù)合故障(滾子、內(nèi)圈、外圈或保持架兩兩或多個同時故障)，加之受到齒輪嚙合、輪軌沖擊作用，往往會使軸承的振動產(chǎn)生調(diào)制現(xiàn)象，僅靠頻譜分析無法分離故障頻率。包絡(luò)譜對故障造成的瞬態(tài)沖擊比較敏感，故障特征頻率的幅值很高且容易辨認；另外，包絡(luò)譜分析能夠避免不必要的頻率干擾，凸顯故障特征頻率，從而更容易對滾動軸承故障類型進行判斷。

2.3 聲學(xué)信號降噪算法研究

時域與頻域分析只能從單個角度對信號進行分析，有各自的局限性。隨著時間的變化，采集到的聲發(fā)射信號也在變化，只有將時域與頻域信息聯(lián)合才能完整地表征信號的局部特征。目前，常用的時頻分析方法有小波變換、經(jīng)驗?zāi)B(tài)分解、短時傅里葉變換等，其中小波變換與經(jīng)驗?zāi)B(tài)分解被廣泛應(yīng)用于信號降噪。

小波分析通過選取不同的小波基函數(shù)來擬合原始信號，將原信號分割為多層次以便于分析信號的高低頻信息。交叉小波變換可用于2組信號的相干性分析[16-17]，在列車周圍放置多個麥克風(fēng)收集同一故障源信號，經(jīng)過交叉小波變換后各頻段的相干性會表現(xiàn)出來；由于噪聲信號具有隨機性，其相干性往往較小，通過去除相干性小的頻段信號可以達到降噪的目的，但目前還沒有將交叉小波變換應(yīng)用于聲學(xué)診斷方面的研究。為更精確地提取故障特征，需要從原始信號中去除噪聲頻段或提取出故障特征所在的頻段信號，常采用經(jīng)驗?zāi)B(tài)分解、變分模態(tài)分解等算法對信號進行頻段分割，然后有目的性地刪除噪聲頻段或保留故障特征頻段。除此之外，小波分析與神經(jīng)網(wǎng)絡(luò)、主成分分析等技術(shù)進行融合也可用于軸承的故障診斷和壽命預(yù)測[18]。

小波分析一旦確定使用的小波基函數(shù)，整個分析過程中就不可更換。經(jīng)驗?zāi)B(tài)分解則具有自適應(yīng)性，無需對原始信號進行預(yù)先分析與研究就可以直接開始分解。通過對經(jīng)驗?zāi)B(tài)分解得到的多個本征模函數(shù)進行分析，可以有效把握原始信號的特征信息。然而，由于模態(tài)混疊問題，各本征模函數(shù)的頻段存在部分交叉，一定程度上影響特征提取或信號降噪；因此在經(jīng)驗?zāi)B(tài)分解基礎(chǔ)上產(chǎn)生了多種優(yōu)化方案并廣泛應(yīng)用于軸承的故障診斷，如集合經(jīng)驗?zāi)B(tài)分解、變分經(jīng)驗?zāi)B(tài)分解、互補集合模態(tài)分解等，并還在得到不斷的深入研究。

奇異值分解降噪是基于矩陣奇異值分解理論的非線性濾波方法，相比于傳統(tǒng)的降噪方法，該方法能夠去除寬帶隨機噪聲[19]。首先，對信號x(n)構(gòu)造Hankel矩陣并對矩陣進行奇異值分解，得到由奇異值構(gòu)成的對角矩陣；然后，根據(jù)奇異值從大到小的排列順序設(shè)定閾值，將小于閾值的奇異值作為噪聲去除；最后，根據(jù)剩余的奇異值重構(gòu)信號，達到信號降噪的目的。由于奇異值分解降噪的自適應(yīng)性較差，可將其與經(jīng)驗?zāi)B(tài)分解或傅里葉變換等方法結(jié)合起來，實現(xiàn)更好的降噪效果[20-21〗。

2.4 現(xiàn)代故障診斷算法

隨著機器學(xué)習(xí)與人工智能技術(shù)的發(fā)展，智能診斷技術(shù)越來越受到研究者的關(guān)注。支持向量機、隱馬爾可夫模型、自編碼器等人工智能算法被廣泛應(yīng)用于軸承的故障診斷。深度學(xué)習(xí)理論以強大的建模與數(shù)據(jù)處理能力，在數(shù)據(jù)處理和特征學(xué)習(xí)方面具有獨特的優(yōu)勢[22-23]。在對原始數(shù)據(jù)進行預(yù)處理后，將時域、頻域特征輸入神經(jīng)網(wǎng)絡(luò)模型進行學(xué)習(xí)，經(jīng)過優(yōu)化模型往往能取得較好的故障診斷效果。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)使用卷積運算代替一般神經(jīng)網(wǎng)絡(luò)的乘法運算，使用多個卷積核分別進行卷積運算，從而提取不同類型的特征。將一維信號或一維特征進行二維可視化后作為網(wǎng)絡(luò)的輸入數(shù)據(jù)，能夠?qū)崿F(xiàn)軸承故障的自動分類[24]。CNN的故障分類過程如圖1所示，將一維信號可視化為峭度圖、時頻圖等特征圖，將特征圖輸入所建立CNN網(wǎng)絡(luò)模型的輸入層，通過卷積層、池化層對圖像進行深層特征提取，最后使用全連接層加Softmax等分類器得到故障分類結(jié)果[25]。

3 國內(nèi)研究現(xiàn)狀及趨勢

3.1 國內(nèi)研究現(xiàn)狀

近年來，國內(nèi)對聲學(xué)信號采集技術(shù)的研究較少，對聲學(xué)信號處理方面的研究較多。與振動信號診斷技術(shù)相比，聲學(xué)診斷僅僅是數(shù)據(jù)來源和背景噪聲不同，完全可以將振動信號分析方法用于后者。由于高畸變、多聲源與強噪聲的影響，難以從軌旁聲學(xué)信號中提取軸承故障特征，并且缺少數(shù)據(jù)支撐，軌旁聲學(xué)診斷技術(shù)發(fā)展緩慢。如果有大量的數(shù)據(jù)供人工智能算法學(xué)習(xí)，故障診斷就能獲得較高的準確率；同樣，在信號降噪及特征提取的步驟中，若能得到有價值的故障特征信號，也可以提高故障診斷的水平。

文獻[26]通過搭建聲學(xué)信號采集設(shè)備，采集同一目標的多個聲源信號，研究了不同聲源速度下所采集信號的畸變程度變化，得到了軌旁聲學(xué)信號多普勒時頻變化規(guī)律，研究了最優(yōu)原子篩選和信號重構(gòu)策略，實現(xiàn)了聲學(xué)信號消噪。

文獻[27]對軌旁監(jiān)聽信號進行多普勒畸變矯正，采用核特征矩陣聯(lián)合近似對角化算法對時頻指標進行特征融合并利用支持向量機進行故障分類，實現(xiàn)了對軸承軌旁聲學(xué)信號的特征提取。

文獻[28]提出了一種結(jié)合共振稀疏分解與小波降噪對信號進行二次降噪的軸承故障診斷方法，其以峭度值作為指標，從降噪后信號中提取瞬態(tài)沖擊成分，通過包絡(luò)譜分析確定軸承故障。試驗表明該方法能夠在復(fù)雜噪聲背景下實現(xiàn)軸承的聲學(xué)診斷，也可應(yīng)用于其他機械部件的故障診斷，具有可移植性。

文獻[29]采用近場聲全息技術(shù)對軸承產(chǎn)生的聲信號進行了重構(gòu)及可視化，得到了相應(yīng)的二維聲音圖像，然后從聲音圖像中得到相應(yīng)的灰度共生矩陣并提取出故障特征，使用多分類支持向量機實現(xiàn)了軸承故障判別，結(jié)果表明近場聲場全息術(shù)能夠有效實現(xiàn)聲音的可視化及重構(gòu)，有利于與卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)的結(jié)合。

文獻[30]為減小多普勒效應(yīng)的影響，提出重采樣的方法，根據(jù)聲音數(shù)據(jù)的時頻變化確定采樣間隔，然后進行包絡(luò)譜分析并結(jié)合遺傳算法重采樣信號進行多尺度噪聲調(diào)制，達到了微弱特征增強的效果。

文獻[31]使用小波包變換將單通道聲音信號分離為2個虛擬通道的聲音信號，再用盲源分離技術(shù)提取源信號：首先，將香農(nóng)熵作為指標優(yōu)化Morlet小波的形狀參數(shù)，從而匹配到與所測信號特征最匹配的小波函數(shù)；然后，根據(jù)小波系數(shù)矩陣奇異值與尺度的關(guān)系曲線得到最佳小波變換尺度；最后，對滾動軸承故障信號進行Morlet小波變換并提取故障特征；結(jié)果表明該方法能從強背景噪聲下提取出軸承聲學(xué)信號的故障。

文獻[32]基于奇異值分解構(gòu)造原始振動信號的漢克爾矩陣，將相鄰奇異值的比值引入特征信號的提取中，并利用隱馬爾可夫模型實現(xiàn)故障自動分類，為該模型在聲學(xué)診斷領(lǐng)域提供了基礎(chǔ)。

針對軌旁聲學(xué)信號特征微弱的特點，文獻[33]采用自編碼器提取故障特征并輸入支持向量機實現(xiàn)故障分類，得到了96.7%的故障分類準確率。

3.2 國內(nèi)研究發(fā)展趨勢

目前，國內(nèi)研究都偏重于特征提取與故障診斷兩方面。特征提取方法有很大的研究進展，人工智能技術(shù)的結(jié)合使用較多，但尚未實際應(yīng)用。列車運行時周圍環(huán)境比較復(fù)雜，數(shù)據(jù)采集方面的研究缺失，沒有形成完整的軸承聲學(xué)數(shù)據(jù)儲備；多普勒畸變的影響也給該聲學(xué)故障診斷研究帶來了很大困難；總體而言軸承聲學(xué)故障理論和應(yīng)用有較大缺口，還需要不斷改進：

1)模擬列車運行環(huán)境，研究合理的麥克風(fēng)陣列，采集不同種類的軸承故障聲學(xué)數(shù)據(jù)，為實際應(yīng)用提供完整的數(shù)據(jù)儲備。

2)繼續(xù)完善時域分析、頻域分析、時頻分析等方法的理論研究，促進多種方法的結(jié)合，從原始信號中更有效地提取故障特征。

3)在完善上述理論的基礎(chǔ)上，充分利用人工智能技術(shù)，進行跨學(xué)科、跨方法之間的交叉應(yīng)用，將智能故障診斷技術(shù)作為未來的研究重點。

4 國外研究現(xiàn)狀及趨勢

4.1 國外研究現(xiàn)狀

美國運輸技術(shù)中心公司從20世紀80年代開始研究軌旁聲學(xué)監(jiān)測系統(tǒng)(Trackside Acoustic Detector System，TADS)[34]，該技術(shù)采用傳感器陣列采集軌旁信號，然后利用計算機處理分析信號，在北美、澳洲和南非等地已經(jīng)推廣試用[35]，如圖2所示。

近些年，國外一直在進行聲學(xué)診斷的基礎(chǔ)研究，結(jié)合人工智能技術(shù)深入研究聲學(xué)信號的時域信號與故障尺寸和故障種類之間的邏輯關(guān)系。使用較多的時頻分析方法有小波包變換、經(jīng)驗?zāi)B(tài)分解、傅里葉變換等，基本遵循原始信號降噪、時域特征提取、故障診斷的流程。

文獻[36]采用試驗設(shè)計方法研究了故障尺寸、運行速度和載荷條件對聲信號時域統(tǒng)計參數(shù)的影響，以選擇診斷滾動軸承早期故障和缺陷增長的最敏感參數(shù)，最終將峰度與香農(nóng)熵的比值作為優(yōu)化指標，利用小波包變換和包絡(luò)譜分析獲得最佳帶通濾波器，在背景噪聲下成功從原始信號中提取到軸承故障特征頻率。

文獻[37]將支持向量機回歸、多層人工神經(jīng)網(wǎng)絡(luò)模型和高斯過程回歸作為分類器，以均方根和信號強度估計值為輸入特征研究低速狀態(tài)下軸承聲音信號時域參數(shù)與故障種類之間的關(guān)系，試驗表明選取合適的網(wǎng)絡(luò)結(jié)構(gòu)并提供充足的數(shù)據(jù)，能夠達到良好的剩余壽命預(yù)測結(jié)果。

文獻[38]首先從聲信號的時域、頻域和包絡(luò)功率譜中提取軸承健康狀況的特征，然后使用基于線性判別分析技術(shù)的增強特征分析方法從原始特征集中選擇最具價值的軸承故障特征，使用樸素貝葉斯分類器取得了99.4%的故障分類準確率。

文獻[39]將循環(huán)平穩(wěn)性指標用于聲學(xué)診斷領(lǐng)域，并將其與傳統(tǒng)的包絡(luò)譜分析進行了比較，結(jié)果表明循環(huán)譜相關(guān)分析方法對于識別外圈缺陷更加有效。與傳統(tǒng)的時間指標(均方根值、峰度、波峰因子)相比，循環(huán)平穩(wěn)性指標對故障缺陷的連續(xù)監(jiān)測具有更好的靈敏度。

文獻[40]采用一種結(jié)合外差頻率降低技術(shù)、時間同步重采樣和頻譜平均的方法處理聲信號并提取軸承故障特征：其通過帶通濾波保留信號中與軸承缺陷相關(guān)的信息，再時間同步重采樣并計算頻譜平均值提取故障特征，最后通過自建試驗臺收集聲音數(shù)據(jù)驗證了該方法的有效性。

4.2 國外研究發(fā)展趨勢

與國內(nèi)研究情況相似，國外同樣缺乏完整的軸承聲學(xué)數(shù)據(jù)。近年來，國外學(xué)者沒有針對性地研究軌旁故障診斷技術(shù)，也沒有對避免多普勒畸變的影響進行更深入的研究，更多是在研究電動機的故障診斷，從其中可發(fā)現(xiàn)以下發(fā)展趨勢：

1)深入研究時域特征與故障尺寸及故障種類之間的邏輯關(guān)系。

2)結(jié)合使用時頻分析方法的同時，不斷引入新的特征提取優(yōu)化指標，并深入研究基礎(chǔ)理論。

3)更多結(jié)合人工智能技術(shù)進行故障分類。

5 總結(jié)與展望

聲學(xué)故障診斷雖然已在列車軸承軌旁聲學(xué)診斷系統(tǒng)中有所應(yīng)用，但仍有以下問題亟待解決：

1)多普勒畸變的影響導(dǎo)致高質(zhì)量信號采集、降噪和故障特征提取困難。

2)需針對實際運行工況建立列車軸承故障識別模型，分析軸承在不同工況下的性能退化失效準則。

列車軸承軌旁聲學(xué)診斷系統(tǒng)優(yōu)越性在于采集方式簡單，維護系統(tǒng)設(shè)備時不影響列車運行。在解決高畸變、多聲源與強噪聲的影響后，該技術(shù)能夠根據(jù)列車經(jīng)過時產(chǎn)生的聲音實時定位軸承故障位置與故障類型。識別故障特征是預(yù)測剩余壽命的基礎(chǔ)，能夠精準量化故障程度則是精確預(yù)測剩余壽命的保障。筆者認為未來該技術(shù)的應(yīng)用應(yīng)當(dāng)擴展至精準的軸承剩余壽命預(yù)測，比如精準預(yù)測軸承故障的面積、裂紋擴展程度等。