顧曉輝 楊紹普 劉文朋 劉澤潮

(石家莊鐵道大學(xué)省部共建交通工程結(jié)構(gòu)力學(xué)行為與系統(tǒng)安全國家重點(diǎn)實(shí)驗(yàn)室,石家莊 050043)

(石家莊鐵道大學(xué)河北省交通工程結(jié)構(gòu)力學(xué)行為演變與控制重點(diǎn)實(shí)驗(yàn)室,石家莊 050043)

引言

鐵路是國家經(jīng)濟(jì)的大動脈,在我國經(jīng)濟(jì)社會發(fā)展中起著至關(guān)重要的作用.截止到2021 年,我國鐵路營業(yè)里程已達(dá)到15 萬公里,其中高速鐵路達(dá)到4 萬公里,超過世界高速鐵路總里程的2/3,鐵路機(jī)車擁有量達(dá)到2.17 萬臺,其中動車組超過4100 列[1].高速列車作為軌道交通系統(tǒng)的核心裝備,在“引進(jìn)先進(jìn)技術(shù)、聯(lián)合設(shè)計(jì)生產(chǎn)、打造中國品牌”的總體方針指導(dǎo)下,經(jīng)過原始創(chuàng)新、引進(jìn)消化吸收再創(chuàng)新、自主創(chuàng)新的三十年發(fā)展歷程,取得了舉世矚目的成就.尤其在近十年,以CRH380 系列、CR400 系列動車組為代表的中國高速列車集成創(chuàng)新工程在低阻力流線頭型、振動模態(tài)系統(tǒng)匹配、高強(qiáng)度氣密性、高性能轉(zhuǎn)向架、噪聲控制、輕量化與節(jié)能、制動安全、弓網(wǎng)受流、系統(tǒng)可用性等方面[2]取得重要突破.在此基礎(chǔ)上,我國高速列車技術(shù)創(chuàng)新的主題將由結(jié)構(gòu)功能設(shè)計(jì)與制造逐步轉(zhuǎn)向運(yùn)營安全保障、運(yùn)營品質(zhì)提升與運(yùn)營維護(hù)等重點(diǎn)領(lǐng)域.因此,如何科學(xué)地維護(hù)數(shù)量龐大的運(yùn)營車輛,保障高速列車的使用性能,降低全壽命周期成本成為一個(gè)日益突出、至關(guān)重要的問題.

軸箱軸承是高速列車轉(zhuǎn)向架中的關(guān)鍵旋轉(zhuǎn)部件,相當(dāng)于列車的“腳踝”,承擔(dān)著承載支撐、運(yùn)動轉(zhuǎn)換等重要功能.為了便于維護(hù),高速列車的軸箱軸承通常選用自潤滑密封式的雙列圓錐滾子軸承(部分采用圓柱滾子軸承),其設(shè)計(jì)壽命一般要求能夠達(dá)到240 萬公里、檢修周期能夠達(dá)到120 萬公里.如圖1所示,軸箱軸承的內(nèi)圈與車軸過盈配合,外圈與軸箱間隙配合或過渡配合,軸箱通過轉(zhuǎn)臂節(jié)點(diǎn)和一系彈簧、一系垂向減振器與轉(zhuǎn)向架構(gòu)架相連.因此,軸箱軸承在運(yùn)行過程中承受了來自車體和轉(zhuǎn)向架傳遞下來的所有垂向和橫向載荷,在頻繁加速、制動工況下還會承受一定的沿軌道方向的縱向載荷.另一方面,車輪與鋼軌的滾動接觸剛度較大,在軌道不平順的影響下,輪軌之間的復(fù)雜作用力也會通過車軸傳遞到軸承,尤其在出現(xiàn)車輪多邊形、踏面擦傷、車輪扁疤、鋼軌波磨等輪軌關(guān)系惡化的情況下[3],軸承元件之間的相互作用會變得更加惡劣.此外,由于我國幅員遼闊、人口眾多,相比國外,我國高速列車的運(yùn)行密度高、持續(xù)運(yùn)行時(shí)間長、線路條件復(fù)雜、軌道狀態(tài)不統(tǒng)一、地域溫差大,軸箱軸承等走行部關(guān)鍵部件所承受的氣動載荷、溫濕度、耦合振動等使用環(huán)境對其疲勞可靠性和使用性能提出了更高的要求.在上述綜合因素的作用下,高速列車軸箱軸承的故障率要高于齒輪箱軸承、電機(jī)軸承等旋轉(zhuǎn)部件,其主要故障形式表現(xiàn)為疲勞剝落[4-5]、擦傷磨損、疲勞裂紋、電蝕等,其中外圈滾道剝落故障最為突出[6],并且故障軸承的累計(jì)使用里程相對隨機(jī),甚至有時(shí)遠(yuǎn)小于檢修周期[7].這些由疲勞、過載、裝配不當(dāng)、潤滑不良等原因引起的滾子、滾道、保持架故障會嚴(yán)重影響軸箱軸承的使用性能,可能導(dǎo)致燃軸、切軸等重大安全事故.因此,針對軸箱軸承的狀態(tài)監(jiān)測和故障診斷是保障列車健康使用的重要組成部分.

圖1 高速列車軸箱軸承Fig.1 Axle-box bearing of high-speed trains

本文首先總結(jié)了軸箱軸承健康監(jiān)測與診斷系統(tǒng)的發(fā)展概況,然后,梳理了國內(nèi)外學(xué)者在軸箱軸承動力學(xué)機(jī)理分析、故障診斷方法等方面的研究現(xiàn)狀和研究思路,最后對軸箱軸承健康監(jiān)測與故障診斷研究的發(fā)展趨勢進(jìn)行了展望.

1 軸箱軸承健康監(jiān)測與診斷系統(tǒng)的發(fā)展現(xiàn)狀

針對列車軸箱軸承的檢測和監(jiān)測(condition monitoring,CM),國內(nèi)外諸多研究機(jī)構(gòu)開展了大量的探索,其主要應(yīng)用的方式和手段如圖2 所示,主要方式可以分為維修檢測、軌邊監(jiān)測和車載監(jiān)測三種,主要手段涵蓋了從人工到溫度、聲音、振動、沖擊脈沖、聲發(fā)射(acoustic emission,AE)等多種傳感技術(shù).圖3 給出了軸箱軸承使用性能的典型退化過程與各種傳感技術(shù)能夠識別的退化階段,從中可知,除溫度外,其他傳感技術(shù)均能在軸箱軸承的潛在故障發(fā)展到功能性故障前對其狀態(tài)進(jìn)行判別,從而減少或避免不必要的安全事故的發(fā)生.

圖2 軸箱軸承檢測與監(jiān)測手段Fig.2 Fault detection and condition monitoring means for axle-box bearing

圖3 軸箱軸承服役性能與傳感技術(shù)Fig.3 Performance of axle-box bearing and sensing technologies

1.1 維修檢測系統(tǒng)與方法

長期以來,我國各鐵路局的動車所、機(jī)務(wù)段對機(jī)車車輛軸承的檢測方式主要依靠工人的經(jīng)驗(yàn).工作人員在落輪后首先需要將軸承退卸,然后進(jìn)行外觀檢查、軸承分解、部件清洗,最后進(jìn)行目視檢測.現(xiàn)有的檢修流程主要依靠操作人員的實(shí)際經(jīng)驗(yàn),導(dǎo)致檢測結(jié)果存在一定的主觀性,而且費(fèi)時(shí)、費(fèi)力,生產(chǎn)成本較高.隨著無損檢測技術(shù)的發(fā)展,國家鐵路局在制定的《鐵路客車輪軸組裝檢修及管理規(guī)則》等文件中要求對一定運(yùn)行時(shí)間和里程的軸承進(jìn)行磁粉探傷并執(zhí)行嚴(yán)格的里程報(bào)廢制度,但現(xiàn)有的無損檢測方法也需要在落輪后將軸箱軸承退卸、解體和清洗,工序繁瑣.

為了提高鐵路軸承的檢修效率,中國鐵道科學(xué)研究院在20 世紀(jì)90 年代與北京鐵路局等單位合作研制了JL-201 機(jī)車軸承診斷儀、JL-601 機(jī)車走行部頂輪診斷系統(tǒng)等多套檢測儀器[8],并在鐵路局的大部分機(jī)務(wù)段和大修廠實(shí)現(xiàn)了推廣應(yīng)用.JL 系列檢測系統(tǒng)通常包含簡易診斷和精密診斷兩個(gè)模塊.在簡易診斷中,通過計(jì)算軸承振動加速度的有效值和峭度并結(jié)合預(yù)設(shè)的閾值對軸箱軸承狀態(tài)進(jìn)行判斷,當(dāng)所測值超過閾值時(shí)再用基于共振解調(diào)譜的精密診斷進(jìn)行確認(rèn).此類系統(tǒng)在工作時(shí)不需要落輪,大大縮短了檢測時(shí)間,實(shí)現(xiàn)了軸箱軸承的不解體診斷.但在應(yīng)用時(shí),需要技術(shù)人員依據(jù)歷史檢測數(shù)據(jù)為參考,合理地設(shè)置故障報(bào)警閾值和軸承解體閾值,不同型號的軸承其判斷閾值也不盡相同.此外,在應(yīng)用共振解調(diào)方法進(jìn)行精密診斷時(shí),帶通濾波的范圍對診斷結(jié)果也至關(guān)重要.與之類似,唐德堯等[9-10]研制了基于“多傳感器共振解調(diào)技術(shù)”的JK86411 鐵路車輛輪對軸承不分解試驗(yàn)診斷系統(tǒng)和改進(jìn)型JK96411 鐵路車輛輪對軸承不分解自動診斷系統(tǒng),并通過原鐵道部車輛局和航空部發(fā)動機(jī)局的鑒定,確診率達(dá)到了95%以上,較人工檢查準(zhǔn)確率提高了10%左右,漏診率降低了4%.張慶等[11]研發(fā)了一套基于振動、溫度信號的輪對軸承不解體檢測系統(tǒng),基于小波降噪和小波解調(diào)增強(qiáng)了故障頻譜的識別性,并在上海鐵路局得到了應(yīng)用驗(yàn)證.

針對高速列車的軸箱軸承檢修,中車青島四方機(jī)車車輛股份有限公司在動車組三級修采用了大連博峰軸承儀器有限公司開發(fā)的軸箱軸承振動頻譜分析儀代替人工檢查[12].熊文等[13]提出了一種與輪對軸承磨合臺配合使用的軸承故障聲學(xué)診斷系統(tǒng),通過對麥克風(fēng)陣列采集的聲音信號進(jìn)行統(tǒng)計(jì)因子和共振解調(diào)分析實(shí)現(xiàn)對軸承狀態(tài)的判別.此外,Kaewkongka[14]提出了基于聲發(fā)射的軸箱軸承診斷方法,基于軸承加載工況下的聲發(fā)射信號的振鈴計(jì)數(shù)和包絡(luò)解調(diào)等方法診斷軸承故障.上述診斷大多需要頂輪機(jī)或磨合機(jī)的配合,此時(shí)軸箱軸承的受力狀態(tài)與線路運(yùn)行條件下的狀態(tài)相反,即外圈滾道的承載區(qū)和非承載區(qū)發(fā)生180°的翻轉(zhuǎn).為此,唐山百川智能機(jī)器股份有限公司[15]研發(fā)了一套基于軌道輪驅(qū)動和柔性降噪技術(shù)的機(jī)車走行部動態(tài)檢測臺以復(fù)現(xiàn)列車在軌道上運(yùn)行時(shí)的真實(shí)受力狀態(tài).在軸承狀態(tài)評估方面,同樣采用振動信號的有效值、峭度等統(tǒng)計(jì)特征和故障特征頻率結(jié)合的方法對軸箱軸承進(jìn)行故障早期預(yù)判、故障部位定位和故障等級的劃分.

上述檢測系統(tǒng)和方法主要應(yīng)用于列車的運(yùn)用維修,而目前軌道交通行業(yè)主要采用計(jì)劃預(yù)防維修制,通過劃分檢修等級和檢修周期結(jié)構(gòu),制定了嚴(yán)格的維修規(guī)程與規(guī)范.以我國CRH2 和CRH380 A 型高速列車為例,其檢修等級、檢修周期和主要檢修范圍如圖4 所示.軸箱軸承作為走行部的關(guān)鍵部件要運(yùn)行到120 萬公里或3 年才會檢修一次,運(yùn)行到240 萬公里或6 年則進(jìn)行報(bào)廢處理.因此,當(dāng)前采用的維修體系和檢修制度難以及時(shí)地發(fā)現(xiàn)軸承的突發(fā)性故障,為此各國鐵路公司通常還會配備系列軌邊和車載監(jiān)測系統(tǒng)用于保障列車的運(yùn)行安全.

圖4 CRH2/380 A 動車組檢修等級和檢修周期Fig.4 Maintenance regulation of CRH2/380 A EMUs

1.2 軌邊監(jiān)測系統(tǒng)與方法

當(dāng)前,軌邊監(jiān)測主要有兩種常見的方式:熱軸診斷系統(tǒng)和軌邊聲學(xué)診斷系統(tǒng).早在20 世紀(jì)60 年代,美國就開發(fā)了基于紅外的軌邊熱軸診斷系統(tǒng)(hot bearing detector,HBD)[16],主要利用安裝在軌旁的紅外線探測設(shè)備來感知所通過機(jī)車車輛的軸承溫度,當(dāng)溫度超過預(yù)設(shè)的微熱、強(qiáng)熱和激熱閾值則觸發(fā)故障跟蹤、前方站停、立即停車等不同等級的響應(yīng).然而該系統(tǒng)在設(shè)計(jì)之初針對的是轉(zhuǎn)速較低的滑動軸承,隨著鐵路高速化、重載化發(fā)展,加之環(huán)境溫度、列車運(yùn)行狀態(tài)的差異,基于固定溫差閾值的HBD 系統(tǒng)暴露出諸多的不適應(yīng)之處,經(jīng)常出現(xiàn)誤報(bào)或漏報(bào).有報(bào)道指出在某些線路曾有大約80%的被攔截車輛出現(xiàn)誤報(bào)[17],嚴(yán)重影響了行車的組織管理.為了增強(qiáng)HBD 系統(tǒng)的判別能力,Mili?等[18]以軸承溫度、車速、環(huán)境溫度等參量為輸入,研發(fā)了一種基于模糊邏輯的軸承監(jiān)測系統(tǒng),一定程度上提高了系統(tǒng)的魯棒性.此外,Deilamsalehy 等[19]提出了一種基于紅外熱成像與機(jī)器視覺的智能熱軸監(jiān)測方法,以軸承溫度場的分布代替?zhèn)鹘y(tǒng)的溫度閾值,從而更精準(zhǔn)地判斷軸承狀態(tài).

為了彌補(bǔ)HBD 系統(tǒng)的不足,在80 年代中期,美國鐵路運(yùn)輸技術(shù)中心(Transportation Technology Center,Inc.,TTCI)就開始了軌邊聲學(xué)診斷系統(tǒng)的開發(fā)和測試工作,著名的TADS (Trackside Acoustic Detection System)在1989 年實(shí)現(xiàn)了商業(yè)化,90 年代末在北美、南非鐵路得到廣泛應(yīng)用[20].隨后,澳大利亞的VIPAC 公司也成功研發(fā)了與TADS 類似的RailBAM 系統(tǒng).2018 年,我國神州高鐵公司以400 萬美元的價(jià)格向TTCI 購買了TADS 系統(tǒng)及其專用技術(shù)和知識產(chǎn)權(quán),隨后在其基礎(chǔ)上開發(fā)出了第二代產(chǎn)品.升級后的TADS 系統(tǒng)具有體積更小、性能更穩(wěn)定、成本更低等諸多優(yōu)點(diǎn),可以滿足空間狹窄的地鐵、隧道等特殊路段的應(yīng)用需求.如圖5 所示,TADS 主要利用設(shè)在軌道兩側(cè)麥克風(fēng)陣列系統(tǒng)采集機(jī)車車輛通過時(shí)產(chǎn)生的聲音信號,然后通過信號濾波等處理單元對采集到的聲音信號進(jìn)行離線分析,從而識別列車軸承的工作狀態(tài).然而,受其測量方式的影響,該類系統(tǒng)的診斷性能受以下因素的制約[21]:

圖5 TADSFig.5 TADS

(1)列車以較高速度通過時(shí),麥克風(fēng)陣列采集的軸承聲學(xué)信號會因多普勒效應(yīng)產(chǎn)生聲譜畸變;

(2)單個(gè)麥克風(fēng)采集到的聲學(xué)信號可能包括多個(gè)軸承的耦合信息產(chǎn)生聲譜混疊;

(3)采集的軸承聲學(xué)信號中包含較強(qiáng)的輪軌噪聲、氣動噪聲等干擾,信噪比較低.

這些因素極大地影響了故障診斷與定位的可靠性,需要借助一些較為先進(jìn)的信號處理方法加以處理.在消除多普勒效應(yīng)方面,目前主要通過時(shí)頻分析方法對聲學(xué)信號的瞬時(shí)頻率進(jìn)行估計(jì),然后通過時(shí)域插值重采樣對其進(jìn)行矯正.例如,文獻(xiàn)[22]基于希爾伯特變換的瞬時(shí)頻率估計(jì),提出了一種時(shí)域動態(tài)重采樣方法以消除多普勒效應(yīng)產(chǎn)生的非平穩(wěn)干擾的影響.Christos 等[23]提出一種基于復(fù)移Morlet 小波分解的聲譜畸變矯正方法用于軸承的早期故障診斷.Wang 等[24]將基于匹配追蹤的多普勒小波原子分解算法用于運(yùn)動聲源的參數(shù)估計(jì).Zhang 等[25]基于改進(jìn)的樣條核函數(shù)Chirplet 變換實(shí)現(xiàn)了多個(gè)諧波分量的瞬時(shí)頻率估計(jì),并結(jié)合重采樣和包絡(luò)分析進(jìn)行了軸承故障的精密診斷.針對多聲源耦合產(chǎn)生的聲譜混疊問題,Entezami 等[26-27]基于廣泛應(yīng)用于麥克風(fēng)陣列的波束形成算法來抑制非目標(biāo)方向的干擾.Zhang 等[28-29]先后提出了基于時(shí)頻信息融合和時(shí)變空域?yàn)V波重排的方法來分離聲譜混疊信號,取得了較好的分析效果.此外,Huang 等[30]基于構(gòu)建的最優(yōu)空域?yàn)V波器對比了均勻矩形麥克風(fēng)陣列和傳統(tǒng)的線性陣列的效果,并通過實(shí)驗(yàn)驗(yàn)證了矩形陣列的優(yōu)越性.針對強(qiáng)噪聲干擾的問題,He 等[31]提出一種多尺度噪聲調(diào)節(jié)自適應(yīng)隨機(jī)共振的方法來實(shí)現(xiàn)微弱周期聲學(xué)信號的特征增強(qiáng).Zhang 等[32]采用改進(jìn)的奇異值分解結(jié)合共振稀疏分解來消除輪軌背景噪聲和其他諧波干擾的影響.

1.3 車載監(jiān)測系統(tǒng)與方法

相對軌邊監(jiān)測系統(tǒng)而言,車載系統(tǒng)的發(fā)展較晚,但其準(zhǔn)確性更高、實(shí)時(shí)性更強(qiáng),近年來逐步受到軌道交通行業(yè)的關(guān)注.車載系統(tǒng)相對于軌邊系統(tǒng)的主要優(yōu)勢可以概括如下:

(1)傳感器距離監(jiān)測的軸箱軸承位置更近,拾取的健康狀態(tài)信息更直接,更有可能診斷出早期故障和實(shí)現(xiàn)定量診斷;

(2)可以持續(xù)地對軸箱軸承的健康狀態(tài)進(jìn)行跟蹤,積累軸箱軸承全壽命周期的數(shù)據(jù),為軸承的使用性能演化規(guī)律研究提供數(shù)據(jù)支持.

目前,廣泛應(yīng)用的車載監(jiān)測系統(tǒng)主要基于溫度、振動等物理量.與HBD 系統(tǒng)相比,車載系統(tǒng)實(shí)現(xiàn)了列車軸溫的實(shí)時(shí)、長期跟蹤,但是依然無法實(shí)現(xiàn)對突發(fā)性和早期軸承故障的預(yù)警.此外,車載溫度監(jiān)測系統(tǒng)還存在可靠性低、誤報(bào)漏報(bào)率高的問題.在2012—2013 年期間,北京鐵路局配屬的23 列CRH5 型動車組發(fā)生了98 起軸溫監(jiān)測系統(tǒng)故障,其中傳感器故障45 起,主機(jī)故障9 起,其他故障44 起,造成累計(jì)晚點(diǎn)967 分鐘[33],影響了列車的正常運(yùn)營.趙佳穎等[34]分析了武廣線正常運(yùn)行的CRH3 型動車組發(fā)生的717 次溫度報(bào)警,其中測量不可信和傳感器故障共計(jì)539 次,暖軸、熱軸誤報(bào)14 起.針對上述情況,曹源等[35]發(fā)展了一種基于動態(tài)時(shí)間規(guī)整算法的車輛軸溫狀態(tài)監(jiān)測方法,充分結(jié)合歷史監(jiān)測數(shù)據(jù),有效克服了列車軸溫出現(xiàn)跳變的干擾、降低了誤報(bào)率.謝國等[36-37]針對軸溫?cái)?shù)據(jù)容量大、冗余度高、易缺失的問題,提出了基于分步式降維和深度自編碼器的軟測量方法,并綜合考慮了環(huán)境溫度、車速等工況對軸溫的影響,基于皮爾遜相關(guān)系數(shù)分析法和多元回歸分析方法建立了高速列車軸溫動態(tài)閾值預(yù)測模型,提高了監(jiān)測系統(tǒng)的適用性.王遠(yuǎn)霏等[38]詳細(xì)分析某鐵路局配屬的CRH380 B 型動車組在2011—2017 年期間的軸溫故障數(shù)據(jù),挖掘了軸溫與環(huán)境溫度、走行速度、輪對里程、軸承位置等因素的關(guān)系,在此基礎(chǔ)上建立了基于RBF 神經(jīng)網(wǎng)絡(luò)的最高軸溫預(yù)測模型指導(dǎo)運(yùn)用維護(hù).劉強(qiáng)等[39]基于同一列車多軸軸溫監(jiān)測數(shù)據(jù)和列控系統(tǒng)的運(yùn)行軌跡信息,提出了基于列車運(yùn)行軌跡的運(yùn)行模態(tài)識別方法,并結(jié)合列車多模態(tài)動態(tài)內(nèi)在典型相關(guān)分析,發(fā)展了一種基于數(shù)據(jù)驅(qū)動的的軸承故障診斷方法.Liu 等[40]提出了一種基于多層長短時(shí)記憶(multilayer long short-term memory,MLSTM)網(wǎng)絡(luò)和孤立森林的軸溫異常檢測方法,通過將軸溫、環(huán)境溫度、載重、電機(jī)傳動功率、車速輸入MLSTM 網(wǎng)絡(luò)預(yù)測軸溫,并將預(yù)測的軸溫變化量輸入孤立森林算法進(jìn)行異常檢測,從而實(shí)現(xiàn)軸承故障的準(zhǔn)確預(yù)警.

隨著傳感技術(shù)的成熟與發(fā)展,目前車載監(jiān)測系統(tǒng)能采集的物理信息愈加完善.在振動監(jiān)測方面,TTCI 在20 世紀(jì)90 年代末開展了基于振動信號的車載監(jiān)測系統(tǒng)的驗(yàn)證[41-42].與維修檢測系統(tǒng)類似,同樣依據(jù)振動加速度的統(tǒng)計(jì)特征和共振解調(diào)方法對軸承狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測和診斷.唐德堯等[43]開發(fā)了JK00430 型機(jī)車走行部車載監(jiān)測系統(tǒng),可實(shí)現(xiàn)對振動、溫度和沖擊信號的同步采集,并利用共振解調(diào)技術(shù)對走行部關(guān)鍵旋轉(zhuǎn)部件進(jìn)行診斷,并在270 km/h 高速列車上進(jìn)行了裝車運(yùn)用,取得了許多寶貴的現(xiàn)場診斷經(jīng)驗(yàn).Papaelias 等[44]在英國和葡萄牙等線路對基于振動加速度和聲發(fā)射信號的車載診斷系統(tǒng)進(jìn)行了驗(yàn)證,結(jié)果表明通過將高頻的聲發(fā)射與振動數(shù)據(jù)結(jié)合可以利用均方根等指標(biāo)有效地區(qū)分車輪踏面、軸箱軸承的局部損傷.Yuan 等[45]通過對軸承振動、溫度和電壓、電流的監(jiān)測,實(shí)現(xiàn)了對軸箱軸承電蝕故障的智能診斷.此外,歐盟在2012—2015 年支持了由伯明翰大學(xué)、波爾圖大學(xué)、SKF公司等18 家單位參與的MAXBE 項(xiàng)目[46],旨在通過結(jié)合已有的軌邊和車載系統(tǒng)和新型的監(jiān)測技術(shù),將振動、溫度、應(yīng)變、聲發(fā)射等多種物理量的融合信息用于軸箱軸承的狀態(tài)監(jiān)測和早期故障診斷并指導(dǎo)軸承的運(yùn)用維護(hù),并在葡萄牙、比利時(shí)、英國等線路上開展了大量的驗(yàn)證試驗(yàn).該項(xiàng)目為推動歐洲軌道交通健康監(jiān)測領(lǐng)域的成果落地創(chuàng)造了條件,為制定集監(jiān)測、診斷、運(yùn)用維護(hù)于一體的標(biāo)準(zhǔn)化體系積累了經(jīng)驗(yàn).近年來,隨著MEMS、無線傳感等技術(shù)的發(fā)展,更多新型的傳感器被用于軸箱軸承的健康監(jiān)測.Peiner[47]研發(fā)了一類壓阻式MEMS 加速度傳感器并在德國的ICE 高速列車上進(jìn)行了測試.英國的Perpetuum 公司[48]研發(fā)了具備能量采集自供電的無線傳感節(jié)點(diǎn)用于高速列車軸箱軸承的振動長期跟蹤監(jiān)測.Tarawneh 等[49]開發(fā)了一套能夠同時(shí)監(jiān)測軸箱軸承載荷、溫度和振動的無線傳感節(jié)點(diǎn).此外,具備自感知、自決策等功能的智能軸箱軸承為其健康評估與診斷提供了更加便捷的手段.SKF 開發(fā)了集振動、溫度無線監(jiān)測于一體的洞悉技術(shù)用于鐵路軸箱軸承[50].Gong 等[51]設(shè)計(jì)了一種具備自供電和無線傳感的智能軸箱軸承系統(tǒng),基于嵌入的可變磁阻能量采集器可將車軸和內(nèi)圈的旋轉(zhuǎn)運(yùn)動產(chǎn)生的電能儲存并為無線傳感器網(wǎng)絡(luò)供電,從而實(shí)時(shí)地監(jiān)測軸承的轉(zhuǎn)速、振動、應(yīng)變和溫度信息.

1.4 小結(jié)

通過上述分析可知,現(xiàn)有的三種檢測、監(jiān)測體系優(yōu)缺點(diǎn)都比較突出.維修檢測體系發(fā)展的最成熟,但耗時(shí)、費(fèi)力,智能化程度不高.軌邊監(jiān)測系統(tǒng)相對車載監(jiān)測系統(tǒng)方便布置,可實(shí)現(xiàn)一對多的監(jiān)測,但不能進(jìn)行軸承狀態(tài)的持續(xù)監(jiān)測和跟蹤.車載系統(tǒng)采集的狀態(tài)信息更準(zhǔn)確,實(shí)時(shí)性更高,但受系統(tǒng)可靠性、診斷精度的影響,真正形成產(chǎn)品、實(shí)現(xiàn)列裝的少之又少.

近年來,隨著大數(shù)據(jù)、人工智能技術(shù)的發(fā)展,歐盟、日本等在下一代高速列車計(jì)劃中均將軸箱軸承的智能監(jiān)測、智能診斷、智能運(yùn)維等內(nèi)容列入發(fā)展規(guī)劃.我國也提出了要構(gòu)建由數(shù)字平臺、設(shè)計(jì)平臺、制造平臺和健康管理平臺組成的面向故障預(yù)測與健康管理(prognostics and health management,PHM)的高速列車譜系化產(chǎn)品技術(shù)平臺[52-53].因此,如何綜合運(yùn)用軸箱軸承的三種檢監(jiān)測體系,基于特征提取、信息融合、數(shù)據(jù)挖掘等技術(shù)服務(wù)于高速列車的PHM 仍具有較大的挑戰(zhàn).

2 軸箱軸承的動力學(xué)機(jī)理分析研究現(xiàn)狀

從上文可知,受其結(jié)構(gòu)的限制,在軸箱軸承使用過程中通常無法從外部直接觀測到內(nèi)部元件的運(yùn)行狀態(tài).而通過傳感器采集的振動、溫度、聲音等信號是內(nèi)部產(chǎn)生損傷后,由內(nèi)至外傳遞出來的,是內(nèi)部損傷的外部表現(xiàn).因此,許多重要的特征在復(fù)雜的傳遞路徑中大大衰減,再加上外界環(huán)境中復(fù)雜噪聲的干擾,能被傳感器直接提取的故障信息微乎其微.由于軸承內(nèi)部無法直接觀測,只能憑借這些外部表現(xiàn)信號進(jìn)行間接診斷,即軸承本身好似“黑箱”一樣.目前缺少對軸箱軸承的視情維修體系,除了對其內(nèi)部元件運(yùn)行狀態(tài)的檢測手段不夠成熟外,更缺乏的是對其故障的產(chǎn)生機(jī)理和發(fā)展規(guī)律研究.因此,開展軸箱軸承的健康監(jiān)測和故障診斷,首先需要揭示軸承內(nèi)部元件間的相互作用機(jī)制和軸承內(nèi)部故障與外部響應(yīng)之間的映射關(guān)系,從而為特征提取和故障診斷提供理論依據(jù).

2.1 針對軸箱軸承系統(tǒng)的動態(tài)特性分析

雙列圓錐滾子軸承相對于球軸承或圓柱軸承,其內(nèi)部元件的接觸關(guān)系更復(fù)雜.如圖6 所示,在徑向載荷Fr和軸向載荷Fa的作用下,滾子除了與內(nèi)、外圈滾道接觸外,還會與內(nèi)圈擋邊發(fā)生接觸.需要注意的是,軸箱軸承的承載方式與其他旋轉(zhuǎn)機(jī)械明顯不同,車體質(zhì)量通過一、二系懸掛傳遞給軸箱,軸箱軸承再將力傳遞給車輪.因此,軸箱軸承的承載區(qū)是在上半部,非承載區(qū)是在下半部.在承載區(qū),滾子推動保持架公轉(zhuǎn),而在非承載區(qū),保持架推動滾子公轉(zhuǎn).

圖6 滾子與滾道的運(yùn)動和接觸關(guān)系Fig.6 The kinematics and contact between the roller and raceways

通過建立軸承的力學(xué)模型研究其內(nèi)部載荷、溫度場分布等是分析軸承失效機(jī)理的重要手段之一.在載荷分析方面,目前常用的主要包括擬動力學(xué)模型、動力學(xué)模型和有限元模型.顏家森等[54]考慮了滾子與內(nèi)圈滾道、內(nèi)圈擋邊和外圈滾道的接觸關(guān)系,基于Hertz 接觸理論建立了高速列車軸箱軸承的擬動力學(xué)模型,采用Newton-Raphson 法求解了軸承的載荷分布,并分析了外部載荷、列車運(yùn)行速度對滾子和滾道載荷的影響.王超等[55]基于Hertz 接觸理論和切片法分析了直母線型滾子、圓弧全凸型滾子、圓弧修正型滾子和對數(shù)曲線型滾子與滾道的應(yīng)力和載荷分布情況,給出了極限載荷下的最佳凸度設(shè)計(jì)參考值.趙方偉[56]采用改進(jìn)的切片法分析了滾子與滾道的接觸應(yīng)力分布,并考慮Hartnet 關(guān)于彈性半空間的法向作用力對非作用點(diǎn)變形的影響,得到了非理想線接觸下的應(yīng)力分布.Zhang 等[57]基于Hertz 接觸理論和切片法求解了滾子-滾道間的接觸載荷,并基于彈流潤滑理論分析了列車速度、接觸角、潤滑脂的動態(tài)黏度等參數(shù)對摩擦力和摩擦力矩的影響.黃運(yùn)生等[58]采用剛?cè)狁詈系碾x散單元法建立了保持架的非線性動力學(xué)模型,分析了車輪扁疤導(dǎo)致的大幅值沖擊載荷對軸承保持架的動態(tài)性能、應(yīng)力分布和與滾子的相互作用的影響.涂文兵等[59]采用LS-DYNA 軟件建立了軸箱軸承的二維有限元模型,采用顯示積分法求解了系統(tǒng)響應(yīng),研究了滾子在加速、減速、軌道譜激勵(lì)等條件下的打滑特性.Wang 等[60]基于ANSYS/LS-DYNA 建立了軸箱軸承的三維有限元模型,求解了在直線和曲線工況下軸承元件的應(yīng)力分布、速度和加速度響應(yīng).郝燁江等[61]考慮了軸箱轉(zhuǎn)臂結(jié)構(gòu),給出了軸承所受徑向力的修正公式,分析了轉(zhuǎn)速對內(nèi)、外滾道接觸應(yīng)力的影響,并利用ABAQUS-explicit 分析了軸承的動力學(xué)特性,求解了軸承內(nèi)部的應(yīng)力場與位移場.

在溫度場分析方面,目前采用的方法主要包括熱網(wǎng)絡(luò)法、有限元法和實(shí)驗(yàn)法.文獻(xiàn)[62-64]基于Kirchhoff 定律建立了FAG 系列的TAROL 130/240-B-TVP 型軸箱軸承的節(jié)點(diǎn)熱平衡方程,采用熱網(wǎng)格法分析了徑向載荷和運(yùn)行速度等因素對熱節(jié)點(diǎn)溫度的影響.Xu 等[65]基于有限元仿真發(fā)現(xiàn)軸承的低階臨界轉(zhuǎn)速即軸承的彈性模態(tài)對溫度場分布具有較大的影響.湯武初等[66]針對SKF 系列的TBU-BT2-8545-AD 型軸箱軸承,基于有限元法分析了不同載荷、潤滑條件和表面缺陷下的軸承溫度場分布,并通過實(shí)驗(yàn)對仿真的分布規(guī)律進(jìn)行了驗(yàn)證.Yan 等[67]基于局部熱方法和彈流潤滑理論建立了鐵路軸承滾道和擋邊的生熱模型,研究了軸承在不同運(yùn)行工況和結(jié)構(gòu)參數(shù)下的生熱特性.在此基礎(chǔ)上,結(jié)合有限元軟件仿真分析了溫度場分布和其影響因素,并依據(jù)《TB/T 3000-2000 機(jī)車車輛軸箱滾動軸承在軸箱試驗(yàn)機(jī)上的熱試驗(yàn)方法》對其結(jié)果進(jìn)行了實(shí)驗(yàn)驗(yàn)證.李國棟等[68]利用Fluent 軟件模擬了列車運(yùn)行中軸箱軸承在外部風(fēng)場作用下的產(chǎn)熱、傳熱和溫度場分布情況,并與列車實(shí)測數(shù)據(jù)進(jìn)行了對比.趙方偉等[69]通過臺架交叉實(shí)驗(yàn)方法研究了載荷和速度對軸箱軸承溫升的定量影響,結(jié)果表明速度的影響更加顯著.

上述理論分析和實(shí)驗(yàn)研究結(jié)果可為軸箱軸承的結(jié)構(gòu)優(yōu)化設(shè)計(jì)提供一定的理論指導(dǎo),但未能反映軸承在循環(huán)載荷作用下出現(xiàn)的使用性能退化或故障導(dǎo)致的動力學(xué)性能變化.有鑒于此,Liu 等[70]建立一種含滾道局部故障的高速列車軸箱軸承非線性動力學(xué)模型,考慮了軸承間隙、滾子和滾道之間的非線性赫茲接觸力、由于轉(zhuǎn)子質(zhì)量偏心引起的不平衡力等因素,并分析了軸承在變轉(zhuǎn)速工況下的加速度響應(yīng).黃晨光等[71]建立了考慮載荷分布、振動傳遞、滾子隨機(jī)滑動和多滾子故障的軸箱軸承動力學(xué)模型,闡述了傳統(tǒng)的時(shí)域分析方法容易在診斷滾子故障時(shí)失效的原因.李長健[72]采用多體動力學(xué)軟件ADAMS建立了含內(nèi)圈剝離故障的高速列車軸箱軸承三維動力學(xué)模型,對不同故障程度的軸承模型進(jìn)行了仿真,分析了軸承元件的動力學(xué)響應(yīng)隨故障尺寸增大的變化規(guī)律.Liu 等[73]基于多體動力學(xué)軟件RecurDyn 建立了含外圈電蝕故障的軸箱軸承動力學(xué)模型,對比了不同的缺陷位置、形狀和尺寸下的時(shí)、頻域響應(yīng).

2.2 針對軸箱軸承-列車耦合系統(tǒng)的動態(tài)特性分析

上述分析只考慮了軸箱軸承內(nèi)部元件之間的相互作用和動態(tài)響應(yīng).然而,列車在運(yùn)行中,軸箱和軸承所承受的來自一系懸掛、車軸的載荷是變化的,由于車輪失圓[74-75]、鋼軌波磨等輪軌激勵(lì)導(dǎo)致的高頻振動對其影響也不容忽視.此外,軸承自身尤其在出現(xiàn)故障后的復(fù)雜振動也會通過連接部件傳遞到轉(zhuǎn)向架從而影響其他部件的振動.因此,軸箱軸承和列車之間具有耦合的相互作用關(guān)系,研究軸箱軸承的故障機(jī)理需要將其放到列車的振動環(huán)境下進(jìn)行考慮.

基于上述原因,蓋利森[76]分別采用SIMPACK和CABA3D 軟件建立了高速列車的整車和軸箱軸承的動力學(xué)模型,將軌道不平順激勵(lì)下基于整車模型得到的軸箱箱體的動態(tài)外載荷施加到軸承模型的外圈,研究了軌道不平順激勵(lì)對軸承元件動力學(xué)行為的影響.查浩[77]在經(jīng)典的車輛-軌道空間耦合動力學(xué)模型[78]的基礎(chǔ)上加入了軸承-軸箱-構(gòu)架動力學(xué)模型,考慮了軸箱體與軸承、滾子與滾道、滾子與套圈擋邊、滾子與保持架的作用,分析了軌道不平順、車輪不圓、車輪扁疤等激勵(lì)下軸箱軸承的載荷特性和軸箱加速度的振動特性及頻域能量分布.Li 等[79]基于考慮軸箱軸承的車輛-軌道空間耦合模型,分析了軸箱軸承對輪對、構(gòu)架和車體等不同位置的橫、垂向振動的影響.Liao 等[80]基于空間耦合模型研究了不同的輪軌激勵(lì)對軸箱軸承的接觸載荷影響,在車輪多邊形和軌道不平順的綜合激勵(lì)下,滾子與外圈滾道的最大接觸力增加了38.59%.王志偉[81]建立了考慮軸箱軸承和齒輪傳動系統(tǒng)的高速列車-車輪-軌道耦合動力學(xué)模型,基于數(shù)值積分和蒙特卡洛方法系統(tǒng)分析了軌道不平順、不穩(wěn)定風(fēng)場、齒輪的時(shí)變嚙合剛度、車輪扁疤、車輪多邊形磨耗等高速列車典型使用環(huán)境下軸箱軸承的復(fù)雜振動特性.Huo 等[82]建立了軸承-輪對-軌道的剛?cè)狁詈蟿恿W(xué)模型,討論了軸承非線性和車軸的彈性變形對輪軌力的影響.

在基于耦合模型的熱力分析方面,Huo 等[83]考慮了軸箱軸承的時(shí)變接觸剛度和軌道不平順的影響建立了軸承-車輪-軌道耦合系統(tǒng)動力學(xué)模型,并結(jié)合切片法和彈流潤滑理論分析了不同載荷下的油膜壓力和油膜厚度情況,并建議在高速條件下應(yīng)考慮熱效應(yīng)對彈流潤滑的影響.耿自林等[84]基于車輛-軌道耦合動力學(xué)模型,計(jì)算了實(shí)測軌道譜激勵(lì)下軸箱軸承在車輪多邊形和滾道故障下的動態(tài)載荷和摩擦功耗,并基于熱網(wǎng)絡(luò)法分析了軸箱軸承的穩(wěn)態(tài)溫度場分布情況.Wang 等[85]基于考慮軸箱軸承和牽引傳動系統(tǒng)的車輛-軌道空間耦合模型分析了在使用過程中一位側(cè)和二位側(cè)、動車和拖車的軸箱軸承溫度演化情況.

在基于耦合模型的軸承故障響應(yīng)分析方面,曹青松等[86]針對高速列車軸承內(nèi)圈與車軸配合的松動問題,建立了包含半車車體-構(gòu)架-懸掛-軸箱軸承-輪軌的垂向耦合動力學(xué)模型,基于頻譜、相圖、Poincare 映射等研究了不同松動間隙和車速下系統(tǒng)的非線性動力學(xué)特性.Ma 等[87]建立了車體-構(gòu)架-軸承-輪對的垂向耦合動力學(xué)模型,研究了滾道局部缺陷和軌道不平順激勵(lì)下系統(tǒng)的非線性動力學(xué)響應(yīng).Liu 和Chen[88]建立了考慮軸箱軸承和牽引傳動系統(tǒng)的車輛-軌道耦合動力學(xué)模型,對比了輪軌激勵(lì)下正常和故障軸承的時(shí)、頻域響應(yīng).Wang 等[89]建立了包含軸箱軸承內(nèi)、外圈故障的車輛-軌道縱垂向耦合動力學(xué)模型,基于均方根、峭度等指標(biāo)對比了不同故障尺寸下軸承的時(shí)、頻域振動響應(yīng).結(jié)果表明,縱向振動指標(biāo)對內(nèi)圈故障較為敏感,垂向振動指標(biāo)對外圈故障較為敏感.Liu 等[90-91]基于耦合模型分析了滾道局部缺陷和加工誤差對車輛系統(tǒng)動力學(xué)響應(yīng)的影響.劉國云等[92-93]基于SIMULINK 和SIMPACK 的聯(lián)合仿真,分析了高速列車的軸箱軸承在出現(xiàn)表面波紋度和局部缺陷后軸箱軸承的振動加速度響應(yīng)和頻譜特征及其對車輛運(yùn)行平穩(wěn)性的影響.Lu 等[94]采用類似的方法系統(tǒng)研究了軌道不平順激勵(lì)下軸承外圈、內(nèi)圈和滾子故障的動力學(xué)響應(yīng)特征和故障頻率的分布規(guī)律.

2.3 小結(jié)

通過上述分析可知,目前國內(nèi)外學(xué)者針對軸箱軸承內(nèi)部元件的接觸載荷、溫度分布以及故障的動力學(xué)響應(yīng)特征開展了大量的研究工作,取得的主要結(jié)論包括:

(1)除了滾子凸度、滾子與內(nèi)外滾道的接觸角等軸箱軸承的結(jié)構(gòu)參數(shù)外,軸承所承受的橫垂向外部載荷相較列車速度對其內(nèi)部載荷和溫度分布具有較大影響;

(2)軸箱軸承與車輛系統(tǒng)的相互作用有較強(qiáng)的耦合關(guān)系,來自車輪和軌道的激勵(lì)對軸承的動力學(xué)響應(yīng)具有較大影響,研究軸箱軸承的故障機(jī)理采用車輛-軌道耦合模型更為合理.

此外,上述研究距離指導(dǎo)軸箱軸承的健康監(jiān)測和故障診斷還有一定不足.

(1)基于熱力耦合、聲振耦合等方法揭示軸箱軸承振動、溫度、聲音等多源監(jiān)測信息在產(chǎn)生、傳遞與響應(yīng)機(jī)制方面還不夠深入.

(2)當(dāng)前常見的軸箱軸承故障模型與工程中常見的損傷形貌還有一定差距,此外,基于Hertz 接觸理論難以準(zhǔn)確描述滾動體與滾道上的局部缺陷、滾動體缺陷與滾道的接觸關(guān)系.

(3)目前所建立的軸箱軸承和列車模型以剛體模型居多,難以反映一些有效的高頻信息.而以共振解調(diào)為代表的一些故障診斷方法常從系統(tǒng)的高頻響應(yīng)分析入手.因此,需要進(jìn)一步發(fā)展軸箱軸承與列車的剛?cè)狁詈夏Ｐ瓦M(jìn)行研究.

(4)現(xiàn)有研究大多針對軸承在正常狀態(tài)或故障狀態(tài)的某個(gè)使用節(jié)點(diǎn),如何開展從軸承正常狀態(tài)到使用性能退化再到運(yùn)行失效的全壽命周期仿真用于直接指導(dǎo)軸箱軸承的PHM 值得進(jìn)一步思考.

3 軸箱軸承故障診斷方法的研究現(xiàn)狀

機(jī)械故障診斷是借助機(jī)械、力學(xué)、電子、計(jì)算機(jī)、信號處理、人工智能等學(xué)科專業(yè)的技術(shù)對機(jī)械設(shè)備的狀態(tài)和故障進(jìn)行監(jiān)測、診斷的一門現(xiàn)代化科學(xué)技術(shù).早在20 世紀(jì)60 年代,美國的機(jī)械故障預(yù)防小組、英國的機(jī)械保健與監(jiān)測中心等組織即開始了狀態(tài)監(jiān)測和故障診斷的研究工作.在70 年代,瑞典的SPM 公司開發(fā)了用于軸承狀態(tài)監(jiān)測的沖擊脈沖儀,波音公司的Harting[95]申請了共振解調(diào)技術(shù)的發(fā)明專利,這些工作奠定了旋轉(zhuǎn)機(jī)械故障診斷技術(shù)的基礎(chǔ).在80 年代,屈梁生等[96]提出了著名的全息譜理論,推動了國內(nèi)故障診斷領(lǐng)域的發(fā)展.時(shí)至今日,以時(shí)頻分析為代表的信號處理方法和以人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)為代表的機(jī)器學(xué)習(xí)技術(shù)在機(jī)械裝備的早期故障診斷、復(fù)合故障診斷、智能診斷等多個(gè)方面都取得了豐碩的研究成果.下文將主要從信號處理方法、傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法三個(gè)方面討論針對軸箱軸承故障診斷的研究進(jìn)展.

3.1 基于信號處理的方法

一般而言,故障診斷的基本環(huán)節(jié)主要包括信號獲取、特征提取和故障識別.從動態(tài)信號中提取出有效的故障征兆,是診斷的前提條件.由前文可知,當(dāng)軸箱軸承的內(nèi)部元件出現(xiàn)故障后,將導(dǎo)致其振動、噪聲增大或溫度升高,但這些信息常受輪軌噪聲的干擾.因此,需要借助信號處理來進(jìn)行特征提取和故障識別.常見的信號處理方法主要包括基于帶通濾波的方法和基于信號分解的方法.

如前文所述,基于帶通濾波的共振解調(diào)技術(shù)在軸箱軸承故障診斷中的應(yīng)用最為廣泛,其關(guān)鍵在于如何確定富含故障信息的共振頻帶.很多學(xué)者在最優(yōu)共振頻帶的選擇方面做了大量的工作,其中最具代表性的就是Antoni 提出的譜峭度方法[97].Lei等[98]在其基礎(chǔ)上,提出了基于小波包分解譜峭度方法,并通過實(shí)驗(yàn)證明了基于內(nèi)積原理的小波濾波器能夠更好地匹配軸箱軸承故障的沖擊特征.Yi 等[99]提出了一種基于廣義分解算子的譜峭度方法用于提高復(fù)雜干擾下最優(yōu)共振頻帶的識別精度.Liu 等[100]針對解調(diào)頻帶劃分和評價(jià)指標(biāo)問題,提出了一種基于尺度空間表征和相關(guān)峭度的快速濾波方法,彌補(bǔ)了譜峭度方法不能進(jìn)行復(fù)合故障診斷的缺陷.Cheng等[101]基于解卷積理論設(shè)計(jì)了一種最優(yōu)濾波器,通過粒子群優(yōu)化結(jié)合廣義球面坐標(biāo)變換實(shí)現(xiàn)了軸箱軸承故障沖擊與濾波器系數(shù)的自動匹配,可有效降低噪聲干擾并增強(qiáng)故障特征信息.Yang 等[102]針對復(fù)雜振動干擾下共振頻帶的自適應(yīng)選擇問題,提出了結(jié)合沖擊性和循環(huán)平穩(wěn)性的多目標(biāo)故障特征提取方法用于軸箱軸承的早期故障診斷.

在信號分解算法方面,Liu 等[103]提出了一種軟篩分停止準(zhǔn)則以提高經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)在軸承加速度信號的分解、解調(diào)和瞬時(shí)頻率估計(jì)等方面的性能.Peng 等[104]提出了一種基于峭度的小波包重構(gòu)和EMD 結(jié)合的方法用于軌邊聲學(xué)信號的降噪和特征提取.Li 等[105]提出了一種基于重構(gòu)誤差的變分模態(tài)分解(variational mode decomposition,VMD)方法實(shí)現(xiàn)了自適應(yīng)地確定模態(tài)個(gè)數(shù),從而避免欠分解和過分解造成的有效故障信息丟失.Zhang 等[106]提出了基于復(fù)合插值包絡(luò)的局部均值分解(local mean decomposition,LMD)算法,用于提高信號分解的精度和計(jì)算效率.林森等[107]提出了一種迭代辛幾何模態(tài)分解算法,用于抑制EMD 和VMD 中常見的模態(tài)混疊和端點(diǎn)效應(yīng).Cao 等[108]將最新發(fā)展的經(jīng)驗(yàn)小波變換引入軸箱軸承的故障診斷,得到了很好的分析效果.Ding 等[109]提出了一種基于品質(zhì)因子可調(diào)小波變換的高速列車走行部故障診斷方法,基于最大包絡(luò)譜峭度自適應(yīng)篩選不同尺度和不同品質(zhì)因子下的子帶分量,實(shí)現(xiàn)了從踏面損傷導(dǎo)致的強(qiáng)沖擊干擾下分離出軸承故障響應(yīng).Deng 等[110]在正交匹配追蹤(orthogonal matching pursuit,OMP)的框架下提出了一種基于參數(shù)化字典的稀疏分解方法,并通過實(shí)驗(yàn)驗(yàn)證了該方法相對于基于相關(guān)濾波和K-SVD 的OMP 方法的有效性.

上述方法只能解決軸箱軸承的定性診斷問題,即判斷有無故障和故障定位.然而,更為精準(zhǔn)的故障尺寸估計(jì)無疑對制定軸箱軸承健康管理措施具有更大的指導(dǎo)意義.1991 年,Epps[111]觀測到軸承的故障沖擊響應(yīng)通常由兩部分組成,一個(gè)是進(jìn)入故障區(qū)域時(shí)產(chǎn)生的階躍響應(yīng),一個(gè)是逃離故障區(qū)域時(shí)產(chǎn)生的脈沖響應(yīng).Zhao 等[112]基于改進(jìn)的諧波積譜法提出了一種自適應(yīng)帶通濾波和窄帶降噪的方法,該方法可有效提取滾子進(jìn)出故障區(qū)域產(chǎn)生的雙沖擊,實(shí)現(xiàn)了軸箱軸承故障尺寸的在線估計(jì).Xu 等[113]提出了一種低速下基于聲發(fā)射有效值的軸箱軸承故障尺寸估計(jì)方法,并在高速列車整車滾動臺上進(jìn)行了測試.

3.2 基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法

隨著人工智能理論的發(fā)展,故障診斷也在朝著智能化的方向發(fā)展,粗糙集、決策樹、聚類分析、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(support vector machine,SVM)等機(jī)器學(xué)習(xí)方法為智能故障診斷開辟了新途徑.基于機(jī)器學(xué)習(xí)的故障診斷方法的主要步驟如圖7 所示.

圖7 基于機(jī)器學(xué)習(xí)的診斷方法主要步驟Fig.7 Procedures of the machine learning based diagnosis method

事實(shí)上,傳統(tǒng)機(jī)器學(xué)習(xí)和近年來備受關(guān)注的深度學(xué)習(xí)的診斷思路基本相同,主要區(qū)別在特征提取方式和對數(shù)據(jù)、硬件的依賴性.在基于傳統(tǒng)機(jī)器學(xué)習(xí)方法開展軸箱軸承故障診斷方面,Li 等[114]提出了一種基于BP 神經(jīng)網(wǎng)絡(luò)的多特征模式識別方法,時(shí)域指標(biāo)考慮了峭度、歪度、峰值指標(biāo)、脈沖指標(biāo)和波形指標(biāo),頻域指標(biāo)考慮了內(nèi)、外圈故障特征頻率在包絡(luò)譜中的幅值比,時(shí)頻域指標(biāo)考慮了基于EMD 得到的能量矩.李永鍵等[115]以改進(jìn)的多尺度排列熵刻畫軸箱軸承的振動信號在不同時(shí)間尺度下的特征,將一種基于遺傳算法優(yōu)化的SVM 分類器用于軸箱軸承的健康狀態(tài)識別.Li 等[116]提出一種基于改進(jìn)形態(tài)譜的軸箱軸承故障特征提取方法,并基于最小二乘支持向量機(jī)(least square support vector machine,LSSVM)進(jìn)行了不同故障的分類.Wang等[117]提出一種結(jié)合頻域能量重構(gòu)和復(fù)合多尺度排列熵的特征提取方法,并應(yīng)用基于Medium Gaussian 核函數(shù)的SVM 分類器實(shí)現(xiàn)了高速列車軸箱軸承的多故障分類.此外,Zhao 等[118]考慮了列車運(yùn)行速度、載荷等影響,提出一種基于決策樹的軸箱軸承故障識別方法.付云驍?shù)萚119]針對非平穩(wěn)工況下軸箱軸承的健康狀態(tài)識別問題,提出一種基于快速集成經(jīng)驗(yàn)?zāi)B(tài)分析和主成分分析(principal component analysis,PCA)的列車軸承在途智能診斷和故障特征可視化方法.張春等[120]將采集的軸箱軸承溫度數(shù)據(jù)利用PCA 降維,并提出一種基于決策樹的SVM 多分量算法用于基于軸溫的健康狀態(tài)評估.劉小峰等[121]基于K-SVD 稀疏分解算法構(gòu)造了稀疏分類器,并通過證據(jù)理論融合有效地提高了故障模式識別精度.

上述方法通常將軸箱軸承的健康狀態(tài)按照正常、內(nèi)圈故障、外圈故障、滾子故障等區(qū)分.然而,在工程現(xiàn)場往往只需判斷軸承是否處于健康狀態(tài)即可滿足需求.為此,劉志亮等[122-123]基于支持矢量數(shù)據(jù)描述提出了一種從域的角度描述軸箱軸承安全狀態(tài)的模型,結(jié)合基于核空間距離熵的懲罰參數(shù)選擇方法用于有效判別其運(yùn)行狀態(tài)是否在正常區(qū)域內(nèi).趙聰聰?shù)萚124]提出了一種無需先驗(yàn)知識的利用物元和陰性選擇算法的軸箱軸承異常檢測方法.

3.3 基于深度學(xué)習(xí)的方法

基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法在特征提取環(huán)節(jié)需要人工干預(yù),對信號處理技術(shù)和診斷經(jīng)驗(yàn)皆具有很大依賴,繁瑣復(fù)雜的故障特征提取過程大大增加了算法的復(fù)雜度,并且很難直接提取到理想的高度非線性特征.此外,特征提取與分類器模型的設(shè)計(jì)相互獨(dú)立,一定程度上限制了故障識別精度.2006 年,Hinton[125]在Science上提出了一個(gè)可以實(shí)現(xiàn)逐層特征學(xué)習(xí)的深度信念網(wǎng)絡(luò)模型開啟了深度學(xué)習(xí)的浪潮,為解決上述問題提供了新的思路.他的研究表明含有多個(gè)隱藏層的人工神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)的淺層模型具有更強(qiáng)的特征學(xué)習(xí)能力和泛化性能,并給出了基于逐層訓(xùn)練和微調(diào)的深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法.

基于上述思想,Shao 等[126]提出了一種深度堆棧小波自編碼網(wǎng)絡(luò)用于軸箱軸承的故障診斷.該方法摒棄了復(fù)雜的人工特征提取過程,直接以采集到的原始振動信號為模型輸入,通過深層網(wǎng)絡(luò)結(jié)構(gòu)的逐層映射從原始數(shù)據(jù)中實(shí)現(xiàn)抽象化深度特征學(xué)習(xí).Kou 等[127]提出了一種包含多個(gè)卷積層、池化層和全連接層的卷積神經(jīng)網(wǎng)絡(luò)模型,以同步采集的多個(gè)部位的加速度傳感器振動信號為輸入,通過多個(gè)卷積核自動提取特征,實(shí)現(xiàn)了機(jī)車走行部“端對端”的故障識別.Wang 等[128]為了進(jìn)一步提高卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力,將細(xì)粒度識別中的注意力機(jī)制引入卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì),以提高網(wǎng)絡(luò)對相同注意力下故障相關(guān)判別性特征的提取能力并降低不同注意力下無關(guān)特征的影響.為了解決直接增加網(wǎng)絡(luò)層數(shù)帶來的模型退化問題,Peng 等[129]在淺層卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建了深層殘差網(wǎng)絡(luò)以實(shí)現(xiàn)更加復(fù)雜的特征模式提取,在高速列車軸箱軸承故障識別中得到了更好的分類結(jié)果.Luo 等[130]針對深層神經(jīng)網(wǎng)絡(luò)的過擬合問題,提出了一種基于淺層特征和深層特征融合的多尺度卷積神經(jīng)網(wǎng)絡(luò)用于高速列車軸箱軸承的智能診斷.為了進(jìn)一步提高深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力,Wang 等[131]將強(qiáng)化學(xué)習(xí)引入到深度學(xué)習(xí),在基于卷積神經(jīng)網(wǎng)絡(luò)深度特征提取的基礎(chǔ)上,增加了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的控制模塊,以最大化網(wǎng)絡(luò)的判別精度為強(qiáng)化學(xué)習(xí)目標(biāo),通過不斷修正模型參數(shù)進(jìn)一步增強(qiáng)模型的非線性逼近能力和泛化性能.Zhang 等[132]提出一種生成對抗網(wǎng)絡(luò)模型用于軸箱軸承的故障診斷,通過兩個(gè)獨(dú)立設(shè)計(jì)的生成模型和對抗模型的交替迭代訓(xùn)練,實(shí)現(xiàn)它們之間的互相博弈學(xué)習(xí)來逐步提高模型對噪聲的免疫能力和判別能力.大型的深度神經(jīng)網(wǎng)絡(luò)雖然性能優(yōu)秀,但對硬件系統(tǒng)的計(jì)算速度和存儲容量要求較高,不適合車載系統(tǒng)的應(yīng)用.有鑒于此,鄧飛躍等[133]提出了一種輕量級神經(jīng)網(wǎng)絡(luò)ShuffleNet 用于高速列車軸箱軸承的故障診斷,通過運(yùn)用分組卷積與深度可分離卷積計(jì)算,極大改善了傳統(tǒng)卷積操作的運(yùn)算效率.

上述多種深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練都需要以充足的、有標(biāo)記的監(jiān)測數(shù)據(jù)為輸入,而在工程實(shí)際中,特別是軌道交通領(lǐng)域,故障類型豐富、健康標(biāo)記完善的現(xiàn)場數(shù)據(jù)往往很難批量獲取.數(shù)據(jù)的稀缺將嚴(yán)重影響深度神經(jīng)網(wǎng)絡(luò)模型的識別精度從而大大制約其工程應(yīng)用.針對上述問題,雷亞國等[134]提出了一種基于遷移學(xué)習(xí)的軸箱軸承故障診斷方法,通過構(gòu)建領(lǐng)域共享的深度殘差網(wǎng)絡(luò)并在模型訓(xùn)練中增加領(lǐng)域適配的正則項(xiàng)約束,實(shí)現(xiàn)了實(shí)驗(yàn)室數(shù)據(jù)向軸箱軸承數(shù)據(jù)的遷移學(xué)習(xí).Bai 等[135]提出了譜馬爾科夫狀態(tài)轉(zhuǎn)移概率矩陣算法,通過利用頻譜進(jìn)行矩陣變換將一維數(shù)據(jù)轉(zhuǎn)換為卷積神經(jīng)網(wǎng)絡(luò)的二維輸入,并基于遷移學(xué)習(xí)方法實(shí)現(xiàn)了軸箱軸承和踏面復(fù)合故障的診斷.

3.4 小結(jié)

無論是基于信號處理的方法還是基于機(jī)器學(xué)習(xí)的方法在軸箱軸承故障診斷領(lǐng)域都取得了豐富的研究成果.

(1)現(xiàn)有的信號處理方法都具有提取軸承故障特征的能力,但其有效性嚴(yán)重依賴各種參數(shù)選擇和診斷經(jīng)驗(yàn),并且在設(shè)計(jì)算法時(shí)少有考慮軌道不平順、車輪不圓、車輪扁疤等輪軌激勵(lì)的影響,而這些因素可能直接導(dǎo)致診斷算法的失效.

(2)對于高速列車這類高端裝備而言,積累足夠帶有故障標(biāo)注的數(shù)據(jù)基本上是很難實(shí)現(xiàn)的.因此,基于仿真模型或臺架實(shí)驗(yàn)的遷移學(xué)習(xí)有望為解決軸箱軸承的智能診斷提供新的出路.

此外,受條件所限,目前針對軸箱軸承的故障診斷研究大多針對信噪比較高的室內(nèi)實(shí)驗(yàn)信號開展,且在研究的深度和廣度方面仍有一定欠缺.

(1)當(dāng)前的故障診斷方法大多針對平穩(wěn)工況開展,而高速列車在運(yùn)行過程中會頻繁加速、制動.因此,針對變轉(zhuǎn)速工況下的軸箱軸承診斷方法研究需要進(jìn)一步得到關(guān)注.

(2)深度學(xué)習(xí)在軸箱軸承故障診斷中表現(xiàn)出了一定優(yōu)勢,但在網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)特別是模型的超參數(shù)選擇方面缺乏相應(yīng)的理論指導(dǎo).因此,如何設(shè)計(jì)診斷精度高、泛化能力強(qiáng)、運(yùn)算速度快的深度神經(jīng)網(wǎng)絡(luò)也是一個(gè)具有挑戰(zhàn)的研究方向.

(3)目前,在軸箱軸承的使用性能退化評估和剩余壽命預(yù)測等定量診斷方面的研究還處于起步階段,在公開的文獻(xiàn)中鮮有報(bào)道,亟待進(jìn)一步發(fā)展.

4 總結(jié)和展望

軸箱軸承是高速列車走行部的關(guān)鍵部件,研究其健康監(jiān)測與故障診斷對于保障列車的行車安全、提高運(yùn)用質(zhì)量、指導(dǎo)運(yùn)用維護(hù)具有重要的意義.近年來,國內(nèi)外學(xué)者在機(jī)理分析、信號感知、特征提取、診斷決策等方面均取得了豐碩的研究成果,呈現(xiàn)出“百花齊放,百家爭鳴”的大好勢頭.但由于高速列車系統(tǒng)龐大、運(yùn)行環(huán)境復(fù)雜,而現(xiàn)有的維修檢測、軌邊和車載監(jiān)測系統(tǒng)和方法還無法滿足診斷、預(yù)測的準(zhǔn)確性與實(shí)時(shí)性,仍存在一些研究難點(diǎn)和技術(shù)瓶頸有待突破.

(1)現(xiàn)有的故障機(jī)理研究與診斷方法研究存在一定的脫節(jié),難以有效地建立復(fù)雜運(yùn)用環(huán)境下軸箱軸承的外在響應(yīng)與內(nèi)部故障的映射關(guān)系,從而導(dǎo)致在早期故障、復(fù)合故障等方面的診斷能力不足.在故障萌生和動態(tài)演化機(jī)理方面的研究進(jìn)展緩慢,導(dǎo)致在使用性能評估、剩余使用壽命預(yù)測、可靠性分析等方面的基礎(chǔ)性理論支撐不足.針對軸箱軸承,能否在軸承-列車耦合動力學(xué)模型的基礎(chǔ)上,發(fā)展機(jī)理模型驅(qū)動和監(jiān)測數(shù)據(jù)驅(qū)動相結(jié)合的方法,用于軸箱軸承的全壽命周期的健康管理,實(shí)現(xiàn)設(shè)計(jì)、制造、運(yùn)用、診斷、維護(hù)之間的迭代優(yōu)化,解決我國以高速列車軸箱軸承為代表高端軸承“卡脖子”問題還需要得到更廣泛的關(guān)注.

(2)按照當(dāng)前廣泛應(yīng)用的傳感技術(shù),基于溫度的車載系統(tǒng)誤報(bào)、漏報(bào)率高且對早期故障不敏感,基于聲學(xué)的軌邊監(jiān)測系統(tǒng)無法對軸箱軸承進(jìn)行持續(xù)的狀態(tài)監(jiān)測,基于振動的方法最多、最受關(guān)注,但在高速列車上還未大規(guī)模應(yīng)用.單一的診斷系統(tǒng)或方法可靠性較低,且需要大量的先驗(yàn)知識.在工業(yè)大數(shù)據(jù)的背景下,需要進(jìn)一步發(fā)展基于多源信息融合、多診斷系統(tǒng)融合、車地聯(lián)動的智能化、網(wǎng)絡(luò)化、一體化健康監(jiān)測與故障診斷系統(tǒng),最大限度地提高診斷結(jié)果的可靠性與實(shí)時(shí)性,滿足高速列車動態(tài)化、系統(tǒng)化的安全保障需求.

(3)大部分的診斷方法距離工程應(yīng)用還有一定差距,一是體現(xiàn)在所建立的模型和驗(yàn)證方法的數(shù)據(jù)過于理想化,導(dǎo)致對工程中出現(xiàn)的一些問題束手無策.二是研究單一故障的較多,研究復(fù)合故障的較少,而高速列車走行部結(jié)構(gòu)復(fù)雜,各部件之間的動態(tài)作用明顯,踏面磨損、軸承剝落、減振器失效等故障往往同時(shí)出現(xiàn)或級聯(lián)出現(xiàn),如何從相互耦合的多故障模式中分離出所有的故障特征具有一定的挑戰(zhàn).三是體現(xiàn)在研究定性診斷的較多,研究定量診斷的較少,而定性診斷只是定量診斷的前提和基礎(chǔ),只有準(zhǔn)備地判斷出故障程度、預(yù)測其發(fā)展趨勢才能更好地指導(dǎo)軸箱軸承的健康管理.