宋冬利， 董俭雄， 郑则君， 江炘坤
（西南交通大学牵引动力国家重点实验室，成都 610031）
轴箱轴承是轨道车辆转向架的关键部件，起承载和传动的作用，日益增长的行车速度和运行里程意味着轴箱轴承在运行中面临着更复杂的影响。根据相关数据统计，轨道车辆轴箱轴承故障约占转向架轴承（包括轴箱轴承、电机轴承和齿轮箱轴承）故障总数的一半，因此有必要开展对轴箱轴承的健康监测工作［1］。
基于上述现状，本文研究并利用自相关函数对随机噪声的抑制特性和局域均值分解（Local Mean Decomposition，LMD）的自适应分解能力提出了轴箱轴承故障诊断方法，进一步搭建了轨道车辆轴箱轴承实际服役工况实验平台。通过实验及数据分析验证其方法的有效性和优越性。
1.1 自相关降噪
在信号分析处理领域内，常应用相关函数来寻找同一序列在不同时刻间的内在联系。自相关函数通过在不同时间节点对同一序列进行观测来寻找隐藏在混沌信号中的周期性信息，被广泛应用于机械设备旋转件故障诊断中［13-15］。
自相关函数表达式［13］：
式中：x（t）为原始信号；
τ 为时延步长；
T 为信号周期，Rx（τ）为原始信号的自相关函数。
自相关函数具有的特性：①偶函数，关于y 轴对称，因此对自相关函数通常取其正半轴分析即可；
②在τ ＝0 时自相关函数取得最大值；
③周期信号的自相关函数不改变原周期特性；
④对随机信号，当τ趋近于无穷大时，其自相关函数值趋近于0。利用自相关函数的上述特性可得：当τ ＝0 时，信号中的高斯噪声成分自相关函数取得最大值；
当τ→∞时，由于自相关函数无偏估计存在误差，其函数值也比较大。因此，求得原信号的自相关序列后，剔除τ ＝0 和趋近于τ→∞这两部分自相关数据，可有效降低原始故障轴承振动信号中随机噪声的影响［13］。
1.2 LMD分解
局域均值分解可自适应地将非平稳随机信号分解为多个纯调幅调频信号分量，相比于经验模态分解（Empirical Mode Decomposition，EMD）可更有效避免模态混叠现象的出现，完整步骤见文献［16］。
1.3 轴箱轴承故障诊断流程
原始轴承故障信号经LMD 分解后变为由高频到低频的各阶调幅调频分量。为筛选有效分量重构信号以提高信噪比，引入能量比（Energy Ratio，ER）的概念。当轴箱轴承某零部件表面存在局部缺陷时，滚动体经过该处会引发轴承系统共振，其振动信号的能量在共振频带较为集中，则包含较多故障信息的调幅调频分量的频带会与共振频带部分重叠，该分量在所有分量总能量中的占比也就越大，第i 阶分量的能量比计算如下：
式中：PFi为第i 阶调幅调频分量；
ERi为其对应能量比。
从水的动荡程度和生物生长环境来看，鲕粒形成的环境应为潮间带到潮下带[17]。从鲕粒近圆状的形态判断，其沉积环境的稳定程度较高。但是生物成因的鲕层并没有一直延续下去，富藻层越来越薄，以至于难以分辨，导致微生物消亡的具体环境因素的变化有待研究。
本文利用自相关函数对随机噪声的抑制特性和局域均值分解的自适应分解能力以及所构建的能量比指标，提出了轴箱轴承故障诊断方法，方法流程见图1。
图1 轨道车辆轴箱轴承故障诊断流程
具体步骤如下：
步骤1载入原始振动信号x（t），对其进行自相关降噪得到序列。
步骤2对降噪后的序列进行LMD 分解获得n个调幅调频分量。
步骤3计算各阶调幅调频分量的能量比ERi以及所有分量的能量比均值ERm。保留ERi＞ERm的PF分量进行信号重构，增强信噪比。
步骤4对重构信号进行希尔伯特包络解调分析，与理论特征频对比进行故障辨识。
为更好地验证所提故障诊断方法的有效性，考虑轨道车辆轴箱轴承实际服役工况搭建了实验台。实验台主要由驱动电机、主轴、万向联轴器、龙门架、支撑轴承及被试轴承组成。图2 所示为实验台的结构：支撑轴承的轴承座用于支撑主轴和被试轴承的重量；
支撑平台充当整个试验台的底座；
主轴被设置为阶梯轴用以限制支撑轴承与被试轴承的轴向移动；
龙门架用于固定被试轴承的轴承端盖，限制被试轴承的绕轴转动；
激振台用以模拟轨道不平顺激励；
径向载荷以螺纹预紧力的方式施加到被试轴承上以模拟垂向负荷；
主轴与驱动电机以万向传动轴的方式连接以模拟列车轴运转；
振动加速度传感器以磁吸的方式粘贴在轴承端盖。
图2 轨道车辆轴箱轴承实验台结构
实验前，通过调节转速、激振频率、载荷来采集不同工况下的轴箱轴承振动数据，实验台实物图如图3所示。
图3 轨道车辆轴箱轴承实验台实物图
实验对象为某型轨道车辆双列圆锥滚子轴承，通过打磨设备自制外圈、滚动体等故障，如图4 所示。
图4 被试轴箱轴承结构及常见故障
该型轴箱轴承的尺寸：轴承节径为φ185 mm；
单列滚动体数目为17；
滚动体直径为φ27 mm；
接触角为0°。
本文使用搭建的实验台采集外圈故障、滚动体故障振动信号进行分析验证所构建轴箱轴承故障诊断方法的有效性和优越性，实验数据工况设定故障位置在外圈和滚动体时的转速分别为：500 和1 100 r／min；
采样频率均为25.6 kHz；
理论特征频率分别为61 和62 Hz。
3.1 外圈故障分析
在上述工况条件下，连续对51 200 个数据点进行分析，图5 所示为其时域图，对时域信号进行傅里叶变换可得到其频域图，图6 所示为变换后的结果。由图5 和6 可知，在环境噪声和其他随机干扰成分的影响下，无法寻找到周期性脉冲信息或者故障特征频率。
图5 外圈故障信号时域图
图6 外圈故障信号频域图
按图1 所示流程，对原始振动信号进行自相关降噪，首先求其自相关序列，如图7 所示；
剔除τ ＝0 和τ→∞部分自相关数据后进行LMD分解，为筛选有效分量重构信号，求各阶分量的能量比，如图8 所示。
图7 外圈故障信号自相关函数图
图8 第1次降噪后信号各阶PF分量能量比
由图8 所示实验结果，保留能量比值大于均值的PF1、PF2 重构信号，重构信号包络谱如图9（a）所示。同时，分别与未经降噪处理的原信号直接求包络谱、EMD方法包络谱进行对比分析，如图9（b）和（c）所示。
图9 不同方法第1次降噪效果对比
由图9（a）可知，经自相关-LMD 方法降噪处理后的包络谱中可清晰看到：轴承故障特征频基频及2 倍频、3 倍频，环境噪声和其他调制成分的影响得到了有效抑制；
由图9（b）可知，对原信号直接求包络谱无法观测到故障特征频，说明了所提方法的有效性；
由图9（c）可知，故障特征频所在谱线受其他干扰成分影响较大，倍频特性不如图9（a）明显，说明本文所提出的自相关-LMD降噪方法求解效果更为显著，体现了所构建方法的优越性。
3.2 滚动体故障分析
在前述设定的工况条件下，对连续51 200 个数据点进行分析，其时域信号如图10 所示。对时域信号进行傅里叶变换，其频域图如图11 所示。与外圈故障信号类似，由于环境噪声和其他调制成分的影响，其时频域图中均无法清晰观测到故障脉冲成分。
图10 滚动体故障信号时域图
图11 滚动体故障信号频域图
对原滚动体故障振动信号进行自相关降噪后，图12 所示为其自相关序列。剔除τ ＝0 和τ→∞自相关数据后再对其进行LMD分解，分解后各PF 分量能量占比如图13 所示。
图12 滚动体故障信号自相关函数图
图13 第2次降噪后信号各阶PF分量能量比
根据图13 所示结果筛选PF1、PF2 分量重构信号，再对重构信号进行希尔伯特包络解调分析，其结果如图14（a）所示。原始故障特征频及其2、3、4 倍频谱线清晰可见，分别与对原信号直接求包络谱、EMD 方法包络谱进行对比分析。由图14（b）和（c）可知，虽可见到倍频成分，但受其他调制成分影响较大，不如图14（a）清晰，本文所提自相关-LMD 方法的求解效果更为显著。
图14 不同方法第2次降噪效果对比
本文研究并构建了轴箱轴承故障诊断方法，同时搭建了轨道车辆轴箱轴承实验台，实验验证结果表明：①基于自相关降噪-LMD 的轴箱轴承故障诊断方法可有效降低轴箱轴承中环境噪声及其他干扰成分的影响，提取故障特征频率成分，实现故障模式识别；
②相较于经验模态分解方法，本文所提出的基于自相关降噪-LMD的故障诊断方法可提取到3 倍频以上故障特征频率成分，求解效果更为显著，具有一定优越性。该实验平台也用于本科实验教学中，让学生了解轴箱轴承的运行环境，培养学生动手实践、提炼科学问题、解决科学问题等多方面能力。随着实验台功能的不断完善，将会对高速列车转向架轴承状态监测教学中提供更大的帮助。
