曾琦
摘 要:在地铁车辆中,转向架是其重要的组成部分,直接关系到地铁车辆的安全运行。因此需要时时对地铁车辆的转向架进行故障检修和诊断,维持地铁车辆转向架的安全运作。随着科学技术的发展,现阶段出现了多种地铁车辆转向架的故障诊断技术,实现了在线智能地铁转向架的故障诊断。本文主要从收集振动信号的小波包包络分析技术和智能识别方法入手进行分析,讨论了现阶段最常用的地铁车辆转向架故障诊断技术,论述了其技术的诊断方法、优点和缺陷,旨在为今后地铁车辆转向架新故障诊断技术的开发贡献力量。
关键词:地铁车辆;转向架;故障诊断
0 引言
随着我国社会经济的快速发展,城建建设的速度也在不断加快。越来越多的人们开始涌入城市,给城市带来巨大的居住压力,使得城市交通变得更加拥堵。为了缓解现阶段城市拥堵的交通现状,需要在城市中实施地铁车辆的建设工作,地铁交通运输量大、运输速度快,相较于其他交通方式更加安全可靠。维持地铁安全运行的因素多种多样,其中地铁车辆的转向架就做出了自己的贡献。地铁车辆的平衡性和安全性直接受到地铁转向架的影响,由于地铁转向架常年处在恶劣的工作环境中,承受的压力十分巨大,极容易出现故障甚至损坏,如果不能及时检测出地铁车辆转向架的故障原因和位置,及時对其进行更换和处理,就会造成严重的地铁事故。因此,需要采用高新的地铁车辆转向架故障诊断技术,对其实施实时在线的故障诊断,从而保障地铁车辆的安全运行。
1 小波包包络分析技术
在地铁车辆转向架的故障诊断技术中,对故障对象特征的提取是故障诊断的关键。这些特征必须具有代表性和典型性,能够表示故障设备的具体状态。而小波包包络分析技术作为傅里叶分析思想的延续,能够对非线性领域提供较大的帮助。这种分析技术最大的特点就是具有良好的时频局部化特征,能够有效地消除信号当中的噪声并提取已经较为微弱的信号。在地铁车辆转向架故障检修诊断过程中,需要关注地铁车辆转向架出现故障而导致的不正常信号,小波变换能够有效地将时域信号展开,叠加小波函数足的线性内容,从而达到诊断地铁车辆转向架故障原因的目的。
由图1的典型结构图我们可以得出:
内圈旋转角速度设置为wr=2πfr,那么wa=2πfa就是外圈旋转角的速度。由此也可以得出公转角速度为wc=2πfc,自转角速度为ws=2πfs。得出了转向架内外圈旋转的速度之后,可以算出:
由上式得出:
最后将角速度转化为园频率的形式,得出式子:
2 智能故障识别方法
传统的地铁车辆转向架故障识别技术还包括人们观察频谱图当中的故障谱缝来判断地铁车辆是否出现了相应的故障。近年来,随着科学技术的发展,人工神经网路和非线性混沌与分形理论的出现使得智能故障识别方法被运用在了地铁车辆转向架的故障识别当中。这种故障诊断方法不但能够达到无人的智能化诊断,并且在不断的诊断识别当中还能自我学习、自我适应。但这种故障识别技术需要大量的故障样本打底,并且事前需要用人工对网络进行训练,加上这种智能故障识别方法需求的环境较高,诊断率相对不够精准,在工程当中也应用较少。
这种智能故障识别方法首先要对频谱有一个充分的认知,要了解和分析频谱当中的谱峰。从一般意义上来说,谱峰就是频谱当中峰值的最大值。假如某个地铁车辆的转向架故障频率在90Hz左右,那么计算机能搜索到的最大值就是故障的特征峰频,为了避免出现诊断失误,在进行计算机的搜索工作时,要确定谱峰大于频带当中其他的数值。在完成了对谱峰的信息收集之后需要对故障特征频率来搜索频带设定。设定的搜索频带不能太宽,如果出现两种或两种以上的故障原因,而最大值只取一个,势必会漏掉一个谱峰。这个漏掉的谱峰可能会在接下来的搜索当中成为第二个最大值,如果两个谱峰的值相比要小于设定的临界值,那么计算机就不能识别任何一个谱峰,因此设定的搜索频带宽度一定要符合检索要求,这样才能满足对地铁车辆转向架的故障诊断要求。
3 结论
地铁车辆的转向架是地铁车辆中相当重要的组成部分,一旦出现故障就必须立即更换,否则就会影响到地铁车辆的安全运行。为了实现对地铁车辆的在线监管和故障诊断,保障地铁车辆运行的可靠性,需要对其实施故障诊断技术,检测出其中容易出现故障的区域,将故障的原因分析出来并且进行及时的处理和更换。本文论述了现阶段最常使用的两种故障诊断技术,从数据模型和频谱分析当中阐述了如何完成对地铁车辆转向架的故障诊断工作。这两种诊断技术只需要前期做好数据灌输和样本输入工作就可以在实际的故障诊断过程中完全脱离工作人员的参与和操作,实现智能化、自动化的转向架故障诊断,从而更好地为地铁车辆转向架故障诊断贡献力量。
参考文献
[1]许帅帅.地铁车辆故障信息统计分析及检修策略优化[D].西南交通大学,2013(06):24-26
[2]刘建强,赵治博,章国平,王广明,孟双,任刚.地铁车辆转向架轴承故障诊断方法研究[J].铁道学报,2015(01):30-36.