基于空-频域联合滤波的列车轴承轨旁声学诊断

张彦喆,胡定玉,2,师 蔚,2,廖爱华,2

(1.上海工程技术大学 城市轨道交通学院,上海 201620;2.上海市轨道交通振动与噪声控制技术工程研究中心,上海 201620)

轨道列车轴箱轴承是列车转向架的重要零部件,对其运行状态进行在线监控和故障检测能够有效避免因轴承故障导致的列车事故,在保证列车运行的安全性、稳定性方面具有重要意义[1-2]。在现有列车轴箱轴承在线监测技术中,轴承轨旁声学诊断方法是一种能够发现轴承早期故障的非接触式诊断方法[3-4],通过一套设备可对通过列车各轴箱轴承进行检测。该方法具有故障发现早、诊断准确度高、系统成本低以及运行效率高等优点,在列车轴承在线监测领域年拥有独特优势[5-8]。

在实际轨旁环境中,列车运行带来的复杂声场以及多普勒效应是轨旁声学诊断面临的主要问题[9-10]。文献[11]使用基于恒定束宽波束形成的谱峭度波束形成方法,在强背景噪声下成功提取滚动轴承故障特征。文献[12]提出小波域移动波束形成方法,在小波域去除信号多普勒效应并增强轴承信号。文献[13]提出一种基于阵列小波旁瓣相消器的故障特征提取方法,相较于传统延时求和波束形成器具有更好的降噪和故障特征增强效果。文献[14]建立基于一维宽卷积核卷积神经网络和双向长短记忆神经网络的轴承故障诊断模型,在不同信噪比噪声干扰下实现了轴承故障诊断。文献[15]提出了基于运动学模型分析的时域插值重采样方法,在时域中对多普勒畸变进行校正。文献[16]针对传统诊断方法在跨转速域工况下精度低的问题,提出了基于Teager能量算子和卷积神经网络的轴承声学诊断方法。

现有研究多集中在多普勒效应去除、空间滤波器优化等方面,忽视了轨旁环境中存在大量冲击性噪声与循环平稳性噪声的问题,例如轮轨之间的冲击噪声、列车走行部大量旋转机械运行时的循环平稳噪声[17]。在现有方法中,轴承故障信号被认为是声信号中主要的冲击性以及循环平稳性成分,导致强噪声在现有方法下难以抑制和滤除,淹没了轴承故障信号。因此,为了在强冲击性以及强循环平稳性噪声的干扰下提取轴承故障特征,本文提出一种将波束形成和目标频带选择相结合的列车轴箱轴承轨旁声学诊断方法。该方法通过延时求和波束形成提取目标轴承方向信号,采用ICS2gram[18]选取最优解调频带去除冲击性以及循环平稳性噪声干扰,使用包络分析对轴承进行诊断。

1 轨旁声学诊断模型与流程

1.1 轨旁声学诊断模型

声学诊断模型如图1所示,列车以速度VS自左向右匀速运动,阵列与轨道平行并垂直于地面放置。以阵列左上角一号传声器为例,被测轴箱轴承与该传声器间水平距离为S,阵列与轨道间距离为P,传声器与被测轴承间直线距离为R,传声器与轴箱轴承的连线与轨道间角度为θ。在进行轨旁轴承声信号采集时,以阵列中心为中点,左右固定长度范围内为信号采集区间。

图1 轨旁声学轴承诊断模型Figure 1. Trackside acoustic bearing diagnosis model

1.2 轨旁声学诊断流程

1.2.1 现有轨旁声学诊断流程

现有轨旁声学诊断方法流程如图2所示,先去除阵列声信号多普勒畸变得到阵列校正声信号,再从中提取被测轴承信号,通过包络分析完成轴承诊断。

图2 轨旁声学诊断流程Figure 2. Trackside acoustic bearing diagnosis flow

1.2.2 阵列信号畸变校正

被测轴承与传声器阵列间的相对运动导致所采集阵列声信号存在多普勒畸变。时域插值重采样方法[15]是一种常用矫正方法,可在时域中对频率偏移和幅值进行校正。

设轴承于时刻tr发出声信号,则传声器收到声信号的时刻为tp,tr与tp间关系为

(1)

式中,c为声速。将信号发射时间离散序列{tr}={0,1/fs,2/fs,…,(N-1)/fs}代入式(1)即可得到信号时间插值序列,fs代表重采样频率,N代表信号长度。

轴箱轴承运行声信号幅值校正计算式为

(2)

式中,x为传声器采集得到畸变轴承声信号;xp为经过幅值校正以后的信号离散序列;M=Vs/c;P为传声器阵列与轴承间距离。利用插值拟合时间序列中得到的{tp(i)},对幅值还原处理得到的xp进行插值拟合重采样,进而得到多普勒畸变校正信号。分别对各通道畸变信号进行校正后得到阵列校正声信号xm,校正后信号可视为阵列对位置固定的运行轴承进行采集所得到的。

1.2.3 传声器阵列声信号提取

时域延时求和[19]是阵列声信号提取的常用方法。首先根据各传声器与对被测轴承间距对声信号补偿对应的时延,然后时域相加并求平均,使来自目标方向的信号相互叠加,而非目标方向的干扰噪声相抵消,以此提取目标方向信号[16]。

设xn(t)为阵列校正声信号,则时域延时求和波束形成的输出可表示为

(3)

式中,M为阵元个数;Δm为阵列第m个传声器与参考传声器之间的信号传播延迟时间。

1.2.4 最优频带选择

在使用包络分析进行轨旁声学轴承诊断时,由于信号中包含的复杂强噪声使全频带包络难以完成诊断,因此通常在包络分析时在信号中选取信噪比最高的频带进行诊断。快速峭度图(Fast Kurtogram)[20]是使用较广泛的最优频带选择方法。在故障轴承运行时产生的冲击使轴承故障信号具有冲击性特征,在没有冲击噪声干扰时,频带包含的轴承故障信号成分与其峭度正相关。

(4)

通过式(4)计算出所有子频带谱峭度,即可选出峭度最高的最优解调频带。

2 改进的声学诊断方法

上述方法中的轴承故障信号多被认为是声信号中的主要冲击性及循环平稳性成分,因此忽视了轨旁环境中大量冲击性噪声与循环平稳性噪声的影响。这些噪声导致使用现有方法难以正确定位轴承故障最优解调频带,从而导致诊断失败。因此,在提取轴承故障信号时,选择一种不受冲击性噪声与循环平稳性噪声干扰的频带方法较为必要。

2.1 目标频带选择

轴承故障信号具有冲击性与循环平稳性的特点,本文针对这两种特点提出了相应的频带选择方法。与难以辨识成分来源的冲击性方法不同,在使用循环平稳性特征进行信号提取时,不同循环平稳成分具有不同循环频率,而被测轴承的故障特征频率是先验已知的数据,将其应用在频带选择中将有利于精确定位平方包络谱中的轴承故障相关的循环平稳成分,从而排除无关噪声的干扰。这一类方法被称为目标频带选择方法[17],其中典型的方法为ICS2gram[18]。

故障轴承信号被视为二阶循环平稳信号,其平方包络谱(Square Envelope Spectrum,SES)可以显示出轴承故障特征频率及谐波

(5)

通过在平方包络谱中提取轴承故障特征频率及其谐波频率处的归一化峰值建立循环平稳性评价指标ICS2

(6)

式中,Ah,h=1,2,3,…代表轴承故障特征频率及其谐波;k和b为子带下限和上限截止频率。ICS2仅计算平方包络谱中轴承故障特征频率处的峰值从而排除了平方包络谱中其他无关成分的干扰。

上述ICS2gram流程具体为:通过1/3二叉树结构滤波器组得到各层子带后,使用ICS2评价各子带轴承故障相关的循环平稳成分强度,并将结果绘制为ICS2gram,选取出最优解调频带。

2.2 诊断方法流程

图3为本文提出的一种延时求和波束形成和ICS2gram结合的轨旁声学轴承诊断方法流程,具体步骤如下:

图3 本文所提诊断方法流程Figure 3. Flow of the proposed diagnostic method

步骤1使用时域插值重采样方法去除阵列声信号多畸变;

步骤2使用延时求和波束形成空间滤波器,在校正后信号中提取来自目标轴承方向声信号;

步骤3利用ICS2gram方法选取最优解调频带,确定最优共振频带的中心频率和频带范围,对目标轴承方向阵列声信号带通滤波;

步骤4对经过频空域滤波后的信号进行包络解调以获取调制后的低频信号;

步骤5对包络解调结果进行谱分析提取故障特征,完成轴承轨旁声学故障诊断。

3 实验研究

3.1 实验设置

实验台如图4(a)所示,转向架模型通过电机驱动进行匀速运动,各轮对均通过圆柱滚子轴承进行安装,且轮对与轨道均仿照真实情况设计。设置故障轴承于左侧橘色轴箱处,转向架模型运行速度为1.1 m·s-1。阵列传声器采样频率设为51.2 kHz,采样时长为1 s,对应采样点数为51 200。传声器阵列为均匀线性阵列,阵元数为20,阵元间距为0.025 m,与目标轴承位于同一水平面,距离目标轴承1.5 m。

(a) (b)

轴承故障诊断实验选用滚动轴承的型号为NSK N212,如图4(b)所示,故障点为外圈加工缺陷。故障滚动轴承的参数如表1所示,轴承外圈故障特征频率fi为13 Hz。

表1 NSK N212轴承参数

3.2 实验数据加噪

实验所得单传声器时域声信号如图5(a)所示,在实验环境中虽有一定的轮轨噪声以及通过轨道接缝时的冲击性噪声,但相比真实轨旁声场成分单一,缺少例如轮轨噪声、气动噪声等复杂强噪声,所以通过后期加噪的方式对轨旁噪声进行还原。

(a) (b)

考虑真实轨旁强噪声组成,为原始声信号增加高斯白噪声以及循环平稳冲击噪声。所加高斯白噪声与原始声信号功率比为10 dB,使用故障轴承仿真信号作为循环平稳冲击噪声如下所示。

(7)

本文仿真轴承故障特征频率T为100 Hz,轴承旋转频率fr为30 Hz,固有频率ωn为8 000 Hz,阻尼比ζ为0.08。所生成循环平稳冲击噪声时域波形如图5(b)所示。加噪后信号如图5(c)所示,与图5(a)中的未处理信号相比可见明显的循环平稳冲击成分。

3.3 实验结果分析

通过现有诊断方法以及本文方法对加噪后实验信号进行包络分析,现有方法采用延时求和波束形成结合快速峭度图进行轴承信号提取,结果对比如图6所示。

(a)

(b)

现有方法所选频带的时域波形可见明显的循环平稳冲击噪声成分,且比处理前时域波形更加明显,平方包络谱上轴承故障峰值被噪声完全淹没。而在本文方法选择频带的时域波形中无法观察到明显的循环平稳性冲击噪声成分,在平方包络谱中可以观察到明显的轴承故障频率及谐波,以及不会对轴承诊断造成影响的循环平稳冲击噪声峰值,足以对被测轴承进行诊断。可以看出本文方法能够在现有方法无法诊断的强噪声环境下对运动中的目标轴承进行有效的诊断,并且对循环平稳性噪声及冲击性噪声均具有良好的抗干扰性能。

4 结束语

本文提出了一种能够在存在大量冲击性噪声以及循环平稳性噪声的轨旁环境下对列车轴承进行声学诊断的方法。该方法使用传声器阵列采集轴承声信号,通过波束形成结合ICS2gram对轴承故障信号进行提取,在复杂噪声环境下可有效诊断轴承故障。实验结果表明,本文所提方法能够在现有方法无法诊断的复杂噪声环境下对运动中的故障轴承进行有效诊断,并且对轨旁环境中常见的循环平稳性噪声及冲击性噪声都有着良好的抗干扰性能。