本發(fā)明涉及設(shè)備狀態(tài)檢測與故障診斷領(lǐng)域，具體的說是一種列車軸承軌邊信號沖擊成分提取方法。

背景技術(shù)：

作為列車的關(guān)鍵部件，列車軸承長時間處于高速、重載的工作狀態(tài)，各部件表面接觸應力反復作用，極易引起疲勞、裂紋、壓痕以致斷裂、膠著、磨損等問題，會帶來振動增加、噪聲和轉(zhuǎn)動阻力等問題，嚴重時會出現(xiàn)卡滯，使得整個輪軸系統(tǒng)失效，甚至造成重大安全事故。在線檢測技術(shù)可以對其進行健康檢測，實現(xiàn)故障預警，有效防止嚴重故障的發(fā)生。

軌邊聲學檢測技術(shù)是列車輪對軸承健康檢測與故障診斷的有效手段之一，具有代表性的是美國的TADS系統(tǒng)和澳大利亞的RailBAM系統(tǒng)，通過安裝在列車軌道兩側(cè)的麥克風陣列采集列車高速通過時輪對軸承發(fā)出的聲音信號，從采集到的聲音信號中提取能夠反映軸承運行狀況的有效特征，實現(xiàn)健康檢測與故障診斷。但由于列車與麥克風的高速相對運動，麥克風采集的聲音信號具有多普勒畸變，使得信號產(chǎn)生時域和頻域上的調(diào)制。軸承部件發(fā)生局部缺陷時，在缺陷的周期性激勵下產(chǎn)生沖擊成分信號，從信號中提取沖擊成分可用于故障類型與故障程度的判斷。利用與沖擊信號形態(tài)結(jié)構(gòu)相類似的小波進行匹配提取是實現(xiàn)途徑之一。但由于受到多普勒調(diào)制的影響，沖擊成分產(chǎn)生了多普勒畸變，而傳統(tǒng)的小波是針對靜態(tài)情況下采集的信號而設(shè)計的，與軌邊信號沖擊成分存在波形結(jié)構(gòu)上的差異，給沖擊成分的有效提取帶來了新的挑戰(zhàn)。此外，軸承運轉(zhuǎn)時其滾子的相對位置并不是絕對固定的，存在相對滑動，列車勻速運動時其聲音信號的沖擊成分并非呈現(xiàn)嚴格周期性?？傊?，軌邊信號的沖擊成分呈現(xiàn)非周期性，傳統(tǒng)的周期瞬態(tài)小波無法正確匹配和識別，需要提出新的解決方法。

技術(shù)實現(xiàn)要素：

本發(fā)明技術(shù)解決的問題：針對軌邊信號多普勒畸變特點和現(xiàn)有技術(shù)的不足，提供一種列車軸承軌邊信號沖擊成分提取方法，實現(xiàn)列車軸承軌邊聲信號沖擊成分的精確提取，為列車軸承軌邊聲學診斷提供新的技術(shù)方案。

本發(fā)明技術(shù)解決方案：一種列車軸承軌邊信號沖擊成分提取方法，包括步驟如下：

(1)采用麥克風采集列車通過時軸承產(chǎn)生的軌邊信號，構(gòu)建單瞬態(tài)多普勒小波；

(2)利用構(gòu)建的單瞬態(tài)多普勒小波，基于最大相關(guān)系數(shù)準則，對軌邊信號進行匹配識別，從而提取沖擊成分進行重構(gòu)。

所述步驟(1)中，構(gòu)建單瞬態(tài)多普勒小波的步驟如下：

(11)計算發(fā)聲幅值序列s_e(n)，假設(shè)軌邊信號的采樣頻率為f_s，根據(jù)小波函數(shù)表達成該采樣頻率f_s下離散的與軌邊信號長度一致的發(fā)聲幅值序列s_e(n)，其中N為采集到的軌邊信號的長度，n＝0,1,...,(N-1)；

(12)收聲時間序列t_r(n)計算，通過時序映射函數(shù)：

由步驟(11)的發(fā)聲幅值序列對應的發(fā)聲時間序列t_e(n)計算出收聲時間序列t_r(n)；式中X₀為信號的初始時刻列車位置與采集裝置位置的橫向距離，V_s(t)為列車速度，r為采集裝置與軌道的縱向距離，c為聲速；

(13)延遲時間序列t_d(n)計算，延遲時間序列t_d(n)為最終得到時間序列，其值t_d(n)＝t_e(n)+R(0)/c，其中R(0)表示聲源在起始點與麥克風的距離；

(14)收聲幅值序列s_r(n)計算，通過幅值映射函數(shù)：

由步驟(11)發(fā)聲幅值序列s_e(n)計算出收聲幅值序列s_r(n)，其中R表示聲源與麥克風的距離，θ為聲源到麥克風的向量與聲源運動方向向量之間的夾角，n＝0,1,...,(N-1)；

(15)插值擬合采樣，以步驟(2)得到的收聲時間序列t_r(n)為x變量，以步驟(4)得到的收聲幅值序列s_r(n)為y變量，以步驟(3)中的延遲時間序列t_d(n)為插值x變量，執(zhí)行三次樣條插值重采樣處理，得到多普勒調(diào)制后的Laplace小波即單瞬態(tài)多普勒小波。

所述步驟(11)中的小波函數(shù)表達式為Morlet小波、諧波小波、Laplace小波、單邊Morlet小波、單邊諧波小波或單邊Laplace小波。

所述步驟(13)中的R(0)值通過幾何關(guān)系計算，具體如下：

所述利用構(gòu)建的單瞬態(tài)多普勒小波從軌邊信號中提取沖擊成分的過程如下：

(21)假設(shè)采集的軌邊信號為x(t)，初始化軌邊信號迭代次數(shù)k＝1；

(22)根據(jù)工況、幾何參數(shù)和軸承參數(shù)設(shè)定單瞬態(tài)多普勒小波振蕩頻率f、阻尼比ζ、時間參數(shù)τ的模型參數(shù)范圍，即參數(shù)集γ＝{f,ζ,τ}，對參數(shù)集γ中的每一組參數(shù)利用構(gòu)成構(gòu)建單瞬態(tài)多普勒小波庫Ψ^dop(t)_γ；

(23)按以下公式計算單瞬態(tài)多普勒小波庫中的每個小波與軌邊信號x(t)的相關(guān)系數(shù)，確定最大相關(guān)系數(shù)對應的小波Ψ^dop(t)_γ,k；

代表x(t)與Ψ^dop(t)_γ的相關(guān)系數(shù)，其中N為采集到的軌邊信號的長度，n＝0,1,...,(N-1)；

(24)用x(t)減去Ψ^dop(t)_γ,k得到新的x(t)，令k＝k+1；

(25)重復步驟(23)和(24)直至有至少以下條件之一得到滿足：

其中NMSE為算法中止指標，σ₁和σ₂為設(shè)定的指標閾值；

(26)將得到的所有Ψ^dop(t)_γ,k相加，完成重構(gòu)沖擊成分。

所述(22)中，構(gòu)建單瞬態(tài)多普勒小波庫Ψ^dop(t)_γ的方法與步驟(1)中的構(gòu)建單瞬態(tài)多普勒小波的過程相同。

所述(25)中，NMSE采用以下公式計算：

本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于：本發(fā)明一種列車軸承軌邊信號沖擊成分提取方法，使用單瞬態(tài)多普勒小波從列車故障軸承軌邊聲音信號中提取沖擊成分，可用于列車軸承軌邊聲學檢測；由于多普勒調(diào)制和滾子相對滑動的雙重作用，沖擊成分呈現(xiàn)非周期性，傳統(tǒng)周期瞬態(tài)小波無法正確匹配和識別。針對上述問題，本發(fā)明提出了基于插值算法的單瞬態(tài)多普勒小波構(gòu)建算法，使傳統(tǒng)小波產(chǎn)生多普勒調(diào)制，并基于最大相關(guān)系數(shù)準則進行列車故障軸承軌邊聲音信號沖擊成分的逐個剝離，可用于列車軸承軌邊聲音信號故障特征提取和故障嚴重程度的精確判斷，為列車軸承軌邊聲學檢測提供一種新的技術(shù)方案。

附圖說明

圖1為本發(fā)明中的單瞬態(tài)多普勒小波構(gòu)建流程圖；

圖2為本發(fā)明中的沖擊成分提取與重構(gòu)流程圖；

圖3為本發(fā)明實施例1使用的軌邊仿真信號(上圖)及其頻譜(下圖)；

圖4為使用傳統(tǒng)的無多普勒調(diào)制的小波對仿真信號進行沖擊成分提取的結(jié)果(上圖)及局部放大圖(下圖)；

圖5為使用本發(fā)明提出的多普勒調(diào)制單瞬態(tài)小波對仿真信號進行沖擊成分提取的結(jié)果(上圖)及局部放大圖(下圖)；

圖6為本發(fā)明實施例2使用本發(fā)明提出的多普勒調(diào)制單瞬態(tài)小波對真實列車軸承外圈單點故障軌邊聲音信號的處理結(jié)果，其中(a)軌邊信號，(b)軌邊信號與單瞬態(tài)多普勒小波相關(guān)系數(shù)，(c)最大相關(guān)系數(shù)對應的單瞬態(tài)小波模型，(d)最大相關(guān)系數(shù)對應的單瞬態(tài)多普勒小波模型，(e)NMSE指標隨算法循環(huán)次數(shù)的變化曲線，(f)重構(gòu)信號；

圖7為本發(fā)明實施例2使用本發(fā)明提出的多普勒調(diào)制單瞬態(tài)小波對真實列車軸承內(nèi)圈單點故障軌邊聲音信號的處理結(jié)果，其中(a)軌邊信號，(b)軌邊信號與單瞬態(tài)多普勒小波相關(guān)系數(shù)，(c)最大相關(guān)系數(shù)對應的單瞬態(tài)小波模型，(d)最大相關(guān)系數(shù)對應的單瞬態(tài)多普勒小波模型，(e)NMSE指標隨算法循環(huán)次數(shù)的變化曲線，(f)重構(gòu)信號。

具體實施方式

本發(fā)明采用的技術(shù)方案為：利用麥克風采集列車通過時軸承產(chǎn)生的軌邊信號，構(gòu)建單瞬態(tài)多普勒小波，基于最大相關(guān)系數(shù)準則對該信號進行匹配識別，提取沖擊成分進行重構(gòu)。本發(fā)明的核心內(nèi)容包含兩方面：其一是單瞬態(tài)多普勒小波的構(gòu)建，其二是利用構(gòu)建的單瞬態(tài)多普勒小波從軌邊信號中提取沖擊成分。

一、單瞬態(tài)多普勒小波構(gòu)建的具體步驟如圖1所示，如下：

(1)發(fā)聲幅值序列s_r(n)計算。假設(shè)軌邊信號的采樣頻率為f_s，根據(jù)小波函數(shù)表達式(例如Morlet小波、諧波小波、Laplace小波、單邊Morlet小波、單邊諧波小波、單邊Laplace小波)生成該采樣頻率下的離散的與軌邊信號長度一致的發(fā)聲幅值序列s_e(n),n＝0,1,...,(N-1)，其中N為采集到的軌邊信號的長度。

(2)收聲時間序列t_r(n)計算。通過時序映射函數(shù)：

由步驟(1)的發(fā)聲幅值序列對應的發(fā)聲時間序列t_e(n),n＝0,1,...,(N-1)計算出收聲時間序列t_r(n),n＝0,1,...,(N-1)；式中X₀為信號的初始時刻列車位置與采集裝置位置的橫向距離，V_s(t)為列車速度，r為采集裝置與軌道的縱向距離，c為聲速；

(3)延遲時間序列t_d(n)計算。延遲時間序列t_d(n)為最終得到時間序列，其值等于t_e(n)+R(0)/c，其中R(0)表示聲源在起始點與麥克風的距離，通過幾何關(guān)系可以計算出其值為：

(4)收聲幅值序列s_r(n)計算。通過幅值映射函數(shù)：

由發(fā)聲幅值序列s_e(n),n＝0,1,...,(N-1)計算出收聲幅值序列s_r(n),n＝0,1,...,(N-1)其中R表示聲源與麥克風的距離，θ為聲源到麥克風的向量與聲源運動方向向量之間的夾角。

(5)插值擬合采樣。以步驟(2)得到的收聲時間序列t_r(n)為x變量，步驟(4)得到的收聲幅值序列s_r(n)為y變量，以步驟(3)中的延遲時間序列t_d(n)為插值x變量，執(zhí)行三次樣條插值重采樣處理，得到多普勒調(diào)制后的小波。

二、沖擊成分提取的具體步驟如國2所示：

(1)假設(shè)采集的軌邊信號為x(t)，初始化軌邊信號迭代次數(shù)k＝1。

(2)根據(jù)工況、幾何參數(shù)和軸承參數(shù)設(shè)定單瞬態(tài)多普勒小波振蕩頻率f、阻尼比ζ、時間參數(shù)τ的模型參數(shù)范圍，即參數(shù)集γ＝{f,ζ,τ}，對參數(shù)集γ中的每一組參數(shù)利用構(gòu)成構(gòu)建單瞬態(tài)多普勒小波庫Ψ^dop(t)_γ。

(3)按以下公式計算步驟2單瞬態(tài)多普勒小波庫中的每個小波與軌邊信號x(t)的相關(guān)系數(shù)，確定最大相關(guān)系數(shù)對應的小波Ψ^dop(t)_γ,k。

(4)用x(t)減去Ψ^dop(t)_γ,k得到新的x(t)，令k＝k+1。

(5)重復步驟(3)和(4)直至有至少以下條件之一得到滿足：

其中NMSE為算法中止指標，σ₁和σ₂為設(shè)定的指標閾值。NMSE可用以下公式計算：

(6)將得到的所有Ψ^dop(t)_γ,k相加，重構(gòu)沖擊成分。

下面通過三個具體實施例分析驗證本發(fā)明方法的有效性，實施例1為仿真分析，實施例例2為真實列車外圈故障軸承的軌邊試驗信號分析，實施例3為真實列車內(nèi)圈故障軸承的軌邊試驗信號分析，下面分別說明：

實施例1：

仿真軌邊信號x(t)的時域波形及其頻譜如圖3所示，采樣頻率20KHZ。利用提出的算法從信號中逐個剝離沖擊成分，具體步驟為：

(1)設(shè)定五種小波模型(Morlet小波、諧波小波、Laplace小波、單邊Morlet小波、單邊諧波小波、單邊Laplace小波)參數(shù)范圍和步長，生成參數(shù)集，根據(jù)本發(fā)明提出的單瞬態(tài)多普勒小波構(gòu)建步驟遍歷參數(shù)集中每個參數(shù)，生成單瞬態(tài)多普勒小波庫Ψ^dop(t)_(ζ,τ,f)。

(2)將仿真信號x(t)與步驟1得到的多普勒小波庫中的每個小波做相關(guān)分析，取相關(guān)系數(shù)最大值最大的小波Ψ^dop(t)_γ,k。

(3)計算NMSE，當NMSE(L)<σ₁或0≤(NMSE(L-1)-NMSE(L))<σ₂或NMSE(L-1)<NMSE(L)有任意一個條件成立時，直接執(zhí)行步驟5，否則繼續(xù)執(zhí)行步驟(4)。

(4)用x(t)減去步驟(2)中的Ψ^dop(t)_γ,k得到新的x(t)，重復步驟(2)。

(5)疊加生成的所有Ψ^dop(t)_γ,k，得到重構(gòu)信號。

經(jīng)過以上步驟得到的重構(gòu)信號如圖5所示(上圖為信號全段的分析結(jié)果，下圖為局部放大圖)，可以看出波形得到了很好的匹配。圖4為用傳統(tǒng)的單邊Laplace小波進行處理得到的結(jié)果(上圖為信號全段的分析結(jié)果，下圖為局部放大圖)，從圖4、5中可以看出由于多普勒調(diào)制引起的結(jié)構(gòu)畸變，傳統(tǒng)的小波已無法實現(xiàn)精確匹配和提取。

實施例2：

采用實際的列車輪對軸承外圈單點故障軌邊聲音信號進行處理。信號波形如圖6中的(a)所示，采樣頻率50KHz。利用本發(fā)明提出的算法進行處理，圖6中的(b)為軌邊信號與單瞬態(tài)多普勒小波作相關(guān)計算得到的相關(guān)系數(shù)走勢，圖6中的(c)為最大相關(guān)系數(shù)對應的單瞬態(tài)小波模型，圖6中的(d)為最大相關(guān)系數(shù)對應的單瞬態(tài)多普勒小波模型，圖6中的(e)為NMSE指標隨算法執(zhí)行循環(huán)次數(shù)的變化曲線，圖6中的(f)為軌邊信號與重構(gòu)信號對比圖，從該圖6可以看出信號得到了較好的匹配與重構(gòu)，沖擊成分得到了精確提取。

實施例3：

采用實際的列車輪對軸承內(nèi)圈單點故障軌邊聲音信號進行處理。信號波形如圖7中的(a)所示，采樣頻率50KHz。利用本發(fā)明提出的算法進行處理，圖7中的(b)為軌邊信號與單瞬態(tài)多普勒小波作相關(guān)計算得到的相關(guān)系數(shù)走勢，圖7中的(c)為最大相關(guān)系數(shù)對應的單瞬態(tài)小波模型，圖7中的(d)為最大相關(guān)系數(shù)對應的單瞬態(tài)多普勒小波模型，圖7中的(e)為NMSE指標隨算法執(zhí)行循環(huán)次數(shù)的變化曲線，圖7中的(f)為軌邊信號與重構(gòu)信號對比圖，從該圖7可以看出信號得到了較好的匹配與重構(gòu)，沖擊成分得到了精確提取。

提供以上實施例僅僅是為了描述本發(fā)明的目的，而并非要限制本發(fā)明的范圍。本發(fā)明的范圍由所附權(quán)利要求限定。不脫離本發(fā)明的精神和原理而做出的各種等同替換和修改，均應涵蓋在本發(fā)明的范圍之內(nèi)。