一種基于正常域估計的列車滾動軸承隱患辨識方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于及軌道交通安全技術(shù)領(lǐng)域。本發(fā)明設(shè)及一種基于正常域估計的無故障 數(shù)據(jù)環(huán)境下滾動軸承隱患辨識方法。
【背景技術(shù)】
[0002] 據(jù)統(tǒng)計，火車是事故發(fā)生率最低的交通工具?？上攵?，為保障安全運營，從一列 新車上線直至服役期滿下線，其絕大部分時間必然是處于正常服役狀態(tài)的，盡管偶有關(guān)鍵 部件發(fā)生故障，但相對來說故障發(fā)生的概率很小。尤其是隨著機車車輛制造技術(shù)的不斷發(fā) 展，列車本身的質(zhì)量越來越好，安全性也越來越高，其在線服役時關(guān)鍵部件發(fā)生異常的情況 越來越少，且現(xiàn)代化的維修和養(yǎng)護手段也為列車運行時的高安全性提供了有效保障。因此， 在某一關(guān)鍵裝備的狀態(tài)數(shù)據(jù)積累方面，面臨的情況是：所采集的數(shù)據(jù)絕大部分是正常狀態(tài) 下的數(shù)據(jù)，相對而言有效的故障狀態(tài)數(shù)據(jù)可能十分稀少甚至沒有。在新車上線或舊裝備換 新時，運種情況更為普遍，甚至可能存在運行數(shù)月都沒有故障或異常發(fā)生的情況。鑒于此， 有效的無故障數(shù)據(jù)環(huán)境下隱患辨識方法和技術(shù)亟待研究和突破。
[0003] 目前，國內(nèi)外已有部分學(xué)者在隱患辨識相關(guān)的早期故障診斷和故障預(yù)測方面進行 了研究?，F(xiàn)有研究成果從研究手段上主要分為如下Ξ大類。
[0004] (1)是基于全壽命狀態(tài)數(shù)據(jù)和剩余壽命分析和早期故障檢測，如：化enLin等針 對齒輪箱的早期故障診斷問題，利用連續(xù)時間馬爾科夫模型進行各種工況狀態(tài)的模擬，并 基于振動信號的向量回歸建模和貝葉斯方法計算早期故障發(fā)生概率；任麗娜等研究了數(shù)控 機床故障過程，提出了 4參數(shù)非齊次泊松過程模型用于數(shù)控機場可靠性分析和早期故障預(yù) 測。
[0005] (2)利用基于狀態(tài)轉(zhuǎn)移或過程模型的概率分析結(jié)果進行早期故障檢測：化styna Petke等提出了一種普適的基于多參數(shù)和多狀態(tài)數(shù)據(jù)的組合交互式測試方法，可識別多種 可能發(fā)生的早期故障，并將運些故障按發(fā)生概率進行排序；許麗佳等針對電子系統(tǒng)的故障 預(yù)測問題，提出了線性辨別分析與馬爾科夫鏈W及貝葉斯網(wǎng)絡(luò)相結(jié)合的方法。
[0006] (3)基于實際的或仿真的早期故障數(shù)據(jù)，利用各種信號處理和模式識別的方法進 行早期故障診斷，運類方法的研究成果最為豐富，如：1化anAydin等針對旋轉(zhuǎn)機械的早期 故障診斷問題，采集了早期故障狀態(tài)的振動數(shù)據(jù)，提出了小波和經(jīng)驗?zāi)Ｊ椒纸庀嘟Y(jié)合的診 斷方法；HenryDavid等針對飛機控制面伺服環(huán)路的早期故障，提出了基于模型的線性變參 數(shù)的檢測方法，并利用空客飛機的仿真數(shù)據(jù)進行了驗證。
[0007] 上述已有的隱患監(jiān)測和早期故障識別相關(guān)研究中，幾乎都采用了實驗或仿真技術(shù) 進行了故障建?；虿杉收蠑?shù)據(jù)，無法直接應(yīng)用于無故障數(shù)據(jù)環(huán)境。因此，針對軌道交通列 車運種無法獲取故障狀態(tài)數(shù)據(jù)的特殊對象，采用常用的數(shù)據(jù)驅(qū)動及傳統(tǒng)的模式識別方法無 法十分有效地完成列車滾動軸承的定量化狀態(tài)監(jiān)測和隱患識別。鑒于此，本發(fā)明提出了基 于正常域估計的無故障數(shù)據(jù)環(huán)境下滾動軸承的隱患辨識方法。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明所采用的技術(shù)方案是：
[0009] 本發(fā)明的目的是針對無故障數(shù)據(jù)環(huán)境下的列車滾動軸承隱患辨識問題，提出了基 于正常域估計的隱患辨識方法。本發(fā)明創(chuàng)新性的提出正常域估計的概念，正常域是針對某 一具體的研究對象（如列車上某些關(guān)鍵裝備），在研究對象的安全相關(guān)變量空間內(nèi)，能夠且 僅包含正常運行狀態(tài)數(shù)據(jù)的特征點的區(qū)域。直觀來說，正常域由其邊界確定，其邊界可理解 為能夠包住所有正常運行狀態(tài)點的最小的閉合的幾何形狀，即：在二維的安全相關(guān)變量空 間內(nèi)，正常域為能夠包圍所有正常狀態(tài)點的最小閉合曲線；在Ξ維的安全相關(guān)變量空間內(nèi)， 正常域為能夠包住所有正常狀態(tài)點的最小閉合曲面；在更高維的空間內(nèi)，正常域則為能夠 包住所有正常狀態(tài)點的最小超平面。附圖1所示即為二維空間內(nèi)的正常域示意圖，其中能 包圍住所有正常狀態(tài)點的最小閉合曲線即為正常域邊界。
[0010] 本發(fā)明可W為缺乏故障數(shù)據(jù)情況下的列車滾動軸承隱患辨識提供一種新方法，為 解決新車或無故障歷史車輛的狀態(tài)監(jiān)測提供技術(shù)支持和指導(dǎo)。具體采用如下技術(shù)方案：該 方法包括如下步驟：
[0011] 1)采集列車滾動軸承在正常運行狀態(tài)下的振動加速度數(shù)據(jù)；
[0012] 2)預(yù)處理所采集的數(shù)據(jù)：按時間間隔ti對采集到的振動加速度數(shù)據(jù)進行分段，對 劃分完成的每段數(shù)據(jù)進行局部均值處理，獲得每段數(shù)據(jù)的乘積函數(shù)矩陣，所述時間間隔ti 可在開區(qū)間0~T。內(nèi)任意取值，其中T。為振動加速度數(shù)據(jù)采集時間；
[0013] 3)提取滾動軸承正常運行狀態(tài)的統(tǒng)計狀態(tài)特征向量：對每個乘積函數(shù)矩陣?yán)?主元分析方法進行處理，計算其T2和SPE統(tǒng)計量的控制限，兩個控制限的值構(gòu)成了每段數(shù) 據(jù)的二維統(tǒng)計狀態(tài)特征向量，每個向量對應(yīng)一個狀態(tài)點；將獲得的Τ2和SPE統(tǒng)計量控制限 數(shù)據(jù)分別進行歸一化處理；
[0014] 4)估計正常域邊界：將正常域用凸包進行形式化描述，利用凸包估計中的Jarvis 算法求解能夠包圍3)中統(tǒng)計狀態(tài)特征點集的最小凸包，此凸包即為估計出的正常域邊界； 正常域，是指研究對象的安全相關(guān)變量空間內(nèi)，能夠且僅包含正常運行狀態(tài)數(shù)據(jù)的特征點 的區(qū)域，正常域邊界為能包圍住所有正常狀態(tài)點的最小閉合曲線；
[0015] 5)進行滾動軸承的隱患辨識：將實時采集的振動加速度數(shù)據(jù)經(jīng)步驟2)~3)的 處理可獲得統(tǒng)計狀態(tài)特征向量，判斷統(tǒng)計狀態(tài)特征向量對應(yīng)的實時狀態(tài)點是否位于步驟4) 正常域邊界內(nèi)部，若位于正常域內(nèi)，則表示當(dāng)前狀態(tài)正常，若位于正常域外，則表示出現(xiàn)隱 出 小>、〇
[0016] 進一步地，步驟4)中利用凸包估計正常域邊界的具體步驟如下：
[0017] ①設(shè)所有正常狀態(tài)點組成點集P，找出點集P中y軸坐標(biāo)最小的點，若存在多個運 樣的點，則取最左邊的點記為P。，該點必為凸包的頂點；
[0018] ②從點P。向右引一條平行于X軸的射線，即為1。；
[0019] ③沿著點P。逆時針旋轉(zhuǎn)射線1。，直到直線1。再次與點集P內(nèi)的點相交，若運樣的 交點有2個或2個W上，則按y軸坐標(biāo)升序排列運些點，記為Pi,P2,，. . .，Pm，Pl，P2,，. . .，Pm 必為凸包上的頂點；記過P。，Pi,化，，...，Pm的直線為PoPm;
[0020]④WPm為中屯、點，重復(fù)步驟③直到重新回到點P。為止，即可求得點集P的凸包的 全部頂點。
[0021] 進一步地，步驟2)中獲得乘積函數(shù)矩陣具體方法如下：將每段數(shù)據(jù)進行基于Ξ次 樣條函數(shù)的局部均值分解，分解過程如下步驟①~⑨，得到每段數(shù)據(jù)的乘積函數(shù)分量后，由 各個乘積函數(shù)分量構(gòu)成乘積函數(shù)矩陣；
[0022]①設(shè)原始信號為x(t)，找出其所有局部極值點，將所有的局部極大值點和局部極 小值點分別用Ξ次樣條曲線連接起來，得到x(t)的上包絡(luò)線Emgy(t)和下包絡(luò)線Emi"(t);
[0023] ②按如下兩式計算局部均值函數(shù)叫1(t)和包絡(luò)估計函數(shù)Cii(t);
[002引③將局部均值函數(shù)叫1(0從原始信號x(t)中分離，得[0027]hii(t) =x(t)-mii(t)
[002引④用hii(t)除W包絡(luò)估計函數(shù)Cii(t)，W對hii(t)進行解調(diào)，得
[0029]
[0030] ⑥按照①中方法求出Sii(t)所對應(yīng)的包絡(luò)估計函數(shù)Ci2(t)，若Ci2(t)=1，則Sii(t) 為純調(diào)頻函數(shù)，若Ci2(t)聲1，則需重復(fù)上述①~④迭代過程，直至Sh(t)的包絡(luò)估計函數(shù) Ci(wl) (t) = 1 ;故有
[0033] 理論上，迭代終止條件為蠟'-'ι"ω二1
[0034] ⑧把迭代過程中產(chǎn)生的所有包絡(luò)估計函數(shù)相乘可得包絡(luò)信號
[0035]
[0036] ⑦將包絡(luò)信號Cl(t) =1和純調(diào)頻信號Si。(t)相乘，即得X(t)的第一個乘積函數(shù) 分量化
[0037]化（t) =Cl (1:)·Sin(t)
[0038]⑨將PFi從X(t)中分離，得到一個新的信號r1(t)，將此信號作為待分解信號重復(fù) 上述①~⑦步驟k次，直至rk(t)為一單調(diào)函數(shù)為止，即
[0039]
[0040] 則如下所示，原始信號X(t)被分解為k個PF分量和一個r,(t)之和：
[0041]
。
[0042] 本發(fā)明具有如下有益的技術(shù)效果：創(chuàng)新地提出正常域估計的概念，能夠在僅有正 常狀態(tài)數(shù)據(jù)的情況下準(zhǔn)確地辨識列車滾動軸承是否存在隱患，為滾動軸承的狀態(tài)監(jiān)測、隱 患評估、故障預(yù)警提供了有效的方法。
【附圖說明】
[0043] 圖1是正常域示意圖。
[0044] 圖2是凸包示意圖。
[0045] 圖3正常域邊界估計結(jié)果。
[0046] 圖4存在隱患時的辨識結(jié)果。
【具體實施方式】
[0047] 下面結(jié)合附圖對本發(fā)明的實施例具體說明。一種基于正常域估計的無故障數(shù)據(jù)環(huán) 境下列車滾動軸承隱患辨識方法包括W下具體實施步驟：
[0048] 1)采集正常運行狀態(tài)數(shù)據(jù)：采集列車滾動軸承在正常運行狀態(tài)時的振動加速度 數(shù)據(jù)；
[0049] 2)振動加速度數(shù)據(jù)的分段處理：將所采集到的振動加速度數(shù)據(jù)按固定的時間間 隔ti進行分段，劃分得到的每個數(shù)據(jù)段將對應(yīng)一個狀態(tài)特征向量，即狀態(tài)點；
[0050] 3)獲得乘積函數(shù)矩陣：將每段數(shù)據(jù)進行基于Ξ次樣條函數(shù)的局部均值分解，分解 過程如下步驟①~⑨，得到每段數(shù)據(jù)的乘積函數(shù)分量后，由各個乘積函數(shù)分量構(gòu)成乘積函 數(shù)矩陣；
[0051] ①設(shè)原始信號為x(t)，找出其所有局部極值點，將所有的局部極大值點和局部極 小值點分別用Ξ次樣條曲線連接起來，得到X(t)的上包絡(luò)線Emgy(t)和下包絡(luò)線Emi"(t);
[0052]②按如下兩式計算局部均值函數(shù)恥(t)和包絡(luò)估計函數(shù)Cii(t);
[005引③將局部均值函數(shù)叫1(0從原始信號x(t)中分離，得
[0056] hii(t) =x(t)-mii(t) (3)
[0057] ④用hii(t)除W包絡(luò)估計函數(shù)Cii(t)，W對hii(t)進行解調(diào)，得
[0058]
(4)
[0059]⑥按照①中方法求出Sii(t)所對應(yīng)的包絡(luò)估計函數(shù)Ci2 (t)，若Ci2 (t) = 1，則Sii(t) 為純調(diào)頻函數(shù)，若Ci2(t)聲1，則需重復(fù)上述①~④迭代過程，直至Sh(t)的包絡(luò)估計函數(shù) Ci(wl) (t) = 1。故有
[0062] 理論上，迭代終止條件為把= 1
[0063] ⑧把迭代過程中產(chǎn)生的所有包絡(luò)估計函數(shù)相乘可得包絡(luò)信號
[0064]
巧
[0065] ⑦將包絡(luò)信號Cl(t) = 1和純調(diào)頻信號Si。(t)相乘，即得X(t)的第一個乘積函數(shù) (productfunction,PFO分量PFi
[0066] i^ia)=cia)*sin(t)做
[0067]⑨將PFi從X(t)中分離，得到一個新的信號r1(t)，將此信號作為待分解信號重復(fù) 上述①~⑦步驟k次，直至rk(t)為一單調(diào)函數(shù)為止，即
[0068]
餅
[0069] 則如下所示，原始信號x(t)被分解為k個PF分量和一個rk(t)之和。
[0070]
(10)
[0071] 4)提取統(tǒng)計狀態(tài)特征向量：在獲得正常狀態(tài)下的滾動軸承振動數(shù)據(jù)的乘