[发明专利]一种基于振动加速度信号的机车电机轴承自动诊断方法

说明书

本公开揭示了一种基于振动加速度信号的机车电机轴承自动诊断方法，包括：采集电机轴承的振动加速度信号和转速键相信号；进行阶次跟踪及恒角度增量采样，将振动加速度信号转化为角域振动加速度信号；计算FFT频谱与EEVS增强包络谱；根据轴承故障频率设置FFT频谱与EEVS增强包络谱中的有效频带；根据FFT频谱与EEVS增强包络谱中的频带能量计算轴承各部件的故障概率；设置权重并计算轴承各部件的加权概率；比对预设的故障基准概率与当前轴承的加权概率的大小，从而自动判断故障类型，同时，以加权概率的大小表示故障的严重程度。

技术领域

本公开属于信号处理分析与故障诊断领域，具体涉及一种基于振动加速度信号的机车电机轴承自动诊断方法。

背景技术

电机轴承是铁路机车的故障易发部件，严重影响机车运行安全，对其进行准确、自动的故障诊断能显著减少电机设计及机务维修等部门的故障排查工作量。目前，振动加速度信号在机车电机轴承故障诊断中得到了最广泛的应用，通过采集振动加速度信号不仅能够对故障程度进行预警而且能够实现故障定位。其中，故障程度预警指标主要包括：峰峰值、均方幅值、峭度值；故障定位方法主要包括：FFT频谱分析方法、包络谱分析方法、共振解调方法以及学习分类方法。上述报警指标容易受噪声干扰，对故障不敏感，造成误诊断及漏诊断的问题比较严重；上述故障定位方法需依靠专业人员解读故障结果，非常依赖个人经验，造成人工成本巨大。此外，随着人工智能的发展，目前虽然已经存在一些电机轴承故障诊断的自动算法，例如K均值聚类、知识向量机SVM、卷积神经网络CNN以及更复杂的深度网络，但是这些方法均需要大量的数据，而且结果不稳定，缺乏可解释性，在工程应用中仍面临很大的难题。

发明内容

针对上述问题，本公开的目的在于提出一种基于振动加速度信号的机车电机轴承自动诊断方法，基于轴承故障概率模型的建立，能够同时评估轴承内圈、外圈、保持架及滚子的故障概率，当对应部件的故障概率大于等于基准概率，则认为对应部件存在故障，且概率越大，故障程度越大。本公开对工况变化有优越的自适应能力，而且具有很好的可解读性，在保证诊断可靠性的前提下能够显著减少人工参与的工作量。

一种基于振动加速度信号的机车电机轴承自动诊断方法，包括如下步骤：

S100：采集电机轴承的振动加速度信号x(t)和转速键相信号v(t)；

S200：对所述振动加速度信号x(t)进行阶次跟踪及恒角度增量采样：根据转速键相信号获取时间与轴承旋转角度的对应关系θ＝v(t)，将时间t与轴承旋转角度θ的函数关系t＝v^-1(θ)代入所采集的振动加速度信号x(t)中获得角域振动加速度信号x(v^-1(θ))，简化表示为

S300：计算步骤S200中所述角域振动加速度信号的FFT频谱与EEVS增强包络谱；

S400：计算FFT频谱与EEVS增强包络谱中轴承各部件的故障频率及其倍频所在的频带；

S500：根据FFT频谱与EEVS增强包络谱分别计算轴承各部件的故障频率及其倍频所在的频带的频谱幅值之和，将该频谱幅值之和定义为轴承各部件的故障概率；

S600：根据FFT频谱及EEVS增强包络谱，针对每一个轴承部件计算出两个故障概率，分别设置用于早期和中晚期故障诊断的EEVS增强包络谱及FFT频谱的两个不同权重，根据所述权重对故障概率加权求和计算得到轴承各部件的加权概率；

S700：设定用于判断所述加权概率是否有效的基准概率p_base，分别对照轴承各部件的加权概率与基准概率p_base的大小关系确定轴承各部件是否存在故障及故障程度。

优选的，步骤S100中，所述振动加速度信号x(t)通过振动加速度传感器采集，所述转速键相信号v(t)通过霍尔传感器采集。

优选的，步骤S300包括：