《基于hilbert-huang变换的列车车轮失圆故障诊断-李奕璠.pdf》由会员分享，可在线阅读，更多相关《基于hilbert-huang变换的列车车轮失圆故障诊断-李奕璠.pdf（6页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、基于HilbertHuang变换的列车车轮失圆故障诊断。李奕瑶1， 刘建新2， 李忠继3(1西南交通大学机械工程学院成都，610031) (2西南交通大学牵引动力国家重点实验室成都，610031)(3中铁二院工程集团；fi-限责任公司科学技术研究院 成都，610031)摘要研究列车车轮失圆的检测与诊断问题，采用基于改进的希尔伯特一黄变换(HilbertHuang transform，简称HHT)的处理方法，首先，针对HHT方法固有的模态混叠现象提出一种形态滤波一能量原则算法；然后，建立车辆轨道耦合动力学模型和典型的车轮故障模型，计算轴箱垂向振动的动态响应；最后，运用改进的HHT分析方法提取正常
2、车轮、多边形化车轮和擦伤车轮引起的轴箱垂向振动的特征。研究结果表明，正常车轮与故障车轮之间以及不同类型故障的车轮之间Hilbert谱差异显著，可见该方法能够有效诊断车轮失圆故障。关键词 车轮多边形；踏面擦伤；希尔伯特一黄变换；模态混叠中图分类号 U2115；THl 7引 言随着列车运行速度的提高，轮轨相互作用力增强，轮轨间的磨耗及接触疲劳愈发严重，车轮失圆现象难以避免。失圆车轮运行时会产生冲击，引起整个车辆轨道系统耦合振动，降低乘坐舒适度，损坏线路及车辆部件，甚至危及行车安全。因此，对车轮状态进行实时检测与诊断很有必要。车轮振动信息受诸多因素的影响，故障特征提取的准确性与可靠性一直是一个难点问
3、题。车轮失圆是指车轮踏面型面的变化，可分为局部失圆和全周失圆两大类。踏面剥离和踏面突起等属于典型的局部失圆现象。全周失圆主要指车轮多边形化。国内外学者针对车轮失圆的诊断进行了大量研究。测试轮轨垂向力是判断车轮状态最普遍采用的方法。2，然而在轨道上布置应变片的数量毕竟有限，车轮缺陷部位恰好作用在传感器安装点的概率较小，容易漏判。由于振动的响应范围更大，因此文献3在轨道安装加速度传感器，通过测量轨道的振动来推测车轮状态，但该方法难以避免邻轮可能带来的干扰。此外，光学_、超声波5、机械63系统也被用于车轮失圆的检测中，但这些系统仅能在静态或低速时使用。以上方法的共同缺陷在于将检测系统放置在轨道上或轨
4、道附近，无法对车辆运行状态进行全过程检测。如果将传感器安装在车辆上，就能克服此不足。由车轮故障引起的车辆异常振动能在轴箱直接体现，Molodova等7 3利用轴箱垂向振动加速度识别轨道缺陷。笔者研究了一种利用轴箱振动加速度信号实现对车轮失圆进行诊断的方法，运用改进的HHT方法提取轴箱振动的时频特征。1 HHT理论HHT是一种非平稳信号分析方法凹，包括经验模态分解(empirical mode decomposition，简称EMD)和Hilbert变换两部分。该方法首先采用EMD将信号自适应地分解成若干个固有模态函数(intrinsic mode function，简称IMF)，然后对每个IM
5、F分量进行Hilbert变换，得到瞬时频率和瞬时幅值，进而得到Hilbert谱。由于HHT良好的时频分辨率及自适应性，该方法得到了广泛应用，但模态混叠是影响HHT的主要问题，该方法仍需完善。2模态混叠EMD的本质是对信号的特征尺度进行筛分，得到的IMF是频率从高到低的有序排列，每一个IMF分量分别对应原信号中不同尺度的局部特征。当原* 国家自然科学基金资助项目(51375403)；中央高校基本科研业务费专项资金资助项目(SWJTU2682014BR001EM)收稿日期：201410一08；修回日期：2014一l 230加一吨拍崛一临乩A一加V|IL竺眇望；耋D一吼二一“断竺诊竺篡一测丝动塑一振
6、丝V一甜一竺如一期一籼兰卷年一弱一万方数据第4期 李奕瑶，等：基于HilbertHuang变换的列车车轮失圆故障诊断 735信号中混有间断事件、脉冲干扰或噪声时(统称为异常事件)，IMF分量会产生模态混叠现象。模态混叠是指在一个IMF中包含差异较大的特征尺度，或相近的特征尺度分布在不同的IMF中，使IMF分量失去物理意义。目前，处理模态混叠问题的方法根据其原理，大致可分为3类：异常事件消除法9、辅助信号添加法m。11 3和信号滤波法12。1 3】，这些方法都存在各自的问题。笔者提出了一种结合形态学滤波与能量原则的方法处理模态混叠问题。21形态学滤波形态学滤波是基于数学形态学变换的非线性滤波方法
7、，它依据待处理信号的局部形态特征，通过数学形态学变换，将信号与噪声分离。形态滤波的基本思想是设计一个称作结构元素的“探针”，通过探针的移动，对信号进行匹配，达到提取信号、保持细节和抑制噪声的目的。22能量原则信号丁(f)经EMD分解后，得到”一1个IMF分量C(f)和一个余项r()，即z(f)一Ci(f)+r(f) (1)由EMD的完备性与正交性可知r r r。El z2(f)dtI f；(f)dt+I c；(t)dt+一o J Jo+I 靠l(f)+I r2(t)dt=E1+E2+E，。+E。 (2)若分解得到的某一分量d(f)不是正交分量，那么当d(f)分离出去后，信号的总能量E变为E，=
8、l d；(t)dt+I Ex(t)一d，()2dt一2Ed+E。一2l x(t)di(f)dt (3)不失一般性，令d。(f)一f，(f)+e。(f) (4)其中：ei()为非正交的误差成分。式(3)可表示为E，一2Et+E，一2 x(t)d，(t)dt一2 Ec，(f)+P，()2 dt+E，一2 z()(i(f)+P。()d一E+2E， (5)由式(5)可知，对信号进行EMD分解后，如果分解结果是原始信号的固有模态分量，则分解前后信号总能量不会发生变化，此时e(f)一0，E，一E。如果分解得到的部分分量不是正交分量，EMD分解不服从能量守恒原理，分解后能量增加，有E，E，。EMD可表示为f
9、，”z()一Ci(f)+f(f) (6)J=l I一1其中：C，(f)为真实模态分量；fk()为虚假模态分量。所有IMF分量的和包含了原始信号与分解误差1 41，y Cj(f)一z()+P() (7)篇由式(6)和式(7)可得g()一一fk(t) (8)k=1式(8)表明，EMD分解误差与虚假模态分量大小相等。根据以上分析，笔者提出一种检测和去除虚假模态分量的方法，具体步骤如下。1)根据能量守恒原理，检测分解后是否存在虚假模态分量。如果层E，则第歹阶分量c(f)被判断为真实模态分量。若c，()与c，()相加，能量减小，即E；i+(，E；，则第歹阶分量Ci(f)被判断为虚假模态分量。4)用原信号
10、减去所有虚假模态分量，再进行EMD，若分解结果满足精度要求，停止；否则回到步骤1。23算法验证采用仿真信号z()一z。(f)+z2()+z。()对提出的方法进行验证，其中：z，(f)为两个谐波信号的和，,T2l()一sin(2nt)+COS(4nt)；z2()为脉冲干扰；Ts(f)为高斯噪声；信噪比为16 dB；采样频率为100 Hz。仿真信号的时间历程曲线如图1所示。使用EMD对该信号进行分解，分解结果出现了模态混叠现象，IMF分量无法对应仿真信号中1 Hz与2 Hz的频率成分，限于篇幅，不再给出此结果。为了抑制模态混叠，在EMD的基础上，文献10提出了总体平均经验模态分解(ensemble
11、 ampirical mode decomposition，简称EEMD)方法。万方数据振动、测试与诊断 第36卷仿真信号的EEMD结果如图2所示。所添加的白噪声的幅值为信号标准差的0001 3倍，总体平均次数为100次。可见，模态混叠现象得到了抑制。图2中的IMF。和IMF；分量分别对应2 Hz与1 Hz的谐波信号。O50O5O5O测一05皿5101500一150图1仿真信号Fig1 Simulated signal匾蚓l匾区馨一区01 2厂n。：睦二二一=J2 3 0，s图2 EEMD分解结果Fig2 Results of EEMD对图1所示的仿真信号进行形态滤波，选择半圆形结构元素，结构
12、元素的长度为9个采样点，半径为005。利用形态滤波一能量原则算法，经一次循环后结果如图3所示。可以看到，仿真信号的两个谐波成分被分解到IMF。和IMF。，其中，IMF。代表2Hz余弦信号，IMF。代表1Hz正弦信号。为了评价形态滤波一能量原则算法的效果，将图3与图2进行比较发现，图3中无意义的虚假成分较图2减少。分别计算每种方法的分解结果与真实信号间的均方误差。表1为两种方法的计算结果精度比较，这里只计算了有意义的IMF分量(图2的IMF。和IMF5，图3的IMF。和IMF。)。可见，形态滤波一能量原则算法不仅能够有效抑制模态混叠，还具有更好的时间分辨率。这只是算法经一次循环得到的结果，若循环
13、次数增加，精度还有一定的提升空间。015L MFI|01；螋竖堕剑一o?墨圆萋匾一l区篡氏图3形态滤波一能量原则算法处理结果Fig3 Results of morphology filtering and energy prin一表1两种方法的精度比较Tab1 The accuracy comparison of the two methods方法 IMF。 IMF。 IMF5EEMD形态滤波一能量原则算法 9274 8 6792 14797 O 4713 O 一3仿真分析参见文献E15建立车辆轨道耦合动力学模型。车轮失圆的具体表现形式多样，笔者选取车轮踏面擦伤和车轮多边形化两种典型状态进行分
14、析。31正常车轮计算无故障车轮的车辆以200 kmh运行时的轴箱垂向振动响应，其时间历程和对应的Hilbert谱如图4所示。正常状态下，轴箱垂向振动信号的Hilbert谱在时频域呈均匀分布，没有明显的特征。32踏面擦伤车轮计算了两种工况下轴箱垂向振动响应。工况1：车轮擦伤长度为10 mm，车速为100 kmh，无轨道激扰。工况2：车轮擦伤长度为10 mm，车速为100 kinh，轨道激扰为美国五级谱。两种工况下的时间历程曲线及其Hilbert谱如图5，6所示。可以看出，当车轮滚动到擦伤位置时，对应的Hilbert谱在垂向上呈条带状分布，相邻两个条带的宽度相等，为两次冲击的时间间隔，即车轮滚动一
15、周所用的时间。因此，可以根据该特征对存在踏面擦伤的车轮进行识别。为了验证本研究方法的有效性，将该方法对工况2信号的处理结果与使用FFT和传统的HHT方法进行比较。图7为图6(a)所示信号的FFT分析结果，从频谱图中难以发现擦伤引起的故障特征。万方数据第4期 李奕瑶，等：基于HilbertHuang变换的列车车轮失圆故障诊断 737振动主要集中在100 Hz以下的范围内，而这也是图5，6中Hilbert谱分析频率设定为o100 Hz的原因。传统的HHT方法的分析结果如图8所示，可以大致看到几个垂向条带，干扰非常明显。与图6(b)相比，部分故障特征被掩盖，这是由EMD分解时模态混叠现象引起的。一2
16、0161 2娌舻fs S(a)时间历程 (b)Hilbert谱(a)Time domain vibration signal CO)Hilbert spectrum图4 车轮无故障状态下轴箱加速度的时间历程及Hilbert谱Fig4 Time history and Hilbert spectrum of axle-boxacceleration with healthy wheels_302520蛏l 5蜷(a)时间历程 (b)Hilbert谱(a)Time domain vibration signal Co)Rilbert spectrum图5 工况1的轴箱加速度时间历程及其Hilber
17、t谱Fig5 Time history and Hilbert spectrum of axleboxacceleralion jn case 1图7 FFT的分析结果 图8传统HHT方法的分析结果Fig7 Results of FFT Fig8 Results of traditional HHT321 轨道不平顺的影响不同的线路条件会使得车辆的振动响应各异，轴箱振动信号的幅值和频率同样会随之改变，干扰车轮踏面擦伤的检测与诊断。为了分析不同的轨道激扰对本研究方法的影响，选用美国三级谱不平顺作为轨道激励进行仿真计算，其他参数与工况2相同。图9为此工况下轴箱垂向振动加速度信号的时间历程曲线及其频
18、谱。对比图9和图6的时域信号可知，选用的美国三级谱线路的状态比美国五级谱要差，此不平顺作用下列车振动更剧烈，车轮擦伤引起的冲击几乎被淹没。经本研究方法处理后得到的Hilbert谱在垂向上呈条带状分布，说明车轮存在踏面擦伤故障，体现了形态滤波一能量原则算法抑制噪声、提取冲击的能力。从图9可见，即使在线路条件不理想的状态下，本研究方法依然能识别出车轮故障。f，S f，S(a)时间历程(b)Hilbert谱(a)Time domain vibration signal Co)Hilbcn specmun图9轨道不平顺的影响Fig9 The influence of track irregularit
19、y322 车速的影响车辆运行速度变化同样会使轴箱振动信号发生改变，并影响车轮擦伤冲击的幅值和频率。为了分析车辆运行速度的变化对检测和诊断能力的影响，计算了车辆以150 kmh运行时的轴箱垂向加速度响应，其他参数与工况2一致。由于车速发生了改变，相应的故障频率变为15 Hz。图10为此工况下的Hilbert谱，从图中可以清晰地看到15个均匀间隔的垂向条带，从而有效地识别出车辆踏面擦伤故障。在行车速度发生改变的情况下，本研究方法能较为准确地跟踪变化趋势，确保故障特征的图10车速的影响Fig1 0 The influence of speed万方数据738 振动、测试与诊断 第36卷有效识别，体现了
20、诊断方法的鲁棒性。33多边形车轮计算了具有一阶和二阶多边形化车轮的车辆以300 kmh的速度运行时的轴箱垂向加速度，对其进行Hilbert谱分析，如图11所示。可以看到，多边形车轮引起的轴箱垂向振动的Hilbert谱在横向上呈条带状分布，不同阶次的多边形车轮对应不同的特征频率，这与正常状态下的Hilbert谱差异显著，且与擦伤车轮所致轴箱振动的Hilbert谱的特征完全不同。图11(a)中，一阶多边形化车轮引起的轴箱垂向振动的Hilbert谱在30 Hz附近出现了清晰的横向条带。在仿真计算中，车轮周长为289 m，车轮转动的频率为288 Hz，偏心车轮在滚动一周的过程中会发生一次周期性变化，因
21、此Hilbert谱的分析结果与理论相符。图11(b)中，由于椭圆车轮在滚动一圈的过程中会发生两次周期性变化，所以轴箱振动频率为图11(a)的2倍。可见，正常车轮不会引起轴箱的异常振动，其Hilbert谱在整个时频域内呈均匀分布，擦伤车轮使得轴箱振动信号的Hilbert谱在垂向上呈条带状分布，多边形车轮使得轴箱振动信号的Hilbert谱在横向上呈条带状分布。因此，本研究方法能有效提取轴箱垂向振动的特征，从而诊断车轮故障，并能判断故障类型，同时可以在车辆运行过程中进行实时检测。1：2。0图中很难发现太多有价值的信息。图13为其频谱分析结果，可以看到明显的谐振频响特征。由理论分析可知，车轮旋转一周的
22、过程中，轮轨间会产生一次剧烈冲击，此时车轮的故障频率等于其转频，约为98 Hz，但图13中没有出现此特征频率，故频谱分析方法的处理结果存在问题。本研究方法得到的Hilbert谱如图14所示，图中可以清晰分辨出垂向条纹，说明车轮存在踏面擦伤故障，条带间隔约为01s，这正是车轮滚动一周所用的时间；同时在10 Hz附近出现了一横向条纹，表明了此频率故障的存在。84巡燃0望一48iu山J“虬I山_lII|II此J 。I叩邢mm叩聊O_03趔002警O叭0一_J 础龇恤 山0 1 2 3 4 5 0 20 40 60 80 100 120t跨ts图12 实测轴箱振动数据图13实测数据的H可分析结果Fig
23、12 Measured data of Fig13 FFT spectrum ofaxle-box vibration measured data10080星604020O_2520115蛏00 图14本研究方法得到的Hilbert谱00 Fig14 Hilbert spectrum obtained by the method proposed(】0粤 in this paper00转00005结束语(a)一阶多边形化 (b)二阶多边形化(a)Time domain vibration signal Co)Hilbert spectrum图11车轮多边形化引起的轴箱垂向振动的Hilbert谱
24、Fig11 HHT spectrum of axle-box vibration caused byoutoround wheels4 实例分析在滚动振动试验台进行了现场测试，试验车辆为某型动车组单节车辆。为了降低试验成本，在轨道轮接触表面贴附胶块来模拟车轮踏面擦伤时的情形。车辆运行速度为200 kmh，轨道轮直径为18 m，轨道激扰为国内某既有线不平顺。图12为现场测试获得的轴箱垂向振动加速度，利用仿真和试验两种手段，使用改进的HHT方法对两种常见的车轮失圆现象：车轮踏面擦伤及车轮多边形化进行研究。针对HHT方法存在的固有缺陷进行改进，提出形态滤波一能量原则算法处理模态混叠现象，并通过仿真信
25、号证明了此方法的优越性。利用改进的HHT提取轴箱垂向振动信号的特征，取得了良好的效果，正常车轮的Hilbert谱呈均匀分布，擦伤车轮使得对应的Hilbert谱在垂向上呈条带状分布，多边形化车轮导致相应的Hilbert谱在横向上呈条带状分布，由此可对列车车轮状态进行有效地检测与诊断。参 考 文 献1Milkovie D，Simic G，Jakovljevic ZWayside system舳加0N甲Ht馨鞲00OOOO万方数据第4期 李奕瑶，等：基于HilbertHuang变换的列车车轮失圆故障诊断 739E233456789310for wheelrail contact forces mea
26、surementsJurement，2013，46(9)：33083318Meas一 11Shen W，Chen Y，Wu ALow-complexity sinusoidalFilograno M L，Corredera P，Barrios A R，et a1Realtime monitoring of railway traffic using fiber Bragggrating sensorsJSensors Journal，2012，12(1)：8592Belotti V，Crenna F，Michelini R C，et a1Wheelflatdiagnostic tool via
27、 wavelet transformJMechanicalSystem and Signal Processing，2006，20(8)：19531966敖银辉，徐晓东，吴乃优用激光位移传感器检测轮对踏面缺陷J西南交通大学学报，2004，39(3)：345348Ao Yinhui，Xu Xiaodong。Wu NaiyouDefect detecting of train wheelset tread surface with laser displacement sensorJJournal of Southwest Jiaotong University2004，39(3)：345348(
28、in Chinese)Brizuela J，Fritsch C，Ibanez ARailway wheelflatdetection and measurement by ultrasoundJTransportation Research Part C，2011，19(6)：975984冯其波，赵雁，崔建英车轮踏面擦伤动态定量测量新方法J机械工程学报，2002，38(2)：120122Feng Qibo，Zhao Yan，Cui j ianyingNew dynamicmethod to quantitatively measure wheel flats or trainsJChinese
29、 Journal of Mechanical Engineering。2002，38(2)：120一122(in Chinese)Molodova M，Li Z，Dollevoet RAxle box acceleration：measurement and simulation for detection ofshort track defectsJWear，2011271(1)：349356Huang N E，Shen Z，Long S RThe empirical modedecomposition and the Hilbert spectrum for nonlinearand no
30、nstationary time series analysisJProceedings of the Royal Society of London，1 998，454(1971)：903995Huang N E，Shen Z，Long S RA new view of nonlinear water waves：the Hilbert spectrumJAnnualReview of Fluid Mechanics，1999，31(1)：417-457Wu Z，Huang N EEnsemble empirical mode decomposition：a noise assisted d
31、ata analysis methodJAdvancesin Adaptive Data Analysis，2005，1(1)：I-41assisted EMD(SAEMD)algorithms for solving modemixing problems in HHTJDigital Signal Processing，2014，24：17018612Zarraga F L，Rios A I。，Esquivel P，et a1A HilbertHuang based approach for online extraction of modalbehavior from PMU data
32、EcNorth American PowerSymposium。Starkville，USA：IEEE，2009：1613秦品乐，林焰，陈明基于平移不变小波阈值算法的经验模态分解方法J仪器仪表学报，2008，29(12)：2637-2641Qin Pinle，Lin Yan，Chen MingEmpirical mode decomposition method based on wavelet with translationinvariance algorithmJChinese Journal of ScientificInstrument，2008，29(12)：2637-2641(i
33、n Chinese)E14黄迪山经验模态分解中虚假模态分量消除法J振动、测试与诊断，2011，31(3)：381384H uang DishanEffect of sampling on empirical modedecomposition and correctionJJournal of Vibration，Measurement&Diagnosis，2011，31(3)：381384(in Chinese)15李忠继，魏来，戴焕云，等基于HilbertHuang变换的车轮扁疤识别方法J交通运输工程学报，2012，12(4)：3341Li Zhongji，Wei Lai，Dai Huanyun，et a1Identification method of wheel flat based on HilbertHuangtransformJJournal of Traffic and TransportationEngineering，2012，12(4)：3341(in Chinese)第一作者简介：李奕瑶，男，1985年4月生，讲师。主要研究方向为机械设备安全监测、故障诊断技术及信号处理。曾发表测力钢轨轮轨力解耦研究(机械工程学报2013年第49卷第4期)等论文。E-mail：li_yifanfoxmailcom万方数据