一种基于正常域估计的列车滚动轴承隐患辨识方法
【技术领域】
[0001] 本发明属于及轨道交通安全技术领域。本发明设及一种基于正常域估计的无故障 数据环境下滚动轴承隐患辨识方法。
【背景技术】
[0002] 据统计，火车是事故发生率最低的交通工具。可想而知，为保障安全运营，从一列 新车上线直至服役期满下线，其绝大部分时间必然是处于正常服役状态的，尽管偶有关键 部件发生故障，但相对来说故障发生的概率很小。尤其是随着机车车辆制造技术的不断发 展，列车本身的质量越来越好，安全性也越来越高，其在线服役时关键部件发生异常的情况 越来越少，且现代化的维修和养护手段也为列车运行时的高安全性提供了有效保障。因此， 在某一关键装备的状态数据积累方面，面临的情况是：所采集的数据绝大部分是正常状态 下的数据，相对而言有效的故障状态数据可能十分稀少甚至没有。在新车上线或旧装备换 新时，运种情况更为普遍，甚至可能存在运行数月都没有故障或异常发生的情况。鉴于此， 有效的无故障数据环境下隐患辨识方法和技术亟待研究和突破。
[0003] 目前，国内外已有部分学者在隐患辨识相关的早期故障诊断和故障预测方面进行 了研究。现有研究成果从研究手段上主要分为如下Ξ大类。
[0004] (1)是基于全寿命状态数据和剩余寿命分析和早期故障检测，如：化enLin等针 对齿轮箱的早期故障诊断问题，利用连续时间马尔科夫模型进行各种工况状态的模拟，并 基于振动信号的向量回归建模和贝叶斯方法计算早期故障发生概率；任丽娜等研究了数控 机床故障过程，提出了 4参数非齐次泊松过程模型用于数控机场可靠性分析和早期故障预 测。
[0005] (2)利用基于状态转移或过程模型的概率分析结果进行早期故障检测：化styna Petke等提出了一种普适的基于多参数和多状态数据的组合交互式测试方法，可识别多种 可能发生的早期故障，并将运些故障按发生概率进行排序；许丽佳等针对电子系统的故障 预测问题，提出了线性辨别分析与马尔科夫链W及贝叶斯网络相结合的方法。
[0006] (3)基于实际的或仿真的早期故障数据，利用各种信号处理和模式识别的方法进 行早期故障诊断，运类方法的研究成果最为丰富，如：1化anAydin等针对旋转机械的早期 故障诊断问题，采集了早期故障状态的振动数据，提出了小波和经验模式分解相结合的诊 断方法；HenryDavid等针对飞机控制面伺服环路的早期故障，提出了基于模型的线性变参 数的检测方法，并利用空客飞机的仿真数据进行了验证。
[0007] 上述已有的隐患监测和早期故障识别相关研究中，几乎都采用了实验或仿真技术 进行了故障建模或采集故障数据，无法直接应用于无故障数据环境。因此，针对轨道交通列 车运种无法获取故障状态数据的特殊对象，采用常用的数据驱动及传统的模式识别方法无 法十分有效地完成列车滚动轴承的定量化状态监测和隐患识别。鉴于此，本发明提出了基 于正常域估计的无故障数据环境下滚动轴承的隐患辨识方法。
【发明内容】
[0008] 本发明所采用的技术方案是：
[0009] 本发明的目的是针对无故障数据环境下的列车滚动轴承隐患辨识问题，提出了基 于正常域估计的隐患辨识方法。本发明创新性的提出正常域估计的概念，正常域是针对某 一具体的研究对象（如列车上某些关键装备），在研究对象的安全相关变量空间内，能够且 仅包含正常运行状态数据的特征点的区域。直观来说，正常域由其边界确定，其边界可理解 为能够包住所有正常运行状态点的最小的闭合的几何形状，即：在二维的安全相关变量空 间内，正常域为能够包围所有正常状态点的最小闭合曲线；在Ξ维的安全相关变量空间内， 正常域为能够包住所有正常状态点的最小闭合曲面；在更高维的空间内，正常域则为能够 包住所有正常状态点的最小超平面。附图1所示即为二维空间内的正常域示意图，其中能 包围住所有正常状态点的最小闭合曲线即为正常域边界。
[0010] 本发明可W为缺乏故障数据情况下的列车滚动轴承隐患辨识提供一种新方法，为 解决新车或无故障历史车辆的状态监测提供技术支持和指导。具体采用如下技术方案：该 方法包括如下步骤：
[0011] 1)采集列车滚动轴承在正常运行状态下的振动加速度数据；
[0012] 2)预处理所采集的数据：按时间间隔ti对采集到的振动加速度数据进行分段，对 划分完成的每段数据进行局部均值处理，获得每段数据的乘积函数矩阵，所述时间间隔ti 可在开区间0~T。内任意取值，其中T。为振动加速度数据采集时间；
[0013] 3)提取滚动轴承正常运行状态的统计状态特征向量：对每个乘积函数矩阵利用 主元分析方法进行处理，计算其T2和SPE统计量的控制限，两个控制限的值构成了每段数 据的二维统计状态特征向量，每个向量对应一个状态点；将获得的Τ2和SPE统计量控制限 数据分别进行归一化处理；
[0014] 4)估计正常域边界：将正常域用凸包进行形式化描述，利用凸包估计中的Jarvis 算法求解能够包围3)中统计状态特征点集的最小凸包，此凸包即为估计出的正常域边界； 正常域，是指研究对象的安全相关变量空间内，能够且仅包含正常运行状态数据的特征点 的区域，正常域边界为能包围住所有正常状态点的最小闭合曲线；
[0015] 5)进行滚动轴承的隐患辨识：将实时采集的振动加速度数据经步骤2)~3)的 处理可获得统计状态特征向量，判断统计状态特征向量对应的实时状态点是否位于步骤4) 正常域边界内部，若位于正常域内，则表示当前状态正常，若位于正常域外，则表示出现隐 出 小>、〇
[0016] 进一步地，步骤4)中利用凸包估计正常域边界的具体步骤如下：
[0017] ①设所有正常状态点组成点集P，找出点集P中y轴坐标最小的点，若存在多个运 样的点，则取最左边的点记为P。，该点必为凸包的顶点；
[0018] ②从点P。向右引一条平行于X轴的射线，即为1。；
[0019] ③沿着点P。逆时针旋转射线1。，直到直线1。再次与点集P内的点相交，若运样的 交点有2个或2个W上，则按y轴坐标升序排列运些点，记为Pi,P2,，. . .，Pm，Pl，P2,，. . .，Pm 必为凸包上的顶点；记过P。，Pi,化，，...，Pm的直线为PoPm;
[0020]④WPm为中屯、点，重复步骤③直到重新回到点P。为止，即可求得点集P的凸包的 全部顶点。
[0021] 进一步地，步骤2)中获得乘积函数矩阵具体方法如下：将每段数据进行基于Ξ次 样条函数的局部均值分解，分解过程如下步骤①~⑨，得到每段数据的乘积函数分量后，由 各个乘积函数分量构成乘积函数矩阵；
[0022]①设原始信号为x(t)，找出其所有局部极值点，将所有的局部极大值点和局部极 小值点分别用Ξ次样条曲线连接起来，得到x(t)的上包络线Emgy(t)和下包络线Emi"(t);
[0023] ②按如下两式计算局部均值函数叫1(t)和包络估计函数Cii(t);
[002引③将局部均值函数叫1(0从原始信号x(t)中分离，得[0027]hii(t) =x(t)-mii(t)
[002引④用hii(t)除W包络估计函数Cii(t)，W对hii(t)进行解调，得
[0029]
[0030] ⑥按照①中方法求出Sii(t)所对应的包络估计函数Ci2(t)，若Ci2(t)=1，则Sii(t) 为纯调频函数，若Ci2(t)声1，则需重复上述①~④迭代过程，直至Sh(t)的包络估计函数 Ci(wl) (t) = 1 ;故有
[0033] 理论上，迭代终止条件为蜡'-'ι"ω二1
[0034] ⑧把迭代过程中产生的所有包络估计函数相乘可得包络信号
[0035]
[0036] ⑦将包络信号Cl(t) =1和纯调频信号Si。(t)相乘，即得X(t)的第一个乘积函数 分量化
[0037]化（t) =Cl (1:)·Sin(t)
[0038]⑨将PFi从X(t)中分离，得到一个新的信号r1(t)，将此信号作为待分解信号重复 上述①~⑦步骤k次，直至rk(t)为一单调函数为止，即
[0039]
[0040] 则如下所示，原始信号X(t)被分解为k个PF分量和一个r,(t)之和：
[0041]
。
[0042] 本发明具有如下有益的技术效果：创新地提出正常域估计的概念，能够在仅有正 常状态数据的情况下准确地辨识列车滚动轴承是否存在隐患，为滚动轴承的状态监测、隐 患评估、故障预警提供了有效的方法。
【附图说明】
[0043] 图1是正常域示意图。
[0044] 图2是凸包示意图。
[0045] 图3正常域边界估计结果。
[0046] 图4存在隐患时的辨识结果。
【具体实施方式】
[0047] 下面结合附图对本发明的实施例具体说明。一种基于正常域估计的无故障数据环 境下列车滚动轴承隐患辨识方法包括W下具体实施步骤：
[0048] 1)采集正常运行状态数据：采集列车滚动轴承在正常运行状态时的振动加速度 数据；
[0049] 2)振动加速度数据的分段处理：将所采集到的振动加速度数据按固定的时间间 隔ti进行分段，划分得到的每个数据段将对应一个状态特征向量，即状态点；
[0050] 3)获得乘积函数矩阵：将每段数据进行基于Ξ次样条函数的局部均值分解，分解 过程如下步骤①~⑨，得到每段数据的乘积函数分量后，由各个乘积函数分量构成乘积函 数矩阵；
[0051] ①设原始信号为x(t)，找出其所有局部极值点，将所有的局部极大值点和局部极 小值点分别用Ξ次样条曲线连接起来，得到X(t)的上包络线Emgy(t)和下包络线Emi"(t);
[0052]②按如下两式计算局部均值函数恥(t)和包络估计函数Cii(t);
[005引③将局部均值函数叫1(0从原始信号x(t)中分离，得
[0056] hii(t) =x(t)-mii(t) (3)
[0057] ④用hii(t)除W包络估计函数Cii(t)，W对hii(t)进行解调，得
[0058]
(4)
[0059]⑥按照①中方法求出Sii(t)所对应的包络估计函数Ci2 (t)，若Ci2 (t) = 1，则Sii(t) 为纯调频函数，若Ci2(t)声1，则需重复上述①~④迭代过程，直至Sh(t)的包络估计函数 Ci(wl) (t) = 1。故有
[0062] 理论上，迭代终止条件为把= 1
[0063] ⑧把迭代过程中产生的所有包络估计函数相乘可得包络信号
[0064]
巧
[0065] ⑦将包络信号Cl(t) = 1和纯调频信号Si。(t)相乘，即得X(t)的第一个乘积函数 (productfunction,PFO分量PFi
[0066] i^ia)=cia)*sin(t)做
[0067]⑨将PFi从X(t)中分离，得到一个新的信号r1(t)，将此信号作为待分解信号重复 上述①~⑦步骤k次，直至rk(t)为一单调函数为止，即
[0068]
餅
[0069] 则如下所示，原始信号x(t)被分解为k个PF分量和一个rk(t)之和。
[0070]
(10)
[0071] 4)提取统计状态特征向量：在获得正常状态下的滚动轴承振动数据的乘