一种基于VMD自适应参数选择的铁路机车轴承诊断方法

摘要

本申请涉及机车诊断技术领域，提供一种基于VMD自适应参数选择的铁路机车轴承诊断方法，所述方法包括：采集获取机车的运行状态数据；通过计算轴承转速信息；获取轴承基本信息结合转速信息得到故障特征频率；采集机车的轴承振动信号和电机电流信号，获得特征信号并进行VMD分解，采用迭代分解方法获取最优分解参数，并对特征信号进行分解，获得多个IMF分量，之后计算复合熵并比对，得到复合熵的变化特征，判断轴承是否发生故障。采用本方法能够解决采用VMD分析铁路机车轴承复杂，且参数取值不准确的问题，通过同时处理振动信号和电机电流信号，达到准确诊断各种类型的机车轴承故障的效果。

说明书

技术领域

本申请涉及机车诊断技术领域，特别是涉及一种基于VMD自适应参数选择的铁路机车轴承诊断方法。

背景技术

滚动轴承是机车传动系统核心部件，其工作条件十分恶劣。在高速、重载的状况下运转，经受灰尘、雨雪的侵袭，加之环境温度变化剧烈，载荷变化频繁，因而极易发生局部磨损、点蚀、破落等微损伤，进一步发展为轴承故障。如果不能在早期发现故障并提前处理，将会导致机车运行异常，造成严重经济损失甚至是人员伤亡。

当前机车轴承工况监测与故障诊断常使用基于振动信号的分析方法。机车轴承振动信号复杂且易受车体、转向架、轮轨等振动干扰，早期故障产生的故障信息微弱，故障特征提取须采用强有力的信号分析方法。而自适应信号分解因能有效排除其他分量干扰，广泛用于故障诊断。常用的自适应分解方法有很多，其中EMD，EEMD和LMD为经验方法，尚存若干理论问题待解决，而VMD具有完善的数学理论支撑，其本质是一个自适应最优Wiener波器组，以非递归的方式将一个复杂多组份信号分解为一系列AM-FM分量VMD分析可以提高局部频谱分辨率，在电机电流信号分析有很好的应用前景。VMD的分解能力取决于所选的参数，即模数K和惩罚因子α，由于K与α都是离散取值，如果参数设置不准确，则分解结果将会有很大的不同。而且优化算法复杂、计算费时，实际使用中受到限制。

综上所述，现有技术中存在采用VMD分析铁路机车轴承复杂，且参数取值不准确，在实际使用中受到限制的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种基于VMD自适应参数选择的铁路机车轴承诊断方法。

一种基于VMD自适应参数选择的铁路机车轴承诊断方法，方法包括：采集获取目标机车的运行状态数据，所述运行状态数据包括车轮直径、机车运行速度，并通过所述车轮直径、机车运行速度计算获得轴承转速信息；采集获取所述目标机车的轴承基本信息，结合所述轴承转速信息计算获得故障特征频率，所述故障特征频率包括外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率；通过数据采集装置采集所述目标机车运行时的轴承振动信号和电机电流信号，获得所述目标机车的特征信号；对所述特征信号进行VMD分解，并采用迭代分解方法获取最优分解参数(K，α)，其中，K表征模态数，α表征惩罚因子；利用所述最优分解参数(K，α)对所述特征信号进行VMD分解，获得K个IMF分量，并计算获得K个IMF分量对应的K个复合熵；比对所述K个复合熵，获取所述K个复合熵的变化特征，根据所述变化特征判断轴承是否发生故障，如果是，对所述K个IMF分量进行分析，获得目标IMF分量，并获取所述目标IMF分量的包络和包络谱；根据所述包络和所述包络谱进行所述故障特征频率的匹配，并生成预警信息，并通过铁路机车轴承诊断系统发送预警信息。

在一个实施例中，所述特征信号进行VMD分解，并采用迭代分解方法获取最优分解参数，包括：对VMD分解参数(K，α)进行初始值设置，获取初始值K

在一个实施例中，调整VMD分解参数(K，α)中K和α的值，进行迭代分解，搜寻最优总熵，包括：基于所述初始值K

在一个实施例中，采集获取所述目标机车的轴承基本信息，结合所述轴承转速信息计算获得故障特征频率，包括：采集获取所述目标机车的所述轴承基本信息，其中，所述轴承基本信息包括滚动体直径、滚道节径、轴承接触角、滚动体个数；利用所述滚动体直径、滚道节径、轴承接触角、滚动体个数和轴承转速信息，通过所述故障特征频率的计算公式计算获得所述外圈故障频率、所述内圈故障频率、所述滚动体故障频率、所述保持架故障频率。

在一个实施例中，所述故障特征频率的计算公式如下：

其中，f

在一个实施例中，所述K个IMF分量进行分析，获得目标IMF分量，并获取所述目标IMF分量的包络和包络谱，包括：对所述K个IMF分量进行分析，计算获得所述K个IMF分量对应的K个复合熵；对所述K个复合熵的频率值进行比对，根据比对结果获得目标IMF分量；对所述目标IMF分量进行包络分析，获得所述目标IMF分量的包络和包络谱。

在一个实施例中，根据所述包络和所述包络谱进行所述故障特征频率的匹配，并生成预警信息，并通过铁路机车轴承诊断系统发送预警信息，包括：根据所述包络谱获取所述目标IMF分量的基波频率；根据所述基波频率与所述故障特征频率中的外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率进行比对匹配，确定匹配故障频率；根据所述匹配故障频率生产所述预警信息，并通过所述铁路机车轴承诊断系统发送所述预警信息。

一种用于铁路机车轴承诊断系统，包括：状态信息获取模块，所述状态信息获取模块用于采集获取目标机车的运行状态数据，所述运行状态数据包括车轮直径、机车运行速度，并通过所述车轮直径、机车运行速度计算获得轴承转速信息；故障频率计算模块，所述故障频率计获得模块用于采集获取所述目标机车的轴承基本信息，结合所述轴承转速信息计算获得故障特征频率，所述故障特征频率包括外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率；轴承信号采集模块，所述轴承信号采集模块用于通过数据采集装置采集所述目标机车运行时的轴承振动信号和电机电流信号，获得所述目标机车的特征信号；参数分解获得模块，所述参数分解获得模块用于对所述特征信号进行VMD分解，并采用迭代分解方法获取最优分解参数(K,α)，其中，K表征模态数，α表征惩罚因子；复合熵获取模块，所述复合熵获得模块用于利用所述最优分解参数(K，α)对所述特征信号进行VMD分解，获得K个IMF分量，并计算获得K个IMF分量对应的K个复合熵；目标分量调整模块，所述目标分量调整模块用于比对所述K个复合熵，获取所述K个复合熵的变化特征，根据所述变化特征判断轴承是否发生故障，如果是，对所述K个IMF分量进行分析，获得目标IMF分量，并获取所述目标IMF分量的包络和包络谱；结果匹配发送模块，所述结果匹配发送模块用于根据所述包络和所述包络谱进行所述故障特征频率的匹配，并生成预警信息，并通过铁路机车轴承诊断系统发送预警信息。

上述一种基于VMD自适应参数选择的铁路机车轴承诊断方法和系统，能够解决采用VMD分析铁路机车轴承复杂，且参数取值不准确，在实际使用中受到限制的问题，根据采集获取目标机车的运行状态数据计算轴承转速信息，通过采集目标机车的轴承基本信息，结合轴承转速信息计算获得故障特征频率，通过振动传感器采集目标机车运行时的轴承振动信号，并进行VMD分解，之后采用迭代分解方法获取最优分解参数，得K个IMF分量，计算复合熵并比对复合熵的变化特征，通过对IMF分量进行分析，获得目标IMF分量，并获取目标IMF分量的包络和包络谱，之后进行故障特征频率的匹配，并生成预警信息，并通过铁路机车轴承诊断系统发送预警信息，实现降低使用难度，提高VMD分析的效率和准确度。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为一个实施例中一种基于VMD自适应参数选择的铁路机车轴承诊断方法的流程示意图；

图2为一个实施例中一种基于VMD自适应参数选择的铁路机车轴承诊断方法中采用迭代分解方法获取最优分解参数的流程示意图；

图3为本申请提供了一种用于铁路机车轴承诊断系统的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

如图1所示，本申请提供了一种基于VMD自适应参数选择的铁路机车轴承诊断方法，所述方法包括：

步骤S100：采集获取目标机车的运行状态数据，所述运行状态数据包括车轮直径、机车运行速度，并通过所述车轮直径、机车运行速度计算获得轴承转速信息；

具体而言，铁路机车轴承诊断系统是一种用于机车轴承智能化诊断的平台，与系统与振动传感器通信连接，所述数据采集装置包括多种传感器，用于采集目标机车的轴承运行特征数据，比如振动信号和电机电流信号。其中，运行状态数据为机车正在运行时的参数，通过车轮直径和机车运行速度通过数学公式计算得到轴承转速，由于机车的故障频率在不同转速下时不同的，故通过计算正在运行的机车的轴承转速，时为了采集机车在不同转速下的故障频率。

步骤S200：采集获取所述目标机车的轴承基本信息，结合所述轴承转速信息计算获得故障特征频率，所述故障特征频率包括外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率；

具体而言，所述外圈故障频率为计算得到的机车轴承外圈故障频率，所述内圈故障频率为计算得到的机车轴承内圈故障频率，所述滚动体故障频率为计算得到的机车轴承中包含的滚动体的故障频率，所述保持架故障频率为计算得到的机车轴承中包含的保持架的故障频率。基于轴承基本信息和轴承转速信息通过公式计算得到故障特征频率，是为了通过分析提取故障频率进而诊断轴承故障。

在一个实施例中，本申请步骤S200还包括：

步骤S210：采集获取所述目标机车的所述轴承基本信息，其中，所述轴承基本信息包括滚动体直径、滚道节径、轴承接触角、滚动体个数；

步骤S220：利用所述滚动体直径、滚道节径、轴承接触角、滚动体个数和轴承转速信息，通过所述故障特征频率的计算公式计算获得所述外圈故障频率、所述内圈故障频率、所述滚动体故障频率、所述保持架故障频率；

具体而言，所述滚动体直径为正在运行的机车的轴承中的滚动体直径，所述滚道节径为正在运行的机车的轴承中的滚道节径，所述轴承接触角为正在运行的机车的轴承中的轴承接触角，所述滚动体个数为正在运行的机车的轴承中包含的滚动体个数；通过采集所述目标机车的轴承基本信息一级计算得到的轴承转速，可以通过公式计算得到故障特征频率。

在一个实施例中，本申请步骤S220还包括：

步骤S221：所述故障特征频率的计算公式如下：

其中，f

步骤S300：通过数据采集装置采集所述目标机车运行时的轴承振动信号和电机电流信号，获得所述目标机车的特征信号；

步骤S400：所述特征信号进行VMD分解，并采用迭代分解方法获取最优分解参数(K，α)，其中，K表征模态数，α表征惩罚因子；

具体而言，机车轴承振动信号复杂且易受车体、转向架、轮轨等振动干扰，通过对其进行VMD分解，选择对故障敏感的分量进一步分析，能准确提取故障特征，有效排除其他分量干扰。通过采集轴承振动信号和电机电流信号，获得的特征信号再进行VMD分解，可以实现既能处理振动信号，又能处理电机电流信号，准确诊断各种类型的机车轴承故障的技术效果。其中，所述迭代分解方法的主要步骤包括：对信号进行VMD分解，获得多个IMF分量；对各IMF分量进行包络分析，计算包络模糊熵；计算各IMF分量的初始散布熵，与包络复合熵结合，形成复合熵；求所有IMF分量复合熵的平均值，作为一次VMD分解的总熵；进而多次调整VMD分解参数(K，α)，重新计算总熵，搜寻最小的总熵；多次计算找到最小的总熵，记录该熵值所对应的参数(K，α)作为VMD分解的最优参数，K，α均为大于1的正整数。利用迭代分解方法获取最优分解参数(K，α)，可以减少获得参数K，α的计算量，进而提高提取故障特征频率的效率。

在一个实施例中，如图2所示，本申请步骤S400还包括：

步骤S410：对VMD分解参数(K，α)进行初始值设置，获取初始值K

步骤S420：对各IMF分量进行包络分析，计算获得初始包络模糊熵；

步骤S430：计算所述各IMF分量的初始散布熵，并与所述初始包络模糊熵结合，得到K

步骤S440：计算所述各IMF分量复合熵的平均值，作为一次VMD分解的总熵；

步骤S450：调整VMD分解参数(K，α)中K和α的值，进行迭代分解，搜寻最优总熵，并以所述最优总熵对应的参数(K，α)作为VMD分解的最优分解参数。

具体而言，所述初始值的取值是根据实际经验得到的最小值，K

在一个实施例中，本申请步骤S450还包括：

步骤S451：基于所述初始值K

步骤S452：输入K＝K

步骤S453：输出最优总熵对应的参数K和α的最优值作为最优分解参数。

具体而言，一般而言，K

步骤S500：利用所述最优分解参数(K，α)对所述特征信号进行VMD分解，获得K个IMF分量，并计算获得K个IMF分量对应的K个复合熵；

步骤S600：比对所述K个复合熵，获取所述K个复合熵的变化特征，根据所述变化特征判断轴承是否发生故障，如果是，对所述K个IMF分量进行分析，获得目标IMF分量，并获取所述目标IMF分量的包络和包络谱；

在一个实施例中，本申请步骤S600还包括：

步骤S610：对所述K个IMF分量进行分析，计算获得所述K个IMF分量对应的K个复合熵；

步骤S620：对所述K个复合熵的频率值进行比对，根据比对结果获得目标IMF分量；

步骤S630：对所述目标IMF分量进行包络分析，获得所述目标IMF分量的包络和包络谱。

具体而言，在采用IMF分量计算获得对应的复合熵，通过计算得到复合熵，可以提高VMD参数选择的准确性。之后进行比对分析得到目标IMF分量的包络和包络谱，所述K个IMF分量分别代表了原始信号中的各故障频率分量按照频率高低从小到大的顺序排序，包括外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率；所述目标IMF分量是指K个IMF分量中超出正常频率一定范围的IMF分量，通过分析得到所述目标IMF分量有利于快速分析出故障频率。铁路机车轴承的振动信号非常复杂的。例如，HXD3C机车，其最高时速为120km/h，机车的运行速度为100km/h。由于车轮的直径为1250mm，计算得到轴的转速为424r/min。在此速度下，得到轴箱轴承的故障特性频率为：外圈故障频率为54.8Hz，内圈故障频率为72.5Hz，滚动体故障频率为24.9Hz，保持架故障频率为3.0Hz。将VMD应用于振动信号，自动确定参数，得到7个固有模态函数(IMF)，可以得到混合熵在检测频率的变化、振幅随频率同时发生的周期性变化以及机械系统的动态变化方面都表现良好。混合熵的增加说明了在相应的频率范围内出现了新的频率。计算各IMF的混合熵，得到IMF4的值比正常情况下增加了21％。说明轴承故障导致出现了新的频率。因此，选择了IMF4并进行分析IMF4的包络线和包络线谱。通过上述计算得到的故障频率，并经过IMF分量排序获得目标IMF分量，当轴承的外环故障频率为56Hz时，其二次谐波、三次谐波是相当明显的。在包络谱的特征故障频率上存在这些显著峰表明在外滚道上存在一个显著故障。综上可知，利用VMD分析，可以有效地提取机车轴承的故障特征。

步骤S700：根据所述包络和所述包络谱进行所述故障特征频率的匹配，并生成预警信息，并通过铁路机车轴承诊断系统发送预警信息；

在一个实施例中，本申请步骤S700还包括：

步骤S710：根据所述包络谱获取所述目标IMF分量的基波频率；

步骤S720：根据所述基波频率与所述故障特征频率中的外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率进行比对匹配，确定匹配故障频率；

步骤S730：根据所述匹配故障频率生产所述预警信息，并通过所述铁路机车轴承诊断系统发送所述预警信息。

具体而言，获得所述目标IMF分量的基波频率可以通过低通滤波的方法将高次谐波滤除，得到所需故障信号的频率，通过突出信号的低频变化，有利于VMD参数选择；之后再通过匹配基波频率与故障频率，得到故障具体位置，进而发出预警信息，实现了快速选择VMD参数，准确提取故障特征的技术效果。

在一个实施例中，如图3所示提供了一种用于铁路机车轴承诊断系统，包括：

状态信息获取模块1，所述状态信息获取模块1用于采集获取目标机车的运行状态数据，所述运行状态数据包括车轮直径、机车运行速度，并通过所述车轮直径、机车运行速度计算获得轴承转速信息；

故障频率计算模块2，所述故障频率计算模块2用于采集获取所述目标机车的轴承基本信息，结合所述轴承转速信息计算获得故障特征频率，所述故障特征频率包括外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率；

轴承信号采集模块3，所述轴承信号采集模块3用于通过数据采集装置采集所述目标机车运行时的轴承振动信号和电机电流信号，获得所述目标机车的特征信号；

参数分解获得模块4，所述参数分解获得模块4用于对所述特征信号进行VMD分解，并采用迭代分解方法获取最优分解参数(K,α)，其中，K表征模态数，α表征惩罚因子；

复合熵获取模块5，所述复合熵获得模块5用于利用所述最优分解参数(K，α)对所述特征信号进行VMD分解，获得K个IMF分量，并计算获得K个IMF分量对应的K个复合熵；

目标分量调整模块6，所述目标分量调整模块6用于比对所述K个复合熵，获取所述K个复合熵的变化特征，根据所述变化特征判断轴承是否发生故障，如果是，对所述K个IMF分量进行分析，获得目标IMF分量，并获取所述目标IMF分量的包络和包络谱；

结果匹配发送模块7，所述结果匹配发送模块7用于根据所述包络和所述包络谱进行所述故障特征频率的匹配，并生成预警信息，并通过铁路机车轴承诊断系统发送预警信息。

进一步地，所述故障频率计算模块2还用于：

采集获取所述目标机车的所述轴承基本信息，其中，所述轴承基本信息包括滚动体直径、滚道节径、轴承接触角、滚动体个数；

进一步地，所述故障频率计算模块2还用于：

所述故障特征频率的计算公式如下：

其中，f

进一步地，所述参数分解获得模块4还用于：

对VMD分解参数(K，α)进行初始值设置，获取初始值K

对各IMF分量进行包络分析，计算获得初始包络模糊熵；

计算所述各IMF分量的初始散布熵，并与所述初始包络模糊熵结合，得到K

计算所述各IMF分量复合熵的平均值，作为一次VMD分解的总熵；

调整VMD分解参数(K，α)中K和α的值，进行迭代分解，搜寻最优总熵，并以所述最优总熵对应的参数(K，α)作为VMD分解的最优分解参数。

进一步地，所述参数分解获得模块4还用于：

基于所述初始值K

输入K＝K

输出最优总熵对应的参数K和α的最优值作为最优分解参数。

进一步地，所述目标分量调整模块6还用于：

对所述K个IMF分量进行分析，计算获得所述K个IMF分量对应的K个复合熵；

对所述K个复合熵的频率值进行比对，根据比对结果获得目标IMF分量；

对所述目标IMF分量进行包络分析，获得所述目标IMF分量的包络和包络谱。

进一步地，所述结果匹配发送模块7还用于：

根据所述包络谱获取所述目标IMF分量的基波频率；

根据所述基波频率与所述故障特征频率中的外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率进行比对匹配，确定匹配故障频率；

根据所述匹配故障频率生产所述预警信息，并通过所述铁路机车轴承诊断系统发送所述预警信息。

综上所述，本申请提供了一种用于自动化设备的同步控制方法及系统具有以下技术效果：

1.本申请根据机车轴承辐射信号特征，先对机车轴承发出的振动信号和电机电流信号做VMD分解，然后用同样的混合熵找出对故障敏感的IMF分量，进一步分析提取故障特征频率，诊断机车轴承故障，实现既能处理振动信号，又能处理电机电流信号，准确诊断各种类型的机车轴承故障的技术效果。

2.通过先对信号做包络分析，用清晰的包络线突出信号变化趋势，再计算包络信号的模糊熵，由于计算模糊熵时减小了一半的数据点数，进一步提高了计算效率，降低VMD分析的时间。

3.通过迭代分解方法获取最优分解参数(K，α)，可以减少获得参数K，α的计算量，进而提高提取故障特征频率的效率。

4.利用获得的所述目标IMF分量的基波频率，可以通过低通滤波的方法将高次谐波滤除，得到所需故障信号的频率，通过突出信号的低频变化，有利于VMD参数选择，降低周围信号的干扰，极大的提高了VMD分析的准确率。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。