轨道交通装备通风系统轴承管理范文

本站小编为你精心准备了轨道交通装备通风系统轴承管理参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要:风机是轨道交通装备通风系统的关键系统部件，其健康状态直接关系到列车运行牵引系统的工作状态。分析了风机电机轴承健康管理系统，综合考虑风机风速、电机轴承温度和振动加速度三类信号的粘连，根据已知故障信号训练的深度信念神经网络来对未知的故障信号进行识别，并对该方法在轨道交通风机轴承故障诊断的应用进行了探讨。

关键词:轨道交通装备;健康管理;风机;轴承;神经网络

引言

风机是冶金、石化、电力、城市轨道交通、纺织、船舶等国民经济各领域以及各种场所通风换气的关键系统部件，其健康状态一直是关注的重点，而75%的风机故障由电机轴承故障引起。如何对风机电机轴承健康状态进行分析预测，对轨道车辆的运营、维护进行管理，是轨道车辆厂家、轨道车辆运维等各方一直关心的课题和方向。以往对风机轴承的故障判断依据轴承的运行温度，由于轨道运行的不稳定性，传统的故障预判方式对轨道交通装备上的风机电机轴承并不适用，轨道交通装备在运行过程中车体自身振动信号复杂，没有合适的方式排除振动信号的干扰［1－3］。此外，轴承的健康状态只有一种，但轴承表面损伤、轴承几何位置异常、润滑不足或润滑油失效等多种原因都有可能引起轴承运行温升异常［4］，因此仅根据轴承的运行温升异常只能判定风机轴承运行异常，不能对是否需要立即更换或其他处理作出预判断。现代工业技术尤其是传感器、嵌入式系统、网络通信技术、大数据的信息技术的迅速发展，也为通风系统的PHM研究提供了先进的技术手段。文献［5］结合小波包变换提取缺陷特征信息利用深度信念神经网络对提取得到的特征信息进行缺陷类型识别，并结合柱面超声相控阵系统对不同类型缺陷进行了定性分析。

1通风冷却设备故障预测机理

根据以往故障数据的分析，电机轴承故障占风机总故障数的75%，当出现轴承故障时，风机已不能运用，因此有必要在故障前预警。

1．1轴承温度监测预测机理

电机带动风机叶轮高速旋转时，轴承温度随工作时间逐步上升，直至其最高允值;在不同的环境温度下工作，轴承有不同的温升曲线，数学处理后可以得到温升速率，当轴承温升速率发生改变时，说明轴承的工作环境或其自身的状态已发生改变，利用电机振动速度，对轴承温升速率作加权处理，可以得到轴承的状态信息。

1．2通风机风速监测预测机理

机械间通风机经过滤网从车外吸入空气，空气经出风口排出，带走热量，保持机械间温度。机车日常维护工作就是清洗过滤网，因此准确判断过滤网的状态可以为日常维护工作提供依据。风速V与进风口面积有固定的函数关系，当进风口过滤网被堵塞时，风速降低。因此通过测量机械间进风口的风，可以判断进风道口的基本状态。

1．3轴承振动监测预测机理

电机轴承在故障状态下进行运行，其振动信号的复杂度就会出现一定的增加，这种振动异常的频谱特性可以用来作为电机轴承故障检测方案。美国凯斯西储大学的轴承数据实验结果显示［6］，排列熵和样本熵都能够用来衡量轴承异常振动信号的复杂性，结合正常信号进行对比，能够有效地诊断电机的具体故障状况。此外通过设置阀值和图像分析可以进一步对电机轴承故障进行预警，这对于电机轴承故障诊断来说有重要意义，并且这种方案操作简便，器械简单，在大多数工厂内都获得了广泛应用。

2深度信念神经网络的搭建

2．1深度信念神经网络分类

深度信念网络模型是由多个限制玻尔兹曼机(RestrictedBoltzmann－machine，RBM)的累加，一个RBM包括一个隐含层和一个可见层，隐含层和可见层单元间有双向链接，同一层内部各单元之间无相互连接，如图1所示。如图2所示，此处采用的深度信念神经网络由3层RBM的堆叠而成，可以看成是由多个随机变量组成有向无环图。网络中的RBM由可见层和隐含层组成，隐含层单元被训练去捕捉在可见层表现出来的高阶数据的相关性。在分类网络中，顶层的RBM训练时需要加入标签单元，相应的标签单元被打开设为1，而其他的则被关闭设为0。网络顶层是一个softmax分类器，实现最终检测的多分类概率预判。

2．2小波包分解算法特征提取

小波包分解算法是用于对传感器回传数据进行特征提取的方法。Mallat小波包分解算法框架如图3所示。小波包理论可以将小波变换在高频部分作进一步分解，是正交小波变换随尺度因子增大而变宽的频谱窗口进一步变细，将信号分解到不同频段，具有精确细分的特点和较强的时频局部化能力。利用Mallat分解算法对信号进行M层分解，以获得在频带中的信号的特征信息，原信号的能量即被分解到2M个正交频带，得到M层2M个节点系数，信号在各个频段内的能量总和同原始回波信号的能量相同，在每个频带中的信号表示原始回波信号频率范围内的特征信息。本方法中利用Mallat分解算法对传感器回传的数据进行四层小波包分解，得到第四层的小波包系数，即第四层的16个节点系数，这16个节点系数组成的则是神经网络底层RBM的输入层。

3整体方案

针对轨道交通运输的复杂工况，本文在通风支路风道上安装风速传感器，同时在电机轴承上安装振动加速度传感器和温度传感器，实现在监测轴承温度及振动加速度的同时对风机的整体运行状态进行监测，将风速、温度和振动加速度三类监测数据直接粘连后，采用小波包分解重构算法对原始数据进行分解重构以提取信号特征，使得获取的数据在一定程度上减弱整车振动信号的干扰，为下一步计算减少数据量，加快网络运行速度，提高识别效率。采用深度信念神经网络进行故障特征的学习训练时，将轴承的健康状态分为正常运行状态及N类不同故障状态，通过对轴承的运行数据进行特征提取，然后代入网络中进行故障分类来对应确定是否需要进行维护或更换。

4结语

本文提出的轨道交通装备用风机电机轴承健康管理方法可以对影响行车安全的关键部件的故障进行预警，有助于减少机车运行过程中的高危害事件发生频次。该健康管理系统对车载通风冷却设备的运行状态有基本判断，可提供维护和保养策略，减少维护时间，降低维护成本。在通风冷却设备自身产品质量得到保证的情况下，对发生频次高、对机车运行有一定影响的风机轴承故障进行预警，使机车在投入运用前得到针对性的维护，提高机车运行系统的安全性和可靠性。

参考文献:

［1］王宏超，陈进．强抗噪时频分析方法及其在滚动轴承故障诊断中的应用［J］．机械工程学报，2015，51(1):90－96．

［2］田锐．轴承振动信号的去趋势分析和故障特征提取方法研究［J］．机械设计与制造，2018(12):100－104．

［3］王立祥，廖爱华，丁亚琦．基于比例故障率模型的转向架牵引电机滚动轴承可靠性评估［J］．测控技术，2018，37(1):14－18．

［4］罗怡澜．高速列车轴承异常温升与警方法研究［D］．成都:西南交通大学，2018．

［6］刘朦月．基于振动信号的电机轴承故障诊断方法研究［D］．哈尔滨:哈尔滨工业大学，2016．

作者：陈诗文 朱茂华 何惩 易柯 李登科 单位：大功率交流传动电力机车系统集成国家重点实验室