本站小編為你精心準備了軌道交通裝備通風系統軸承管理參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要:風機是軌道交通裝備通風系統的關鍵系統部件，其健康狀態直接關系到列車運行牽引系統的工作狀態。分析了風機電機軸承健康管理系統，綜合考慮風機風速、電機軸承溫度和振動加速度三類信號的粘連，根據已知故障信號訓練的深度信念神經網絡來對未知的故障信號進行識別，并對該方法在軌道交通風機軸承故障診斷的應用進行了探討。

關鍵詞:軌道交通裝備;健康管理;風機;軸承;神經網絡

引言

風機是冶金、石化、電力、城市軌道交通、紡織、船舶等國民經濟各領域以及各種場所通風換氣的關鍵系統部件，其健康狀態一直是關注的重點，而75%的風機故障由電機軸承故障引起。如何對風機電機軸承健康狀態進行分析預測，對軌道車輛的運營、維護進行管理，是軌道車輛廠家、軌道車輛運維等各方一直關心的課題和方向。以往對風機軸承的故障判斷依據軸承的運行溫度，由于軌道運行的不穩定性，傳統的故障預判方式對軌道交通裝備上的風機電機軸承并不適用，軌道交通裝備在運行過程中車體自身振動信號復雜，沒有合適的方式排除振動信號的干擾［1－3］。此外，軸承的健康狀態只有一種，但軸承表面損傷、軸承幾何位置異常、潤滑不足或潤滑油失效等多種原因都有可能引起軸承運行溫升異常［4］，因此僅根據軸承的運行溫升異常只能判定風機軸承運行異常，不能對是否需要立即更換或其他處理作出預判斷?，F代工業技術尤其是傳感器、嵌入式系統、網絡通信技術、大數據的信息技術的迅速發展，也為通風系統的PHM研究提供了先進的技術手段。文獻［5］結合小波包變換提取缺陷特征信息利用深度信念神經網絡對提取得到的特征信息進行缺陷類型識別，并結合柱面超聲相控陣系統對不同類型缺陷進行了定性分析。

1通風冷卻設備故障預測機理

根據以往故障數據的分析，電機軸承故障占風機總故障數的75%，當出現軸承故障時，風機已不能運用，因此有必要在故障前預警。

1．1軸承溫度監測預測機理

電機帶動風機葉輪高速旋轉時，軸承溫度隨工作時間逐步上升，直至其最高允值;在不同的環境溫度下工作，軸承有不同的溫升曲線，數學處理后可以得到溫升速率，當軸承溫升速率發生改變時，說明軸承的工作環境或其自身的狀態已發生改變，利用電機振動速度，對軸承溫升速率作加權處理，可以得到軸承的狀態信息。

1．2通風機風速監測預測機理

機械間通風機經過濾網從車外吸入空氣，空氣經出風口排出，帶走熱量，保持機械間溫度。機車日常維護工作就是清洗過濾網，因此準確判斷過濾網的狀態可以為日常維護工作提供依據。風速V與進風口面積有固定的函數關系，當進風口過濾網被堵塞時，風速降低。因此通過測量機械間進風口的風，可以判斷進風道口的基本狀態。

1．3軸承振動監測預測機理

電機軸承在故障狀態下進行運行，其振動信號的復雜度就會出現一定的增加，這種振動異常的頻譜特性可以用來作為電機軸承故障檢測方案。美國凱斯西儲大學的軸承數據實驗結果顯示［6］，排列熵和樣本熵都能夠用來衡量軸承異常振動信號的復雜性，結合正常信號進行對比，能夠有效地診斷電機的具體故障狀況。此外通過設置閥值和圖像分析可以進一步對電機軸承故障進行預警，這對于電機軸承故障診斷來說有重要意義，并且這種方案操作簡便，器械簡單，在大多數工廠內都獲得了廣泛應用。

2深度信念神經網絡的搭建

2．1深度信念神經網絡分類

深度信念網絡模型是由多個限制玻爾茲曼機(RestrictedBoltzmann－machine，RBM)的累加，一個RBM包括一個隱含層和一個可見層，隱含層和可見層單元間有雙向鏈接，同一層內部各單元之間無相互連接，如圖1所示。如圖2所示，此處采用的深度信念神經網絡由3層RBM的堆疊而成，可以看成是由多個隨機變量組成有向無環圖。網絡中的RBM由可見層和隱含層組成，隱含層單元被訓練去捕捉在可見層表現出來的高階數據的相關性。在分類網絡中，頂層的RBM訓練時需要加入標簽單元，相應的標簽單元被打開設為1，而其他的則被關閉設為0。網絡頂層是一個softmax分類器，實現最終檢測的多分類概率預判。

2．2小波包分解算法特征提取

小波包分解算法是用于對傳感器回傳數據進行特征提取的方法。Mallat小波包分解算法框架如圖3所示。小波包理論可以將小波變換在高頻部分作進一步分解，是正交小波變換隨尺度因子增大而變寬的頻譜窗口進一步變細，將信號分解到不同頻段，具有精確細分的特點和較強的時頻局部化能力。利用Mallat分解算法對信號進行M層分解，以獲得在頻帶中的信號的特征信息，原信號的能量即被分解到2M個正交頻帶，得到M層2M個節點系數，信號在各個頻段內的能量總和同原始回波信號的能量相同，在每個頻帶中的信號表示原始回波信號頻率范圍內的特征信息。本方法中利用Mallat分解算法對傳感器回傳的數據進行四層小波包分解，得到第四層的小波包系數，即第四層的16個節點系數，這16個節點系數組成的則是神經網絡底層RBM的輸入層。

3整體方案

針對軌道交通運輸的復雜工況，本文在通風支路風道上安裝風速傳感器，同時在電機軸承上安裝振動加速度傳感器和溫度傳感器，實現在監測軸承溫度及振動加速度的同時對風機的整體運行狀態進行監測，將風速、溫度和振動加速度三類監測數據直接粘連后，采用小波包分解重構算法對原始數據進行分解重構以提取信號特征，使得獲取的數據在一定程度上減弱整車振動信號的干擾，為下一步計算減少數據量，加快網絡運行速度，提高識別效率。采用深度信念神經網絡進行故障特征的學習訓練時，將軸承的健康狀態分為正常運行狀態及N類不同故障狀態，通過對軸承的運行數據進行特征提取，然后代入網絡中進行故障分類來對應確定是否需要進行維護或更換。

4結語

本文提出的軌道交通裝備用風機電機軸承健康管理方法可以對影響行車安全的關鍵部件的故障進行預警，有助于減少機車運行過程中的高危害事件發生頻次。該健康管理系統對車載通風冷卻設備的運行狀態有基本判斷，可提供維護和保養策略，減少維護時間，降低維護成本。在通風冷卻設備自身產品質量得到保證的情況下，對發生頻次高、對機車運行有一定影響的風機軸承故障進行預警，使機車在投入運用前得到針對性的維護，提高機車運行系統的安全性和可靠性。

參考文獻:

［1］王宏超，陳進．強抗噪時頻分析方法及其在滾動軸承故障診斷中的應用［J］．機械工程學報，2015，51(1):90－96．

［2］田銳．軸承振動信號的去趨勢分析和故障特征提取方法研究［J］．機械設計與制造，2018(12):100－104．

［3］王立祥，廖愛華，丁亞琦．基于比例故障率模型的轉向架牽引電機滾動軸承可靠性評估［J］．測控技術，2018，37(1):14－18．

［4］羅怡瀾．高速列車軸承異常溫升與警方法研究［D］．成都:西南交通大學，2018．

［6］劉朦月．基于振動信號的電機軸承故障診斷方法研究［D］．哈爾濱:哈爾濱工業大學，2016．

作者：陳詩文 朱茂華 何懲 易柯 李登科 單位：大功率交流傳動電力機車系統集成國家重點實驗室