關于地鐵車輛轉向架軸承故障診斷的相關問題分析

李向斌 邢遠方 于百惠

（武漢地鐵運營有限公司，湖北 武漢430000）

我國城市軌道交通發展較為迅速，各大城市不斷加強建設及規劃城市軌道交通，其運營成為人們關注的焦點。對地鐵車輛而言，轉向架軸承為核心部件，其與車輛安全穩定運行密切相關，所以加強對列車轉向架軸承故障診斷尤為重要。振動信號中一般折射大量故障信息，本文將立足于武漢地鐵3 號線相關軸承，將其故障機理予以闡述，深究故障診斷的使用方法，提升故障診斷效率，為列車安全運行做以支撐。

1 項目概況

武漢地鐵3 號線一期于2015 年12 月28 日正式開通，為武漢第四條運營的地鐵線路，列車使用6 節編組，為B 型車，截至2020 年10 月共有29 列可上線運營車，其轉向架生產供應商為中車長春軌道客車股份有限公司。其轉向架型號為CW2100（D）型無搖枕轉向架，軸箱軸承為雙列自密封圓柱滾子軸承（CBU），其內部潤滑脂采用Shell Nerita HV，加入劑量為250±20g，圖1為軸箱軸承剖面圖。

2 地鐵車輛轉向架軸承故障機理

2.1 滾動軸承常見故障形式

2.1.1 腐蝕故障

金屬與其周圍介質發生化學或電化學作用，進而造成的破壞稱為腐蝕，造成軸承部件腐蝕成因較多，主要涉及水分或潤滑油化學腐蝕，或強電流通過軸承，以及軸承套環相對運動，均會造成軸承腐蝕故障。

2.1.2 膠合故障

膠合主要指兩個金屬相互粘合現象，受荷載較大及未有良好的潤滑狀況下，摩擦生成大量熱量，軸承短時間內大幅度升溫，使其表面損傷。

2.1.3 磨損故障

磨損故障特指，在部分元件機械作用下，使軸承表面造成嚴重磨損。軸承磨損后，將其與正常軸承相較，未存在相應的變更規律，通常具有隨機性，磨損之后幅值大于正常軸承，所以針對此種狀況，需將其振動信號最高峰值及有效值計算，若計算結果均比正常值大，判定為磨損。

2.2 滾動軸承振動機理及特征頻率

轉向架軸承若出現異常狀況時，會造成地鐵車輛整個系統發生變更，主要表現為減幅振動。通過將其信息進行整合分析，判定軸承故障。根據軸承典型結構圖，可得以下表達式：

式子內圈旋轉速度為Wr=2 πfr；外圈旋轉角速度為Wa= 2πfa；滾動體質心的公轉角速度為 Wc=2πfc；滾動體自傳角速度為 Ws=2πfs，設定滾動體與管道間為純滾動接觸，可滾動體質心的公轉角速度為：

2.3 滾動軸承振動信號分析方法

滾動軸承故障診斷方式較多，譬如溫度、振動、聲學等，其中振動信號診斷，存在顯著的特征，且檢測方式趨于完善及成熟，廣泛應用于軸承故障檢測中。通常可從時域和頻域兩個層面進行分析，其中時域主要側重于軸承是否發生故障的檢測，但無法將故障元件予以明確，而頻域法可將存在故障元件指出。

時域分析法:

圖1 軸箱軸承剖面圖

立足于振動信號軸承故障檢測中，時域分析法尤為重要,其主要通過計算機將振動信號進行收集，且將其進行簡單分析，以表達軸承是否處于正常或異常狀況，通常使用其參數信息可劃分為兩大類，即為有量綱參數和無量綱參數。有量綱參數包含峰值、有效值、方根值等。峰值主要指振動信號出現的最大值，通常具有不穩定性，在不同時刻變更頻率較大，其針對軸承轉動進程中出現瞬時沖擊，具有良好的故障診斷成效；有效值為常見統計參量，反映機械振動強度級別，為機械故障判定核心參數，有效值可將軸承未來發展趨勢予以估測。無量綱參數，主要包含峰值因子、峭度因子等，此類指標與軸承工作狀態變更成正比[1]。

3 列車轉向架軸承故障智能診斷方法

軸承故障診斷主要包含數據收集、特征提取及故障模式識別，如圖2 所示，其中核心環節為故障特征的提取，其與最終故障診斷準確率密切相關。此外，可能存在不同種類的頻譜表現故障特征相同，或相同類型的故障存在多種表現，阻礙準確判定故障類別。因此多數旋轉機械故障診斷系統，可對其故障信號信息作出正確診斷，但針對特征較多故障或特點相似的故障，難以短時間內進行判定。下文主要闡述幾類轉向架軸承故障診斷方式，力爭為軸承故障檢修提供參考。

圖2 軸承故障診斷流程

3.1 小波包分析及包絡解調分析故障診斷

通常而言，軸承使用振動信號診斷方法，主要涉及時域和頻域，在頻域分析進程中，若故障發生階段較早，可根據微弱變更信號進行全方位分析，將其振動信號輸入特定的頻譜圖中，進行系統性對比及研究，將故障未來發展趨勢及故障信息予以確定，遵循漸進可將故障軸承承載狀況予以掌握。通常軸承發生異常時，將進一步發生聯動反應，多數部件運動狀態發生變更，此類頻率可通過計算機進行記錄及深層次分析，將其故障成因確定。同時，此類頻率可作為故障預警指標，當軸承發生故障時可通過計算機進行提醒。待上述操作完成后，可通過濾波器將其信號獲取，利用共振分離方式，將局部頻次進行提取，進一步找出故障成因。

3.2 智能故障模式識別

傳統頻域方式主要通過專業人員將頻譜圖中故障特征進行觀察，判定軸承是否發生故障，以及故障發生類型。近年來，隨著科學技術不斷發展，智能故障識別方式，被普遍應用于軸承故障診斷中，其具有較強的適應性，且可實施自行組織，整個過程無需人工參與，科技含量尤為凸顯，而人工神經網絡需大量故障訓練樣本做以支撐，加之應用環境較為復雜，在工程中難以大面積使用。智能故障識別方式，主要通過計算機根據頻譜圖搜索故障，其核心環節不僅包含譜峰判定、搜索頻帶設定，而且涉及故障特征頻率誤差設定及搜索算法。