基于深度学习的城轨列车轴承复合故障诊断研究

姚德臣，刘恒畅，杨建伟，李 熙，崔晓飞

(1.北京建筑大学 机电与车辆工程学院， 北京 100044；2.北京建筑大学 城市轨道交通车辆服役性能保障北京市重点实验室， 北京 100044；3.北京市地铁运营有限公司， 北京 100044)

随着城市轨道交通运营里程的迅速增加，运送客流规模急剧增大，城轨列车作为城市轨道运输的载体，如何在快速运行条件下保障城轨列车的运行安全已经成为各城市共同面临的严峻考验。以某地铁统计数据为例，在轨道车辆走行部故障中机械部件故障高达78%，轴承是最易损坏的零部件之一[1]。

列车轴承最常见故障模式为局部损伤或缺陷，缺陷部位通过其他接触元件表面时会产生冲击振动[2]。因列车运行环境的特殊性，极易导致轴承复合故障发生。列车轴承复合故障发生时，其振动信号往往是非线性非平稳的，且包含有多种频率成分，而且在其运行过程中，这些频率成分的幅值和频率又会受到周期性冲击力的调制。因此，列车轴承复合故障振动信号是一种非线性非平稳的多分量调幅-调频信号[3]。传统滚动轴承故障诊断方法通常包括以下步骤：

(1)原始振动信号的数据预处理。

(2)振动信号特征提取。

(3)使用指定的模型进行故障分类[4]。

特征提取是为了提取信号中有用的故障信息，从而提高故障诊断的准确率[5]。常用的特征提取方法包括短时傅里叶变换(STFT)、小波变换、主成分分析法等。就目前国内外常用于故障特征提取的各种信号处理方法来说，虽然都具有一定的效果，但在针对非平稳、非线性信号的适用性方面以及方法本身的理论方面，仍存在着不同程度的局限性。……