摘要：针对公交车辆轴承故障易发且其早期故障难以检测的问题，提出了一种基于多尺度排列熵(MPE)与隐马尔可夫模型(HMM)的轴承故障诊断方法。该方法首先对采集的滚动轴承振动信号进行经验模态分解(EMD)，分解完成后得到一系列固有模态函数(IMF)，选取合适的IMF对信号进行重构，待计算信号多尺度排列熵(MPE)值后再输入已训练收敛的隐马尔模型(HMM)库进行故障类型判别，试验结果验证了该方法的有效性和可行性。
关键词：公交车辆；轴承；状态监测；故障诊断
0引言
随着公交车辆作为现代公共交通中不可或缺的一环，其能否安全稳定地运行会对整个公交集团安全运行能力带来考验，同时如果公交车辆发生故障，将会导致车辆抛锚、损坏等故障，严重的可能对乘客的生命财产安全造成威胁，故公交车辆安全运营事关重大[1-3]。在公交车辆自身发生的故障中，轴承故障占有一定的比例，而轴承早期故障的发生往往难以察觉，只能待其出现且造成车辆运行受较大影响时才能被发现，而此时为时已晚[4-5]。因此，分析与掌握公交车辆轴承早期故障，并及时更换以便排除隐患是缓解公交车辆安全稳定运行的一项重要任务。国内外已开展了深入研究。LiY等[6]运用分层符号动态熵(SYDE)和二叉树支持向量机(BT-SVM)的方法对滚动轴承早期故障进行了诊断，取得了很好的试验效果。张立智等[7]针对传统深度学习方法在滚动轴承故障诊断中分类准确度相对较低的问题，应用一种基于深度卷积模型(DCNN)和支持向量机(SVM)相结合的诊断模型进行故障类型判别，结果表明准确率达到99.25%，提高了故障诊断准确率。上述文献虽解决了轴承故障问题，但对于公交车辆轴承的研究较少，因而对于公交车辆特定工况下的运输状况无法进行细致检测。针对公交车辆轴承故障易发且早期故障难以发现的问题，提出了一种基于MPE[8]与HMM[9]的轴承故障诊断方法，该方法首先对轴承早期故障信号进行EMD[10]分解，从而滤除掉噪声信号，然后从动力学角度求取重构后的信号排列熵值，最后对输入隐马尔可夫模型进行故障类型判别。
1轴承故障特征提取与判别
首先，由于该方法充分考虑了采集的轴承振动信号具有噪声大、故障特征信号难以提取的问题，故应用EMD分解能够滤除噪声信号，因其分解得到的IMF具有信号不同频带的特征，然后选取合适的IMF从而得到新的信号；然后，对各新信号进行MPE处理能够从动力学角度分析故障特征，待选取不同嵌入维数下的排列熵之后，进行标量量化并输入HMM模型进行故障类型判别，得到的对数似然概率最大值即为所对应的故障类型。
2试验研究
为验证所提出方法的有效性，采集一款型号为BJ6856C6B最大承载可达13000kg公交车辆，运用控制变量法预先对该车轴承故障进行设置，由于公交轴承故障大都以内圈故障以及滚子故障存在，故本实验只验证这两种故障诊断状态识别效果。首先，采集轴承无故障情况下的振动信号，采样频率为50k，采样点数为8192，然后用同样的方法采集仅有内圈故障的轴承信号；最后采集仅有滚子故障的轴承信号，每类信号采集20组。其中，正常状态原始信号、内圈故障信号以及滚子故障信号。待采集完成后，分别对以上3种状态信号进行EMD分解，为简化阐述过程只展示主要故障的内圈故障处理结果。从图中可以看出内圈故障经EMD分解后得到若干个固有模态函数，这些函数分量代表了不同频段的原始信号特征，但由于噪声信号以及分解误差的影响其中夹杂了虚假信号，故需要去除这些虚假信号，根据经验，选取IMF1-IMF4的信号分量并对其进行重构；在对重构后的内圈故障信号求取MPE。从图中可看出，不同的嵌入维数下的排列熵值不同，而在一定的范围内嵌入维数越高其排列熵值越大，即信号之间的相关性越低。故选取嵌入维数为4~7的排列熵值作为特征向量进行标量量化后输入HMMs模型库进行故障类型识别。从图中可以看出，在HMM模型库中，内圈故障的20组数据输入后得到的对数似然概率比其他2种状态的概率都要大，仅第6组数据的概率值小于2组概率值，综合20种数据，故障识别率达到了95%。从表中可以看出，基于MPE-HMM的轴承故障诊断方法对内圈故障轴承的识别率达到了95%，对正常状态轴承的识别达到了90%，而对于滚子故障状态的识别较低为80%，究其原因主要为滚子由保护架镶嵌在轴承的内圈上，其在内圈中的滚动时发生故障主要体现在内圈故障中。
3结论
本文提出了一种基于MPE-HMM的公交车辆轴承故障诊断方法，经过试验验证该方法能够有效地对具有内圈故障以及滚子故障的轴承进行判断识别，故障识别准确率达到了80%以上，表明了该方法的有效性以及实际应用的可能性，将来有望在公交场站维修服务站点得到应用，从而省却大量人力物力，乃至彻底消除车辆运行过程中可能发生的故障对交通安全造成的影响。
作者:路艳群 武京利 米泉硕 纪磊 单位:中国共产党北京公共交通控股(集团)有限公司党校培训管理中心
