謝鋒云,劉 昆,陳紅年,馮春雨,劉 翊,王二化
(1.華東交通大學(xué)機(jī)電與車輛工程學(xué)院,江西南昌 330013;2.株洲國創(chuàng)科技有限公司,湖南株洲 412000;3.常州信息職業(yè)技術(shù)學(xué)院機(jī)電工程學(xué)院,江蘇常州 213164)
列車轉(zhuǎn)向架作為承載車體保證列車直線與曲線運(yùn)行平穩(wěn)的關(guān)鍵部件,在列車運(yùn)行中承受著頻繁的交變載荷,可能會導(dǎo)致列車轉(zhuǎn)向架拉桿螺栓松動,進(jìn)而會造成列車脫軌翻車等嚴(yán)重安全事故[1]。因此,轉(zhuǎn)向架拉桿螺栓松動檢測尤為重要。近年來,針對螺栓松動的檢測研究日漸增多,高峰[2]等將壓電阻抗技術(shù)應(yīng)用于螺栓松緊的健康診斷;緱百勇[3]等利用螺栓不同松緊狀態(tài)對應(yīng)不同固有頻率這一特點(diǎn)繪制關(guān)系曲線,可靠地評估了螺栓松動程度;王丹生[4]等利用測量框架節(jié)點(diǎn)處各壓電陶瓷片在螺栓松動前后電導(dǎo)納的變化來識別損傷,對損傷程度能作出較好的識別。但上述檢測對象自身皆處靜態(tài)環(huán)境,對于轉(zhuǎn)向架拉桿螺栓受外界交變載荷產(chǎn)生明顯振動的情況,上述方法無法穩(wěn)定獲取所需信號,所以針對轉(zhuǎn)向架拉桿螺栓并不適用。本文針對列車轉(zhuǎn)向架受交變載荷產(chǎn)生的振動,采用加速度傳感器采集拉桿螺栓振動信號,對采集的數(shù)據(jù)進(jìn)行時域、頻域特征提取,選取敏感參數(shù)特征,建立最小二乘支持向量機(jī)(LSSVM)模型,最后將敏感參數(shù)特征導(dǎo)入模型進(jìn)行識別,可以實(shí)現(xiàn)對螺栓松動狀態(tài)的識別。
LSSVM是基于SVM的一種改進(jìn)算法,把原方法的不等式約束變?yōu)榈仁郊s束,從而方便了Lagrange乘子的求解。原問題是QP問題,而在LSSVM中則是一個解線性方程組的問題[5]。
LSSVM問題:等式約束
(1)
yk[wTφ(xk)+b]=1-ek
(2)
式中:w表示分個超平面權(quán)重矩陣;T為轉(zhuǎn)置符號。
另外,在LSSVM中γ和SVM中C的意義是一樣的,都表示一個權(quán)重,用于平衡尋找最優(yōu)超平面和偏差量最小。
接下來,和SVM類似,采用Lagrange乘數(shù)法:
(3)
分別對w,b,ak,ek求偏導(dǎo)=0,有:
(4)
(5)
(6)
(7)
接下來,根據(jù)這4個條件可以列出一個求解a和b的線性方程組。最后得到LSSVM分類模型[6]。
(8)
為檢測列車轉(zhuǎn)向架拉桿螺栓結(jié)構(gòu)在螺栓不同松動狀態(tài)下產(chǎn)生振動信號的差異性,制作了轉(zhuǎn)向架拉桿螺栓結(jié)構(gòu)模型。圖1為實(shí)體結(jié)構(gòu)與模型對比圖。
(a)仿真模型
(b)實(shí)體結(jié)構(gòu)圖1 實(shí)體結(jié)構(gòu)與模型對比
模型材料采用15 mm厚的鋼板,測試的螺栓型號為M24模擬列車轉(zhuǎn)向架拉桿螺栓結(jié)構(gòu),在此模型基礎(chǔ)上搭建了轉(zhuǎn)向架拉桿螺栓松動檢測實(shí)驗(yàn)平臺。實(shí)驗(yàn)平臺方案如圖2所示。
圖2 實(shí)驗(yàn)平臺系統(tǒng)方案圖
該平臺使用儀器包括:掃頻儀、功率放大器、激振器、加速度傳感器SN.07353、數(shù)據(jù)采集卡、PC機(jī)。掃頻儀輸出端接功率放大器AC口,功率放大器Output口接激振器,加速度傳感器接到采集卡,采集卡連接PC機(jī)。使用掃頻儀產(chǎn)生正弦信號,經(jīng)功率放大器放大,最后由激振器對轉(zhuǎn)向架拉桿螺栓結(jié)構(gòu)進(jìn)行穩(wěn)態(tài)正弦激勵,從而模擬列車轉(zhuǎn)向架受外界隨機(jī)交變載荷下產(chǎn)生振動的現(xiàn)象。為減少頂桿與拉桿螺栓結(jié)構(gòu)模型撞擊噪聲,將頂桿頭用強(qiáng)磁鐵與拉桿螺栓結(jié)構(gòu)模型連接。在同一激振頻率下,初步采集不同激振位置與不同傳感器安放位置下的激振數(shù)據(jù),經(jīng)波形差異性分析與觀察比較激振過程的穩(wěn)定性,同時確定了最佳激振位置與傳感器安裝位置如圖3所示。
圖3 傳感器與激振器安裝位置圖
上述目標(biāo)完成后進(jìn)行數(shù)據(jù)采集,設(shè)置采樣率為12 kHz,采樣時間為10 s。針對圖中測試螺栓,通過旋擰一定弧度改變螺栓松動狀態(tài)。本次實(shí)驗(yàn)螺栓狀態(tài)為正常、過渡,松動。為保障檢測結(jié)果的準(zhǔn)確性,激振器激振頻率范圍設(shè)置為100~2 500 Hz,間隔100 Hz,共25種激振頻率。同時為保證采集數(shù)據(jù)的隨機(jī)普遍性,在每種激振頻率下分不同時段采集數(shù)據(jù),共采集5個時段,螺栓每種狀態(tài)對應(yīng)不同激振頻率下共采集125組數(shù)據(jù),3種狀態(tài)共采集375組數(shù)據(jù)。將采集的數(shù)據(jù)進(jìn)行順序分組,用于后續(xù)數(shù)據(jù)處理與狀態(tài)識別。用于狀態(tài)識別的數(shù)據(jù)分組情況如表1所示。
表1 狀態(tài)識別數(shù)據(jù)分組表
機(jī)械設(shè)備發(fā)生故障時,時域信號的幅值和概率分布將會發(fā)生變化,頻域信號中不同頻率成分的能量以及頻譜能量譜峰位置也會發(fā)生改變[7-8]。隨機(jī)提取同一激振頻率不同松動狀態(tài)下的拉桿螺栓模型振動數(shù)據(jù),繪制拉桿螺栓振動信號時域圖,如圖4所示(圖4為激振頻率為600 Hz的時域波形,后續(xù)皆以激振頻率為600 Hz下采集的信號進(jìn)行分析)。由圖4可知,螺栓在正常狀態(tài)下時域波形平穩(wěn),呈現(xiàn)有規(guī)律的波動。在過渡與松動狀態(tài)時波形出現(xiàn)毛刺較多,產(chǎn)生不平穩(wěn)波形。不同松動狀態(tài)幅值上差距明顯。為了獲取更多的故障信息,全面準(zhǔn)確地反映轉(zhuǎn)向架的運(yùn)行狀態(tài),從采集到的振動信號中,通過時域分析提取12個時域特征參數(shù)。從中選取敏感特征:方差(ak)、峰-峰值(bk)與峭度(ck)作為后續(xù)識別特征。方差作為描述信號偏離期望值程度的特征,反映信號總體的分散情況,對于描述信號平穩(wěn)性有著很好地表征。峭度指標(biāo)作為一個高階量指標(biāo),可以很好地反映系統(tǒng)的非線性程度,當(dāng)螺栓產(chǎn)生松動時,系統(tǒng)非線性發(fā)生改變,峭度也產(chǎn)生相應(yīng)變化[9]。峰-峰值用以描述信號的變化范圍,由時域圖可以看出明顯差異,在此可作為一個很好的特征參量。
(a)正常
(b)過渡
(c)松動圖4 拉桿螺栓不同狀態(tài)下時域波形圖
單從時域波形,無法看出由于螺栓松動所引起的頻域波形的變化,對其進(jìn)行傅里葉變換得到頻域波形如圖5所示。
根據(jù)拉桿螺栓頻域波形圖可以看出,拉桿螺栓振動信號能量頻率分布主要集中在9 000 Hz到12 000 Hz之間,頻率分布波形較為接近,仍可看出由于拉桿螺栓松動狀態(tài)的不同,頻域波形分布產(chǎn)生變化。但頻域尖峰信號較多,過多的有用信號被噪聲信號淹沒,導(dǎo)致變化趨勢并不明顯。功率譜作為一種有效的頻域分析手段,可在有限的數(shù)據(jù)中提取淹沒在噪聲信號中的有用信號[10]。為此繪制拉桿螺栓功率譜如圖6所示。
(a)正常
(b)過渡
(c)松動圖5 拉桿螺栓不同狀態(tài)下頻域波形圖
(a)正常
(b)過渡
(c)松動圖6 拉桿螺栓不同狀態(tài)下功率譜圖
根據(jù)拉桿螺栓松動狀態(tài)功率譜圖可知,在正常狀態(tài)下,拉桿螺栓信號功率譜能量大部分集中在頻段為0~2 000 Hz之間。當(dāng)螺栓處于過渡狀態(tài)時主頻能量開始逐漸向高頻方向產(chǎn)生遷移,0~2 000 Hz頻段上能量大小降低并不明顯,但在2 000 Hz以上頻段,能量已開始衰減。當(dāng)螺栓處于松動狀態(tài)時,螺栓功能已嚴(yán)重失效,此時的功率譜能量已較均勻地分布在各頻段上,且能量幅值大小降低明顯。重心頻率與均方根頻率都用于描述功率譜主頻位置變化[11],因此,在頻域上選取重心頻率(dk)與均方根頻率(ek)作為后續(xù)識別特征。
在機(jī)械設(shè)備發(fā)生故障的情況下,系統(tǒng)產(chǎn)生振動的信號在某個頻段內(nèi)的能量會有所減少,相應(yīng)在其他頻段內(nèi)將會增加,由此可見信號各頻段能量包含了大量故障信息[12]。初步由信號頻域分析得到的FFT變換(圖5)與功率譜圖(圖6)可看出各頻域下的信號能量變化。為更清晰地反映振動信號在各頻段內(nèi)能量變化規(guī)律,便于找到螺栓產(chǎn)生松動的故障信息。對采集到的3種狀態(tài)振動信號以db5小波包函數(shù)進(jìn)行小波包三層分解,得到從低頻到高頻8個頻段的信號特征。關(guān)于小波基函數(shù)與分解層數(shù)的選取并無定性理論,需建立在一定的實(shí)驗(yàn)基礎(chǔ)上進(jìn)行選擇[13]。通過實(shí)驗(yàn)篩選,db5小波函數(shù)用于本次特征能量的提取十分合適,小波包三層分解過程簡單說明如圖7所示。其中,S為原始信號,i為分解層數(shù),A與D則分別代表信號經(jīng)小波包分解后的低頻與高頻部分。
圖7 小波包三層分解示意圖
采集到的3種信號分別經(jīng)三層分解重構(gòu)后得到信號fni(n=1,2,3,為3種信號;i=1,2,3…8,為3層分解后8個頻帶的位置)。計算各頻帶信號能量如圖8所示。
圖8 螺栓不同狀態(tài)下小波包能量譜圖
由圖8可知,螺栓在不同松動狀態(tài)各頻段能量變化明顯,提取不同狀松動狀態(tài)下各頻段小波包能量構(gòu)造特征向量Tk=[Ek1,Ek2,Ek3,Ek4,Ek5,Ek6,Ek7,Ek8](k=1,2,3;為3種狀態(tài)下的信號),用于后續(xù)狀態(tài)識別的特征向量。
根據(jù)實(shí)驗(yàn)提取激振頻率為100~2 500 Hz的振動信號數(shù)據(jù),由于每種激振頻率下不同時段共采集5組振動信號,取前4組為訓(xùn)練樣本,最后一組為測試樣本,分別對其進(jìn)行同樣方式的特征提取,每組信號選取敏感特征峰-峰值、方差、峭度、均方根頻率、重心頻率與小波包能量作為識別特征,將提取到的各種特征參數(shù)構(gòu)建特征向量集[ak,bk,ck,dk,ek,Tk],對應(yīng)每種激振頻率分別建立訓(xùn)練集與測試集,訓(xùn)練集維度為12×13,測試集維度為3×13。建立訓(xùn)練標(biāo)簽集[00,00,00,00,01,01,01,01,10,10,10,10]。螺栓正常、過渡、松動狀態(tài)分別對應(yīng)標(biāo)簽分別為00、01、10。將每種激振頻率下的訓(xùn)練集分別帶入LSSVM模型中進(jìn)行訓(xùn)練優(yōu)化,再帶入相應(yīng)測試集進(jìn)行模式識別,識別結(jié)果對應(yīng)螺栓松動狀態(tài)。每組激振頻率對應(yīng)優(yōu)化后的模型識別結(jié)果如表2所示(識別結(jié)果3列分別對應(yīng)00、01、10則為正確識別,若非則為錯誤識別,下劃線部分為錯誤識別)。
表2 對應(yīng)頻率識別結(jié)果表
表2列舉不同激振頻率下螺栓松動狀態(tài)識別的結(jié)果,計算得本次實(shí)驗(yàn)3種狀態(tài)綜合識別率達(dá)到92%。螺栓在過渡狀態(tài)時出現(xiàn)錯誤識別(表中下劃線部分)較多,據(jù)分析螺栓前期松動程度微小,導(dǎo)致振動信號變化差異性不明顯,進(jìn)而導(dǎo)致拉桿螺栓處于過渡狀態(tài)時較多的錯誤識別為正常狀態(tài)。隨著螺栓松動程度的加劇,振動信號變化差異性明顯,拉桿螺栓松動嚴(yán)重,松動狀態(tài)識別結(jié)果的準(zhǔn)確率達(dá)到100%。驗(yàn)證了本次實(shí)驗(yàn)的過程、方法與后續(xù)數(shù)據(jù)處理方法的有效性。
為實(shí)現(xiàn)列車轉(zhuǎn)向架拉桿螺栓松動狀態(tài)識別,本文對比實(shí)體結(jié)構(gòu)制作轉(zhuǎn)向架拉桿螺栓仿真模型,結(jié)合其他硬件設(shè)備搭建了實(shí)驗(yàn)平臺,模擬列車運(yùn)行環(huán)境進(jìn)行數(shù)據(jù)采集。對采集數(shù)據(jù)結(jié)合時域與頻域分析,并結(jié)合小波包能量提取敏感特征向量,用作后續(xù)LSSVM模型的輸入特征向量。通過LSSVM進(jìn)行狀態(tài)分類識別,識別結(jié)果準(zhǔn)確率達(dá)到92%,說明將時域特征峭度、方差、峰-峰值及頻域特征均方根頻率、重心頻率以及時頻域的小波包能量等特征用于螺栓松動狀態(tài)識別的可行性。本次研究對工程中的螺栓松動狀態(tài)檢測識別與設(shè)備安全維護(hù)有借鑒意義。由于本次實(shí)驗(yàn)未曾考慮螺栓由正常經(jīng)過渡到松動的不確定性問題,將廣義區(qū)間理論的不確定性研究方法應(yīng)用于拉桿螺栓狀態(tài)識別有待后續(xù)研究。