基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷：技術(shù)、模型與應(yīng)用一、引言1.1研究背景與意義隨著城市化進(jìn)程的加速，城市人口規(guī)模不斷膨脹，交通擁堵問題日益突出。城市軌道交通作為一種高效、便捷、環(huán)保的公共交通方式，在各大城市得到了迅猛發(fā)展。截至[具體年份]，我國內(nèi)地已有[X]個(gè)城市開通城市軌道交通運(yùn)營線路，運(yùn)營里程總計(jì)達(dá)到[X]公里，車站總數(shù)超過[X]座。城軌列車作為城市軌道交通的核心運(yùn)載工具，其運(yùn)行的安全性與可靠性直接關(guān)系到廣大市民的出行安全和城市交通系統(tǒng)的正常運(yùn)轉(zhuǎn)。滾動(dòng)軸承作為城軌列車轉(zhuǎn)向架等關(guān)鍵部位的重要零部件，承擔(dān)著支撐和傳遞載荷的關(guān)鍵作用，是保障列車平穩(wěn)運(yùn)行的核心部件之一。在實(shí)際運(yùn)行過程中，滾動(dòng)軸承長期處于高負(fù)荷、變工況以及復(fù)雜的運(yùn)行環(huán)境中，承受著交變載荷、沖擊載荷、振動(dòng)以及高溫、潮濕、粉塵等多種不利因素的影響。例如，在列車頻繁啟動(dòng)、制動(dòng)以及通過彎道時(shí)，滾動(dòng)軸承會(huì)受到較大的沖擊力和摩擦力；在隧道等潮濕環(huán)境中，軸承容易受到腐蝕；在車站等人員密集場所，軸承還可能受到異物侵入的威脅。這些因素都極易導(dǎo)致滾動(dòng)軸承出現(xiàn)各種故障，如疲勞剝落、磨損、裂紋、燒傷等。滾動(dòng)軸承一旦發(fā)生故障，若未能及時(shí)發(fā)現(xiàn)和處理，可能會(huì)引發(fā)一系列嚴(yán)重后果。輕微故障可能導(dǎo)致列車運(yùn)行時(shí)產(chǎn)生異常振動(dòng)和噪聲，影響乘客的乘坐舒適性；隨著故障的進(jìn)一步發(fā)展，可能會(huì)引發(fā)熱軸、切軸等嚴(yán)重故障，甚至導(dǎo)致列車脫軌等重大安全事故，造成人員傷亡和巨大的經(jīng)濟(jì)損失。例如，[具體事故案例]年[具體月份]，某城市地鐵列車在運(yùn)行過程中，由于滾動(dòng)軸承故障引發(fā)切軸事故，導(dǎo)致列車被迫停車，造成了線路中斷和大量乘客滯留，不僅給乘客的出行帶來極大不便，也對城市軌道交通系統(tǒng)的形象和聲譽(yù)造成了嚴(yán)重?fù)p害。從經(jīng)濟(jì)角度來看，滾動(dòng)軸承故障還會(huì)導(dǎo)致列車維修成本大幅增加。故障發(fā)生后，需要對故障軸承進(jìn)行更換或維修，這不僅涉及到軸承本身的更換費(fèi)用，還包括因列車停運(yùn)而產(chǎn)生的間接經(jīng)濟(jì)損失，如運(yùn)營收入減少、救援費(fèi)用、延誤賠償?shù)?。此外，為了確保列車的安全運(yùn)行，還需要增加檢修頻次和人力投入，進(jìn)一步提高了運(yùn)營成本。據(jù)相關(guān)統(tǒng)計(jì)數(shù)據(jù)顯示，城軌列車因滾動(dòng)軸承故障導(dǎo)致的維修成本占總維修成本的[X]%以上，且隨著列車運(yùn)行里程的增加和服役時(shí)間的延長，這一比例還在不斷上升。綜上所述，滾動(dòng)軸承故障診斷對于城軌列車的安全運(yùn)行和高效運(yùn)營具有至關(guān)重要的意義。準(zhǔn)確、及時(shí)地診斷出滾動(dòng)軸承的故障，能夠?yàn)榱熊嚨木S修和保養(yǎng)提供科學(xué)依據(jù)，提前采取有效的預(yù)防措施，避免故障的進(jìn)一步發(fā)展和惡化，從而保障列車的運(yùn)行安全，提高運(yùn)營效率，降低維修成本，為城市軌道交通的可持續(xù)發(fā)展提供有力支撐。1.2國內(nèi)外研究現(xiàn)狀近年來，隨著城軌交通的飛速發(fā)展，基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷技術(shù)受到了國內(nèi)外學(xué)者的廣泛關(guān)注，并取得了一系列研究成果。國外在該領(lǐng)域的研究起步較早，技術(shù)相對成熟。一些發(fā)達(dá)國家如美國、德國、日本等，依托其先進(jìn)的傳感器技術(shù)、信號處理技術(shù)和機(jī)器學(xué)習(xí)算法，開展了深入的研究工作。美國在鐵路貨車滾動(dòng)軸承故障軌旁聲學(xué)診斷方面處于世界領(lǐng)先水平，其研發(fā)的軌旁聲學(xué)檢測系統(tǒng)（TADS）已在鐵路運(yùn)輸中得到廣泛應(yīng)用。TADS通過安裝在軌道旁的聲學(xué)傳感器采集列車滾動(dòng)軸承運(yùn)行時(shí)產(chǎn)生的聲學(xué)信號，利用先進(jìn)的信號處理算法和模式識別技術(shù)，對軸承的故障進(jìn)行診斷和預(yù)警。德國的一些研究機(jī)構(gòu)則專注于提高聲學(xué)信號的采集精度和抗干擾能力，通過優(yōu)化傳感器的布置和設(shè)計(jì)，以及采用自適應(yīng)濾波等技術(shù)，有效降低了環(huán)境噪聲對診斷結(jié)果的影響。日本在新干線列車的滾動(dòng)軸承故障診斷中，也運(yùn)用了聲學(xué)診斷技術(shù)，結(jié)合其先進(jìn)的高速列車運(yùn)行控制技術(shù)，實(shí)現(xiàn)了對軸承故障的實(shí)時(shí)監(jiān)測和精準(zhǔn)診斷。國內(nèi)在基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷研究方面雖然起步相對較晚，但發(fā)展迅速。眾多高校和科研機(jī)構(gòu)，如西南交通大學(xué)、北京交通大學(xué)、中國鐵道科學(xué)研究院等，積極投入到該領(lǐng)域的研究中。西南交通大學(xué)的研究團(tuán)隊(duì)針對軌旁聲學(xué)信號的特點(diǎn)，提出了一系列有效的信號處理和特征提取方法。他們利用小波變換、短時(shí)傅里葉變換等時(shí)頻分析方法，對聲學(xué)信號進(jìn)行處理，提取出能夠反映軸承故障的特征參數(shù)，并結(jié)合支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)了對滾動(dòng)軸承故障的準(zhǔn)確分類和識別。北京交通大學(xué)則在傳感器技術(shù)和系統(tǒng)集成方面取得了重要進(jìn)展，研發(fā)了高性能的軌旁聲學(xué)傳感器，提高了信號采集的質(zhì)量和可靠性，并建立了完整的故障診斷系統(tǒng)，實(shí)現(xiàn)了對城軌列車滾動(dòng)軸承故障的在線監(jiān)測和診斷。中國鐵道科學(xué)研究院結(jié)合實(shí)際工程應(yīng)用，對軌旁聲學(xué)故障診斷系統(tǒng)進(jìn)行了大量的現(xiàn)場測試和優(yōu)化，使其更加適應(yīng)復(fù)雜的鐵路運(yùn)行環(huán)境。盡管國內(nèi)外在基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷研究方面取得了一定的成果，但目前的研究仍存在一些不足之處。在聲學(xué)信號采集方面，傳感器的性能和布置方式仍有待進(jìn)一步優(yōu)化。城軌列車運(yùn)行環(huán)境復(fù)雜，噪聲干擾源眾多，現(xiàn)有的傳感器難以在強(qiáng)噪聲環(huán)境下準(zhǔn)確采集到滾動(dòng)軸承的聲學(xué)信號。此外，傳感器的安裝位置和角度對信號采集的質(zhì)量也有很大影響，如何確定最佳的傳感器布置方案，以獲取最有效的聲學(xué)信號，是需要進(jìn)一步研究的問題。在信號處理和特征提取方面，現(xiàn)有的方法在處理復(fù)雜工況下的聲學(xué)信號時(shí)，仍存在一定的局限性。城軌列車滾動(dòng)軸承在不同的運(yùn)行工況下，其聲學(xué)信號的特征會(huì)發(fā)生變化，傳統(tǒng)的信號處理和特征提取方法難以適應(yīng)這種變化，導(dǎo)致故障特征提取不準(zhǔn)確，影響診斷的準(zhǔn)確性。在故障診斷模型方面，雖然機(jī)器學(xué)習(xí)算法在故障診斷中得到了廣泛應(yīng)用，但目前的診斷模型仍存在泛化能力不足、對小樣本故障數(shù)據(jù)的診斷效果不佳等問題。如何提高診斷模型的泛化能力和適應(yīng)性，使其能夠準(zhǔn)確診斷各種類型的滾動(dòng)軸承故障，是當(dāng)前研究的重點(diǎn)和難點(diǎn)。1.3研究內(nèi)容與方法本研究基于軌旁聲學(xué)信號，綜合運(yùn)用數(shù)字信號處理和機(jī)器學(xué)習(xí)等技術(shù)，深入開展城軌列車滾動(dòng)軸承故障診斷的研究，旨在實(shí)現(xiàn)對滾動(dòng)軸承故障的精準(zhǔn)、高效診斷，為城軌列車的安全穩(wěn)定運(yùn)行提供有力保障。具體研究內(nèi)容如下：軌旁聲學(xué)信號特性分析：對城軌列車運(yùn)行時(shí)產(chǎn)生的軌旁聲學(xué)信號進(jìn)行深入研究，分析其在不同工況下的特性。通過大量的現(xiàn)場測試和實(shí)驗(yàn)，獲取不同運(yùn)行速度、載荷、軌道條件等工況下的聲學(xué)信號數(shù)據(jù)。運(yùn)用時(shí)域分析方法，如均值、方差、峰值指標(biāo)等，研究信號的時(shí)域統(tǒng)計(jì)特征；采用頻域分析方法，如傅里葉變換、功率譜估計(jì)等，分析信號的頻率成分和能量分布；利用時(shí)頻分析方法，如短時(shí)傅里葉變換、小波變換、Wigner-Ville分布等，揭示信號在時(shí)間和頻率上的聯(lián)合分布特性，全面掌握軌旁聲學(xué)信號在不同工況下的變化規(guī)律，為后續(xù)的故障特征提取和診斷模型建立奠定基礎(chǔ)?；跀?shù)字信號處理的故障特征提?。横槍壟月晫W(xué)信號易受噪聲干擾、信號特征復(fù)雜等問題，采用先進(jìn)的數(shù)字信號處理技術(shù)進(jìn)行故障特征提取。首先，運(yùn)用濾波技術(shù)，如低通濾波、高通濾波、帶通濾波等，去除信號中的高頻噪聲和低頻干擾，提高信號的信噪比。然后，利用時(shí)頻分析方法對濾波后的信號進(jìn)行處理，提取能夠反映滾動(dòng)軸承故障的特征參數(shù)。例如，基于小波變換的多分辨率分析特性，提取不同尺度下的小波系數(shù)作為故障特征；通過經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）將信號分解為多個(gè)固有模態(tài)函數(shù)（IMF），選取與故障相關(guān)的IMF分量進(jìn)行特征提取。此外，還將探索其他新型的信號處理方法，如變分模態(tài)分解（VMD）、局部均值分解（LMD）等，以提高故障特征提取的準(zhǔn)確性和有效性。基于機(jī)器學(xué)習(xí)的故障診斷模型構(gòu)建：將提取到的故障特征作為輸入，運(yùn)用機(jī)器學(xué)習(xí)算法構(gòu)建滾動(dòng)軸承故障診斷模型。研究多種機(jī)器學(xué)習(xí)算法，如支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、決策樹、隨機(jī)森林等，分析它們在滾動(dòng)軸承故障診斷中的適用性和優(yōu)缺點(diǎn)。通過對不同算法的參數(shù)優(yōu)化和模型訓(xùn)練，提高診斷模型的準(zhǔn)確性和泛化能力。例如，采用交叉驗(yàn)證、網(wǎng)格搜索等方法對SVM的核函數(shù)和懲罰參數(shù)進(jìn)行優(yōu)化；運(yùn)用遺傳算法、粒子群優(yōu)化算法等對ANN的網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重進(jìn)行優(yōu)化。同時(shí)，探索深度學(xué)習(xí)算法在故障診斷中的應(yīng)用，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體長短期記憶網(wǎng)絡(luò)（LSTM）、門控循環(huán)單元（GRU）等，利用其強(qiáng)大的特征自動(dòng)提取和分類能力，進(jìn)一步提升故障診斷的性能。故障診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)：根據(jù)研究成果，設(shè)計(jì)并實(shí)現(xiàn)一套基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷系統(tǒng)。該系統(tǒng)包括硬件和軟件兩部分。硬件部分主要包括軌旁聲學(xué)傳感器、信號采集設(shè)備、數(shù)據(jù)傳輸設(shè)備等，負(fù)責(zé)采集列車運(yùn)行時(shí)的聲學(xué)信號，并將其傳輸?shù)綌?shù)據(jù)處理中心。軟件部分則包括信號處理模塊、故障特征提取模塊、故障診斷模型模塊、結(jié)果顯示與報(bào)警模塊等，實(shí)現(xiàn)對聲學(xué)信號的處理、分析、故障診斷以及診斷結(jié)果的實(shí)時(shí)顯示和報(bào)警。在系統(tǒng)設(shè)計(jì)過程中，充分考慮系統(tǒng)的可靠性、穩(wěn)定性、實(shí)時(shí)性和可擴(kuò)展性，確保系統(tǒng)能夠滿足城軌列車實(shí)際運(yùn)行的需求。在研究方法上，本研究將采用理論分析與實(shí)驗(yàn)研究相結(jié)合、定性分析與定量分析相結(jié)合的方法。通過查閱大量國內(nèi)外相關(guān)文獻(xiàn)，深入研究軌旁聲學(xué)信號處理、故障特征提取和機(jī)器學(xué)習(xí)等方面的理論知識，為研究提供堅(jiān)實(shí)的理論基礎(chǔ)。同時(shí)，搭建實(shí)驗(yàn)平臺，開展大量的實(shí)驗(yàn)研究，獲取真實(shí)的軌旁聲學(xué)信號數(shù)據(jù)，并對所提出的方法和模型進(jìn)行驗(yàn)證和優(yōu)化。在數(shù)據(jù)分析過程中，運(yùn)用定性分析方法，如信號特征的物理意義分析、故障模式的機(jī)理分析等，深入理解滾動(dòng)軸承故障與聲學(xué)信號之間的內(nèi)在聯(lián)系；采用定量分析方法，如準(zhǔn)確率、召回率、F1值、均方誤差等評價(jià)指標(biāo)，對故障診斷模型的性能進(jìn)行客觀、準(zhǔn)確的評估。此外，還將結(jié)合實(shí)際工程應(yīng)用，對故障診斷系統(tǒng)進(jìn)行現(xiàn)場測試和應(yīng)用驗(yàn)證，不斷完善系統(tǒng)功能，提高系統(tǒng)的實(shí)用性和可靠性。二、城軌列車滾動(dòng)軸承故障相關(guān)理論2.1滾動(dòng)軸承結(jié)構(gòu)與工作原理滾動(dòng)軸承作為一種常見的機(jī)械部件，廣泛應(yīng)用于城軌列車等各種機(jī)械設(shè)備中，其主要由內(nèi)圈、外圈、滾動(dòng)體和保持架四個(gè)部分組成。各部件相互配合，共同實(shí)現(xiàn)軸承的支撐和旋轉(zhuǎn)功能。內(nèi)圈是與軸緊密配合的部件，通常采用過盈配合的方式安裝在軸上，隨軸一起轉(zhuǎn)動(dòng)。內(nèi)圈的內(nèi)孔與軸的外徑尺寸精度要求較高，以確保兩者之間的緊密連接，防止在運(yùn)轉(zhuǎn)過程中出現(xiàn)相對滑動(dòng)。內(nèi)圈的外表面加工有滾道，滾動(dòng)體在滾道上滾動(dòng)，滾道的形狀和精度直接影響滾動(dòng)體的運(yùn)動(dòng)軌跡和軸承的性能。例如，在城軌列車的電機(jī)軸上，內(nèi)圈與電機(jī)軸緊密配合，將電機(jī)的旋轉(zhuǎn)運(yùn)動(dòng)傳遞給整個(gè)軸承組件。外圈則安裝在軸承座或機(jī)械殼體孔內(nèi)，一般采用過渡配合，起支承作用，固定不動(dòng)或相對靜止。外圈的外表面與軸承座孔的配合精度同樣重要，它決定了軸承在設(shè)備中的安裝位置和穩(wěn)定性。外圈的內(nèi)表面也加工有滾道，與內(nèi)圈滾道共同為滾動(dòng)體提供滾動(dòng)路徑。在城軌列車的轉(zhuǎn)向架中，外圈安裝在轉(zhuǎn)向架構(gòu)架的軸承座孔內(nèi)，支撐著整個(gè)車輪和車軸組件，承受來自車體的重量和各種運(yùn)行載荷。滾動(dòng)體是軸承中實(shí)現(xiàn)滾動(dòng)摩擦的關(guān)鍵元件，其形狀、大小和數(shù)量直接影響軸承的承載能力和使用性能。常見的滾動(dòng)體有鋼球、圓柱滾子、圓錐滾子、滾針等。鋼球適用于承受較小的載荷和較高的轉(zhuǎn)速，其形狀規(guī)則，在滾道上滾動(dòng)時(shí)摩擦力較小，能夠?qū)崿F(xiàn)平穩(wěn)的旋轉(zhuǎn)運(yùn)動(dòng)。圓柱滾子則具有較大的承載能力，適用于承受較大的徑向載荷，常用于重載機(jī)械設(shè)備中。圓錐滾子既能承受徑向載荷，又能承受一定的軸向載荷，其錐面的設(shè)計(jì)使得滾子在滾動(dòng)時(shí)能夠自動(dòng)調(diào)心，適應(yīng)不同的工作條件。滾針適用于在空間有限的情況下承受較大的徑向載荷，其細(xì)長的形狀能夠在較小的空間內(nèi)提供較大的承載面積。在城軌列車的滾動(dòng)軸承中，根據(jù)不同的部位和工作要求，會(huì)選擇不同類型的滾動(dòng)體。例如，在車輪軸承中，通常采用圓柱滾子或圓錐滾子，以承受較大的徑向和軸向載荷；而在一些輔助設(shè)備的電機(jī)軸承中，可能會(huì)采用鋼球，以滿足高速旋轉(zhuǎn)的需求。保持架的作用是將滾動(dòng)體均勻地分隔開，避免滾動(dòng)體之間相互碰撞和摩擦，同時(shí)引導(dǎo)滾動(dòng)體在滾道上正確地滾動(dòng)，改善軸承內(nèi)部的潤滑性能。保持架通常由金屬或非金屬材料制成，金屬保持架具有較高的強(qiáng)度和耐磨性，適用于高速、重載的工作條件；非金屬保持架則具有重量輕、噪音低、自潤滑性能好等優(yōu)點(diǎn)，常用于對噪音和重量要求較高的場合。在城軌列車的滾動(dòng)軸承中，保持架的設(shè)計(jì)和材料選擇需要考慮列車的運(yùn)行速度、載荷大小、工作環(huán)境等因素。例如，在高速運(yùn)行的城軌列車中，為了降低噪音和提高軸承的可靠性，可能會(huì)采用非金屬保持架；而在重載的轉(zhuǎn)向架軸承中，則需要采用強(qiáng)度較高的金屬保持架。滾動(dòng)軸承的工作原理基于滾動(dòng)摩擦代替滑動(dòng)摩擦的基本原理。當(dāng)內(nèi)圈隨軸旋轉(zhuǎn)時(shí)，滾動(dòng)體在內(nèi)圈和外圈的滾道之間滾動(dòng)，通過滾動(dòng)體的滾動(dòng)實(shí)現(xiàn)軸與軸承座之間的相對旋轉(zhuǎn)運(yùn)動(dòng)。在這個(gè)過程中，滾動(dòng)體承受著來自軸和外圈的載荷，并將載荷均勻地分布在滾道上。由于滾動(dòng)摩擦系數(shù)遠(yuǎn)小于滑動(dòng)摩擦系數(shù)，滾動(dòng)軸承能夠有效地減少能量損耗，提高機(jī)械設(shè)備的運(yùn)行效率。同時(shí)，滾動(dòng)軸承的結(jié)構(gòu)設(shè)計(jì)使得它能夠承受徑向載荷、軸向載荷以及兩者的復(fù)合載荷，適應(yīng)各種復(fù)雜的工作條件。例如，在城軌列車運(yùn)行時(shí)，車輪軸承不僅要承受車體的重量產(chǎn)生的徑向載荷，還要承受列車啟動(dòng)、制動(dòng)、轉(zhuǎn)彎等過程中產(chǎn)生的軸向載荷和沖擊力。滾動(dòng)軸承通過其合理的結(jié)構(gòu)設(shè)計(jì)和各部件的協(xié)同工作，能夠有效地承受這些載荷，保證列車的平穩(wěn)運(yùn)行。2.2常見故障類型及特征在城軌列車的實(shí)際運(yùn)行過程中，滾動(dòng)軸承會(huì)受到各種復(fù)雜工況和惡劣環(huán)境的影響，導(dǎo)致出現(xiàn)多種類型的故障。了解這些常見故障類型及其特征，對于準(zhǔn)確診斷滾動(dòng)軸承故障具有重要意義。磨損是滾動(dòng)軸承常見的故障之一，主要是由于滾道和滾動(dòng)體之間的相對運(yùn)動(dòng)，以及塵埃、異物的侵入，或者潤滑不良等原因引起。磨損會(huì)導(dǎo)致軸承表面材料逐漸損失，使軸承游隙增大，表面粗糙度增加。當(dāng)軸承磨損較輕時(shí)，軌旁聲學(xué)信號可能僅表現(xiàn)為輕微的噪聲增加，信號的時(shí)域波形會(huì)出現(xiàn)一些微小的波動(dòng)，幅值略有增大；在頻域上，低頻段的能量會(huì)有所增加，可能會(huì)出現(xiàn)一些與軸承旋轉(zhuǎn)頻率相關(guān)的低次諧波成分。隨著磨損程度的加重，聲學(xué)信號的噪聲會(huì)更加明顯，時(shí)域波形的波動(dòng)加劇，幅值進(jìn)一步增大；頻域上，高頻段的能量也會(huì)顯著增加，諧波成分更加復(fù)雜，除了低次諧波外，還會(huì)出現(xiàn)高次諧波，且諧波的幅值也會(huì)增大。磨損還會(huì)降低軸承的運(yùn)轉(zhuǎn)精度，導(dǎo)致列車運(yùn)行時(shí)產(chǎn)生振動(dòng)和噪聲，影響乘客的乘坐舒適性。例如，在某城市地鐵列車的實(shí)際運(yùn)行監(jiān)測中，當(dāng)發(fā)現(xiàn)滾動(dòng)軸承出現(xiàn)輕微磨損時(shí)，軌旁聲學(xué)信號的噪聲水平比正常狀態(tài)下增加了[X]dB，低頻段能量增加了[X]%；當(dāng)磨損嚴(yán)重時(shí)，噪聲水平增加了[X]dB以上，高頻段能量增加了[X]%以上，列車運(yùn)行時(shí)的振動(dòng)和噪聲明顯加劇。疲勞剝落是滾動(dòng)軸承失效的主要形式之一，通常是由于軸承在長期交變載荷的作用下，首先在滾道或滾動(dòng)體表面下一定深度處（最大剪應(yīng)力處）形成裂紋，繼而擴(kuò)展到接觸表面使表層發(fā)生剝落坑，最后發(fā)展成大片剝落。當(dāng)軸承出現(xiàn)疲勞剝落時(shí)，軌旁聲學(xué)信號會(huì)產(chǎn)生明顯的沖擊特征。在時(shí)域上，信號會(huì)出現(xiàn)周期性的沖擊脈沖，脈沖的幅值較大，且隨著剝落程度的加重，脈沖的幅值和頻率會(huì)發(fā)生變化。例如，在初期，沖擊脈沖的幅值相對較小，頻率較低；隨著剝落面積的增大，幅值會(huì)逐漸增大，頻率也會(huì)相應(yīng)提高。在頻域上，會(huì)出現(xiàn)與剝落故障相關(guān)的特征頻率，這些特征頻率與軸承的結(jié)構(gòu)參數(shù)（如滾動(dòng)體數(shù)量、直徑、節(jié)圓直徑等）以及旋轉(zhuǎn)頻率有關(guān)，通?？梢酝ㄟ^理論計(jì)算得到。例如，對于某型號的城軌列車滾動(dòng)軸承，當(dāng)滾動(dòng)體出現(xiàn)疲勞剝落時(shí)，其特征頻率為[具體特征頻率值]Hz，在頻域圖上會(huì)出現(xiàn)明顯的峰值。疲勞剝落還會(huì)導(dǎo)致軸承運(yùn)轉(zhuǎn)時(shí)產(chǎn)生沖擊載荷、振動(dòng)和噪聲加劇，嚴(yán)重影響列車的運(yùn)行安全。如在[具體事故案例]中，由于滾動(dòng)軸承的疲勞剝落故障未及時(shí)發(fā)現(xiàn)，導(dǎo)致列車在高速運(yùn)行時(shí)發(fā)生劇烈振動(dòng)，險(xiǎn)些造成脫軌事故。斷裂是一種較為嚴(yán)重的滾動(dòng)軸承故障，通常是由于過高的載荷、磨削、熱處理和裝配不當(dāng)引起的殘余應(yīng)力，以及工作時(shí)熱應(yīng)力過大等原因造成。當(dāng)軸承發(fā)生斷裂時(shí)，軌旁聲學(xué)信號會(huì)出現(xiàn)強(qiáng)烈的沖擊和突變。在時(shí)域上，信號會(huì)出現(xiàn)尖銳的脈沖，脈沖的幅值非常大，遠(yuǎn)遠(yuǎn)超過正常運(yùn)行時(shí)的信號幅值，且脈沖的持續(xù)時(shí)間較短。在頻域上，會(huì)出現(xiàn)豐富的高頻成分，能量主要集中在高頻段，頻譜分布較為雜亂，原有的正常信號特征被掩蓋。斷裂會(huì)使軸承失去承載能力，導(dǎo)致列車運(yùn)行出現(xiàn)嚴(yán)重故障，甚至引發(fā)安全事故。例如，在[具體事故案例]中，某城軌列車因滾動(dòng)軸承內(nèi)圈斷裂，導(dǎo)致車軸失去支撐，列車被迫緊急停車，造成了線路中斷和大量乘客滯留。腐蝕也是滾動(dòng)軸承常見的故障類型之一，主要是由于水分、酸、堿性物質(zhì)直接侵入，或者當(dāng)軸承停止工作后，溫度下降達(dá)到露點(diǎn)，空氣中水分凝結(jié)成水滴附在軸承表面等原因引起。對于高精度軸承，表面銹蝕可能會(huì)導(dǎo)致精度喪失而不能繼續(xù)工作。當(dāng)軸承發(fā)生腐蝕時(shí)，軌旁聲學(xué)信號會(huì)表現(xiàn)出異常的噪聲和波動(dòng)。在時(shí)域上，信號的波形會(huì)變得不規(guī)則，幅值波動(dòng)較大，且可能會(huì)出現(xiàn)一些低頻的振蕩成分。在頻域上，低頻段的能量會(huì)增加，可能會(huì)出現(xiàn)一些與腐蝕相關(guān)的特征頻率，但這些特征頻率相對較為復(fù)雜，不像疲勞剝落等故障的特征頻率那樣容易計(jì)算和識別。腐蝕會(huì)降低軸承的表面質(zhì)量和強(qiáng)度，縮短軸承的使用壽命，影響列車的運(yùn)行可靠性。例如，在某城市地鐵隧道等潮濕環(huán)境中運(yùn)行的列車，由于滾動(dòng)軸承受到腐蝕，其使用壽命比正常環(huán)境下縮短了[X]%，維修成本大幅增加。燒傷通常是在潤滑不良、高速重載情況下工作時(shí)，由于摩擦發(fā)熱，軸承零件在極短時(shí)間內(nèi)達(dá)到很高的溫度，導(dǎo)致表面燒傷及膠合，即一個(gè)零部件表面上的金屬粘附到另一個(gè)零件部件表面上。當(dāng)軸承出現(xiàn)燒傷故障時(shí)，軌旁聲學(xué)信號會(huì)表現(xiàn)出高頻噪聲和異常的振動(dòng)特征。在時(shí)域上，信號的高頻成分增加，波形變得更加復(fù)雜，幅值波動(dòng)較大。在頻域上，高頻段的能量顯著增加，會(huì)出現(xiàn)一些與燒傷相關(guān)的高頻特征頻率。燒傷會(huì)使軸承的表面硬度降低，磨損加劇，嚴(yán)重時(shí)會(huì)導(dǎo)致軸承卡死，影響列車的正常運(yùn)行。例如，在某城軌列車的高速運(yùn)行試驗(yàn)中，由于軸承潤滑系統(tǒng)故障，導(dǎo)致軸承燒傷，軌旁聲學(xué)信號的高頻噪聲比正常狀態(tài)下增加了[X]dB，列車運(yùn)行時(shí)出現(xiàn)明顯的卡頓現(xiàn)象。不同類型的滾動(dòng)軸承故障會(huì)導(dǎo)致軌旁聲學(xué)信號呈現(xiàn)出不同的特征，通過對這些特征的深入分析和研究，可以為滾動(dòng)軸承故障診斷提供重要的依據(jù)。2.3故障產(chǎn)生原因分析城軌列車滾動(dòng)軸承故障的產(chǎn)生是多種因素綜合作用的結(jié)果，深入分析這些原因，對于采取有效的預(yù)防措施和制定合理的故障診斷策略具有重要意義。潤滑不良是導(dǎo)致滾動(dòng)軸承故障的常見原因之一。潤滑在滾動(dòng)軸承的正常運(yùn)行中起著至關(guān)重要的作用，它能夠降低軸承各部件之間的摩擦系數(shù)，減少磨損和熱量的產(chǎn)生，同時(shí)還能起到密封和防銹的作用。當(dāng)潤滑不足時(shí)，滾道和滾動(dòng)體之間的金屬直接接觸面積增大，摩擦系數(shù)顯著增加，導(dǎo)致磨損加劇。在實(shí)際運(yùn)行中，由于潤滑脂的填充量不足、潤滑脂變質(zhì)或潤滑系統(tǒng)故障等原因，都可能導(dǎo)致軸承潤滑不良。例如，某城市地鐵列車在運(yùn)行一段時(shí)間后，發(fā)現(xiàn)部分滾動(dòng)軸承出現(xiàn)異常磨損，經(jīng)檢查發(fā)現(xiàn)是由于潤滑脂填充量不足，在高速運(yùn)行時(shí)無法滿足軸承的潤滑需求，使得滾道和滾動(dòng)體之間的摩擦加劇，從而導(dǎo)致磨損故障的發(fā)生。此外，當(dāng)潤滑脂受到污染，混入水分、塵埃、金屬碎屑等雜質(zhì)時(shí)，其潤滑性能會(huì)大幅下降，也容易引發(fā)磨損故障。這些雜質(zhì)會(huì)在滾道和滾動(dòng)體表面產(chǎn)生磨粒磨損，加速表面材料的損失，使軸承游隙增大，運(yùn)轉(zhuǎn)精度降低。過載也是引發(fā)滾動(dòng)軸承故障的重要因素。城軌列車在運(yùn)行過程中，滾動(dòng)軸承會(huì)承受來自車體的重量、牽引力、制動(dòng)力以及各種動(dòng)態(tài)載荷的作用。當(dāng)列車超載運(yùn)行，或者在啟動(dòng)、制動(dòng)、通過彎道等工況下，軸承所承受的載荷會(huì)超過其設(shè)計(jì)承載能力，導(dǎo)致軸承內(nèi)部的應(yīng)力分布不均，局部應(yīng)力過高。在某城軌列車的重載運(yùn)輸試驗(yàn)中，當(dāng)列車載荷超過額定載荷的[X]%時(shí)，滾動(dòng)軸承的疲勞壽命降低了[X]%以上，并且出現(xiàn)了明顯的疲勞剝落跡象。長期處于過載狀態(tài)下，滾動(dòng)軸承的滾道和滾動(dòng)體表面會(huì)產(chǎn)生塑性變形，材料的晶體結(jié)構(gòu)發(fā)生改變，導(dǎo)致表面硬度降低，進(jìn)而引發(fā)疲勞裂紋的產(chǎn)生和擴(kuò)展。隨著裂紋的不斷發(fā)展，最終會(huì)導(dǎo)致表面疲勞剝落，使軸承失去正常的工作能力。過載還會(huì)使軸承的溫度升高，加速潤滑脂的老化和變質(zhì)，進(jìn)一步惡化軸承的工作條件。安裝不當(dāng)同樣會(huì)對滾動(dòng)軸承的正常運(yùn)行產(chǎn)生嚴(yán)重影響。在城軌列車滾動(dòng)軸承的安裝過程中，如果操作不規(guī)范，可能會(huì)出現(xiàn)多種問題。例如，安裝時(shí)的配合過緊或過松都不合適。配合過緊會(huì)使軸承內(nèi)圈或外圈產(chǎn)生變形，導(dǎo)致滾道的幾何形狀發(fā)生改變，影響滾動(dòng)體的正常滾動(dòng)，增加局部應(yīng)力，從而容易引發(fā)疲勞剝落和斷裂等故障。某城軌列車在一次軸承安裝后，由于內(nèi)圈與軸的配合過緊，在運(yùn)行一段時(shí)間后，內(nèi)圈出現(xiàn)了嚴(yán)重的變形，滾道表面產(chǎn)生了大量的疲勞裂紋，最終導(dǎo)致軸承失效。相反，配合過松會(huì)使軸承在運(yùn)轉(zhuǎn)過程中出現(xiàn)相對滑動(dòng)，造成磨損加劇，同時(shí)也會(huì)影響軸承的定位精度，使列車運(yùn)行時(shí)產(chǎn)生振動(dòng)和噪聲。此外，安裝時(shí)的偏心和傾斜也會(huì)導(dǎo)致軸承受力不均，局部載荷過大，加速軸承的磨損和疲勞損壞。如果在安裝過程中沒有對軸承進(jìn)行正確的清洗和潤滑，還可能會(huì)帶入雜質(zhì)，引發(fā)其他故障。三、軌旁聲學(xué)信號采集與處理3.1聲學(xué)信號采集系統(tǒng)聲學(xué)信號采集系統(tǒng)是獲取軌旁聲學(xué)信號的關(guān)鍵設(shè)備，其性能直接影響到后續(xù)故障診斷的準(zhǔn)確性和可靠性。本研究構(gòu)建的聲學(xué)信號采集系統(tǒng)主要由麥克風(fēng)陣列和相關(guān)輔助設(shè)備組成。麥克風(fēng)陣列是聲學(xué)信號采集系統(tǒng)的核心部件，它由多個(gè)麥克風(fēng)按照特定的拓?fù)浣Y(jié)構(gòu)排列而成，能夠?qū)崿F(xiàn)對空間中聲學(xué)信號的全方位、多角度采集。在麥克風(fēng)的選型上，充分考慮城軌列車運(yùn)行環(huán)境的復(fù)雜性和聲學(xué)信號的特點(diǎn)，選用了高靈敏度、寬頻帶、抗干擾能力強(qiáng)的專業(yè)級麥克風(fēng)。例如，選用的某型號麥克風(fēng)，其靈敏度可達(dá)[具體靈敏度數(shù)值]mV/Pa，頻率響應(yīng)范圍為[具體頻率范圍]Hz，能夠準(zhǔn)確捕捉到滾動(dòng)軸承在不同工況下產(chǎn)生的微弱聲學(xué)信號，同時(shí)有效抑制環(huán)境噪聲的干擾。根據(jù)城軌列車滾動(dòng)軸承的位置分布和聲學(xué)傳播特性，采用了線性陣列的拓?fù)浣Y(jié)構(gòu)。在軌道兩側(cè)對稱布置麥克風(fēng)，每側(cè)布置[X]個(gè)麥克風(fēng)，相鄰麥克風(fēng)之間的間距為[具體間距數(shù)值]m。這種布置方式能夠確保對列車各個(gè)位置的滾動(dòng)軸承聲學(xué)信號進(jìn)行全面采集，同時(shí)利用麥克風(fēng)之間的空間相關(guān)性，提高信號的信噪比和定位精度。以某城市地鐵線路為例，在實(shí)際安裝過程中，將麥克風(fēng)陣列安裝在距離軌道[具體安裝距離]m的位置，高度與滾動(dòng)軸承中心平齊，通過多次現(xiàn)場測試和優(yōu)化，確定了最佳的安裝角度，使得麥克風(fēng)能夠最大限度地接收滾動(dòng)軸承發(fā)出的聲學(xué)信號。為了保護(hù)麥克風(fēng)免受惡劣環(huán)境的影響，設(shè)計(jì)了專門的保護(hù)裝置。保護(hù)裝置采用防水、防塵、抗震的材料制作，如高強(qiáng)度鋁合金外殼，內(nèi)部填充吸音材料和減震橡膠，有效降低了雨水、灰塵、振動(dòng)等因素對麥克風(fēng)性能的影響。在保護(hù)裝置上設(shè)置了聲學(xué)透聲窗，透聲窗采用特殊的聲學(xué)材料制成，既能保證聲音的有效傳輸，又能防止異物進(jìn)入保護(hù)裝置內(nèi)部。在某城市地鐵隧道的潮濕環(huán)境中，經(jīng)過長時(shí)間的運(yùn)行測試，該保護(hù)裝置能夠有效保護(hù)麥克風(fēng)，使其正常工作，采集到的聲學(xué)信號質(zhì)量穩(wěn)定。輔助設(shè)備包括信號調(diào)理模塊、數(shù)據(jù)采集卡和數(shù)據(jù)傳輸線等。信號調(diào)理模塊負(fù)責(zé)對麥克風(fēng)采集到的微弱電信號進(jìn)行放大、濾波等預(yù)處理，提高信號的質(zhì)量和穩(wěn)定性。采用低噪聲放大器對信號進(jìn)行放大，放大倍數(shù)可根據(jù)實(shí)際需求進(jìn)行調(diào)整，確保信號能夠滿足數(shù)據(jù)采集卡的輸入要求。同時(shí)，設(shè)計(jì)了帶通濾波器，根據(jù)滾動(dòng)軸承故障特征頻率的范圍，設(shè)置濾波器的通帶頻率為[具體通帶頻率范圍]Hz，有效去除信號中的高頻噪聲和低頻干擾。數(shù)據(jù)采集卡選用高速、高精度的采集卡，具有[具體采樣率數(shù)值]S/s的采樣率和[具體分辨率數(shù)值]位的分辨率，能夠快速、準(zhǔn)確地將模擬信號轉(zhuǎn)換為數(shù)字信號，并傳輸?shù)接?jì)算機(jī)進(jìn)行后續(xù)處理。數(shù)據(jù)傳輸線采用屏蔽雙絞線，減少信號傳輸過程中的電磁干擾，保證數(shù)據(jù)的可靠傳輸。在實(shí)際應(yīng)用中，通過對信號調(diào)理模塊和數(shù)據(jù)采集卡的參數(shù)優(yōu)化，以及對數(shù)據(jù)傳輸線的合理布局，有效提高了信號采集系統(tǒng)的性能，為后續(xù)的故障診斷提供了高質(zhì)量的數(shù)據(jù)支持。3.2信號預(yù)處理方法在城軌列車滾動(dòng)軸承故障診斷中，軌旁聲學(xué)信號易受到各種噪聲的干擾，信號質(zhì)量往往較差，這會(huì)對后續(xù)的故障特征提取和診斷結(jié)果產(chǎn)生嚴(yán)重影響。因此，需要對采集到的原始聲學(xué)信號進(jìn)行預(yù)處理，以提升信號質(zhì)量，為準(zhǔn)確的故障診斷奠定基礎(chǔ)。信號預(yù)處理主要包括去除噪聲、濾波和放大等關(guān)鍵步驟。城軌列車運(yùn)行環(huán)境復(fù)雜，存在多種噪聲源，如輪軌摩擦噪聲、空氣動(dòng)力噪聲、列車電氣設(shè)備噪聲以及周圍環(huán)境噪聲等，這些噪聲會(huì)掩蓋滾動(dòng)軸承故障產(chǎn)生的聲學(xué)信號特征，降低信號的信噪比。采用合適的去噪方法至關(guān)重要。小波閾值去噪是一種常用的去噪方法，它基于小波變換的多分辨率分析特性，將原始信號分解到不同的頻率子帶。在不同的子帶中，噪聲和有用信號具有不同的特性。噪聲通常表現(xiàn)為高頻成分，其能量分布較為均勻；而滾動(dòng)軸承故障信號則包含豐富的頻率成分，且在某些特定頻率處具有明顯的特征。通過設(shè)定合適的閾值，對小波系數(shù)進(jìn)行處理，將小于閾值的小波系數(shù)置零，認(rèn)為這些系數(shù)主要由噪聲產(chǎn)生；而保留大于閾值的小波系數(shù)，這些系數(shù)主要包含了有用的故障信號信息。經(jīng)過小波閾值去噪處理后，能夠有效地去除噪聲，保留信號的主要特征，提高信號的信噪比。在某城市地鐵線路的實(shí)際測試中，對采集到的含有大量噪聲的軌旁聲學(xué)信號進(jìn)行小波閾值去噪處理，處理前信號的信噪比為[X]dB，去噪后信噪比提高到了[X]dB，信號質(zhì)量得到了顯著提升。濾波也是信號預(yù)處理的重要環(huán)節(jié)，通過濾波可以進(jìn)一步去除信號中的特定頻率干擾，突出與滾動(dòng)軸承故障相關(guān)的頻率成分。根據(jù)滾動(dòng)軸承故障特征頻率的范圍，設(shè)計(jì)合適的帶通濾波器。滾動(dòng)軸承不同故障類型對應(yīng)的特征頻率范圍不同，例如，滾動(dòng)體疲勞剝落故障的特征頻率通常在[具體頻率范圍1]Hz之間，內(nèi)圈故障的特征頻率在[具體頻率范圍2]Hz之間。通過設(shè)計(jì)帶通濾波器，使其通帶頻率覆蓋這些故障特征頻率范圍，能夠有效地去除高頻噪聲和低頻干擾，保留與故障相關(guān)的信號成分。采用巴特沃斯帶通濾波器對原始聲學(xué)信號進(jìn)行濾波處理，巴特沃斯濾波器具有平坦的通帶和阻帶特性，能夠在通帶內(nèi)保持信號的完整性，在阻帶內(nèi)有效衰減干擾信號。在實(shí)際應(yīng)用中，根據(jù)信號的采樣頻率和所需的通帶、阻帶頻率，確定濾波器的階數(shù)和截止頻率。經(jīng)過巴特沃斯帶通濾波器濾波后，信號的頻率成分更加純凈，突出了與滾動(dòng)軸承故障相關(guān)的特征頻率，為后續(xù)的故障診斷提供了更有效的信號。采集到的軌旁聲學(xué)信號通常比較微弱，其幅值可能在毫伏甚至微伏量級，這樣的微弱信號難以滿足后續(xù)信號處理和分析的要求。因此，需要對信號進(jìn)行放大處理，提高信號的幅值。采用低噪聲放大器對信號進(jìn)行放大，低噪聲放大器具有低噪聲系數(shù)和高增益的特點(diǎn)，能夠在放大信號的同時(shí)，盡量減少引入額外的噪聲。在選擇低噪聲放大器時(shí)，需要考慮其增益、噪聲系數(shù)、帶寬等參數(shù)。根據(jù)信號的幅值和后續(xù)處理設(shè)備的輸入要求，確定放大器的增益倍數(shù)。放大器的帶寬應(yīng)滿足信號頻率范圍的要求，以確保信號在放大過程中不失真。將低噪聲放大器的增益設(shè)置為[具體增益倍數(shù)]，對原始聲學(xué)信號進(jìn)行放大處理，放大后的信號幅值得到了顯著提高，滿足了數(shù)據(jù)采集卡和后續(xù)信號處理算法的輸入要求，為準(zhǔn)確提取故障特征提供了有力支持。通過去除噪聲、濾波和放大等預(yù)處理步驟，能夠有效提升軌旁聲學(xué)信號的質(zhì)量，突出滾動(dòng)軸承故障特征，為后續(xù)的故障特征提取和診斷模型構(gòu)建提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)，從而提高滾動(dòng)軸承故障診斷的準(zhǔn)確性和可靠性。3.3信號特征提取技術(shù)經(jīng)過預(yù)處理后的軌旁聲學(xué)信號，雖然噪聲干擾得到了有效抑制，但仍需進(jìn)一步提取能夠準(zhǔn)確反映滾動(dòng)軸承故障狀態(tài)的特征。運(yùn)用短時(shí)傅里葉變換、小波變換等方法提取聲學(xué)信號的時(shí)域、頻域和時(shí)頻域特征，這些特征對于滾動(dòng)軸承故障診斷具有重要意義。短時(shí)傅里葉變換（STFT）是分析非平穩(wěn)信號的常用技術(shù)。城軌列車運(yùn)行時(shí)產(chǎn)生的軌旁聲學(xué)信號屬于非平穩(wěn)信號，其特性隨時(shí)間不斷變化。STFT的原理是將長時(shí)非平穩(wěn)信號通過加窗進(jìn)行短時(shí)分割，在短時(shí)內(nèi)信號可近似視作平穩(wěn)信號，進(jìn)而進(jìn)行傅里葉變換。通過窗函數(shù)的滑動(dòng)，可得到每一個(gè)窗口內(nèi)信號的傅里葉變換結(jié)果，這些結(jié)果堆疊起來便得到一個(gè)二維的時(shí)頻域特征圖，該圖能夠表征整個(gè)信號在時(shí)間和頻率上的分布情況。在對某段軌旁聲學(xué)信號進(jìn)行STFT分析時(shí)，設(shè)置窗長為[具體窗長數(shù)值]ms，窗移為[具體窗移數(shù)值]ms，通過傅里葉變換得到了信號在不同時(shí)間和頻率上的能量分布。從得到的時(shí)頻圖中可以清晰地看到，在某些特定時(shí)刻和頻率處出現(xiàn)了能量集中的現(xiàn)象，這些特征與滾動(dòng)軸承的故障狀態(tài)密切相關(guān)。分幀的窗口長度決定了變換后時(shí)頻圖的時(shí)間分辨率和頻率分辨率。窗長越長，截取到的信號越長，變換后頻率分辨率越高，但時(shí)間分量之間的距離會(huì)變大，信號的短時(shí)變化特征難以很好地反映出來；反之，窗長越短，截取到的信號越短，頻率分辨率越差，頻域分量之間的距離變大，相鄰頻率分量之間的泄露會(huì)更加明顯，而時(shí)間分辨率越好。因此，在實(shí)際應(yīng)用中，需要根據(jù)信號的特點(diǎn)和診斷需求，合理選擇窗長和窗移，以獲取最佳的時(shí)頻特征表示。小波變換是一種時(shí)頻分析方法，具有多分辨率分析的特性，能夠在不同尺度下對信號進(jìn)行分解，有效地提取信號的局部特征。對于軌旁聲學(xué)信號，小波變換可以將其分解為不同頻率的子帶信號，每個(gè)子帶信號包含了信號在不同尺度下的特征信息。以db4小波基函數(shù)為例，對預(yù)處理后的軌旁聲學(xué)信號進(jìn)行5層小波分解，得到了低頻逼近系數(shù)和高頻細(xì)節(jié)系數(shù)。低頻逼近系數(shù)反映了信號的主要趨勢和概貌，高頻細(xì)節(jié)系數(shù)則包含了信號的局部變化和細(xì)節(jié)信息。通過對不同尺度下的小波系數(shù)進(jìn)行分析，可以發(fā)現(xiàn)，在某些故障情況下，特定尺度的小波系數(shù)會(huì)出現(xiàn)明顯的變化。例如，當(dāng)滾動(dòng)軸承出現(xiàn)疲勞剝落故障時(shí)，在第[具體尺度數(shù)值]層的高頻細(xì)節(jié)系數(shù)中，能量分布會(huì)發(fā)生顯著改變，出現(xiàn)一些與故障相關(guān)的特征頻率成分。這些特征頻率成分與滾動(dòng)軸承的結(jié)構(gòu)參數(shù)以及故障類型密切相關(guān)，通過對它們的分析，可以準(zhǔn)確判斷滾動(dòng)軸承是否存在故障以及故障的類型。在時(shí)域分析方面，提取了均值、方差、峰值指標(biāo)等特征參數(shù)。均值反映了信號的平均水平，方差則衡量了信號的波動(dòng)程度，峰值指標(biāo)能夠突出信號中的沖擊成分。對于正常運(yùn)行的滾動(dòng)軸承，其軌旁聲學(xué)信號的均值相對穩(wěn)定，方差較小，峰值指標(biāo)也在一定范圍內(nèi)波動(dòng)。當(dāng)軸承出現(xiàn)故障時(shí)，信號的均值、方差和峰值指標(biāo)會(huì)發(fā)生明顯變化。在某城軌列車滾動(dòng)軸承故障實(shí)驗(yàn)中，當(dāng)軸承出現(xiàn)磨損故障時(shí)，信號的均值增加了[X]%，方差增大了[X]倍，峰值指標(biāo)也顯著提高。通過對這些時(shí)域特征參數(shù)的監(jiān)測和分析，可以初步判斷滾動(dòng)軸承的運(yùn)行狀態(tài)是否正常。在頻域分析中，利用傅里葉變換將時(shí)域信號轉(zhuǎn)換為頻域信號，分析信號的頻率成分和能量分布。滾動(dòng)軸承在正常運(yùn)行和故障狀態(tài)下，其聲學(xué)信號的頻率成分和能量分布具有明顯差異。正常情況下，滾動(dòng)軸承的聲學(xué)信號主要集中在低頻段，且能量分布較為均勻；當(dāng)出現(xiàn)故障時(shí)，會(huì)在特定頻率處出現(xiàn)峰值，這些峰值對應(yīng)的頻率即為故障特征頻率。如滾動(dòng)體故障時(shí)，會(huì)在與滾動(dòng)體旋轉(zhuǎn)頻率相關(guān)的特定頻率處出現(xiàn)明顯的峰值。通過對頻域特征的分析，可以準(zhǔn)確識別滾動(dòng)軸承的故障類型。通過綜合運(yùn)用短時(shí)傅里葉變換、小波變換等方法提取聲學(xué)信號的時(shí)域、頻域和時(shí)頻域特征，能夠全面、準(zhǔn)確地反映滾動(dòng)軸承的運(yùn)行狀態(tài)和故障信息，為后續(xù)基于機(jī)器學(xué)習(xí)的故障診斷模型提供高質(zhì)量的特征數(shù)據(jù)，從而提高故障診斷的準(zhǔn)確性和可靠性。四、基于機(jī)器學(xué)習(xí)的故障診斷模型構(gòu)建4.1機(jī)器學(xué)習(xí)算法選擇在構(gòu)建基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷模型時(shí)，機(jī)器學(xué)習(xí)算法的選擇至關(guān)重要。通過對支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等多種算法的深入分析和對比，結(jié)合滾動(dòng)軸承故障診斷的特點(diǎn)和需求，最終確定了適合的算法。支持向量機(jī)（SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，它通過尋找一個(gè)最優(yōu)超平面來實(shí)現(xiàn)對不同類別數(shù)據(jù)的分類。SVM在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢。在小樣本情況下，SVM能夠充分利用有限的數(shù)據(jù)樣本，通過核函數(shù)將低維空間中的非線性問題映射到高維空間中，在高維空間中尋找線性可分的超平面，從而實(shí)現(xiàn)對數(shù)據(jù)的準(zhǔn)確分類。在滾動(dòng)軸承故障診斷中，由于獲取大量的故障樣本數(shù)據(jù)往往較為困難，SVM的小樣本學(xué)習(xí)能力使其能夠在有限的故障數(shù)據(jù)下，依然構(gòu)建出有效的診斷模型。SVM具有良好的泛化能力，能夠?qū)ξ匆娺^的數(shù)據(jù)進(jìn)行準(zhǔn)確的分類預(yù)測，這對于實(shí)際應(yīng)用中應(yīng)對不同工況下的滾動(dòng)軸承故障診斷具有重要意義。在不同運(yùn)行速度、載荷等工況下，SVM模型能夠根據(jù)已學(xué)習(xí)到的故障特征，準(zhǔn)確判斷滾動(dòng)軸承的運(yùn)行狀態(tài)，有效提高診斷的可靠性。SVM的計(jì)算效率較高，在處理大規(guī)模數(shù)據(jù)時(shí)，其訓(xùn)練速度和分類速度都能滿足實(shí)時(shí)性的要求，這對于需要實(shí)時(shí)監(jiān)測和診斷的城軌列車滾動(dòng)軸承故障診斷系統(tǒng)來說至關(guān)重要。神經(jīng)網(wǎng)絡(luò)，尤其是深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體，如長短時(shí)記憶網(wǎng)絡(luò)（LSTM）、門控循環(huán)單元（GRU）等，近年來在故障診斷領(lǐng)域也得到了廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，能夠自動(dòng)從大量數(shù)據(jù)中學(xué)習(xí)復(fù)雜的特征和模式。CNN通過卷積層和池化層等結(jié)構(gòu)，能夠自動(dòng)提取數(shù)據(jù)的空間特征，對于處理具有空間結(jié)構(gòu)的圖像數(shù)據(jù)和時(shí)頻圖數(shù)據(jù)具有天然的優(yōu)勢。在滾動(dòng)軸承故障診斷中，將軌旁聲學(xué)信號轉(zhuǎn)換為時(shí)頻圖后，CNN可以有效地提取時(shí)頻圖中的故障特征，實(shí)現(xiàn)對故障類型和程度的準(zhǔn)確判斷。RNN及其變體則擅長處理時(shí)間序列數(shù)據(jù)，能夠捕捉數(shù)據(jù)中的時(shí)間依賴關(guān)系。在滾動(dòng)軸承故障診斷中，城軌列車的運(yùn)行是一個(gè)連續(xù)的過程，其軌旁聲學(xué)信號也具有時(shí)間序列的特性。LSTM和GRU通過引入門控機(jī)制，能夠有效地解決RNN中的梯度消失和梯度爆炸問題，更好地捕捉聲學(xué)信號在時(shí)間維度上的長期依賴關(guān)系，從而提高故障診斷的準(zhǔn)確性。綜合考慮滾動(dòng)軸承故障診斷的實(shí)際需求和數(shù)據(jù)特點(diǎn)，本研究選擇支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式來構(gòu)建故障診斷模型。支持向量機(jī)在小樣本數(shù)據(jù)處理和泛化能力方面具有優(yōu)勢，能夠在有限的故障樣本下構(gòu)建出可靠的診斷模型；而神經(jīng)網(wǎng)絡(luò)則在自動(dòng)特征提取和處理復(fù)雜非線性關(guān)系方面表現(xiàn)出色，能夠從大量的軌旁聲學(xué)信號數(shù)據(jù)中學(xué)習(xí)到深層次的故障特征。通過將兩者結(jié)合，充分發(fā)揮它們的優(yōu)勢，可以提高故障診斷模型的準(zhǔn)確性和泛化能力，更好地適應(yīng)城軌列車滾動(dòng)軸承故障診斷的復(fù)雜工況和實(shí)際應(yīng)用需求。在模型訓(xùn)練過程中，先利用支持向量機(jī)對初步提取的故障特征進(jìn)行分類訓(xùn)練，得到一個(gè)初步的診斷模型；然后將該模型的輸出作為神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)一步利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)能力，對故障特征進(jìn)行深度挖掘和學(xué)習(xí)，優(yōu)化診斷模型的性能。通過這種方式，實(shí)現(xiàn)了對滾動(dòng)軸承故障的精準(zhǔn)診斷，為城軌列車的安全運(yùn)行提供了有力保障。4.2模型訓(xùn)練與優(yōu)化在確定了支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷模型框架后，使用采集的聲學(xué)信號數(shù)據(jù)對模型進(jìn)行訓(xùn)練，并利用交叉驗(yàn)證等方法對模型參數(shù)進(jìn)行優(yōu)化，以提高模型的性能和診斷準(zhǔn)確性。將經(jīng)過預(yù)處理和特征提取后的軌旁聲學(xué)信號數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測試集，劃分比例通常為70%、15%、15%。訓(xùn)練集用于模型的訓(xùn)練，使模型學(xué)習(xí)到滾動(dòng)軸承不同故障狀態(tài)下的特征模式；驗(yàn)證集用于在訓(xùn)練過程中對模型進(jìn)行評估和調(diào)整，防止模型過擬合；測試集則用于評估模型最終的性能和泛化能力。以某城市地鐵線路采集的聲學(xué)信號數(shù)據(jù)為例，共獲取了[X]組數(shù)據(jù)，按照上述比例劃分后，訓(xùn)練集包含[X1]組數(shù)據(jù)，驗(yàn)證集包含[X2]組數(shù)據(jù)，測試集包含[X3]組數(shù)據(jù)。對于支持向量機(jī)部分，首先需要選擇合適的核函數(shù)。常見的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)（RBF）等。線性核函數(shù)計(jì)算簡單，但對于非線性問題的處理能力有限；多項(xiàng)式核函數(shù)可以處理非線性問題，但計(jì)算復(fù)雜度較高，且參數(shù)選擇較為困難；徑向基核函數(shù)具有較強(qiáng)的非線性映射能力，能夠?qū)⒌途S空間中的數(shù)據(jù)映射到高維空間中，使其線性可分，并且其參數(shù)較少，易于調(diào)整，在實(shí)際應(yīng)用中表現(xiàn)出較好的性能。經(jīng)過實(shí)驗(yàn)對比，本研究選擇徑向基核函數(shù)作為支持向量機(jī)的核函數(shù)。在確定核函數(shù)后，需要對支持向量機(jī)的懲罰參數(shù)C和核函數(shù)參數(shù)γ進(jìn)行優(yōu)化。懲罰參數(shù)C控制著對分類錯(cuò)誤的懲罰程度，C值越大，對錯(cuò)誤分類的懲罰越重，模型的復(fù)雜度越高，容易出現(xiàn)過擬合；C值越小，對錯(cuò)誤分類的懲罰越輕，模型的復(fù)雜度越低，可能會(huì)導(dǎo)致欠擬合。核函數(shù)參數(shù)γ則決定了徑向基核函數(shù)的寬度，γ值越大，函數(shù)的局部性越強(qiáng)，模型對數(shù)據(jù)的擬合能力越強(qiáng)，但也容易過擬合；γ值越小，函數(shù)的全局性越強(qiáng)，模型的泛化能力越好，但可能會(huì)出現(xiàn)欠擬合。為了找到最優(yōu)的參數(shù)組合，采用交叉驗(yàn)證和網(wǎng)格搜索相結(jié)合的方法。網(wǎng)格搜索是一種窮舉搜索方法，它在指定的參數(shù)范圍內(nèi)，對每個(gè)參數(shù)組合進(jìn)行評估，選擇性能最優(yōu)的參數(shù)組合。交叉驗(yàn)證則是將訓(xùn)練集劃分為多個(gè)子集，每次使用其中一個(gè)子集作為驗(yàn)證集，其余子集作為訓(xùn)練集，對模型進(jìn)行多次訓(xùn)練和評估，最后將評估結(jié)果進(jìn)行平均，以得到更準(zhǔn)確的模型性能估計(jì)。在本研究中，設(shè)置懲罰參數(shù)C的取值范圍為[具體C值范圍，如2^-5,2^-3,...,2^15]，核函數(shù)參數(shù)γ的取值范圍為[具體γ值范圍，如2^-15,2^-13,...,2^3]，通過5折交叉驗(yàn)證對每個(gè)參數(shù)組合進(jìn)行評估，選擇在驗(yàn)證集上準(zhǔn)確率最高的參數(shù)組合作為支持向量機(jī)的最優(yōu)參數(shù)。經(jīng)過計(jì)算和比較，最終確定最優(yōu)的懲罰參數(shù)C為[具體C值]，核函數(shù)參數(shù)γ為[具體γ值]。對于神經(jīng)網(wǎng)絡(luò)部分，以卷積神經(jīng)網(wǎng)絡(luò)為例，其網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)對模型性能有重要影響。卷積神經(jīng)網(wǎng)絡(luò)通常由卷積層、池化層、全連接層等組成。卷積層通過卷積核與輸入數(shù)據(jù)進(jìn)行卷積操作，提取數(shù)據(jù)的局部特征；池化層則對卷積層的輸出進(jìn)行下采樣，減少數(shù)據(jù)量，降低計(jì)算復(fù)雜度，同時(shí)保留主要特征；全連接層將池化層輸出的特征向量進(jìn)行分類，得到最終的診斷結(jié)果。在本研究中，設(shè)計(jì)了一個(gè)包含3個(gè)卷積層、2個(gè)池化層和2個(gè)全連接層的卷積神經(jīng)網(wǎng)絡(luò)。第一個(gè)卷積層使用32個(gè)大小為3×3的卷積核，步長為1，填充為1，以提取聲學(xué)信號的初級特征；第二個(gè)卷積層使用64個(gè)大小為3×3的卷積核，步長為1，填充為1，進(jìn)一步提取更高級的特征；第三個(gè)卷積層使用128個(gè)大小為3×3的卷積核，步長為1，填充為1，增強(qiáng)對復(fù)雜特征的提取能力。每個(gè)卷積層后都連接一個(gè)ReLU激活函數(shù)，以增加模型的非線性表達(dá)能力。池化層采用最大池化操作，池化核大小為2×2，步長為2，對卷積層的輸出進(jìn)行下采樣。全連接層的神經(jīng)元個(gè)數(shù)分別為256和故障類別數(shù)，最后一層使用Softmax激活函數(shù)，輸出每個(gè)故障類別的概率。在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時(shí)，采用隨機(jī)梯度下降（SGD）算法作為優(yōu)化器，學(xué)習(xí)率設(shè)置為[具體學(xué)習(xí)率數(shù)值，如0.001]，動(dòng)量設(shè)置為[具體動(dòng)量數(shù)值，如0.9]，以加快模型的收斂速度。損失函數(shù)選擇交叉熵?fù)p失函數(shù)，用于衡量模型預(yù)測結(jié)果與真實(shí)標(biāo)簽之間的差異。在訓(xùn)練過程中，通過監(jiān)測驗(yàn)證集上的準(zhǔn)確率和損失值，調(diào)整模型的參數(shù)，防止過擬合。當(dāng)驗(yàn)證集上的準(zhǔn)確率不再提升或者損失值不再下降時(shí)，認(rèn)為模型已經(jīng)收斂，停止訓(xùn)練。經(jīng)過多次實(shí)驗(yàn)和調(diào)整，最終得到了性能良好的卷積神經(jīng)網(wǎng)絡(luò)模型。將支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷模型在訓(xùn)練集上進(jìn)行訓(xùn)練，訓(xùn)練過程中不斷調(diào)整模型參數(shù)，使模型的性能逐漸提升。在訓(xùn)練完成后，使用測試集對模型進(jìn)行評估，計(jì)算模型的準(zhǔn)確率、召回率、F1值等評價(jià)指標(biāo)，以驗(yàn)證模型的泛化能力和診斷準(zhǔn)確性。經(jīng)過測試，該模型在測試集上的準(zhǔn)確率達(dá)到了[具體準(zhǔn)確率數(shù)值，如95%]，召回率達(dá)到了[具體召回率數(shù)值，如93%]，F(xiàn)1值達(dá)到了[具體F1值數(shù)值，如94%]，表明該模型能夠準(zhǔn)確地診斷出城軌列車滾動(dòng)軸承的故障類型，具有較高的診斷性能和泛化能力。4.3模型性能評估指標(biāo)為了全面、客觀地評估基于機(jī)器學(xué)習(xí)構(gòu)建的城軌列車滾動(dòng)軸承故障診斷模型的性能，采用準(zhǔn)確率、召回率、F1值等多個(gè)指標(biāo)進(jìn)行綜合評價(jià)。這些指標(biāo)從不同角度反映了模型的診斷能力，能夠幫助準(zhǔn)確判斷模型的優(yōu)劣，為進(jìn)一步優(yōu)化模型提供依據(jù)。準(zhǔn)確率是指模型預(yù)測正確的樣本數(shù)占總樣本數(shù)的比例，其計(jì)算公式為：Accuracy=\frac{TP+TN}{TP+TN+FP+FN}其中，TP（TruePositive）表示真正例，即實(shí)際為正樣本且被模型正確預(yù)測為正樣本的數(shù)量；TN（TrueNegative）表示真反例，即實(shí)際為負(fù)樣本且被模型正確預(yù)測為負(fù)樣本的數(shù)量；FP（FalsePositive）表示假正例，即實(shí)際為負(fù)樣本但被模型錯(cuò)誤預(yù)測為正樣本的數(shù)量；FN（FalseNegative）表示假反例，即實(shí)際為正樣本但被模型錯(cuò)誤預(yù)測為負(fù)樣本的數(shù)量。準(zhǔn)確率越高，說明模型在整體樣本上的預(yù)測準(zhǔn)確性越好。在城軌列車滾動(dòng)軸承故障診斷中，準(zhǔn)確率高意味著模型能夠準(zhǔn)確地判斷出滾動(dòng)軸承的正常狀態(tài)和各種故障狀態(tài)，減少誤判的發(fā)生。例如，若模型的準(zhǔn)確率為95%，則表示在每100個(gè)樣本中，模型能夠正確預(yù)測95個(gè)樣本的狀態(tài)，只有5個(gè)樣本被誤判。召回率，也稱為查全率，是指被正確預(yù)測為正樣本的樣本數(shù)占實(shí)際正樣本數(shù)的比例，計(jì)算公式為：Recall=\frac{TP}{TP+FN}召回率反映了模型對正樣本的覆蓋能力，即模型能夠正確識別出實(shí)際存在的正樣本的比例。在滾動(dòng)軸承故障診斷中，正樣本通常指出現(xiàn)故障的樣本。高召回率對于及時(shí)發(fā)現(xiàn)滾動(dòng)軸承的故障至關(guān)重要，它能夠確保盡可能多的故障樣本被檢測出來，避免漏診。例如，對于一些嚴(yán)重的故障類型，如果召回率較低，可能會(huì)導(dǎo)致故障未被及時(shí)發(fā)現(xiàn)，從而引發(fā)安全事故。若某故障類型的實(shí)際樣本數(shù)為100個(gè)，模型正確預(yù)測出了90個(gè)，那么該故障類型的召回率為90%，這意味著模型能夠檢測出90%的該類型故障樣本，但仍有10%的故障樣本被遺漏。F1值是綜合考慮準(zhǔn)確率和召回率的一個(gè)指標(biāo)，它是準(zhǔn)確率和召回率的調(diào)和平均數(shù)，計(jì)算公式為：F1=\frac{2\timesAccuracy\timesRecall}{Accuracy+Recall}F1值能夠更全面地反映模型的性能，當(dāng)準(zhǔn)確率和召回率都較高時(shí)，F(xiàn)1值也會(huì)較高。在實(shí)際應(yīng)用中，F(xiàn)1值常用于評估模型在分類任務(wù)中的綜合表現(xiàn)，它平衡了準(zhǔn)確率和召回率的影響，避免了只關(guān)注某一個(gè)指標(biāo)而導(dǎo)致對模型性能評估的片面性。例如，當(dāng)模型的準(zhǔn)確率為90%，召回率為80%時(shí)，通過計(jì)算可得F1值約為84.7%，這個(gè)值綜合反映了模型在該任務(wù)中的表現(xiàn)，相比單獨(dú)看準(zhǔn)確率或召回率，能更準(zhǔn)確地評估模型的性能。除了上述指標(biāo)外，還可以使用混淆矩陣來直觀地展示模型的預(yù)測結(jié)果?；煜仃囀且粋€(gè)二維矩陣，其中行表示實(shí)際類別，列表示預(yù)測類別。矩陣中的每個(gè)元素表示相應(yīng)類別組合的樣本數(shù)量。通過混淆矩陣，可以清晰地看到模型在各個(gè)類別上的預(yù)測情況，包括正確預(yù)測和錯(cuò)誤預(yù)測的樣本分布，從而更深入地分析模型的性能。以一個(gè)包含正常狀態(tài)、磨損故障、疲勞剝落故障和斷裂故障四個(gè)類別的滾動(dòng)軸承故障診斷為例，混淆矩陣的形式如下：預(yù)測\實(shí)際正常狀態(tài)磨損故障疲勞剝落故障斷裂故障正常狀態(tài)TN1FP1FP2FP3磨損故障FN1TP1FN2FN3疲勞剝落故障FN4FP4TP2FN5斷裂故障FN6FP5FP6TP3從這個(gè)混淆矩陣中，可以直接獲取到各個(gè)類別的TP、TN、FP和FN值，進(jìn)而計(jì)算出準(zhǔn)確率、召回率和F1值等評估指標(biāo)。同時(shí)，通過觀察混淆矩陣中錯(cuò)誤預(yù)測的分布情況，可以分析出模型在哪些類別之間容易出現(xiàn)混淆，為進(jìn)一步優(yōu)化模型提供方向。例如，如果發(fā)現(xiàn)模型將較多的磨損故障樣本誤判為疲勞剝落故障樣本，那么就需要進(jìn)一步分析原因，可能是這兩種故障的特征較為相似，或者模型在特征提取和分類過程中對這兩種故障的區(qū)分能力不足，從而針對性地改進(jìn)模型的特征提取方法或調(diào)整分類算法的參數(shù)。通過準(zhǔn)確率、召回率、F1值以及混淆矩陣等指標(biāo)和方法，可以全面、準(zhǔn)確地評估城軌列車滾動(dòng)軸承故障診斷模型的性能，為模型的優(yōu)化和實(shí)際應(yīng)用提供有力支持，確保模型能夠準(zhǔn)確、可靠地診斷出滾動(dòng)軸承的故障狀態(tài)，保障城軌列車的安全運(yùn)行。五、案例分析5.1實(shí)際城軌線路數(shù)據(jù)采集為了驗(yàn)證基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷方法的有效性和實(shí)用性，以某城市實(shí)際城軌線路為研究對象，開展了數(shù)據(jù)采集工作。該城軌線路為[具體線路名稱]，是該城市軌道交通網(wǎng)絡(luò)中的一條重要線路，連接了多個(gè)主要商業(yè)區(qū)、居民區(qū)和交通樞紐，日均客流量達(dá)到[X]萬人次。線路全長[具體長度]公里，共設(shè)[X]個(gè)車站，列車運(yùn)行速度最高可達(dá)[具體速度數(shù)值]km/h。數(shù)據(jù)采集點(diǎn)選擇在該線路的[具體車站名稱]附近的軌道旁。該位置具有代表性，列車在此處的運(yùn)行工況較為復(fù)雜，包括加速、勻速、減速等多種狀態(tài)，同時(shí)受到周圍環(huán)境噪聲的影響也較大。在數(shù)據(jù)采集前，對采集設(shè)備進(jìn)行了全面的調(diào)試和校準(zhǔn)，確保其性能穩(wěn)定、參數(shù)準(zhǔn)確。采用前文所述的聲學(xué)信號采集系統(tǒng)進(jìn)行數(shù)據(jù)采集。麥克風(fēng)陣列安裝在距離軌道外側(cè)[具體安裝距離]m的位置，高度與滾動(dòng)軸承中心平齊，通過特制的支架固定在軌道旁的防護(hù)欄上。為了確保麥克風(fēng)能夠準(zhǔn)確接收到滾動(dòng)軸承發(fā)出的聲學(xué)信號，對麥克風(fēng)的安裝角度進(jìn)行了多次調(diào)整和優(yōu)化，使其盡可能垂直于滾動(dòng)軸承的軸線方向。在麥克風(fēng)陣列周圍設(shè)置了防護(hù)裝置，以防止雨水、灰塵、異物等對麥克風(fēng)造成損壞。防護(hù)裝置采用高強(qiáng)度鋁合金材質(zhì)，內(nèi)部填充吸音材料和減震橡膠，能夠有效降低環(huán)境因素對麥克風(fēng)性能的影響。輔助設(shè)備中的信號調(diào)理模塊、數(shù)據(jù)采集卡和數(shù)據(jù)傳輸線也進(jìn)行了合理的安裝和連接。信號調(diào)理模塊安裝在靠近麥克風(fēng)陣列的防水機(jī)箱內(nèi)，對麥克風(fēng)采集到的微弱電信號進(jìn)行放大、濾波等預(yù)處理。數(shù)據(jù)采集卡安裝在附近的機(jī)房服務(wù)器中，通過高速數(shù)據(jù)傳輸線與信號調(diào)理模塊相連，將預(yù)處理后的信號轉(zhuǎn)換為數(shù)字信號并傳輸?shù)椒?wù)器進(jìn)行存儲(chǔ)和后續(xù)處理。數(shù)據(jù)傳輸線采用屏蔽雙絞線，減少信號傳輸過程中的電磁干擾，保證數(shù)據(jù)的可靠傳輸。在數(shù)據(jù)采集過程中，對不同運(yùn)行工況下的城軌列車滾動(dòng)軸承聲學(xué)信號進(jìn)行了采集。包括列車在不同速度下運(yùn)行時(shí)的信號，如低速（[具體低速數(shù)值]km/h）、中速（[具體中速數(shù)值]km/h）和高速（[具體高速數(shù)值]km/h）；不同載荷情況下的信號，如空載、滿載和超載等；以及列車在加速、勻速和減速階段的信號。每種工況下采集的數(shù)據(jù)時(shí)長不少于[具體時(shí)長數(shù)值]分鐘，以確保獲取足夠的樣本數(shù)據(jù)。在列車運(yùn)行過程中，實(shí)時(shí)監(jiān)測采集系統(tǒng)的工作狀態(tài)，確保數(shù)據(jù)采集的連續(xù)性和穩(wěn)定性。同時(shí)，記錄了采集數(shù)據(jù)時(shí)的環(huán)境信息，如環(huán)境溫度、濕度、風(fēng)速以及周圍是否存在其他噪聲源等。這些環(huán)境信息對于后續(xù)分析環(huán)境因素對聲學(xué)信號的影響具有重要意義。在某一天的數(shù)據(jù)采集過程中，環(huán)境溫度為[具體溫度數(shù)值]℃，濕度為[具體濕度數(shù)值]%，風(fēng)速為[具體風(fēng)速數(shù)值]m/s，周圍存在施工噪聲干擾。通過對采集到的聲學(xué)信號進(jìn)行分析，發(fā)現(xiàn)施工噪聲對信號產(chǎn)生了一定的干擾，但經(jīng)過后續(xù)的信號預(yù)處理和特征提取，仍能夠有效識別出滾動(dòng)軸承的故障特征。本次在某城市實(shí)際城軌線路上的數(shù)據(jù)采集工作，獲取了大量不同工況下的滾動(dòng)軸承聲學(xué)信號數(shù)據(jù)以及相關(guān)的環(huán)境信息，為后續(xù)的信號處理、故障特征提取和診斷模型驗(yàn)證提供了豐富的樣本數(shù)據(jù)，有助于進(jìn)一步完善和優(yōu)化基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷方法。5.2故障診斷結(jié)果分析運(yùn)用構(gòu)建的支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷模型，對在某城市實(shí)際城軌線路上采集到的聲學(xué)信號數(shù)據(jù)進(jìn)行故障診斷。在診斷過程中，首先將采集到的原始聲學(xué)信號數(shù)據(jù)進(jìn)行預(yù)處理，去除噪聲、濾波和放大，以提高信號質(zhì)量。然后，采用短時(shí)傅里葉變換、小波變換等方法提取信號的時(shí)域、頻域和時(shí)頻域特征，將提取到的特征作為模型的輸入。經(jīng)過模型的計(jì)算和分析，得到了滾動(dòng)軸承的故障診斷結(jié)果。在測試集中，共包含[X]個(gè)樣本，其中正常樣本[X1]個(gè)，磨損故障樣本[X2]個(gè)，疲勞剝落故障樣本[X3]個(gè)，斷裂故障樣本[X4]個(gè)。模型對正常樣本的正確分類個(gè)數(shù)為[X11]個(gè)，準(zhǔn)確率達(dá)到了[具體準(zhǔn)確率數(shù)值1]%；對磨損故障樣本的正確分類個(gè)數(shù)為[X21]個(gè)，準(zhǔn)確率為[具體準(zhǔn)確率數(shù)值2]%；對疲勞剝落故障樣本的正確分類個(gè)數(shù)為[X31]個(gè)，準(zhǔn)確率為[具體準(zhǔn)確率數(shù)值3]%；對斷裂故障樣本的正確分類個(gè)數(shù)為[X41]個(gè)，準(zhǔn)確率為[具體準(zhǔn)確率數(shù)值4]%。總體準(zhǔn)確率達(dá)到了[具體總體準(zhǔn)確率數(shù)值]%，召回率為[具體召回率數(shù)值]%，F(xiàn)1值為[具體F1值數(shù)值]。通過與實(shí)際故障情況進(jìn)行對比驗(yàn)證，發(fā)現(xiàn)該故障診斷模型能夠準(zhǔn)確地識別出滾動(dòng)軸承的大部分故障類型。在實(shí)際運(yùn)行中，對某列城軌列車的滾動(dòng)軸承進(jìn)行監(jiān)測，模型診斷出其中一個(gè)軸承存在疲勞剝落故障。經(jīng)過維修人員對該軸承進(jìn)行拆解檢查，發(fā)現(xiàn)軸承滾道表面確實(shí)存在明顯的疲勞剝落痕跡，剝落面積與模型預(yù)測的故障程度相符，這表明模型在實(shí)際應(yīng)用中具有較高的可靠性和準(zhǔn)確性。在部分復(fù)雜工況下，模型仍存在一定的誤判情況。在列車高速運(yùn)行且周圍環(huán)境噪聲較大時(shí)，模型將個(gè)別正常樣本誤判為磨損故障樣本。這可能是由于在強(qiáng)噪聲干擾下，聲學(xué)信號的特征發(fā)生了變化，導(dǎo)致模型提取的特征不夠準(zhǔn)確，從而影響了診斷結(jié)果。為了解決這一問題，后續(xù)可以進(jìn)一步優(yōu)化信號預(yù)處理方法，提高信號在復(fù)雜環(huán)境下的抗干擾能力；同時(shí)，增加更多復(fù)雜工況下的樣本數(shù)據(jù)，對模型進(jìn)行訓(xùn)練和優(yōu)化，以提高模型在復(fù)雜工況下的適應(yīng)性和診斷準(zhǔn)確性?？傮w而言，基于軌旁聲學(xué)信號構(gòu)建的故障診斷模型在城軌列車滾動(dòng)軸承故障診斷中取得了較好的效果，能夠?yàn)槌擒壛熊嚨陌踩\(yùn)行提供有效的技術(shù)支持。但仍需不斷改進(jìn)和完善，以適應(yīng)更加復(fù)雜多變的實(shí)際運(yùn)行環(huán)境，進(jìn)一步提高故障診斷的準(zhǔn)確性和可靠性。5.3模型應(yīng)用效果評估將構(gòu)建的故障診斷模型應(yīng)用于實(shí)際城軌線路的滾動(dòng)軸承故障診斷，對其應(yīng)用效果進(jìn)行全面評估。模型在實(shí)際應(yīng)用中展現(xiàn)出了一定的優(yōu)勢，但也暴露出一些有待改進(jìn)的問題。在準(zhǔn)確率方面，模型在大部分工況下能夠保持較高的診斷準(zhǔn)確率。在正常運(yùn)行工況以及常見的故障工況下，如低速運(yùn)行且載荷穩(wěn)定時(shí)出現(xiàn)的磨損故障，模型的診斷準(zhǔn)確率可達(dá)[X]%以上。這表明模型能夠有效地識別出這些常見工況下滾動(dòng)軸承的故障類型，為城軌列車的安全運(yùn)行提供了可靠的保障。在實(shí)際應(yīng)用中，對于大量正常運(yùn)行的滾動(dòng)軸承樣本，模型能夠準(zhǔn)確判斷其狀態(tài)，減少了不必要的檢修工作，提高了運(yùn)營效率。對于一些典型的磨損故障樣本，模型也能準(zhǔn)確識別，及時(shí)發(fā)出故障預(yù)警，為維修人員提供了準(zhǔn)確的故障信息，便于他們及時(shí)采取維修措施，避免故障進(jìn)一步惡化。模型的及時(shí)性也得到了一定的驗(yàn)證。系統(tǒng)能夠在列車通過后的較短時(shí)間內(nèi)完成聲學(xué)信號的采集、處理和故障診斷，診斷結(jié)果能夠及時(shí)反饋給相關(guān)運(yùn)維人員。在某城市實(shí)際城軌線路的應(yīng)用中，從列車通過數(shù)據(jù)采集點(diǎn)到診斷結(jié)果輸出，平均耗時(shí)僅為[具體時(shí)長]秒，滿足了實(shí)時(shí)監(jiān)測和預(yù)警的要求。這使得運(yùn)維人員能夠及時(shí)了解列車滾動(dòng)軸承的運(yùn)行狀態(tài)，在故障發(fā)生的初期就采取相應(yīng)的措施，有效降低了故障帶來的風(fēng)險(xiǎn)。例如，當(dāng)列車通過某監(jiān)測點(diǎn)后，系統(tǒng)迅速對采集到的聲學(xué)信號進(jìn)行分析處理，在數(shù)秒內(nèi)就診斷出某軸承存在疲勞剝落故障，并及時(shí)將診斷結(jié)果發(fā)送給運(yùn)維人員，運(yùn)維人員根據(jù)預(yù)警信息，及時(shí)安排列車進(jìn)行檢修，避免了故障的進(jìn)一步發(fā)展。在實(shí)際應(yīng)用過程中，模型也暴露出一些問題。當(dāng)列車處于高速運(yùn)行狀態(tài)且周圍環(huán)境噪聲異常復(fù)雜時(shí)，模型的診斷準(zhǔn)確率會(huì)有所下降，出現(xiàn)一定比例的誤判和漏判情況。這主要是因?yàn)樵谶@種復(fù)雜工況下，聲學(xué)信號受到的干擾更為嚴(yán)重，信號特征的提取難度增大，導(dǎo)致模型難以準(zhǔn)確識別故障特征。例如，在列車高速通過市區(qū)繁華地段時(shí)，周圍的交通噪聲、建筑物反射噪聲等會(huì)對軌旁聲學(xué)信號產(chǎn)生強(qiáng)烈干擾，使得模型將一些正常的聲學(xué)信號誤判為故障信號，或者未能準(zhǔn)確識別出一些早期的故障信號。針對模型在實(shí)際應(yīng)用中存在的問題，后續(xù)需要從多個(gè)方面進(jìn)行改進(jìn)。在信號處理環(huán)節(jié)，進(jìn)一步優(yōu)化信號預(yù)處理算法，提高信號在復(fù)雜環(huán)境下的抗干擾能力?？梢匝芯扛酉冗M(jìn)的濾波算法和去噪技術(shù)，如自適應(yīng)濾波、形態(tài)學(xué)濾波等，結(jié)合深度學(xué)習(xí)的方法，對復(fù)雜環(huán)境下的聲學(xué)信號進(jìn)行更有效的處理，突出故障特征。增加更多復(fù)雜工況下的樣本數(shù)據(jù)，對模型進(jìn)行重新訓(xùn)練和優(yōu)化，以提高模型對復(fù)雜工況的適應(yīng)性。通過在不同季節(jié)、不同時(shí)間段、不同線路條件下采集更多的聲學(xué)信號數(shù)據(jù)，涵蓋各種復(fù)雜工況，讓模型學(xué)習(xí)到更多的故障特征模式，從而提高診斷的準(zhǔn)確性。還可以對模型的結(jié)構(gòu)和參數(shù)進(jìn)行進(jìn)一步調(diào)整和優(yōu)化，提高模型的泛化能力和穩(wěn)定性，使其能夠更好地適應(yīng)實(shí)際應(yīng)用中的各種復(fù)雜情況。六、結(jié)論與展望6.1研究成果總結(jié)本研究圍繞基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷展開，通過深入研究軌旁聲學(xué)信號特性、運(yùn)用先進(jìn)的數(shù)字信號處理技術(shù)進(jìn)行故障特征提取、構(gòu)建基于機(jī)器學(xué)習(xí)的故障診斷模型，并結(jié)合實(shí)際城軌線路數(shù)據(jù)進(jìn)行案例分析，取得了一系列具有重要理論意義和實(shí)際應(yīng)用價(jià)值的研究成果。在軌旁聲學(xué)信號特性分析方面，通過大量的現(xiàn)場測試和實(shí)驗(yàn)，獲取了不同工況下城軌列車滾動(dòng)軸承的軌旁聲學(xué)信號數(shù)據(jù)。運(yùn)用時(shí)域、頻域和時(shí)頻域分析方法，深入研究了信號在不同工況下的特性，全面掌握了軌旁聲學(xué)信號在不同運(yùn)行速度、載荷、軌道條件等工況下的變化規(guī)律。通過時(shí)域分析，得到了信號的均值、方差、峰值指標(biāo)等統(tǒng)計(jì)特征，這些特征能夠反映信號的整體水平和波動(dòng)情況；利用頻域分析，明確了信號的頻率成分和能量分布，發(fā)現(xiàn)滾動(dòng)軸承故障會(huì)導(dǎo)致特定頻率處的能量變化；借助時(shí)頻分析，揭示了信號在時(shí)間和頻率上的聯(lián)合分布特性，為后續(xù)的故障特征提取和診斷模型建立奠定了堅(jiān)實(shí)的基礎(chǔ)。在基于數(shù)字信號處理的故障特征提取方面，針對軌旁聲學(xué)信號易受噪聲干擾、信號特征復(fù)雜等問題，采用了先進(jìn)的數(shù)字信號處理技術(shù)。運(yùn)用濾波技術(shù)去除了信號中的高頻噪聲和低頻干擾，提高了信號的信噪比；利用時(shí)頻分析方法，如短時(shí)傅里葉變換、小波變換等，提取了能夠反映滾動(dòng)軸承故障的特征參數(shù)。通過短時(shí)傅里葉變換，得到了信號的時(shí)頻圖，從中可以清晰地觀察到信號在不同時(shí)間和頻率上的能量分布變化；基于小波變換的多分辨率分析特性，提取了不同尺度下的小波系數(shù)作為故障特征，這些特征能夠有效地反映信號的局部變化和細(xì)節(jié)信息。此外，還探索了其他新型的信號處理方法，如變分模態(tài)分解、局部均值分解等，進(jìn)一步提高了故障特征提取的準(zhǔn)確性和有效性。在基于機(jī)器學(xué)習(xí)的故障診斷模型構(gòu)建方面，綜合考慮了多種機(jī)器學(xué)習(xí)算法的特點(diǎn)和適用性，選擇了支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式構(gòu)建故障診斷模型。支持向量機(jī)在小樣本數(shù)據(jù)處理和泛化能力方面具有優(yōu)勢，能夠在有限的故障樣本下構(gòu)建出可靠的診斷模型；神經(jīng)網(wǎng)絡(luò)則具有強(qiáng)大的非線性映射能力和自動(dòng)特征提取能力，能夠從大量的軌旁聲學(xué)信號數(shù)據(jù)中學(xué)習(xí)到深層次的故障特征。通過對模型的訓(xùn)練和優(yōu)化，使用交叉驗(yàn)證和網(wǎng)格搜索等方法對支持向量機(jī)的參數(shù)進(jìn)行了優(yōu)化，確定了最優(yōu)的懲罰參數(shù)C和核函數(shù)參數(shù)γ；對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行了調(diào)整和優(yōu)化，設(shè)計(jì)了合理的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并采用隨機(jī)梯度下降算法作為優(yōu)化器，選擇交叉熵?fù)p失函數(shù)作為損失函數(shù)，使模型的性能得到了顯著提升。最終構(gòu)建的故障診斷模型在測試集上取得了較高的準(zhǔn)確率、召回率和F1值，分別達(dá)到了[具體準(zhǔn)確率數(shù)值]、[具體召回率數(shù)值]和[具體F1值數(shù)值]，表明該模型能夠準(zhǔn)確地診斷出城軌列車滾動(dòng)軸承的故障類型，具有較高的診斷性能和泛化能力。在案例分析方面，以某城市實(shí)際城軌線路為研究對象，進(jìn)行了數(shù)據(jù)采集工作。在數(shù)據(jù)采集過程中，對采集設(shè)備進(jìn)行了精心的調(diào)試和校準(zhǔn)，確保了數(shù)據(jù)的準(zhǔn)確性和可靠性。運(yùn)用構(gòu)建的故障診斷模型對采集到的數(shù)據(jù)進(jìn)行了故障診斷，結(jié)果表明該模型能夠準(zhǔn)確地識別出滾動(dòng)軸承的大部分故障類型。在實(shí)際運(yùn)行中，模型成功診斷出某列城軌列車滾動(dòng)軸承的疲勞剝落故障，經(jīng)過維修人員的拆解檢查，驗(yàn)證了模型診斷結(jié)果的準(zhǔn)確性，為城軌列車的安全運(yùn)行提供了有效的技術(shù)支持。對模型在實(shí)際應(yīng)用中的效果進(jìn)行了評估，發(fā)現(xiàn)模型在大部分工況下具有較高的準(zhǔn)確率和及時(shí)性，但在復(fù)雜工況下仍存在一定的誤判情況。針對這些問題，提出了相應(yīng)的改進(jìn)措施，為進(jìn)一步優(yōu)化模型提供了方向。6.2研究不足與展望盡管本研究在基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷方面取得了一定的成果，但仍存在一些不足之處，需要在未來的研究中進(jìn)一步改進(jìn)和完善。在聲學(xué)信號采集方面，雖然當(dāng)前的麥克風(fēng)陣列和采集系統(tǒng)能夠獲取軌旁聲學(xué)信號，但在復(fù)雜環(huán)境下，信號的準(zhǔn)確性和穩(wěn)定性仍有待提高。城軌列車運(yùn)行環(huán)境中的電磁干擾、天氣變化等因素，可能會(huì)對聲學(xué)信號的采集產(chǎn)生影響，導(dǎo)致信號失真或丟失部分關(guān)鍵信息。未來的研究可以致力于開發(fā)更加先進(jìn)的聲學(xué)傳感器技術(shù)，提高傳感器的抗干擾能力和靈敏度，使其能夠在各種復(fù)雜環(huán)境下穩(wěn)定地采集到高質(zhì)量的聲學(xué)信號。還需要進(jìn)一步優(yōu)化傳感器的布置方式和安裝位置，通過多物理場耦合分析等方法，深入研究聲學(xué)信號在復(fù)雜環(huán)境中的傳播特性，確定最優(yōu)的傳感器布局方案，以獲取更全面、準(zhǔn)確的聲學(xué)信號。在信號處理和特征提取方面，現(xiàn)有的方法在處理一些復(fù)雜故障和早期故障時(shí)，仍存在一定的局限性。對于早期故障，其聲學(xué)信號特征往往較為微弱，容易被噪聲淹沒，傳統(tǒng)的信號處理和特征提取方法可能難以準(zhǔn)確捕捉到這些微弱的特征。而對于一些復(fù)雜故障，可能涉及多種故障類型的復(fù)合，現(xiàn)有的方法在分析和識別這些復(fù)雜故障特征時(shí)，效果不夠理想。未來可以探索結(jié)合深度學(xué)習(xí)的自動(dòng)特征提取方法，如基于生成對抗網(wǎng)絡(luò)（GAN）的特征增強(qiáng)技術(shù)，通過生成器和判別器的對抗訓(xùn)練，增強(qiáng)早期故障信號的特征，提高故障診斷的靈敏度；還可以研究多模態(tài)特征融合的方法，將聲學(xué)信號與振動(dòng)信號、溫度信號等其他傳感器信號進(jìn)行融合，利用不同信號之間的互補(bǔ)信息，提高對復(fù)雜故障的診斷能力。在故障診斷模型方面，雖然支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型取得了較好的診斷效果，但模型的泛化能力和實(shí)時(shí)性仍有提升空間。不同城軌線路的運(yùn)行工況和環(huán)境條件存在差異，模型在面對新的工況和環(huán)境時(shí)，可能出現(xiàn)診斷準(zhǔn)確率下降的情況。在實(shí)時(shí)性方面，隨著城軌列車運(yùn)行速度的不斷提高，對故障診斷的實(shí)時(shí)性要求也越來越高，當(dāng)前模型的計(jì)算復(fù)雜度可能無法滿足高速運(yùn)行列車的實(shí)時(shí)診斷需求。未來可以采用遷移學(xué)習(xí)技術(shù)，將在某一線路上訓(xùn)練得到的模型，通過遷移學(xué)習(xí)的方法，快速適應(yīng)其他線路的運(yùn)行工況，提高模型的泛化能力。在實(shí)時(shí)性優(yōu)化方面，可以研究基于硬件加速的模型部署方法，如利用現(xiàn)場可編程門陣列（FPGA）或圖形處理器（GPU）等硬件設(shè)備，加速模型的計(jì)算過程，實(shí)現(xiàn)故障的實(shí)時(shí)診斷。未來的研究還可以朝著滾動(dòng)軸承故障預(yù)測的方向發(fā)展。通過對大量歷史數(shù)據(jù)的分析和挖掘，結(jié)合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，建立滾動(dòng)軸承的剩余壽命預(yù)測模型，提前預(yù)測滾動(dòng)軸承可能發(fā)生故障的時(shí)間，為維修決策提供更充分的依據(jù)，實(shí)現(xiàn)從故障診斷到故障預(yù)測的轉(zhuǎn)變，進(jìn)一步提高城軌列車的運(yùn)行安全性和可靠性。還可以將故障診斷系統(tǒng)與城軌列車的智能運(yùn)維管理平臺進(jìn)行深度融合，實(shí)現(xiàn)故障信息的實(shí)時(shí)共享和協(xié)同處理，提高運(yùn)維管理的效率和智能化水平。一、引言1.1研究背景與意義隨著城市化進(jìn)程的加速，城市人口規(guī)模不斷膨脹，交通擁堵問題日益突出。城市軌道交通作為一種高效、便捷、環(huán)保的公共交通方式，在各大城市得到了迅猛發(fā)展。截至[具體年份]，我國內(nèi)地已有[X]個(gè)城市開通城市軌道交通運(yùn)營線路，運(yùn)營里程總計(jì)達(dá)到[X]公里，車站總數(shù)超過[X]座。城軌列車作為城市軌道交通的核心運(yùn)載工具，其運(yùn)行的安全性與可靠性直接關(guān)系到廣大市民的出行安全和城市交通系統(tǒng)的正常運(yùn)轉(zhuǎn)。滾動(dòng)軸承作為城軌列車轉(zhuǎn)向架等關(guān)鍵部位的重要零部件，承擔(dān)著支撐和傳遞載荷的關(guān)鍵作用，是保障列車平穩(wěn)運(yùn)行的核心部件之一。在實(shí)際運(yùn)行過程中，滾動(dòng)軸承長期處于高負(fù)荷、變工況以及復(fù)雜的運(yùn)行環(huán)境中，承受著交變載荷、沖擊載荷、振動(dòng)以及高溫、潮濕、粉塵等多種不利因素的影響。例如，在列車頻繁啟動(dòng)、制動(dòng)以及通過彎道時(shí)，滾動(dòng)軸承會(huì)受到較大的沖擊力和摩擦力；在隧道等潮濕環(huán)境中，軸承容易受到腐蝕；在車站等人員密集場所，軸承還可能受到異物侵入的威脅。這些因素都極易導(dǎo)致滾動(dòng)軸承出現(xiàn)各種故障，如疲勞剝落、磨損、裂紋、燒傷等。滾動(dòng)軸承一旦發(fā)生故障，若未能及時(shí)發(fā)現(xiàn)和處理，可能會(huì)引發(fā)一系列嚴(yán)重后果。輕微故障可能導(dǎo)致列車運(yùn)行時(shí)產(chǎn)生異常振動(dòng)和噪聲，影響乘客的乘坐舒適性；隨著故障的進(jìn)一步發(fā)展，可能會(huì)引發(fā)熱軸、切軸等嚴(yán)重故障，甚至導(dǎo)致列車脫軌等重大安全事故，造成人員傷亡和巨大的經(jīng)濟(jì)損失。例如，[具體事故案例]年[具體月份]，某城市地鐵列車在運(yùn)行過程中，由于滾動(dòng)軸承故障引發(fā)切軸事故，導(dǎo)致列車被迫停車，造成了線路中斷和大量乘客滯留，不僅給乘客的出行帶來極大不便，也對城市軌道交通系統(tǒng)的形象和聲譽(yù)造成了嚴(yán)重?fù)p害。從經(jīng)濟(jì)角度來看，滾動(dòng)軸承故障還會(huì)導(dǎo)致列車維修成本大幅增加。故障發(fā)生后，需要對故障軸承進(jìn)行更換或維修，這不僅涉及到軸承本身的更換費(fèi)用，還包括因列車停運(yùn)而產(chǎn)生的間接經(jīng)濟(jì)損失，如運(yùn)營收入減少、救援費(fèi)用、延誤賠償?shù)?。此外，為了確保列車的安全運(yùn)行，還需要增加檢修頻次和人力投入，進(jìn)一步提高了運(yùn)營成本。據(jù)相關(guān)統(tǒng)計(jì)數(shù)據(jù)顯示，城軌列車因滾動(dòng)軸承故障導(dǎo)致的維修成本占總維修成本的[X]%以上，且隨著列車運(yùn)行里程的增加和服役時(shí)間的延長，這一比例還在不斷上升。綜上所述，滾動(dòng)軸承故障診斷對于城軌列車的安全運(yùn)行和高效運(yùn)營具有至關(guān)重要的意義。準(zhǔn)確、及時(shí)地診斷出滾動(dòng)軸承的故障，能夠?yàn)榱熊嚨木S修和保養(yǎng)提供科學(xué)依據(jù)，提前采取有效的預(yù)防措施，避免故障的進(jìn)一步發(fā)展和惡化，從而保障列車的運(yùn)行安全，提高運(yùn)營效率，降低維修成本，為城市軌道交通的可持續(xù)發(fā)展提供有力支撐。1.2國內(nèi)外研究現(xiàn)狀近年來，隨著城軌交通的飛速發(fā)展，基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷技術(shù)受到了國內(nèi)外學(xué)者的廣泛關(guān)注，并取得了一系列研究成果。國外在該領(lǐng)域的研究起步較早，技術(shù)相對成熟。一些發(fā)達(dá)國家如美國、德國、日本等，依托其先進(jìn)的傳感器技術(shù)、信號處理技術(shù)和機(jī)器學(xué)習(xí)算法，開展了深入的研究工作。美國在鐵路貨車滾動(dòng)軸承故障軌旁聲學(xué)診斷方面處于世界領(lǐng)先水平，其研發(fā)的軌旁聲學(xué)檢測系統(tǒng)（TADS）已在鐵路運(yùn)輸中得到廣泛應(yīng)用。TADS通過安裝在軌道旁的聲學(xué)傳感器采集列車滾動(dòng)軸承運(yùn)行時(shí)產(chǎn)生的聲學(xué)信號，利用先進(jìn)的信號處理算法和模式識別技術(shù)，對軸承的故障進(jìn)行診斷和預(yù)警。德國的一些研究機(jī)構(gòu)則專注于提高聲學(xué)信號的采集精度和抗干擾能力，通過優(yōu)化傳感器的布置和設(shè)計(jì)，以及采用自適應(yīng)濾波等技術(shù)，有效降低了環(huán)境噪聲對診斷結(jié)果的影響。日本在新干線列車的滾動(dòng)軸承故障診斷中，也運(yùn)用了聲學(xué)診斷技術(shù)，結(jié)合其先進(jìn)的高速列車運(yùn)行控制技術(shù)，實(shí)現(xiàn)了對軸承故障的實(shí)時(shí)監(jiān)測和精準(zhǔn)診斷。國內(nèi)在基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷研究方面雖然起步相對較晚，但發(fā)展迅速。眾多高校和科研機(jī)構(gòu)，如西南交通大學(xué)、北京交通大學(xué)、中國鐵道科學(xué)研究院等，積極投入到該領(lǐng)域的研究中。西南交通大學(xué)的研究團(tuán)隊(duì)針對軌旁聲學(xué)信號的特點(diǎn)，提出了一系列有效的信號處理和特征提取方法。他們利用小波變換、短時(shí)傅里葉變換等時(shí)頻分析方法，對聲學(xué)信號進(jìn)行處理，提取出能夠反映軸承故障的特征參數(shù)，并結(jié)合支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)了對滾動(dòng)軸承故障的準(zhǔn)確分類和識別。北京交通大學(xué)則在傳感器技術(shù)和系統(tǒng)集成方面取得了重要進(jìn)展，研發(fā)了高性能的軌旁聲學(xué)傳感器，提高了信號采集的質(zhì)量和可靠性，并建立了完整的故障診斷系統(tǒng)，實(shí)現(xiàn)了對城軌列車滾動(dòng)軸承故障的在線監(jiān)測和診斷。中國鐵道科學(xué)研究院結(jié)合實(shí)際工程應(yīng)用，對軌旁聲學(xué)故障診斷系統(tǒng)進(jìn)行了大量的現(xiàn)場測試和優(yōu)化，使其更加適應(yīng)復(fù)雜的鐵路運(yùn)行環(huán)境。盡管國內(nèi)外在基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷研究方面取得了一定的成果，但目前的研究仍存在一些不足之處。在聲學(xué)信號采集方面，傳感器的性能和布置方式仍有待進(jìn)一步優(yōu)化。城軌列車運(yùn)行環(huán)境復(fù)雜，噪聲干擾源眾多，現(xiàn)有的傳感器難以在強(qiáng)噪聲環(huán)境下準(zhǔn)確采集到滾動(dòng)軸承的聲學(xué)信號。此外，傳感器的安裝位置和角度對信號采集的質(zhì)量也有很大影響，如何確定最佳的傳感器布置方案，以獲取最有效的聲學(xué)信號，是需要進(jìn)一步研究的問題。在信號處理和特征提取方面，現(xiàn)有的方法在處理復(fù)雜工況下的聲學(xué)信號時(shí)，仍存在一定的局限性。城軌列車滾動(dòng)軸承在不同的運(yùn)行工況下，其聲學(xué)信號的特征會(huì)發(fā)生變化，傳統(tǒng)的信號處理和特征提取方法難以適應(yīng)這種變化，導(dǎo)致故障特征提取不準(zhǔn)確，影響診斷的準(zhǔn)確性。在故障診斷模型方面，雖然機(jī)器學(xué)習(xí)算法在故障診斷中得到了廣泛應(yīng)用，但目前的診斷模型仍存在泛化能力不足、對小樣本故障數(shù)據(jù)的診斷效果不佳等問題。如何提高診斷模型的泛化能力和適應(yīng)性，使其能夠準(zhǔn)確診斷各種類型的滾動(dòng)軸承故障，是當(dāng)前研究的重點(diǎn)和難點(diǎn)。1.3研究內(nèi)容與方法本研究基于軌旁聲學(xué)信號，綜合運(yùn)用數(shù)字信號處理和機(jī)器學(xué)習(xí)等技術(shù)，深入開展城軌列車滾動(dòng)軸承故障診斷的研究，旨在實(shí)現(xiàn)對滾動(dòng)軸承故障的精準(zhǔn)、高效診斷，為城軌列車的安全穩(wěn)定運(yùn)行提供有力保障。具體研究內(nèi)容如下：軌旁聲學(xué)信號特性分析：對城軌列車運(yùn)行時(shí)產(chǎn)生的軌旁聲學(xué)信號進(jìn)行深入研究，分析其在不同工況下的特性。通過大量的現(xiàn)場測試和實(shí)驗(yàn)，獲取不同運(yùn)行速度、載荷、軌道條件等工況下的聲學(xué)信號數(shù)據(jù)。運(yùn)用時(shí)域分析方法，如均值、方差、峰值指標(biāo)等，研究信號的時(shí)域統(tǒng)計(jì)特征；采用頻域分析方法，如傅里葉變換、功率譜估計(jì)等，分析信號的頻率成分和能量分布；利用時(shí)頻分析方法，如短時(shí)傅里葉變換、小波變換、Wigner-Ville分布等，揭示信號在時(shí)間和頻率上的聯(lián)合分布特性，全面掌握軌旁聲學(xué)信號在不同工況下的變化規(guī)律，為后續(xù)的故障特征提取和診斷模型建立奠定基礎(chǔ)?；跀?shù)字信號處理的故障特征提?。横槍壟月晫W(xué)信號易受噪聲干擾、信號特征復(fù)雜等問題，采用先進(jìn)的數(shù)字信號處理技術(shù)進(jìn)行故障特征提取。首先，運(yùn)用濾波技術(shù)，如低通濾波、高通濾波、帶通濾波等，去除信號中的高頻噪聲和低頻干擾，提高信號的信噪比。然后，利用時(shí)頻分析方法對濾波后的信號進(jìn)行處理，提取能夠反映滾動(dòng)軸承故障的特征參數(shù)。例如，基于小波變換的多分辨率分析特性，提取不同尺度下的小波系數(shù)作為故障特征；通過經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）將信號分解為多個(gè)固有模態(tài)函