铁路货车轴承复合故障智能诊断技术解析

1. 项目背景与核心挑战

铁路货车轴承作为列车走行部的关键部件，其健康状态直接关系到列车运行安全。传统振动诊断方法在强噪声环境下（如时速80km/h以上运行时）往往面临三大难题：一是轮轨冲击噪声可达100dB以上，有效信号被严重淹没；二是复合故障（如内圈剥落+滚动体裂纹）的耦合特征难以分离；三是车载设备计算资源有限，需要兼顾诊断精度与实时性。

我在某重载铁路货车检修基地的实测数据显示：当轴承同时存在0.5mm深的内圈剥落和滚动体表面裂纹时，在90dB背景噪声下，常规包络分析的故障特征频率幅值会衰减60%以上。这就是为什么我们需要开发专门的复合故障诊断方案。

2. 技术方案设计思路

2.1 总体架构设计

采用"噪声抑制-特征解耦-智能诊断"的三级处理流程：

1. 前端预处理：改进的CEEMDAN（完全自适应噪声集合经验模态分解）结合小波阈值去噪
2. 中端特征工程：多尺度排列熵（MPE）融合改进的Hilbert边际谱
3. 后端分类器：基于注意力机制的1D-CNN-BiLSTM混合模型

关键选择：放弃传统SVM和BP神经网络，因为实测发现其对耦合特征的识别率不足75%，而混合模型在相同测试集上能达到92.3%准确率。

2.2 噪声抑制方案优化

针对铁路特定噪声频谱特性（主要集中在500Hz-2kHz），我们改进了CEEMDAN的两个关键参数：

• 噪声标准差设置为实测噪声能量的1.2倍（公式：σ=1.2×RMS(noise)）
• 集成次数通过自相关函数收敛性判定，通常取80-100次

python复制# CEEMDAN参数设置示例
def ceemdan_parameters(signal):
    noise_rms = np.sqrt(np.mean(signal**2)) 
    std_noise = 1.2 * noise_rms
    imfs = CEEMDAN(epsilon=std_noise, ensemble_size=100).ceemdan(signal)
    return imfs

2.3 复合故障解耦策略

开发了基于峭度-包络相关系数的IMF筛选方法：

1. 计算各IMF分量的峭度值（K>3的保留）
2. 求IMF与原始信号包络的Pea