京沪高铁再发故障

CRH380动车组轴箱轴承故障预警系统

王远霏;孙海荣;裴春兴;陈永春;刘先升

【摘要】高速动车组在高速运行过程中会发生多种设备故障,使行驶安全面临风险,

威胁高速动车的正常运行.其中,属于转向架及其辅助系统的轴箱轴承一旦发生故障,

很可能造成车轴热切甚至是脱轨,因此研究轴箱轴承数据挖掘模型和监控预警技术

对于保证列车安全运行具有重要意义.通过研究动车组实时轴承温度与外温、速度、

轮对里程、轴承位置等特征之间的关系,分析产生轴温过高的原因,并基于RBF神经

网络对轴箱轴承的温度建立预测模型,进而设计故障预警系统,为日后的检修维护工

作提供指导.

【期刊名称】《铁道机车车辆》

【年(卷),期】2019(039)003

【总页数】7页(P43-48,63)

【关键词】动车组;轴箱轴承;故障预警;RBF神经网络

【作者】王远霏;孙海荣;裴春兴;陈永春;刘先升

【作者单位】中车唐山机车车辆有限责任公司产品技术研究中心,河北唐山

063035;中车唐山机车车辆有限责任公司产品技术研究中心,河北唐山063035;中

车唐山机车车辆有限责任公司产品技术研究中心,河北唐山063035;中车唐山机车

车辆有限责任公司产品技术研究中心,河北唐山063035;中车唐山机车车辆有限责

任公司产品技术研究中心,河北唐山063035

【正文语种】中文

【中图分类】U270.331.2

轴承故障诊断技术是高速列车安全运行的关键技术之一。轴承作为动车中重要的旋

转零件，也是主要故障源之一[2]。随着列车里程的增加，轴箱轴承也不断受到磨

损，特别是由于安装质量不佳，润滑油品质不好，外界异物进入时，轴承内部会出

现剥离、卡伤、裂纹、滚子碎裂等现象[3]。对于高速行驶的列车，做好轴承运转

状态的监测与故障诊断能有效提高高速铁路的运行管理水平，并具有显著的经济效

益。

国内外有关动车组轴箱轴承故障的研究有许多。代宏伟[4]针对快速铁路动车轴承

故障检测的不确定性，提出了引入权重分析优化的快速铁路动车轴承故障检测方法，

以人工神经网络和专家系统相结合，引入权重分析优化的概念对动车轴承参数权重

进行优化。李佳睿等[5]针对动车组走行部轴箱振动信号非平稳、非线性且背景噪

声频率分布范围广的复杂特性，设计了改进的希尔伯特-黄变换算法(Hilbert-

HuangTransform,HHT)，综合利用了HHT方法有效平稳化信号及共振解调方法

有效提高信噪比的优点，对轴箱轴承故障信号进行分析。李永华等[6]综合考虑影

响轴箱轴承寿命的模糊因素，运用集对分析理论和模糊集理论对轴箱轴承进行可靠

性寿命评估。杨天蕴[7]建立了故障轴承动力学模型，采用数值仿真对不同故障特

征的轴承振动特性进行分析，并模拟轴承的实际工作环境设计了试验，为转向架轴

承的故障检测提供理论依据。郝烨江[8]研究了轴承接触疲劳寿命的评估方法，设

计了轴箱轴承可靠性试验方法。韩威[9]研究了基于EEMD和小波包的动车组轴箱

轴承故障诊断系统。汪志君[10]研究了基于EEMD的共振解调技术在CRH380BL

动车组轴箱轴承故障诊断中的应用，并通过仿真证明了该方法适用于动车组轴箱轴

承的早期故障诊断。

首先对重点故障进行关联分析和故障诊断，挖掘故障间的关联关系，探寻故障与外

界因素的关系，结合重点故障类型，建立轴箱轴承故障模式库、故障特征库、故障

特性经验库等知识库，同时研究了轴箱轴承故障演变规律和故障间隙，建立安全性

能状态的置信区间和安全健康指标阈值。根据滚动轴承的发热机理、传热过程及轴

承温度场分布等利用RBF神经网络对轴箱轴承的温度变化趋势进行建模。最终结

合平台数据仓库中存储的历史数据和实时监控数据，采用深度机器学习、模式匹配、

神经网络等技术，结合已有的专家系统知识库和故障树，挖掘潜在故障关联关系，

预测潜在故障，指导作业人员提前进行维修。

1故障分析

经过分析2011—2017年某铁路局CRH380B(L)型动车重点故障数据库，可知

2011年7月6日至2017年5月7日，轴箱轴承故障共发生了335起，其中由

于温度升高引起的故障有295起，轴箱轴承渗油故障29起，轴箱轴承异声/TADS

报警11起。由温度升高引起的295起故障中，属于1级故障(影响运行安全)的有

1起；属于2级故障(影响车组运行)的有11起；属于3级故障(影响系统运行)的

有64起；属于4级故障(一般常见故障)的有50起；属于严重故障的有4起。

从以上分析可以看出，轴箱轴承的故障主要是温度异常，因此，轴箱轴承故障数据

挖掘模型的关键是刻画轴箱轴承温度变化规律和影响因素的关系，在轴箱轴承温度

预测的基础上进行故障预测。

目前针对动车组轴温升高的处理机制如下：

运行途中发生轴承异常温升的动车组入库时需根据动车组轴承温度(t)或者轴承温

升(Δt)进行重点检查[4]。

1.1符合以下条件之一的，需入库开盖检查轴承

(1)换轮后试运行动车组：47℃≤Δt<65℃或110℃≤t<120℃。

(2)换轮后运行5万km以内动车组：40℃≤Δt<47℃或7日内有3日同一轴承出

现110℃≤t<115℃。

(3)换轮后运行超过5万km动车组：105℃≤t<115℃或30℃≤Δt<45℃(装用美

尔森接地装置的轮对在每年的2月至6月期间按照25℃≤Δt<45℃执行)。

(4)若检查无异常，安排再次试运行或安排局管内短交路或停靠站较多交路运行至

Δt<45℃，温度有下降趋势，可安排长大交路运行。

1.2符合以下条件之一的，需更换轮对

(1)换轮后试运行动车组：Δt≥65℃或t≥120℃。

(2)试运行1万km内动车组：Δt≥50℃或t≥120℃。

(3)1万km≤动车组试运行里程<5万km：Δt≥47℃或t≥115℃。

换轮后运行超过5万km动车组：Δt≥45℃或t≥115℃或一周(7天)内有2天同一

轴箱轴承温度t≥110℃。

这套规则是根据现行的轴温预警规则，结合动车使用经验总结得出。但该规则只能

在轴温突破阈值(比如A级预警的120℃)后才能让动车使用方做出反应，如果列

车在行进中轴温再上升到达120℃,列车必须限速运行(250km/h)，从而打乱列

车运行。通过研究轴温与外温、速度、轮对里程、轴承位置等特征之间的关系，分

析产生轴温过高的原因，从而实现对轴温的智能预测，进而提前指导维修。

2数据分析

首先观察单个车组在一天之内的行驶和轴温情况。图1，图2记录了两天之内

3517车组1车厢3轴左轴承温度在两天之内与列车行驶速度和室外温度的关系。

我们能看到轴温在一天之内与列车行驶速度有关。车组于2016年8月11日早上

出发，在13点左右到达G12车次的终点站北京南,此时轴温达到一天当中的最高

点,我们能够看到列车保持高速时轴温上升。在北京南休息了约50min左右，下

午车组又以G3车次返回上海虹桥。即便回程停站少，高速行驶时间比上午要长，

轴温在下午并未超过中午的最高点。同样的，在其他轴承上也发现了类似的规律：

即轴温在上午的长里程车次中升至一天最高点后，休息一段时间，下午同样里程的

车次很难使轴温达到上午的最高温。同时，从图中可以看出轴温与室外温度也有一

定的正相关，轴温的升降和室外气温的升降几乎是同步的。

图13517车组1车厢3轴左轴温与列车行驶速度

图23517车组1车厢3轴左轴温与室外温度

2.1轴温与室外温度

从图3观察可得，室外温度与轴温呈明显的正相关，且轴温突破最低阈值都发生

在室外温度高于25℃时。但从图4可以看到，和行驶速度相比，室外温度并不是

轴温的决定性因素。只要列车保持高速运行，即便室外温度降低至一天最低点，轴

温也会持续升高。

2.2轴温与走行速度

图5反映了轴温与列车运行速度关系。3536车组在2016年8月19日运行

G230/G231车次，以300km/h左右的最高速度在京沪高铁上从上海行驶至济南，

然后通过胶济线以200km/h左右的最高速度行驶至终点站青岛，下午再通过

G236/G233原路返回。我们能看到轴承大幅升温发生在速度300km/h时。当速

度在200km/h时，轴温能升至一定程度并保持，但升温幅度明显降低。我们在

其他车组的轴承上也发现了类似情况。由此看来，轴温升温幅度与速度呈很明显的

正相关。在建立模型样本时，我们有必要将列车运行时间按不同的速度区间进行划

分。

图3室外温度与轴温

图4室外温度、速度与轴温

图5轴温与列车行驶速度的关系

根据数据分布情况我们创建了4个速度区间：320～370km/h,270～320km/h,

220～270km/h和170～220km/h。图6中从左至右的速度区间依次为：

270～320km/h,220～270km/h和170～220km/h。从图6能看到只有速度

区间270～320km/h所占比重与轴温有持续正相关(分析样本中没有速度320

km/h以上的行驶记录)。列车只有长时间高速运行时，轴温才有可能不断上升突

破阈值。

2.3轴温与轮对里程

由趋势图分析知，不同的走行里程对于轴温变化也是有影响的。图7描述三级修

后的轮对里程与每日最高轴温和平均轴温的关系。样本中有两个车组在2016年1

月至今经历过三级修。由图可以看出，在5万km以下时，每日平均轴温和最高

轴温都还处在一个较为离散的状态，突破最低阈值也发生在这个里程区间内。在三

级修后的10万km内这两个车组的轴温与里程没有明显的正相关或负相关。

图6不同速度区间运行时间占比与轴温

图8描述了四级修后的轮对里程与轴温的关系。样本中只有一个车组在2016年1

月至今经历了四级修。在2万km内，每日平均轴温与最高轴温都与里程呈正相

关。但这之后至5万km时，轴温缓慢下滑。轴温与里程没有呈线性关系。

图7轮对里程与轴温(三级修后)

图8轮对里程与轴温(四级修后)

图9描述的是临时换上的轴承温度与里程的关系。小样本中共有72个轴承在

2016年1月后被临时更换。换上的轴承在里程15万km以下时，每日平均轴温

和最高轴温都相对较为离散。度过这个磨合期之后，每日轴温在里程20万km时

降至最低点，之后再缓慢回升。这些临时换上的新轮突破最低轴温阈值甚至都发生

在里程不到1万km时。

图9轮对里程与轴温(临时换轮后)

综上所述，轮对里程对轴温是有影响的，但不是简单的正相关或负相关，与修程和

走行里程的多少相关联。

2.4轴温与轴承位置

由图10可以看到第1和第16车厢出现的轴温突破阈值的次数较多，第2、第6、

第11和第12车厢的轴温突破阈值的次数次之；轴位分布中1、2为动轴，3、4

为拖轴，其中第3轴发生的轴温突破阈值次数最多，其他轴的轴温突破阈值次数

较为均匀。

图10突破温度阈值的轴承在车厢和轴位的分布

为了进一步检验轴温与轴位之间是否有显著关系，对样本数据进行了T检验，结

果证实动轴的日最高和日平均轴温都比拖轴高，其中平均每日最高轴温

66.5℃>64.25℃,每日平均轴温50.1℃>49.1℃。但是，在0.05的显著性水平

下，T检验的P值大于0.05，说明动轴轴承的平均温度与拖轴平均温度并无显著

差异。因此，轴承位置中的轴位因素未加入模型中。

此外，由于文中样本数据选取的是同一车厢的数据，轴承位置中的车厢变量为控制

变量，因此模型中的输入变量未考虑轴承位置。

3RBF神经网络模型

RBF神经网络是一种三层前向网络，通过输入层空间到隐含层空间的非线性变换

以及隐含层空间到输出层空间的线性变换，实现输入层空间到输出层空间的映射。

这两个层间变换参数的学习可以分别进行，使得RBF神经网络的学习速度较快且

可避免局部极小问题。

RBF(RadialBasisFunction，径向基函数)是某种沿径向对称的标量函数，通常定

义为空间中点到某一中心之间欧氏距离的单调函数，最常用的径向基函数是高斯

函数，形式为式(1)

(1)

其中Cj为函数中心向量，σj为宽度向量。高斯函数的作用域表现出局部性，即当

x远离σj时函数取值较小。

如图11所示，本次建模选择的RBF神经网络的结构从左至右分为3层，依次是

输入层、隐含层和输出层：

图11RBF神经网络模型结构图

网络的输出如式(2)所示。

(2)

计算流程如图12。

图12基于RBF神经网络的轴承温度预测模型计算过程

4模型结果

以预测2016年2月1日至20日的3537车01-1L轴箱轴承最高温度为例，模型

预测结果如图13和表1。

图132016年2月1日至20日3537车01—1L轴箱轴承最高温度预测表1模型

预测结果表℃

日期最高轴温预测值最高轴温实际值绝对误差相对误差2月1日54.977

357.82.82270.04882月2日61.124953.927.20490.13362月3日61.102

168.046.93790.1022月4日56.224551.74.52450.08752月5日

60.5761.090.520.00852月6日62.050163.491.43990.02272月7日64.614

463.491.12440.01772月8日66.064268.041.97580.0292月9日72.838

472.590.24840.00342月10日69.028469.180.15160.00222月11日

46.514246.430.08420.00182月12日64.178163.490.68810.01082月13

日60.593458.941.65340.02812月14日65.184565.360.17550.00272月

15日58.97961.222.2410.03662月16日62.454762.350.10470.00172月

17日67.081666.90.18160.00272月18日69.610269.180.43020.00622月

19日49.791749.840.04830.0012月20日65.828365.760.06830.001

根据预测结果对轴箱轴承温度进行实时预警，预警的阈值如下：

一级预警：

(1)预测轴箱轴承温度t≥110℃或115℃或≥120℃或t≥140℃；

(2)预测与同车同侧其他3套轴承温度平均值Δt≥50℃；

(3)预测与同车同侧其他3套轴承温度平均值Δt≥65℃。

二级预警：

(1)轴箱轴承温度跳变：|轴箱轴承温度(非空)-前1min轴箱轴承(非空)|>12℃；

(2)10min内发生两次轴箱轴承温度跳变且速度>0，判定轴箱轴承温度传感器故

障；

(3)预测轴箱轴承温度t≥110℃或115℃，且据上次该故障发生小于等于7天(当日

多次发生不算)；

(4)预测与同车同侧其他3套轴承温度平均值Δt≥45℃。

三级预警：

预测轴承温度≥80℃，且相对温度*同侧温差≥2600。其中，相对温度=轴温-环境

温度，同侧温差=轴温-同侧其他三轴平均值。

5结论

通过对CRH380动车组轴箱轴承的故障数据进行分析，总结了轴箱轴承故障发生

的原因及占比，证明了温度升高对于轴箱轴承的影响。为了研究轴箱轴承温度升高

的相关因素，分别比较了轴箱轴承温度与外温、运行速度、轮对里程、轴承位置等

特征之间的关系。最终选取了外界温度、运行速度和走行里程3个特征，利用

RBF神经网络算法对轴箱轴承的温度进行建模预测。实验结果表明该模型具有较

高的准确率，可以为今后的动车组维修保养工作提供参考性指导。另外，文中还存

在一定的局限性，只考虑了轴温过高(t≥120℃)情况下，轴温与轴箱轴承故障的预

警作用，对于轴温小于120°的情况还有待继续研究。

参考文献

【相关文献】

[1]郑敏.铁路客运“网运分离”的经济与社会效益分析[D].福州：福建师范大学,2003.

[2]刘良峰.动车组机械传动系统轴承振动信号分析与故障诊断[D].北京：北京交通大学,2014.

[3]汤武初,王敏杰,陈光东,等.高速列车故障轴箱轴承的温度分布研究[J].铁道学报,2016,

38(7):50-56.

[4]代宏伟.引入权重分析优化的铁路动车轴承故障检测[J].科技通报,2014，30(6):43-45.

[5]李佳睿,岳建海.基于HHT及共振解调方法的动车组走行部轴箱轴承故障诊断算法[J].北京交通

大学学报,2017,41(4):85-90.

[6]李永华,智鹏鹏,陈秉智.动车组轴箱轴承模糊可靠性寿命评估[J].大连交通大学学报,2017,

38(4):104-109，115.

[7]杨天蕴,丁千,郭涛,等.动车组转向架轴承局部损伤振动特性分析[J].振动.测试与诊断,2016,

36(4):665-673，808.

[8]郝烨江.高速列车轴箱轴承可靠性建模研究[D].北京：北京交通大学,2014.

[9]韩威.基于EEMD和小波包的动车组轴箱轴承故障诊断系统的研究[D].兰州：兰州交通大学,

2017.

[10]汪志君.基于EEMD的共振解调技术在动车组轴承故障诊断中的应用[D].北京：北京交通大学,

2017.