引言

滚动轴承是机车走行部和牵引电机等关键部件中的核心支撑元件，其运行状态直接影响机车的安全与可靠性。据统计，旋转机械故障中约30%由轴承引起，而在机车复杂工况下（变载、变速、强冲击、温湿度变化），轴承故障发生率更高。因此，开展有效的故障检测对保障行车安全、降低维护成本具有重要意义。

一、机车滚动轴承的典型故障形式

• 疲劳剥落：滚道或滚动体表面在交变应力下产生裂纹并扩展，形成剥落坑。
• 磨损：磨粒侵入或润滑不良导致表面材料逐渐损失。
• 塑性变形：过载或冲击造成压痕、凹坑。
• 腐蚀与电蚀： moisture、酸性物质或轴电流引起。
• 保持架损坏：断裂、变形或磨损。

这些故障会激发周期性的冲击脉冲，改变振动、温度、声发射等物理特征，为检测提供依据。

二、主要故障检测方法

1. 振动分析法

振动分析是应用最广的轴承故障检测手段。

• 时域分析：计算均方根值、峰值、峭度、裕度等指标。峭度对早期冲击故障敏感，但稳定性受负载影响。
• 频域分析：通过FFT得到频谱，识别轴承特征频率——外圈故障频率BPFO、内圈故障频率BPFI、滚动体故障频率BSF、保持架故障频率FTF。
• 包络解调：对高频共振带进行带通滤波和Hilbert包络解调，提取低频故障特征，适用于早期微弱故障。
• 时频分析：短时傅里叶变换、小波变换、Wigner-Ville分布等，适合非平稳、变速工况（如机车牵引电机变转速运行）。

优点：诊断能力强、可在线监测；缺点：易受轮轨冲击、齿轮啮合等背景噪声干扰，传感器布置要求高。

2. 温度监测法

利用温度传感器（热电偶、光纤光栅）监测轴承座温度。

• 适用于严重磨损、润滑失效等引起温升的故障。
• 但对于早期微小缺陷，温升不明显，灵敏度较低。
• 常与振动方法互补，用于机车轴箱轴承的普检。

3. 声发射法

轴承缺陷扩展时释放弹性波（频率范围100 kHz–1 MHz），通过声发射传感器采集。

• 对早期裂纹、微剥落敏感。
• 可定位故障源。
• 缺点：易受环境噪声影响，信号衰减快，需高采样率设备。

4. 油液分析法

对轴承润滑油脂或润滑油进行理化与光谱分析。

• 铁谱分析：检测磨损颗粒形貌、尺寸和成分。
• 光谱分析：测定金属元素浓度（Fe、Cu、Cr等）。
• 适用于闭式齿轮箱或轴箱润滑系统，能够反映磨损趋势与类型。
• 机组在线应用受限，多为离线定期检测。

5. 电流特征分析法

针对牵引电机轴承，通过检测定子电流的谐波成分（MCSA）间接判断轴承状态。

• 无需额外传感器，利用既有电流互感器。
• 但受电机控制策略、电源谐波影响较大，灵敏度不及振动法。

6. 基于数据驱动与人工智能的方法

随着机车智能运维发展，机器学习与深度学习被大量引入：

• 特征提取 + 分类器：如SVM、随机森林、BP神经网络，使用时频域特征。
• 深度学习：CNN处理振动图像（如时频图），LSTM/GRU处理时间序列，自编码器用于异常检测。
• 迁移学习：解决变工况、小样本问题，提高跨机车泛化能力。
• 优势：自动特征学习，适应复杂非线性关系；挑战：需大量标注数据，模型可解释性差。

三、检测方法的选择与综合

| 方法 | 适用故障阶段 | 在线能力 | 抗干扰性 | 成本 |
|------|--------------|----------|----------|------|
| 振动分析 | 早、中、晚期 | 强 | 中 | 中 |
| 温度监测 | 中、晚期 | 强 | 强 | 低 |
| 声发射 | 早期 | 可在线 | 弱 | 高 |
| 油液分析 | 中、晚期 | 离线为主 | 强 | 中 |
| 电流分析 | 中、晚期 | 强 | 弱 | 低 |
| AI方法 | 各阶段（依赖数据） | 强 | 依赖模型 | 高 |

实际机车应用中，建议采用多传感器融合策略：以振动分析为主，温度、声发射为辅，结合油液定期检验，并在数据充足时引入AI辅助决策。

四、挑战与展望

1. 强背景噪声与变工况：轮轨冲击、牵引/制动交变载荷导致信噪比低，需自适应滤波与工况归一化。
2. 早期微弱故障检测：寻找更敏感的特征提取方法（如稀疏分解、随机共振）。
3. 边缘计算与实时性：车载资源有限，轻量化模型与在线增量学习成为趋势。
4. 数字孪生：建立轴承动力学模型与实测数据融合，实现剩余寿命预测。
5. 标准化与数据集：建立机车轴承故障公共数据集，推动方法可比与落地。

##

机车滚动轴承故障检测是一个多学科交叉领域。传统振动、温度、声发射、油液等方法各有优劣，单一方法难以为全工况下所有故障提供可靠结论。未来方向是“机理+数据”双驱动，构建多源信息融合的智能监测系统，实现从定期维修向预测性维修的转变，为机车安全高效运行提供保障。