汽车变速器轴承中各零件定量诊断方法与流程

本发明涉及汽车变速器故障诊断技术，特别涉及汽车变速器轴承中各零件定量诊断方法。

背景技术：

汽车变速器中使用的滚动轴承种类很多，且数量较多，例如深沟球轴承、圆锥滚子轴承，双圆柱滚子轴承等，变速器中的各种轴承常常在变速、重载及高温的恶劣工况中持续运行，极易出现疲劳损伤。这些损伤若不及时处理，将导致轴承的功能完全失效进而引发一系列的连锁反应，使得整个汽车不能正常工作，轻则造成严重的经济损失，重则可导致灾难性的人员伤亡。目前，由于汽车变速器轴承的损伤性故障如点蚀、裂纹或划痕等未能及时发现而导致的事故屡见不鲜，故对汽车变速器轴承故障进行监测和诊断是十分必要的。

现有技术中，汽车变速器轴承故障诊断研究以振动分析为主，常用的故障特征提取方法如统计参数、小波变换、温格尔威利分布等方法具有各自的缺点，若应用于实际工程，时而会导致诊断结果不稳定而产生故障的“误诊、漏诊”现象；其次，现有研究方法大多数未考虑汽车实际行驶过程中的诸多因素，如线路不平顺、负载变化、速度变化等对汽车变速器轴承振动信号的影响，导致汽车变速器轴承的在线监测效果不理想。因此，需要设计一种可以精确模拟汽车实际行驶条件的试验台，并采用合适的分析诊断方法，对测试数据进行分析，以提高轴承故障诊断的精度。

技术实现要素：

针对上述问题，本发明目的是提供一种模拟效果好、故障分析准确的对汽车变速器轴承中各零件定量诊断方法。

为实现上述发明目的，本发明所采用的技术方案是：汽车变速器轴承中各零件定量诊断方法，所述的汽车变速器包括试验变速器和被测变速器，试验变速器和被测变速器可安装在轴承试验台上，所述的轴承试验台包括底座，底座上设置可升降的三坐标式电磁振动装置，电磁振动装置上设置由多个槽钢或矩形钢拼接形成的桁架式夹持工装，夹持工装上相应位置设置的安装螺栓孔的位置、尺寸及垂向刚度与试验变速器的安装螺栓孔相适应，所述试验变速器的结构与被测汽车变速器结构一致，且内部多个设置轴承的位置具有一个或多个故障轴承；

所述底座与电磁振动装置之间通过空气弹簧、垂向减振器连接，空气弹簧的进气口、出气口分别与进气控制阀、泄气阀连接，所述的进气控制阀与电动气泵连接，所述空气弹簧的垂向刚度与被测试汽车悬架的垂向刚度一致，所述垂向减振器的阻尼系数与被测试汽车悬架的垂向阻尼系数一致；

所述试验变速器的输入轴与扭矩加载装置的输出端连接，扭矩加载装置包括电动机，电动机的输出端依次与扭矩传感器、固定齿比减速器的输入端连接，固定齿比减速器的输出端与试验变速器的输入轴连接；所述电动机的输出端上还设置转速传感器；

所述试验变速器的输出轴与惯性负载装置连接，惯性负载装置包括与底座相互独立设置的辅助支座，辅助支座上安装传动齿轮组，传动齿轮组由一对圆柱直齿轮或一对圆锥齿轮构成，传动齿轮组的主动齿轮安装在试验变速器的输出轴上，传动齿轮组的从动齿轮通过中间轴与旋转轮连接，旋转轮通过轴承安装在辅助支座上，辅助支座上还设置与旋转轮尺寸相适应的液压制动卡钳；

所述试验变速器内安装的多个轴承的外圈粘贴振动加速度传感器；所述中央处理器分别与液压制动卡钳的液压缸控制阀、转速传感器、扭矩传感器、电动机、试验变速器的换挡控制器、多个振动加速度传感器、进气控制阀、泄气阀、电动气泵、电磁振动装置通信连接；

其特征在于：所述的诊断方法包括以下步骤：

将试验变速器内一个或多个位置的轴承设置为故障轴承，故障轴承的外圈粘贴振动加速度传感器，然后顺次进行以下步骤：

a.所述中央处理器控制电磁振动装置产生特定的振幅和振动频率；同时中央处理器控制电动机、换挡控制器使试验变速器的输出轴输出特定转速；试验变速器的输出轴输出特定转速的同时，中央处理器控制制动卡钳对旋转轮施加制动力矩，使试验变速器的输出轴受到特定的负载扭矩；振动加速度传感器采集故障轴承的振动加速度信号样本；将采集到的样本作为训练样本，对训练样本中的振动加速度信号x(t)进行emd自适应分解，分解方法如下：

上式中n为分解出的imf分量的个数；cj代表第j个imf分量，j＝1，2，3...，n；rn为残余分量；

b.经过步骤a分解得到n个cj分量后，分别计算每个cj(j＝1，2，3...，n)的峭度值，选取峭度值最大和峭度值次大的两个cj进行线性叠加，得到经过emd降噪后特征突显的加速度信号，然后将获取的特征突显的加速度信号按照时间长度平均分为m段，将不同时长段的信号记为s1-sm；

c.对步骤b中的s1-sm各段分别进行alpha稳定分布参数估计并计算其概率密度函数，提取特征指数α(0＜α≤2)、对称参数β(-1≤β≤1)、分散系数γ(γ＞0)、位置参数δ(-∞≤δ≤∞)及概率密度函数的极值h(h＞0)共5个alpha稳定分布特征；

d.对步骤b中的s1-sm各段分别进行多重分形去趋势波动分析，提取出s1-sm各自的5个多重分形特征：最大波动的奇异指数αmax，最小波动的奇异指数αmin，多重分形谱谱宽δα＝αmax-αmin，多重分形谱极值点对应的奇异指数α0(fmax＝f(α0)，α0∈[αmin，αmax])，多重分形谱概率子集分形维数差δf＝f(αmax)-f(αmin)；

e.根据步骤c、步骤d计算得到的s1-sm各自的5个alpha稳定分布特征、5个多重分形特征进行串行组合，得到s1-sm各自的组合特征集(α，β，γ，δ，h，α0，αmin，αmax，δα，δf)；

f.以径向基为核函数，利用核主成分分析法(kpca)对步骤e中的组合特征集进行降维融合，根据方差累积贡献率大于或等于95％选取核主元，得到新的主元融合特征集；

g.以步骤f中获得的主元融合特征集为输入样本，利用粒子群优化算法对最小二乘支持向量机的两个核心参数(正规化参数λ及内核参数σ)进行优化，以获取的最优参数建立pso-lssvm模型；

h.将试验变速器更换为待测变速器，将待测变速器内需要测试的一个或多个待测轴承的外圈粘贴振动加速度传感器，然后重复步骤a至步骤f，将步骤f中一个或多个振动加速度传感器采集到的待测轴承的s1-sm各自的主元融合特征集带入到已经训练好的pso-lssvm模型中进行状态分类；诊断结束。

本发明的有益效果在于：轴承的振动加速度信号通过emd方法的分解与重构，可以有效的对汽车变速器轴承信号中的噪声进行抑制，增强与突显信号中的有用成分；经emd降噪后的信号分别进行alpha稳定分布与多重分形特征提取并利用核主成分分析进行特征融合，能够充分结合alpha稳定分布与多重分形各自的优势，使特征的有效性最大化，提高故障诊断的精度和效率，带有各种不同故障类型、不同故障程度轴承的试验变速箱在试验台中采集的相关数据建立基础pso-lssvm模型，被测变速箱在试验台中采集相关数据带入到已建好的pso-lssvm模型中，从而分析得到被测变速箱中出现故障的轴承位置，以及轴承的故障程度，诊断效率高且正确率高。

附图说明

图1为轴承试验台结构原理图；

图2为轴承试验台控制电路原理图；

图3为对振动加速度信号进行emd降噪流程图；

图4为对经过emd降噪后特征突显的加速度信号进行alpha稳定分布参数估计及多重分形去趋势波动分析提取的十个特征示意图；

图5为利用轴承试验台进行轴承故障定量诊断的工作流程图。

具体实施方式

如图1-图2所示的一种轴承试验台，包括底座1，底座1上设置可升降的三坐标式电磁振动装置2，电磁振动装置2上设置由多个槽钢或矩形钢拼接形成的桁架式夹持工装3，夹持工装3上相应位置设置的安装螺栓孔的位置、尺寸及垂向刚度与试验变速器4的安装螺栓孔相适应；所述试验变速器4的结构与被测汽车变速器结构一致，且内部多个设置轴承的位置具有一个或多个故障轴承；

所述底座1与电磁振动装置2之间通过空气弹簧11、垂向减振器12连接，空气弹簧11的进气口、出气口分别与进气控制阀13、泄气阀14连接，所述的进气控制阀13与电动气泵15连接；在进行测试前，中央处理器5控制进气控制阀13、泄气阀14、电动气泵15，使空气弹簧11的垂向刚度与被测试汽车悬架的垂向刚度一致，并调整垂向减振器12的阻尼系数，使阻尼系数与被测试汽车悬架的垂向阻尼系数一致；垂向减振器12的阻尼系数可以由人工调整，也可以设置主动式垂向减振器12，由中央处理器5自动调整；

所述试验变速器4的输入轴与扭矩加载装置的输出端连接，扭矩加载装置包括电动机71，电动机71的输出端依次与扭矩传感器72、固定齿比减速器73的输入端连接，固定齿比减速器73的输出端与试验变速器4的输入轴连接；所述电动机71的输出端上还设置转速传感器74；

所述试验变速器4的输出轴与惯性负载装置连接，惯性负载装置包括与底座1相互独立设置的辅助支座81，辅助支座81上安装传动齿轮组82，传动齿轮组82由一对圆柱直齿轮或一对圆锥齿轮构成，传动齿轮组82的主动齿轮安装在试验变速器4的输出轴上，传动齿轮组82的从动齿轮通过中间轴与旋转轮83连接，旋转轮83通过轴承安装在辅助支座81上，辅助支座81上还设置与旋转轮83尺寸相适应的液压制动卡钳84，

所述试验变速器4内安装的一个或多个具有故障的故障轴承的外圈粘贴振动加速度传感器41；所述中央处理器5分别与液压制动卡钳84的液压缸控制阀、转速传感器74、扭矩传感器72、电动机71、试验变速器4的换挡控制器42、多个振动加速度传感器41、进气控制阀13、泄气阀14、电动气泵15、电磁振动装置2通信连接；

如图5所示的，对汽车变速器轴承中各零件定量诊断方法包括以下步骤：

将试验变速器4内一个或多个位置的轴承设置为故障轴承，故障轴承的外圈粘贴振动加速度传感器41，所述的故障轴承可以设置不同的故障位置和故障程度，例如故障位置可以分别是外圈、内圈、滚子、保持架，故障轴承的故障程度可以分别是早期、中期、晚期；

然后顺次进行以下步骤：

a.中央处理器5控制电磁振动装置2产生特定的振幅和振动频率，电磁振动装置2可以仅施加垂向方向振动，也可以根据需要提供横向和纵向振动；同时中央处理器5还控制电动机71、换挡控制器42使试验变速器4的输出轴输出特定转速，转速传感器74检测电动机71的输出转速保证试验变速器4的输出转速正确；试验变速器4的输出轴输出特定转速的同时中央处理器5控制制动卡钳84对旋转轮83施加制动力矩，使试验变速器4的输出轴受到特定的负载扭矩；扭矩传感器72检测制动卡钳84施加的制动扭矩，保证试验变速器4受到的负载扭矩正确；还可以将实际线路导入中央处理器5，由中央处理器5根据实际道路情况，分别控制电磁振动装置2、电动机71、制动卡钳84，使环境振动参数、试验变速器4输出轴的速度、输出轴的负载扭矩与实际情况相吻合，使测试结果更准确；

振动加速度传感器41采集故障轴承的振动加速度信号样本；将采集到的样本作为训练样本，对训练样本中的振动加速度信号x(t)进行emd自适应分解，分解方法如下：

上式中n为分解出的imf分量的个数；cj代表第j个imf分量，j＝1，2，3...，n；rn为残余分量；

b.经过步骤a分解得到n个cj分量后，分别计算每个cj(j＝1，2，3...，n)的峭度值，选取峭度值最大和峭度值次大的两个cj进行线性叠加，得到经过emd降噪后特征突显的加速度信号，然后将获取的特征突显的加速度信号按照时间长度平均分为m段，将不同时长段的信号记为s1-sm；

c.对步骤b中的s1-sm各段分别进行alpha稳定分布参数估计并计算其概率密度函数，提取特征指数α(0＜α≤2)、对称参数β(-1≤β≤1)、分散系数γ(γ＞0)、位置参数δ(-∞≤δ≤∞)及概率密度函数的极值h(h＞0)共5个a1pha稳定分布特征；

d.对步骤b中的s1-sm各段分别进行多重分形去趋势波动分析，提取出s1-sm各自的5个多重分形特征：最大波动的奇异指数αmax，最小波动的奇异指数αmin，多重分形谱谱宽δα＝αmax-αmin，多重分形谱极值点对应的奇异指数α0(fmax＝f(α0)，α0∈[αmin，αmax])，多重分形谱概率子集分形维数差δf＝f(αmax)-f(αmin)；

e.根据步骤c、步骤d计算得到的s1-sm各自的5个alpha稳定分布特征、5个多重分形特征进行串行组合，得到s1-sm各段的组合特征集(α，β，γ，δ，h，α0，αmin，αmax，δα，δf)；

f.以径向基为核函数，利用核主成分分析法(kpca)对步骤e中的组合特征集进行降维融合，根据方差累积贡献率大于或等于95％选取核主元，得到新的主元融合特征集；

g.以步骤f中获得的主元融合特征集为输入样本，利用粒子群优化算法对最小二乘支持向量机的两个核心参数(正规化参数λ及内核参数σ)进行优化，以获取的最优参数建立pso-lssvm模型；

h.将试验变速器4更换为待测变速器，将待测变速器内需要测试的与试验变速器4中故障轴承位置相同的一个或多个待测轴承的外圈粘贴振动加速度传感器41，然后重复步骤a至步骤f，将步骤f中，一个或多个振动加速度传感器41采集到的待测轴承的s1-sm各段的主元融合特征集带入到已经训练好的pso-lssvm模型中进行状态分类；诊断结束。

根据上述诊断方法进行的实例如下：分多次将试验变速器4中一个特定位置的轴承替换为具有外圈故障(分早期、中期、晚期3种损伤程度)、内圈故障(早期、中期、晚期)、滚子故障(早期、中期、晚期)、保持架故障(早期、中期、晚期)的故障轴承，每次替换后，试验变速器4中都只有一个故障轴承；分别将试验变速器4安装在试验台上，进行步骤a至步骤b，将故障轴承上粘贴的振动加速度传感器41获取的加速度信号按照时间段平均分为5段，加速度信号的总时长为0.3s，每段信号的时长为0.06s，针对这5段信号分别进行步骤c至步骤f；

将步骤f中计算出的主元融合特征集为输入样本，利用粒子群优化算法对最小二乘支持向量机的两个核心参数(正规化参数λ及内核参数σ)进行优化，以获取的最优参数建立pso-lssvm模型；

然后在被测变速器中相同位置放置一个存在未知故障的被测轴承，将被测变速器安装在试验台上，重新进行步骤a至步骤b，所述步骤b的emd降噪效果如图3所示；

将获取的emd降噪后的加速度信号按照时间段平均分为5段，加速度信号的测量时间为0.3s，则平均分配的每段信号时长为0.06s，将不同时长段的信号记为s1-s5，针对这5段信号进行步骤c至步骤f；对经过emd降噪后特征突显的s1-s5进行alpha稳定分布参数估计，以及对经过emd降噪后特征突显的s1-s5进行多重分形去趋势波动分析的过程如图4所示；

其中s1-s5在步骤e中计算出的组合特征集如表1所示：

表1s1-s5的组合特征集参数

步骤f中，运用核主成分分析对s1-s5的组合特征集进行融合，并根据对方差累积贡献率大于或等于95％选取核主元，得到的核主元融合特征如表2所示：

表2s1-s5的核主元融合特征

然后将步骤f中计算出的s1-s5的主元融合特征集带入到已经训练好的pso-lssvm模型中对其进行状态分类；即将表2所示的五维核主元融合特征输入到已建立的pso-lssvm分类器中进行分类，分类结果如表3所示。

表3分类结果

根据表3所示的分类结果可知，s1-s5这5段信号都提示被测变速箱中的测试轴承的失效形式为轴承外圈出现早期损伤，根据上述过程可知，在试验变速器4中放入具有内圈故障、滚子故障或保持架故障的轴承，重复步骤a至步骤g，则可以利用训练好的pso-lssvm模型，精确的检测出待测变速箱中各轴承的状态。