本发明属于汽车轮毂轴承故障诊断领域,更具体地说涉及一种基于自相关系数和人工碳氢网络(artificialhydrocarbonnetworks,简称ahns)的汽车轮毂轴承故障特征提取方法。
背景技术:
应用于电动汽车轮毂电机的轴承安装在电机转子轴上,起到了支撑和降低摩擦系数的作用,所以轴承的性能和寿命直接决定了轮毂电机的运行性能。然而车辆复杂多变的行驶工况和轮毂电机独特的安装位置极易诱发轴承局部磨损等机械故障,进而引发轮毂损坏,严重时可能导致汽车在行驶路途中发生方向失控,对乘员的安全造成伤害。另一方面,车辆行驶过程中电机受到来自路面及悬架引起的随机振动或强烈冲击,轴承振动信号中往往含有间歇性强干扰信号,呈现出较强的非平稳性,加大了对轴承故障特征信号提取的难度。轮毂轴承故障产生的主要原因是内圈、外圈和滚动体出现损伤,从而在运行过程中产生异常的振动响应。当轮毂轴承旋转经过损伤位置时,振动信号中会产生周期性的瞬态冲击作用力,此冲击对应的频率即为故障特征频率。因此,实现汽车轮毂轴承的故障诊断对于道路交通安全具有重要意义。
目前,常用的轴承故障特征提取方法主要有傅里叶变换、小波分析、支持向量机等方法,常用方法在处理瞬态干扰现象或确定性干扰源下有较好效果,然而,汽车轮毂轴承运行工况复杂多变,又常常处于间歇性强干扰噪声情况下,通过傅里叶变换等传统方法很难完全提取出故障特征。
技术实现要素:
本发明的目的是为了解决常用的轴承故障特征提取方法存在的问题,提出一种基于自相关系数的参数优化方法并结合人工碳氢网络方法的汽车轮毂轴承故障特征提取方法,实现高低频信号的分离,提取出在间歇性强干扰的噪音下汽车轮毂轴承的故障特征。
本发明所述的一种汽车轮毂轴承故障特征提取方法采用的技术方案是包括以下步骤:
步骤a:获取轴承在垂直方向上的加速度信号,根据加速度信号计算出轴承振动信号y(t);
步骤b:将振动信号y(t)分割为n个窗口,n≥2,初始化窗口个数为2;
步骤c:用峭度k估计每一窗口内振动信号y(t)的能量值,得到每一窗口的相应结构的碳氢分子,搭建人工碳氢网络模型
步骤d:逐一增加窗口个数,每次增加一个窗口个数都重复步骤c,得到对应的低频信号l3(t),l4(t),…ln(t);
步骤e:根据式
步骤f:根据最佳窗口下的低频信号l(t)和振动信号y(t)提取出故障特征信号h(t)。
进一步地,步骤c中,峭度
更进一步地,根据式
当kj≤kmean时,则该窗口信号对应的碳氢分子为ch2,当kh>kmean时,该窗口信号对应的碳氢分子为ch3,搭建人工碳氢网络模型
本发明采用上述技术方案后具有的优点是:本发明针对汽车轮毂轴承信号往往含有间歇性强干扰信号的特点,通过峭度估计信号的能量信息,并构建合理的人工碳氢网络结构实现高低频信号分离,同时,基于正态分布3σ原则凸显轴承故障特征;采用自相关系数自动选取人工碳氢网络模型参数,避免了手动选取的不确定性,实现高效率诊断,成功提取间歇性强干扰的噪音下汽车轮毂轴承的故障特征。
附图说明
图1是实现本发明方法的故障特征提取系统的结构框图;
图2是图1中ahns模型搭建模块的内部结构框图;
图3是本发明所述的一种汽车轮毂轴承故障特征提取方法的流程图;
图4是本发明中汽车轮毂轴承外圈故障振动信号图;
图5是本发明中经过ahns故障特征提取后的汽车轮毂轴承振动信号时域图。
图6是本发明中经过ahns故障特征提取后的汽车轮毂轴承振动信号频域图。
具体实施方式
如图1所示,实现本发明所述的一种汽车轮毂轴承故障特征提取方法的系统由信息采集模块、信号换算模块、ahns模型搭建模块以及故障特征提取模块依次串接组成。其中,ahns模型搭建模块由图2所示的参数初始化模块、能量计算模块、ahns结构确定模块和参数优化模块依次串接组成。
参见图3,本发明所述的一种汽车轮毂轴承故障特征提取方法基于图1所示的系统,首先将监测信号分割成多个窗口以模拟碳氢分子,其中窗口的大小以自相关系数为优化目标确定,然后以峭度确定每一窗口内振动信号的能量值从而构建人工碳氢网络模型,最后根据化合物的行为信息函数实现信号中高低频信号的分离,滤除干扰信号,并基于正态分布3σ原则提取出故障特征信号。具体实施步骤如下:
步骤一:根据轮毂轴承的固有参数计算出轴承故障的频率。例如轮毂轴承的参数下表1所示:
表1轮毂轴承的参数
轴承故障的类型有很多,包括外圈故障、内圈故障、滚动体故障等,以轴承外圈故障为例,轴承外圈故障频率(f0)的计算公式为:
根据上表1可计算出轴承外圈故障频率f0为36.2hz。
将加速度传感器安装在汽车轮毂的轴承座上,加速度传感器通过信号连接图1中的信息采集模块,信息采集模块通过加速度传感器获取轴承在垂直方向上的加速度信号。信息采集模块的采样频率为100khz,采样时间为0.15s。
步骤二:信息采集模块将轴承垂直方向上的加速度a(t)信号传送给信号换算模块,信号换算模块获取加速度a(t)信号后对其处理,根据下式计算出振动信号y(t):
式中,t表示时间,λ和τ均表示被积分变量,a(λ)表示轴承垂直方向上的加速度,dλ和dτ均表示积分微元。计算出的振动信号y(t)如图4所示。
步骤三:信号换算模块将振动信号y(t)输入ahns模型搭建模块中的参数初始化模块,参数初始化模块对振动信号y(t)进行初始化处理,首先定义振动信号的窗口个数为n,将振动信号分割为n个窗口,n≥2,故将n初始化为2,初始化窗口个数为2。
步骤四:参数初始化模块将初始化处理的结果输入能量计算模块,能量计算模块对每一窗口内信号进行处理,用峭度k来估计每一窗口内振动信号的能量值信息,峭度k值由下式确定:
式中,n表示信号采样点的个数,即采样频率与采样时间的乘积;yi表示第i个采样点对应的振动信号值,σ表示信号的标准差,
再根据下式计算出所有窗口的峭度k值的均值kmean:
kj是第j个窗口内信号的k值,1≤j≤n。
步骤五:能量计算模块将得到的kj值和均值kmean输入ahns结构确定模块,ahns结构确定模块首先对这两个值进行比较:当kj≤kmean时,则该信号窗口对应的碳氢分子为ch2,当kh>kmean时,该窗口信号对应的碳氢分子为ch3,如此,每一窗口都有相应结构的碳氢分子,便可搭建人工碳氢网络模型。人工碳氢网络模型函数表达式如下所示:
式中,x表示自变量,自变量x是时间t1,t2,……,tn-1,tn,n表示信号采样点的个数,r表示与碳原子相连的氢原子个数,hm表示碳氢分子中第m个氢原子的值。
设任一窗口内人工碳氢网络模型为
式中nj为第j个窗口信号的样本点数,xji为第j个窗口的第i个样本点,yji表示第j个窗口第i个样本点的振动信息,ej的值最小时,即可求得对应窗口内人工碳氢网络模型中氢原子的值,此时,人工碳氢网络模型就确定了。将自变量x=t1,t2,……,tn-1,tn代入人工碳氢网络模型
步骤六:将低频信号l2(t)和初始窗口个数2输入参数优化模块,然后逐一增加窗口个数,每次增加一个窗口个数后都重复步骤四至步骤五,即可得到对应的低频信号l3(t),l4(t),…ln(t),n为窗口个数。
参数优化模块首先根据下式计算出循环结束指标q:
式中,rn表示ln(t)与ln-1(t)之间的自相关系数,rn-1表示ln-1(t)与ln-2(t)之间的自相关系数,
自相关系数计算公式如下:
式中,r表示rn或rn-1,ln(i)表示窗口个数为n时人工碳氢网络模型输出的信号,
将循环结束指标q与预设的阈值a作比较,若q未超过阈值a,则继续增加增加窗口个数n值,若q超过阈值a,则循环结束,且该窗口个数n即为最佳窗口大小,即可得到最佳窗口下的低频信号l(t)。阈值a接近于1,具体根据实际算法运行时间以及实际想要达到的效果而定。
步骤七:将最佳窗口下的低频信号l(t)和步骤二中的振动信号y(t)输入故障特征提取模块,故障特征提取模块根据最佳窗口下的低频信号l(t)和振动信号y(t)提取出故障特征信号h(t):
h(t)=y(t)-l(t)。
通常情况下,振动信号y(t)服从正态分布,根据正态分布3σ原则,为使故障特征信号h(t)更明显,对故障特征信号h(t)先计算其均值μ,方差为σh(t),若故障特征信号h(t)的值在区间[μ-3σh(t),μ+3σh(t)]内,则h(t)=0;否则,则h(t)不变。均值μ和方差σh(t)的计算公式如下:
式中,hi表示第i个采样点对应的振动信号h(t)的值。
提取的故障特征信号h(t)如图5所示,对故障特征信号h(t)是时域信号,对其进行傅里叶变换,得到频域信号,如图6所示。图6中出现的汽车轮毂轴承外圈故障特征频率36.2hz及其2至5倍谐波,与外圈故障频率f0相近,符合汽车轮毂轴承出现外圈故障的情形。