本發(fā)明涉及汽車變速器故障診斷技術(shù),特別涉及一種對汽車變速器軸承故障進行定量診斷的方法。
背景技術(shù):
汽車變速器中使用的滾動軸承種類很多,且數(shù)量較多,例如深溝球軸承、圓錐滾子軸承,雙圓柱滾子軸承等,變速器中的各種軸承常常在變速、重載及高溫的惡劣工況中持續(xù)運行,極易出現(xiàn)疲勞損傷。這些損傷若不及時處理,將導(dǎo)致軸承的功能完全失效進而引發(fā)一系列的連鎖反應(yīng),使得整個汽車不能正常工作,輕則造成嚴重的經(jīng)濟損失,重則可導(dǎo)致災(zāi)難性的人員傷亡。目前,由于汽車變速器軸承的損傷性故障如點蝕、裂紋或劃痕等未能及時發(fā)現(xiàn)而導(dǎo)致的事故屢見不鮮,故對汽車變速器軸承故障進行監(jiān)測和診斷是十分必要的。
現(xiàn)有技術(shù)中,汽車變速器軸承故障診斷研究以振動分析為主,常用的故障特征提取方法如統(tǒng)計參數(shù)、小波變換、溫格爾威利分布等方法具有各自的缺點,若應(yīng)用于實際工程,時而會導(dǎo)致診斷結(jié)果不穩(wěn)定而產(chǎn)生故障的“誤診、漏診”現(xiàn)象;其次,現(xiàn)有研究方法大多數(shù)未考慮汽車實際行駛過程中的諸多因素,如線路不平順、負載變化、速度變化等對汽車變速器軸承振動信號的影響,導(dǎo)致汽車變速器軸承的在線監(jiān)測效果不理想。因此,需要設(shè)計一種可以精確模擬汽車實際行駛條件的試驗臺,并采用合適的分析診斷方法,對測試數(shù)據(jù)進行分析,以提高軸承故障診斷的精度。
技術(shù)實現(xiàn)要素:
針對上述問題,本發(fā)明目的是提供一種模擬效果好、故障分析準確的對汽車變速器軸承故障進行定量診斷的方法。
為實現(xiàn)上述發(fā)明目的,本發(fā)明所采用的技術(shù)方案是:一種對汽車變速器軸承故障進行定量診斷的方法,所述的汽車變速器包括試驗變速器和被測變速器,試驗變速器和被測變速器可安裝在軸承試驗臺上,所述的軸承試驗臺包括底座,底座上設(shè)置可升降的三坐標式電磁振動裝置,電磁振動裝置上設(shè)置由多個槽鋼或矩形鋼拼接形成的桁架式夾持工裝,夾持工裝上相應(yīng)位置設(shè)置的安裝螺栓孔的位置、尺寸及垂向剛度與試驗變速器的安裝螺栓孔相適應(yīng),所述試驗變速器的結(jié)構(gòu)與被測汽車變速器結(jié)構(gòu)一致,且內(nèi)部多個設(shè)置軸承的位置具有一個或多個故障軸承;
所述底座與電磁振動裝置之間通過空氣彈簧、垂向減振器連接,空氣彈簧的進氣口、出氣口分別與進氣控制閥、泄氣閥連接,所述的進氣控制閥與電動氣泵連接,所述空氣彈簧的垂向剛度與被測試汽車懸架的垂向剛度一致,所述垂向減振器的阻尼系數(shù)與被測試汽車懸架的垂向阻尼系數(shù)一致;
所述試驗變速器的輸入軸與扭矩加載裝置的輸出端連接,扭矩加載裝置包括電動機,電動機的輸出端依次與扭矩傳感器、固定齒比減速器的輸入端連接,固定齒比減速器的輸出端與試驗變速器的輸入軸連接;所述電動機的輸出端上還設(shè)置轉(zhuǎn)速傳感器;
所述試驗變速器的輸出軸與慣性負載裝置連接,慣性負載裝置包括與底座相互獨立設(shè)置的輔助支座,輔助支座上安裝傳動齒輪組,傳動齒輪組由一對圓柱直齒輪或一對圓錐齒輪構(gòu)成,傳動齒輪組的主動齒輪安裝在試驗變速器的輸出軸上,傳動齒輪組的從動齒輪通過中間軸與旋轉(zhuǎn)輪連接,旋轉(zhuǎn)輪通過軸承安裝在輔助支座上,輔助支座上還設(shè)置與旋轉(zhuǎn)輪尺寸相適應(yīng)的液壓制動卡鉗;
所述試驗變速器內(nèi)安裝的多個軸承的外圈粘貼振動加速度傳感器;所述中央處理器分別與液壓制動卡鉗的液壓缸控制閥、轉(zhuǎn)速傳感器、扭矩傳感器、電動機、試驗變速器的換擋控制器、多個振動加速度傳感器、進氣控制閥、泄氣閥、電動氣泵、電磁振動裝置通信連接;
其特征在于:所述的診斷方法包括以下步驟:
將試驗變速器內(nèi)一個或多個位置的軸承設(shè)置為故障軸承,故障軸承的外圈粘貼振動加速度傳感器,然后順次進行以下步驟:
a.所述中央處理器控制電磁振動裝置產(chǎn)生特定的振幅和振動頻率;同時中央處理器控制電動機、換擋控制器使試驗變速器的輸出軸輸出特定轉(zhuǎn)速;試驗變速器的輸出軸輸出特定轉(zhuǎn)速的同時,中央處理器控制制動卡鉗對旋轉(zhuǎn)輪施加制動力矩,使試驗變速器的輸出軸受到特定的負載扭矩;振動加速度傳感器采集故障軸承的振動加速度信號樣本;將采集到的樣本作為訓(xùn)練樣本,對訓(xùn)練樣本中的振動加速度信號x(t)進行emd自適應(yīng)分解,分解方法如下:
上式中n為分解出的imf分量的個數(shù);cj代表第j個imf分量,j=1,2,3...,n;rn為殘余分量;
b.經(jīng)過步驟a分解得到n個cj分量后,分別計算每個cj(j=1,2,3...,n)的峭度值,選取峭度值最大和峭度值次大的兩個cj進行線性疊加,得到經(jīng)過emd降噪后特征突顯的加速度信號,然后將獲取的特征突顯的加速度信號按照時間長度平均分為m段,將不同時長段的信號記為s1-sm;
c.對步驟b中的s1-sm各段分別進行alpha穩(wěn)定分布參數(shù)估計并計算其概率密度函數(shù),提取特征指數(shù)α(0<α≤2)、對稱參數(shù)β(-1≤β≤1)、分散系數(shù)γ(γ>0)、位置參數(shù)δ(-∞≤δ≤∞)及概率密度函數(shù)的極值h(h>0)共5個alpha穩(wěn)定分布特征;
d.對步驟b中的s1-sm各段分別進行多重分形去趨勢波動分析,提取出s1-sm各自的5個多重分形特征:最大波動的奇異指數(shù)αmax,最小波動的奇異指數(shù)αmin,多重分形譜譜寬δα=αmax-αmin,多重分形譜極值點對應(yīng)的奇異指數(shù)α0(fmax=f(α0),α0∈[αmin,αmax]),多重分形譜概率子集分形維數(shù)差δf=f(αmax)-f(αmin);
e.根據(jù)步驟c、步驟d計算得到的s1-sm各自的5個alpha穩(wěn)定分布特征、5個多重分形特征進行串行組合,得到s1-sm各自的組合特征集(α,β,γ,δ,h,α0,αmin,αmax,δα,δf);
f.以徑向基為核函數(shù),利用核主成分分析法(kpca)對步驟e中的組合特征集進行降維融合,根據(jù)方差累積貢獻率大于或等于95%選取核主元,得到新的主元融合特征集;
g.以步驟f中獲得的主元融合特征集為輸入樣本,利用粒子群優(yōu)化算法對最小二乘支持向量機的兩個核心參數(shù)(正規(guī)化參數(shù)λ及內(nèi)核參數(shù)σ)進行優(yōu)化,以獲取的最優(yōu)參數(shù)建立pso-lssvm模型;
h.將試驗變速器更換為待測變速器,將待測變速器內(nèi)需要測試的一個或多個待測軸承的外圈粘貼振動加速度傳感器,然后重復(fù)步驟a至步驟f,將步驟f中一個或多個振動加速度傳感器采集到的待測軸承的s1-sm各自的主元融合特征集帶入到已經(jīng)訓(xùn)練好的pso-lssvm模型中進行狀態(tài)分類;診斷結(jié)束。
本發(fā)明的有益效果在于:軸承的振動加速度信號通過emd方法的分解與重構(gòu),可以有效的對汽車變速器軸承信號中的噪聲進行抑制,增強與突顯信號中的有用成分;經(jīng)emd降噪后的信號分別進行alpha穩(wěn)定分布與多重分形特征提取并利用核主成分分析進行特征融合,能夠充分結(jié)合alpha穩(wěn)定分布與多重分形各自的優(yōu)勢,使特征的有效性最大化,提高故障診斷的精度和效率,帶有各種不同故障類型、不同故障程度軸承的試驗變速箱在試驗臺中采集的相關(guān)數(shù)據(jù)建立基礎(chǔ)pso-lssvm模型,被測變速箱在試驗臺中采集相關(guān)數(shù)據(jù)帶入到已建好的pso-lssvm模型中,從而分析得到被測變速箱中出現(xiàn)故障的軸承位置,以及軸承的故障程度,診斷效率高且正確率高。
附圖說明
圖1為軸承試驗臺結(jié)構(gòu)原理圖;
圖2為軸承試驗臺控制電路原理圖;
圖3為對振動加速度信號進行emd降噪流程圖;
圖4為對經(jīng)過emd降噪后特征突顯的加速度信號進行alpha穩(wěn)定分布參數(shù)估計及多重分形去趨勢波動分析提取的十個特征示意圖;
圖5為利用軸承試驗臺進行軸承故障定量診斷的工作流程圖。
具體實施方式
如圖1-圖2所示的一種軸承試驗臺,包括底座1,底座1上設(shè)置可升降的三坐標式電磁振動裝置2,電磁振動裝置2上設(shè)置由多個槽鋼或矩形鋼拼接形成的桁架式夾持工裝3,夾持工裝3上相應(yīng)位置設(shè)置的安裝螺栓孔的位置、尺寸及垂向剛度與試驗變速器4的安裝螺栓孔相適應(yīng);所述試驗變速器4的結(jié)構(gòu)與被測汽車變速器結(jié)構(gòu)一致,且內(nèi)部多個設(shè)置軸承的位置具有一個或多個故障軸承;
所述底座1與電磁振動裝置2之間通過空氣彈簧11、垂向減振器12連接,空氣彈簧11的進氣口、出氣口分別與進氣控制閥13、泄氣閥14連接,所述的進氣控制閥13與電動氣泵15連接;在進行測試前,中央處理器5控制進氣控制閥13、泄氣閥14、電動氣泵15,使空氣彈簧11的垂向剛度與被測試汽車懸架的垂向剛度一致,并調(diào)整垂向減振器12的阻尼系數(shù),使阻尼系數(shù)與被測試汽車懸架的垂向阻尼系數(shù)一致;垂向減振器12的阻尼系數(shù)可以由人工調(diào)整,也可以設(shè)置主動式垂向減振器12,由中央處理器5自動調(diào)整;
所述試驗變速器4的輸入軸與扭矩加載裝置的輸出端連接,扭矩加載裝置包括電動機71,電動機71的輸出端依次與扭矩傳感器72、固定齒比減速器73的輸入端連接,固定齒比減速器73的輸出端與試驗變速器4的輸入軸連接;所述電動機71的輸出端上還設(shè)置轉(zhuǎn)速傳感器74;
所述試驗變速器4的輸出軸與慣性負載裝置連接,慣性負載裝置包括與底座1相互獨立設(shè)置的輔助支座81,輔助支座81上安裝傳動齒輪組82,傳動齒輪組82由一對圓柱直齒輪或一對圓錐齒輪構(gòu)成,傳動齒輪組82的主動齒輪安裝在試驗變速器4的輸出軸上,傳動齒輪組82的從動齒輪通過中間軸與旋轉(zhuǎn)輪83連接,旋轉(zhuǎn)輪83通過軸承安裝在輔助支座81上,輔助支座81上還設(shè)置與旋轉(zhuǎn)輪83尺寸相適應(yīng)的液壓制動卡鉗84,
所述試驗變速器4內(nèi)安裝的一個或多個具有故障的故障軸承的外圈粘貼振動加速度傳感器41;所述中央處理器5分別與液壓制動卡鉗84的液壓缸控制閥、轉(zhuǎn)速傳感器74、扭矩傳感器72、電動機71、試驗變速器4的換擋控制器42、多個振動加速度傳感器41、進氣控制閥13、泄氣閥14、電動氣泵15、電磁振動裝置2通信連接;
如圖5所示的,對汽車變速器軸承故障進行定量診斷的方法包括以下步驟:
將試驗變速器4內(nèi)一個或多個位置的軸承設(shè)置為故障軸承,故障軸承的外圈粘貼振動加速度傳感器3,所述的故障軸承可以設(shè)置不同的故障位置和故障程度,例如故障位置可以分別是外圈、內(nèi)圈、滾子、保持架,故障軸承的故障程度可以分別是早期、中期、晚期;
然后順次進行以下步驟:
a.中央處理器5控制電磁振動裝置2產(chǎn)生特定的振幅和振動頻率,電磁振動裝置2可以僅施加垂向方向振動,也可以根據(jù)需要提供橫向和縱向振動;同時中央處理器5還控制電動機71、換擋控制器42使試驗變速器4的輸出軸輸出特定轉(zhuǎn)速,轉(zhuǎn)速傳感器74檢測電動機71的輸出轉(zhuǎn)速保證試驗變速器4的輸出轉(zhuǎn)速正確;試驗變速器4的輸出軸輸出特定轉(zhuǎn)速的同時中央處理器5控制制動卡鉗84對旋轉(zhuǎn)輪83施加制動力矩,使試驗變速器4的輸出軸受到特定的負載扭矩;扭矩傳感器72檢測制動卡鉗84施加的制動扭矩,保證試驗變速器4受到的負載扭矩正確;還可以將實際線路導(dǎo)入中央處理器5,由中央處理器5根據(jù)實際道路情況,分別控制電磁振動裝置2、電動機71、制動卡鉗84,使環(huán)境振動參數(shù)、試驗變速器4輸出軸的速度、輸出軸的負載扭矩與實際情況相吻合,使測試結(jié)果更準確;
振動加速度傳感器3采集故障軸承的振動加速度信號樣本;將采集到的樣本作為訓(xùn)練樣本,對訓(xùn)練樣本中的振動加速度信號x(t)進行emd自適應(yīng)分解,分解方法如下:
上式中n為分解出的imf分量的個數(shù);cj代表第j個imf分量,j=1,2,3...,n;rn為殘余分量;
b.經(jīng)過步驟a分解得到n個cj分量后,分別計算每個cj(j=1,2,3...,n)的峭度值,選取峭度值最大和峭度值次大的兩個cj進行線性疊加,得到經(jīng)過emd降噪后特征突顯的加速度信號,然后將獲取的特征突顯的加速度信號按照時間長度平均分為m段,將不同時長段的信號記為s1-sm;
c.對步驟b中的s1-sm各段分別進行alpha穩(wěn)定分布參數(shù)估計并計算其概率密度函數(shù),提取特征指數(shù)α(0<α≤2)、對稱參數(shù)β(-1≤β≤1)、分散系數(shù)γ(γ>0)、位置參數(shù)δ(-∞≤δ≤∞)及概率密度函數(shù)的極值h(h>0)共5個alpha穩(wěn)定分布特征;
d.對步驟b中的s1-sm各段分別進行多重分形去趨勢波動分析,提取出s1-sm各自的5個多重分形特征:最大波動的奇異指數(shù)αmax,最小波動的奇異指數(shù)αmin,多重分形譜譜寬δα=αmax-αmin,多重分形譜極值點對應(yīng)的奇異指數(shù)α0(fmax=f(α0),α0∈[αmin,αmax]),多重分形譜概率子集分形維數(shù)差δf=f(αmax)-f(αmin);
e.根據(jù)步驟c、步驟d計算得到的s1-sm各自的5個alpha穩(wěn)定分布特征、5個多重分形特征進行串行組合,得到s1-sm各段的組合特征集(α,β,γ,δ,h,α0,αmin,αmax,δα,δf);
f.以徑向基為核函數(shù),利用核主成分分析法(kpca)對步驟e中的組合特征集進行降維融合,根據(jù)方差累積貢獻率大于或等于95%選取核主元,得到新的主元融合特征集;
g.以步驟f中獲得的主元融合特征集為輸入樣本,利用粒子群優(yōu)化算法對最小二乘支持向量機的兩個核心參數(shù)(正規(guī)化參數(shù)λ及內(nèi)核參數(shù)σ)進行優(yōu)化,以獲取的最優(yōu)參數(shù)建立pso-lssvm模型;
h.將試驗變速器4更換為待測變速器,將待測變速器內(nèi)需要測試的與試驗變速器4中故障軸承位置相同的一個或多個待測軸承的外圈粘貼振動加速度傳感器3,然后重復(fù)步驟a至步驟f,將步驟f中,一個或多個振動加速度傳感器3采集到的待測軸承的s1-sm各段的主元融合特征集帶入到已經(jīng)訓(xùn)練好的pso-lssvm模型中進行狀態(tài)分類;診斷結(jié)束。
根據(jù)上述診斷方法進行的實例如下:分多次將試驗變速器4中一個特定位置的軸承替換為具有外圈故障(分早期、中期、晚期3種損傷程度)、內(nèi)圈故障(早期、中期、晚期)、滾子故障(早期、中期、晚期)、保持架故障(早期、中期、晚期)的故障軸承,每次替換后,試驗變速器4中都只有一個故障軸承;分別將試驗變速器4安裝在試驗臺上,進行步驟a至步驟b,將故障軸承上粘貼的振動加速度傳感器41獲取的加速度信號按照時間段平均分為5段,加速度信號的總時長為0.3s,每段信號的時長為0.06s,針對這5段信號分別進行步驟c至步驟f;
將步驟f中計算出的主元融合特征集為輸入樣本,利用粒子群優(yōu)化算法對最小二乘支持向量機的兩個核心參數(shù)(正規(guī)化參數(shù)λ及內(nèi)核參數(shù)σ)進行優(yōu)化,以獲取的最優(yōu)參數(shù)建立pso-lssvm模型;
然后在被測變速器中相同位置放置一個存在未知故障的被測軸承,將被測變速器安裝在試驗臺上,重新進行步驟a至步驟b,所述步驟b的emd降噪效果如圖3所示;
將獲取的emd降噪后的加速度信號按照時間段平均分為5段,加速度信號的測量時間為0.3s,則平均分配的每段信號時長為0.06s,將不同時長段的信號記為s1-s5,針對這5段信號進行步驟c至步驟f;對經(jīng)過emd降噪后特征突顯的s1-s5進行alpha穩(wěn)定分布參數(shù)估計,以及對經(jīng)過emd降噪后特征突顯的s1-s5進行多重分形去趨勢波動分析的過程如圖4所示;
其中s1-s5在步驟e中計算出的組合特征集如表1所示:
表1s1-s5的組合特征集參數(shù)
步驟f中,運用核主成分分析對s1-s5的組合特征集進行融合,并根據(jù)對方差累積貢獻率大于或等于95%選取核主元,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
然后將步驟f中計算出的s1-s5的主元融合特征集帶入到已經(jīng)訓(xùn)練好的pso-lssvm模型中對其進行狀態(tài)分類;即將表2所示的五維核主元融合特征輸入到已建立的pso-lssvm分類器中進行分類,分類結(jié)果如表3所示。
表3分類結(jié)果
根據(jù)表3所示的分類結(jié)果可知,s1-s5這5段信號都提示被測變速箱中的測試軸承的失效形式為軸承外圈出現(xiàn)早期損傷,根據(jù)上述過程可知,在試驗變速器4中放入具有內(nèi)圈故障、滾子故障或保持架故障的軸承,重復(fù)步驟a至步驟g,則可以利用訓(xùn)練好的pso-lssvm模型,精確的檢測出待測變速箱中各軸承的狀態(tài)。