汽車變速器新產品質量檢測系統中關鍵技術研究

周曉鋒 史海波 尚文利 高明山

1.中國科學院沈陽自動化研究所，沈陽，110016 2.中國科學院研究生院，北京，100039 3.東風朝陽柴油機有限責任公司，朝陽，122000

0 引言

汽車變速器在生產和裝配過程中，由于某些零件的制造偏差和裝配不良等原因會產生各種質量問題，從而影響變速器產品的合格率。變速器新產品的失效形式主要體現在齒輪、軸類零件的制造及裝配誤差上。如齒形偏差、軸承裝配缺陷、裝配偏心和輪齒毛刺等。從生產過程管理和質量控制、跟蹤角度出發，檢驗人員希望能夠通過生產線上最后的質量檢驗環節及時發現存在的質量問題，并將故障原因定位到具體的失效部件，從而實現零件級別的裝配過程故障診斷。在傳統的變速器質量檢驗環節，檢驗工作主要依靠人工進行，憑人的感覺、聽覺和經驗對變速器的質量進行檢驗。這種簡單的診斷技術受到工人技術水平、工作態度甚至工人情緒等主觀因素的影響，難以達到現代化生產連續、穩定、高效的要求。另外，人工故障診斷很難將故障原因準確地定位到零件級別，不能直接為后續的變速器故障檢修工作提供指導。

德國的Discom公司經過多年的研究與創新，現已有成熟的變速器故障檢測軟件應用于奔馳、大眾、賓利等汽車變速器裝配檢測系統中。近年來國內的研究機構也陸續地開展了變速器智能診斷技術的研究［1－3］，其研究成果對我國的變速器智能診斷技術起到了極大的促進作用。但國內的研究工作主要偏重于理論研究，多數處于實驗室探索和分析階段，距離實用化、商品化還有相當距離。

根據現有的研究成果和經驗［4－11］，本文運用階次分析理論對汽車變速器振動信號進行分析和處理，在得到初始特征向量集后采用遺傳搜索策略進行特征選擇以降低特征向量集的維度，并將經過選擇后的特征向量輸入BP神經網絡進行分類判別。在此基礎上設計并開發了汽車變速器新產品質量檢測系統。該系統應用于變速器新產品下線的質量檢測試驗臺，可以滿足生產節拍的實時性診斷要求，能將故障準確定位到零件級別。

1 基于階次分析的特征提取

階次分析是用于分析旋轉機械故障的一項重要技術，在國外相關檢測產品中得到了很好的應用。階次分析不但可以用于分析恒定轉速的工況，而且可以用于分析變速旋轉的工況［10，12］。當旋轉機械處于變速運動的工況時，產生的振動信號為非平穩信號，旋轉軸轉過一周的等時間間隔采樣的采樣點數是不同的。這時如果采用傳統的傅里葉分析，會產生平均意義上的譜值，造成所謂的“譜涂抹”現象，無法準確地提取故障信息。階次分析克服了傳統傅里葉分析存在的不足，其階次與頻率的關系為

式中，E為階次；n為參考軸轉速；f為信號的振動頻率。

第一階就是轉速，第r階就是轉速的r倍，r次分量就是轉速的振動諧波。階次分析可以還原因轉速變化而在FFT功率譜中被淹沒的諧波，將噪聲與振動信號和轉速相聯系，這些信號還原至特征分量，便將特征分量和機械零件相聯系，保證了重復性的噪聲與振動測量。

1.1 等角度采樣

等角度采樣的方法主要分為兩類：一類是采用鑒相裝置的硬件等角度采樣［13］，另一類是基于振動信號重采樣的計算階次跟蹤采樣方法（COT）［12］。硬件方法由于受硬件性能限制、現場安裝條件限制及較高的成本限制，應用并不廣泛。基于重采樣的計算階次跟蹤采樣方法硬件成本低、結構簡單、方法靈活，可獲得相當高的插值精度。基于此，本文采用重采樣的計算階次跟蹤采樣方法來實現等角度采樣。

通過加速度傳感器采集到的振動信號是具有固定采樣頻率的等時間間隔的采樣信號，通過轉速編碼器采集到的轉速信號是記錄變速器輸入軸轉過一定角度的時標序列信號，兩路信號需要進行同步采集［14］。采集到的原始信號如圖1所示，橫軸為時間軸，t0～t6為轉速編碼器轉過2π/R角度時的時標（R為轉速編碼器分辨率）。當旋轉軸做升速運動時，隨著轉速頻率的增大，旋轉軸轉過2π/R角度所需的時間越來越短，采樣點數也相應地越來越少。為了進行階次分析，需要利用轉速信號對振動信號進行插值重采樣，將等時間序列振動信號轉化為等角度序列振動信號（圖2）。具體過程如下：

圖1 等時采樣序列

圖2 等角度采樣序列

設旋轉軸旋轉一周需要的重采樣序列（點數）為N，轉速編碼器分辨率為R，則等角度采樣間隔Δθ＝2π/R，每個Δθ內的采樣點數為n＝N/R。于是，在起始時間為t0、結束時間為t的等角度間隔中，可求得每個Δθ中的重采樣時間序列：

有了時間序列t1，t2，…，tn，便可對振動信號w進行插值重采樣計算。設振動信號采樣頻率為fs，則振動信號每個采樣點之間的采樣時間間隔為1/fs，這樣任意一個振動信號wj所對應的采樣時刻tj＝j/fs（j為振動信號w中的第j個值）。利用線性插值公式

便可計算出與時間序列t1，t2，…，tn相對應的振動信號值，從而得到等角度采樣的振動信號，實現等時采樣到等角度采樣的轉換。

1.2 分軸重采樣

變速器的原始振動信號包含了變速器體內所有零件的振動信息，包括輸入軸、中間軸、輸出軸以及變速器殼體的振動信息。如果以輸入軸的轉速作為基頻，那么輸入軸上零件的振動信息在階次譜上的位置就在基頻的整數倍處。但是，由于傳動比的關系，其他軸上的零件信息需要經過處理才能得到其在階次譜中的位置。由于各軸的振動能量級別不同，如將各軸的振動信息混雜在同一階次譜中，階次譜的計算精度將受到限制，振動能量弱的軸的信號有可能被淹沒在其他軸的強信號中，不利于后續的分析。另外，由于所有零件的振動信號都包含在同一階次譜中，有可能會出現不同軸上的不同零件的基頻或倍頻計算出來的階次相同，給故障定位帶來困難。基于以上原因，將振動信號以軸為單位進行分析和處理，得到單根軸的階次譜來突出顯示本軸的信息，對各零件的狀態可以有更為精確的反映，也為故障定位和檢修提供了便利。

實現分軸分析需要根據傳動比計算出以輸入軸為基準的各軸旋轉周期，然后以各軸的旋轉周期為基準截取數據，按前文闡述的過程進行等角度重采樣，得到各個軸的等角度重采樣序列。

1.3 階次譜計算

振動信號經重采樣處理后，振動分析的視角從簡單頻譜轉換到了階次譜。由離散傅里葉變換關系式可以將時域信號轉換成頻域信號，然后通過轉換關系式

式中，T為信號總記錄時間；Δf為頻率解析單位長度；O為階次；ΔO為階次解析單位長度。

將Δf改寫成ΔO，即將角度域信號轉換成階次域信號，從而直接分析振動信號在階次域中的特性。

1.4 特征向量集

現場采集到的由軸承、齒輪毛刺、齒套故障、軸不對中等4類故障信號組成的長度為L的觀測樣本，經階次分析和時域信號特征提取后，就形成了初始的特征向量集。特征向量集包括階次譜特征向量ord＿θ（m）和原始信號θ（t）的均方根值（RMS）、峰值指標（Crest）、峰值（Peak），記該樣本數據觀測矩陣X為

式中，M為每個觀測樣本中的特征向量數，包括128個階次譜特征向量和3個時域特征向量。

另外，用一個長度為L的數組來標記每個觀測樣本的類別，記為

2 基于遺傳算法的特征選擇

由式（5）得到的觀測數據的原始特征向量為M＝131的高維向量，如果將全部特征都作為分類器的輸入，勢必會造成分類器的效率低下。另外由于一些冗余特征的存在，可能還會影響分類器的準確率。由于以上原因，應對高維特征向量進行特征選擇，選出一組對分類貢獻最大的特征子集，以達到降低特征空間維數、提高分類器實際分類性能的目的。考慮到算法的效率和適應性，本文采用遺傳算法來進行特征選擇。

2.1 特征評價準則

特征選擇的任務是精簡特征向量集，找出一部分對分類最為有效的特征，因此需要建立一個定量的準則來評價各特征對分類的有效性。本文選擇以衡量類內類間距離的歐氏距離［15］作為相似性測度的散布矩陣特征評價準則；同時，考慮到應選擇盡可能小且對分類貢獻最大的特征子集，所以被選擇的特征數也作為評價準則的一部分。評價函數記為

式中，SW為樣本特征集的類內平均距離；SB為樣本集的類間平均距離；C為特征數量懲罰系數。

2.2 特征選擇流程

（1）初始化種群，種群規模為m，交叉概率為Pc，變異概率為Pm，最大進化代數為Gmax。

（2）隨機生成初始種群矩陣P。

（3）根據交叉概率Pc和變異概率Pm進行交叉、變異操作，生成新的種群。

（4）由式（7）分別計算新種群矩陣中各染色體的適應度。

（5）進行選擇操作，選擇出m個染色體作為下一輪進化的新種群。

（6）若當前進化代數G＜Gmax，返回（3），否則轉至（7）。

（7）輸出被選擇特征的索引值。

特征向量集由遺傳搜索算法進行降維處理后，可直接利用BP神經網絡進行故障的分類判別。

3 系統實現

本文設計并開發的變速器在線質量檢測系統，是針對在線裝配的變速器新產品進行振動噪聲檢測，并在此基礎上對檢測結果進行進一步的分析、評判，最終給出質量評判結果為設計目標的應用系統。

3.1 系統結構

變速器箱體的振動信號由振動傳感器獲取，通過動態信號采集卡進行信號采集；變速器輸入軸的轉速信號則通過編碼器進入計數器卡，兩塊采集卡之間由同步線相連，以保證兩塊卡的內部時鐘同步，從而達到轉速信號和振動信號同步采集的目的。其中獲取振動信號的傳感器為ICP（內置集成電路）式加速度傳感器。另外在檢測過程中還需要同時獲得變速器被檢測工況的擋位信號和啟停信號，該擋位信號可通過RS232串口或Profibus總線與變速器性能試驗臺的上位機連接。

軟件系統由數據采集、時頻分析、學習訓練、在線檢測、數據存儲等五大功能單元構成，系統的結構如圖3所示。采集到的信號先經過信號調理器進行信號調理，然后由數據采集卡將信號采集到工控機內，接著對信號從時域和頻域階次上進行分析。分析后的結果根據診斷模型知識庫中的特征向量模板進行特征提取，并將提取到的故障特征送入故障診斷推理機，最后將診斷結果通過人機接口反映給工人，并將檢測記錄原始檔案存盤備查。

圖3 變速器在線質量檢測系統軟件結構

3.2 變速器結構的建模和參數存儲

為使系統具有通用性，可用于不同廠商生產的不同結構變速器的檢測，需要對具有不同物理結構的變速器建立一個統一的描述模型。圖4為一個二軸四擋變速器和一個三軸六擋變速器的結構簡圖，箭頭代表兩種變速器的一擋傳動路徑。二軸變速器的一擋傳動路徑為：差速器動力輸入齒輪（4）→差速器動力輸出齒輪（5）→主動軸一擋齒輪（8）→從動軸一擋齒輪（1）；三軸變速器的一擋傳動路徑為：主動軸一擋齒輪（1）→從動軸一擋齒輪（12）→差速器動力輸入齒輪（13）→差速器動力輸出齒輪（14）。這兩種結構不同的變速器可以用同一個結構的表來存儲（表1）。其中，Gk＿in代表動力輸入齒輪（k＝1，2，…，n，余同）；Gk＿out代表動力輸出齒輪；Dk＿in代表差速器輸入 齒輪；Dk＿out代表差速器輸出齒輪。

計算擋位傳動比的時候，無需考慮軸和齒輪的相 對 位 置 關 系， 只 需 按 公 式（Dk＿out/Dk＿in）＊（Gk＿out/Gk＿in）進 行 計 算 即 可，從而實現變速器結構建模的通用性。另外，在根據階次譜進行故障定位的時候，通過表1可以方便地查詢到某階次故障所對應的軸和齒輪。

表1記錄的變速器類型和結構知識連同其他變速器故障診斷軟件運行所必須的基礎數據，如檢測流程知識、控制性知識、基于故障診斷規則的推理知識，以及數據采集卡硬件知識等，都存儲在系統參數數據庫中。圖5所示為系統參數數據庫的結構框架。

圖4 二軸四擋變速器（型號M406）和三軸六擋變速器結構簡圖（型號C5m1）

表1 變速器結構存儲表

圖5 系統參數數據庫結構圖

3.3 階次譜生成

圖6所示為現場采集到的C5m1型變速器的四擋升速振動信號與轉速信號。其中轉速信號由輸入軸上分辨率為60的轉速編碼器發送門信號脈沖，然后通過NI公司的計數卡采集。振動信號由加速度傳感器獲得，通過NI公司的DAQ卡采集，采樣頻率為20kHz。

圖6 C5m1型變速器的四擋升速振動信號與轉速信號

利用式（1）、式（2）進行分軸重采樣計算，得到3根軸的等角度重采樣序列，如圖7所示。再利用式（3）、式（4）得到分軸階次譜，如圖8所示。由階次譜圖可以看出，輸入軸的33階、中間軸的17階和34階，以及輸出軸的67階處均有明顯峰值，與該型號變速器對應擋位的嚙合齒輪齒數完全吻合，因此，可準確反映對應齒輪的故障信息。

圖7 分軸等角度重采樣序列

圖8 分軸階次譜

3.4 特征選擇算法性能分析

為檢測特征提取算法的效率和準確率，選取變速器生產現場采集的400組信號作為觀測樣本進行本文算法的驗證。將400組信號分為A、B兩組各200組樣本集，A組樣本為不進行特征選擇，直接將階次譜向量和時域特征向量作為神經網絡分類器的輸入而得到的診斷結果；B組樣本為經過遺傳搜索特征選擇后，將提取到的特征向量作為神經網絡分類器的輸入而得到的診斷結果。每組樣本集都包含軸承、齒輪毛刺、齒套故障、軸不對中等4類故障數據及正常數據。實驗時每組樣本再分成兩部分，一半作為訓練樣本集，用于特征選擇和網絡訓練，另一半作為測試樣本集，用于測試特征選擇結果對判決結果的影響。實驗中使用的遺傳算法參數為：初始種群數為50，交叉概率為0.85，變異概率為0.10，最大迭代次數為5000；實驗中使用的神經網絡參數為：隱含層神經元個數為22，最大訓練次數為2000，訓練精度為0.01。表2所示為每組實驗進行20次后取平均值得到的結果。

表2 特征選擇對故障判別結果的影響

從表2可以看出：將未進行特征選擇的特征向量集直接作為BP神經網絡分類器的輸入時，BP神經網絡的運算效率較低，誤判率較高。使用遺傳搜索策略進行特征選擇后的特征向量集對提高分類效果貢獻顯著，并且去掉了較多的冗余特征，大幅度地提高了分類算法的效率。

4 結束語

本文運用階次分析理論對變速器振動信號進行分析和處理，提取到包含變速器故障特征的特征向量集。針對故障特征向量集維數過高導致的故障判別效率低下和影響判別正確率的問題，利用遺傳算法進行有效的特征選擇，從而提高了運算效率和準確率，使變速器在線質量檢測系統符合生產現場的生產節拍，滿足了實時性的檢測要求。為提高質量檢測系統的通用性，本文還對變速器結構的通用建模和參數存儲問題進行了闡述。下一步的工作重點將是圍繞大樣本故障箱的典型特征提取和知識發現展開研究。

［1］金少先，金中石.齒輪振動的邊帶分布特征與故障診斷實例［J］.振動工程學報，1999，12（3）：429－432.

［2］劉攀.SAGW汽車變速箱故障診斷儀及其數據處理技術的研究［D］.上海：同濟大學，2007.

［3］Su W，Wang F，Zhu H，et al.Rolling Element Bearing Faults Diagnosis Based on Optimal Morlet Wavelet Filter and Autocorrelation Enhancement［J］.Mechanical Systems ＆ Signal Processing，2010，24（5）：1458－1472.

［4］Su Z，Zhang Y，Jia M，et al.Gear Fault Identification and Classification of Singular Value Decomposition Based on Hilbert－Huang Transform［J］.Journal of Mechanical Science and Technology，2011，25（2）：267－272.

［5］Yuan J，Zhengjia H，Yanyang Z.Gear Fault Detection Using Customized Multiwavelet Lifting Schemes［J］.Mechanical Systems ＆ Signal Processing，2010，24（5）：1509－1528.

［6］程軍圣，李寶慶，楊宇，等.基于廣義解調時頻分析的包絡階次譜在齒輪故障診斷中的應用［J］.振動工程學報，2009，22（5）：467－473.

［7］陳恩偉，劉正士，王勇，等.齒輪箱故障診斷的階次分析 方 法 研 究 ［J］. 儀 器 儀 表 學 報，2008，29（4）：239－242.

［8］李建偉，許寶杰，韓秋實.非平穩振動信號分析中Hilbert＿Huang變換的對比研究［J］.機械強度，2006，28（2）：165－169.

［9］楊世錫，胡勁松，吳昭同.旋轉機械振動信號基于EMD的希爾伯特變換和小波變換時頻分析比較［J］.中國電機工程學報，2003，23（6）：102－107.

［10］王衛群，朱曉民.變速器故障診斷中信號分析理論探討［J］.制造業自動化，2006，28（5）：76－77.

［11］Bossley K M，Mckendrick R J，Harris C J，et al.Hybrid Computed Order Tracking［J］.Mechanical Systems and Signal Processing，1999，13（4）：627－641.

［12］Fyfe K R，Munck E D S.Analysis of Computed Order Tracking［J］.Mechanical Systems and Signal Processing，1997，11（2）：187－205.

［13］郭瑜，秦樹人，梁玉前.時頻分析階比跟蹤技術［J］.重慶大學學報，2002，25（5）：17－21.

［14］周曉鋒，史海波，尚文利.變速箱故障診斷系統中的同步數據采集技術研究［J］.計算機工程與應用，2010，46（9）：16－18，70.

［15］Fukunaga K.Introduction to Statistical Pattern Recognition［M］.［s.1.］：Academic Press，1990.