汽車傳動系統機械故障診斷方法的研究

鄒志輝 喻鑫

（江鈴汽車股份有限公司，江西南昌 330000）

1 概述

對于車輛，動力系統是汽車的最核心部分，對于重型的汽車來說，由于汽車的結構組成部件多，組成模式多樣，這就造成部件的拆裝困難和維護困難。因此增強系統的性能可靠性，達到不用拆卸下來就能維修的功能刻不容緩。解決這一問題最常用的方法是進行狀態的檢測和故障的監測。

在研究汽車傳動系統的特點之后，本文針對性的提出運用小波分析來處理這些問題，在進行對象特征提取的基礎上，對機械故障進行有效的探究。

小波變化把信號分成空間和維度上分別獨立的兩個參量，這是在原有信號信息不改變的情況下，相當于具有放大能力的數學顯微鏡，并且也有檢測信號的能力。

神經網絡的特點是可以大規模學習，還可以互動記憶、自我學習，具有很強的適應性，為實現智能診斷提供了新的契機?？梢越鉀Q殘缺的知識，并能對復雜模型做出分類決策。

灰色系統理論是一種新的理論方法。近年來，灰色系統理論（主要是灰色關聯分析）在機械系統狀態監測與診斷中的應用取得了良好的進展。

現代機械系統的內部結構越來越復雜。監測和故障診斷中提取的信噪比很低，單傳感器監測顯然不能滿足要求，數據融合技術可以綜合處理多種信息源，有效解決上述問題，提高診斷準確率。

為了檢驗不同方法的有效性和應用程度，本文將CA10B 汽車變速器的常見故障與Q6170 車軸的疲勞性能進行了比較。從汽車車間收集的CA10B 汽車變速器變速器和儲能故障中選取了5 個典型故障，即齒輪斷裂、二檔外圈腐蝕。2 檔內外環腐蝕，在QQ6170 轎車轉向橋疲勞壽命試驗中，比較了微齒條和二擋齒輪在二次波根部的點蝕與變速器的點蝕情況。對整個過程進行監控，試驗速度保持恒定，逐漸增加規定的載荷值，繼續工作直至驅動橋損壞。用不同的方法記錄、處理和分析兩次試驗的振動加速度信號。

2 齒輪軸承故障信息的特征提取

為了快速檢測錯誤，必須監控最敏感的參數。通常，特征參數僅對某些類型的誤差敏感。僅使用一個或多個參數很難完全反映設備的運行狀態。因此，根據具體的診斷對象確定最有效的誤差特征參數是非常必要的。

2.1 平穩信號的特征提取

從實際監測中獲得的平穩信號包含了重要的設備狀態信息，通過比較這些數字特性在不同速度和不同誤差狀態下的變化可以看出，在不同的速度和誤差狀態下確定：它們對不同的誤差有不同的靈敏度，從不同的角度反映了機器的狀態。

2.2 小波變換

錯誤診斷中出現的信號并不總是穩定的。例如，當傳輸中斷時，電流脈沖信號必須被觸發，但傅里葉變換很難及時檢測到突變信號。根據波形變換的特性，可以檢測和診斷突變信號。

2.2.1 小波變換過零表示與體征提取

在小波變換中，為了尋找最為合適的小波函數，就要找到反應最初信號的特征值，這樣在之后的故障診斷中，機器工作時的重要信息就會在震動信號里反映出來。

可知Wsf（t）正比于f（t）經θs（t）平滑后的二階導函數，Wsf（t）的過零點對應于f*θs（t）的拐點，即f（t）突變信號的位置。對于機械故障診斷，通常指機器發生故障的時間。因此，選取平滑函數的二階導數作為小波基函數，研究信號波形短時突變函數的提取。

以Zn（n∈Z）表示過零點，定義en

這里，總距離以及兩個信號f（t）和g（t）之間的距離可以通過x 值的間隔差來確定，并且測量信號和標準干擾信號之間的接近度可以根據總距離來確定。它可以用于錯誤分類。

圖1 顯示了波長齒輪的波長形成和波長信號的零交叉表示曲線，膿腫表示時間，順序表示刻度，0 軸實線表示原始信號。-軸1～5 的虛線表示波的細節信號，實線表示零交叉曲線。根據圖中零交叉的分布，零交叉由粗到細（由大到?。┻B接。突變信號的類型可以根據CAI0B 傳輸的振動信號，通過波變換的零交叉點與自身矢量之間的距離來確定。

圖1 CA10B 變速器故障信號小波變換表示

2.2.2 小波變換的模極大值與特征提取

可以確定組合導數以及組合導數中的，Wsf（s，t）和f（t）與平衡導數成正比。對于某一比例，s 是Wsf（s，t）的最大值。如果f（t）的等效寬度足夠小，Wsf（s，t）的極點必須接近模f（t）的最大值。如果它接近于0，則θs（t）的等效寬度接近于零θs（t）的組合，因此它接近于組合函數附近的組合平面。這是小波變換的時域位置，也是提取小波變換模塊最大特征的基礎。從小波變換形成的最大調制角度來看，機械振動突變點的位置往往與機械故障時間相對應，由同一突變點導出的各尺度的最大點形成一條最大線。

總之，誤差時間可以通過測量信號波變換的過零位置來確定；根據最大模線構造誤差分類曲線，信號之間的距離可作為誤差分類的依據。

3 神經網絡和灰色系統理論在故障診斷中的應用

在常用的故障檢測方法中，最有用的方法是神經網絡分析和灰色系統理論，雖然兩個都以當作模式識別的分類器，但是這兩種方法在根本原理上面還有一定的區別，在面對不同的實際情況時，要采取所對應的不同的方法，這樣才能解決問題。

3.1 神經網絡

在機械故障診斷領域，人工神經網絡可以作為模式識別的分類設備。模式匹配和分類可以通過網絡計算實現，錯誤分類（在實際輸出和理想輸出之間）通過網絡向后傳播。然后改變網絡層的值，實現包括網絡誤差在內的網絡系數的動態自適應。

在特征提取的基礎上，利用單層隱層BP 網絡對CA10B 汽車變速器的試驗數據進行了分析和計算，分別計算了不同的速度，例如在一定的速度下，六個典型的誤差樣本和每個樣本的五種誤差狀態選擇通道形成一組36 個樣本組成網絡，然后從每個記錄的錯誤狀態信號中隨機選擇一個樣本。結果表明，樣本3的第三個通道和樣本4 的第四個通道的數據不理想，但其他樣本的結果都非常好，這證明了網絡結構的有效性。

圖2 CA10B 變速器故障信號的小波變換

3.2 灰色系統理論

控制論擴展了灰色系統的灰色概念。通過振動監測和分析對設備狀態進行評價是一個灰色系統的輕量化過程，曲線越接近，相應序列間的相關性越高，反之亦然。

目前，灰色關聯分析主要用于多參數機械故障診斷，這里稱為多參數灰色關聯診斷。其基本原理是設備或部件的狀態向量由多個參數組成，表示設備或部件的狀態；建立標準狀態向量；通過比較每個標準狀態向量和每個待定狀態向量之間的相關性來評估每個待定狀態向量所屬的狀態。

4 數據融合技術及其在故障診斷中的應用

數據融合是一種信息處理過程，其中計算機分析和綜合多個傳感器的觀測信息，以完成必要的決策和估計任務。數據融合的基本原理是將多個傳感器及其信息進行組合，根據一定的標準在空間和時間上進行冗余或互補觀測，以獲得對觀測對象的單邊解釋或描述。

數據集成分為三個層次：像素級集成、特征級集成和決策級集成。決策層集合提供了更大的信息處理靈活性，需要更大范圍的信息傳輸，能夠有效地組合反映環境或目標的信息，以及異步信息處理。因此，對決策層數據集成的研究取得了顯著的成果。

5 汽車故障

汽車故障診斷技術注意點：

如果發生故障，車輛基本上處于服務狀態，駕駛員是第一個在故障點實現快速處理車輛故障的人。駕駛員必須學會掌握常見的故障診斷方法，建立錯誤診斷系統，及時處理可處理的小錯誤，如果無法處理，維修人員可在到達現場后提供相關信息。

5.1 科學。如果維修人員或駕駛員不了解車輛的內部結構，則在發生錯誤時應遵循“科學”診斷的原則。必須在錯誤信息、診斷目錄、標準參考等不同方面進行科學指導。診斷后的維護工作也必須按照標準說明進行，

5.2 駕駛員是故障的第一個見證人，故障發生后，車輛應主動診斷故障，無需等待維修人員到達犯罪現場?？杉皶r進行早期故障診斷，避免故障增加。

5.3 參考文獻。診斷技術的應用必須以標準診斷參數為基礎，而標準診斷參數對故障的糾正至關重要。在汽車維修行業中，系統參數和零部件參數作為診斷參數，維修人員應主動控制參數信息。

5.4 相關性。故障診斷技術應與有針對性的診斷方法結合使用，這是確定故障類型、位置和影響的必要先決條件?？梢酝ㄟ^其他參數間接診斷，并結合振動、噪聲、溫度等因素進行診斷。

如果我們能掌握一些常見的診斷技術，我們還可以加快故障評估，并盡快制定故障處理計劃，掌握同一模型的一般形式可以作為處理同一問題的基礎。

6 結論

根據汽車傳動系統主要部件的特性，結果表明，特征參數和分析方法對不同的誤差比較敏感。

機械傳動結構作為汽車的核心部件，直接影響著汽車的性能。常見故障為發動機起動異常、油箱供油異常，這通常會導致機械功率損失。

將神經網絡和灰色系統理論應用于單傳感器信號的診斷決策。實驗結果表明：神經網絡可以通過自身的學習機制在錯誤癥狀和錯誤模式之間建立復雜的映射關系，灰色關聯分析可以根據特征曲線的相似性來評估錯誤模式。

將數據融合的思想引入機械故障診斷領域，通過特征層融合技術將神經網絡單傳感器診斷和灰色關聯分析的結果轉化為基于證據的模型，本文提出的方法和理論仍在研究中。

由于汽車內部機械結構的復雜性，機械故障的診斷和處理往往面臨很大的困難。駕駛員控制錯誤處理方法、培訓維修人員以及提高駕駛員在日常駕駛中避免錯誤的意識也很重要。