汽車變速器新產(chǎn)品質(zhì)量檢測(cè)系統(tǒng)中關(guān)鍵技術(shù)研究

周曉鋒 史海波 尚文利 高明山

1.中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所，沈陽(yáng)，110016 2.中國(guó)科學(xué)院研究生院，北京，100039 3.東風(fēng)朝陽(yáng)柴油機(jī)有限責(zé)任公司，朝陽(yáng)，122000

0 引言

汽車變速器在生產(chǎn)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(huì)產(chǎn)生各種質(zhì)量問題，從而影響變速器產(chǎn)品的合格率。變速器新產(chǎn)品的失效形式主要體現(xiàn)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(chǎn)過程管理和質(zhì)量控制、跟蹤角度出發(fā)，檢驗(yàn)人員希望能夠通過生產(chǎn)線上最后的質(zhì)量檢驗(yàn)環(huán)節(jié)及時(shí)發(fā)現(xiàn)存在的質(zhì)量問題，并將故障原因定位到具體的失效部件，從而實(shí)現(xiàn)零件級(jí)別的裝配過程故障診斷。在傳統(tǒng)的變速器質(zhì)量檢驗(yàn)環(huán)節(jié)，檢驗(yàn)工作主要依靠人工進(jìn)行，憑人的感覺、聽覺和經(jīng)驗(yàn)對(duì)變速器的質(zhì)量進(jìn)行檢驗(yàn)。這種簡(jiǎn)單的診斷技術(shù)受到工人技術(shù)水平、工作態(tài)度甚至工人情緒等主觀因素的影響，難以達(dá)到現(xiàn)代化生產(chǎn)連續(xù)、穩(wěn)定、高效的要求。另外，人工故障診斷很難將故障原因準(zhǔn)確地定位到零件級(jí)別，不能直接為后續(xù)的變速器故障檢修工作提供指導(dǎo)。

德國(guó)的Discom公司經(jīng)過多年的研究與創(chuàng)新，現(xiàn)已有成熟的變速器故障檢測(cè)軟件應(yīng)用于奔馳、大眾、賓利等汽車變速器裝配檢測(cè)系統(tǒng)中。近年來國(guó)內(nèi)的研究機(jī)構(gòu)也陸續(xù)地開展了變速器智能診斷技術(shù)的研究［1－3］，其研究成果對(duì)我國(guó)的變速器智能診斷技術(shù)起到了極大的促進(jìn)作用。但國(guó)內(nèi)的研究工作主要偏重于理論研究，多數(shù)處于實(shí)驗(yàn)室探索和分析階段，距離實(shí)用化、商品化還有相當(dāng)距離。

根據(jù)現(xiàn)有的研究成果和經(jīng)驗(yàn)［4－11］，本文運(yùn)用階次分析理論對(duì)汽車變速器振動(dòng)信號(hào)進(jìn)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(jìn)行特征選擇以降低特征向量集的維度，并將經(jīng)過選擇后的特征向量輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判別。在此基礎(chǔ)上設(shè)計(jì)并開發(fā)了汽車變速器新產(chǎn)品質(zhì)量檢測(cè)系統(tǒng)。該系統(tǒng)應(yīng)用于變速器新產(chǎn)品下線的質(zhì)量檢測(cè)試驗(yàn)臺(tái)，可以滿足生產(chǎn)節(jié)拍的實(shí)時(shí)性診斷要求，能將故障準(zhǔn)確定位到零件級(jí)別。

1 基于階次分析的特征提取

階次分析是用于分析旋轉(zhuǎn)機(jī)械故障的一項(xiàng)重要技術(shù)，在國(guó)外相關(guān)檢測(cè)產(chǎn)品中得到了很好的應(yīng)用。階次分析不但可以用于分析恒定轉(zhuǎn)速的工況，而且可以用于分析變速旋轉(zhuǎn)的工況［10，12］。當(dāng)旋轉(zhuǎn)機(jī)械處于變速運(yùn)動(dòng)的工況時(shí)，產(chǎn)生的振動(dòng)信號(hào)為非平穩(wěn)信號(hào)，旋轉(zhuǎn)軸轉(zhuǎn)過一周的等時(shí)間間隔采樣的采樣點(diǎn)數(shù)是不同的。這時(shí)如果采用傳統(tǒng)的傅里葉分析，會(huì)產(chǎn)生平均意義上的譜值，造成所謂的“譜涂抹”現(xiàn)象，無法準(zhǔn)確地提取故障信息。階次分析克服了傳統(tǒng)傅里葉分析存在的不足，其階次與頻率的關(guān)系為

式中，E為階次；n為參考軸轉(zhuǎn)速；f為信號(hào)的振動(dòng)頻率。

第一階就是轉(zhuǎn)速，第r階就是轉(zhuǎn)速的r倍，r次分量就是轉(zhuǎn)速的振動(dòng)諧波。階次分析可以還原因轉(zhuǎn)速變化而在FFT功率譜中被淹沒的諧波，將噪聲與振動(dòng)信號(hào)和轉(zhuǎn)速相聯(lián)系，這些信號(hào)還原至特征分量，便將特征分量和機(jī)械零件相聯(lián)系，保證了重復(fù)性的噪聲與振動(dòng)測(cè)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(dòng)信號(hào)重采樣的計(jì)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(xiàn)場(chǎng)安裝條件限制及較高的成本限制，應(yīng)用并不廣泛。基于重采樣的計(jì)算階次跟蹤采樣方法硬件成本低、結(jié)構(gòu)簡(jiǎn)單、方法靈活，可獲得相當(dāng)高的插值精度。基于此，本文采用重采樣的計(jì)算階次跟蹤采樣方法來實(shí)現(xiàn)等角度采樣。

通過加速度傳感器采集到的振動(dòng)信號(hào)是具有固定采樣頻率的等時(shí)間間隔的采樣信號(hào)，通過轉(zhuǎn)速編碼器采集到的轉(zhuǎn)速信號(hào)是記錄變速器輸入軸轉(zhuǎn)過一定角度的時(shí)標(biāo)序列信號(hào)，兩路信號(hào)需要進(jìn)行同步采集［14］。采集到的原始信號(hào)如圖1所示，橫軸為時(shí)間軸，t0～t6為轉(zhuǎn)速編碼器轉(zhuǎn)過2π/R角度時(shí)的時(shí)標(biāo)（R為轉(zhuǎn)速編碼器分辨率）。當(dāng)旋轉(zhuǎn)軸做升速運(yùn)動(dòng)時(shí)，隨著轉(zhuǎn)速頻率的增大，旋轉(zhuǎn)軸轉(zhuǎn)過2π/R角度所需的時(shí)間越來越短，采樣點(diǎn)數(shù)也相應(yīng)地越來越少。為了進(jìn)行階次分析，需要利用轉(zhuǎn)速信號(hào)對(duì)振動(dòng)信號(hào)進(jìn)行插值重采樣，將等時(shí)間序列振動(dòng)信號(hào)轉(zhuǎn)化為等角度序列振動(dòng)信號(hào)（圖2）。具體過程如下：

圖1 等時(shí)采樣序列

圖2 等角度采樣序列

設(shè)旋轉(zhuǎn)軸旋轉(zhuǎn)一周需要的重采樣序列（點(diǎn)數(shù)）為N，轉(zhuǎn)速編碼器分辨率為R，則等角度采樣間隔Δθ＝2π/R，每個(gè)Δθ內(nèi)的采樣點(diǎn)數(shù)為n＝N/R。于是，在起始時(shí)間為t0、結(jié)束時(shí)間為t的等角度間隔中，可求得每個(gè)Δθ中的重采樣時(shí)間序列：

有了時(shí)間序列t1，t2，…，tn，便可對(duì)振動(dòng)信號(hào)w進(jìn)行插值重采樣計(jì)算。設(shè)振動(dòng)信號(hào)采樣頻率為fs，則振動(dòng)信號(hào)每個(gè)采樣點(diǎn)之間的采樣時(shí)間間隔為1/fs，這樣任意一個(gè)振動(dòng)信號(hào)wj所對(duì)應(yīng)的采樣時(shí)刻tj＝j(luò)/fs（j為振動(dòng)信號(hào)w中的第j個(gè)值）。利用線性插值公式

便可計(jì)算出與時(shí)間序列t1，t2，…，tn相對(duì)應(yīng)的振動(dòng)信號(hào)值，從而得到等角度采樣的振動(dòng)信號(hào)，實(shí)現(xiàn)等時(shí)采樣到等角度采樣的轉(zhuǎn)換。

1.2 分軸重采樣

變速器的原始振動(dòng)信號(hào)包含了變速器體內(nèi)所有零件的振動(dòng)信息，包括輸入軸、中間軸、輸出軸以及變速器殼體的振動(dòng)信息。如果以輸入軸的轉(zhuǎn)速作為基頻，那么輸入軸上零件的振動(dòng)信息在階次譜上的位置就在基頻的整數(shù)倍處。但是，由于傳動(dòng)比的關(guān)系，其他軸上的零件信息需要經(jīng)過處理才能得到其在階次譜中的位置。由于各軸的振動(dòng)能量級(jí)別不同，如將各軸的振動(dòng)信息混雜在同一階次譜中，階次譜的計(jì)算精度將受到限制，振動(dòng)能量弱的軸的信號(hào)有可能被淹沒在其他軸的強(qiáng)信號(hào)中，不利于后續(xù)的分析。另外，由于所有零件的振動(dòng)信號(hào)都包含在同一階次譜中，有可能會(huì)出現(xiàn)不同軸上的不同零件的基頻或倍頻計(jì)算出來的階次相同，給故障定位帶來困難?；谝陨显颍瑢⒄駝?dòng)信號(hào)以軸為單位進(jìn)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(duì)各零件的狀態(tài)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(shí)現(xiàn)分軸分析需要根據(jù)傳動(dòng)比計(jì)算出以輸入軸為基準(zhǔn)的各軸旋轉(zhuǎn)周期，然后以各軸的旋轉(zhuǎn)周期為基準(zhǔn)截取數(shù)據(jù)，按前文闡述的過程進(jìn)行等角度重采樣，得到各個(gè)軸的等角度重采樣序列。

1.3 階次譜計(jì)算

振動(dòng)信號(hào)經(jīng)重采樣處理后，振動(dòng)分析的視角從簡(jiǎn)單頻譜轉(zhuǎn)換到了階次譜。由離散傅里葉變換關(guān)系式可以將時(shí)域信號(hào)轉(zhuǎn)換成頻域信號(hào)，然后通過轉(zhuǎn)換關(guān)系式

式中，T為信號(hào)總記錄時(shí)間；Δf為頻率解析單位長(zhǎng)度；O為階次；ΔO為階次解析單位長(zhǎng)度。

將Δf改寫成ΔO，即將角度域信號(hào)轉(zhuǎn)換成階次域信號(hào)，從而直接分析振動(dòng)信號(hào)在階次域中的特性。

1.4 特征向量集

現(xiàn)場(chǎng)采集到的由軸承、齒輪毛刺、齒套故障、軸不對(duì)中等4類故障信號(hào)組成的長(zhǎng)度為L(zhǎng)的觀測(cè)樣本，經(jīng)階次分析和時(shí)域信號(hào)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(hào)θ（t）的均方根值（RMS）、峰值指標(biāo)（Crest）、峰值（Peak），記該樣本數(shù)據(jù)觀測(cè)矩陣X為

式中，M為每個(gè)觀測(cè)樣本中的特征向量數(shù)，包括128個(gè)階次譜特征向量和3個(gè)時(shí)域特征向量。

另外，用一個(gè)長(zhǎng)度為L(zhǎng)的數(shù)組來標(biāo)記每個(gè)觀測(cè)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(cè)數(shù)據(jù)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(shì)必會(huì)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(huì)影響分類器的準(zhǔn)確率。由于以上原因，應(yīng)對(duì)高維特征向量進(jìn)行特征選擇，選出一組對(duì)分類貢獻(xiàn)最大的特征子集，以達(dá)到降低特征空間維數(shù)、提高分類器實(shí)際分類性能的目的。考慮到算法的效率和適應(yīng)性，本文采用遺傳算法來進(jìn)行特征選擇。

2.1 特征評(píng)價(jià)準(zhǔn)則

特征選擇的任務(wù)是精簡(jiǎn)特征向量集，找出一部分對(duì)分類最為有效的特征，因此需要建立一個(gè)定量的準(zhǔn)則來評(píng)價(jià)各特征對(duì)分類的有效性。本文選擇以衡量類內(nèi)類間距離的歐氏距離［15］作為相似性測(cè)度的散布矩陣特征評(píng)價(jià)準(zhǔn)則；同時(shí)，考慮到應(yīng)選擇盡可能小且對(duì)分類貢獻(xiàn)最大的特征子集，所以被選擇的特征數(shù)也作為評(píng)價(jià)準(zhǔn)則的一部分。評(píng)價(jià)函數(shù)記為

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

2.2 特征選擇流程

（1）初始化種群，種群規(guī)模為m，交叉概率為Pc，變異概率為Pm，最大進(jìn)化代數(shù)為Gmax。

（2）隨機(jī)生成初始種群矩陣P。

（3）根據(jù)交叉概率Pc和變異概率Pm進(jìn)行交叉、變異操作，生成新的種群。

（4）由式（7）分別計(jì)算新種群矩陣中各染色體的適應(yīng)度。

（5）進(jìn)行選擇操作，選擇出m個(gè)染色體作為下一輪進(jìn)化的新種群。

（6）若當(dāng)前進(jìn)化代數(shù)G＜Gmax，返回（3），否則轉(zhuǎn)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(jìn)行降維處理后，可直接利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障的分類判別。

3 系統(tǒng)實(shí)現(xiàn)

本文設(shè)計(jì)并開發(fā)的變速器在線質(zhì)量檢測(cè)系統(tǒng)，是針對(duì)在線裝配的變速器新產(chǎn)品進(jìn)行振動(dòng)噪聲檢測(cè)，并在此基礎(chǔ)上對(duì)檢測(cè)結(jié)果進(jìn)行進(jìn)一步的分析、評(píng)判，最終給出質(zhì)量評(píng)判結(jié)果為設(shè)計(jì)目標(biāo)的應(yīng)用系統(tǒng)。

3.1 系統(tǒng)結(jié)構(gòu)

變速器箱體的振動(dòng)信號(hào)由振動(dòng)傳感器獲取，通過動(dòng)態(tài)信號(hào)采集卡進(jìn)行信號(hào)采集；變速器輸入軸的轉(zhuǎn)速信號(hào)則通過編碼器進(jìn)入計(jì)數(shù)器卡，兩塊采集卡之間由同步線相連，以保證兩塊卡的內(nèi)部時(shí)鐘同步，從而達(dá)到轉(zhuǎn)速信號(hào)和振動(dòng)信號(hào)同步采集的目的。其中獲取振動(dòng)信號(hào)的傳感器為ICP（內(nèi)置集成電路）式加速度傳感器。另外在檢測(cè)過程中還需要同時(shí)獲得變速器被檢測(cè)工況的擋位信號(hào)和啟停信號(hào)，該擋位信號(hào)可通過RS232串口或Profibus總線與變速器性能試驗(yàn)臺(tái)的上位機(jī)連接。

軟件系統(tǒng)由數(shù)據(jù)采集、時(shí)頻分析、學(xué)習(xí)訓(xùn)練、在線檢測(cè)、數(shù)據(jù)存儲(chǔ)等五大功能單元構(gòu)成，系統(tǒng)的結(jié)構(gòu)如圖3所示。采集到的信號(hào)先經(jīng)過信號(hào)調(diào)理器進(jìn)行信號(hào)調(diào)理，然后由數(shù)據(jù)采集卡將信號(hào)采集到工控機(jī)內(nèi)，接著對(duì)信號(hào)從時(shí)域和頻域階次上進(jìn)行分析。分析后的結(jié)果根據(jù)診斷模型知識(shí)庫(kù)中的特征向量模板進(jìn)行特征提取，并將提取到的故障特征送入故障診斷推理機(jī)，最后將診斷結(jié)果通過人機(jī)接口反映給工人，并將檢測(cè)記錄原始檔案存盤備查。

圖3 變速器在線質(zhì)量檢測(cè)系統(tǒng)軟件結(jié)構(gòu)

3.2 變速器結(jié)構(gòu)的建模和參數(shù)存儲(chǔ)

為使系統(tǒng)具有通用性，可用于不同廠商生產(chǎn)的不同結(jié)構(gòu)變速器的檢測(cè)，需要對(duì)具有不同物理結(jié)構(gòu)的變速器建立一個(gè)統(tǒng)一的描述模型。圖4為一個(gè)二軸四擋變速器和一個(gè)三軸六擋變速器的結(jié)構(gòu)簡(jiǎn)圖，箭頭代表兩種變速器的一擋傳動(dòng)路徑。二軸變速器的一擋傳動(dòng)路徑為：差速器動(dòng)力輸入齒輪（4）→差速器動(dòng)力輸出齒輪（5）→主動(dòng)軸一擋齒輪（8）→從動(dòng)軸一擋齒輪（1）；三軸變速器的一擋傳動(dòng)路徑為：主動(dòng)軸一擋齒輪（1）→從動(dòng)軸一擋齒輪（12）→差速器動(dòng)力輸入齒輪（13）→差速器動(dòng)力輸出齒輪（14）。這兩種結(jié)構(gòu)不同的變速器可以用同一個(gè)結(jié)構(gòu)的表來存儲(chǔ)（表1）。其中，Gk＿in代表動(dòng)力輸入齒輪（k＝1，2，…，n，余同）；Gk＿out代表動(dòng)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(jì)算擋位傳動(dòng)比的時(shí)候，無需考慮軸和齒輪的相 對(duì) 位 置 關(guān) 系， 只 需 按 公 式（Dk＿out/Dk＿in）＊（Gk＿out/Gk＿in）進(jìn) 行 計(jì) 算 即 可，從而實(shí)現(xiàn)變速器結(jié)構(gòu)建模的通用性。另外，在根據(jù)階次譜進(jìn)行故障定位的時(shí)候，通過表1可以方便地查詢到某階次故障所對(duì)應(yīng)的軸和齒輪。

表1記錄的變速器類型和結(jié)構(gòu)知識(shí)連同其他變速器故障診斷軟件運(yùn)行所必須的基礎(chǔ)數(shù)據(jù)，如檢測(cè)流程知識(shí)、控制性知識(shí)、基于故障診斷規(guī)則的推理知識(shí)，以及數(shù)據(jù)采集卡硬件知識(shí)等，都存儲(chǔ)在系統(tǒng)參數(shù)數(shù)據(jù)庫(kù)中。圖5所示為系統(tǒng)參數(shù)數(shù)據(jù)庫(kù)的結(jié)構(gòu)框架。

圖4 二軸四擋變速器（型號(hào)M406）和三軸六擋變速器結(jié)構(gòu)簡(jiǎn)圖（型號(hào)C5m1）

表1 變速器結(jié)構(gòu)存儲(chǔ)表

圖5 系統(tǒng)參數(shù)數(shù)據(jù)庫(kù)結(jié)構(gòu)圖

3.3 階次譜生成

圖6所示為現(xiàn)場(chǎng)采集到的C5m1型變速器的四擋升速振動(dòng)信號(hào)與轉(zhuǎn)速信號(hào)。其中轉(zhuǎn)速信號(hào)由輸入軸上分辨率為60的轉(zhuǎn)速編碼器發(fā)送門信號(hào)脈沖，然后通過NI公司的計(jì)數(shù)卡采集。振動(dòng)信號(hào)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(dòng)信號(hào)與轉(zhuǎn)速信號(hào)

利用式（1）、式（2）進(jìn)行分軸重采樣計(jì)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(hào)變速器對(duì)應(yīng)擋位的嚙合齒輪齒數(shù)完全吻合，因此，可準(zhǔn)確反映對(duì)應(yīng)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(cè)特征提取算法的效率和準(zhǔn)確率，選取變速器生產(chǎn)現(xiàn)場(chǎng)采集的400組信號(hào)作為觀測(cè)樣本進(jìn)行本文算法的驗(yàn)證。將400組信號(hào)分為A、B兩組各200組樣本集，A組樣本為不進(jìn)行特征選擇，直接將階次譜向量和時(shí)域特征向量作為神經(jīng)網(wǎng)絡(luò)分類器的輸入而得到的診斷結(jié)果；B組樣本為經(jīng)過遺傳搜索特征選擇后，將提取到的特征向量作為神經(jīng)網(wǎng)絡(luò)分類器的輸入而得到的診斷結(jié)果。每組樣本集都包含軸承、齒輪毛刺、齒套故障、軸不對(duì)中等4類故障數(shù)據(jù)及正常數(shù)據(jù)。實(shí)驗(yàn)時(shí)每組樣本再分成兩部分，一半作為訓(xùn)練樣本集，用于特征選擇和網(wǎng)絡(luò)訓(xùn)練，另一半作為測(cè)試樣本集，用于測(cè)試特征選擇結(jié)果對(duì)判決結(jié)果的影響。實(shí)驗(yàn)中使用的遺傳算法參數(shù)為：初始種群數(shù)為50，交叉概率為0.85，變異概率為0.10，最大迭代次數(shù)為5000；實(shí)驗(yàn)中使用的神經(jīng)網(wǎng)絡(luò)參數(shù)為：隱含層神經(jīng)元個(gè)數(shù)為22，最大訓(xùn)練次數(shù)為2000，訓(xùn)練精度為0.01。表2所示為每組實(shí)驗(yàn)進(jìn)行20次后取平均值得到的結(jié)果。

表2 特征選擇對(duì)故障判別結(jié)果的影響

從表2可以看出：將未進(jìn)行特征選擇的特征向量集直接作為BP神經(jīng)網(wǎng)絡(luò)分類器的輸入時(shí)，BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算效率較低，誤判率較高。使用遺傳搜索策略進(jìn)行特征選擇后的特征向量集對(duì)提高分類效果貢獻(xiàn)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(jié)束語(yǔ)

本文運(yùn)用階次分析理論對(duì)變速器振動(dòng)信號(hào)進(jìn)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(duì)故障特征向量集維數(shù)過高導(dǎo)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(jìn)行有效的特征選擇，從而提高了運(yùn)算效率和準(zhǔn)確率，使變速器在線質(zhì)量檢測(cè)系統(tǒng)符合生產(chǎn)現(xiàn)場(chǎng)的生產(chǎn)節(jié)拍，滿足了實(shí)時(shí)性的檢測(cè)要求。為提高質(zhì)量檢測(cè)系統(tǒng)的通用性，本文還對(duì)變速器結(jié)構(gòu)的通用建模和參數(shù)存儲(chǔ)問題進(jìn)行了闡述。下一步的工作重點(diǎn)將是圍繞大樣本故障箱的典型特征提取和知識(shí)發(fā)現(xiàn)展開研究。

［1］金少先，金中石.齒輪振動(dòng)的邊帶分布特征與故障診斷實(shí)例［J］.振動(dòng)工程學(xué)報(bào)，1999，12（3）：429－432.

［2］劉攀.SAGW汽車變速箱故障診斷儀及其數(shù)據(jù)處理技術(shù)的研究［D］.上海：同濟(jì)大學(xué)，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(diào)時(shí)頻分析的包絡(luò)階次譜在齒輪故障診斷中的應(yīng)用［J］.振動(dòng)工程學(xué)報(bào)，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(xué) 報(bào)，2008，29（4）：239－242.

［8］李建偉，許寶杰，韓秋實(shí).非平穩(wěn)振動(dòng)信號(hào)分析中Hilbert＿Huang變換的對(duì)比研究［J］.機(jī)械強(qiáng)度，2006，28（2）：165－169.

［9］楊世錫，胡勁松，吳昭同.旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)基于EMD的希爾伯特變換和小波變換時(shí)頻分析比較［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2003，23（6）：102－107.

［10］王衛(wèi)群，朱曉民.變速器故障診斷中信號(hào)分析理論探討［J］.制造業(yè)自動(dòng)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(shí)頻分析階比跟蹤技術(shù)［J］.重慶大學(xué)學(xué)報(bào)，2002，25（5）：17－21.

［14］周曉鋒，史海波，尚文利.變速箱故障診斷系統(tǒng)中的同步數(shù)據(jù)采集技術(shù)研究［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46（9）：16－18，70.

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