基于多組合分類器的汽車變速箱故障診斷

陳湯 崔玉蓮 馮輔周 吳春志

摘 要：針對(duì)于汽車變速箱故障特征信號(hào)微弱，且難以對(duì)故障類型識(shí)別問題，提出了基于多組合分類器的故障診斷方法。首先該方法將原始振動(dòng)信號(hào)采用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）、變分模態(tài)分解（Variational Mode Decomposition，VMD）以及提升小波變換（Lifting Wavelet Transform，LWT） 進(jìn)行分解得到多個(gè)分量信號(hào)，再在對(duì)每個(gè)分量信號(hào)求取特征參量組成特征向量集，輸入到K近鄰分類器（k-Nearest Neighbor，kNN）、邏輯回歸分類器（Logical Regression Multi-Classification，LRMC）以及隨機(jī)森林分類器（Random Forest，RF）中，以此判斷故障類型。最后經(jīng)過汽車變速箱故障模擬試驗(yàn)臺(tái)的數(shù)據(jù)驗(yàn)證，經(jīng)過分類器性能評(píng)價(jià)指標(biāo)驗(yàn)證，基于LWT-RF模型的故障診斷方法具有最高的準(zhǔn)確率、精確率、F1-score。

關(guān)鍵詞：汽車變速箱;特征參量集;故障診斷

1 引言

汽車變速箱作為汽車傳動(dòng)裝置的核心部件，其主要由行星齒輪系組成。由于其工作環(huán)境多變、結(jié)構(gòu)復(fù)雜等特點(diǎn)，往往導(dǎo)致在使用過程中出現(xiàn)齒輪嚴(yán)重磨損、裂紋、斷齒等機(jī)械故障，導(dǎo)致設(shè)備無法正常運(yùn)轉(zhuǎn)，將嚴(yán)重影響汽車的機(jī)動(dòng)性能。目前對(duì)行星變速箱的故障診斷技術(shù)方法的研究中，基于振動(dòng)信號(hào)的故障監(jiān)測(cè)和診斷技術(shù)應(yīng)用比較廣泛，相關(guān)理論和實(shí)踐也都比較成熟，主要通過對(duì)行星變速箱運(yùn)行過程中產(chǎn)生的振動(dòng)信號(hào)進(jìn)行采集和收集，并通過一定的信號(hào)分析處理技術(shù)對(duì)行星變速箱的狀態(tài)進(jìn)行監(jiān)測(cè)和診斷。

汽車變速箱的故障診斷難度較大，主要原因是其振動(dòng)信號(hào)的傳遞途徑復(fù)雜，信號(hào)提取困難，信號(hào)分析過程難以提取特征，使得設(shè)備的故障診斷很難準(zhǔn)確快速地進(jìn)行。在信號(hào)分析處理中，用于行星變速箱故障識(shí)別的特征參量很多，國內(nèi)外學(xué)者尋找不同的特征參量并采用不同的故障識(shí)別方法均取得了一定的成果[1-6]，但針對(duì)汽車行星變速箱故障診斷的研究相對(duì)缺乏。

本文提出基于基于多組合分類器的故障EMD、VMD以及LWT進(jìn)行分解得到多個(gè)分量信號(hào)，再在對(duì)每個(gè)分量信號(hào)求取特征參量組成特征向量集，輸入到kNN、LRMC以及RF分類器模型中，以此實(shí)現(xiàn)汽車變速箱的故障診斷。

2 特征參量集的生成

依據(jù)傳感器測(cè)得的振動(dòng)信號(hào)進(jìn)行分析處理，提取能夠反映變速箱工作狀態(tài)的一些特征參量，用于故障的識(shí)別[7]。通過總結(jié)文獻(xiàn)資料[8]，本文選取了18個(gè)用于行星變速箱故障診斷的統(tǒng)計(jì)特征參量組成特征參量集對(duì)于給定的振動(dòng)信號(hào)而言，其對(duì)應(yīng)的34個(gè)特征參量的定義及表達(dá)式如表1所示。

3 研究方法

3.1 基于EMD、VMD、LWT的信號(hào)預(yù)處理方法

采集得到的原始信號(hào)中常常混有噪聲信號(hào)以及非監(jiān)測(cè)部位振動(dòng)的干擾信號(hào)，而故障振動(dòng)信號(hào)一般比較微弱，特征信息容易被淹沒。為了有效的獲取信號(hào)中的特征信息，需要對(duì)原始信號(hào)進(jìn)行預(yù)處理，獲取與原始信號(hào)相關(guān)性較強(qiáng)的信號(hào)分量，這些分量可以包含更多的故障特征信息。其中，采用EMD預(yù)處理，由相關(guān)性分析，選取分量IMF1、IMF2 、IMF3 、IMF4，采用VMD預(yù)處理，分解層數(shù)為8層，由相關(guān)性分析，選取分量IMF1、IMF2 、IMF3 、IMF4，采用LWT預(yù)處理進(jìn)行三層分解，得到三個(gè)高頻分量信號(hào)、、和三個(gè)低頻分量信號(hào)。由相關(guān)性分析，選取分量。

3.2 基于kNN、LRMC、RF的分類器模型

隨機(jī)森林算法通過對(duì)訓(xùn)練集生成多個(gè)決策樹，在決策時(shí)，每個(gè)樹都會(huì)預(yù)測(cè)一個(gè)結(jié)果，通過對(duì)所有結(jié)果進(jìn)行表決以避免過擬合。隨機(jī)森林中的任意兩棵決策樹是相對(duì)獨(dú)立的，通過隨機(jī)森林算法，保證了過程隨機(jī)性，也避免了過度擬合，對(duì)高維的數(shù)據(jù)處理也有更多的優(yōu)勢(shì)。

k近鄰算法的核心思想是如果一個(gè)樣本在特征空間中的k個(gè)最相鄰的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別，并具有這個(gè)類別上樣本的特性。該方法在確定分類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來決定待分樣本所屬的類別。k近鄰算法在類別決策時(shí)，只與極少量的相鄰樣本有關(guān)。

邏輯回歸是一種廣義的線性模型，它是一種分類模型。邏輯回歸有多個(gè)變種，最常用的是用于二分類，當(dāng)然對(duì)于多分類也是適用的。對(duì)于多分類實(shí)際上他會(huì)分成K-1個(gè)二分類任務(wù)。

當(dāng)汽車變速箱出現(xiàn)齒輪、軸承、軸系等故障時(shí)，會(huì)在每個(gè)旋轉(zhuǎn)周期產(chǎn)生較強(qiáng)的振動(dòng)信號(hào)，從而在振動(dòng)信號(hào)中引入奇異點(diǎn)，這些奇異點(diǎn)中包含了比較豐富的故障信息。通過選取得到多個(gè)分量信號(hào)，再在對(duì)每個(gè)分量信號(hào)求取特征參量組成特征向量集，輸入到kNN、LRMC、RF分類器中，以此判斷復(fù)合故障類型。

4 實(shí)驗(yàn)與結(jié)果

本文選用某汽車變速箱復(fù)合故障模擬實(shí)驗(yàn)臺(tái)，由轉(zhuǎn)速控制臺(tái)、三相異步電動(dòng)機(jī)、測(cè)試平臺(tái)和電磁測(cè)功機(jī)組成。實(shí)驗(yàn)臺(tái)共模擬設(shè)置了5類斷齒故障，分別位于行星變速箱不同行星排的不同位置。振動(dòng)數(shù)據(jù)由5個(gè)測(cè)點(diǎn)采集得到，這里選用內(nèi)置測(cè)點(diǎn)5在三檔運(yùn)行時(shí)1振動(dòng)數(shù)據(jù)為測(cè)試數(shù)據(jù)，測(cè)定工況為轉(zhuǎn)速1200r/min，負(fù)載900N·m，采樣頻率20kHz。

選取采樣點(diǎn)數(shù)5000為一段振動(dòng)信號(hào)分段，每個(gè)工作周期為0.25s。由于總采樣點(diǎn)數(shù)為700416，對(duì)于每一個(gè)故障類別，根據(jù)分段，取140組樣本數(shù)據(jù)。以樣本數(shù)據(jù)為基礎(chǔ)，采用EMD、VMD、LWT對(duì)原始數(shù)據(jù)預(yù)處理，得到組樣本數(shù)據(jù)，劃分其中的80%用于訓(xùn)練集，20%用于測(cè)試集。使用kNN、LRMC、RF分類器模型分別對(duì)原始信號(hào)以及EMD、VMD、LWT預(yù)處理過后的信號(hào)提取得到的特征參量集進(jìn)行分類，以此實(shí)現(xiàn)對(duì)汽車變速箱的故障診斷。選取準(zhǔn)確率、精確率、F1-score這三個(gè)指標(biāo)，通過多次訓(xùn)練和預(yù)測(cè)后取平均值，得到汽車變速箱故障分類的結(jié)果如表2所示。

通過以上結(jié)果表明，以LWT預(yù)處理的信號(hào)提取得到的特征參量集為例分析，數(shù)據(jù)輸入到kNN、LRMC、RF分類器中，得到的準(zhǔn)確率均大于98%。其中K近鄰分類器得到的準(zhǔn)確率較高，但精確率和F1-score較低，通過分析混淆矩陣以及統(tǒng)計(jì)信息，有部分特征參量的FP（False Postive）和FN（False Negative）數(shù)量較多，影響了數(shù)據(jù)的精確率和F1-score，而在大量樣本下掩蓋了這些信息，使得準(zhǔn)確率還是達(dá)到較高水平。由此可得，LWT-KNN模型對(duì)綜合傳動(dòng)裝置實(shí)現(xiàn)故障診斷效果要稍差一些，而LWT-RF模型和LWT-LRMC模型均可以較好的識(shí)別故障類別，尤其以LWT-RF模型的分類器性能評(píng)價(jià)指標(biāo)最優(yōu)，具有最高的準(zhǔn)確率、精確率、F1-score。

5 總結(jié)

本文提出了一種基于多組合分類器的故障診斷方法。以原始信號(hào)以及EMD、VMD、LWT預(yù)處理過后的信號(hào)提取得到的特征參量集為輸入數(shù)據(jù)集，輸入到kNN、LRMC以及RF分類器模型中，以此實(shí)現(xiàn)汽車變速箱的故障診斷。結(jié)果表明，經(jīng)過多組合分類器都可以較好的實(shí)現(xiàn)對(duì)汽車變速箱故障診斷，其中LWT-RF模型的分類器性能評(píng)價(jià)指標(biāo)最優(yōu)，準(zhǔn)確率準(zhǔn)確率可達(dá)99.95%。

參考文獻(xiàn)：

[1]李聰.變速箱嵌入式故障診斷關(guān)鍵技術(shù)研究[D]. 國防科學(xué)技術(shù)大學(xué)，2009.

[2]Norden E.Huang，Zheng Shen，Steven R.Long，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proc R Soc Lond A， 1998， 454： 903-995.

[3]B Liu，S Riemenschneider，Y Xu.Gearbox fault diagnosis using empirical mode decomposition and Hilbert spectrum[J].Mechanical Systems & Signal Processing，2006，20（3）：718-734.

[4]Huang N E， Shen S P. Hilbert-Huang transform and its applications [M].World Scientific Publishing，2005.

[5]丁闖，張兵志，馮輔周，等.局部均值分解和排列熵在行星變速箱故障診斷中的應(yīng)用[J].振動(dòng)與沖擊，2017，36（17）：55-60.

[6]丁闖.基于排列熵的行星變速箱故障診斷研究[A]. 中國振動(dòng)工程學(xué)會(huì)、中國振動(dòng)工程學(xué)會(huì)動(dòng)態(tài)測(cè)試專業(yè)委員會(huì).Proceedings of 2016 13th International Conference on Ubiquitous Robots and Ambient Intelligence （URAI）[C].中國振動(dòng)工程學(xué)會(huì)、中國振動(dòng)工程學(xué)會(huì)動(dòng)態(tài)測(cè)試專業(yè)委員會(huì)：中國振動(dòng)工程學(xué)會(huì)，2016：6.

[7] 時(shí)建峰. 基于時(shí)、頻域-小波分析和神經(jīng)網(wǎng)絡(luò)方法的變速箱故障診斷研究[D] .太原理工大學(xué)，2008.

[8] 程曉涵，汪愛明，花如祥，孟國營(yíng).24種特征參量對(duì)軸承狀態(tài)識(shí)別的性能研究[J].振動(dòng)、測(cè)試與診斷，2016，36（2）.