基于自回歸移動模型汽車傳動系統(tǒng)故障診斷

付小丹

基于自回歸移動模型汽車傳動系統(tǒng)故障診斷

付小丹

（江蘇信息職業(yè)技術(shù)學(xué)院，江蘇 無錫 214000）

針對復(fù)雜汽車傳動系統(tǒng)故障集，提出基于自回歸移動模型的故障診斷算法研究。以隨機差分理論為基礎(chǔ)構(gòu)建故障信號的時序模型，并確定影響序列值的各種參數(shù)，采集原始故障數(shù)據(jù)，進行A/D轉(zhuǎn)換和數(shù)據(jù)標準化處理，為保留離散型數(shù)據(jù)的原始特征并降低系統(tǒng)噪聲干擾，采用數(shù)據(jù)升維理念形成二維紋理圖像，并利用局部二值特征算子提取二維圖像的細節(jié)。實驗結(jié)果顯示，提出診斷算法具有更好故障特征分類性能和樣本檢驗一致性，平均診斷精度可以達到99.27%。

自回歸移動模型；變速箱；齒輪組；離散型；升維處理

汽車傳動系統(tǒng)是汽車發(fā)動機與驅(qū)動輪之間的連接與動力輸出裝置，由變速器、離合器、傳動軸、半軸、減速器和差速器等構(gòu)成。傳動系統(tǒng)主要負責(zé)發(fā)動機動力的傳輸，及扭矩大小的調(diào)整，傳動系統(tǒng)的基礎(chǔ)結(jié)構(gòu)主要由齒輪組構(gòu)成，設(shè)計較為復(fù)雜，在極端或惡劣的路況條件下容易引發(fā)系統(tǒng)故障[1]，在車輛檢修和保養(yǎng)中如果能夠及時識別和檢測出傳動系統(tǒng)的故障，早預(yù)防早排除，可以在很大程度上降低車輛行駛中發(fā)生事故的概率。匯總現(xiàn)有對汽車傳動系統(tǒng)性能衰減、退化及故障診斷的研究，主要包括以下幾種主流的解決方案：尹濤、米承繼等通過構(gòu)建機械系統(tǒng)疲勞度方程，對傳動系統(tǒng)的時域信號進行分析，以此判斷是否存在機械故障的隱患[2-3]；王玲、汪彩萍等提出一種自適應(yīng)模糊學(xué)習(xí)算法，通過對采集到的故障樣本數(shù)據(jù)進行訓(xùn)練，構(gòu)建故障信號處理模型，但上述兩種基于時域信號的處理方案在信號分解、卷積過程中會導(dǎo)致信號失真，并且環(huán)境噪聲抑制的效果較差[4-5]；王志永等[6]提出基于頻域故障信號處理的診斷方案，但在復(fù)雜的工況下所提取到的傳動系統(tǒng)齒輪結(jié)構(gòu)的頻率、相位和幅值特征具有很大的隨機性[7]，信號傅里葉變換的準確性會受到很大影響，導(dǎo)致故障診斷的精度降低[8]。針對汽車行駛較為復(fù)雜的工作場景，本文從時間序列和參數(shù)評估的視角出發(fā)，提出基于自回歸模型的故障診斷方案研究，通過對故障振動信號序列平穩(wěn)性的判斷，獲取最優(yōu)的故障診斷結(jié)果。

1 故障信號診斷的自回歸移動模型

自回歸移動模型本質(zhì)上是一種基于故障信號觀測時間序列而建立隨機差分模型[9-10]，利用該模型能夠揭示出原始故障信號序列中隱含的統(tǒng)計特征。汽車傳動系統(tǒng)工作中產(chǎn)生的振動信號屬于一種隨機變量[11]，通過對信號的時間序列分析，可以識別出故障信號的統(tǒng)計特征。用{x}代表原始故障信號時間軸上無限延伸的一組時間序列，序列模型可以表示為

通常假定干擾項ε為一組服從正態(tài)分布的高斯白噪聲序列，且序列中各變量相互獨立，原始故障信號x的線性表達為

如果用表示模型時間序列向后移動的一個算子，則ε又可以表示為

用()表示后移算子的逆算子[12]，即：

則式（3）可以被改寫為

時間序列后移算子的逆算子在功能上等同于一個線性濾波器，那么汽車傳動裝置原始故障信號的時間序列可以視為一組由獨立白噪聲輸入構(gòu)成的序列[13-14]。按照時間序列與自回歸建立的思想，用于傳動信號故障診斷的階自回歸移動模型表示為

自回歸模型構(gòu)建的關(guān)鍵點是能夠確定出用于傳動系統(tǒng)故障信號識別與檢測的時間序列，并準確確定出影響序列值的各種參數(shù)，具體的時間序列模型應(yīng)用流程，如圖1所示。

基于時間序列構(gòu)建的自回歸移動模型，需要檢驗時間序列的平穩(wěn)性，因為序列中每個因素的變化具有一定的隨機性。采用自動方位搜尋器（Automatic Direction Finder, ADF）檢驗方法核實序列中的單位根是否存在，如果經(jīng)過檢驗證實序列中存在單位根[15-16]，表明序列是非平穩(wěn)序列?；贏DF檢驗方法就是要證實逆算子()=1-122-,...,-ηζ的根在單位圓之外，并推倒證明出如下的不等式：

如果滿足式（8）中的條件，表明自回歸移動模型及其序列具有平穩(wěn)性，能夠用于對原始故障信號的識別與檢測。

2 傳動系統(tǒng)故障數(shù)據(jù)集采集與標準化處理

汽車傳動系統(tǒng)振動信號的采集必須符合模擬信號采樣定理，信號采集模式的確定依賴于汽車傳統(tǒng)系統(tǒng)的工作狀態(tài)，并根據(jù)實際工況情況適時調(diào)整信號的采樣周期。信號的采樣頻率、采集方式及精度量化等因素決定信號的采樣精度，進而影響到自回歸移動模型及采樣序列的平穩(wěn)性，故障信號采集模塊的結(jié)構(gòu)設(shè)計，如圖2所示。

圖2 傳統(tǒng)系統(tǒng)故障信號采集模塊設(shè)計

采樣過程中故障信號的最高頻率決定采樣頻率，模塊進行A/D轉(zhuǎn)換時位數(shù)會影響到具體的數(shù)據(jù)量化精度，數(shù)模轉(zhuǎn)換后的采樣數(shù)據(jù)進入ARM（Advanced RISC Machines）處理器進行序列化處理。為了獲取更真實的測試結(jié)果，加速傳感器的選擇要綜合考慮設(shè)備的靈敏度、響應(yīng)頻率和模塊體積，因此，選用AD600TICP型傳感器，具有體積小和靈敏度高等優(yōu)點，加速傳感器的參數(shù)設(shè)計如表1所示。

表1 AD600TICP型傳感器的技術(shù)參數(shù)

項目參數(shù)典型值 工作電壓/V15～2530 電流/mA5～105 溫度區(qū)間/℃-20～80 頻率區(qū)間/Hz100～1 000 靈敏度/(mV/g)400

自回歸移動模型能夠處理的時間序列是一組離散型的信號，而加速傳感器提取得汽車傳動系統(tǒng)原始故障信號為連續(xù)型信號，故需要對原始故障信號做離散采樣處理。所確定的采樣間隔過大，無法全部顯示出連續(xù)信號中蘊藏的故障特征信息；如果采樣的間隔過小不僅會提高故障診斷成本，還會限制自回歸移動模型的故障預(yù)測性能。由于時間序列{x}是一組隨機數(shù)，在信號的頻域中會出現(xiàn)高低頻混疊的現(xiàn)象，對于連續(xù)信號的分解基于頻率的波動特征完成。時間序列{x}的確定以高頻特征分布為基準，其頻譜特征具體表現(xiàn)為周期性且頻譜相互分離。如果連續(xù)故障信號的頻帶區(qū)間范圍為[-max,max]，為了避免離散型信號采樣中發(fā)生高低頻的混疊現(xiàn)象，采樣周期ω滿足如下條件：

模型隨機變量的核心參數(shù)相關(guān)系數(shù)ρ通過對原始信號的傅里葉變化及萊文森遞推得到，2表示被檢測離散型信號中噪聲干擾的方差，提取趨勢項后的序列x'的自相關(guān)函數(shù)表達式為

萊文森遞推法采用從遞階到高階的遞推模式，在遞推中選擇適合階次，并求解出每個階次所對應(yīng)的核心參數(shù)。

3 基于升維處理的傳動系統(tǒng)故障特征提取

在傳動系統(tǒng)故障信號的采集及離散化數(shù)模轉(zhuǎn)換過程中，標準化序列容易湮沒于環(huán)境噪聲和系統(tǒng)噪聲當中，通過對故障序列信號的升維處理，能夠達到降噪的目的，同時保留原始信號中的細節(jié)特征。汽車傳動系統(tǒng)的以齒輪組等旋轉(zhuǎn)機械結(jié)構(gòu)為主體，通過對一維信號的升維處理，一方面可以濾除噪聲的干擾，另一方面能夠更有效地控制離散型序列信號的采樣頻率。傳動系統(tǒng)結(jié)構(gòu)中，齒輪組旋轉(zhuǎn)一周編碼器會產(chǎn)生一個同步的脈沖信號，在基于同步信號特征將低維振動信號轉(zhuǎn)換為高維振動信號，具體的轉(zhuǎn)換過程及步驟（Step）如下：

Step 1：按照離散型序列信號同步轉(zhuǎn)速的要求，在一個信號周期內(nèi)將信號分為段；

Step 2：將分段后的序列信號作為振動信號的二維列向量；

Step 3：在一個信號周期內(nèi)的離散型序列的采樣點數(shù)存在差異，為了更為直觀的地分析信號，對信號做升維鏡像變換，形成一個二維的矩陣向量。

Step 4：對二維離散型汽車傳動振動信號的頻率特征、振幅和相位變化做歸一化處理，以便于提取二維向量的故障特征。

升維后序列信號的構(gòu)成與二維紋理圖像相似，在信號序列特征提取過程中，基于局部二值特征算子提取紋理圖像的特征。二維紋理圖像具有移動、旋轉(zhuǎn)灰度不變的優(yōu)點，在一個3×3的窗口內(nèi)局部二值特征算子的灰度轉(zhuǎn)換過程，如圖3所示。

圖3 局部二值特征算子示意圖

以中心點的灰度值作為基礎(chǔ)閾值對區(qū)域內(nèi)其他的像素低做二值化處理，確保其他像素點與中心像素點的局部二值化模式值為1。為了確保局部二值特征算子去適應(yīng)不同的圖像紋理特征，將方形的窗口區(qū)域拓展成為半徑為的圓形區(qū)域，轉(zhuǎn)換的過程如下：

式中，(x,y)是局部二值特征算子的表達式；為窗口內(nèi)像素點的數(shù)量；()為二維紋理圖像中心像素點的灰度值；()為半徑為的圓形區(qū)域內(nèi)第個像素點的灰度值。通過比較窗口中心點像素灰度值及圓形區(qū)域像素點與中心點像素灰度值的差異，具體地描述出故障信號序列中不同元素的局部特征。二維紋理圖像特征提取繼引導(dǎo)濾波過程中，線性平滑參數(shù)的值無法調(diào)整且始終保持固定，無法更好地表現(xiàn)出二維圖像的紋理細節(jié)。一維振動信號轉(zhuǎn)換為二維圖像時，圖像邊緣往往包含著更為豐富的信息，并且部分灰度值以邊緣紋理的形態(tài)出現(xiàn)，在局部二值化模式控制的基礎(chǔ)上基于圖像梯度信息引導(dǎo)濾波處理方式的改進，避免在去噪時造成部分有用信號特征的丟失，引入與二維圖像梯度相關(guān)的邊緣感知因子，確保紋理細節(jié)在圖像中得以更好的保留。因此，梯度邊緣感知因子的使用能夠持續(xù)獲取汽車傳動系統(tǒng)的振動故障特征，并始終與自回歸移動模型離散型序列的特征值保值一致。

4 實驗部分

4.1 實驗平臺搭建與故障數(shù)據(jù)集的采集

汽車傳動系統(tǒng)中變速箱是核心部件，結(jié)構(gòu)最為復(fù)雜，也更容易出現(xiàn)故障，本文以雙離合器自動變速器（Dual Clutch Transmission, DCT）為例驗證文中提出的自回歸移動模型在多種故障類別共存條件下，故障的分類與診斷效果，變速箱齒輪組常見的故障類別包括斷齒、偏心、齒面磨損和齒根磨損等。DCT變速箱是在傳統(tǒng)手動變速箱基礎(chǔ)演化而來，包括兩組離合器和兩套齒輪總成，由于結(jié)構(gòu)設(shè)計上的復(fù)雜程度遠高于手動變速箱及AT變速箱，且電動離合裝置也容易造成輪齒的磕碰，汽車傳動系統(tǒng)DCT變速箱齒輪組的整體結(jié)構(gòu)，如圖4所示。

圖4 DCT變速箱的結(jié)構(gòu)形態(tài)

模擬DCT變速箱的齒輪組結(jié)構(gòu)設(shè)計和實際工作環(huán)境，并加入系統(tǒng)噪聲和環(huán)境噪聲，構(gòu)建故障檢測實驗平臺，如圖5所示。

圖5 汽車傳動系統(tǒng)變速箱故障診斷仿真實驗平臺

基于原始故障信號IMF分量能量比方法，提取了4種故障狀態(tài)下的10組故障信號比值特征（每組故障信號中包含220個故障樣本）如表2所示。

表2 多故障狀態(tài)下的各種故障信號比值特征

故障狀態(tài)斷齒偏心齒面磨損齒根磨損 1組0.432 5150.256 5840.036 1450.045 558 2組0.465 5460.263 5410.026 5840.041 554 3組0.421 5670.298 5490.069 8410.052 587 4組0.401 1150.311 5440.054 8480.056 699 5組0.446 9870.258 9980.025 5410.044 415 6組0.412 3570.254 8740.031 2250.032 254 7組0.402 6590.226 6990.048 5170.085 650 8組0.395 4180.213 6580.045 8850.065 511 9組0.485 4710.244 4780.069 5970.062 597 10組0.478 5520.236 9410.065 2220.052 418

從原始故障信號中的比值特征數(shù)據(jù)集中提取各種故障信號的關(guān)鍵統(tǒng)計數(shù)據(jù)特征，包括最大幅值、平均幅值、均方差等，如表3所示。

表3 故障數(shù)據(jù)集的關(guān)鍵統(tǒng)計特征

統(tǒng)計特征最大幅值平均幅值均方值脈沖頻率 斷齒9.521 47.451 28.512 45.21 偏心17.655 112.415 715.566 44.75 齒面磨損1.251 40.965 41.025 910.23 齒根磨損2.365 11.365 21.754 011.65

4.2 診斷算法的故障分類性能驗證

將全部2 200個包含4種故障特征的故障樣本輸入文中構(gòu)建的自回歸移動模型，并引入3種傳統(tǒng)故障診斷算法參與對比，故障集中包含的故障樣本類型數(shù)量統(tǒng)計結(jié)果如表4所示。

表4 變速箱故障樣本的數(shù)量統(tǒng)計

樣本類別斷齒偏心齒面磨損齒根磨損 數(shù)量/個9131711

各種算法對4種故障類型的分類精度表現(xiàn)，如圖6所示。

圖6 各算法分類精度的對比分析

仿真數(shù)據(jù)結(jié)果顯示，經(jīng)過基于時間序列值的聚類和分類處理后4種變速箱故障類型被明顯地區(qū)分開，且故障分類的精度較高，為變速箱故障精確定位與診斷提供了基礎(chǔ)。

4.3 故障樣本的一致性及診斷精度對比

在故障集中選定了8個樣本點，分別基于本文提出的自回歸移動模型，及時域信號分析、自適應(yīng)模糊學(xué)習(xí)算法及頻域信號分析等三種傳統(tǒng)故障診斷方法，分析各故障信號樣本診斷過程中的樣本均值變化與樣本方差值變化情況，統(tǒng)計結(jié)果如圖7和圖8所示。

圖7 各算法模型故障診斷均值控制對比

自回歸移動模型利用時間序列處理故障信號，一方面能夠有效濾除系統(tǒng)的高斯白噪聲干擾；另一方面在故障樣本的離散化處理和排序方面能夠更好地保證樣本的一致性，圖7和圖8中的仿真結(jié)果顯示：基于自回歸模型的樣本均值被控制在±0.5之內(nèi)，方差值被控制在±0.1之內(nèi)。而經(jīng)過傳統(tǒng)診斷方法的去噪和預(yù)處理之后，故障樣本的均值一致性較差，也導(dǎo)致故障診斷的精度有所降低。

圖8 各算法模型故障診斷方差控制對比

圖7和圖8的變速箱齒輪故障樣本均值、方差檢驗結(jié)果顯示，三種傳統(tǒng)診斷方法下故障樣本均值、方差最大值均超過了0.5，且出現(xiàn)了較為明顯的波動。最后檢驗了4組樣本的平均故障診斷精度，檢驗結(jié)果如表5所示。

統(tǒng)計結(jié)果顯示文中提出的故障診斷算法的故障集平均診斷精度能夠達到99.27%，遠高于3種傳統(tǒng)故障算法，由此驗證了自回歸移動模型在復(fù)雜故障數(shù)據(jù)集診斷中的性能優(yōu)勢。

表5 故障樣本的檢測精度對比

故障樣本樣本數(shù)量/個傳動系統(tǒng)齒輪組診斷算法診斷精度/% 自回歸移動時域模糊學(xué)習(xí)頻域 斷齒54299.2688.1589.6291.17 偏心63199.1186.1992.1592.36 齒面磨損46599.4887.4291.2688.47 齒根磨損56299.2389.1590.1586.14 總計/均值2 20099.2787.7390.8089.54

5 結(jié)論

隨著乘用車總體數(shù)量的不斷提高，車輛的耐用性和安全性受到了越來越多消費者的關(guān)注，傳動系統(tǒng)作為車輛結(jié)構(gòu)中最重要的部件之一，直接影響到駕駛者車乘客的安全。本文基于一種隨機差分思維，構(gòu)建自回歸移動模型，利用時間序列對原始連續(xù)故障信號做離散化處理，并將一維故障信號升維成二維圖像信號，以便完整地拆分及提取不同類別的故障信號特征，模擬實驗結(jié)果也證實了提出傳動系統(tǒng)故障診斷算法的優(yōu)勢。

[1] 孫剛,任尊松,辛欣,等.高速動車組齒輪傳動系統(tǒng)振動特性[J].機械工程學(xué)報,2019,55(18):104-111.

[2] 尹濤,蔡力勛,陳輝,等.基于毫小薄片試樣獲取材料應(yīng)變疲勞性能的測試方法[J].機械工程學(xué)報,2018, 54(10):68-77.

[3] 米承繼,谷正氣,蹇海根,等.基于改進應(yīng)變能密度法的電動輪自卸車車架焊縫疲勞壽命預(yù)測[J].中國機械工程,2019,30(1):96-104.

[4] 王玲,徐培培.基于自適應(yīng)增量學(xué)習(xí)的時間序列模糊聚類算法[J].電子學(xué)報,2019,47(5):9-17.

[5] 汪彩萍,陳炫瑞,衛(wèi)星,等.模糊自適應(yīng)無人駕駛礦井機車故障Petri網(wǎng)模型[J].電子測量與儀器學(xué)報, 2018,32(12):108-117.

[6] 王志永,杜偉濤,王習(xí)文,等.基于振動信號頻域分析法的銑齒機故障診斷[J].制造技術(shù)與機床,2018(3)3: 114-123.

[7] TSENG S H,HUANG T F,YEH J L,et al.Signal Enh- ancement by Fiber-dispersion in Sub-GHz Frequency Domain Biophotonic Diagnosis Systems[J].IEEE Journal of Selected Topics in Quantum Electronics, 2019,25(1):1-7.

[8] ANVARI R,KAHOO A R,MOHAMMADI M,et al. Seismic Random Noise Attenuation Using Sparse Low-Rank Estimation of the Signal in the Time- frequency Domain[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2019,12(5):1612-1618.

[9] 高金輝,劉宏杰,吳雪冰.基于RSSI的差分定位模型在糧庫測溫中的應(yīng)用[J].電子技術(shù)應(yīng)用,2018,44(5): 9-12.

[10] 施泰榮,關(guān)杰,李俊志,等.故障模型下MORUS算法的差分擴散性質(zhì)研究[J].軟件學(xué),2018,29(9):2861-2873.

[11] CAO Y,LI Z,AMELUNG F.Mapping Ground Displac- ement by a Multiple Phase Difference-based Insar Approach:with Stochastic Model Estimation and Tur- bulent Troposphere Mitigation[J].Journal of Geodesy,2019,93:1313-1333.

[12] 趙宏晨,劉曉明,楊瀅璇,等.基于分數(shù)階Tikhonov正則化方法的電弧反演研究[J].電工技術(shù)學(xué)報,2019,34 (1):88-95.

[13] 余恒煒,黎大兵,孫曉娟,等.基于量子隨機數(shù)高斯噪聲信號發(fā)生器研究[J].光學(xué)精密工程,2019(7):1492- 1499.

[14] 王展,朱峰龍,涂偉.互相關(guān)法對主軸振動信號提取的研究[J].組合機床與自動化加工技術(shù),2018(2):87-89.

[15] 王維國,杜重華,薛景.基于邏輯函數(shù)平滑轉(zhuǎn)移模型和截面相關(guān)的非線性面板單位根檢驗[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究,2019,36(1):134-152.

[16] 劉維奇,何瑞霞.基于厚尾時間序列的貝葉斯單位根檢驗[J].工程數(shù)學(xué)學(xué)報,2018,35(2):50-60.

Fault Diagnosis of Automobile Transmission System Based on Autoregressive Moving Model

FU Xiaodan

( Jiangsu Polytechnic of Information Technology, Wuxi 214000, China )

Aiming at the complex fault set of automobile transmission system, a fault diagnosis algorithm based on autoregressive moving model is proposed. Based on the random difference theory, the timing model of the fault signal is constructed, and various parameters affecting the sequence value are determined. The original fault data is collected, and A/D conversion and data standar- dization are carried out. In order to retain the original features of the discrete data and reduce the interference of system noise, two-dimensional texture images are formed by using the concept of data dimension enhancement.Local binary feature operators are used to extract the details of two-dimen- sional images. The experimental results show that the proposed algorithm has better fault feature classification performance and sample test consistency, with an average diagnosis accuracy of 99.27%.

Autoregressive moving model; Transmission case; Gear set; Discrete type; Dimension increasing processing

TP306

A

1671-7988(2023)20-110-07

10.16638/j.cnki.1671-7988.2023.020.022

付小丹（1981－），女，碩士，講師，研究方向為汽車專業(yè)教學(xué)，E-mail:2315656991@qq.com。