汽车传动系统机械故障诊断方法的研究

邹志辉 喻鑫

（江铃汽车股份有限公司，江西南昌 330000）

1 概述

对于车辆，动力系统是汽车的最核心部分，对于重型的汽车来说，由于汽车的结构组成部件多，组成模式多样，这就造成部件的拆装困难和维护困难。因此增强系统的性能可靠性，达到不用拆卸下来就能维修的功能刻不容缓。解决这一问题最常用的方法是进行状态的检测和故障的监测。

在研究汽车传动系统的特点之后，本文针对性的提出运用小波分析来处理这些问题，在进行对象特征提取的基础上，对机械故障进行有效的探究。

小波变化把信号分成空间和维度上分别独立的两个参量，这是在原有信号信息不改变的情况下，相当于具有放大能力的数学显微镜，并且也有检测信号的能力。

神经网络的特点是可以大规模学习，还可以互动记忆、自我学习，具有很强的适应性，为实现智能诊断提供了新的契机。可以解决残缺的知识，并能对复杂模型做出分类决策。

灰色系统理论是一种新的理论方法。近年来，灰色系统理论（主要是灰色关联分析）在机械系统状态监测与诊断中的应用取得了良好的进展。

现代机械系统的内部结构越来越复杂。监测和故障诊断中提取的信噪比很低，单传感器监测显然不能满足要求，数据融合技术可以综合处理多种信息源，有效解决上述问题，提高诊断准确率。

为了检验不同方法的有效性和应用程度，本文将CA10B 汽车变速器的常见故障与Q6170 车轴的疲劳性能进行了比较。从汽车车间收集的CA10B 汽车变速器变速器和储能故障中选取了5 个典型故障，即齿轮断裂、二档外圈腐蚀。2 档内外环腐蚀，在QQ6170 轿车转向桥疲劳寿命试验中，比较了微齿条和二挡齿轮在二次波根部的点蚀与变速器的点蚀情况。对整个过程进行监控，试验速度保持恒定，逐渐增加规定的载荷值，继续工作直至驱动桥损坏。用不同的方法记录、处理和分析两次试验的振动加速度信号。

2 齿轮轴承故障信息的特征提取

为了快速检测错误，必须监控最敏感的参数。通常，特征参数仅对某些类型的误差敏感。仅使用一个或多个参数很难完全反映设备的运行状态。因此，根据具体的诊断对象确定最有效的误差特征参数是非常必要的。

2.1 平稳信号的特征提取

从实际监测中获得的平稳信号包含了重要的设备状态信息，通过比较这些数字特性在不同速度和不同误差状态下的变化可以看出，在不同的速度和误差状态下确定：它们对不同的误差有不同的灵敏度，从不同的角度反映了机器的状态。

2.2 小波变换

错误诊断中出现的信号并不总是稳定的。例如，当传输中断时，电流脉冲信号必须被触发，但傅里叶变换很难及时检测到突变信号。根据波形变换的特性，可以检测和诊断突变信号。

2.2.1 小波变换过零表示与体征提取

在小波变换中，为了寻找最为合适的小波函数，就要找到反应最初信号的特征值，这样在之后的故障诊断中，机器工作时的重要信息就会在震动信号里反映出来。

可知Wsf（t）正比于f（t）经θs（t）平滑后的二阶导函数，Wsf（t）的过零点对应于f*θs（t）的拐点，即f（t）突变信号的位置。对于机械故障诊断，通常指机器发生故障的时间。因此，选取平滑函数的二阶导数作为小波基函数，研究信号波形短时突变函数的提取。

以Zn（n∈Z）表示过零点，定义en

这里，总距离以及两个信号f（t）和g（t）之间的距离可以通过x 值的间隔差来确定，并且测量信号和标准干扰信号之间的接近度可以根据总距离来确定。它可以用于错误分类。

图1 显示了波长齿轮的波长形成和波长信号的零交叉表示曲线，脓肿表示时间，顺序表示刻度，0 轴实线表示原始信号。-轴1～5 的虚线表示波的细节信号，实线表示零交叉曲线。根据图中零交叉的分布，零交叉由粗到细（由大到小）连接。突变信号的类型可以根据CAI0B 传输的振动信号，通过波变换的零交叉点与自身矢量之间的距离来确定。

图1 CA10B 变速器故障信号小波变换表示

2.2.2 小波变换的模极大值与特征提取

可以确定组合导数以及组合导数中的，Wsf（s，t）和f（t）与平衡导数成正比。对于某一比例，s 是Wsf（s，t）的最大值。如果f（t）的等效宽度足够小，Wsf（s，t）的极点必须接近模f（t）的最大值。如果它接近于0，则θs（t）的等效宽度接近于零θs（t）的组合，因此它接近于组合函数附近的组合平面。这是小波变换的时域位置，也是提取小波变换模块最大特征的基础。从小波变换形成的最大调制角度来看，机械振动突变点的位置往往与机械故障时间相对应，由同一突变点导出的各尺度的最大点形成一条最大线。

总之，误差时间可以通过测量信号波变换的过零位置来确定；根据最大模线构造误差分类曲线，信号之间的距离可作为误差分类的依据。

3 神经网络和灰色系统理论在故障诊断中的应用

在常用的故障检测方法中，最有用的方法是神经网络分析和灰色系统理论，虽然两个都以当作模式识别的分类器，但是这两种方法在根本原理上面还有一定的区别，在面对不同的实际情况时，要采取所对应的不同的方法，这样才能解决问题。

3.1 神经网络

在机械故障诊断领域，人工神经网络可以作为模式识别的分类设备。模式匹配和分类可以通过网络计算实现，错误分类（在实际输出和理想输出之间）通过网络向后传播。然后改变网络层的值，实现包括网络误差在内的网络系数的动态自适应。

在特征提取的基础上，利用单层隐层BP 网络对CA10B 汽车变速器的试验数据进行了分析和计算，分别计算了不同的速度，例如在一定的速度下，六个典型的误差样本和每个样本的五种误差状态选择通道形成一组36 个样本组成网络，然后从每个记录的错误状态信号中随机选择一个样本。结果表明，样本3的第三个通道和样本4 的第四个通道的数据不理想，但其他样本的结果都非常好，这证明了网络结构的有效性。

图2 CA10B 变速器故障信号的小波变换

3.2 灰色系统理论

控制论扩展了灰色系统的灰色概念。通过振动监测和分析对设备状态进行评价是一个灰色系统的轻量化过程，曲线越接近，相应序列间的相关性越高，反之亦然。

目前，灰色关联分析主要用于多参数机械故障诊断，这里称为多参数灰色关联诊断。其基本原理是设备或部件的状态向量由多个参数组成，表示设备或部件的状态；建立标准状态向量；通过比较每个标准状态向量和每个待定状态向量之间的相关性来评估每个待定状态向量所属的状态。

4 数据融合技术及其在故障诊断中的应用

数据融合是一种信息处理过程，其中计算机分析和综合多个传感器的观测信息，以完成必要的决策和估计任务。数据融合的基本原理是将多个传感器及其信息进行组合，根据一定的标准在空间和时间上进行冗余或互补观测，以获得对观测对象的单边解释或描述。

数据集成分为三个层次：像素级集成、特征级集成和决策级集成。决策层集合提供了更大的信息处理灵活性，需要更大范围的信息传输，能够有效地组合反映环境或目标的信息，以及异步信息处理。因此，对决策层数据集成的研究取得了显著的成果。

5 汽车故障

汽车故障诊断技术注意点：

如果发生故障，车辆基本上处于服务状态，驾驶员是第一个在故障点实现快速处理车辆故障的人。驾驶员必须学会掌握常见的故障诊断方法，建立错误诊断系统，及时处理可处理的小错误，如果无法处理，维修人员可在到达现场后提供相关信息。

5.1 科学。如果维修人员或驾驶员不了解车辆的内部结构，则在发生错误时应遵循“科学”诊断的原则。必须在错误信息、诊断目录、标准参考等不同方面进行科学指导。诊断后的维护工作也必须按照标准说明进行，

5.2 驾驶员是故障的第一个见证人，故障发生后，车辆应主动诊断故障，无需等待维修人员到达犯罪现场。可及时进行早期故障诊断，避免故障增加。

5.3 参考文献。诊断技术的应用必须以标准诊断参数为基础，而标准诊断参数对故障的纠正至关重要。在汽车维修行业中，系统参数和零部件参数作为诊断参数，维修人员应主动控制参数信息。

5.4 相关性。故障诊断技术应与有针对性的诊断方法结合使用，这是确定故障类型、位置和影响的必要先决条件。可以通过其他参数间接诊断，并结合振动、噪声、温度等因素进行诊断。

如果我们能掌握一些常见的诊断技术，我们还可以加快故障评估，并尽快制定故障处理计划，掌握同一模型的一般形式可以作为处理同一问题的基础。

6 结论

根据汽车传动系统主要部件的特性，结果表明，特征参数和分析方法对不同的误差比较敏感。

机械传动结构作为汽车的核心部件，直接影响着汽车的性能。常见故障为发动机起动异常、油箱供油异常，这通常会导致机械功率损失。

将神经网络和灰色系统理论应用于单传感器信号的诊断决策。实验结果表明：神经网络可以通过自身的学习机制在错误症状和错误模式之间建立复杂的映射关系，灰色关联分析可以根据特征曲线的相似性来评估错误模式。

将数据融合的思想引入机械故障诊断领域，通过特征层融合技术将神经网络单传感器诊断和灰色关联分析的结果转化为基于证据的模型，本文提出的方法和理论仍在研究中。

由于汽车内部机械结构的复杂性，机械故障的诊断和处理往往面临很大的困难。驾驶员控制错误处理方法、培训维修人员以及提高驾驶员在日常驾驶中避免错误的意识也很重要。