基于自回归移动模型汽车传动系统故障诊断.pdf

测试试验AUTOMOBILEAPPLIEDTECHNOLOGY2023 年10.16638/ki.1671-7988.2023.020.022基于自回归移动模型汽车传动系统故障诊断付小丹（江苏信息职业技术学院，江苏无锡2 140 0 0）摘要：针对复杂汽车传动系统故障集，提出基于自回归移动模型的故障诊断算法研究。以随机差分理论为基础构建故障信号的时序模型，并确定影响序列值的各种参数，采集原始故障数据，进行A/D转换和数据标准化处理，为保留离散型数据的原始特征并降低系统噪声干扰，采用数据升维理念形成二维纹理图像，并利用局部二值特征算子提取二维图像的细节。实验结果显示，提出诊断算法具有更好故障特征分类性能和样本检验一致性，平均诊断精度可以达到99.2 7%。关键词：自回归移动模型；变速箱；齿轮组；离散型；升维处理中图分类号：TP306文献标识码：AFault Diagnosis of Automobile Transmission System Based(Jiangsu Polytechnic of Information Technology,Wuxi 214000,China)Abstract:Aiming at the complex fault set of automobile transmission system,a fault diagnosisalgorithm 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 sequencevalue 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 theinterference of system noise,two-dimensional texture images are formed by using the concept of datadimension 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 featureclassification performance and sample test consistency,with an average diagnosis accuracy of99.27%.Keywords:Autoregressive moving model;Transmission case;Gear set;Discrete type;Dimensionincreasing processing汽车传动系统是汽车发动机与驱动轮之间的作者简介：付小丹（198 1一），女，硕士，讲师，研究方向为汽车专业教学，E-mail:。文章编号：16 7 1-7 98 8(2 0 2 3)2 0-110-0 7on Autoregressive Moving ModelFU Xiaodan连接与动力输出装置，由变速器、离合器、传动第2 0 期轴、半轴、减速器和差速器等构成。传动系统主要负责发动机动力的传输，及扭矩大小的调整，传动系统的基础结构主要由齿轮组构成，设计较为复杂，在极端或恶劣的路况条件下容易引发系统故障,在车辆检修和保养中如果能够及时识别和检测出传动系统的故障，早预防早排除，可以在很大程度上降低车辆行驶中发生事故的概率。汇总现有对汽车传动系统性能衰减、退化及故障诊断的研究，主要包括以下几种主流的解决方案：尹涛、米承继等通过构建机械系统疲劳度方程，对传动系统的时域信号进行分析，以此判断是否存在机械故障的隐患2-3，王玲、汪彩萍等提出一种自适应模糊学习算法，通过对采集到的故障样本数据进行训练，构建故障信号处理模型，但上述两种基于时域信号的处理方案在信号分解、卷积过程中会导致信号失真，并且环境噪声抑制的效果较差4-；王志永等0 提出基于频域故障信号处理的诊断方案，但在复杂的工况下所提取到的传动系统齿轮结构的频率、相位和幅值特征具有很大的随机性7,信号傅里叶变换的准确性会受到很大影响，导致故障诊断的精度降低8。针对汽车行驶较为复杂的工作场景，本文从时间序列和参数评估的视角出发，提出基于自回归模型的故障诊断方案研究，通过对故障振动信号序列平稳性的判断，获取最优的故障诊断结果。1故障信号诊断的自回归移动模型自回归移动模型本质上是一种基于故障信号观测时间序列而建立随机差分模型9-10 1，利用该模型能够揭示出原始故障信号序列中隐含的统计特征。汽车传动系统工作中产生的振动信号属于一种随机变量1，通过对信号的时间序列分析，可以识别出故障信号的统计特征。用(xi)代表原始故障信号时间轴上无限延伸的一组时间序列，序列模型可以表示为,=g(xi-1,Xi-2.,Xi-n)+8,式中，g为描述时间序列的函数；n为序列的中随机变量的数量，条件满足n+o；,为t时刻序列模型中出现的干扰项，通常假定&t是在空间内服从正态分布的t-n维向量；在t时刻之前序列满足如下条件：(（2)通常假定干扰项&t为一组服从正态分布的高付小丹：基于自回归移动模型汽车传动系统故障诊断故障信号x，的线性表达为X,=T,X-I+T2Xf-2+.+t,Xi-n+8,如果用表示模型时间序列向后移动的一个算子，则f又可以表示为,(-Tis-T2s-.-T,s),=-,(s).用n()表示后移算子的逆算子12，即：(s)(s)-s-m2s-.-ms则式（3）可以被改写为X,=8,-N18i-1-n28i-2-.,-nmet-m时间序列后移算子的逆算子在功能上等同于一个线性滤波器，那么汽车传动装置原始故障信号的时间序列可以视为一组由独立白噪声输入构成的序列13-14。按照时间序列与自回归建立的思想，用于传动信号故障诊断的阶自回归移动模型表示为(7)i1i=1自回归模型构建的关键点是能够确定出用于传动系统故障信号识别与检测的时间序列，并准确确定出影响序列值的各种参数，具体的时间序列模型应用流程，如图1所示。开始立时间序列输入NY序列平稳性检验序列的差分运算数据采集、标准化参数调整与估计支(1)模型性能检验Y数据升维与特征提取故障预测图1时间序列回归模型应用流程基于时间序列构建的自回归移动模型，需要检验时间序列的平稳性，因为序列中每个因素的变化具有一定的随机性。采用自动方位搜寻器111斯白噪声序列，且序列中各变量相互独立，原始(3)（4)(5)(6)N112（A u t o m a t ic D ir e c t io n Fin d e r,A D F）检验方法核实序列中的单位根是否存在，如果经过检验证实序列中存在单位根15-16，表明序列是非平稳序列。基于ADF检验方法就是要证实逆算子n()=1-niC-2-m的根在单位圆之外，并推倒证明出如下的不等式：In nm2 mm 1 如果满足式（8）中的条件，表明自回归移动模型及其序列具有平稳性，能够用于对原始故障信号的识别与检测。2传动系统故障数据集采集与标准化处理汽车传动系统振动信号的采集必须符合模拟信号采样定理，信号采集模式的确定依赖于汽车传统系统的工作状态，并根据实际工况情况适时调整信号的采样周期。信号的采样频率、采集方式及精度量化等因素决定信号的采样精度，进而影响到自回归移动模型及采样序列的平稳性，故障信号采集模块的结构设计，如图2 所示。电荷电压加速信号！放大信号滤波器信AD数据电路转换传感器滤波频率图2 传统系统故障信号采集模块设计采样过程中故障信号的最高频率决定采样频率，模块进行A/D转换时位数会影响到具体的数据量化精度，数模转换后的采样数据进入ARM（A d v a n c e d RI SC M a c h in e s）处理器进行序列化处理。为了获取更真实的测试结果，加速传感器的选择要综合考虑设备的灵敏度、响应频率和模块体积，因此，选用AD600TICP型传感器，具有体积小和灵敏度高等优点，加速传感器的参数设计如表1所示。表1AD600TICP型传感器的技术参数项目典型值工作电压/V1525电流/mA510温度区间/-2080频率区间/Hz1001.000灵敏度/(mV/g)400汽车实用技术自回归移动模型能够处理的时间序列是一组离散型的信号，而加速传感器提取得汽车传动系统原始故障信号为连续型信号，故需要对原始故障信号做离散采样处理。所确定的采样间隔过大，无法全部显示出连续信号中蕴藏的故障特征信息；如果采样的间隔过小不仅会提高故障诊断成（8)本，还会限制自回归移动模型的故障预测性能。由于时间序列(xi)是一组随机数，在信号的频域中会出现高低频混叠的现象，对于连续信号的分解基于频率的波动特征完成。时间序列(xi)的确定以高频特征分布为基准，其频谱特征具体表现为周期性且频谱相互分离。如果连续故障信号的频带区间范围为-max,max，为了避免离散型信号采样中发生高低频的混叠现象，采样周期,满足如下条件：0;20mx由于最高采样频率fmax的值为的采样时间间隔t需要满足下面的条件限制：t2fmax确定时间频率、采样周期后对样本信号做正电压采样ARM参数3052023年(9)max，2元，则最优1(10)态性检验和逆序检验，验证时间序列的分布概率特征是否具有正态性。数据标准化预处理前时间序列(xi)应满足零均值、正态性和平稳性等基本特征，只有经过标准化处理后离散性故障序列信号，才能适用于自回归移动模型的使用要求。时间序列中(xi)中包含趋势项，先提取序列中的趋势项，并估算出全部样本的均值，观测序列的标准化过程如下：(11)62式中，x为提取趋势项后的序列；为满足正态分布方差统计量；样本均值和方差?是描述离散型时间序列最关键的参数统计量，会影响到对检测系统做出判断的准确性。通过离散型采样和数模转换、标准化处理后得到的仅是大量的低维观测数据，模型的最关键参数相关系数，需要通过对大量原始故障信号做数据训练和分析才能得到预估结果。如果设函数k(i)是自回归移动模型的自相关函数，利用莱文森递推算法预测自回归模型序列中各变量之间的自相关系数，递推矩阵表示如下：第2 0 期k(0)k(1)k(1)k(0)k(2)k(1)k(n)k(n-1)k(n-2).模型随机变量的核心参数相关系数p;通过对原始信号的傅里叶变化及莱文森递推得到，表示被检测离散型信号中噪声干扰的方差，提取趋势项后的序列x的自相关函数表达式为k(0)=之*()(+)k=0莱文森递推法采用从递阶到高阶的递推模式，在递推中选择适合阶次，并求解出每个阶次所对应的核心参数。3基于升维处理的传动系统故障特征提取在传动系统故障信号的采集及离散化数模转换过程中，标准化序列容易没于环境噪声和系统噪声当中，通过对故障序列信号的升维处理，能够达到降噪的目的，同时保留原始信号中的细节特征。汽车传动系统的以齿轮组等旋转机械结构为主体，通过对一维信号的升维处理，一方面可以滤除噪声的干扰，另一方面能够更有效地控制离散型序列信号的采样频率。传动系统结构中，齿轮组旋转一周编码器会产生一个同步的脉冲信号，在基于同步信号特征将低维振动信号转换为高维振动信号，具体的转换过程及步骤（Step）如下：Stepl：按照离散型序列信号同步转速的要求，在一个信号周期内将信号分为N段；Step2：将分段后的序列信号作为振动信号的二维列向量yi;Step3：在一个信号周期内的离散型序列的采样点数存在差异，为了更为直观的地分析信号，对信号做升维镜像变换，形成一个二维的矩阵向量。Step4：对二维离散型汽车传动振动信号的频率特征、振幅和相位变化做归一化处理，以便于提取二维向量的故障特征。升维后序列信号的构成与二维纹理图像相似，在信号序列特征提取过程中，基于局部二值特征算子提取纹理图像的特征。二维纹理图像具有移动、旋转灰度不变的优点，在一个3X3的窗付小丹：基于自回归移动模型汽车传动系统故障诊断k(2)k(n)1o27k(2).k(n-1)P1k(0).k(n-2)P2=0(12)k(0)JLP,o (13)4实验部分4.1实验平台搭建与故障数据集的采集汽车传动系统中变速箱是核心部件，结构最为复杂，也更容易出现故障，本文以双离合器自动变速器（Dual Clutch Transmission,DCT）为例验证文中提出的自回归移动模型在多种故障类别共存条件下，故障的分类与诊断效果，变速箱齿轮组常见的故障类别包括断齿、偏心、齿面磨损113口内局部二值特征算子的灰度转换过程，如图30所示。47图3局部二值特征算子示意图以中心点的灰度值作为基础阈值对区域内其他的像素低做二值化处理，确保其他像素点与中心像素点的局部二值化模式值为1。为了确保局部二值特征算子去适应不同的图像纹理特征，将方形的窗口区域拓展成为半径为R的圆形区域，转换的过程如下：L(x,y)=Zp(5(h)-5(c)1式中，L(xiyi)是局部二值特征算子的表达式；h为窗口内像素点的数量；(c)为二维纹理图像中心像素点的灰度值；(h)为半径为R的圆形区域内第 h个像素点的灰度值。通过比较窗口中心点像素灰度值及圆形区域像素点与中心点像素灰度值的差异，具体地描述出故障信号序列中不同元素的局部特征。二维纹理图像特征提取继引导滤波过程中，线性平滑参数的值无法调整且始终保持固定，无法更好地表现出二维图像的纹理细节。一维振动信号转换为二维图像时，图像边缘往往包含着更为丰富的信息，并且部分灰度值以边缘纹理的形态出现，在局部二值化模式控制的基础上基于图像梯度信息引导滤波处理方式的改进，避免在去噪时造成部分有用信号特征的丢失，引入与二维图像梯度相关的边缘感知因子，确保纹理细节在图像中得以更好的保留。因此，梯度边缘感知因子的使用能够持续获取汽车传动系统的振动故障特征，并始终与自回归移动模型离散型序列的特征值保值一致。56382901010001(14)114和齿根磨损等。DCT变速箱是在传统手动变速箱基础演化而来，包括两组离合器和两套齿轮总成，由于结构设计上的复杂程度远高于手动变速箱及AT变速箱，且电动离合装置也容易造成轮齿的磕碰，汽车传动系统DCT变速箱齿轮组的整体结构，如图4所示。图4DCT变速箱的结构形态模拟DCT变速箱的齿轮组结构设计和实际工作环境，并加入系统噪声和环境噪声，构建故障检测实验平台，如图5所示。电控中心电控传感器电机系统变速箱齿轮图5汽车传动系统变速箱故障诊断仿真实验平台基于原始故障信号IMF分量能量比方法，提取了4种故障状态下的10 组故障信号比值特征（每组故障信号中包含2 2 0 个故障样本）如表2所示。表2 多故障状态下的各种故障信号比值特征故障状态断齿1组0.4325152组0.465 5463组0.421 5674组0.401 1155组0.446 9876组0.412 3577组0.402 6598组0.395 4189组0.485 47110组0.478552汽车实用技术从原始故障信号中的比值特征数据集中提取各种故障信号的关键统计数据特征，包括最大幅值、平均幅值、均方差等，如表3所示。表3故障数据集的关键统计特征统计特征最大幅值平均幅值均方值脉冲频率断齿9.521 4偏心17.655 1齿面磨损1.251 4齿根磨损2.36514.2诊断算法的故障分类性能验证将全部2 2 0 0 个包含4种故障特征的故障样本输入文中构建的自回归移动模型，并引入3种传统故障诊断算法参与对比，故障集中包含的故障样本类型数量统计结果如表4所示。表4变速箱故障样本的数量统计样本类别断齿偏心齿面磨损齿根磨损数量/个9各种算法对4种故障类型的分类精度表现，如图6 所示。S6IS67100数据采集器偏心齿面磨损齿根磨损0.2565840.0361450.263 5410.026 5840.298 5490.069.8410.311 5440.054 8480.258.9980.025 5410.2548740.0312250.032.2540.226 6990.0485170.213 6580.0458850.244 4780.069.5970.236 9410.0652222023年7.451 28.512 412.415.715.566 40.965 41.02591.365 21.754 01317+66858电机轴80%/60402000图6 各算法分类精度的对比分析仿真数据结果显示，经过基于时间序列值的聚类和分类处理后4种变速箱故障类型被明显地0.045558区分开，且故障分类的精度较高，为变速箱故障0.041 554精确定位与诊断提供了基础。0.052.5874.3故障样本的一致性及诊断精度对比0.056 699在故障集中选定了8 个样本点，分别基于本0.044 415文提出的自回归移动模型，及时域信号分析、自适应模糊学习算法及频域信号分析等三种传统故0.0856500.065 5110.062 5970.0524185.214.7510.2311.6511666348断齿偏心故障类型区自回归时域模糊学习频域障诊断方法，分析各故障信号样本诊断过程中的样本均值变化与样本方差值变化情况，统计结果如图7 和图8 所示。84齿面磨损齿根磨损第2 0 期2.52.01.51.00.50-0.5-1.0-1.5-2.0-2.50图7 各算法模型故障诊断均值控制对比自回归移动模型利用时间序列处理故障信号，一方面能够有效滤除系统的高斯白噪声干扰；另一方面在故障样本的离散化处理和排序方面能够更好地保证样本的一致性，图7 和图8 中的仿真结果显示：基于自回归模型的样本均值被控制在0.5之内，方差值被控制在0.1之内。而经过传统诊断方法的去噪和预处理之后，故障样本的均值一致性较差，也导致故障诊断的精度有所降低。0.50.40.30.2上0.1-0.10.2-0.3-0.40.5027555082511001375165019252200样本点区自回归时域模糊学习频域图8 各算法模型故障诊断方差控制对比图7 和图8 的变速箱齿轮故障样本均值、方差检验结果显示，三种传统诊断方法下故障样本均值、方差最大值均超过了0.5，且出现了较为明显的波动。最后检验了4组样本的平均故障诊断精度，检验结果如表5所示。统计结果显示文中提出的故障诊断算法的故障集平均诊断精度能够达到99.2 7%，远高于3种传统故障算法，由此验证了自回归移动模型在复付小丹：基于自回归移动模型汽车传动系统故障诊断自回归时域个移动断齿542偏心631齿面磨损465齿根磨损56227555082511001375165019252200样本点区自回归时域模糊学习频域HHHH-H2尹涛,蔡力勋,陈辉,等.基于毫小薄片试样获取材料应变疲劳性能的测试方法J.机械工程学报,2 0 18,54(10):68-77.3米承继,谷正气,塞海根,等.基于改进应变能密度法的电动轮自卸车车架焊缝疲劳寿命预测J.中国机械工程,2 0 19,30(1):96-10 4.4王玲,徐培培.基于自适应增量学习的时间序列模糊聚类算法J.电子学报,2 0 19,47(5):9-17.5汪彩萍陈炫瑞,卫星，等.模糊自适应无人驾驶矿井机车故障Petri 网模型J.电子测量与仪器学报，2018,32(12):108-117.6王志永,杜伟涛,王习文,等.基于振动信号频域分析法的铣齿机故障诊断.制造技术与机床,2 0 18(3)3:114-123.7TSENG S H,HUANG T F,YEH J L,et al.Signal Enh-ancement by Fiber-dispersion in Sub-GHz FrequencyDomain Biophotonic DiagnosisSystemsJJ.IEEEJournal of Selected Topics in Quantum Electronics,2019,25(1):1-7.115杂故障数据集诊断中的性能优势。表5故障样本的检测精度对比样本传动系统齿轮组诊断算法诊断精度/%故障样本数量/99.2699.1199.4899.23总计/均值2.2005结论随着乘用车总体数量的不断提高，车辆的耐用性和安全性受到了越来越多消费者的关注，传动系统作为车辆结构中最重要的部件之一，直接影响到驾驶者车乘客的安全。本文基于一种随机差分思维，构建自回归移动模型，利用时间序列对原始连续故障信号做离散化处理，并将一维故障信号升维成二维图像信号，以便完整地拆分及提取不同类别的故障信号特征，模拟实验结果也证实了提出传动系统故障诊断算法的优势。参考文献1孙刚,任尊松,辛欣,等.高速动车组齿轮传动系统振动特性J.机械工程学报,2 0 19,55(18):10 4-111.模糊频域学习88.1589.6286.1992.1587.4291.2689.1590.1599.2787.7391.1792.3688.4786.1490.8089.541168ANVARI R,KAHOO A R,MOHAMMADI M,et al.Seismic Random Noise Attenuation Using SparseLow-Rank Estimation of the Signal in the Time-frequency DomainJj.IEEE Journal of Selected Topicsin Applied Earth Observations&Remote Sensing,2019,12(5):1612-1618.9高金辉,刘宏杰,吴雪冰.基于RSSI的差分定位模型在粮库测温中的应用.电子技术应用,2 0 18,44(5):9-12.10 施泰荣,关杰,李俊志,等.故障模型下MORUS算法的差分扩散性质研究J.软件学,2 0 18,2 9(9):2 8 6 1-2 8 7 3.11 CAO Y,LI Z,AMELUNG F.Mapping Ground Displac-ement by a Multiple Phase Difference-based InsarApproach:with Stochastic Model Estimation and Tur-bulent Troposphere MitigationJJ.Journal of Geodesy,汽车实用技术2019,93:1313-1333.12 赵宏晨,刘晓明,杨滢璇,等.基于分数阶Tikhonov 正则化方法的电弧反演研究J.电工技术学报,2 0 19,34(1):88-95.13余恒炜,黎大兵,孙晓娟,等.基于量子随机数高斯噪声信号发生器研究J.光学精密工程,2 0 19(7):1492-1499.14 王展,朱峰龙,涂伟.互相关法对主轴振动信号提取的研究1.组合机床与自动化加工技术,2 0 18(2):8 7-8 9.15 王维国,杜重华,薛景.基于逻辑函数平滑转移模型和截面相关的非线性面板单位根检验.数量经济技术经济研究,2 0 19,36(1):134-152.16 刘维奇，何瑞霞.基于厚尾时间序列的贝叶斯单位根检验J.工程数学学报,2 0 18,35(2):50-6 0.2023年