汽車變速器軸承故障診斷方法研究

趙宏磊 黃守斌

摘 要：近些年，隨著交通事故頻發，人們對汽車的安全性能也有所提高。汽車變速器是汽車的關鍵組成部分，它具有傳動力矩大、傳動比固定、結構緊湊等優點，它在汽車行駛中起著重要作用，其發生故障會對汽車造成嚴重影響。據統計，變速器失效部件主要集中在三類零件：齒輪、軸承、軸和軸系，它們占據了90﹪左右的失效比。因此，對軸承進行狀態檢測和故障診斷，從而保證其安全可靠地運行，對提高變速器乃至汽車的安全性能都有重要的意義。

關鍵詞：汽車變速器；軸承故障；故障診斷

1 變速器的概念和工作特點

汽車變速器可以使汽車的發動機等設施發揮出最佳的性能，當汽車在行駛時，變速器可以調整發動機和車輪的速度，從而產生不同的變速比。汽車變速器的工作方法是通過換擋使汽車的發動機和汽車發揮最佳的動力性能狀態。但是就目前發展趨勢而言，越來越多的汽車采用自動化方式，所以變速器的未來發展方向是多樣化的，主要潮流是自動變速器，但發展形式還比較復雜。

2 變速器軸承的主要故障形式

（1）磨損。產生磨損有幾個原因：一是因為密封不良而有異物進入了軸承內部；二是潤滑不當，如潤滑介質中存在雜質、潤滑劑選擇不當等；三是軸承本身存在金屬顆粒脫落，繼而形成磨粒磨損；四是由于軸承運轉環境中的溫度變化所產生的冷凝水使得軸承產生銹蝕，也會導致軸承發生磨損。（2）疲勞剝落。在軸承運轉過程中，在各接觸表面反復受到接觸應力的作用，其接觸面金屬會以點狀或片狀形式剝落下來，即疲勞剝落。造成疲勞剝落的因素有很多，有些因素與軸承的生產制造有關，如材料選擇、工藝流程等，有些因素與軸承的使用有關，如軸承安裝、軸承配合、軸承密封、軸承維護等。（3）腐蝕。金屬由于化學反應或電化學反應所引起的物質消耗，稱為腐蝕。針對軸承而言，產生腐蝕的原因有以下幾個：第一是軸承運轉環境濕度大；第二是軸承潤滑劑中含有酸性或堿性物質；第三是密封裝置不嚴；第四是軸承清洗、存放不當。

3 常見的診斷方法及其局限性

3.1 應用模糊識別理論診斷故障

模糊理論是通過模仿人的思維方式來處理系統的不確定性和模糊性，它運用不確定性程度來描述變量。它最大的特點是其模糊規則庫可以直接利用專家知識構造，因而能夠充分利用和有效處理專家的語言知識和經驗。模糊模型的方法是用模糊模型來描述正常工作的系統。模糊模型用來產生系統輸出的預測值，以系統的實際值和預測值之差作為殘差，根據殘差檢測系統是否發生故障。對于復雜系統來說，這種模型將需要大量的模糊規則，因此在實際應用中將會遇到規則難以獲取和診斷速度需要提高的問題。

3.2 應用專家系統診斷故障

這是診斷技術的一種高級形式，又稱為知識庫咨詢系統，它是一個擁有人工智能的計算機系統。專家系統的具體實施步驟是：它事先將有關專家的知識加以總結分類，形成規則存入計算機中，然后根據自動采集或外部輸入的原始數據，模擬專家的推理、判斷與思維過程，解決故障檔案建立狀態識別以及自動決策中的各種復雜問題，最后做出正確的操作指導、問題咨詢和處理對策。這種系統還具有學習功能，可以方便的增加、修改和刪除知識庫中的知識，同時還能高度模仿各個專家辯證實施診斷的思維方法，促使診斷水平能夠不斷提高。但專系統的應用依賴于專家的領域和知識獲取，知識獲取被公認為專家系統研究開發中的“瓶頸”問題；專家系統容錯能力較差，當系統復雜時，知識庫的構成和維護復雜且困難，推理的效率受到限制。

3.3 應用支持向量機診斷故障

支持向量機建立在統計學習理論基礎之上，統計學習理論是一種專門研究小樣本情況下機器學習（包括模式識別）規律的理論。支持向量機體系由支持向量機分類和支持向量回歸兩部分構成。支持向量機分類的基本算法是二分類，在二分類的基礎上可推廣到多分類，能夠在只有較少樣本的情況下很好地解決分類問題。支持向量機的回歸算法推廣能力強，較好地解決了小樣本、非線性和高維數問題，能夠高精度地模擬復雜系統的動態特性，因而在故障預測方面取得了有效的應用。

4 基于支持向量機的滾動軸承故障診斷

故障診斷與故障程度分類是利用支持向量機模型進行的，其分為獲取待分類樣本、建立預測模型、識別故障類型與程度三個步驟。在建立預測模型階段，首先采集軸承的時域信號，然后對信號進行CEEMD分解，每一組信號會被分解成多組IMF分量，然后求取多組IMF分量的峭度指標，將這些指標組成一個高維特征矩陣，然后采用拉普拉斯分值的方法選取敏感度高的特征，在高維特征矩陣基礎上進行降維，形成低維特征矩陣。然后將該特征矩陣分為兩部分，一部分作為訓練樣本，用來訓練支持向量機模型，一部分作為測試樣本，用來檢測該模型的準確性。同時，采用粒子群優化算法對支持向量機的參數進行優化，最后得出該支持向量機模型的準確率。建立好預測模型后，將待分類的樣本同樣進行CEEMD分解、求解各IMF分量峭度指標、形成特征向量這幾個步驟，然后將特征向量輸入到預測模型中，最后得到該樣本是何種程度、何種類型的故障結果，實現了對故障軸承程度的分類。本文采用訓練良好的支持向量機模型對測試樣本進行預測，結果如圖1所示。其中1-10分別為正常軸承、內圈早期故障、內圈中期故障、內圈晚期故障、外圈早期故障、外圈中期故障、外圈晚期故障、滾動體早期故障、滾動體中期故障、滾動體晚期故障的標簽。

從圖中可以看出，測試結果與前面擬定的早期、中期、晚期故障程度的匹配度為95%，即整體測試的準確率達到95%。其中錯誤分別為：把內圈晚期故障誤診為滾動體中期晚期故障；把外圈中期故障誤診為滾動體早期故障；把外圈晚期故障誤診為內圈中期故障；把滾動體早期故障誤診為外圈中期故障；把滾動體晚期故障誤診為內圈早期故障。誤診的原因是多方面的，這可能是由于在現實中真實情況與預測情況存在尚未找到的聯系。但在100個測試樣本中，僅有5個樣本被錯分，準確率也是較高的。

5 結束語

本文基于CEEMD分解后的IMF分量的峭度指標所建立的故障診斷模型，不僅可以把內圈、外圈、滾動體的故障識別出來，還可以通過該模型對軸承的早期、中期、晚期故障程度進行分類，可以知道故障趨勢的變化，具有較高的準確率。

參考文獻

[1]王洋.汽車變速器軸承故障特征頻率提取算法的研究[D].遼寧工業大學，2015.

[2]廖麗平.汽車變速器軸承故障的診斷技術[J].科技資訊，2015，1306：35.