趙宏磊 黃守斌

摘 要：近些年，隨著交通事故頻發(fā)，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(yōu)點，它在汽車行駛中起著重要作用，其發(fā)生故障會對汽車造成嚴重影響。據(jù)統(tǒng)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(jù)了90﹪左右的失效比。因此，對軸承進行狀態(tài)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(fā)動機等設施發(fā)揮出最佳的性能，當汽車在行駛時，變速器可以調(diào)整發(fā)動機和車輪的速度，從而產(chǎn)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(fā)動機和汽車發(fā)揮最佳的動力性能狀態(tài)。但是就目前發(fā)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(fā)展方向是多樣化的，主要潮流是自動變速器，但發(fā)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(chǎn)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(nèi)部；二是潤滑不當，如潤滑介質(zhì)中存在雜質(zhì)、潤滑劑選擇不當?shù)?；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(huán)境中的溫度變化所產(chǎn)生的冷凝水使得軸承產(chǎn)生銹蝕，也會導致軸承發(fā)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(chǎn)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(zhì)消耗，稱為腐蝕。針對軸承而言，產(chǎn)生腐蝕的原因有以下幾個：第一是軸承運轉環(huán)境濕度大；第二是軸承潤滑劑中含有酸性或堿性物質(zhì)；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(tǒng)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(guī)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(jīng)驗。模糊模型的方法是用模糊模型來描述正常工作的系統(tǒng)。模糊模型用來產(chǎn)生系統(tǒng)輸出的預測值，以系統(tǒng)的實際值和預測值之差作為殘差，根據(jù)殘差檢測系統(tǒng)是否發(fā)生故障。對于復雜系統(tǒng)來說，這種模型將需要大量的模糊規(guī)則，因此在實際應用中將會遇到規(guī)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(tǒng)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(tǒng)，它是一個擁有人工智能的計算機系統(tǒng)。專家系統(tǒng)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(guī)則存入計算機中，然后根據(jù)自動采集或外部輸入的原始數(shù)據(jù)，模擬專家的推理、判斷與思維過程，解決故障檔案建立狀態(tài)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(tǒng)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(tǒng)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(tǒng)研究開發(fā)中的“瓶頸”問題；專家系統(tǒng)容錯能力較差，當系統(tǒng)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(tǒng)計學習理論基礎之上，統(tǒng)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(guī)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(shù)問題，能夠高精度地模擬復雜系統(tǒng)的動態(tài)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(yōu)化算法對支持向量機的參數(shù)進行優(yōu)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(xiàn)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(nèi)圈早期故障、內(nèi)圈中期故障、內(nèi)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(nèi)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(nèi)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(nèi)圈早期故障。誤診的原因是多方面的，這可能是由于在現(xiàn)實中真實情況與預測情況存在尚未找到的聯(lián)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(nèi)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(yè)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.