曾 鑫

（武漢軟件工程職業(yè)學(xué)院，武漢 430205）

0 引言

汽車動(dòng)力傳動(dòng)軸系故障診斷技術(shù)可以根據(jù)運(yùn)行過程中部件的狀態(tài)信息，對系統(tǒng)存在故障與否進(jìn)行診斷，如果發(fā)生了故障，則進(jìn)一步對故障的類型、嚴(yán)重程度、發(fā)展情況等進(jìn)行判斷，這樣可有效避免系統(tǒng)故障進(jìn)一步的擴(kuò)大和惡劣事故的發(fā)生。

振動(dòng)參數(shù)是判斷汽車傳動(dòng)總成質(zhì)量的一個(gè)重要指標(biāo)，當(dāng)被測產(chǎn)品存在質(zhì)量問題時(shí)，這些問題將會(huì)直接反映在產(chǎn)品振動(dòng)信號(hào)的變化上?；诮Y(jié)構(gòu)振動(dòng)分析的故障診斷比傳統(tǒng)的人工診斷更加可靠、快速、安全和穩(wěn)定。汽車動(dòng)力傳動(dòng)系統(tǒng)中，轉(zhuǎn)軸、齒輪、軸承、聯(lián)軸器等零部件的缺陷，都容易讓汽車傳動(dòng)系統(tǒng)乃至汽車產(chǎn)生振動(dòng)，而過大的振動(dòng)常常又是各系統(tǒng)損壞的來源。大量豐富的汽車傳動(dòng)系統(tǒng)運(yùn)行狀態(tài)信息包含在振動(dòng)信號(hào)中，且易于獲取、便于實(shí)施在線監(jiān)測與診斷，因此，基于振動(dòng)信號(hào)分析的故障診斷是汽車動(dòng)力傳動(dòng)軸系故障診斷應(yīng)用中最為廣泛、有效的方法。

旋轉(zhuǎn)設(shè)備的檢測與診斷的根本任務(wù)就是根據(jù)旋轉(zhuǎn)設(shè)備的運(yùn)行信息來識(shí)別其狀態(tài)，其實(shí)質(zhì)就是狀態(tài)識(shí)別；汽車動(dòng)力傳動(dòng)軸系的故障診斷亦是如此。通過振動(dòng)信號(hào)計(jì)算得到的特征參數(shù)，可以表示振動(dòng)信號(hào)特點(diǎn)并敏銳反應(yīng)設(shè)備狀態(tài)。若能明確特征參數(shù)和異常波形的特征之間的關(guān)系，就能應(yīng)用于異常種類的判定。但是，很多情況下因?yàn)樵O(shè)備的個(gè)別性等因素，有很多時(shí)候不能明確何種特征參數(shù)對哪一類異常類型的診斷是有用的，所以，可以根據(jù)判別分析法并綜合復(fù)數(shù)的無量綱特征參數(shù)進(jìn)行精密診斷。

目前，故障識(shí)別與診斷決策過程中采用的方法較多?；诳刂颇Ｐ凸收显\斷方法主要涉及模型建立、參數(shù)與狀態(tài)估計(jì)和觀測器應(yīng)用等技術(shù)。韓國漢陽大學(xué)的Hyeongcheol提出了一種基于模型的故障檢測與隔離方法[1]，并應(yīng)用于電機(jī)助力轉(zhuǎn)向系統(tǒng)中，提高了故障檢測的魯棒性。美國德州農(nóng)工大學(xué)的Masoud等人建立了直流電機(jī)轉(zhuǎn)軸偏心模型[2,3]，對直流電機(jī)轉(zhuǎn)軸偏心的故障診斷進(jìn)行了深入研究。北京航空航天大學(xué)張洪鉞等人采用精確的無刷電機(jī)非線性系統(tǒng)模型[4]，并使用RBF神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)了一種非線性狀態(tài)觀測器，通過觀測器的估計(jì)值與實(shí)際輸出值之間的殘差來判定無刷電機(jī)故障與否，取得了一定的效果。如果事先對系統(tǒng)可能發(fā)生的故障模式進(jìn)行分類，那么故障診斷問題就轉(zhuǎn)化為模式識(shí)別問題。奧地利維也納科技大學(xué)的Lukas Haffner等人提出了在非線性駕駛情況下使用簡單的奇偶校驗(yàn)方程用于檢測誤報(bào)故障診斷方法，為故障診斷的可靠性提供了一種新的方法[5]。上海大學(xué)的劉穎慧將基于斜率關(guān)聯(lián)度的模式識(shí)別方法應(yīng)用于滾動(dòng)軸承故障診斷[6]，吉林大學(xué)崔海春提出一種改進(jìn)的基于模式的故障診斷方法[7]，在一定程度上取得了良好效果?；谌斯ぶ悄艿姆椒ú恍枰_定物理模型，是目前研究最多、應(yīng)用最廣的故障診斷方法[8]。韓國全北大學(xué)的Hua Su和Kilto Chong提出了一種基于感應(yīng)電機(jī)神經(jīng)網(wǎng)絡(luò)模型的振動(dòng)譜冗余分析法[9]，并用該方法對電機(jī)進(jìn)行故障監(jiān)測和診斷，結(jié)果表明該方法是很有效的。波蘭華沙大學(xué)的JaroslawKurek等人基于支持向量機(jī)設(shè)計(jì)一種全自動(dòng)計(jì)算系統(tǒng)用于感應(yīng)電機(jī)轉(zhuǎn)軸導(dǎo)條的診斷[10]，該系統(tǒng)能夠準(zhǔn)確的診斷出感應(yīng)電機(jī)轉(zhuǎn)軸故障。澳大利亞昆士蘭大學(xué)的Xiaofeng Liu等人將模糊理論與證據(jù)理論相結(jié)合，提出一種基于信息融合技術(shù)的機(jī)械故障診斷方法，提高了診斷系統(tǒng)的容錯(cuò)能力與診斷正確度[11]。韓國的In-Soo Lee根據(jù)小波包變換能將信號(hào)按任意時(shí)頻分辨率分解到不同頻段的特性，結(jié)合小波包的能量特性提出了故障信號(hào)在不同分解頻段的能量特征概念及算法，并將其與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種新的電機(jī)故障診斷方法，取得了一定的效果[12]。

本文依據(jù)故障診斷技術(shù)的一般流程，選定特征參數(shù)法作為故障診斷信號(hào)處理的方法，并提出識(shí)別指標(biāo)（DI）選取特征參數(shù)，運(yùn)用Fisher判別分析法進(jìn)行理論分析，提出逐次診斷法來提高診斷精度；設(shè)計(jì)汽車動(dòng)力傳動(dòng)軸系故障診斷試驗(yàn)，通過特征參數(shù)方法及Fisher判別分析診斷故障并判斷故障類型，驗(yàn)證方法的可行性，診斷結(jié)果表明了Fisher判別分析診斷汽車動(dòng)力傳動(dòng)軸系故障的可行性。

1 Fisher判別與分類方法

1.1 特征參數(shù)的識(shí)別指標(biāo)（DI）

辨別兩種狀態(tài)的任意特征參數(shù)P的敏感度，可以通過識(shí)別指標(biāo)DI值來評價(jià)。

1.2 Fisher判別與分類方法

Fisher判別法將多元觀測值x變換成一元觀測值y，使得由不同總體推導(dǎo)得出的y盡可能的分開。Fisher判別法并未假定總體具有正態(tài)性，但是含有總體協(xié)方差矩陣相等的假定，因?yàn)槭褂昧斯矃f(xié)方差矩陣的聯(lián)合估計(jì)量[12]。

Fisher判別法從k個(gè)不同狀態(tài)中抽取n個(gè)特征參數(shù)p1,p2,...,pn的樣本觀測數(shù)據(jù)，借助方差分析的思想構(gòu)造一個(gè)線性判別函數(shù)：

假定P是一個(gè)固定線性組合，對來自第一個(gè)總體的觀測值來說其取值為，對來自第二個(gè)總體的觀測值來說其取值為。這兩組單變量數(shù)據(jù)之間的分離度用以標(biāo)準(zhǔn)差為單位的與之間的差別來表示，即分離度，其中，為方差的聯(lián)合估計(jì)量。目標(biāo)是選擇適當(dāng)?shù)膒的線性組合，使得樣本均值 與 之間的分離度達(dá)到最大。

在汽車動(dòng)力傳動(dòng)軸系故障檢測與診斷中，假設(shè)有k種狀態(tài)類型G1，G2，…Gk，其均值和協(xié)方差矩陣分別為μi和。同樣我們考慮線性判別函數(shù)在的條件下，有：

令：

達(dá)到極大。

基于Fisher判別函數(shù)的分類法則：如果我們得到的Fisher線性判別函數(shù)，那么對于一個(gè)新的設(shè)備狀態(tài)P可以構(gòu)造這樣一個(gè)判別規(guī)則；如果：

則判別P來自狀態(tài)Gj。

1.3 逐次診斷法

當(dāng)有多個(gè)異常狀態(tài)要診斷時(shí)，一般很難找到一個(gè)或多個(gè)可以辨別所有異常狀態(tài)的特征參數(shù)p。要解決這個(gè)問題，可以采用逐次診斷的方法。每次分辨只兩種狀態(tài)，都通過振動(dòng)信號(hào)提取最需要的特征參數(shù)做診斷。

診斷開始首先判斷設(shè)備是否正常，選擇正常與其他異常區(qū)分最敏感的特征參數(shù)判別設(shè)備是否正常，若判斷設(shè)備處于正常狀態(tài)則診斷完成，若判別結(jié)果為非正常，則繼續(xù)做診斷；然后，選擇故障1與其他故障區(qū)分敏感的特征參數(shù)，判斷設(shè)備是否是故障1或非故障1，若診斷為故障1則診斷結(jié)束，若非故障1則繼續(xù)診斷流程，如此依次判斷設(shè)備狀態(tài)。這種方法避免了多種故障狀態(tài)同時(shí)判別時(shí)的信息混亂，可以設(shè)備的診斷更加有序，但同時(shí)也忽視對了未知異常的診斷。

2 試驗(yàn)分析

2.1 試驗(yàn)裝置及設(shè)備

本文主要研究汽車動(dòng)力傳動(dòng)軸系構(gòu)造故障情況，設(shè)計(jì)試驗(yàn)系統(tǒng)如圖1所示。由電動(dòng)機(jī)帶動(dòng)旋轉(zhuǎn)軸旋轉(zhuǎn)，通過某剛性聯(lián)軸器連接，采集兩個(gè)方向加速度數(shù)據(jù)；在軸的前端和末端的垂直方向分別安裝了加速度傳感器，采集垂直方向的加速度信號(hào)。設(shè)計(jì)了如下常見異常狀態(tài)進(jìn)行判定：偏移不對中（OM）和動(dòng)不平衡（DU）。設(shè)定了三種程度的異常，即：嚴(yán)重異常、一般異常和輕微異常。在1500rpm轉(zhuǎn)速下測定正常和異常的數(shù)據(jù)，采樣頻率為5000Hz，采樣時(shí)間20s。

圖1 試驗(yàn)平臺(tái)

利用加速度傳感器采集振動(dòng)加速度信號(hào)，經(jīng)過電荷放大器后連接到信號(hào)采集儀，這里采用的是日本橫河DL750示波記錄儀；采用脈沖傳感器測定轉(zhuǎn)速，并通過小野測器CF-250 PORTABLE調(diào)節(jié)電機(jī)轉(zhuǎn)速。

2.2 試驗(yàn)用特征參數(shù)

設(shè)計(jì)低通濾波器對采集到的振動(dòng)信號(hào)進(jìn)行處理，采樣頻率5000Hz，截止頻率500Hz。將每種狀況下采集到的振動(dòng)數(shù)據(jù)經(jīng)過低通濾波處理后計(jì)算整理得到特征參數(shù)值，每個(gè)特征參數(shù)各有8個(gè)用于學(xué)習(xí)和驗(yàn)證。在信號(hào)處理時(shí)，首先進(jìn)行截止頻率500Hz的低通濾波，再計(jì)算得到其低頻段的特征參數(shù)。

精密診斷中選用無量綱特征參數(shù)辨別異常種類。這里選用時(shí)域和頻域的常用的特征參數(shù)：偏度系數(shù)（絕對值）、峭度系數(shù)、波高率、極大值的偏度（絕對值）、極大值的峭度、單位時(shí)間內(nèi)時(shí)間平均交叉的頻度、波形的穩(wěn)定指數(shù)、頻譜的幾何平均、頻譜的算術(shù)平均。為了便于分析每個(gè)特征參數(shù)對狀態(tài)識(shí)別的敏感度，根據(jù)DI識(shí)別指標(biāo)的理論基礎(chǔ)，選取敏感度較高的特征參數(shù)。表1為1500rpm時(shí)正常和各種異常狀況的特征參數(shù)的DI對比值?？梢钥闯觯w來看，P6、P7、P8、P9辨別各狀態(tài)的敏感度比較高。

表1 DI值與敏感度的對應(yīng)關(guān)系

2.3 多次診斷

運(yùn)用SPSS軟件對選擇的參數(shù)進(jìn)行Fisher判別分析。由于判別異常的情況比較復(fù)雜，通過一次識(shí)別設(shè)備狀態(tài)難度太大，如圖2所示，2、3兩種故障類型有重合部分，從而故障分類判別存在難度，故判別結(jié)果不夠準(zhǔn)確。所以本文選擇通過逐次診斷法逐次辨別設(shè)備狀態(tài)，如圖3所示。通過對比每兩種狀態(tài)的DI值，依此得到了逐次診斷每一步最敏感的特征參數(shù)，用于故障診斷。

圖2 一次診斷故障類型結(jié)果

圖3 逐次診斷法

將計(jì)算得到的8組正常振動(dòng)數(shù)據(jù)特征參數(shù)用于學(xué)習(xí)；各個(gè)異常振動(dòng)數(shù)據(jù)特征參數(shù)則通過異常振動(dòng)程度嚴(yán)重、輕微的振動(dòng)數(shù)據(jù)學(xué)習(xí)，異常程度一般的進(jìn)行驗(yàn)證。1500rpm，0~500Hz時(shí)判定轉(zhuǎn)軸是否正常的結(jié)果如下。

表2 1500rpm正常與各種異常狀況的DI值對照表

如圖4所示，正常振動(dòng)數(shù)據(jù)的均值為0.51，異常振動(dòng)數(shù)據(jù)的均值為-4.11，兩者間距離較大，故用來判別故障類型準(zhǔn)確度較高。

圖4 診斷結(jié)果

第一次診斷的結(jié)果如圖5所示，狀況1和正常情況區(qū)分的很明顯，雖然正常數(shù)據(jù)和狀況2故障數(shù)據(jù)的起伏波動(dòng)變化較大，但兩者間的區(qū)分度還是比較大，可以判別存在故障。

圖5 逐次診斷第一步結(jié)果

第二次診斷的結(jié)果如圖6所示，不平衡故障數(shù)據(jù)較平穩(wěn)，判別較為容易，不對中故障數(shù)據(jù)稍有起伏，但不是很嚴(yán)重，同樣也能夠識(shí)別。

圖6 逐次診斷第二步結(jié)果

通過診斷結(jié)果證明：

1）通過特征參數(shù)的方法將特征信號(hào)表達(dá)可以很好的用于狀態(tài)判定，低通濾波降低了噪音信號(hào)的干擾，提高了診斷精確度。

2）Fisher判別分析較好地解決了狀態(tài)判別中狀態(tài)類別區(qū)分的模糊問題，逐次診斷將復(fù)雜的多狀態(tài)分析判斷簡單容易化，使過程更容易進(jìn)行。

3 結(jié)論

本文以汽車動(dòng)力傳動(dòng)軸系為研究對象，通過對轉(zhuǎn)軸振動(dòng)的檢測與分析，展開對汽車動(dòng)力傳動(dòng)軸系故障診斷的研究。主要完成了以下工作：

1）分析了汽車動(dòng)力傳動(dòng)軸系常見故障類型、故障機(jī)理及振動(dòng)信號(hào)的測量方法，詳細(xì)介紹了轉(zhuǎn)軸常見故障引起的振動(dòng)特征，提出了故障診斷的流程，為故障診斷的進(jìn)行做好基礎(chǔ)；

2）信號(hào)處理是汽車動(dòng)力傳動(dòng)軸系故障診斷的關(guān)鍵，通過分析對比三種常用的信號(hào)處理方法，最終采用特征參數(shù)故障診斷法，將振動(dòng)特征信號(hào)用時(shí)域和頻域的特征參數(shù)表示，將振動(dòng)信號(hào)量化，便于以后通過計(jì)算機(jī)識(shí)別故障，提出運(yùn)用識(shí)別指標(biāo)（DI）選擇特征參數(shù)的方法；

3）汽車動(dòng)力傳動(dòng)軸系故障診斷中狀態(tài)識(shí)別問題通過特征參數(shù)轉(zhuǎn)化為狀態(tài)的判別分類，運(yùn)用Fisher判別分析的故障識(shí)別方法，并通過逐次診斷方法使判別結(jié)果更準(zhǔn)確；

4）設(shè)計(jì)了汽車動(dòng)力傳動(dòng)軸系的故障診斷試驗(yàn)，通過試驗(yàn)測得正常、不對中、不平衡的振動(dòng)信號(hào)，且故障的程度設(shè)大、中、小三種；將振動(dòng)信號(hào)數(shù)據(jù)通過低通濾波、計(jì)算特征參數(shù)，選取用于狀態(tài)識(shí)別的特征參數(shù)；通過Fisher判別分析的故障識(shí)別方法判斷設(shè)備狀態(tài)，試驗(yàn)結(jié)果說明了此診斷方法的可行性。

[1] Hyeongcheol Lee. Analysis of model-based sensor fault diagnosis with application to a motor-driven power steering system[J].Proceedings of the Institution of Mechanical Engineers Part D-Journal of Automobile Engineering,2011,225(D10)：1317-1333.

[2] Masoud Hajiaghajani,Hamid A.Toliyat,Issa M.S. Panahi. Advanced fault diagnosis of a dc motor[J].IEEE Transactions on Energy Conversion,2004,19(1)：60-65.

[3] Lukas Haffner, Martin Kozek,Jingxin Shi. Enhanced Method for Fault Detection and Diagnosis of Vehicle Sensors using Parity Equations[J].SAE Technical Paper,2009-01-0444,2009.

[4] 張洪鉞,楊萍.基于非線性狀態(tài)觀測器的無刷電機(jī)故障診斷[J]. 電機(jī)與控制學(xué)報(bào),2006,10(1)：4-8.

[5] Lukas Haffner, Martin Kozek,Jingxin Shi. Enhanced Method for Fault Detection and Diagnosis of Vehicle Sensors using Parity Equations[J]. SAE Technical Paper,2009-01-0444,2009.

[6] 劉穎慧,劉樹林,唐友福,姜銳紅.基于斜率關(guān)聯(lián)度的模式識(shí)別方法及滾動(dòng)軸承故障診斷應(yīng)用[J].材料科學(xué)與技術(shù), 2012,09(2)：1500-1503.

[7] 崔海春,歐陽丹彤,王曉宇,紀(jì)樹平.一種基于模式的故障診斷方法[J].計(jì)算機(jī)科學(xué),2012, 39(11)：160-164.

[8] AlexandreSilveira, Rui EstevesAraujo, Ricardode Castro. Survey on Fault-Tolerant Diagnosis and Control Systems Applied to Multi-motor Electric Vehicles[J].Technological Innovation for Sustainability,2011,349：359-366.

[9] HuaSu，KilToChong．Induction Machine Condition Monitoring Using NeuralNetwork Modeling[J].Industrial Electronics,IEEE Transactions on Volume 54,Issue1,Feb,2007 Page(s)：241-249.

[10] Jaroslaw Kurek, Stanislaw Osowski.Support vector machine for fault diagnosis of the broken rotor bars of squirrel-cage induction motor[J].Neural Computing & Applications, 2010,19(4)：557-564.

[11] 許允之,龔乃瑋,葛垚,郭西進(jìn).基于信息融合方法的電機(jī)故障診斷研究[J]. 華北電力大學(xué)學(xué)報(bào)（自然科學(xué)版）,2012,39(3)：53-58.

[12] In-Soo Lee. Fault diagnosis of induction motors using discrete wavelet transform and artificial neural network[J].Communications in Computer and Information Science,2011,173：510-514.