汽车变速器轴承故障诊断方法研究

赵宏磊 黄守斌

摘 要：近些年，随着交通事故频发，人们对汽车的安全性能也有所提高。汽车变速器是汽车的关键组成部分，它具有传动力矩大、传动比固定、结构紧凑等优点，它在汽车行驶中起着重要作用，其发生故障会对汽车造成严重影响。据统计，变速器失效部件主要集中在三类零件：齿轮、轴承、轴和轴系，它们占据了90﹪左右的失效比。因此，对轴承进行状态检测和故障诊断，从而保证其安全可靠地运行，对提高变速器乃至汽车的安全性能都有重要的意义。

关键词：汽车变速器；轴承故障；故障诊断

1 变速器的概念和工作特点

汽车变速器可以使汽车的发动机等设施发挥出最佳的性能，当汽车在行驶时，变速器可以调整发动机和车轮的速度，从而产生不同的变速比。汽车变速器的工作方法是通过换挡使汽车的发动机和汽车发挥最佳的動力性能状态。但是就目前发展趋势而言，越来越多的汽车采用自动化方式，所以变速器的未来发展方向是多样化的，主要潮流是自动变速器，但发展形式还比较复杂。

2 变速器轴承的主要故障形式

（1）磨损。产生磨损有几个原因：一是因为密封不良而有异物进入了轴承内部；二是润滑不当，如润滑介质中存在杂质、润滑剂选择不当等；三是轴承本身存在金属颗粒脱落，继而形成磨粒磨损；四是由于轴承运转环境中的温度变化所产生的冷凝水使得轴承产生锈蚀，也会导致轴承发生磨损。（2）疲劳剥落。在轴承运转过程中，在各接触表面反复受到接触应力的作用，其接触面金属会以点状或片状形式剥落下来，即疲劳剥落。造成疲劳剥落的因素有很多，有些因素与轴承的生产制造有关，如材料选择、工艺流程等，有些因素与轴承的使用有关，如轴承安装、轴承配合、轴承密封、轴承维护等。（3）腐蚀。金属由于化学反应或电化学反应所引起的物质消耗，称为腐蚀。针对轴承而言，产生腐蚀的原因有以下几个：第一是轴承运转环境湿度大；第二是轴承润滑剂中含有酸性或碱性物质；第三是密封装置不严；第四是轴承清洗、存放不当。

3 常见的诊断方法及其局限性

3.1 应用模糊识别理论诊断故障

模糊理论是通过模仿人的思维方式来处理系统的不确定性和模糊性，它运用不确定性程度来描述变量。它最大的特点是其模糊规则库可以直接利用专家知识构造，因而能够充分利用和有效处理专家的语言知识和经验。模糊模型的方法是用模糊模型来描述正常工作的系统。模糊模型用来产生系统输出的预测值，以系统的实际值和预测值之差作为残差，根据残差检测系统是否发生故障。对于复杂系统来说，这种模型将需要大量的模糊规则，因此在实际应用中将会遇到规则难以获取和诊断速度需要提高的问题。

3.2 应用专家系统诊断故障

这是诊断技术的一种高级形式，又称为知识库咨询系统，它是一个拥有人工智能的计算机系统。专家系统的具体实施步骤是：它事先将有关专家的知识加以总结分类，形成规则存入计算机中，然后根据自动采集或外部输入的原始数据，模拟专家的推理、判断与思维过程，解决故障档案建立状态识别以及自动决策中的各种复杂问题，最后做出正确的操作指导、问题咨询和处理对策。这种系统还具有学习功能，可以方便的增加、修改和删除知识库中的知识，同时还能高度模仿各个专家辩证实施诊断的思维方法，促使诊断水平能够不断提高。但专系统的应用依赖于专家的领域和知识获取，知识获取被公认为专家系统研究开发中的“瓶颈”问题；专家系统容错能力较差，当系统复杂时，知识库的构成和维护复杂且困难，推理的效率受到限制。

3.3 应用支持向量机诊断故障

支持向量机建立在统计学习理论基础之上，统计学习理论是一种专门研究小样本情况下机器学习（包括模式识别）规律的理论。支持向量机体系由支持向量机分类和支持向量回归两部分构成。支持向量机分类的基本算法是二分类，在二分类的基础上可推广到多分类，能够在只有较少样本的情况下很好地解决分类问题。支持向量机的回归算法推广能力强，较好地解决了小样本、非线性和高维数问题，能够高精度地模拟复杂系统的动态特性，因而在故障预测方面取得了有效的应用。

4 基于支持向量机的滚动轴承故障诊断

故障诊断与故障程度分类是利用支持向量机模型进行的，其分为获取待分类样本、建立预测模型、识别故障类型与程度三个步骤。在建立预测模型阶段，首先采集轴承的时域信号，然后对信号进行CEEMD分解，每一组信号会被分解成多组IMF分量，然后求取多组IMF分量的峭度指标，将这些指标组成一个高维特征矩阵，然后采用拉普拉斯分值的方法选取敏感度高的特征，在高维特征矩阵基础上进行降维，形成低维特征矩阵。然后将该特征矩阵分为两部分，一部分作为训练样本，用来训练支持向量机模型，一部分作为测试样本，用来检测该模型的准确性。同时，采用粒子群优化算法对支持向量机的参数进行优化，最后得出该支持向量机模型的准确率。建立好预测模型后，将待分类的样本同样进行CEEMD分解、求解各IMF分量峭度指标、形成特征向量这几个步骤，然后将特征向量输入到预测模型中，最后得到该样本是何种程度、何种类型的故障结果，实现了对故障轴承程度的分类。本文采用训练良好的支持向量机模型对测试样本进行预测，结果如图1所示。其中1-10分别为正常轴承、内圈早期故障、内圈中期故障、内圈晚期故障、外圈早期故障、外圈中期故障、外圈晚期故障、滚动体早期故障、滚动体中期故障、滚动体晚期故障的标签。

从图中可以看出，测试结果与前面拟定的早期、中期、晚期故障程度的匹配度为95%，即整体测试的准确率达到95%。其中错误分别为：把内圈晚期故障误诊为滚动体中期晚期故障；把外圈中期故障误诊为滚动体早期故障；把外圈晚期故障误诊为内圈中期故障；把滚动体早期故障误诊为外圈中期故障；把滚动体晚期故障误诊为内圈早期故障。误诊的原因是多方面的，这可能是由于在现实中真实情况与预测情况存在尚未找到的联系。但在100个测试样本中，仅有5个样本被错分，准确率也是较高的。

5 结束语

本文基于CEEMD分解后的IMF分量的峭度指标所建立的故障诊断模型，不仅可以把内圈、外圈、滚动体的故障识别出来，还可以通过该模型对轴承的早期、中期、晚期故障程度进行分类，可以知道故障趋势的变化，具有较高的准确率。

参考文献

[1]王洋.汽车变速器轴承故障特征频率提取算法的研究[D].辽宁工业大学，2015.

[2]廖丽平.汽车变速器轴承故障的诊断技术[J].科技资讯，2015，1306：35.