振动信号多域特征融合的电控制动系统传动故障诊断方法与流程

1.本发明涉及检测领域，尤其是涉及振动信号多域特征融合的电控制动系统传动故障诊断方法。


背景技术：

2.传动故障诊断在主减速器、变速箱、电机、发动机等领域运用很广泛，例如合肥工业大学赵志军基于阶次分析与振速法对汽车主减速器的质量进行了研究；同济大学的王远程提出阶次分析在齿轮变速箱故障诊断中的应用,武汉科技大学张翔基于阶次分析的风机齿轮箱振动信号分析与故障诊断；东北大学郑頔基于多领域混合建模的汽车动力传动系统的振动与噪声分析技术；吉林大学刘英杰乘用车动力总成nvh性能匹配与控制研究等。主减速器、变速箱、电机和发动机都是只有旋转运动，可以连续采集振动数据，并且可以直接采集转速信号进行阶次分析，但汽车电控制动助力系统电机将通过滚珠丝杆将电机的旋转运动转化为直线运动，因为丝杆限制了运动的范围，只能采集有限的数据，且无法采集电机的转速数据，不适用与传统的阶次分析方法。电动助力器制动时包含旋转运动和直线运动两种运动形式，目前没有传动故障诊断的相应方法。
3.汽车电控制动助力系统电机在运转中，会产生多种频率的振动，不同的结构单元会有不同的振动分量，不同的工作状态，振动信号也不同。当机械结构存在故障时，汽车电控制动助力系统电机会产生新的振动分量或某些振动分量的幅值会增大。
4.业内也已有专门的振动噪声分析软件，例如比利时lms公司的lms test.lab软件集成了数据采集、数字信号处理、结构试验、旋转机械分析、声学和环境试验等功能，可直接分析得出振动信号阶次数据，但该软件需要连续采集振动数据，汽车电控制动助力系统电机基于快速制动的需求，在紧急制动时，从制动踏板启动，到制动踏板全行程走完实现制动，工作的时间没有超过1秒，制动传动机构大齿轮旋转圈数只有几圈，采集的有效数据非常有限，采集数据从数量上不能满足lms test.lab软件的测试要求。此外，lms test.lab价格较为昂贵，且无法实现工业现场的在线实时诊断，适用于实验室分析处理。奥地利的dewesoft公司的dewesoft x3软件集成了信号采集、fft变换分析、stft变换分析、阶次跟踪等功能，但阶次跟踪需要同时采集转速和振动信号，而fft变换只适用于匀速旋转且旋转周期已知的情况下分析。汽车电控制动助力系统电机的运动是非匀速、非稳态，且无法采集转速信号。
5.综上所述，齿轮箱、电机、发动机等常规旋转机械可以连续采集，可采集大量振动数据进行分析，汽车电控制动助力系统电机制动过程较快，且行程有限，采集的振动数据少，不容易诊断传动故障。业内的振动噪声分析软件虽然集成了采集、分析等很多功能，但都不能提供模拟负载，且测试条件苛刻，需要同步采集转速信号。汽车电控制动助力系统电机通过丝杆将电机的旋转运动转化为直线运动，电机及传动机构封闭于制动部件壳体内，由直线运动的推杆进行输出，无法采集转速数据，因此不能使用常规的阶次分析方法。
6.而汽车零部件的异常振动主要是由内部的机械装置损坏或工作状态不正常引起
的。常见的故障部位主要有齿轮、轴承、轴、箱体紧固体等。汽车零部件最主要的故障部位是齿轮，对于电动助力器而言，主要故障部位也是齿轮。当电动助力器运转时，由于制造误差和局部损坏以及装配不良等因素的影响，电动助力器的齿轮和外部的干涉力相互作用，产生复杂的振动信号。齿轮常见的损伤形式有：齿面胶合、齿面磨损、轮齿断裂、齿面接触疲劳等。因此目前需要一种能够在电机转动时检测传动齿轮是否正常的方法。


技术实现要素：

7.本发明的目的在于用于解决上述技术问题，提供振动信号多域特征融合的电控制动系统传动故障诊断方法，本发明通过模拟实车制动过程，采集汽车电控制动助力系统工作时振动信号和输出位移信号，并分离出故障特征数据，融合时域特征值分析、时频域短时傅里叶分析、基于位移重采样的阶次分析三种方法，基于支持向量机的模式识别诊断汽车电控制动助力系统电机传动故障，判断汽车电控制动助力系统的合格性，避免有安全隐患的助力器流入市场。
8.本发明解决上述技术问题采用的技术方案是：振动信号多域特征融合的电控制动系统传动故障诊断方法，包括以下步骤：
9.步骤一：根据汽车电控制动助力系统电机传动故障信息将传动故障按照机械结构缺陷分成n类，记为{x1，x2，......，xn}；然后用包含n类故障的总共m’个故障件、m’个合格件共2m’个产品样本进行实验测试，将伺服加载系统驱动电控制动助力系统，同步采集布置在电控制动助力系统外壳上的振动传感器信号以及布置在电控制动助力系统输出端的位移传感器信号，实现采集时间振动信号输出位移信号的同步采集：
[0010][0011]
其中，n为采样数；
[0012]
步骤二：计算振动信号的均方根值tv1、峰值因子tv1和峭度值tv1，构建振动信号时域统计特征向量
[0013][0014]
步骤三：构建振动信号时频域能量脊特征向量：设置变换窗口尺度，窗口重叠宽度，对振动信号进行短时傅里叶变换；基于制动系统传动机构齿轮啮合频率能量脊，提取电控制动助力系统起始阶段和终止阶段的短时傅里叶谱值局部极大值数据构建时频域能量脊特征向量其中tf1,tf2分别为电控制动助力系统起始阶段和终止阶段的短时傅里叶谱值局部极大值；
[0015]
步骤四：基于时域的制动系统输出位移信号及振动信号，结合线性插值方法，重构等角度振动信号；基于等角度振动信号的傅里叶谱值构建振动信号角频率阶次谱特征向量
[0016]
步骤五：将时域统计特征向量时频域能量脊特征向量角频率阶次谱特征向量基于主成分分析法剔除多域特征之间存在的数据冗余和数据冲突问题，实现多域特征向量的融合；
[0017]
步骤六：构建支持向量机分类决策模型，将2m’个样本的多域主成分特征向量及产品合格/故障的类型标签，对支持向量机的决策模型进行训练，找出正常件和故障件的最优决策函数，完成支持向量机分类决策模型的训练；
[0018]
步骤七：任取一电控制动助力系统产品，重复步骤一至步骤五，构建产品的多域主成分特征向量将特征向量输入支持向量机分类决策模型，完成电控制动助力系统产品的故障诊断。
[0019]
作为优选，步骤四包括以下步骤：
[0020]
步骤1：确定振动信号重采样的等角度值δθ，基于电控制动助力系统滚珠丝杆的传动比l，确定等角度值δθ所对应的电控制动助力系统输出位移值δs：
[0021][0022]
步骤2：确定等角度振动信号重采样点的输出位移点
[0023]
其中，
[0024]
式中，i为整数，且s
′m为不大于sn的最大位移值；
[0025]
步骤3：基于同步采集的时间信号及输出位移信号在位移位置点s
′i邻域范围内，采用分段二阶多项式拟合方法，拟合电控制动助力系统输出位移与时间的关系式：
[0026]di
(t)＝ai bit cit2，其中i＝1,...,m；
[0027]
步骤4：令s
′i＝di(t)，求出等角度重采样点的时间点值(t)，求出等角度重采样点的时间点值
[0028]
步骤5：基于同步采集的时间信号及输出位移信号采用线性插值方法，得到时间点值所对应的等角度重采样振动信号值具体方法如下：
[0029][0030]
其中tj、t
j 1
为时间信号中与t
′i最邻近的两个时间点；
[0031]
步骤6：对信号做傅里叶变换得到振动信号阶次谱数据，用分段方式提取振动信号阶次谱低中高三个阶次段的局部极大值，构建角频率阶次谱特征向量
[0032][0033]
其中af1,af2,af3分别为重采样振动信号阶次谱低、中、高三个阶次段的局部极大值。
[0034]
作为优选，步骤五包括以下步骤：
[0035]
步骤a：基于时域统计特征向量时频域能量脊特征向量角频率阶次谱特征向量构建多域特征向量具体如下：
[0036][0037]
步骤b：将2m’个样本的振动信号多域特征向量构建样本集(为第i个样本的多域特征向量)，基于高斯核函数将样本集m变换到新的特征空间得到矩阵k：
[0038][0039]
步骤c：设置主成分贡献率阈值，并基于样本特征空间矩阵k通过主成分分析法确定所有样本多域特征向量的主成分特征向量设第i个样本的多域特征向量的主成分特征向量其中l为主成分的个数，i＝1,...,2m’。
[0040]
本发明具有的有益效果是：
[0041]
1、本发明通过模拟实车制动过程，采集汽车电控制动助力系统电机工作时振动信号和输出位移信号，并分离出故障特征数据，融合时域特征值分析、时频域短时傅里叶分析、基于位移重采样的阶次分析三种方法，基于支持向量机的模式识别诊断汽车电控制动助力系统电机传动故障，判断汽车电控制动助力系统电机传动机构的合格性，避免有安全隐患的电控制动助力系统部件流入市场。
[0042]
2、本发明提出了基于极值区间定位-差值特征点提取的分离方法，分离出制动过程中的数据，在时域，计算出特征值，进行初步判断；在时频域，基于短时傅里叶分析，提取特征能量脊线，判断产品的合格性；在角频域，提出了基于位移重采样的阶次分析算法，提取出特征阶次来判别产品有无故障；并采用高斯核空间变换方式对时域、时频域、角频阶次域特征值进行融合，采用支持向量机的模式识别算法，融合三种方法的结果进行训练，提高了传动故障检测的准确度。
附图说明
[0043]
图1是本发明的步骤流程图。
具体实施方式
[0044]
以下结合附图和实施方式对本发明作进一步的说明。
[0045]
如图1所示，本发明振动信号多域特征融合的电控制动系统传动故障诊断方法，包括以下步骤：
[0046]
步骤一s1：根据汽车电控制动助力系统电机传动故障信息将传动故障按照机械结构缺陷分成n类，记为{x1，x2，......，xn}；然后用包含n类故障的总共m’个故障件、m’个合格件共2m’个产品样本进行实验测试，将伺服加载系统驱动电控制动助力系统，同步采集布置在电控制动助力系统外壳上的振动传感器信号以及布置在电控制动助力系统输出端的位
移传感器信号，实现采集时间振动信号输出位移信号的同步采集：
[0047][0048]
其中，n为采样数；
[0049]
传动故障按照机械结构缺陷分成齿形误差、齿面磨损、断齿、齿面胶合。
[0050]
步骤二s2：计算振动信号的均方根值tv1、峰值因子tv1和峭度值tv1，构建振动信号时域统计特征向量
[0051][0052]
步骤三s3：构建振动信号时频域能量脊特征向量：设置变换窗口尺度，窗口重叠宽度，对振动信号进行短时傅里叶变换；基于制动系统传动机构齿轮啮合频率能量脊，提取电控制动助力系统起始阶段和终止阶段的短时傅里叶谱值局部极大值数据构建时频域能量脊特征向量其中tf1,tf2分别为电控制动助力系统起始阶段和终止阶段的短时傅里叶谱值局部极大值；
[0053]
对于汽车电控制动助力系统电机而言，电机输出的能量传至箱体，由齿轮缺陷导致的周期性振动会引起输出的能量增加，通常采用均方根值统计计算总体的能量损耗。均方根值表示的是信号的平均值，在描述功率和能量的总体强弱有很好的代表性。
[0054]
均方根值是对时间的平均，能对表面裂纹等具有无规则振动波形的异常做出恰当的评价。但是对于缺齿等具有瞬时冲击振动的故障不适用,对于这种形态的故障，可用峰值因子对缺陷细节进行统计判断。它表征了信号波峰的明显程度，越高的峰值因子意味着更明显的波峰。
[0055]
在齿轮的故障诊断中，需要知道振动分布特性的数值统计量，而峭度是表示波形平缓程度的，用于描述变量的分布，对冲击信号反应特别敏感，特别适合汽车电控制动助力系统电机齿轮表面损伤故障的诊断。
[0056]
综上所述，磨损、裂纹等齿轮故障产生的低频信号可以用均方根值表征；缺齿等故障产生的高频信号用峰值因子表征；峭度能反映磨损、裂纹、缺齿等故障形态。测试系统先提取到汽车电控制动助力系统电机箱体的振动信号，汽车电控制动助力系统电机只有在运动时候才能反映出故障，故从原始数据中提取出运动过程中的去程数据和回程数据，然后分别计算出均方根值、峰值因子和峭度，产品工艺部门通过大量的实验数据，统计分析出了这些时域特征值的阈值，测试值超出上限或下限即视为不合格。
[0057]
步骤四s4：基于时域的制动系统输出位移信号及振动信号，结合线性插值方法，重构等角度振动信号；基于等角度振动信号的傅里叶谱值构建振动信号角频率阶次谱特征向量基于位移重采样的阶次分析，不用获得转速数据的情况，根据位移数据对振动数据进行等间隔重采样，化非平稳信号为平稳信号，再做傅里叶变换，得到阶次谱，可以明显地观察到各阶的振动分量。汽车电控制动助力系统电机是集成的电子伺服助力系统，将旋转运动转化为直线运动，因为内部是密封的，无法看到旋转体的运动状态，更无法测量转速信号，因此，基于角度的硬件重采样和计算重采样都不适用。对此，提出来基于位移重采样的阶次分析算法。
[0058]
汽车电控制动助力系统电机通过滚珠丝杆，将旋转运动转化为直线运动，旋转的角度和输出位移是正比关系。基于位移重采样的阶次分析的方法同时采集位移数据对振动信号，然后将等时间间隔采样的数据进行等位移重采样，最后将重采样的振动数据进行傅里叶变换，得到阶次谱。第一步，采集到汽车电控制动助力系统电机输出位移数据，并拟合出位移曲线方程；第二步，根据输出位移数据，可以计算出累计转过的角度，每隔固定的角度取一个点，计算出对应的时刻，确定鉴相时标；第三步，提取对应鉴相时标的振动数据；第四步，对部分时刻缺失的数据进行插值；第五步，对插值后的振动数据进行傅里叶变换，即可得到振动的特征阶次谱。
[0059]
具体包括以下步骤：
[0060]
步骤1：确定振动信号重采样的等角度值δθ，基于电控制动助力系统滚珠丝杆的传动比l，确定等角度值δθ所对应的电控制动助力系统输出位移值δs：
[0061][0062]
步骤2：确定等角度振动信号重采样点的输出位移点
[0063]
其中，
[0064]
式中，i为整数，且s
′m为不大于sn的最大位移值；
[0065]
步骤3：基于同步采集的时间信号及输出位移信号在位移位置点s
′i邻域范围内，采用分段二阶多项式拟合方法，拟合电控制动助力系统输出位移与时间的关系式：
[0066]di
(t)＝ai bit cit2，其中i＝1,...,m；
[0067]
步骤4：令s
′i＝di(t)，求出等角度重采样点的时间点值(t)，求出等角度重采样点的时间点值
[0068]
步骤5：基于同步采集的时间信号及输出位移信号采用线性插值方法，得到时间点值所对应的等角度重采样振动信号值具体方法如下：
[0069][0070]
其中tj、t
j 1
为时间信号中与t
′i最邻近的两个时间点；
[0071]
步骤6：对信号做傅里叶变换得到振动信号阶次谱数据。用分段方式提取振动信号阶次谱低中高三个阶次段的局部极大值，构建角频率阶次谱特征向量
[0072][0073]
其中af1,af2,af3分别为重采样振动信号阶次谱低、中、高三个阶次段的局部极大值。
[0074]
步骤五s5：将时域统计特征向量时频域能量脊特征向量角频率阶次谱特征向量基于主成分分析法剔除多域特征之间存在的数据冗余和数据冲突问题，实现多域特征向量的融合；
[0075]
具体包括以下步骤：
[0076]
步骤a：基于时域统计特征向量时频域能量脊特征向量角频率阶次谱特征向量构建多域特征向量具体如下：
[0077][0078]
步骤b：将2m’个样本的振动信号多域特征向量构建样本集(为第i个样本的多域特征向量)，基于高斯核函数将样本集m变换到新的特征空间得到矩阵k：
[0079][0080]
步骤c：设置主成分贡献率阈值，并基于样本特征空间矩阵k通过主成分分析法确定所有样本多域特征向量的主成分特征向量设第i个样本的多域特征向量的主成分特征向量其中l为主成分的个数，i＝1,...,2m’。
[0081]
步骤六s6：构建支持向量机分类决策模型，将2m’个样本的多域主成分特征向量及产品合格/故障的类型标签，对支持向量机的决策模型进行训练，找出正常件和故障件的最优决策函数，完成支持向量机分类决策模型的训练；
[0082]
汽车电控制动助力系统电机传动故障的质量检测只需区分正常件和故障件，而不需指出故障件产生的原因，故可采用支持向量机的模式识别方法。将汽车电控制动助力系统电机合格产品作为一类，将故障件作为另一类，把所有样件分为两部分，一部分作为训练集，另一部分作为测试集，将时域特征值、时频域stft特征频率以及角频域特征阶次作为每个样本的数据输入，结合厂家给出的产品合格性作为类型标记，合格记为 1，不合格记为-1，基于支持向量机的算法进行训练，找出正常件和故障件的最优超平面和决策函数，最后把测试集样本的数据导入决策函数，判断产品的合格性，用真实合格性与预测合格性进行对比，得出诊断的准确率。
[0083]
步骤七s7：任取一电控制动助力系统产品，重复步骤一至步骤五，构建产品的多域主成分特征向量将特征向量输入支持向量机分类决策模型，完成电控制动助力系统产品的故障诊断。
[0084]
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0085]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的
一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。