基于多组合分类器的汽车变速箱故障诊断

陈汤 崔玉莲 冯辅周 吴春志

摘 要：针对于汽车变速箱故障特征信号微弱，且难以对故障类型识别问题，提出了基于多组合分类器的故障诊断方法。首先该方法将原始振动信号采用经验模态分解（Empirical Mode Decomposition，EMD）、变分模态分解（Variational Mode Decomposition，VMD）以及提升小波变换（Lifting Wavelet Transform，LWT） 进行分解得到多个分量信号，再在对每个分量信号求取特征参量组成特征向量集，输入到K近邻分类器（k-Nearest Neighbor，kNN）、逻辑回归分类器（Logical Regression Multi-Classification，LRMC）以及随机森林分类器（Random Forest，RF）中，以此判断故障类型。最后经过汽车变速箱故障模拟试验台的数据验证，经过分类器性能评价指标验证，基于LWT-RF模型的故障诊断方法具有最高的准确率、精确率、F1-score。

关键词：汽车变速箱;特征参量集;故障诊断

1 引言

汽车变速箱作为汽车传动装置的核心部件，其主要由行星齿轮系组成。由于其工作环境多变、结构复杂等特点，往往导致在使用过程中出现齿轮严重磨损、裂纹、断齿等机械故障，导致设备无法正常运转，将严重影响汽车的机动性能。目前对行星变速箱的故障诊断技术方法的研究中，基于振动信号的故障监测和诊断技术应用比较广泛，相关理论和实践也都比较成熟，主要通过对行星变速箱运行过程中产生的振动信号进行采集和收集，并通过一定的信号分析处理技术对行星变速箱的状态进行监测和诊断。

汽车变速箱的故障诊断难度较大，主要原因是其振动信号的传递途径复杂，信号提取困难，信号分析过程难以提取特征，使得设备的故障诊断很难准确快速地进行。在信号分析处理中，用于行星变速箱故障识别的特征参量很多，国内外学者寻找不同的特征参量并采用不同的故障识别方法均取得了一定的成果[1-6]，但针对汽车行星变速箱故障诊断的研究相对缺乏。

本文提出基于基于多組合分类器的故障EMD、VMD以及LWT进行分解得到多个分量信号，再在对每个分量信号求取特征参量组成特征向量集，输入到kNN、LRMC以及RF分类器模型中，以此实现汽车变速箱的故障诊断。

2 特征参量集的生成

依据传感器测得的振动信号进行分析处理，提取能够反映变速箱工作状态的一些特征参量，用于故障的识别[7]。通过总结文献资料[8]，本文选取了18个用于行星变速箱故障诊断的统计特征参量组成特征参量集对于给定的振动信号而言，其对应的34个特征参量的定义及表达式如表1所示。

3 研究方法

3.1 基于EMD、VMD、LWT的信号预处理方法

采集得到的原始信号中常常混有噪声信号以及非监测部位振动的干扰信号，而故障振动信号一般比较微弱，特征信息容易被淹没。为了有效的获取信号中的特征信息，需要对原始信号进行预处理，获取与原始信号相关性较强的信号分量，这些分量可以包含更多的故障特征信息。其中，采用EMD预处理，由相关性分析，选取分量IMF1、IMF2 、IMF3 、IMF4，采用VMD预处理，分解层数为8层，由相关性分析，选取分量IMF1、IMF2 、IMF3 、IMF4，采用LWT预处理进行三层分解，得到三个高频分量信号、、和三个低频分量信号。由相关性分析，选取分量。

3.2 基于kNN、LRMC、RF的分类器模型

随机森林算法通过对训练集生成多个决策树，在决策时，每个树都会预测一个结果，通过对所有结果进行表决以避免过拟合。随机森林中的任意两棵决策树是相对独立的，通过随机森林算法，保证了过程随机性，也避免了过度拟合，对高维的数据处理也有更多的优势。

k近邻算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。k近邻算法在类别决策时，只与极少量的相邻样本有关。

逻辑回归是一种广义的线性模型，它是一种分类模型。逻辑回归有多个变种，最常用的是用于二分类，当然对于多分类也是适用的。对于多分类实际上他会分成K-1个二分类任务。

当汽车变速箱出现齿轮、轴承、轴系等故障时，会在每个旋转周期产生较强的振动信号，从而在振动信号中引入奇异点，这些奇异点中包含了比较丰富的故障信息。通过选取得到多个分量信号，再在对每个分量信号求取特征参量组成特征向量集，输入到kNN、LRMC、RF分类器中，以此判断复合故障类型。

4 实验与结果

本文选用某汽车变速箱复合故障模拟实验台，由转速控制台、三相异步电动机、测试平台和电磁测功机组成。实验台共模拟设置了5类断齿故障，分别位于行星变速箱不同行星排的不同位置。振动数据由5个测点采集得到，这里选用内置测点5在三档运行时1振动数据为测试数据，测定工况为转速1200r/min，负载900N·m，采样频率20kHz。

选取采样点数5000为一段振动信号分段，每个工作周期为0.25s。由于总采样点数为700416，对于每一个故障类别，根据分段，取140组样本数据。以样本数据为基础，采用EMD、VMD、LWT对原始数据预处理，得到组样本数据，划分其中的80%用于训练集，20%用于测试集。使用kNN、LRMC、RF分类器模型分别对原始信号以及EMD、VMD、LWT预处理过后的信号提取得到的特征参量集进行分类，以此实现对汽车变速箱的故障诊断。选取准确率、精确率、F1-score这三个指标，通过多次训练和预测后取平均值，得到汽车变速箱故障分类的结果如表2所示。

通过以上结果表明，以LWT预处理的信号提取得到的特征参量集为例分析，数据输入到kNN、LRMC、RF分类器中，得到的准确率均大于98%。其中K近邻分类器得到的准确率较高，但精确率和F1-score较低，通过分析混淆矩阵以及统计信息，有部分特征参量的FP（False Postive）和FN（False Negative）数量较多，影响了数据的精确率和F1-score，而在大量样本下掩盖了这些信息，使得准确率还是达到较高水平。由此可得，LWT-KNN模型对综合传动装置实现故障诊断效果要稍差一些，而LWT-RF模型和LWT-LRMC模型均可以较好的识别故障类别，尤其以LWT-RF模型的分类器性能评价指标最优，具有最高的准确率、精确率、F1-score。

5 总结

本文提出了一种基于多组合分类器的故障诊断方法。以原始信号以及EMD、VMD、LWT预处理过后的信号提取得到的特征参量集为输入数据集，输入到kNN、LRMC以及RF分类器模型中，以此实现汽车变速箱的故障诊断。结果表明，经过多组合分类器都可以较好的实现对汽车变速箱故障诊断，其中LWT-RF模型的分类器性能评价指标最优，准确率准确率可达99.95%。

参考文献：

[1]李聪.变速箱嵌入式故障诊断关键技术研究[D]. 国防科学技术大学，2009.

[2]Norden E.Huang，Zheng Shen，Steven R.Long，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proc R Soc Lond A， 1998， 454： 903-995.

[3]B Liu，S Riemenschneider，Y Xu.Gearbox fault diagnosis using empirical mode decomposition and Hilbert spectrum[J].Mechanical Systems & Signal Processing，2006，20（3）：718-734.

[4]Huang N E， Shen S P. Hilbert-Huang transform and its applications [M].World Scientific Publishing，2005.

[5]丁闯，张兵志，冯辅周，等.局部均值分解和排列熵在行星变速箱故障诊断中的应用[J].振动与冲击，2017，36（17）：55-60.

[6]丁闯.基于排列熵的行星变速箱故障诊断研究[A]. 中国振动工程学会、中国振动工程学会动态测试专业委员会.Proceedings of 2016 13th International Conference on Ubiquitous Robots and Ambient Intelligence （URAI）[C].中国振动工程学会、中国振动工程学会动态测试专业委员会：中国振动工程学会，2016：6.

[7] 时建峰. 基于时、频域-小波分析和神经网络方法的变速箱故障诊断研究[D] .太原理工大学，2008.

[8] 程晓涵，汪爱明，花如祥，孟國营.24种特征参量对轴承状态识别的性能研究[J].振动、测试与诊断，2016，36（2）.