汽車主減速器智能故障診斷方法及應(yīng)用研究.pdf

1、主減速器是汽車傳動(dòng)系統(tǒng)中的關(guān)鍵部件，其狀態(tài)對(duì)車輛的舒適度和安全性具有直接的影響。由于主減速器復(fù)雜的內(nèi)部結(jié)構(gòu)，各零部件之間的關(guān)聯(lián)非常緊密，當(dāng)主減速器出現(xiàn)某一功能失效時(shí)，可能是由于同時(shí)出現(xiàn)了多種故障?，F(xiàn)有的主減速器故障診斷方法主要針對(duì)單故障進(jìn)行診斷，無(wú)法準(zhǔn)確地識(shí)別出多故障模式。
　　近年來(lái)，隨著人工智能技術(shù)的發(fā)展，以信號(hào)處理為核心的傳統(tǒng)故障診斷技術(shù)逐步轉(zhuǎn)變?yōu)橐詸C(jī)器學(xué)習(xí)為核心的智能故障診斷技術(shù)，能有效提高故障診斷的智能化水平，在故障診斷

2、領(lǐng)域取得了一定成果。然而，為了實(shí)現(xiàn)主減速器單故障和多故障的智能診斷，仍然存在一些關(guān)鍵問(wèn)題需要進(jìn)一步研究，包括：針對(duì)所采集的強(qiáng)噪聲環(huán)境下的主減速器振動(dòng)信號(hào)，如何在有效降噪的同時(shí)避免高頻特征成分的過(guò)度平滑；針對(duì)非線性、非平穩(wěn)的高維降噪信號(hào)中的復(fù)雜特征成分，如何提取能反映主減速器狀態(tài)的微弱故障特征；針對(duì)已標(biāo)記故障樣本缺乏的問(wèn)題，如何獲得準(zhǔn)確、完備的樣本集用于訓(xùn)練智能故障診斷模型；由于難以采集到所有可能出現(xiàn)的多故障樣本，如何構(gòu)建一種主減速器智能

3、故障診斷模型，同時(shí)實(shí)現(xiàn)單故障和多故障模式的智能診斷。基于此，本論文提出了一種能同時(shí)識(shí)別單故障和多故障模式的主減速器智能故障診斷方法。
　　本學(xué)位論文圍繞強(qiáng)噪聲環(huán)境下的主減速器智能故障診斷方法的應(yīng)用研究問(wèn)題，從強(qiáng)噪聲環(huán)境下振動(dòng)信號(hào)的降噪、非線性非平穩(wěn)微弱特征的提取、未標(biāo)記故障樣本的半監(jiān)督學(xué)習(xí)以及主減速器單故障與多故障模式的智能診斷等方面展開研究。
　　本學(xué)位論文的主要研究?jī)?nèi)容包括：
　?。?）針對(duì)強(qiáng)噪聲環(huán)境下的主減速器智

4、能故障診斷問(wèn)題，為了避免部分高頻特征在降噪時(shí)被作為強(qiáng)噪聲成分而被過(guò)濾掉，提出了一種基于自適應(yīng)稀疏樹結(jié)構(gòu)的降噪方法，有效提高所采集振動(dòng)信號(hào)的信噪比。
　　首先，基于不同尺度小波系數(shù)之間的相關(guān)性，實(shí)現(xiàn)基于結(jié)構(gòu)化稀疏的樹結(jié)構(gòu)小波估計(jì)；然后，為了在降噪過(guò)程中有效保留多種信號(hào)特征，利用雙樹復(fù)小波變換從原始振動(dòng)信號(hào)中檢測(cè)出特征點(diǎn)位置；最后，以此作為自適應(yīng)調(diào)整樹結(jié)構(gòu)正則化權(quán)值的依據(jù)，收縮覆蓋特征點(diǎn)位置的系數(shù)組所對(duì)應(yīng)的正則化權(quán)值。
　?。?

5、）為了提高智能故障診斷方法的診斷精確度，提出了一種基于三階段多核學(xué)習(xí)框架的非線性監(jiān)督特征提取方法，用于降低信號(hào)維度，提取出能反映主減速器運(yùn)行狀態(tài)的非平穩(wěn)、非線性的微弱特征成分。
　　三階段多核學(xué)習(xí)框架從基核函數(shù)的選擇、基核函數(shù)的組合以及算法效率三個(gè)方面進(jìn)行了改進(jìn)。首先，構(gòu)建一個(gè)包含多種類型核函數(shù)的候選基核函數(shù)集，以保證提取信息特征的多樣性；然后，將三階段多核學(xué)習(xí)框架與基于空間轉(zhuǎn)換的非線性特征提取方法相結(jié)合，實(shí)現(xiàn)了非線性監(jiān)督特征提取

6、。
　?。?）針對(duì)已標(biāo)記故障樣本缺乏的問(wèn)題，為了獲得準(zhǔn)確的、完備的樣本集用于訓(xùn)練智能故障診斷模型，提出了一種基于聚類判別流形正則化框架和極限學(xué)習(xí)機(jī)的半監(jiān)督學(xué)習(xí)模型，對(duì)大量無(wú)標(biāo)記樣本的故障類別進(jìn)行半監(jiān)督學(xué)習(xí)，擴(kuò)充訓(xùn)練集以提高智能故障診斷模型的泛化性。
　　首先，將樣本集的聚類標(biāo)簽與配對(duì)約束正則化相結(jié)合，提出了基于聚類判別流形正則化的半監(jiān)督學(xué)習(xí)框架；然后，結(jié)合極限學(xué)習(xí)機(jī)在學(xué)習(xí)速度上的優(yōu)勢(shì)，提出了一種基于聚類判別流形正則化框架和極

7、限學(xué)習(xí)機(jī)的半監(jiān)督學(xué)習(xí)模型；最后，為了提高該模型的性能，提出了一種多目標(biāo)果蠅算法用于優(yōu)化半監(jiān)督學(xué)習(xí)模型的參數(shù)。
　?。?）由于難以采集到所有可能出現(xiàn)的多故障樣本，為了同時(shí)實(shí)現(xiàn)單故障和多故障模式的智能診斷，構(gòu)建了一種以單故障樣本作為訓(xùn)練集的配對(duì)稀疏貝葉斯極限學(xué)習(xí)機(jī)智能故障診斷模型，并應(yīng)用于主減速器的智能故障診斷中。
　　首先，基于稀疏貝葉斯極限學(xué)習(xí)機(jī)的概率輸出特點(diǎn)，使用單故障樣本并采用配對(duì)策略訓(xùn)練基于配對(duì)稀疏貝葉斯極限學(xué)習(xí)機(jī)的分