CN101354311A - 汽车后桥寿命预测系统 - Google Patents

Abstract

本发明公开了一种汽车后桥寿命预测系统，包括有压电传感器、放大电路、模数转换电路、微控制器、通讯接口电路和PC机，压电传感器将采集的振动信号输出给放大电路进行放大后，再输出给模数转换电路进行模数转换，该模数转换电路输出数字信号给微控制器，微控制器经通讯接口电路将数字信号传输给PC机，PC机接收的数字信号分析处理并建立预测的时间序列模型后，进行寿命预测，其特征在于：PC机接收数字信号后首先对信号进行递归处理和差分处理的预处理，然后按通道分别计算两个状态参数平方根值和峭度系数，组成两组时间序列，并对这两组时间序列建模，得到预测结果。本发明是专门针对汽车后桥的寿命预测系统，预测精度较高。

Description

汽车后桥寿命预测系统

技术领域

本发明涉及一种寿命预测系统，具体地说，涉及一种用于汽车后桥的寿命预测系统。

背景技术

汽车后桥是汽车传动系统中的重要组成部件，其工作可靠性的高低，直接影响整个系统的运行。根据统计，有20％的汽车事故是由于后桥故障造成的。在后桥运转过程中，如果能比较准确地对后桥故障做出预测，这样既可以有效地预防后桥故障的发生，又可以减少不必要的维修，节约开支，提高其寿命。

目前，国际上有代表性的预测系统有美国Entek公司的IRD-890PM检测维修系统、丹麦D&K公司的COMPASS TYPE 3540系统、TYPE3560系统等，这些系统一般用于设备的离线预测，虽然功能比较强大，但是价格也比较昂贵，而且维护、更新和改进都比较困难。而国内以预知维护为目标的智能状态在线预测系统还很少。专利《汽车信息预警与零件寿命预测系统与方法》(公开号：CN101064025)提出了一种汽车信息预警与零件寿命预测系统，可实现对数据采集、发送、诊断，但该系统是通过网络数据库中汽车的维修记录与零件的信息来推测汽车零件安全使用寿命的期限，由于零件的个体差异与工作环境等原因，使得预报的精度不高。而且目前还缺乏专门针对汽车后桥的在线预测系统。

发明内容

本发明的目的在于提供一种汽车后桥寿命预测系统，能够对汽车后桥运行寿命提供更高精度的预测。

为了实现上述目的，本发明的技术方案如下：一种汽车后桥寿命预测系统，包括有压电传感器、放大电路、模数转换电路、微控制器、通讯接口电路和PC机，所述压电传感器将采集的振动信号输出给所述放大电路进行放大后，再输出给所述模数转换电路进行模数转换，该模数转换电路输出数字信号给所述微控制器后，微控制器经通讯接口电路将数字信号传输给PC机，所述PC机接收的数字信号分析处理并建立预测模型后，进行寿命预测，其关键在于：

所述PC机包括有：

用于设置两个状态参数阈值QR、QK以及模型阶次阈值的装置；

用于设置通道号CH＝0的装置；首先根据第一通道采集的数据进行预测。

用于调整通道采集信号的装置；

所述振动信号经放大、模数转换后送入PC机，首先将振动信号进行调整，调整公式如下：

$a=\frac{l}{\mathrm{sm}}$

其中，l表示当前通道采集的数据点的电压值，s表示对应压电传感器的灵敏度，m表示所述放大电路的放大倍数，a为调整后得到的振动量值，经过信号调整，真实反映出后桥的振动信息。

用于计算所述两个状态参数：均方根值RMS和峭度系数Kv作为两组时间序列的装置；

均方根值RMS反映了信号的平均能量的大小，峭度系数Kv反映了冲击能量的大小，由于峭度系数Kv对于冲击脉冲及冲击类故障敏感，特别是在故障发展的早期，峭度系数值有明显增加，但是随着故障的继续发展，敏感度下降，因此仅把峭度系数Kv作为预测指标稳定性不好，而均方根值RMS稳定性好，但对早期故障不敏感，RMS随着故障的增加而呈现递增的状态，所以二者配合使用，预测效果更好。根据当前通道采集的数据分别计算RMS和Kv，RMS按下式计算：

$\mathrm{RMS}={\left(\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{a}_i^2\right)}^{1/2}$

其中，a_i为当前通道在某一固定长时间内采集的数据经调整后得到的数据序列，N为该数据序列的长度，一个数据序列计算一个RMS值，多个连续的等时间间隔的数据序列对应计算出多个RMS值，组成RMS时间序列。

同时，每个RMS对应一个Kv，Kv按下式计算：

$\mathrm{Kv}=\frac{\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{a}_i^4}{{\mathrm{RMS}}^4}$

其中，a_i、N表示的意思与RMS计算公式中的意思相同。多个连续的等时间间隔的数据序列对应计算出多个Kv值，组成Kv时间序列。

用于对RMS时间序列建模并获得RMS预测值的装置；利用当前RMS时间序列建模后获得将来汽车后桥的RMS值。

用于对Kv时间序列建模并获得Kv预测值的装置；利用当前Kv时间序列建模后获得将来汽车后桥的Kv值。

用于判断RMS预测值＞QR并且Kv预测值＞QK是否同时成立的装置；

如果成立，则进入用于报警的装置；表明在某一段时间后，汽车后桥会出现故障，对该预测故障做出报警提示。

如果不成立，则进入用于判断CH＞通道数是否成立的装置；通道数与压电传感器数相等，每个通道对应一个压电传感器，每一次预测都要对所有压电传感器采集的数据进行分析后，预测汽车后桥的寿命。

如果CH＞通道数成立，则返回到所述用于设置通道号CH＝0的装置；表明已经完成一次对所有压电传感器采集数据的分析，需要再次从第一个压电传感器采集的数据进行分析预测。

如果CH＞通道数不成立，则进入用于CH＝CH+1的装置；表明还未完成一次对所有压电传感器采集数据的分析，接着进行下一个压电传感器采集数据的分析。

返回到所述用于调整通道采集信号的装置。在分析每个压电传感器采集的数据之前，都要对数据进行调整。

所述用于对RMS时间序列建模并获得RMS预测值的装置包括有：

用于RMS时间序列预处理的装置；预处理后得到的数据更符合模型参数估计的要求，使预测精度更高。

用于模型阶次初始化的装置；所述模型阶次初始值设为1。

用于判断所述模型阶次是否大于所述模型阶次阈值的装置；

如果模型阶次没有大于模型阶次阈值，则进入用于计算最小信息准则数AIC值的装置；

AIC即最小信息准则，该准则的基本思想是根据模型的预报误差来判断模型的阶数是否合适，最小的AIC值对应最合适的模型阶次。

用于增加所述模型阶次的装置；模型阶次按1逐渐递增。

返回到所述用于判断模型阶次是否大于模型阶次阈值的装置；

如果模型阶次大于模型阶次阈值，则进入用于选择AIC值最小的模型阶次进行模型参数估计的装置；当模型阶次大于模型阶次阈值时，表示已完成设定阶次内AIC值的计算，此时选取最小的AIC值对应的模型阶次进行模型参数估计，得到拟合出的模型。

用于模型预测获得RMS估计值的装置；所述RMS估计值指对RMS时间序列经预处理后所得数据的预测。

用于RMS估计值逆变换获得RMS预测值的装置。所述RMS预测值是将RMS估计值经过逆变换后得到的均方根值RMS，是原有RMS时间序列的预测。

所述用于对Kv时间序列建模并获得Kv预测值的装置包括有：

用于Kv时间序列预处理的装置；预处理后得到的数据更符合模型参数估计的要求，使预测精度更高。

用于模型阶次初始化的装置；所述模型阶次初始值设为1。

用于判断所述模型阶次是否大于所述模型阶次阈值的装置；

如果模型阶次没有大于模型阶次阈值，则进入用于计算最小信息准则数AIC值的装置；

AIC即最小信息准则，该准则的基本思想是根据模型的预报误差来判断模型的阶数是否合适，最小的AIC值对应最合适的模型阶次。

用于增加所述模型阶次的装置；模型阶次按1逐渐递增。

返回到所述用于判断模型阶次是否大于模型阶次阈值的装置；

如果模型阶次大于模型阶次阈值，则进入用于选择AIC值最小的模型阶次进行模型参数估计的装置；当模型阶次大于模型阶次阈值时，表示已完成设定阶次内AIC值的计算，此时选取最小的AIC值对应的模型阶次进行模型参数估计，得到拟合出的模型。

用于模型预测获得Kv估计值的装置；所述Kv估计值指对Kv时间序列经预处理后所得数据的预测。

用于Kv估计值逆变换获得Kv预测值的装置。所述Kv预测值是将Kv估计值经过逆变换后得到的峭度系数Kv，是原有Kv时间序列的预测。

所述时间序列预处理的装置包括有递归处理机构和差分处理机构，所述递归处理按下式进行：

${\mathrm{\μ}}_{\mathrm{xn}}=\frac{n-1}{n}{\mathrm{\μ}}_{x(n-1)}+\frac{1}{n}{x}_n$

其中，μ_xn为回归值，x_n为状态参数序列当前值；

所述差分处理按下式进行：

$\▿{\mathrm{\μ}}_{\mathrm{xn}}={\mathrm{\μ}}_{\mathrm{xn}}-{\mathrm{\μ}}_{x(n-1)}$

其中，

为差分值。

递归处理可以消除随机因素的干扰，但是递归处理后的数据具有明显的线性趋势，对递归后的数据进行一阶差分处理后，得到平稳序列，从而提高预测的精度。

所述时间序列模型为滑动平均自回归模型，表示为：

$Y\left(t\right)=-\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\φ}}_{i}Y(t-i)+\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\θ}}_{i}a(t-i)+a\left(t\right)$

其中，p、q分别是自回归部分和滑动平均部分的阶次，φ_i(i＝1，2，…，p)、θ_i(i＝1，2，…，q)分别为自回归系数和滑动平均系数，a(t)为零均值、方差为δ²的独立同分布白噪声序列，Y(t)为平稳序列。

时间序列的基本思想是：某些时间序列是依赖于时间的一组随机变量，构成该时间序列的单个序列值虽然具有不确定性，但整个序列的变化却有一定的规律性，可以用相应的数学模型来近似描述。滑动平均自回归模型是时间序列模型中最常用、最成熟的一种模型，它形式简单，对数据进行拟合比较方便，便于分析数据的结构和内在性质，能达到最小方差意义下的最优预测，是一种精度较高的时序短期预测方法，因此选用该模型来进行汽车后桥寿命的预测。

由于本模型中涉及两个参数p、q，因此在所述用于模型阶数初始化的装置中，设置(p，q)＝(1，1)，在所述用于增加模型阶次的装置中，p、q交替增加1，如第一增加：(p，q)＝(2，1)，第二次增加：(p，q)＝(2，2)，第三次增加：(p，q)＝(3，2)等等。

所述AIC值由下式获得：

$\mathrm{AIC}(p,q)=2k+N\ln \left({\widehat{\mathrm{\σ}}}_{\mathrm{\ϵ}}^2\right)$

其中，p、q分别为自回归部分和滑动平均部分的阶次，k＝p+q+2，N为序列的长度，

为状态参数序列经过预处理后得到的新序列的方差的估计值，该估计值由下式得到：

${\widehat{\mathrm{\σ}}}_{\mathrm{\ϵ}}^2=\frac{1+{\widehat{\mathrm{\φ}}}_1^2+\·\·\·+{\widehat{\mathrm{\φ}}}_p^2}{1+{\widehat{\mathrm{\θ}}}_1^2+\·\·\·+{\widehat{\mathrm{\θ}}}_q^2}{\widehat{\mathrm{\σ}}}_x^2$

其中， ${\widehat{\mathrm{\φ}}}_i(i=\mathrm{1,2},\·\·\·,p),{\widehat{\mathrm{\θ}}}_i(i=\mathrm{1,2},\·\·\·,q)$ 分别为自回归系数和滑动平均系数的矩估计，

为状态参数序列经过预处理后得到的新序列的方差。

为了实现汽车后桥故障的远程诊断，所述PC机还将接收的数据和报警信息上传至局域网和/或英特网。

所述通讯接口电路为USB接口芯片，该USB接口芯片的信号输入端与微控制器的第一信号输出端连接，信号输出端与PC机连接。

所述通讯接口电路为485总线芯片，该485总线芯片的信号输入端与微控制器的第二信号输出端连接，信号输出端通过转换器与PC机连接。

所述通讯接口电路为CAN总线电路，该CAN总线电路由CAN控制器和CAN收发器组成，所述CAN控制器的信号输入端与微控制器的第三信号输出端连接，该CAN控制器的信号输出与CAN收发器的信号输入端连接，CAN收发器的信号输出端经CAN总线与PC机连接。

有益效果：与现有技术相比，本发明提出了一种专门针对汽车后桥的寿命预测系统，该系统采用滑动平均自回归模型，并结合递归处理和差分处理进行预处理，使预处理后的数据能更有利于进行模型参数估计，从而能够对汽车后桥运行寿命提供更高精度的预测。

附图说明

图1是本发明的结构示意图；

图2是本发明的预测流程图；

图3是本发明中对RMS时间序列建模并获得RMS预测值的流程图；

图4是本发明中对Kv时间序列建模并获得Kv预测值的流程图；

图5是本发明中通讯接口电路与微控制器连接电路图；

图6是本发明实施例1中均方根值RMS的实测与预测结果对比；

图7是本发明实施例1中峭度系数Kv的实测与预测结果对比。

具体实施方式

下面结合附图和实施例进一步对本发明加以说明。

实施例1：

如图1所示：一种汽车后桥寿命预测系统，包括有压电传感器1、放大电路2、模数转换电路3、微控制器4、通讯接口电路5和PC机6，所述压电传感器1将采集的振动信号输出给所述放大电路2进行放大后，再输出给所述模数转换电路3进行模数转换，该模数转换电路3输出数字信号给所述微控制器4后，微控制器4经通讯接口电路5将数字信号传输给PC机6，所述PC机6接收的数字信号分析处理并建立预测的时间序列模型后，进行寿命预测，为了实现汽车后桥故障的远程诊断，所述PC机6还将接收的数据和报警信息上传至局域网7和/或英特网8。

如图1、5所示：本实施例中设置有4个型号为BZ1101型压电传感器1，相应通道数为4路。本实施例采用型号为AT89S52型微控制器5，微控制器5的四个信号输入端P1.3～P1.6接收模数转换电路3的数字信号。

如图5所示：本实施例中，所述通讯接口电路5为PDIUSBD12型USB接口芯片，该USB接口芯片的信号输入端DATA0～DATA7与微控制器4的第一信号输出端P2口连接，信号输出端D+、D-与PC机6连接。

如图2所示：所述PC机6包括有：

用于设置两个状态参数阈值QR、QK以及模型阶次阈值的装置；

用于设置通道号CH＝0的装置；首先根据第一通道采集的数据进行预测。

用于调整通道采集信号的装置；

所述振动信号经放大、模数转换后送入PC机，首先将振动信号进行调整，调整公式如下：

$a=\frac{l}{\mathrm{sm}}$

其中，l表示当前通道采集的数据点的电压值，s表示对应压电传感器的灵敏度，m表示所述放大电路的放大倍数，a为调整后得到的数据点的振动量值，经过信号调整，真实反映出后桥的振动信息。

用于计算所述两个状态参数：均方根值RMS和峭度系数Kv作为两组时间序列的装置；

根据当前通道采集的数据分别计算RMS和Kv，RMS按下式计算：

$\mathrm{RMS}={\left(\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{a}_i^2\right)}^{1/2}$

其中，a_i为当前通道在某一固定长时间内采集的数据经调整后得到的数据序列，N为该数据序列的长度，一个数据序列计算一个RMS值，多个连续的等时间间隔的数据序列对应计算出多个RMS值，组成RMS时间序列。

同时，每个RMS对应一个Kv，Kv按下式计算：

$\mathrm{Kv}=\frac{\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{a}_i^4}{{\mathrm{RMS}}^4}$

其中，a_i、N表示的意思与RMS计算公式中的意思相同。多个连续的等时间间隔的数据序列对应计算出多个Kv值，组成Kv时间序列。

如以2分钟为时间间隔，每2分钟内采集的振动数据经调整后得到的数据序列就可以计算出一个RMS和一个Kv，如总共采集84分钟的数据，得到的RMS时间序列和Kv时间序列的长度都是42。

用于对RMS时间序列建模并获得RMS预测值的装置；利用当前RMS时间序列建模后获得将来汽车后桥的RMS值。

本发明中采用的时间序列模型为滑动平均自回归模型，表示为：

$Y\left(t\right)=-\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\φ}}_{i}Y(t-i)+\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\θ}}_{i}a(t-i)+a\left(t\right)$

其中，p、q分别是自回归部分和滑动平均部分的阶次，φ_i(i＝1，2，…，p)、θ_i(i＝1，2，…，q)分别为自回归系数和滑动平均系数，a(t)为零均值、方差为δ²的独立同分布白噪声序列，Y(t)为平稳序列。

如图3所示：所述用于对RMS时间序列建模并获得RMS预测值的装置包括有：

用于RMS时间序列预处理的装置；

所述时间序列预处理的装置包括有递归处理机构和差分处理机构，所述递归处理按下式进行：

${\mathrm{\μ}}_{\mathrm{xn}}=\frac{n-1}{n}{\mathrm{\μ}}_{x(n-1)}+\frac{1}{n}{x}_n$

其中，μ_xn为回归值，x_n为状态参数序列当前值；

所述差分处理按下式进行：

$\▿{\mathrm{\μ}}_{\mathrm{xn}}={\mathrm{\μ}}_{\mathrm{xn}}-{\mathrm{\μ}}_{x(n-1)}$

其中，

为差分值。

预处理后得到的数据更符合模型参数估计的要求，使预测精度更高。

用于模型阶次初始化的装置；

用于判断所述模型阶次是否大于所述模型阶次阈值的装置；

用于增加所述模型阶次的装置；模型阶次按1逐渐递增。

由于本模型中涉及两个参数p、q，因此在所述用于模型阶数初始化的装置中，设置(p，q)＝(1，1)，在所述用于增加模型阶次的装置中，p、q交替增加1，如第一增加：(p，q)＝(2，1)，第二次增加：(p，q)＝(2，2)，第三次增加：(p，q)＝(3，2)等等。

如果模型阶次没有大于模型阶次阈值，则进入用于计算最小信息准则数AIC值的装置；如模型阶次阈值为：(p，q)＝(5，5)时，则只有当p、q同时大于5时，判断为模型阶次大于模型阶次阈值，否则判断为模型阶次没有大于模型阶次阈值。

返回到所述用于判断模型阶次是否大于模型阶次阈值的装置；

如果模型阶次大于模型阶次阈值，则进入用于选择AIC值最小的模型阶次进行模型参数估计的装置；当模型阶次大于模型阶次阈值时，表示已完成设定阶次内AIC值的计算，此时选取最小的AIC值对应的模型阶次进行模型参数估计，得到拟合出的模型。

所述AIC值由下式获得：

$\mathrm{AIC}(p,q)=2k+N\ln \left({\widehat{\mathrm{\σ}}}_{\mathrm{\ϵ}}^2\right)$

其中，p、q分别为自回归部分和滑动平均部分的阶次，k＝p+q+2，N为序列的长度，为状态参数序列经过预处理后得到的新序列的方差的估计值，该估计值由下式得到：

${\widehat{\mathrm{\σ}}}_{\mathrm{\ϵ}}^2=\frac{1+{\widehat{\mathrm{\φ}}}_1^2+\·\·\·+{\widehat{\mathrm{\φ}}}_p^2}{1+{\widehat{\mathrm{\θ}}}_1^2+\·\·\·+{\widehat{\mathrm{\θ}}}_q^2}{\widehat{\mathrm{\σ}}}_x^2$

其中， ${\widehat{\mathrm{\φ}}}_i(i=\mathrm{1,2},\·\·\·,p),{\widehat{\mathrm{\θ}}}_i(i=\mathrm{1,2},\·\·\·,q)$ 分别为自回归系数和滑动平均系数的矩估计，为状态参数序列经过预处理后得到的新序列的方差。

用于模型预测获得RMS估计值的装置；所述RMS估计值指对RMS时间序列经预处理后所得数据的预测。

用于RMS估计值逆变换获得RMS预测值的装置。所述RMS预测值是将RMS估计值经过逆变换后得到的均方根值RMS，是原有RMS时间序列的预测。

如图6所示：图中RMS实测值是以2分钟为时间间隔计算出的RMS时间序列，可以看出RMS预测值与RMS实测值基本吻合，说明本发明对RMS值预测的精度较高。

用于对Kv时间序列建模并获得Kv预测值的装置；利用当前Kv时间序列建模后获得将来汽车后桥的Kv值。

如图4所示：所述用于对Kv时间序列建模并获得Kv预测值的装置包括有：

用于Kv时间序列预处理的装置；预处理后得到的数据更符合模型参数估计的要求，使预测精度更高。

用于模型阶次初始化的装置；所述模型阶次初始值设为1。

用于判断所述模型阶次是否大于所述模型阶次阈值的装置；

如果模型阶次没有大于模型阶次阈值，则进入用于计算最小信息准则数AIC值的装置；

AIC即最小信息准则，该准则的基本思想是根据模型的预报误差来判断模型的阶数是否合适，最小的AIC值对应最合适的模型阶次。

用于增加所述模型阶次的装置；模型阶次按1逐渐递增。

返回到所述用于判断模型阶次是否大于模型阶次阈值的装置；

如果模型阶次大于模型阶次阈值，则进入用于选择AIC值最小的模型阶次进行模型参数估计的装置；

用于模型预测获得Kv估计值的装置；所述Kv估计值指对Kv时间序列经预处理后所得数据的预测。

用于Kv估计值逆变换获得Kv预测值的装置。所述Kv预测值是将Kv估计值经过逆变换后得到的峭度Kv，是原有Kv时间序列的预测。

所述用于对Kv时间序列建模并获得Kv预测值的装置与所述用于对RMS时间序列建模并获得RMS预测值的装置采用的方法一样，只是建模的数据不同，就不再详述。

如图7所示：图中Kv实测值是以2分钟为时间间隔计算出的Kv时间序列，Kv预测值与Kv实测值基本吻合，说明本发明对Kv值的预测精度较高。

用于判断RMS预测值＞QR并且Kv预测值＞QK是否同时成立的装置；

如果成立，则进入用于报警的装置；表明在某一段时间后，汽车后桥会出现故障，对该预测故障做出报警提示。

如果不成立，则进入用于判断CH＞通道数是否成立的装置；通道数与压电传感器数相等，每个通道对应一个压电传感器，每一次预测都要对所有压电传感器采集的数据进行分析后，预测汽车后桥的寿命。

如果CH＞通道数成立，则返回到所述用于设置通道号CH＝0的装置；表明已经完成一次对所有压电传感器采集数据的分析，需要再次从第一个压电传感器采集的数据进行分析预测。

如果CH＞通道数不成立，则进入用于CH＝CH+1的装置；表明还未完成一次对所有压电传感器采集数据的分析，接着进行下一个压电传感器采集数据的分析。

返回到所述用于调整通道采集信号的装置。在分析每个压电传感器采集的数据之前，都要对数据进行调整。

实施例2：

本实施例与实施例1的结构和工作原理大致相同，其不同之处在于：所述通讯接口电路5为MAX485型485总线芯片，该485总线芯片的信号输入端RO、DI、RE、DE与微控制器4的第二信号输出端RXD、TXD、P1.7连接，信号输出端A、B通过转换器与PC机6连接。

实施例3：

本实施例与实施例1的结构和工作原理大致相同，其不同之处在于：所述通讯接口电路5为CAN总线电路，该CAN总线电路由SJA1000型CAN控制器和PCA82C250型CAN收发器组成，所述CAN控制器的信号输入端AD0～AD7与微控制器4的第三信号输出端P0口连接，该CAN控制器的信号输出端TX0、RX0与CAN收发器的信号输入端TXD、RXD连接，CAN收发器的信号输出端CANH和CANL经CAN总线与PC机6连接。

Claims (10)

1、一种汽车后桥寿命预测系统，包括有压电传感器(1)、放大电路(2)、模数转换电路(3)、微控制器(4)、通讯接口电路(5)和PC机(6)，所述压电传感器(1)将采集的振动信号输出给所述放大电路(2)进行放大后，再输出给所述模数转换电路(3)进行模数转换，该模数转换电路(3)输出数字信号给所述微控制器(4)后，微控制器(4)经通讯接口电路(5)将数字信号传输给PC机(6)，所述PC机(6)接收的数字信号分析处理并建立预测的时间序列模型后，进行寿命预测，其特征在于：

所述PC机(6)包括有：

用于设置两个状态参数阈值QR、QK以及模型阶次阈值的装置；

用于设置通道号CH＝0的装置；

用于调整通道采集信号的装置；

用于计算所述两个状态参数：均方根值RMS和峭度系数Kv作为两组时间序列的装置；

用于对RMS时间序列建模并获得RMS预测值的装置；

用于对Kv时间序列建模并获得Kv预测值的装置；

用于判断RMS预测值＞QR并且Kv预测值＞QK是否同时成立的装置；

如果成立，则进入用于报警的装置；

如果不成立，则进入用于判断CH＞通道数是否成立的装置；

如果CH＞通道数成立，则返回到所述用于设置通道号CH＝0的装置；

如果CH＞通道数不成立，则进入用于CH＝CH+1的装置；

返回到所述用于调整通道采集信号的装置。

2、根据权利要求1所述汽车后桥寿命预测系统，其特征在于：所述用于对RMS时间序列建模并获得RMS预测值的装置包括有：

用于RMS时间序列预处理的装置；

用于模型阶次初始化的装置；

用于判断所述模型阶次是否大于所述模型阶次阈值的装置；

如果模型阶次没有大于模型阶次阈值，则进入用于计算最小信息准则数AIC值的装置；

用于增加所述模型阶次的装置；

返回到所述用于判断模型阶次是否大于模型阶次阈值的装置；

如果模型阶次大于模型阶次阈值，则进入用于选择AIC值最小的模型阶次进行模型参数估计的装置；

用于模型预测获得RMS估计值的装置；

用于所述RMS估计值逆变换获得RMS预测值的装置。

3、根据权利要求1所述汽车后桥寿命预测系统，其特征在于：所述用于对Kv时间序列建模并获得Kv预测值的装置包括有：

用于Kv时间序列预处理的装置；

用于模型阶次初始化的装置；

用于判断所述模型阶次是否大于所述模型阶次阈值的装置；

如果模型阶次没有大于模型阶次阈值，则进入用于计算最小信息准则数AIC值的装置；

用于增加所述模型阶次的装置；

返回到所述用于判断模型阶次是否大于模型阶次阈值的装置；

如果模型阶次大于模型阶次阈值，则进入用于选择AIC值最小的模型阶次进行模型参数估计的装置；

用于模型预测获得Kv估计值的装置；

用于所述Kv估计值逆变换获得Kv预测值的装置。

4、根据权利要求2或3所述汽车后桥寿命预测系统，其特征在于：所述时间序列预处理的装置包括有递归处理机构和差分处理机构，所述递归处理按下式进行：

${\mathrm{\μ}}_{\mathrm{xn}}=\frac{n-1}{n}{\mathrm{\μ}}_{x(n-1)}+\frac{1}{n}{x}_n$

其中，μ_xn为回归值，x_n为状态参数时间序列当前值；

所述差分处理按下式进行：

${\▿\mathrm{\μ}}_{\mathrm{xn}}={\mathrm{\μ}}_{\mathrm{xn}}-{\mathrm{\μ}}_{x(n-1)}$

其中，为差分值。

5、根据权利要求2或3所述汽车后桥寿命预测系统，其特征在于：所述时间序列模型为滑动平均自回归模型，表示为：

$Y\left(t\right)=-\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\φ}}_{i}Y(t-i)+\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\θ}}_{i}a(t-i)+a\left(t\right)$

其中，p、q分别是自回归部分和滑动平均部分的阶次，φ_i(i＝1，2，…，p)、φ_i(i＝1，2，…，q)分别为自回归系数和滑动平均系数，a(t)为零均值、方差为δ²的独立同分布白噪声序列，Y(t)为平稳序列。

6、根据权利要求5所述汽车后桥寿命预测系统，其特征在于：所述AIC值由下式获得：

$\mathrm{AIC}(p,q)=2k+N\ln \left({\widehat{\mathrm{\σ}}}_{\mathrm{\ϵ}}^2\right)$

其中，p、q分别为自回归部分和滑动平均部分的阶次，k＝p+q+2，N为序列的长度，为状态参数序列经过预处理后得到的新序列的方差的估计值，该估计值由下式得到：

${\widehat{\mathrm{\σ}}}_{\mathrm{\ϵ}}^2=\frac{1+{\widehat{\mathrm{\φ}}}_1^2+...+{\widehat{\mathrm{\φ}}}_p^2}{1+{\widehat{\mathrm{\θ}}}_1^2+...+{\widehat{\mathrm{\θ}}}_q^2}{\widehat{\mathrm{\σ}}}_x^2$

其中，

分别为自回归系数和滑动平均系数的矩估计，

为状态参数序列经过预处理后得到的新序列的方差。

7、根据权利要求1所述汽车后桥寿命预测系统，其特征在于：所述PC机(6)还将接收的数据和报警信息上传至局域网(7)和/或英特网(8)。

8、根据权利要求1所述汽车后桥寿命预测系统，其特征在于：所述通讯接口电路(5)为USB接口芯片，该USB接口芯片的信号输入端与微控制器(4)的第一信号输出端连接，信号输出端与PC机(6)连接。

9、根据权利要求1所述汽车后桥寿命预测系统，其特征在于：所述通讯接口电路(5)为485总线芯片，该485总线芯片的信号输入端与微控制器(4)的第二信号输出端连接，信号输出端通过转换器与PC机(6)连接。

10、根据权利要求1所述汽车后桥寿命预测系统，其特征在于：所述通讯接口电路(5)为CAN总线电路，该CAN总线电路由CAN控制器和CAN收发器组成，所述CAN控制器的信号输入端与微控制器(4)的第三信号输出端连接，该CAN控制器的信号输出与CAN收发器的信号输入端连接，CAN收发器的信号输出端经CAN总线与PC机(6)连接。

Images