CN102564759B - 基于智能轴承的汽车后桥寿命预测系统 - Google Patents

Abstract

本发明公开了一种基于智能轴承的汽车后桥寿命预测系统，包括智能轴承，智能轴承采集的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线性时间序列模型后，进行寿命预测。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

基于智能轴承的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。申请号为2008100702367、名称为“汽车后桥寿命预测系统”的专利申请中公开了一种汽车后桥预测系统，但该系统用于分析的信号不平稳，因此预测误差大。

发明内容

本发明的目的在于提供一种基于智能轴承的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：一种基于智能轴承的汽车后桥寿命预测系统，包括用于支承后桥第一半轴、第二半轴和传动轴的轴承；其关键在于：

所述轴承的端面处设置有传感壳体；所述传感壳体包括环状底盘；所述环状底盘对应内圆和外圆处设置均向所述轴承延伸的内壳和外壳；所述内壳的内径不小于所述轴承的内径；所述外壳与所述轴承的外圈固定连接；

所述内壳上设置有振动加速度传感器、温度传感器和速度传感器；所述内壳与外壳之间设置有电路板；所述电路板与所述振动加速度传感器、温度传感器和速度传感器电连接。

所述振动加速度传感器、温度传感器和速度传感器将采集的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机对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；

所述PC机包括有：

用于根据转速信号计算插值角度Δθ的装置；

用于拟合转速与时间的曲线，并等Δθ插值，计算对应时间t序列的装置；

用于根据时间t序列，拟合振动加速度信号与时间的曲线，并按时间t序列进行插值，形成振动加速度信号线性时间序列的装置；

用于设置三个状态参数阈值QR、QK、QT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；

用于计算状态参数：根据当前通道采集的数据分别计算均方根值RMS、峭度系数Kv和温度参数T的装置；

温度参数T按下式计算：

$T=\left(\frac{k}{N_Z}\underset{i=1}{\overset{\frac{N_Z}{k}}{\mathrm{\Σ}}}\frac{y_i}{m}\right)/S_W$

其中，N_Z为每批数据的总采样点数；k为通道数；y_i为经放大及补偿后的温度数字信号采样点的值，单位mv；m为智能轴承温度信号的放大倍数；s_w为智能轴承的温度敏感系数，单位mv/℃。

均方根RMS按下式计算：

峭度Kv按下式计算：

其中，N为数据长度；a_i为采集的离散时间序列。

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，RMS平稳性较好，而峭度系数Kv对于冲击脉冲能量及冲击类故障敏感，两者配合使用，可以对故障进行更加准确的预测。

用于判断T＞QT的装置；

如果成立，则进入用于温度报警的装置后进入用于对RMS建立预测模型并获得RMS预测值的装置；

如果不成立，则进入用于对RMS建立预测模型并获得RMS预测值的装置；

用于对Kv建立预测模型并获得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后进入用于CH＝CH+1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，则直接进入用于CH＝CH+1的装置；

用于判断CH＞2是否成立的装置；

如果CH＞2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传感器采集数据的分析，需要再次从第一个传感器采集的数据进行分析预测。

如果CH＞2不成立，则返回到所述用于调整通道采集信号的装置，对另一通道所采集的数据进行分析。

所述用于对RMS建立预测模型并获得RMS预测值的装置包括：

用于根据振动加速度信号线性时间序列，提取均方根值RMS的装置；

用于对均方根值RMS进行预处理的装置，包括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：

▽μ_xn＝μ_xn-μ_x(n-1)

其中，▽μ_xn为差分值；

用于根据均方根值RMS的预处理结果获取寿命预测学习样本的装置；

用于训练神经网络预测模型的装置；

用于判断网络误差＞Δ的装置；

如果成立，则进入用于训练神经网络预测模型的装置；

如果不成立，则获得训练好的神经网络预测模型；

用于根据均方根值RMS的预处理结果获取预测样本，并进入训练好的神经网络预测的装置；

用于进行模型预测获取RMS估计值的装置；

用于将RMS估计值逆变换获得RMS预测值的装置。

所述用于对Kv建立预测模型并获得Kv预测值的装置包括：

用于根据振动加速度信号线性时间序列，提取峭度值Kv的装置；

用于对峭度值Kv进行预处理的装置，包括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：

▽μ_xn＝μ_xn-μ_x(n-1)

其中，▽μ_xn为差分值；

用于根据峭度值Kv的预处理结果获取寿命预测学习样本的装置；

用于训练神经网络预测模型的装置；

用于判断网络误差＞Δ的装置；

如果成立，则进入用于训练神经网络预测模型的装置；

如果不成立，则获得训练好的神经网络预测模型；

用于根据峭度值Kv的预处理结果获取预测样本，并进入训练好的神经网络预测的装置；

用于进行模型预测获取Kv估计值的装置；

用于将Kv估计值逆变换获得Kv预测值的装置。

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。

较佳的，所述振动加速度传感器、温度传感器和速度传感器设置在所述内壳的同一径向截面上。

较佳的，所述传感壳体设置于所述轴承靠近所述后桥齿轮的端面。

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，该系统结构简单，由于采用振动加速度信号线性时间序列进行预测，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是本发明实施例1的系统结构示意图。

图2是本发明轴承在汽车后桥上的安装简图。

图3是本发明轴承的结构示意图。

图4是图1的A-A剖视图。

图5是本发明获取振动加速度信号线性时间序列的流程图。

图6是本发明的预测流程图。

图7是本发明对RMS建模并获得RMS预测值的流程图。

图8是本发明对Kv建模并获得Kv预测值的流程图。

图9是本发明中通讯接口电路与微控制器连接电路图。

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。

如图1至图4所示：一种基于智能轴承的汽车后桥寿命预测系统，包括用于支承后桥第一半轴1、第二半轴2和传动轴3的轴承4。

轴承4靠近后桥齿轮的端面处设置有传感壳体，传感壳体包括环状底盘53，环状底盘53对应内圆和外圆处设置均向轴承4延伸的内壳51和外壳52，外壳52与轴承4的外圈固定连接。内壳51的内径略大于轴承4的内径，以使第一半轴1、第二半轴1和传动轴3通过轴承4后，可顺利通过内壳51，达到传动的目的。

内壳52上的同一径向截面上间隔设置有两个振动加速度传感器6、一个温度传感器7和两个速度传感器8。

内壳51与外壳52之间、底盘53上固定有电路板9，电路板9与振动加速度传感器6、温度传感器7和速度传感器8电连接。在轴承4的端面侧设置传感器，从而构成智能轴承，可对汽车后桥的信号进行监测。

振动加速度传感器6、温度传感器7和速度传感器8将采集的信号输出给放大电路10进行放大后，再输出给模数转换电路11进行模数转换，该模数转换电路11输出数字信号给微控制器12后，微控制器12经通讯接口电路13将数字信号传输给PC机14，PC机14对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。

如图9所示，本实施例中，采用型号为AT89S52型微控制器12，微控制器12的信号输入端接收模数转换电路11的数字信号；通讯接口电路13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12的第一信号输出端P2口连接，信号输出端D+、D-与PC机14连接。

本实施例中，通讯接口电路为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机连接。

本实施例中，微控制器同时连接有MAX485型485总线芯片，该485总线芯片的信号输入端RO、DI、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。

如图5至图8所示，所述PC机14包括有：

用于根据转速信号计算插值角度Δθ的装置；Δθ根据所设定的傅立叶计算长度n(如1024点)计算出

用于拟合转速与时间的曲线，并等Δθ插值，计算对应时间t序列{t₁，t₂，t₃，…，t_n}的装置；

用于根据时间t序列，拟合振动加速度信号与时间的曲线，并按时间t序列进行插值，形成一圈内振动加速度信号线性时间序列{a₁，a₂，a₃，…，a_n}的装置；

用于设置三个状态参数阈值QR、QK和QT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；振动加速度信号经放大、模数转换后送入PC机，首先需要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，可更真实的反映出后桥的振动信息。

用于计算状态参数：均方根值RMS、峭度系数Kv和温度参数T的装置；温度参数T按下式计算：

$T=\left(\frac{k}{N_Z}\underset{i=1}{\overset{\frac{N_Z}{k}}{\mathrm{\Σ}}}\frac{y_i}{m}\right)/S_W$

其中，N_Z为每批数据的总采样点数；k为通道数；y_i为经放大及补偿后的温度数字信号采样点的值，单位mv；m为智能轴承温度信号的放大倍数；s_w为智能轴承的温度敏感系数，单位mv/oC。

均方根RMS按下式计算：其中，N为数据长度；a_i为采集的离散时间序列。

峭度Kv按下式计算： $K_v=\frac{\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{a_i}^4}{{\mathrm{RMS}}^4}$

其中，N为数据长度；a_i为采集的离散时间序列。

用于判断T＞QT的装置；

如果成立，则进入用于温度报警的装置后进入用于对RMS建立预测模型并获得RMS预测值的装置；温度报警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，则直接进入用于对RMS建立预测模型并获得RMS预测值的装置；

用于对Kv建立预测模型并获得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后进入用于CH＝CH+1的装置；报警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，则直接进入用于CH＝CH+1的装置；

用于判断CH＞2是否成立的装置；

如果CH＞2成立，则返回到所述用于设置通道号CH＝0的装置；

如果CH＞2不成立，则返回到所述用于调整通道采集信号的装置。

如图7所示，所述用于对RMS建立预测模型并获得RMS预测值的装置包括：

用于根据振动加速度信号线性时间序列，提取均方根值RMS的装置；

用于对均方根值RMS进行预处理的装置，包括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：

▽μ_xn＝μ_xn-μ_x(n-1)

其中，▽μ_xn为差分值；

用于根据均方根值RMS的预处理结果获取寿命预测学习样本的装置；

用于训练神经网络预测模型的装置；

用于判断网络误差＞Δ的装置；

如果成立，则进入用于训练神经网络预测模型的装置；

如果不成立，则获得训练好的神经网络预测模型；

用于根据均方根值RMS的预处理结果获取预测样本，并进入训练好的神经网络预测的装置；

用于进行模型预测获取RMS估计值的装置；

用于将RMS估计值逆变换获得RMS预测值的装置。

如图8所示，所述用于对Kv建立预测模型并获得Kv预测值的装置包括：

用于根据振动加速度信号线性时间序列，提取峭度值Kv的装置；

用于对峭度值Kv进行预处理的装置，包括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：

▽μ_xn＝μ_xn-μ_x(n-1)

其中，▽μ_xn为差分值；

用于根据峭度值Kv的预处理结果获取寿命预测学习样本的装置；

用于训练神经网络预测模型的装置；

用于判断网络误差＞Δ的装置；

如果成立，则进入用于训练神经网络预测模型的装置；

如果不成立，则获得训练好的神经网络预测模型；

用于根据峭度值Kv的预处理结果获取预测样本，并进入训练好的神经网络预测的装置；

用于进行模型预测获取Kv估计值的装置；

用于将Kv估计值逆变换获得Kv预测值的装置。

本实施例中，QR、QK、QT和Δ均为经验值，如QT设置为120。

Claims (6)

1.一种基于智能轴承的汽车后桥寿命预测系统，包括用于支承后桥第一半轴(1)、第二半轴(2)和传动轴(3)的轴承(4)；其特征是：

所述轴承(4)的端面处设置有传感壳体；所述传感壳体包括环状底盘(53)；所述环状底盘(53)对应内圆和外圆处设置均向所述轴承(4)延伸的内壳(51)和外壳(52)；所述内壳(51)的内径不小于所述轴承(4)的内径；所述外壳(52)与所述轴承(4)的外圈固定连接；

所述内壳(51)上设置有振动加速度传感器(6)、温度传感器(7)和速度传感器(8)；所述内壳(51)与外壳(52)之间设置有电路板(9)；所述电路板(9)与所述振动加速度传感器(6)、温度传感器(7)和速度传感器(8)电连接；

所述振动加速度传感器(6)、温度传感器(7)和速度传感器(8)将采集的信号输出给放大电路(10)进行放大后，再输出给模数转换电路(11)进行模数转换，该模数转换电路(11)输出数字信号给微控制器(12)后，微控制器(12)经通讯接口电路(13)将数字信号传输给PC机(14)，所述PC机(14)对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；

所述PC机(14)包括有：

用于根据转速信号计算插值角度Δθ的装置；

用于拟合转速与时间的曲线，并等Δθ插值，计算对应时间t序列的装置；

用于根据时间t序列，拟合振动加速度信号与时间的曲线，并按时间t序列进行插值，形成振动加速度信号线性时间序列的装置；

用于设置三个状态参数阈值QR、QK、QT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；

用于计算状态参数：均方根值RMS、峭度系数Kv和温度参数T的装置；

用于判断T＞QT的装置；

如果成立，则进入用于温度报警的装置后进入用于对RMS建立预测模型并获得RMS预测值的装置；

如果不成立，则进入用于对RMS建立预测模型并获得RMS预测值的装置；

用于对Kv建立预测模型并获得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后进入用于CH＝CH+1的装置；

如果不成立，则直接进入用于CH＝CH+1的装置；

用于判断CH＞2是否成立的装置；

如果CH＞2成立，则返回到所述用于设置通道号CH＝0的装置；

如果CH＞2不成立，则返回到所述用于调整通道采集信号的装置。

2.如权利要求1所述的基于智能轴承的汽车后桥寿命预测系统，其特征是：所述用于对RMS建立预测模型并获得RMS预测值的装置包括：

用于根据振动加速度信号线性时间序列，提取均方根值RMS的装置；

用于对均方根值RMS进行预处理的装置，包括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：

▽μ_xn＝μ_xn-μ_x(n-1)

其中，▽μ_xn为差分值；

用于根据均方根值RMS的预处理结果获取寿命预测学习样本的装置；

用于训练神经网络预测模型的装置；

用于判断网络误差＞Δ的装置；

如果成立，则进入用于训练神经网络预测模型的装置；

如果不成立，则获得训练好的神经网络预测模型；

用于根据均方根值RMS的预处理结果获取预测样本，并进入训练好的神经网络预测的装置；

用于进行模型预测获取RMS估计值的装置；

用于将RMS估计值逆变换获得RMS预测值的装置。

3.如权利要求1所述的基于智能轴承的汽车后桥寿命预测系统，其特征是：所述用于对Kv建立预测模型并获得Kv预测值的装置包括：

用于根据振动加速度信号线性时间序列，提取峭度值Kv的装置；

用于对峭度值Kv进行预处理的装置，包括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：

▽μ_xn＝μ_xn-μ_x(n-1)

其中，▽μ_xn为差分值；

用于根据峭度值Kv的预处理结果获取寿命预测学习样本的装置；

用于训练神经网络预测模型的装置；

用于判断网络误差＞Δ的装置；

如果成立，则进入用于训练神经网络预测模型的装置；

如果不成立，则获得训练好的神经网络预测模型；

用于根据峭度值Kv的预处理结果获取预测样本,并进入训练好的神经网络预测的装置；

用于进行模型预测获取Kv估计值的装置；

用于将Kv估计值逆变换获得Kv预测值的装置。

4.根据权利要求1所述基于智能轴承的汽车后桥寿命预测系统，其特征在于：所述PC机(14)还将接收的数据和报警信息上传至局域网和/或英特网。

5.根据权利要求1所述基于智能轴承的汽车后桥寿命预测系统，其特征是：所述振动加速度传感器(6)、温度传感器(7)和速度传感器(8)设置在所述内壳(51)的同一径向截面上。

6.根据权利要求1所述基于智能轴承的汽车后桥寿命预测系统，其特征是：所述传感壳体设置于所述轴承(4)靠近后桥齿轮的端面。