新的变速箱滚动轴承和齿轮故障数据

变速箱是传动系统中非常关键的一部分，它由齿轮、传动轴、轴承和壳体等组成。变速箱的主要功用包括：（1）能够改变传动比，按实际情况调整驱动轮转矩和转速，进而满足复杂的行车要求；（2）即使发动机旋转方向保持不变，也能实现倒车；（3）当档位处于空档位置时，汽车没有动力支持，所以即使在不熄车的情况下也能使汽车暂时停驻，便于汽车启动、怠速，换档或动力输出。变速箱的重要性仅仅次于汽车发动机，所以在出厂前对变速箱进行检测、保证每个变速箱都符合要求是必不可少的一道工序。

汽车变速箱故障诊断技术是一个相当重要的研究内容，未来可能朝着以下几个方向发展：

（1）故障机理与征兆联系方面的研究故障机理研究的目的是掌握各种故障的成因，研究故障征兆与故障原因间的关系、弄清故障的产生机理和表征方式都是目前研究的重点。理论基础是机械振动力学等相关知识，通过创建其动力学模型，然后对模型进行仿真分析，根据仿真结果对机械工作状态进行分析，达到监测的目的。目前国内外学者在这个方面已经取得了显著的研究成果。

（2）多种故障诊断方法融合的复合诊断技术随着人们对故障诊断技术的要求越来越高，单一的传统傅里叶变换已经很难满足要求，新的理论方法不断地被发掘，如神经网络、小波包能量法、混沌理论、声发射技术、分型理论、灰色理论及粗集理论等，极大地丰富了故障诊断技术，用这些理论方法进行故障诊断时都有自己的利弊问题，所以如何将多种理论方法进行联合使用、实现去劣补优，从而达到提高诊断速度和精确度的目的也是未来诊断技术发展的方向之一。

（3）故障诊断的远程化、网络化随着信息时代的到来，网络技术也越来越发达，将网络技术与故障诊断技术相结合，进而实现故障诊断技术的远程化、网络化是也其未来发展的趋势之一。网络化的独特优势在于能够实现资源共享，各领域的专家学者、企业以及高校研究人员的研究成果汇聚在一起形成系统知识库，随着时间的积累，系统库不断充实，这样一来能够极大程度上避免系统的重复开发，有效的节约了经济成本；远程化能够实现专家即使不在诊断现场也能给予正确指导，明显减少了诊断耗时，可以很大程度上提高工作效率。

（4）故障诊断的智能化在对机械进行现场故障诊断时，从提取故障信息到准确的诊断出故障一般都需要专业知识与诊断经验都非常丰富的技术人员完成，这样就会限制诊断技术的发展，要想使其应用更加广泛就必须使普通的技术人员也能完成同样的工作。故障诊断技术的智能化是指能够充分利用计算机及其软件技术，把专家的经验与智慧同计算机的快速计算功能达到一个很好的结合，从而在降低对技术人员水平要求的同时又能够保证准确的诊断结果。智能化是机械故障诊断的最终目标，当然也是其未来重点发展方向之一。

为了更好的水论文，构造新的变速箱滚动轴承和齿轮故障数据，变速器信号为516MFA12型，如下：

变速器结构

加速度传感器布置如下：

输入输出轴和倒档轴串如下：

测点选择测点3，运行工况如下：

A轴滚动轴承内圈轻微点蚀（转速2000rpm）

A轴滚动轴承内圈轻微点蚀（转速5000rpm）

B轴滚动轴承外圈轻微点蚀（转速2000rpm）

B轴滚动轴承外圈轻微点蚀（转速5000rpm）

C轴滚动轴承内圈轻微点蚀（转速2000rpm）

C轴滚动轴承内圈轻微点蚀（转速5000rpm）

D齿轮齿面轻微点蚀（转速2000rpm）

D齿轮齿面轻微点蚀（转速5000rpm）

正常工况（转速2000rpm）

正常工况（转速5000rpm）

齿面点蚀如下：

时域波形绘制程序：

data = loadmat('bearingfault.mat')

#读取xzy三轴信号
datax = data['data'][:,0]
datax = datax.reshape(len(datax),1)
datay = data['data'][:,1]
datay = datay.reshape(len(datay),1)
dataz = data['data'][:,2]
dataz = dataz.reshape(len(dataz),1)

#归一化处理
scaler = MinMaxScaler()
datax = scaler.fit_transform(datax)
datay = scaler.fit_transform(datay)
dataz = scaler.fit_transform(dataz)

# 取x轴前2000个样本点
data = datax[0:2000]

data1 = datax
plt.figure(figsize=(8, 4))
plt.xlim(0,2000)
plt.plot(range(1, len(data1)+1), data1)
plt.tick_params(labelsize=15)
plt.ylabel(u"振幅", fontsize=15)
plt.xlabel(u"样本点数目", fontsize=15)

连续小波变换程序如下：

#连续小波变换
wavename = 'morl'
totalscal = 256
fc = pywt.central_frequency(wavename)
cparam = 2 * fc * totalscal
scales = cparam / np.arange(totalscal, 1, -1)
[cwtmatr, frequencies] = pywt.cwt(data, scales, wavename, 1.0/fs)

plt.figure(figsize=(8, 4))
plt.xlim(0,2000)
plt.contourf(range(0, 2000), frequencies, abs(cwtmatr).reshape(255,2000))
plt.tick_params(labelsize=15)
plt.ylabel(u"频率(Hz)", fontsize=15)
plt.xlabel(u"样本点数目", fontsize=15)
plt.subplots_adjust(hspace=0.4)
plt.show()

A轴滚动轴承内圈轻微点蚀（转速2000rpm）时域波形及CWT时频谱

A轴滚动轴承内圈轻微点蚀（转速5000rpm）

B轴滚动轴承外圈轻微点蚀（转速2000rpm）

C轴滚动轴承内圈轻微点蚀（转速2000rpm）

D齿轮齿面轻微点蚀（转速2000rpm）

正常工况（转速2000rpm）

车辆变速箱滚动轴承和齿轮故障数据

工学博士，担任《Mechanical System and Signal Processing》审稿专家，担任《中国电机工程学报》优秀审稿专家，《控制与决策》，《系统工程与电子技术》，《电力系统保护与控制》，《宇航学报》等EI期刊审稿专家。

擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。