Operating-Condition-Decoupled Sparse Order-Domain Gear Fault Monitoring for Range-Extended Hybrid Agricultural Machinery in Hilly and Mountainous Areas

在丘陵和山地崎岖不平、高低起伏的地形中，重型机械面临着独特的挑战：地面从不是平坦的，工作过程也从未稳定。当拖拉机或收割机爬坡或在厚重的土壤中耕作时，其发动机和变速器必须不断调整，导致其旋转部件的速度发生剧烈波动。对于需要通过倾听这些机器来检测早期磨损或损坏迹象的工程师来说，这种变动性是一个主要的障碍。传统的故障监听方法依赖于寻找特定的、稳定的声音来指示损坏的齿轮或磨损的轴承。然而，当机器速度变化时，这些声音的音调会发生偏移并变得模糊，使得人们很难分辨出一种奇怪的声音是严重的故障信号，还是仅仅是对陡坡的正常反应。这种不确定性会导致误报（即将健康的机器标记为损坏）或漏检（使真实的故障在导致失效前未能被察觉）。

为了解决这个问题，河南科技大学和龙门实验室的研究人员开发了一种全新的方法，用于监测专为这些复杂地形设计的混合动力农业机械的齿轮健康状况。他们并没有试图实时监听机器发出的声音，而是创建了一种方法，将振动数据转化为一种即使在机器加速或减速时也能保持稳定的格式。通过在虚拟山丘上模拟数千小时的操作，他们训练出一个系统，使其能够忽略由变化坡度和负载引起的噪声，转而专注于指示齿轮损坏的特定模式。他们的这种方法成功地区分了健康的齿轮和故障的齿轮，即使在机器处于从未见过的运行条件下时也是如此，为确保全球最具挑战性的农田中的混合动力农机安全高效运行提供了一条充满希望的路径。

这项工作的核心针对的是一种特定类型的车辆：增程混合动力农业机械。这些是功能强大的拖拉机和收割机，它们使用小型发动机产生电能，然后为电池充电或直接驱动电动机来转动车轮。这种设计使其能够实现高功率和低排放，但也引入了复杂的振动。发动机启动和停止，电池充电和放电，电动机切换模式，与此同时，机器还在爬坡并拉动重物。在传统的柴油拖拉机中，振动模式相对可预测。而在这些混合动力机械中，振动是发动机节奏、电动机嗡鸣声、齿轮研磨声以及不平整地面冲击的混乱混合体。当传动装置内部的齿轮开始失效时，其预警信号往往会被埋没在这种混乱的背景噪声之下。

研究人员首先构建了一个关于这些机器在丘陵地形中如何表现的详细计算机模拟。他们没有仅仅依赖现实世界的数据，因为收集足够多关于昂贵农机实际损坏齿轮的案例既困难又危险。相反，他们创建了一个高精度模拟现实世界的虚拟环境。他们编写了模拟程序来生成长距离驾驶循环，包括耕作、运输货物和行驶在混合丘陵路线上。该模拟考虑了改变机器振动的所有因素：坡度的陡峭程度、土壤的阻力、车辆的速度、电池的电量水平以及增程器的发动机状态。至关重要的是，他们采用了“配对”策略。对于每一次模拟驾驶，他们都生成了两个版本的振动数据：一个代表完全健康的机器，另一个代表具有特定齿轮故障的同一台机器。这两个版本经历了完全相同的山坡、负载和速度变化。唯一的区别在于是否存在故障。这确保了当计算机学习区分它们时，它学习的是识别故障本身，而不是仅仅识别陡坡与平路之间的差异。

在生成了2000个此类配对样本后，研究人员面临着从原始振动信号中提取有用信息的任务。在标准分析中，工程师会观察振动的频率，这就像是在听声音的音调。然而，由于机器的速度不断变化，齿轮故障的音调会上下漂移，使其能量扩散到很宽的范围内，从而难以捕捉。团队使用了名为“计算阶次跟踪”（computed order tracking）的技术来解决这个问题。他们不是以相等的时间间隔测量振动，而是以驱动轴旋转的相等角度来测量。想象一个旋转的轮子：如果你每当轮子转动特定角度时就拍一张照片，那么轮缘上裂纹的照片位置始终会在同一个地方，即使轮子转得更快或更慢。通过将这种逻辑应用于振动数据，研究人员将漂移变化的信号转化为了一个稳定的地图，无论机器移动多快，故障总会出现在同一个位置。

有了现在组织有序的地图数据，下一步就是寻找重要的特征。研究人员从这张地图的不同部分提取了数十项测量值，寻找能量峰值、平均水平的变化以及信号相对于周围环境的相对强度。这创造了一个庞大的潜在线索列表，其中许多只是由电池或发动机引起的噪声或无关细节。为了穿透这些杂乱的信息，他们使用了一种数学工具，该工具可以自动选择最重要的线索并丢弃其余部分。这个被称为“稀疏特征选择”（sparse feature selection）的过程，就像一个过滤器，滤掉了机器运行产生的背景噪声，留下了一组与齿轮故障强相关且与电池电量或坡度完全无关的精确指标。

最后，研究人员测试了他们的系统是否真的能够识别故障。他们将模拟数据分为训练集和测试集，要求计算机从一组数据中学习，然后预测另一组数据的健康状况。他们将这种新方法与几种旧有的标准技术进行了对比。结果显而易见：这种结合了稳定角度映射与智能特征过滤的新方法，表现显著优于传统方法。在重复测试中，该系统正确识别齿轮状况的准确率约为94%。这明显高于在变速条件下表现挣扎的标准频率分析法。或许更重要的一点是，该系统在面对从未见过的条件时表现出了鲁棒性。当研究人员在涉及超出训练数据范围的速度、负载或坡度的数据上进行测试时，新方法保持了高准确度，而旧方法的性能则大幅下降。

研究还表明，系统所依赖的特定特征确实与齿轮有关，而非机器的其他系统。所选指标集中在与驱动轴旋转相对应的振动图特定区域，并且与电池的荷电状态或发动机的开关循环几乎没有关联。这证实了该方法成功地将机械故障从复杂的混合动力动力总成中分离了出来。研究人员发现，一旦数据得到了妥善处理，即使是更简单的计算机分类器也能实现高准确率，这表明真正的突破在于如何组织和清洗数据，而非最终决策工具的复杂程度。

尽管结果令人鼓舞，但作者谨慎地指出，这些发现来自于模拟。虽然虚拟环境非常详细，但无法完美复制真实的农场景象——在现实中，传感器的安装位置可能不同，或者传动路径可能会受到计算机模型未曾预见的锈蚀或污垢的影响。这项研究是一项概念验证，证明了该方法在理论上是可靠的，并且能够处理丘陵农业中的极端变动性。正如研究人员概述的那样，下一步是制造一台配备必要传感器的真实机器，并在实地进行测试。如果这种方法在现实世界中同样有效，它将为农民提供一种可靠的方式来监控他们昂贵的混合动力设备，防止意外故障，并确保这些先进的机器能够继续在定义现代农业的艰苦斜坡地带高效作业。