CN105628403A - 一种阻尼器故障检测方法及系统 - Google Patents

Abstract

本发明公开了一种阻尼器故障检测方法，包括获取激励条件下阻尼器整体的振动信号；对激励条件对应的振动信号进行信号提取处理，提取出故障特征信号；对故障特征信号进行分类及预测处理，输出激励条件对应的故障类型。本发明中由于阻尼器振动工作时的振动信号能够反映阻尼器整体的工作状态，故通过对该振动信号进行处理能够得到阻尼器整体出现的故障类型，检测全面。本发明还公开了一种阻尼器故障检测系统。

Description

一种阻尼器故障检测方法及系统

技术领域

本发明涉及阻尼器故障诊断领域，特别是涉及一种阻尼器故障检测方法及系统。

背景技术

阻尼器是汽车悬架上的一种用来耗散路面传递至车身的能量的减震元件，阻尼器的性能直接影响汽车的行驶平顺性与操纵稳定性，汽车行驶过程中如果阻尼器出现故障，不仅会造成巨大的经济损失，而且会给人类的生命安全造成极大的危险。故为了提高阻尼器可靠性和安全性，有必要对阻尼器的故障进行诊断，确保行驶安全。

目前检测阻尼器故障的方法是在阻尼器停止工作时，将阻尼器的某个部件(例如活塞杆)取出，来检测该部件是否具有故障，而不能对阻尼器的整体进行故障检测，检测不全面。

因此，如何提供一种检测全面的阻尼器故障检测方法及系统是本领域技术人员目前需要解决的问题。

发明内容

本发明的目的是提供一种阻尼器故障检测方法及系统，能够对阻尼器整体的振动信号进行检测，得到阻尼器整体出现的故障类型，检测全面。

为解决上述技术问题，本发明提供了一种阻尼器故障检测方法，包括：

获取激励条件下所述阻尼器整体的振动信号；

对所述激励条件对应的所述振动信号进行信号提取处理，提取出故障特征信号；

对所述故障特征信号进行分类及预测处理，输出所述激励条件对应的故障类型。

优选地，所述激励条件为正弦激励、三角形激励、矩阵波激励以及随机激励中的任意一种。

优选地，所述振动信号包括温度信号、激励时间信号、阻尼器振动次数信号以及激励幅度信号。

优选地，所述信号提取处理的过程具体为：

对所述振动信号进行去噪处理，得到去除噪声后的振动信号；

对所述去除噪声后的振动信号进行异常特征提取处理，得到故障特征信号。

优选地，所述对所述故障特征信号进行分类及预测处理之前还包括：

对所述故障特征信号进行信号增强处理，得到增强后的故障特征信号。

优选地，所述得到增强后的故障特征信号之后还包括：

对所述增强后的故障特征信号进行三维/二维转换处理，得到转换至二维平面内的故障特征信号。

优选地，所述故障类型包括漏油故障、异响故障、密封故障以及连接故障。

为解决上述技术问题，本发明还提供了一种阻尼器故障检测系统，包括：

振动信号获取模块，用于获取激励条件下所述阻尼器整体的振动信号；

信号提取模块，用于对所述激励条件对应的所述振动信号进行信号提取处理，提取出故障特征信号；

分类预测模块，用于对所述故障特征信号进行分类及预测处理，输出所述激励条件对应的故障类型。

优选地，所述分类预测模块为深度玻尔兹曼机。

本发明提供了一种阻尼器故障检测方法及系统，首先对获取到的激励条件下的阻尼器整体的振动信号进行信号提取处理，提取出故障特征信号，然后对故障特征信号进行分类及预测处理，得到激励条件下对应的故障类型。由于阻尼器振动工作时的振动信号能够反映阻尼器整体的工作状态，故通过对该振动信号进行处理能够得到阻尼器整体出现的故障类型，检测全面。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种阻尼器故障检测方法的过程的流程图；

图2为本发明提供的一种阻尼器故障检测系统的结构示意图。

具体实施方式

本发明的核心是提供一种阻尼器故障检测方法及系统，能够对阻尼器整体的振动信号进行检测，得到阻尼器整体出现的故障类型，检测全面。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

本发明提供了一种阻尼器故障检测方法，参见图1所示，图1为本发明提供的一种阻尼器故障检测方法的过程的流程图；该方法包括：

步骤s101：获取激励条件下阻尼器整体的振动信号；

步骤s102：对激励条件对应的振动信号进行信号提取处理，提取出故障特征信号；

步骤s103：对故障特征信号进行分类及预测处理，输出激励条件对应的故障类型。

本发明提供了一种阻尼器故障检测方法，首先对获取到的激励条件下的阻尼器整体的振动信号进行信号提取处理，提取出故障特征信号，然后对故障特征信号进行分类及预测处理，得到激励条件下对应的故障类型。由于阻尼器振动工作时的振动信号能够反映阻尼器整体的工作状态，故通过对该振动信号进行处理能够得到阻尼器整体出现的故障类型，检测全面。

实施例二

基于实施例一的基础上，本发明还提供了另一种阻尼器故障检测方法。

其中，本发明中的激励条件为正弦激励、三角形激励、矩阵波激励以及随机激励中的任意一种。即步骤s101-s103是在同一种激励条件下进行的。当然，以上四种激励条件仅为优选方案，实际工作中也可选择其他的激励条件进行检测。

可以理解的是，由于阻尼器在不同的激励条件下出现的故障类型可能不同，故为了使检测出来的故障类型更加全面，可以选择不同的激励条件来重复步骤s101-s103的操作，即重复进行多次检测(例如第一次检测在正弦激励下进行，检测出阻尼器具有故障1；第二次检测在三角形激励下进行，检测出阻尼器具有故障2)。

另外，本发明中的振动信号包括温度信号、激励时间信号、阻尼器振动次数信号以及激励幅度信号。

可以理解的是，这里的振动信号是能够表征阻尼器工作状态的信号，故并不仅限于以上几种，任何能够反映阻尼器工作状态是否正常的信号类型均可作为振动信号的一部分，本发明对此不做特别限定。

进一步可知，信号提取处理的过程具体为：

对振动信号进行去噪处理，得到去除噪声后的振动信号；

对去除噪声后的振动信号进行异常特征提取处理，得到故障特征信号。

可以理解的是，获取到的振动信号中含有噪声信号，会对后面提取故障特征信号与分类及预测处理造成干扰，故需要首先去除振动信号中的噪声，得到振动信号中的有效信号。

其中，异常特征提取处理的过程具体为：

根据低频带信号提取关系式获取去除噪声后的振动信号中的低频带信号x₁(t)；根据共振带信号提取关系式以及共振带包络提取关系式获取去除噪声后的振动信号中的共振带包络

其中，低频带信号提取关系式为：

$x_1\left(t\right)={\∫}_0^{f_l}X\left(f\right)e^{2\mathrm{\π}ift}df$

共振带信号提取关系式为：

$x_2\left(t\right)={\∫}_{f_a}^{f_b}X\left(f\right)e^{2\mathrm{\π}ift}df$

共振带包络提取关系式为：

${\tilde{x}}_2\left(t\right)=\underset{m=1}{\overset{M}{\Σ}}{A}_m\left(t\right)=\sqrt{x_2^2\left(t\right)+{\left(H\left(x_2\right(t)\right))}^2}$

其中，f_l为低频带的频率，[f_a,f_b]为共振带的频率范围，X(f)为去除噪声后的振动信号；A_m(t)>0为第m个向量的幅值，M为向量的个数，其中，M个向量分别为振动信号包括的各种类型的信号所对应的信号向量；H(.)为希尔伯特变换；

可以理解的是，提取出振动信号中的低频带信号以及共振带包络即为振动信号中的异常特征部分，即故障特征信号。

作为优选地，对故障特征信号进行分类及预测处理之前还包括：

对故障特征信号进行信号增强处理，得到增强后的故障特征信号。

可以理解的是，信号增强处理的作用是对提取出来的低频带信号以及共振带包络进行增强，从而得到增强的故障特征信号，便于分类及预测处理时对故障特征信号进行识别。

其中，信号增强处理的过程具体为：

根据快速傅里叶变换关系式分别对低频带信号x₁(t)以及共振带包络进行快速傅里叶变换，得到分别与低频带信号x₁(t)以及共振带包络对应的低频带时频脊线以及共振带时频脊线其中，快速傅里叶变换关系式为：

$S_{x_1}(u,\mathrm{\ξ})={\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}{x}_1\left(t\right)g(t-u)e^{-j\mathrm{\ξ}(t-u)}dt$

$S_{{\tilde{x}}_2}(u,\mathrm{\ξ})={\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}{\tilde{x}}_2\left(t\right)g(t-u)e^{-j\mathrm{\ξ}(t-u)}dt$

其中，u为时移，ξ为等效频率，g(.)为窗函数；

利用归一化关系式对低频带时频脊线与共振带时频脊线进行归一化，得到归一化低频带时频脊线以及归一化共振带时频脊线并带入脊线融合关系式，得到融合脊线L，其中，归一化关系式为：

${\stackrel{\‾}{S}}_{x_1}(u,\mathrm{\ξ})=\frac{S_{x_1}(u,\mathrm{\ξ})}{mean\left(S_{x_1}\right(u,:\left)\right)}$

${\stackrel{\‾}{S}}_{{\tilde{x}}_2}(u,\mathrm{\ξ})=\frac{S_{{\tilde{x}}_2}(u,\mathrm{\ξ})}{mean\left(S_{{\tilde{x}}_2}\right(u,:\left)\right)}$

融合脊线关系式为：

$\left\{\begin{array}{c}L=(u,\{{\mathrm{\&xi;}}_k\left\}\right)=(u,\{\frac{{\stackrel{\&OverBar;}{S}}_{x_1}(u,{\mathrm{\&xi;}}_k^{imax}){\mathrm{\&xi;}}_k^{imax}+{\stackrel{\&OverBar;}{S}}_{{\tilde{x}}_2}(u,{\mathrm{\&xi;}}_k^{imax}){\mathrm{\&xi;}}_k^{imax}}{{\stackrel{\&OverBar;}{S}}_{x_1}(u,{\mathrm{\&xi;}}_k^{imax})+{\stackrel{\&OverBar;}{S}}_{{\tilde{x}}_2}(u,{\mathrm{\&xi;}}_k^{imax})}\left\}\right);max\left(R_{ij}\right)\&GreaterEqual;T_0\\ L=(u,\{{\mathrm{\&xi;}}_k\left\}\right)=L=(u,\{{\mathrm{\&xi;}}_k^{imax}\left\}\right)\&LeftRightArrow;\max \left(\underset{\mathrm{\&xi;}={\mathrm{\&xi;}}_a}{\overset{{\mathrm{\&xi;}}_a}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{S}}_x\right(u,\mathrm{\&xi;}\left)\right);max\left(R_{ij}\right)<T_0\end{array}\right.$

其中，k∈[a,b]，ξ_k为f_k的等效频率，ξ_a为f_a对应的等效频率，ξ_b为f_b对应的等效频率，R_ij为第i个脊线与第j个脊线的相关因子，T₀为预设周期阈值，为对应的脊线中幅值最大处的等效频率；

根据脊线求逆关系式得到融合逆脊线L^-1，其中脊线求逆关系式为：

$L^{-1}=(u,\{{\mathrm{\&xi;}}_k^{-1}\left\}\right)=(u,\{2T-{\mathrm{\&xi;}}_k\left\}\right)$

其中，T为目标频率；

将低频带时频脊线共振带时频脊线以及融合逆脊线L^-1带入直线映射关系式，得到分别与低频带时频脊线与共振带时频脊线对应的低频带直线以及共振带直线其中，直线映射关系式为：

$Z_{x_1}(u,\mathrm{\&xi;})={\stackrel{\&OverBar;}{S}}_{x_1}(u,\mathrm{\&xi;})\frac{L^{-1}}{T}={\stackrel{\&OverBar;}{S}}_{x_1}(u,\mathrm{\&xi;}\frac{2T-{\mathrm{\&xi;}}_k}{T})$

$Z_{{\tilde{x}}_2}(u,\mathrm{\&xi;})={\stackrel{\&OverBar;}{S}}_{{\tilde{x}}_2}(u,\mathrm{\&xi;})\frac{L^{-1}}{T}={\stackrel{\&OverBar;}{S}}_{{\tilde{x}}_2}(u,\mathrm{\&xi;}\frac{2T-{\mathrm{\&xi;}}_k}{T})$

根据低频带直线共振带直线以及同步挤压变换关系式得到(u,f_z(u,ξ))平面内的低频带三维信号与共振带三维信号其中，同步挤压变换关系式为：

$T_{x_1}(u,f)=\underset{{\mathrm{\&xi;}}_k:\left|f_z(u,{\mathrm{\&xi;}}_k)\right|\&le;\mathrm{\&Delta;}f/2}{\&Sigma;}{Z}_{x_1}(u,{\mathrm{\&xi;}}_k)\left(\mathrm{\&Delta;}\mathrm{\&xi;}\right)$

$T_{{\tilde{x}}_2}(u,f_l)=\underset{{\mathrm{\&xi;}}_k:\left|f_z(u,{\mathrm{\&xi;}}_k)\right|\&le;\mathrm{\&Delta;}f/2}{\&Sigma;}{Z}_{{\tilde{x}}_2}(u,{\mathrm{\&xi;}}_k)\left(\mathrm{\&Delta;}\mathrm{\&xi;}\right)$

其中，f_l为范围内的中心频率，且Δf＝f_l-f_l-1；

作为优选地，得到增强后的故障特征信号之后还包括：

对增强后的故障特征信号进行三维/二维转换处理，得到转换至二维平面内的故障特征信号。

可以理解的是，将增强后的故障特征信号由三维变换为二维后，由于二维信号与三维信号相比更容易进行比较运算，故简化了分类及预测处理的运算过程。

其中，三维/二维转换处理的过程具体为：

将低频带三维信号与共振带三维信号带入三维/二维转换关系式，得到分别与低频带三维信号以及共振带三维信号对应的低频带二维信号X₁(f_l)以及共振带二维信号X₂(f_l)，其中，三维/二维转换关系式为：

$\left\{\begin{array}{c}{T}_{x_1}(u,f_l)->X_1\left(f_l\right)=\underset{u=u_c}{\overset{u_d}{\mathrm{\&Sigma;}}}{T}_{x_1}(u,f_l)\\ T_{{\tilde{x}}_2}(u,f_l)->X_2\left(f_l\right)=\underset{u=u_c}{\overset{u_d}{\mathrm{\&Sigma;}}}{T}_{{\tilde{x}}_2}(u,f_l)\end{array}\right.$

其中，[u_c,u_d]为时频域的时间范围；

得到的低频带二维信号X₁(f_l)以及共振带二维信号X₂(f_l)即为故障特征信号。

作为优选地，工作人员可预先在阻尼器正常时，获取正常情况下低频带二维信号与共振带二维信号的显著性谱线之比；当得到低频带二维信号X₁(f_l)以及共振带二维信号X₂(f_l)之后，对低频带二维信号X₁(f_l)与共振带二维信号X₂(f_l)的显著性谱线之比进行观测，并将观测结果与预先得到的正常情况下的显著性谱线之比进行比较，根据比较结果简要判断阻尼器的故障特征，若阻尼器正常，则不必再对低频带二维信号X₁(f_l)以及共振带二维信号X2(f_l)进行分类及预测处理，减少了操作步骤。

其中，这里的故障类型包括漏油故障、异响故障、密封故障以及连接故障。当然，以上仅为阻尼器的常见故障，本发明对阻尼器的故障类型并不做特别限定。

另外，这里的分类及预测处理是通过深度学习算法实现的。

可以理解的是，目前对故障特征信号进行处理时，需要对故障特征信号进行多次运算并不断调整运算过程中的权重，来得到最终的故障类型，运算量大。而深度学习算法通过在实验环境下进行深度学习后即可建立一个模型网络，在这个模型网络内仅需要直接输入故障特征信号，即可输出对应的结果，省略了中间的运算过程，运算量小。

需要注意的是，在实际使用深度学习算法对阻尼器的故障进行检测之前，需要首先令深度学习算法在实验环境下进行深度学习来建立模型网络。

其中，这里的模型网络的建立过程具体为：

步骤s201：获取特定激励条件下(例如正弦激励下)带有第一已知故障(例如漏油故障)的阻尼器的振动信号；

步骤s202：对该振动信号进行信号提取处理，提取出故障特征信号；

步骤s203：深度学习算法对故障特征信号进行处理，将处理结果标记为第一已知故障(这里可以直接标记该第一已知故障的名称，也可标记故障编号如故障1等，本发明对此不作特别限定)。

步骤s204：在该特定激励条件下，分别对带有其他已知故障的阻尼器重复步骤s201-s203的操作，将深度学习算法的处理结果分别标记为对应的已知故障。

进一步的，在其他激励条件下，重复进行步骤s201-s204的操作，使深度学习算法完成在各种激励条件下对多种故障类型的深度学习。

与实施例一相比，本实施例首先对振动信号进行了去噪处理，去除了振动信号中的噪声，方便了之后对故障特征信号的提取，也避免了噪声对后续处理操作造成的干扰；且本实施例还对提取出来的故障特征信号进行了增强并转换为了二维信号，方便了对故障特征信号进行分类及预测；另外，本实施例通过深度学习算法来对故障特征信号进行分类及预测处理，仅需要直接输入故障特征信号，即可输出对应的故障类型，省略了中间的运算过程，运算量小。

本发明还提供了一种阻尼器故障检测系统，参见图2所示，图2为本发明提供的一种阻尼器故障检测系统的结构示意图。该系统包括：

振动信号获取模块11，用于获取激励条件下阻尼器整体的振动信号；

信号提取模块12，用于对激励条件对应的振动信号进行信号提取处理，提取出故障特征信号；

分类预测模块13，用于对故障特征信号进行分类及预测处理，输出激励条件对应的故障类型。

作为优选地，这里的分类预测模块13为深度玻尔兹曼机。

可以理解的是，深度玻尔兹曼机是一种应用深度学习算法的装置，深度学习算法通过在实验环境下进行深度学习后即可建立一个模型网络，在这个模型网络内仅需要直接输入待处理信号，即可输出对应的结果，省略了中间的运算过程，故实际应用中仅需将故障特征信号输入深度玻尔兹曼机内，即可输出故障类型，运算量小。

本发明提供了一种阻尼器故障检测系统，首先对获取到激励条件下的阻尼器整体的振动信号进行信号提取处理，提取出故障特征信号，然后对故障特征信号进行分类及预测处理，得到激励条件下对应的故障类型。由于阻尼器振动工作时的振动信号能够反映阻尼器整体的工作状态，故通过对该振动信号进行处理能够得到阻尼器整体出现的故障类型，检测全面；另外，本发明采用深度玻尔兹曼机对故障特征信号进行处理，仅需要直接输入，即可输出对应的结果，省略了中间的运算过程，运算量小。

需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种阻尼器故障检测方法，其特征在于，包括：

获取激励条件下所述阻尼器整体的振动信号；

对所述激励条件对应的所述振动信号进行信号提取处理，提取出故障特征信号；

对所述故障特征信号进行分类及预测处理，输出所述激励条件对应的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述激励条件为正弦激励、三角形激励、矩阵波激励以及随机激励中的任意一种。

3.根据权利要求1所述的方法，其特征在于，所述振动信号包括温度信号、激励时间信号、阻尼器振动次数信号以及激励幅度信号。

4.根据权利要求3所述的方法，其特征在于，所述信号提取处理的过程具体为：

对所述振动信号进行去噪处理，得到去除噪声后的振动信号；

对所述去除噪声后的振动信号进行异常特征提取处理，得到故障特征信号。

5.根据权利要求4所述的方法，其特征在于，所述对所述故障特征信号进行分类及预测处理之前还包括：

对所述故障特征信号进行信号增强处理，得到增强后的故障特征信号。

6.根据权利要求5所述的方法，其特征在于，所述得到增强后的故障特征信号之后还包括：

对所述增强后的故障特征信号进行三维/二维转换处理，得到转换至二维平面内的故障特征信号。

7.根据权利要求1所述的方法，其特征在于，所述故障类型包括漏油故障、异响故障、密封故障以及连接故障。

8.一种阻尼器故障检测系统，其特征在于，包括：

振动信号获取模块，用于获取激励条件下所述阻尼器整体的振动信号；

信号提取模块，用于对所述激励条件对应的所述振动信号进行信号提取处理，提取出故障特征信号；

分类预测模块，用于对所述故障特征信号进行分类及预测处理，输出所述激励条件对应的故障类型。

9.根据权利要求8所述的系统，其特征在于，所述分类预测模块为深度玻尔兹曼机。