CN105651526B - 基于振动信号分析的车辆工况识别方法 - Google Patents

基于振动信号分析的车辆工况识别方法 Download PDF

Info

Publication number
CN105651526B
CN105651526B CN201511021941.4A CN201511021941A CN105651526B CN 105651526 B CN105651526 B CN 105651526B CN 201511021941 A CN201511021941 A CN 201511021941A CN 105651526 B CN105651526 B CN 105651526B
Authority
CN
China
Prior art keywords
mrow
mfrac
matrix
vehicle
vibration signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201511021941.4A
Other languages
English (en)
Other versions
CN105651526A (zh
Inventor
刘大同
牛广行
刘连胜
彭宇
彭喜元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201511021941.4A priority Critical patent/CN105651526B/zh
Publication of CN105651526A publication Critical patent/CN105651526A/zh
Application granted granted Critical
Publication of CN105651526B publication Critical patent/CN105651526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups

Abstract

基于振动信号分析的车辆工况识别方法，属于车辆性能监控领域，本发明目的是为了提供在线监测车辆运行工况的方法，一方面能够对车辆类型进行智能识别，另一方面可对车辆的不同运行工况进行识别，用以满足对车辆状态监测的需求。本发明包括以下步骤：步骤1、采集车辆的振动信号，并对其进行去噪处理；步骤2、对去噪后的振动信号进行信号特征值提取；步骤3、根据步骤二提取的特征值进行工况智能识别；输出车辆工况类型。本发明用于监测车辆运行工况。

Description

基于振动信号分析的车辆工况识别方法
技术领域
本发明涉及监测车辆运行工况技术，属于车辆性能监控领域。
背景技术
车辆运行工况，即车辆的过程运行状态。随着车辆运行工况的复杂多变，其在不同工况下的运行时间会影响其健康状态和使用寿命，为了获取车辆运行状态，需要对其工况进行监测。目前对于车辆的状态监测主要通过采集车辆的运行状态数据，采用线下处理的方式，对车辆的运行状态进行评估。对车辆的运行工况缺少有效的在线监测手段，为了实现对车辆运行工况的在线监测，需要设计实现一种具备工况识别的状态监测模块。目前，对于车辆的状态监测技术手段主要有性能参数监测、油液分析监测等，这两种方法需要针对不同类型车辆来选择不同的监测参数且安装使用不方便。
目前，在机械系统领域，振动信号主要用在系统故障诊断领域，主要实现对故障的隔离和预测。但对于车辆等机械系统而言，其运行寿命与其在不同运行工况下的时间息息相关。通过对车辆运行工况进行监测、记录、存储，可为其使用过程中的维护提供决策依据。如何区分车辆在运行过程中不同的工况模式是当前面临的问题。
发明内容
本发明目的是为了提供在线监测车辆运行工况的方法，一方面能够对车辆类型进行智能识别，另一方面可对车辆的不同运行工况进行识别，用以满足对车辆状态监测的需求。
本发明所述基于振动信号分析的车辆工况识别方法，该方法包括以下步骤：
步骤1、采集车辆的振动信号，并对其进行去噪处理；
步骤2、对去噪后的振动信号进行信号特征值提取；
步骤3、根据步骤二提取的特征值进行工况智能识别；输出车辆工况类型。
本发明的优点：基于振动信号的工况识别方法是基于对信号的分析处理，提取相应的特征信息，然后利用合适的模式识别方法来进行工况的识别。对于振动信号，目前的分析方法主要分为时域分析、频域分析和时频域分析三大类，随着研究的不断深入，各种新型的振动分析方法被应用于振动信号的分析处理。对于车辆而言，其运行过程中的振动信号包含丰富的状态信息，不仅从中获取车辆的运行工况，还可以获取其是否发生故障等，而且车辆振动信号可以通过非入侵的方法获得，确保了车辆结构的完整性。本发明提出的方法通过对车辆运行过程中的振动模式更为准确和细致的区分，进而实现对车辆运行工况的识别，并对其进行记录存储。实现对车辆类型的在线识别；在线识别正确率达到95％以上。
附图说明
图1是本发明所述基于振动信号分析的车辆工况识别方法的流程框图；
图2是Goertzel算法传递函数示意图。
具体实施方式
具体实施方式一：下面结合图1说明本实施方式，本实施方式所述基于振动信号分析的车辆工况识别方法，该方法包括以下步骤：
步骤1、采集车辆的振动信号，并对其进行去噪处理；
步骤2、对去噪后的振动信号进行信号特征值提取；
步骤3、根据步骤二提取的特征值进行工况智能识别；输出车辆工况类型。
具体实施方式二：本实施方式对实施方式一作进一步说明，步骤1中对车辆的振动信号进行去噪处理采用奇异值分解降噪方法，对观测到的车辆振动信号序列xi＝{x1,x2,…xQ}进行奇异值分解降噪，Q为采样点，具体过程为：
步骤1-1、在观测信号序列中选用子序列{x1,x2,…xq}作为p×q维相空间矩阵的第一个行向量y1；
步骤1-2、右移一个步长，得到子序列{x2,x3,…xq+1}，将其作为p×q维相空间矩阵的第二个行向量y2；
步骤1-3、以此类推，得到一个列向量(y1,y2,…yp)T；
步骤1-4、每一个向量对应着相空间中的一个点，所有向量构成p×q维重构相空间轨道矩阵H：
式中，H为Hankel矩阵；满足条件p+q-1＝Q；H反应了重构吸引子在相空间中的演化特性，其中：S表示信号的轨道矩阵，D表示噪声的轨道矩阵，且D看作是S的一个摄动；D必为满秩矩阵，即它的秩k1＝q，因此，对于观测信号的降噪问题就转化为由已知矩阵H来寻找矩阵S的逼近问题；
步骤1-5、对矩阵H进行奇异值分解，得到：H＝UΛVT ；
式中Λ表示一个p×q阶对角矩阵，对角矩阵为λ1,λ2,…λr，r＝min(p,q)，r为矩阵H的秩，且满足关系λ1≥λ2≥…λr，则λi(i＝1,2,…r)为矩阵H的奇异值；U和V均为p×q矩阵，UUT＝I，VVT＝I，U和V为矩阵H的左右奇异阵；
步骤1-6、保留反应信号特征的前k1个奇异值，将其余奇异值全部置0，然后利用奇异值分解的逆过程得到矩阵H'，则H'就是对轨道矩阵S的一个最佳逼近，从而可以从H'得到原信号降噪后的信号，完成去噪过程。
具体实施方式三：本实施方式对实施方式二作进一步说明，步骤二中对去噪后的振动信号进行信号特征值提取的过程为：
去噪后的信号G为xi＝{x1,x2,…xN}，其傅里叶变换表达式为：
信号的幅值谱表达式为：
信号的功率谱表达式为：
其中，XR(k)表示实部，XI(k)表示虚部：
然后绘出振动信号的频谱图，呈现振动信号的频率分布，选择不同工况下的频率成分作为信号特征值。
具体实施方式四：下面结合图2说明本实施方式，本实施方式对实施方式三作进一步说明，步骤三中根据特征值进行工况智能识别的过程为：
将选取的频率成分作为检测的目标频率，对于一组振动信号，根据Goertzel算法计算振动信号在目标频率处的幅度值，然后将幅度值与设定的阈值相比较，如果幅度值大于设定的阈值，则说明该组振动信号中含有此频率成分，则此频率成分对应车辆在运行过程中的工况类型。
本实施方式中，根据Goertzel算法计算振动信号在目标频率处的幅度值的具体过程为：
转移函数以及传递函数为：
对输出采用递归方式计算，引入中间变量Qk：
其中使用初值：
Qk(-1)＝Qk(-2)＝0，n＝0,1,…N，
其输出幅度平方值是：
其中N表示去噪后的信号的采样点，f表示待计算的频率，fs为采样频率；
首先，确定采样频率fs，采样频率fs根据应用场合和目标确定；
其次，根据所需要的频率分辨率确定所需的采样点数N，根据待计算的目标频率f计算出k，经过Goertzel算法输出的|X(k)|2即为振动信号在目标频率的幅度值。

Claims (3)

1.基于振动信号分析的车辆工况识别方法，其特征在于，该方法包括以下步骤：
步骤1、采集车辆的振动信号，并对其进行去噪处理；
步骤2、对去噪后的振动信号进行信号特征值提取；
步骤3、根据步骤二提取的特征值进行工况智能识别；输出车辆工况类型；
根据特征值进行工况智能识别的过程为：
将选取的信号特征值作为检测的目标频率，对于一组振动信号，根据Goertzel算法计算振动信号在目标频率处的幅度值，然后将幅度值与设定的阈值相比较，如果幅度值大于设定的阈值，则说明该组振动信号中含有此频率成分，则此频率成分对应车辆在运行过程中的工况类型。
2.根据权利要求1所述基于振动信号分析的车辆工况识别方法，其特征在于，步骤1中对车辆的振动信号进行去噪处理采用奇异值分解降噪方法，对观测到的车辆振动信号序列xi＝{x1,x2,…xQ}，进行奇异值分解降噪，Q为采样点，具体过程为：
步骤1-1、在观测信号序列中选用子序列{x1,x2,…xq}作为p×q维相空间矩阵的第一个行向量y1；
步骤1-2、右移一个步长，得到子序列{x2,x3,…xq+1}，将其作为p×q维相空间矩阵的第二个行向量y2；
步骤1-3、以此类推，得到一个列向量(y1,y2,…yp)T；
步骤1-4、每一个向量对应着相空间中的一个点，所有向量构成p×q维重构相空间轨道矩阵H：
式中，H为Hankel矩阵；满足条件p+q-1＝Q；H反应了重构吸引子在相空间中的演化特性，其中：S表示信号的轨道矩阵，D表示噪声的轨道矩阵，且D看作是S的一个摄动；D必为满秩矩阵，即它的秩k1＝q，因此，对于观测信号的降噪问题就转化为由已知矩阵H来寻找矩阵S的逼近问题；
步骤1-5、对矩阵H进行奇异值分解，得到：H＝UΛVT；
式中Λ表示一个p×q阶对角矩阵，对角矩阵为λ1,λ2,…λr，r＝min(p,q)，r为矩阵H的秩，且满足关系λ1≥λ2≥…λr，则λi(i＝1,2,…r)为矩阵H的奇异值；U和V均为p×q矩阵，UUT＝I，VVT＝I，U和V为矩阵H的左右奇异阵；
步骤1-6、保留反应信号特征的前k1个奇异值，将其余奇异值全部置0，然后利用奇异值分解的逆过程得到矩阵H'，则H'就是对轨道矩阵S的一个最佳逼近，从而可以从H'得到原信号降噪后的信号，完成去噪过程。
3.根据权利要求2所述基于振动信号分析的车辆工况识别方法，其特征在于，步骤二中对去噪后的振动信号进行信号特征值提取的过程为：
去噪后的信号G为xi＝{x1,x2,…xN}，其傅里叶变换表达式为：
<mrow> <mi>X</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>2</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>x</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>&amp;lsqb;</mo> <mi>cos</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mi>k</mi> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>j</mi> <mi> </mi> <mi>sin</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mi>k</mi> <mi>n</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mfrac> <mi>N</mi> <mn>2</mn> </mfrac> <mo>-</mo> <mn>1</mn> <mo>,</mo> </mrow>
信号的幅值谱表达式为：
<mrow> <msub> <mi>G</mi> <mrow> <mi>x</mi> <mi>a</mi> <mi>m</mi> <mi>p</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <msubsup> <mi>X</mi> <mi>R</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>X</mi> <mi>I</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </msqrt> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mfrac> <mi>N</mi> <mn>2</mn> </mfrac> <mo>-</mo> <mn>1</mn> <mo>,</mo> </mrow>
信号的功率谱表达式为：
<mrow> <msub> <mi>G</mi> <mrow> <mi>x</mi> <mi>p</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>X</mi> <mi>R</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>X</mi> <mi>I</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mfrac> <mi>N</mi> <mn>2</mn> </mfrac> <mo>-</mo> <mn>1</mn> <mo>,</mo> </mrow>
其中，XR(k)表示实部，XI(k)表示虚部：
<mrow> <msub> <mi>X</mi> <mi>R</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>2</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>x</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mi>k</mi> <mi>n</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mfrac> <mi>N</mi> <mn>2</mn> </mfrac> <mo>-</mo> <mn>1</mn> <mo>,</mo> </mrow>
<mrow> <msub> <mi>X</mi> <mi>I</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>2</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>x</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mi>k</mi> <mi>n</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mfrac> <mi>N</mi> <mn>2</mn> </mfrac> <mo>-</mo> <mn>1</mn> <mo>;</mo> </mrow>
然后绘出振动信号的频谱图，呈现振动信号的频率分布，选择不同工况下的频率成分作为信号特征值。
CN201511021941.4A 2015-12-29 2015-12-29 基于振动信号分析的车辆工况识别方法 Active CN105651526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511021941.4A CN105651526B (zh) 2015-12-29 2015-12-29 基于振动信号分析的车辆工况识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511021941.4A CN105651526B (zh) 2015-12-29 2015-12-29 基于振动信号分析的车辆工况识别方法

Publications (2)

Publication Number Publication Date
CN105651526A CN105651526A (zh) 2016-06-08
CN105651526B true CN105651526B (zh) 2018-01-30

Family

ID=56490750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511021941.4A Active CN105651526B (zh) 2015-12-29 2015-12-29 基于振动信号分析的车辆工况识别方法

Country Status (1)

Country Link
CN (1) CN105651526B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399385B (zh) * 2018-02-23 2021-10-15 中国石油大学(华东) 一种风力发电机组振动监测信号降噪方法
CN110749373A (zh) * 2018-07-24 2020-02-04 上汽通用五菱汽车股份有限公司 一种汽车噪声源检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4800748A (en) * 1986-02-10 1989-01-31 Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E.V. Method and apparatus for testing rail vehicle wheels
CN1136168A (zh) * 1995-05-12 1996-11-20 鞍山钢铁公司 便携式柴油机工况监测及故障诊断系统
CN104950709A (zh) * 2015-06-10 2015-09-30 周海昇 一种基于运行数据特征识别的设备工效分析系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4800748A (en) * 1986-02-10 1989-01-31 Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E.V. Method and apparatus for testing rail vehicle wheels
CN1136168A (zh) * 1995-05-12 1996-11-20 鞍山钢铁公司 便携式柴油机工况监测及故障诊断系统
CN104950709A (zh) * 2015-06-10 2015-09-30 周海昇 一种基于运行数据特征识别的设备工效分析系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于LabVIEW的船舶柴油机不同工况下的机身振动信号分析;娄朝辉 等;《中国修船》;20140831;第27卷(第4期);第47-51页 *
基于缸盖振动信号分析的柴油机工况识别;张仕海;《船舶工程》;20091231;第31卷(第4期);第24-27页 *

Also Published As

Publication number Publication date
CN105651526A (zh) 2016-06-08

Similar Documents

Publication Publication Date Title
CN103487749B (zh) 高压断路器机械状态在线监测诊断系统及方法
CN103115789B (zh) 金属结构损伤剩余寿命的第二代小波支持向量机评估方法
CN110261109B (zh) 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法
CN103091612B (zh) 一种变压器油纸绝缘多局部放电源信号的分离与识别算法
CN105760839A (zh) 基于多特征流形学习与支持向量机的轴承故障诊断方法
CN103605757B (zh) 一种基于支持向量机的高铁电能质量数据的分类方法
CN105758644A (zh) 基于变分模态分解和排列熵的滚动轴承故障诊断方法
CN103575525A (zh) 一种断路器机械故障的智能诊断方法
CN103398769A (zh) 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法
CN101839805A (zh) 发动机主动故障质检与智能故障诊断方法
CN101254528B (zh) 一种大包下渣检测自动控制系统
CN112069930A (zh) 提升gis设备故障诊断准确率的振动信号处理方法及装置
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN105241643A (zh) 采用hs变换和单类支持向量机的高压断路器机械状态监测方法
CN105651526B (zh) 基于振动信号分析的车辆工况识别方法
Zhang et al. Feature engineering and artificial intelligence-supported approaches used for electric powertrain fault diagnosis: A review
CN112884070A (zh) 一种基于迁移学习的高压开关故障诊断方法
CN115481657A (zh) 一种基于电信号的风力发电机组通信滑环故障诊断方法
Chen et al. Fault diagnosis of full-hydraulic drilling rig based on RS–SVM data fusion method
CN101011729A (zh) 一种大包下渣检测自动控制方法及系统
CN111638047A (zh) 一种gis设备机械故障诊断系统及方法
CN115684908A (zh) 用于电力gis设备的状态监测方法、存储介质及电子装置
CN112784744B (zh) 一种具有缺失值的机械构件振动信号预处理方法
Ren et al. Research on the noise reduction method of the vibration signal of the hydrogenerator unit based on ITD-PE-SVD
CN202372811U (zh) 基于数据挖掘算法的机电液混合设备实时故障诊断装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant