CN114252261B - 一种综合传动装置转向系统故障诊断方法及系统 - Google Patents
一种综合传动装置转向系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114252261B CN114252261B CN202111573363.0A CN202111573363A CN114252261B CN 114252261 B CN114252261 B CN 114252261B CN 202111573363 A CN202111573363 A CN 202111573363A CN 114252261 B CN114252261 B CN 114252261B
- Authority
- CN
- China
- Prior art keywords
- hidden markov
- working condition
- model
- under
- sub
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 56
- 239000002245 particle Substances 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000005299 abrasion Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 208000035874 Excoriation Diseases 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/025—Test-benches with rotational drive means and loading means; Load or drive simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Feedback Control In General (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明涉及一种综合传动装置转向系统故障诊断方法及系统，方法包括：获取综合传动装置转向系统中不同位置在不同工况下的电压信号；根据电压信号、电压信号对应的工况以及电压信号对应的位置构建不同工况下的数据集；利用不同工况下的数据集对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型；利用粒子群算法对训练后的隐马尔科夫模型进行优化，得到优化的隐马尔科夫模型；基于优化的隐马尔科夫模型对待识别的电压信号进行识别，输出不同工况下的似然概率；根据所述似然概率确定与输入电压信号对应的工况，并将待识别的电压信号对应的位置确定为故障位置。本发明通过优化的隐马尔科夫模型可以迅速定位故障发生的位置，提高了故障定位的准确性。
Description
技术领域
本发明涉及故障诊断领域，特别是涉及一种综合传动装置转向系统故障诊断方法及系统。
背景技术
04步战车的综合传动装置是将液力传动、机械传动、液压无级转向技术和离合器多自由度换挡技术等融合于一体的复杂传动系统，综合传动装置功能全面、整体技术水平先进，明显提高了装甲车的机动性能。综合传动装置采用变量柱塞泵驱动定量柱塞马达实现各档液压无级转向和空档原地中心转向。综合传动装置在实际使用中可能会出现高压油路密封损坏、变量柱塞泵和定量柱塞马达早期磨损、排量控制机构失灵以及溢流阀堵塞等故障，影响底盘系统转向的灵活性和稳定性，严重时导致车辆无法转向。液压式转向机构是综合传动装置功能实现的关键部件，液压式转向机构的运行工况是综合传动装置的运行工况的重要表征，是工况检测和故障诊断的重点、难点。这些故障发生后，通过人工确定故障位置，因此，很难准确的定位故障位置，从而不能有效的解决问题。
发明内容
本发明的目的是提供一种综合传动装置转向系统故障诊断方法及系统，以解决现有技术中故障位置定位不准确的问题。
为实现上述目的，本发明提供了如下方案：
一种综合传动装置转向系统故障诊断方法，包括：
获取综合传动装置转向系统中不同位置在不同工况下的电压信号；所述工况包括正常、磨损以及损坏；
根据所述电压信号、所述电压信号对应的工况以及所述电压信号对应的位置构建不同工况下的数据集；
利用所述不同工况下的数据集对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型；所述隐马尔科夫模型包括正常工况下的隐马尔科夫子模型、磨损工况下的隐马尔科夫子模型以及损坏工况下的隐马尔科夫子模型；
利用粒子群算法对所述训练后的隐马尔科夫模型进行优化，得到优化的隐马尔科夫模型；
基于所述优化的隐马尔科夫模型对待识别的电压信号进行识别，输出不同工况下的似然概率；
根据所述似然概率确定与输入电压信号对应的工况，并将所述待识别的电压信号对应的位置确定为故障位置。
可选的，所述根据所述电压信号、所述电压信号对应的工况以及所述电压信号对应的位置构建不同工况下的数据集，具体包括：
根据所述电压信号确定特征参数；所述特征参数包括电压信号和标准电压信号的标准差、方差、裕度指数、脉冲指数以及峰值因子；
对所述特征参数进行局部均值分解，提取瞬时能量，得到包含瞬时能量的特征参数；
根据所述包含瞬时能量的特征参数、所述包含瞬时能量的特征参数对应的工况以及所述包含瞬时能量的特征参数对应的位置，构建不同工况下的数据集。
可选的，当所述电压信号为2.7-3.2V时，所述工况为正常；当所述电压信号为2.1-2.6V或者3.3-3.8V时，所述工况为磨损；当所述电压信号为1-2V或者3.9-6V时，所述工况为损坏。
可选的，所述利用所述不同工况下的数据集对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型，具体包括：
利用正常工况下的数据集对所述正常工况下的隐马尔科夫子模型进行训练，得到训练后的正常工况下的隐马尔科夫子模型；
利用磨损工况下的数据集对所述磨损工况下的隐马尔科夫子模型进行训练，得到训练后的磨损工况下的隐马尔科夫子模型；
利用损坏工况下的数据集对所述损坏工况下的隐马尔科夫子模型进行训练，得到训练后的损坏工况下的隐马尔科夫子模型；
根据所述训练后的正常工况下的隐马尔科夫子模型、所述训练后的磨损工况下的隐马尔科夫子模型以及所述训练后的损坏工况下的隐马尔科夫子模型，确定所述训练后的隐马尔科夫模型。
可选的，所述利用粒子群算法对所述训练后的隐马尔科夫模型进行优化，得到优化的隐马尔科夫模型，具体包括：
利用粒子群算法确定所述训练后的隐马尔科夫模型的最优参数；
根据所述最优参数优化所述训练后的隐马尔科夫模型，得到优化的隐马尔科夫模型。
可选的，所述根据所述似然概率确定与输入电压信号对应的工况，具体包括：
选取所述似然概率中的最大似然概率，将所述最大似然概率对应的工况确定为与输入电压信号对应的工况。
一种综合传动装置转向系统故障诊断系统，包括：
信号获取模块，用于获取综合传动装置转向系统中不同位置在不同工况下的电压信号；所述工况包括正常、磨损以及损坏；
数据集构建模块，用于根据所述电压信号、所述电压信号对应的工况以及所述电压信号对应的位置构建不同工况下的数据集；
模型训练模块，用于利用所述不同工况下的数据集对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型；所述隐马尔科夫模型包括正常工况下的隐马尔科夫子模型、磨损工况下的隐马尔科夫子模型以及损坏工况下的隐马尔科夫子模型；
模型优化模块，用于利用粒子群算法对所述训练后的隐马尔科夫模型进行优化，得到优化的隐马尔科夫模型；
识别模块，用于基于所述优化的隐马尔科夫模型对待识别的电压信号进行识别，输出不同工况下的似然概率；
故障位置确定模块，用于根据所述似然概率确定与输入电压信号对应的工况，并将所述待识别的电压信号对应的位置确定为故障位置。
可选的，所述数据集构建模块，具体包括：
参数选取单元，用于根据所述电压信号，确定特征参数；所述特征参数包括电压信号和标准电压信号的标准差、方差、裕度指数、脉冲指数以及峰值因子；
提取单元，用于对所述特征参数进行局部均值分解，提取瞬时能量，得到包含瞬时能量的特征参数；
构建单元，用于根据所述包含瞬时能量的特征参数、所述包含瞬时能量的特征参数对应的工况以及所述包含瞬时能量的特征参数对应的位置，构建不同工况下的数据集。
可选的，所述模型训练模块，具体包括：
第一训练单元，用于利用正常工况下的数据集对所述正常工况下的隐马尔科夫子模型进行训练，得到训练后的正常工况下的隐马尔科夫子模型；
第二训练单元，用于利用磨损工况下的数据集对所述磨损工况下的隐马尔科夫子模型进行训练，得到训练后的磨损工况下的隐马尔科夫子模型；
第三训练单元，用于利用损坏工况下的数据集对所述损坏工况下的隐马尔科夫子模型进行训练，得到训练后的损坏工况下的隐马尔科夫子模型；
模型确定单元，用于根据所述训练后的正常工况下的隐马尔科夫子模型、所述训练后的磨损工况下的隐马尔科夫子模型以及所述训练后的损坏工况下的隐马尔科夫子模型，确定所述训练后的隐马尔科夫模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明根据不同位置不同工况下的电压信号构建数据集，利用数据集对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型，再利用粒子群算法对训练后的隐马尔科夫模型进行优化，得到优化的隐马尔科夫模型。利用优化的隐马尔科夫模型对待识别的电压信号进行识别，确定出最大似然函数，最大似然函数对应的工况即为故障工况，该待识别的电压信号对应的位置即为故障位置，该方法通过隐马尔科夫模型可以迅速定位故障发生的位置，提高了故障定位的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对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性的前提下，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综合传动装置转向系统故障诊断方法的流程图；
图2为本发明提供的HMM故障诊断流程图；
图3为本发明提供的3种工况下HMM训练迭代过程示意图；
图4为本发明提供的粒子群算法优化HMM的流程图；
图5为本发明提供的一种综合传动装置转向系统故障诊断系统的结构图。
具体实施方式
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，所描述的实施例仅仅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。
本发明的目的是提供一种综合传动装置转向系统故障诊断方法及系统，以解决现有技术中故障位置定位不准确的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明公开的基于隐马尔科夫模型(Hidden Markov Model，HMM)的履带车辆综合传动装置转向系统故障诊断方法即一种综合传动装置转向系统故障诊断方法。HMM具有很好的工况监测和早期微弱故障诊断识别能力，而且还具有工况隐含、观测序列可见的双重随机属性。机械设备故障的发生发展是一个逐步退化的过程，这些衰退工况在实际中一般不能直接观察到，能观测到的只是机械设备表现出来的征兆(如振动、转速和位移信号等)，即机械设备故障衰退工况要通过设备的表现来感知，这和隐马尔科夫模型(HMM)在本质上是相通的。
隐马尔科夫模型(HMM)是一种概率统计模型，在语音识别、工况监测、故障诊断、生物信号处理等信号处理和模式识别领域得到广泛应用。HMM是在Markov模型基础上发展而来的。实际问题中观测事件并非与工况一一对应，而是通过一组观测概率分布相联系，因此这样的模型被称为隐Markov模型。HMM作为不完全观测数据的统计模型，拥有强大的时序模式分类能力，适用于动态过程时间序列的建模，特别是非平稳、重复再现性不佳的信号分析。HMM的应用广泛，包容性、适用性强，训练时间短，无需提前建立目标函数，识别准确率较高。
图1为本发明提供的一种综合传动装置转向系统故障诊断方法的流程图，如图1所示，一种综合传动装置转向系统故障诊断方法，包括：
步骤101：获取综合传动装置转向系统中不同位置在不同工况下的电压信号。所述工况包括正常、磨损以及损坏。
在一个具体实施方式中，当所述电压信号为2.7-3.2V时，所述工况为正常；当所述电压信号为2.1-2.6V或者3.3-3.8V时，所述工况为磨损；当所述电压信号为1-2V或者3.9-6V时，所述工况为损坏。
在实际应用中，综合传动装置是个全寿命周期过程，以步战车综合传动装置的转向系统为例，研究故障诊断方法的有效性。综合传动装置采用变量柱塞泵驱动定量柱塞马达实现各档液压无级转向和空档原地中心转向。转向机构在工作工况下油压在1.3MPa-1.6MPa范围(信号输出显示为1-6V电压信号)。文中选取的正常、磨损、损坏的3个阶段。表1为故障模式确定表，根据电压信号幅值的不同，用模糊集定义的故障模式如表1所示。
| 测量电压 | 故障代码 |
| 1-2V | 2 |
| 2.1-2.6V | 1 |
| 2.7-3.2V | 0 |
| 3.3-3.8V | 1 |
| 3.9-6V | 2 |
表1中，0表示正常，1表示磨损，2表示损坏。在正常、磨损、损坏这3种电压信号的工况下，训练数据将选取具有不同特征的参数，分别进行训练3种不一样工况的隐马尔科夫模型。
步骤102：根据所述电压信号、所述电压信号对应的工况以及所述电压信号对应的位置构建不同工况下的数据集。
在一个具体实施方式中，所述步骤102，具体包括：
根据所述电压信号，确定特征参数；所述特征参数包括电压信号和标准电压信号的标准差、方差、裕度指数、脉冲指数以及峰值因子。
在实际应用中，计算敏感度需要同时利用相关的特征参数、利用聚类原理和距离测度3个方面，需要选取敏感度较高的特征参数。因此，将选取标准差、方差、裕度指标、脉冲指标、峰值因子这5种特征参数的样本，当做HMM训练的初始数据。不同工况的特征参数训练模型，输出结果不同，利用甚多的特征参数作为初始训练数据。
对所述特征参数进行局部均值分解，提取瞬时能量，得到包含瞬时能量的特征参数。
根据所述包含瞬时能量的特征参数、所述包含瞬时能量的特征参数对应的工况以及所述包含瞬时能量的特征参数对应的位置，构建不同工况下的数据集。
步骤103：利用所述不同工况下的数据集对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型。所述隐马尔科夫模型包括正常工况下的隐马尔科夫子模型、磨损工况下的隐马尔科夫子模型以及损坏工况下的隐马尔科夫子模型。
在一个具体实施方式中，所述步骤103，具体包括：
利用正常工况下的数据集对所述正常工况下的隐马尔科夫子模型进行训练，得到训练后的正常工况下的隐马尔科夫子模型。
利用磨损工况下的数据集对所述磨损工况下的隐马尔科夫子模型进行训练，得到训练后的磨损工况下的隐马尔科夫子模型。
利用损坏工况下的数据集对所述损坏工况下的隐马尔科夫子模型进行训练，得到训练后的损坏工况下的隐马尔科夫子模型。
根据所述训练后的正常工况下的隐马尔科夫子模型、所述训练后的磨损工况下的隐马尔科夫子模型以及所述训练后的损坏工况下的隐马尔科夫子模型，确定所述训练后的隐马尔科夫模型。
步骤104：利用粒子群算法对所述训练后的隐马尔科夫模型进行优化，得到优化的隐马尔科夫模型。
在一个具体实施方式中，所述步骤104，具体包括：
利用粒子群算法确定所述训练后的隐马尔科夫模型的最优参数。
根据所述最优参数优化所述训练后的隐马尔科夫模型，得到优化的隐马尔科夫模型。
步骤105：基于所述优化的隐马尔科夫模型对待识别的电压信号进行识别，输出不同工况下的似然概率。
步骤106：根据所述似然概率确定与输入电压信号对应的工况，并将所述待识别的电压信号对应的位置确定为故障位置。
在一个具体实施方式中，所述根据所述似然概率确定与输入电压信号对应的工况，具体包括：
选取所述似然概率中的最大似然概率，将所述最大似然概率对应的工况确定为与输入电压信号对应的工况。
在实际应用中，HMM对综合传动装置故障模式进行智能识别的步骤：首先，在综合传动装置的电压信号中提取故障信息，作为特征提取，获得特征参数；进而对特征参数进行优化，将优化后的特征参数作为HMM模型的训练集，得到训练后的HMM；最后在训练集中取出相对应的特征参数，将此作为输入优化的HMM的测试数据。HMM对综合传动装置故障诊断流程如图2所示。
1)特征提取
使用测量表测量含有故障信息的电压信号作为输入信号。
2)优化特征参数
对特征参数进行优化，提取瞬时能量，利用优化后的特征参数对HMM进行相关训练，并得到不同工况(正常、磨损、损坏)下的训练后的HMM。
将提取到的包含瞬时能量的特征参数输入到HMM中进行适应度函数最大值的计算，输出各工况的似然概率；以最大似然概率所对应的故障工况为诊断结果。
3)确定特征参数
根据输出的似然概率将输入的电压信号进行整理，选取合适的电压信号作为HMM模型的测试数据。
在试验过程中，将测试数据输入到训练后的HMM中，得到一个识别结果。
4)输出值
利用粒子群算法对训练后的HMM进行优化，得到优化的HMM。将测试数据输入到优化的HMM中进行识别，输出识别结果。
输出概率是通过输入到优化的HMM中的测试数据而得到的。综合传动装置工况的可能性大小，与训练数据所代表的测试数据息息相关。相似概率的越高，可能性越大。实际过程中通过综合传动装置采集正常、磨损、损坏等工况数据，通过数据的预处理来进行实验的仿真。
试验过程C环境下的模拟实现：为得到满足HMM算法使用要求的观测序列，需要将试验数据提取特征值后进行矢量化处理。
在实际应用中，首先通过传感器来采集3种不同工况的电压信号，总共收集30组，其中，一组数据有2000个，然后训练其中的18组数据，并且测试其中的12组数据。然后将所有的原始数据进行标准化处理，并进行量化，随后进行编码。然后对HMM进行训练，得到训练后的HMM。迭代过程如图3所示，满足收敛误差时需要迭代十几步，从而使得HMM逐渐趋向于稳定的工况，得到了训练后的HMM。
(1)HMM解的编码
设定工况转移矩阵为A、观察值输出矩阵为B、初始工况分布矩阵为π，粒子位移表达式X(t)＝[π,A,B]。训练后的HMM中的各个参数是由粒子群算法最终获得的全局最优解。要想满足各元素的取值范围在[0,1]之间以及各行元素要满足和等于1的条件，就必须先分别对π、A、B矩阵进行归一化的处理。接下来，计算适应度函数的最大值就可以替代训练后的HMM参数的训练过程。
(2)适应度函数
在对训练后的HMM进行训练的过程中，适应度函数由产生观测序列O的概率P(O|λ)来确定，具体函数为f(λ)＝P(O|λ)。因为训练后的HMM中的概率P(O|λ)较小，而且只展现出每次模型输出概率值的相对大小，因此，粒子群算法中的适应度函数将选择上述函数两边取对数。
(3)算法流程
利用粒子群算法优化HMM的流程图，如图4所示。
1)给定初始化条件：确定最大速度、学习因子c1、c2、粒子群规模N、惯性权重ω、最大迭代次数等多个参数，同时确定HMM的工况数、观测值数以及观测序列；
2)对π、A、B矩阵进行归一化处理，将速度与位移进行更新。
3)将惯性权重进行更新，进一步将个体与全局的最优值进行更新，从而计算适应度函数。
粒子群算法(Particle SwarmOptimization，PSO)是一种进化计算技术。粒子群算法主要用来解决优化问题。在粒子群算法中，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定方向和距离。假如每个粒子可以看为问题的解，其求解过程就是通过迭代的方式取得局部最优解的过程。首先初始化为一群随机粒子，然后通过迭代的方式找到最优解。在每次迭代过程中，粒子都会通过跟踪两个“极值”来更新自己。这两个极值分别为粒子本身所找到的最优解pbest与种群的最优解，也就是整个种群目前可以找到的最优值，叫做gbest，在找到这两个最优值时，粒子根据下面两个公式来更新自己的位移以及速度。
v＝ωv+c1r1[pbest-x]+c2r2[gbest-x]
x＝x+v
其中，惯性权重是ω；学习因子是c1、c2；r1、r2是[0,1]之间的伪随机数。
在全局搜索中，在搜索前期搜索速度快，具有较快的搜索能力，可以较快的得到合适的粒子，从而加快收敛速度。但是在整个过程中，当ω越大时，寻找全局最优解效果越好，其收敛速度越慢；当ω越小时，寻找局部最优解效果越好，却很容易陷入到局部最优解中，在整个算法寻优过程中，应使其逐步递减，使整个迭代过程更好地收敛，获得较好的收敛精度。惯性权重ω的更新公式所示。
其中t表示迭代次数；tmax表示最大迭代次数。
然后，对粒子群参数进行设定，粒子群个体数目N＝150，学习因子c1、c2都为1.5682，ωmin＝0.4，ωmax＝0.9，迭代次数最多有200次。首先对初始工况分布矩阵进行统一的处理，π＝[1,0,0,0]，工况转移矩阵A、观察值输出矩阵B设定为多种不同的随机值，然后对训练后的HMM进行优化，得到优化后的HMM。
将利用训练后的HMM进行故障诊断得到的识别结果，与利用优化的HMM进行故障诊断得到的识别结果进行对比，通过粒子群优化训练后的HMM后，最终输出的识别结果明显要好于利用训练后的HMM进行故障诊断得到的识别结果。
图5为本发明提供的一种综合传动装置转向系统故障诊断系统的结构图。
如图5所示，一种综合传动装置转向系统故障诊断系统，包括：
信号获取模块501，用于获取综合传动装置转向系统中不同位置在不同工况下的电压信号。所述工况包括正常、磨损以及损坏。
数据集构建模块502，用于根据所述电压信号、所述电压信号对应的工况以及所述电压信号对应的位置构建不同工况下的数据集。
模型训练模块503，用于利用所述不同工况下的数据集对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型。所述隐马尔科夫模型包括正常工况下的隐马尔科夫子模型、磨损工况下的隐马尔科夫子模型以及损坏工况下的隐马尔科夫子模型。
模型优化模块504，用于利用粒子群算法对所述训练后的隐马尔科夫模型进行优化，得到优化的隐马尔科夫模型。
识别模块505，用于基于所述优化的隐马尔科夫模型对待识别的电压信号进行识别，输出不同工况下的似然概率。
故障位置确定模块506，用于根据所述似然概率确定与输入电压信号对应的工况，并将所述待识别的电压信号对应的位置确定为故障位置。
在一个具体实施方式中，所述数据集构建模块502，具体包括：
参数选取单元，用于根据所述电压信号，确定特征参数。所述特征参数包括电压信号和标准电压信号的标准差、方差、裕度指数、脉冲指数以及峰值因子。
提取单元，用于对所述特征参数进行局部均值分解，提取瞬时能量，得到包含瞬时能量的特征参数。
构建单元，用于根据所述包含瞬时能量的特征参数、所述包含瞬时能量的特征参数对应的工况以及所述包含瞬时能量的特征参数对应的位置，构建不同工况下的数据集。
在一个具体实施方式中，所述模型训练模块503，具体包括：
第一训练单元，用于利用正常工况下的数据集对所述正常工况下的隐马尔科夫子模型进行训练，得到训练后的正常工况下的隐马尔科夫子模型。
第二训练单元，用于利用磨损工况下的数据集对所述磨损工况下的隐马尔科夫子模型进行训练，得到训练后的磨损工况下的隐马尔科夫子模型。
第三训练单元，用于利用损坏工况下的数据集对所述损坏工况下的隐马尔科夫子模型进行训练，得到训练后的损坏工况下的隐马尔科夫子模型。
模型确定单元，用于根据所述训练后的正常工况下的隐马尔科夫子模型、所述训练后的磨损工况下的隐马尔科夫子模型以及所述训练后的损坏工况下的隐马尔科夫子模型，确定所述训练后的隐马尔科夫模型。
本发明，结合HMM算法提出了一种综合传动装置转向系统故障诊断方法及系统，该方法可以迅速定位故障发生位置，节约了工作人员寻找故障传动装置时间。该种方法首先针对传动装置建立决策表，之后利用粗糙集算法对决策表进行属性约简，提取出诊断规则，最后利用HMM算法对传动装置进行诊断。通过诊断实例证明了该方法具有诊断准确、容错能力强、灵活性高等优点。HMM是一个双随机过程，适用于动态过程时间序列的建模，并具有强大的时序模式分类能力，而行驶中的步战车转向系统中转向架具有信息量大、随机性强、特征重复再现性不佳等特点，HMM适用于分析这类数据信息。HMM能够揭示系统潜在工况所发生的变化特征，实现对设备工况的实时观测与估计。首次将HMM方法用到综合转动装置转向系统故障诊断中，利用有限工况的HMM来模拟转向机构在运行过程中不同的工况工况。试验证明该方法应用于转向机构的故障诊断是可行的。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种综合传动装置转向系统故障诊断方法，其特征在于，包括：
获取综合传动装置转向系统中不同位置在不同工况下的电压信号；所述工况包括正常、磨损以及损坏；
根据所述电压信号、所述电压信号对应的工况以及所述电压信号对应的位置构建不同工况下的数据集；
利用所述不同工况下的数据集对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型；所述隐马尔科夫模型包括正常工况下的隐马尔科夫子模型、磨损工况下的隐马尔科夫子模型以及损坏工况下的隐马尔科夫子模型；
利用粒子群算法对所述训练后的隐马尔科夫模型进行优化，得到优化的隐马尔科夫模型；
基于所述优化的隐马尔科夫模型对待识别的电压信号进行识别，输出不同工况下的似然概率；
根据所述似然概率确定与输入电压信号对应的工况，并将所述待识别的电压信号对应的位置确定为故障位置;
所述根据所述电压信号、所述电压信号对应的工况以及所述电压信号对应的位置构建不同工况下的数据集，具体包括：
根据所述电压信号，确定特征参数；所述特征参数包括电压信号和标准电压信号的标准差、方差、裕度指数、脉冲指数以及峰值因子；
对所述特征参数进行局部均值分解，提取瞬时能量，得到包含瞬时能量的特征参数；
根据所述包含瞬时能量的特征参数、所述包含瞬时能量的特征参数对应的工况以及所述包含瞬时能量的特征参数对应的位置，构建不同工况下的数据集。
2.根据权利要求1所述的一种综合传动装置转向系统故障诊断方法，其特征在于，当所述电压信号为2.7-3.2V时，所述工况为正常；当所述电压信号为2.1-2.6V或者3.3-3.8V时，所述工况为磨损；当所述电压信号为1-2V或者3.9-6V时，所述工况为损坏。
3.根据权利要求1所述的一种综合传动装置转向系统故障诊断方法，其特征在于，所述利用所述不同工况下的数据集对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型，具体包括：
利用正常工况下的数据集对所述正常工况下的隐马尔科夫子模型进行训练，得到训练后的正常工况下的隐马尔科夫子模型；
利用磨损工况下的数据集对所述磨损工况下的隐马尔科夫子模型进行训练，得到训练后的磨损工况下的隐马尔科夫子模型；
利用损坏工况下的数据集对所述损坏工况下的隐马尔科夫子模型进行训练，得到训练后的损坏工况下的隐马尔科夫子模型；
根据所述训练后的正常工况下的隐马尔科夫子模型、所述训练后的磨损工况下的隐马尔科夫子模型以及所述训练后的损坏工况下的隐马尔科夫子模型，确定所述训练后的隐马尔科夫模型。
4.根据权利要求1所述的一种综合传动装置转向系统故障诊断方法，其特征在于，所述利用粒子群算法对所述训练后的隐马尔科夫模型进行优化，得到优化的隐马尔科夫模型，具体包括：
利用粒子群算法确定所述训练后的隐马尔科夫模型的最优参数；
根据所述最优参数优化所述训练后的隐马尔科夫模型，得到优化的隐马尔科夫模型。
5.根据权利要求1所述的一种综合传动装置转向系统故障诊断方法，其特征在于，所述根据所述似然概率确定与输入电压信号对应的工况，具体包括：
选取所述似然概率中的最大似然概率，将所述最大似然概率对应的工况确定为与输入电压信号对应的工况。
6.一种综合传动装置转向系统故障诊断系统，其特征在于，包括：
信号获取模块，用于获取综合传动装置转向系统中不同位置在不同工况下的电压信号；所述工况包括正常、磨损以及损坏；
数据集构建模块，用于根据所述电压信号、所述电压信号对应的工况以及所述电压信号对应的位置构建不同工况下的数据集；
模型训练模块，用于利用所述不同工况下的数据集对隐马尔科夫模型进行训练，得到训练后的隐马尔科夫模型；所述隐马尔科夫模型包括正常工况下的隐马尔科夫子模型、磨损工况下的隐马尔科夫子模型以及损坏工况下的隐马尔科夫子模型；
模型优化模块，用于利用粒子群算法对所述训练后的隐马尔科夫模型进行优化，得到优化的隐马尔科夫模型；
识别模块，用于基于所述优化的隐马尔科夫模型对待识别的电压信号进行识别，输出不同工况下的似然概率；
故障位置确定模块，用于根据所述似然概率确定与输入电压信号对应的工况，并将所述待识别的电压信号对应的位置确定为故障位置；
所述数据集构建模块，具体包括：
参数选取单元，用于根据所述电压信号，确定特征参数；所述特征参数包括电压信号和标准电压信号的标准差、方差、裕度指数、脉冲指数以及峰值因子；
提取单元，用于对所述特征参数进行局部均值分解，提取瞬时能量，得到包含瞬时能量的特征参数；
构建单元，用于根据所述包含瞬时能量的特征参数、所述包含瞬时能量的特征参数对应的工况以及所述包含瞬时能量的特征参数对应的位置，构建不同工况下的数据集。
7.根据权利要求6所述的一种综合传动装置转向系统故障诊断系统，其特征在于，所述模型训练模块，具体包括：
第一训练单元，用于利用正常工况下的数据集对所述正常工况下的隐马尔科夫子模型进行训练，得到训练后的正常工况下的隐马尔科夫子模型；
第二训练单元，用于利用磨损工况下的数据集对所述磨损工况下的隐马尔科夫子模型进行训练，得到训练后的磨损工况下的隐马尔科夫子模型；
第三训练单元，用于利用损坏工况下的数据集对所述损坏工况下的隐马尔科夫子模型进行训练，得到训练后的损坏工况下的隐马尔科夫子模型；
模型确定单元，用于根据所述训练后的正常工况下的隐马尔科夫子模型、所述训练后的磨损工况下的隐马尔科夫子模型以及所述训练后的损坏工况下的隐马尔科夫子模型，确定所述训练后的隐马尔科夫模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111573363.0A CN114252261B (zh) | 2021-12-21 | 2021-12-21 | 一种综合传动装置转向系统故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111573363.0A CN114252261B (zh) | 2021-12-21 | 2021-12-21 | 一种综合传动装置转向系统故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114252261A CN114252261A (zh) | 2022-03-29 |
| CN114252261B true CN114252261B (zh) | 2024-03-08 |
Family
ID=80796371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111573363.0A Active CN114252261B (zh) | 2021-12-21 | 2021-12-21 | 一种综合传动装置转向系统故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114252261B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102975766A (zh) * | 2012-12-12 | 2013-03-20 | 潍柴动力股份有限公司 | 一种电动液压助力转向系统故障诊断方法与控制器 |
| JP2015176285A (ja) * | 2014-03-14 | 2015-10-05 | 株式会社デンソー | 故障情報提示システム |
| CN106803101A (zh) * | 2016-12-30 | 2017-06-06 | 北京交通大学 | 基于隐马尔科夫模型的里程计故障诊断方法 |
| CN110988471A (zh) * | 2019-12-17 | 2020-04-10 | 清华大学 | 基于电流信号的风力发电机变桨传动皮带故障诊断方法 |
| CN111189638A (zh) * | 2019-12-24 | 2020-05-22 | 沈阳化工大学 | 基于hmm和qpso优化算法的轴承故障程度辨识方法 |
| CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
| CN111597651A (zh) * | 2020-04-30 | 2020-08-28 | 上海工程技术大学 | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 |
| CN112304608A (zh) * | 2020-10-14 | 2021-02-02 | 中车株洲电力机车研究所有限公司 | 一种牵引传动系统的故障诊断方法、系统及相关组件 |
| CN112785074A (zh) * | 2021-01-31 | 2021-05-11 | 中国人民解放军63963部队 | 一种基于深度学习的装备维护修理时机确定系统及方法 |
| CN113065200A (zh) * | 2021-04-30 | 2021-07-02 | 沈阳大工先进技术发展有限公司 | 履带步战车变速机构的健康预测方法、系统及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AT511520B1 (de) * | 2012-05-24 | 2017-06-15 | Avl List Gmbh | Verfahren und eine Vorrichtung zur Prüfung des Antriebsstranges von zumindest teilweise elektrisch betriebenen Fahrzeugen |
-
2021
- 2021-12-21 CN CN202111573363.0A patent/CN114252261B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102975766A (zh) * | 2012-12-12 | 2013-03-20 | 潍柴动力股份有限公司 | 一种电动液压助力转向系统故障诊断方法与控制器 |
| JP2015176285A (ja) * | 2014-03-14 | 2015-10-05 | 株式会社デンソー | 故障情報提示システム |
| CN106803101A (zh) * | 2016-12-30 | 2017-06-06 | 北京交通大学 | 基于隐马尔科夫模型的里程计故障诊断方法 |
| CN110988471A (zh) * | 2019-12-17 | 2020-04-10 | 清华大学 | 基于电流信号的风力发电机变桨传动皮带故障诊断方法 |
| CN111189638A (zh) * | 2019-12-24 | 2020-05-22 | 沈阳化工大学 | 基于hmm和qpso优化算法的轴承故障程度辨识方法 |
| CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
| CN111597651A (zh) * | 2020-04-30 | 2020-08-28 | 上海工程技术大学 | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 |
| CN112304608A (zh) * | 2020-10-14 | 2021-02-02 | 中车株洲电力机车研究所有限公司 | 一种牵引传动系统的故障诊断方法、系统及相关组件 |
| CN112785074A (zh) * | 2021-01-31 | 2021-05-11 | 中国人民解放军63963部队 | 一种基于深度学习的装备维护修理时机确定系统及方法 |
| CN113065200A (zh) * | 2021-04-30 | 2021-07-02 | 沈阳大工先进技术发展有限公司 | 履带步战车变速机构的健康预测方法、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 电气传动装置局部故障信息自动控制仿真;李晶;陈思;;计算机仿真(01);第373-376页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114252261A (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
| CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
| CN112924177B (zh) | 一种改进深度q网络的滚动轴承故障诊断方法 | |
| CN106156401B (zh) | 基于多组合分类器的数据驱动系统状态模型在线辨识方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN105631596A (zh) | 一种基于多维分段拟合的设备故障诊断方法 | |
| CN110674752A (zh) | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 | |
| CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
| CN112651167A (zh) | 一种基于图神经网络的半监督滚动轴承故障诊断方法 | |
| CN113111820B (zh) | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 | |
| CN106677763B (zh) | 一种基于动态集成建模的油井动液面预测方法 | |
| CN112163640A (zh) | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 | |
| CN110472689B (zh) | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 | |
| CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
| CN110147648A (zh) | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN113822201B (zh) | 基于流场速度分量时程的水下物体外形识别的深度学习方法 | |
| CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
| CN110728694A (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
| CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| CN113887342A (zh) | 基于多源信号和深度学习的设备故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No. 23 Kaifa Road, Shenyang Economic and Technological Development Zone, Shenyang City, Liaoning Province, 110027 Applicant after: Shenyang Shunyi Technology Co.,Ltd. Address before: 110027 No.27, 16th Street, Shenyang Economic and Technological Development Zone, Liaoning Province Applicant before: SHENYANG SHUNYI TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |