CN114595721A - 一种基于路况识别的车辆零部件应变载荷预测方法 - Google Patents

一种基于路况识别的车辆零部件应变载荷预测方法 Download PDF

Info

Publication number
CN114595721A
CN114595721A CN202210225077.3A CN202210225077A CN114595721A CN 114595721 A CN114595721 A CN 114595721A CN 202210225077 A CN202210225077 A CN 202210225077A CN 114595721 A CN114595721 A CN 114595721A
Authority
CN
China
Prior art keywords
reconstructed
signal
road condition
load
neural network
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.)
Pending
Application number
CN202210225077.3A
Other languages
English (en)
Inventor
赵礼辉
陈沛
王震
周驰
翁硕
张东东
郑松林
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and 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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202210225077.3A priority Critical patent/CN114595721A/zh
Publication of CN114595721A publication Critical patent/CN114595721A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明公开了一种基于路况识别的车辆零部件应变载荷预测方法，包括以下步骤：采集试验车辆的原始载荷谱信号；对原始载荷谱信号进行CEEMDAN分解去噪与重构,获得重构后的轮心加速度信号、拉线位移信号、零部件的应变信号；基于重构后的轮心加速度信号和重构后的拉线位移信号，构建试验车辆行驶路况识别的卷积神经网络模型，获得试验车辆的实际行驶工况；将重构后的轮心加速度信号、拉线位移信号和零部件的应变信号，建立在不同行驶工况的NARX神经网络模型，获得零部件的预测应变载荷。本发明还包括：基于不同行驶工况的零部件的预测应变载荷与试验车辆的实际载荷，从时域、频域和损伤域三个方面，验证NARX神经网络模型的预测效果。

Description

一种基于路况识别的车辆零部件应变载荷预测方法
技术领域
本发明属于车辆零部件的可靠性载荷谱分析技术领域，具体涉及一种基于路况识别的车辆零部件应变载荷预测方法。
背景技术
疲劳破坏是大多数车辆关键零部件的失效形式。而载荷谱作为评价车辆结构疲劳强度和寿命预测的一个重要工具，一直受到大多数研究人员与企业工程师的重点关注。然而，在大部分实际工程中，汽车上的零部件布局结构复杂，空间布局紧凑，这使得对载荷谱的获取方法仍然较为局限，造成许多零部件的危险点应变载荷很难获取。另外，一般采用应变片测量方式获取各危险点的载荷，并在采集之前必须先进行室内台架标定试验，这可能造成零部件结构的被动破坏。同时，在实际试验过程中，由于试验车辆在强化路面行驶时振动非常剧烈，往往会造成应变片的脱落等突发状况，造成实际测量数据的失真与缺失。因此，传统的做法是通过虚拟迭代方法来获取不易求取的危险点载荷，通过建立整车多体动力学模型，以此来建立信号之间的传递函数来获取各危险点的载荷。然而，这种方法不仅求取耗时过长，无法做到实时获取；而且在实际迭代过程中容易出现不收敛的情况，造成迭代结果与实际信号误差过大的情况。
发明内容
本发明的主要目的在于提供一种基于路况识别的车辆零部件应变载荷预测方法，来实现车辆多危险部位局部载荷快速预测，为实现低成本的车辆损伤的动态监测和寿命智能管理奠定基础。
为实现上述目的，本申请提供了如下方案：
一种基于路况识别的车辆零部件应变载荷预测方法，包括以下步骤：
步骤1：采集试验车辆的原始载荷谱信号；
步骤2：对所述原始载荷谱信号进行CEEMDAN分解去噪与重构,获得重构后的轮心加速度信号、拉线位移信号、零部件的应变信号；
步骤3：基于重构后的所述轮心加速度信号和重构后的所述拉线位移信号，构建所述试验车辆行驶路况识别的卷积神经网络模型，获得所述试验车辆的实际行驶工况；
步骤4：将重构后的所述轮心加速度信号、重构后的所述拉线位移信号和重构后的所述零部件的应变信号，建立在不同行驶工况的NARX神经网络模型，根据所述NARX神经网络模型，获得所述零部件的预测应变载荷。
优选的，所述预测方法还包括：基于不同行驶工况的所述零部件的预测应变载荷与所述试验车辆的实际载荷，分别从时域、频域和损伤域三个方面，来验证所述NARX神经网络模型的预测效果。
优选的，所述原始载荷谱信号进行CEEMDAN分解去噪与重构的过程包括：对所述原始载荷谱信号进行CEEMDAN分解，获得所述原始载荷谱信号的模态分量；基于各所述模态分量，获得所述各模态分量的排列熵；基于预设的所述排列熵的阈值，获得小于所需阈值的模态分量，并对所述所需信息的模态分量进行重构，获得重构后的所述原始载荷谱信号。
优选的，所述模态分量包括：高频段模态分量、低频段模态分量和剩余模态分量。
优选的，构建所述试验车辆行驶路况识别的卷积神经网络模型的方法为：对重构后的所述轮心加速度信号和重构后的所述拉线位移信号的频域进行切片，获得原始路况频域特征的最小切片长度的频域切片，将所述频域切片划分为训练集和预测集，根据所述训练集和所述预测集，构建所述试验车辆行驶路况识别的卷积神经网络模型。
优选的，所述试验车辆行驶路况识别的卷积神经网络模型包括：卷积层、批量归一化层、Relu层、最大池化层、全连接层和Softmax层。
优选的，采集试验车辆的原始载荷谱信号时的采样频率为512Hz。
优选的，所述行驶路况包括：坑洼路、扭曲路、石块路和搓板路。
本发明的有益效果为：
本发明公开了一种基于路况识别的车辆零部件应变载荷预测方法，基于整车试验场路谱数据，以CEEMDAN方法对原始载荷信号进行去噪与重构，得到去除噪声干扰的行驶数据。根据加速度信号与位移信号频域PSD确定能保留原始频域特征的最小样本切片长度，每个划分后的片段既需要满足切片时间短，能达到动态预测的精度，又要保证能涵盖原始路况的频域特征。将切割好的样本划分为训练集与预测集并构建卷积神经网络的行驶工况识别框架。在路况识别的基础上将轮心加速度信号与拉线位移信号同车辆各零部件应变之间在不同行驶工况下分别建立NARX神经网络模型，以此来实时获取各零部件的期望应变载荷，并从时域、频域、损伤域三个方面对其进行了全面的评价。这样建模的优势在于以后只需通过少许输入信号即可实时获取大部分零部件的应变信息，并且这些传感器也相对容易布置。
附图说明
为了更清楚地说明本发明的技术方案，下面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是本实施例中基于路况识别的车辆零部件应变载荷预测方法流程图；
图2是本实施例中载荷测点示意图；
图3是本实施例中石块路甲左前轮垂向加速度信号原始信号示意图；
图4是本实施例中CEEMDAN分解后各模态分量示意图；
图5是本实施例中各模态分量排列熵值示意图；
图6是本实施例中带噪信号与重构信号频谱对比示意图；
图7是本实施例中原始信号疲劳损伤谱曲线示意图；
图8是本实施例中切片样本与原始信号的频谱对比示意图；
图9是本实施例中卷积神经网络训练过程示意图；
图10是本实施例中卷积神经网络路况识别结果混淆矩阵示意图；
图11是本实施例中开环结构NARX模型示意图；
图12是本实施例中闭环结构NARX模型示意图；
图13是本实施例中超参数调整结果示意图；
图14是本实施例中扭曲路乙时域信号结果对比示意图；
图15是本实施例中扭曲路乙PSD结果对比示意图。
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。
为使发明的上述目的、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。
如图1所示，一种基于路况识别的车辆零部件应变载荷预测方法，包括以下步骤：
步骤1：采集试验车辆的原始载荷谱信号；
步骤2：对原始载荷谱信号进行CEEMDAN分解去噪与重构,获得重构后的轮心加速度信号、拉线位移信号、零部件的应变信号；
步骤3：基于重构后的轮心加速度信号和重构后的拉线位移信号，构建试验车辆行驶路况识别的卷积神经网络模型，获得试验车辆的实际行驶工况；
步骤4：将重构后的轮心加速度信号、重构后的拉线位移信号和重构后的零部件的应变信号，建立在不同行驶工况的NARX神经网络模型，根据NARX神经网络模型，获得所述零部件的预测应变载荷。
预测方法还包括：基于不同行驶工况的零部件的预测应变载荷与试验车辆的实际载荷，分别从时域、频域和损伤域三个方面，来验证NARX神经网络模型的预测效果。
具体的，步骤1：采集试验车辆的原始载荷谱信号，包括四个车轮轮心位置处的加速度信号、四个车轮悬架位置的拉线位移信号以及主要零部件位置处的应变信号等，各部分载荷测定位置如图2所示。行驶路况包括坑洼路、扭曲路、石块路、搓板路等多种路况，采样频率为512Hz；
具体的，步骤2：原始载荷信号CEEMDAN分解去噪与重构，在信号采集的过程中可能会受到噪声的干扰，或是由于外部或传感器自身的原因不可避免地会产生失真或异常信号。因此，如果将采集的信号直接用于分析和预测，则会出现相对较大的误差。经过CEEMDAN分解后得到的分量较多，且性质特征无法直接观察。通过计算各IMF分量的排列熵值PE，PE值越大说明该分量越随机，根据选择的阈值去除部分模态，并对保留的包含有用信息的模态分量进行重构处理，并结合原始信号的疲劳损伤谱FDS曲线来评定去噪效果。
步骤2中原始载荷信号CEEMDAN去噪与重构时，包括以下子步骤：步骤2-1，定义算子Ek()为经过EMD方法分解过后的第k阶IMF分量，符号v(i)为满足正态分布N(0,1)的白噪声，εi为信噪比系数，ck(n)为CEEMDAN分解所产生的第k个固有模态分量。
对于原始信号y(n)添加噪声信号后得y(n)+ε0vi(n)并对信号进行I次试验，采用EMD方法分解得到第一个IMF分量：
Figure BDA0003538890430000071
在第一阶段计算第一个唯一的余量：
r1(n)＝y(n)-c1(n) (2)
进行i次试验，每次对信号r1(n)+ε1E1(vi(n))进行EMD分解，直到得到第一个模态分量为止。第二个固有模态分量为：
Figure BDA0003538890430000072
同理其余固有模态分量ck(n)，k＝2,3,......,K的计算流程为：首先计算第k个余量：rk(n)＝rk-1(n)-ck(n)，则第k+1个固有模态分量为：
Figure BDA0003538890430000073
重复公式(4)的操作，当所有的余量信号达到终止条件，原始信号被分解为：
Figure BDA0003538890430000074
以左前轮垂向加速度为例，原始载荷信号如图3所示；通过CEEMDAN分解后得到一系列本征模态分量如图4所示：
步骤2-2，经过CEEMDAN分解后得到的分量较多，且性质特征无法直接观察。通过计算各IMF分量的排列熵值PE，如图5所示。PE值越大说明该分量越随机，反之则越规则；代表高频噪声的IMF分量的排列熵值比代表信号的要大，故通过选取合适的阈值来进行判断，本文选择为0-0.6。
根据选择的阈值去除部分模态，并对保留的包含有用信息的模态分量进行重构处理，得到去除噪声后的加速度信号。为了直观的表现本文方法的去噪效果，对去噪前后加速度信号进行频谱分析，如图6所示。从图中可以看出，低频段0-20Hz有用信息得到了极大保留，中频段带噪信息得到的明显的减少，并结合图7原始信号的疲劳损伤谱FDS曲线来看，损伤贡献主要在20Hz以内，该频段基本得到了保留，可以看出去噪效果良好。
具体的，步骤3中构建车辆行驶路况识别的模型时，包括以下子步骤：
步骤3-1，将样本划分为训练集与预测集；
步骤3-2，根据加速度信号与位移信号频域PSD确定能保留原始频域特征的最小样本切片长度，每个划分后的片段既需要满足切片时间短，能达到动态预测的精度，又要保证能涵盖原始路况的频域特征。根据不同片段时长的划分结果来看，各路况下载荷信号在不同划分时间片段下的频域特征与原始信号的频域特征随着划分时间的增加，相关性也随之增加，兼顾考虑最短的时间划分长度，确定选择最短时间划分长度为5秒，并以1s的时长作为滑动窗口。图8为切片样本与原始信号的频谱对比图。
步骤3-3，基于卷积神经网络的行驶工况识别框架的构建。
典型的CNN包括卷积层、池化层、全连接层和输出层。
在卷积层中，前一层的输出特征与本层的卷积核进行卷积运算，并通过激活函数形成新的特征，作为下一层的输入，卷积的运算可以利用数学表达式表示为：
Figure BDA0003538890430000091
式(6)中，
Figure BDA0003538890430000092
为l层的第j个输出；Mj为l-1层的第j个卷积区域；
Figure BDA0003538890430000093
为第l层与第i个特征相关的第j个卷积核；
Figure BDA0003538890430000094
为第l层第j个卷积核的偏置；
池化的主要目的是进行降采样，从而减少特征的维度。最大池化层的表达式如下：
Figure BDA0003538890430000095
式(7)中，
Figure BDA0003538890430000096
为第l层第i个特征中的第t个神经元的值；W为池化区域的宽度；Pi l +1(j)为第l+1层第i个特征中的第j个神经元的值。
全连接层将每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来，其表达式为：
εi＝f(wipi+bi) (8)
式(8)中，pi为全连接层的输入；wi和bi分别为权值跟阈值；εi为全连接层的输出。
输出层通常使用softmax分类器输出分类标签，softmax函数可表示为：
Figure BDA0003538890430000097
式(9)中，f(zi)为每个类别输出的概率，M为多分类问题的类别数目。
模型构建所用的代码用MATLAB编写。第一层定义输入数据的大小和类型，数据经过预处理后，每条数据记录中包含有16个通道、2560个数据点(数据采样频率为512Hz，每条样本时长5s)。网络的中间层定义网络的核心架构，本文设计的CNN结构，具体如表1所示，包括4个卷积层、4个批量归一化层、4个Relu层、2个最大池化层、1个全连接层和一个softmax层。
表1卷积神经网络结构参数
Figure BDA0003538890430000101
步骤3中，获得试验车辆的实际行驶工况时，包括以下子步骤：
S1，网络训练：指定训练选项，将adam指定为求解器，将小批量大小设置为128，指定初始学习率为0.001，指定执行环境为GPU。具体训练过程如图9所示。
S2，调用训练好的网络对测试集进行测试，测试集准确度在94％以上。各路况具体识别结果的混淆矩阵如图10所示。
具体的，步骤4中构建实时获取各零部件的期望应变载荷的模型时，包括以下子步骤：
NARX神经网络是典型的动态神经网络，而车辆载荷信号则具有明显的非线性动态特性。结合实际应用，在NARX模型中,未来时刻的载荷信号y(t)预测依赖于过去时刻的y(t)和外源激励信号x(t)。因此,与非线性自回归(NAR)模型相比,NARX模型可以考虑外部输入以及检测模型参数的变化。
NARX模型看成是在BP神经网络的基础上引入输入延时与输出反馈。在训练过程中，所有的输入和目标值都被呈现给网络后，网络的权值和偏差被更新。贝叶斯正则化反向传播算法主要用于训练NARX网络，以Levenberg-Marquardt优化算法更新模型的权值和误差，通过最小化平方误差和权值，然后确定恰当的组合来生成一个泛化良好并且没有过度训练的网络。NARX神经网络在进行训练和预测时，通常可以采取两种结构模式，分别为开环结构和闭环结构，分别如图11和图12所示。
在开环结构中，NARX神经网络模型采用当前t时刻的外部输入x(t)、外部输入的m阶延时(x(t-1),x(t-2),x(t-3)…,x(t-m))以及神经网络模型期望输出的n阶延时(y(t-1),y(t-2),…y(t-n))作为模型的输入，得到t时刻的模型预测值
Figure BDA0003538890430000111
即：
Figure BDA0003538890430000112
在闭环结构中，NARX神经网络模型采用当前t时刻的外部输入x(t)、外部输入的m阶延时(x(t-1),x(t-2),x(t-3),…,x(t-m))以及神经网络模型预测输出的n阶延时
Figure BDA0003538890430000121
作为模型的输入，得到t时刻的模型预测值
Figure BDA0003538890430000122
即：
Figure BDA0003538890430000123
以开环结构作为预测模型每一步的预测载荷数据均需依赖之前时刻的实际载荷，而闭环结构只需在给出外部输入数据以及实际载荷的初始值的条件下，就可对模型进行训练和预测，但若直接采用闭环结构对模型进行训练，模型的预测载荷难以接近接近实际载荷，误差较大，不利于下一时刻模型的预测载荷输出，以至于误差不断累积导致无法保证模型收敛。因此，本发明将开环结构和闭环结构结合建立实际行驶工况下车辆零部件应变载荷预测模型，利用开环结构进行模型训练，待训练完成之后，将模型转换为闭环结构用于载荷预测。
步骤4-1，选取合理且对车辆各部位识别结果影响显著的输入信号对于加速度响应，选取4个车轮轮心位置的三向加速度，对于位移响应，选取4个悬架位置的拉线位移信号。由于输入输出数据存在着数量级不同的问题，并且在神经网络模型构建过程中，数量级差距很大将影响网络的收敛，并且容易陷入局部最优。因此，选择将输入和输出数据归一化至[-1,1]范围内。
步骤4-2，理论上神经元的个数及神经网络的层数越多，拟合函数的能力越强，但实际上更深的层数可能会带来过拟合的问题，同时也会增加训练难度，使得模型难以收敛。为了在外部载荷和它们相应的应变时间历程之间建立精确的关系，NARX模型中的各种超参数必须通过多次尝试来确定，例如网络输入和输出的延迟数量、隐藏神经元的数量。对不同数量的网络反馈延迟及神经元个数进行了试验，以此来调整模型的最佳架构，基于训练数据和独立测试数据来调整超参数。为了防止偶然性结果，不同数量的网络反馈延迟及神经元个数下的试验均进行3次取平均结果。图13显示了不同反馈延时及神经元个数下训练模型的归一化均方误差NMSE，可以看出，模型的精度主要受反馈延时所影响，NMSE随着反馈延时的增加而减小，并且在反馈延时数达到6以后基本上趋于平稳。根据试验结果选取NMSE最低时的模型超参数。
步骤4-3，共计构建了包括车架、后桥、板簧在内的3个点位的预测模型，表2给出了各点位全路况条件下预测载荷与实际载荷的相关系数R。
表2各部位相关系数
Figure BDA0003538890430000131
具体的，模型预测效果时，包括以下子步骤：
相关系数能对预测输出与实际载荷的总体接近程度进行反映，但是并不能由此判定能否被工程应用所接受。分别从时域信号历程、时域统计特征、频域功率谱密度、损伤相对误差等不同角度描述模型预测效果，从时域、频域、损伤域三个方面对其进行了全面的评价。
图14展示了扭曲路乙路况下车架与后桥点位的模型预测时域信号历程对比结果，从时域波形可以看出预测载荷与真实载荷趋势基本吻合，波形峰值上下稍有误差。
表3为单路况条件下不同点位预测结果均方根误差RMSE。从表中数据可以看出，预测载荷与实际载荷两者在数量级上趋于一致，其中石块路等振动较为剧烈路面RMSE稍微偏大，从对比的综合结果来看信号时域特征表现基本保持一致。
表3不同部位均方根误差RMSE
Figure BDA0003538890430000141
典型路况载荷频域分析从功率谱密度方面展开。功率谱密度是表示信号不同频率下能量的分布，能够确定信号所占的频带。时域信号经过傅氏变换后变为为频域信号，为了减少信号的频谱泄露同时保证频域信号足够的分辨率，将缓冲率设置为67％，缓冲区间设置为1024。从图15中可以看出:真实道路载荷和预测载荷趋势基本一致，不同路况下实际道路载荷和预测载荷遵循同一规律，效果非常显著。频带主要集中在30Hz以内，在主频带范围(低于5Hz)两条曲线基本吻合，而在高于5Hz的地方预测载荷曲线的能量相比于实际载荷曲线的能量稍高。
采用雨流计数法计算出真实载荷和预测载荷的雨流矩阵，由Miner线性累积损伤理论可以得到部件的总损伤：
Figure BDA0003538890430000151
式中D为总损伤；(Nf)i为第i级载荷下疲劳寿命；ni为该载荷级下实际载荷循环次数。
表4不同路况下模型预测损伤及误差结果
Figure BDA0003538890430000152
从上表4可以看出，不同路况下的载荷损伤相对误差都在20％范围之内，振动越为剧烈的路面损伤误差相对较大，但都在可接受范围，从损伤的角度来看神经网络模型预测的载荷精度也非常显著。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (8)

1.一种基于路况识别的车辆零部件应变载荷预测方法，其特征在于，包括以下步骤：
步骤1：采集试验车辆的原始载荷谱信号；
步骤2：对所述原始载荷谱信号进行CEEMDAN分解去噪与重构,获得重构后的轮心加速度信号、拉线位移信号、零部件的应变信号；
步骤3：基于重构后的所述轮心加速度信号和重构后的所述拉线位移信号，构建所述试验车辆行驶路况识别的卷积神经网络模型，获得所述试验车辆的实际行驶工况；
步骤4：将重构后的所述轮心加速度信号、重构后的所述拉线位移信号和重构后的所述零部件的应变信号，建立在不同行驶工况的NARX神经网络模型，根据所述NARX神经网络模型，获得所述零部件的预测应变载荷。
2.根据权利要求1所述的基于路况识别的车辆零部件应变载荷预测方法，其特征在于，所述预测方法还包括：基于不同行驶工况的所述零部件的预测应变载荷与所述试验车辆的实际载荷，分别从时域、频域和损伤域三个方面，来验证所述NARX神经网络模型的预测效果。
3.根据权利要求1所述的基于路况识别的车辆零部件应变载荷预测方法，其特征在于，所述原始载荷谱信号进行CEEMDAN分解去噪与重构的过程包括：对所述原始载荷谱信号进行CEEMDAN分解，获得所述原始载荷谱信号的模态分量；基于各所述模态分量，获得所述各模态分量的排列熵；基于预设的所述排列熵的阈值，获得小于所需阈值的模态分量，并对所述所需信息的模态分量进行重构，获得重构后的所述原始载荷谱信号。
4.根据权利要求3所述的基于路况识别的车辆零部件应变载荷预测方法，其特征在于，所述模态分量包括：高频段模态分量、低频段模态分量和剩余模态分量。
5.根据权利要求1所述的基于路况识别的车辆零部件应变载荷预测方法，其特征在于，构建所述试验车辆行驶路况识别的卷积神经网络模型的方法为：对重构后的所述轮心加速度信号和重构后的所述拉线位移信号的频域进行切片，获得原始路况频域特征的最小切片长度的频域切片，将所述频域切片划分为训练集和预测集，根据所述训练集和所述预测集，构建所述试验车辆行驶路况识别的卷积神经网络模型。
6.根据权利要求1所述的基于路况识别的车辆零部件应变载荷预测方法，其特征在于，所述试验车辆行驶路况识别的卷积神经网络模型包括：卷积层、批量归一化层、Relu层、最大池化层、全连接层和Softmax层。
7.根据权利要求1所述的基于路况识别的车辆零部件应变载荷预测方法，其特征在于，采集试验车辆的原始载荷谱信号时的采样频率为512Hz。
8.根据权利要求1所述的基于路况识别的车辆零部件应变载荷预测方法，其特征在于，所述行驶路况包括：坑洼路、扭曲路、石块路和搓板路。
CN202210225077.3A 2022-03-09 2022-03-09 一种基于路况识别的车辆零部件应变载荷预测方法 Pending CN114595721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210225077.3A CN114595721A (zh) 2022-03-09 2022-03-09 一种基于路况识别的车辆零部件应变载荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210225077.3A CN114595721A (zh) 2022-03-09 2022-03-09 一种基于路况识别的车辆零部件应变载荷预测方法

Publications (1)

Publication Number Publication Date
CN114595721A true CN114595721A (zh) 2022-06-07

Family

ID=81807639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210225077.3A Pending CN114595721A (zh) 2022-03-09 2022-03-09 一种基于路况识别的车辆零部件应变载荷预测方法

Country Status (1)

Country Link
CN (1) CN114595721A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115431993A (zh) * 2022-08-29 2022-12-06 清安储能技术(重庆)有限公司 运输仿真检测方法、装置、设备及存储介质
CN116839783A (zh) * 2023-09-01 2023-10-03 华东交通大学 一种基于机器学习的汽车板簧受力值及变形量的测量方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115431993A (zh) * 2022-08-29 2022-12-06 清安储能技术(重庆)有限公司 运输仿真检测方法、装置、设备及存储介质
CN115431993B (zh) * 2022-08-29 2024-04-02 清安储能技术(重庆)有限公司 运输仿真检测方法、装置、设备及存储介质
CN116839783A (zh) * 2023-09-01 2023-10-03 华东交通大学 一种基于机器学习的汽车板簧受力值及变形量的测量方法
CN116839783B (zh) * 2023-09-01 2023-12-08 华东交通大学 一种基于机器学习的汽车板簧受力值及变形量的测量方法

Similar Documents

Publication Publication Date Title
CN105973594B (zh) 一种基于连续深度置信网络的滚动轴承故障预测方法
CN114595721A (zh) 一种基于路况识别的车辆零部件应变载荷预测方法
CN113609955B (zh) 一种基于深度学习和数字孪生的三相逆变器参数辨识方法
CN109343505A (zh) 基于长短期记忆网络的齿轮剩余寿命预测方法
CN111397901A (zh) 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法
CN114363195B (zh) 面向时间和频谱残差卷积网络的网络流量预测预警方法
Di et al. Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions
CN110555230A (zh) 基于集成gmdh框架的旋转机械剩余寿命预测方法
CN106021789A (zh) 基于模糊智能的轨道车辆悬挂系统故障分类方法及系统
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
CN107220907B (zh) 一种采用秩和比综合评价的谐波污染用户分级方法
CN107292446A (zh) 一种基于考虑分量关联性小波分解的混合风速预测方法
CN106769030A (zh) 一种基于mea‑bp神经网络算法的轴承状态跟踪与预测方法
CN107688820B (zh) 一种基于bcsa优化支持向量机的电梯故障诊断方法
CN116624343A (zh) 一种风电机组塔筒异常振动监测及健康度评价方法及系统
CN113188807A (zh) 一种abs结果自动判定算法
CN116933152B (zh) 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统
CN111967308A (zh) 一种在线路面不平度辨识方法及系统
CN113687433A (zh) 一种基于Bi-LSTM的大地电磁信号去噪方法及系统
CN114757365A (zh) 一种基于深度学习的高速铁路路基沉降预测及预警方法
Sun et al. Pruning Elman neural network and its application in bolt defects classification
CN109060393A (zh) 一种桥梁结构恒载响应时域融合分析方法
CN111353640A (zh) 一种组合法风速预测模型构建方法
CN113536665B (zh) 基于特征工程和lstm的路表温度短临预测方法及系统

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