CN116561514A - 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 - Google Patents

车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 Download PDF

Info

Publication number
CN116561514A
CN116561514A CN202310529838.9A CN202310529838A CN116561514A CN 116561514 A CN116561514 A CN 116561514A CN 202310529838 A CN202310529838 A CN 202310529838A CN 116561514 A CN116561514 A CN 116561514A
Authority
CN
China
Prior art keywords
bearing unit
hub bearing
data
fault
feature
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
CN202310529838.9A
Other languages
English (en)
Inventor
高峰
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.)
Taicang Kai Fu Shi Machine Co ltd
Original Assignee
Taicang Kai Fu Shi Machine Co ltd
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 Taicang Kai Fu Shi Machine Co ltd filed Critical Taicang Kai Fu Shi Machine Co ltd
Priority to CN202310529838.9A priority Critical patent/CN116561514A/zh
Publication of CN116561514A publication Critical patent/CN116561514A/zh
Pending legal-status Critical Current

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
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Abstract

本发明提供的车辆轮毂轴承单元的故障诊断方法、系统、装置及介质，包括：获取轮毂轴承单元的历史工况数据，对历史工况数据进行预处理并从预处理后的数据中提取特征；将提取出的特征作为输入、轮毂轴承单元的状态作为输出，并利用随机森林训练一故障预测模型；获取特征重要性并按重要性的高低对各特征进行排序；选取最具代表性的特征作为故障预测模型的输入特征以对其进行再次训练，得到轮毂轴承单元的故障预测结果；将实时采集的轮毂轴承单元的工况数据输入至训练好的故障预测模型以进行故障预测和诊断。本发明可以提高车辆轮毂轴承单元的可靠性和安全性，降低维护成本和车辆停机时间，为车辆安全性能的提升提供了一种新的解决方案。

Description

车辆轮毂轴承单元的故障诊断方法、系统、装置及介质
技术领域
本发明涉及轮毂轴承领域，尤其涉及一种车辆轮毂轴承单元的故障诊断方法、系统、装置及介质。
背景技术
现有技术中，车辆轮毂轴承单元的故障诊断一直是一个难题。轮毂轴承单元的故障会导致车辆在行驶过程中产生不安全因素，严重时甚至会造成事故。因此，如何及时、准确地检测轮毂轴承单元的故障已经成为车辆安全领域研究的热点问题之一。
现有的轮毂轴承单元故障检测方法主要采用振动信号和噪声信号分析技术。然而，这些技术存在着许多问题，如信号复杂、信号干扰等，限制了它们在实际应用中的应用范围和准确性。因此，需要一种更加高效、准确的车辆轮毂轴承单元的故障诊断方法来提高车辆的安全性能。
发明内容
为了提高车辆轮毂轴承单元故障诊断的准确性和可靠性，本发明第一方面提供了一种车辆轮毂轴承单元的故障诊断方法，包括：S101.获取轮毂轴承单元的历史工况数据，其中工况数据至少包括温度、振动、加速度、转动角度以及电流数据；S102.对所述历史工况数据进行预处理并从预处理后的数据中提取特征；S103.将提取出的特征作为输入、轮毂轴承单元的状态作为输出，并利用随机森林训练一针对轮毂轴承单元的故障预测模型；S104.获取特征重要性并按重要性的高低对各特征进行排序；S105.选取最具代表性的特征作为故障预测模型的输入特征以对其进行再次训练，得到轮毂轴承单元的故障预测结果；S106.将实时采集的轮毂轴承单元的工况数据输入至训练好的故障预测模型以进行故障预测和诊断。
优选地，在S106之后，还包括：S107.根据预测结果与实际发生的故障情况的比较对所述故障预测模型进行可靠性评估，并根据评估结果对所述故障预测模型进行优化更新；S108.将预测结果输出到监控系统以实现故障的实时监测与预警，并提供故障排除和维修建议。
优选地，S104中采用信息增益算法对各特征进行重要性排序，并结合专家经验进行权重调整；具体包括：S1041.计算每个特征对于分类结果的信息增益值；S1042.对所有特征的信息增益值进行排序，得到特征的初始排序结果；S1043.根据专家经验对特征的排序结果进行权重调整；S1044.根据权重调整后的排序结果，选择最具代表性的特征作为所述故障预测模型的输入特征。
优选地，信息增益算法表示为：设训练集 T中共有n个样本，其中第i个样本的类别为，共有|C|种不同的类别；设属性 A有V个可能的取值，令表示T中在属性A上取值为 v的样本子集；令表示 T中类别为 k的样本所占的比例，则的估计值为：
设表示数据集T的信息熵，则其计算公式为：
属性A对训练集T的信息增益定义为：
其中，表示的样本数；信息增益越大，说明用该属性来划分训练集获得的分类效果越好。
优选地，S103中采用交叉验证进行模型训练，具体包括：S1031.将原始数据集分为K个大小相似的互斥子集，即K折交叉验证；S1032.每次用K-1个子集的数据来训练模型，剩余的1个子集的数据用于测试模型的性能；S1033.重复K次S1032，每次选择一个不同的子集作为测试集，其余的作为训练集；S1034.将K次的平均测试误差作为对算法精度的估计。
优选地，所述工况数据至少还包括噪声数据。
本发明第二方面提供了一种车辆轮毂轴承单元的故障诊断系统，包括：至少一温度传感器，用于检测轮毂轴承单元内部的温度；至少一加速度传感器，用于检测轮毂的振动、加速度和/或噪声数据；至少一角度传感器，用于检测轮毂的转动角度；至少一电流传感器，用于检测轮毂轴承单元内部的电流变化；第一数据传输模块，用于汇总至少一历史阶段内所述温度传感器、加速度传感器、角度传感器以及电流传感器检测的数据以作为轮毂轴承单元的历史工况数据上传至云服务器；第二数据传输模块，用于将实时采集的轮毂轴承单元的工况数据上传至云服务器；以及一云服务器，至少用于执行前述的方法。
本发明第三方面提供了一种车辆轮毂轴承单元的故障诊断装置，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行前述的方法。
本发明第四方面提供了一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机执行时实现前述的方法。
本发明通过轮毂轴承单元的历史工况数据的获取、数据预处理、特征提取、训练预测模型、特征重要性排序、特征选取并利用该模型进行实时的故障预测和诊断。该方法可以帮助监控车辆轮毂轴承单元的运行状态，及时识别潜在故障并预测故障发生的可能性，从而实现对轴承单元的健康状态进行评估和预测。同时，该方法还能够提供故障排除和维修建议，以帮助车辆维护人员及时修复问题，避免车辆损坏和交通事故的发生。因此，该故障预测方法可以提高车辆轮毂轴承单元的可靠性和安全性，降低维护成本和车辆停机时间，提高车辆使用效率和经济效益，为车辆安全性能的提升提供了一种新的解决方案。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1示出的是本发明其中一实施例提供的现有车辆轮毂轴承单元的示意图；
图2、3分别示出的是本发明其中一实施例提供的故障诊断方法的流程示意图；
图4示出的是本发明其中一实施例提供的特征重要性排序的流程示意图；
图5示出的是本发明其中一实施例提供的交叉验证的流程示意图；
图6示出的是本发明其中一实施例提供的故障诊断系统的结构示意图；
图7示出的是本发明其中一实施例提供的故障诊断装置的结构示意图；
图8示出的是本发明其中一实施例提供的一种计算机可读存储介质的结构示意图。
实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明第一方面提供了一种车辆轮毂轴承单元的故障诊断方法，即本发明在该方面实际上是一种故障诊断方法，通过将该方法应用在车辆轮毂轴承单元上以实现较佳的应用效果。
介于本发明的故障诊断方法在应用时需要与车辆轮毂轴承单元的部分结构产生作用关系，在此对车辆的轮毂轴承单元进行粗略性的描述。
参考图1所示，为现有车辆轮毂轴承单元的示意图。所描述的车辆轮毂轴承单元10，通常被安装在车辆的车轮上，用于支撑车辆的重量并帮助车轮旋转—车轮的重量通过轮毂轴承单元10传递到车辆的悬架系统，同时轮毂轴承单元10也必须能够承受路面不平、弯曲和减速等各种不同的负载。
轮毂轴承单元通常被安装在车轮中心的外侧，它们可以通过一个轮毂轴承单元总成的组件来安装。这个总成通常包括一个轮毂、一个轴承单元、一个保护盖和一些紧固件。由于轮毂轴承单元处于车轮和地面之间，所以它们的质量和性能对于车辆的稳定性和安全性非常重要。好的轮毂轴承单元可以提供更加平稳的驾驶体验，减少车辆抖动和噪音，同时也能延长车轮寿命并减少维护成本。
轮毂轴承单元是随着时间的推移而不断演变和改进的，经历了一代、二代和三代的发展。第一代是由双列角接触球轴承和双列圆锥滚子轴承组成。第二代在外滚道上有一个用于将轴承固定的法兰，可简单地将轴承套到轮轴上用螺母固定。第三代轮毂轴承单元是采用了轴承单元和防抱刹系统ABS相配合。轮毂轴承单元设计成有内法兰和外法兰，内法兰用螺栓固定在驱动轴上，外法兰将整个轴承安装在一起。 第三代的设计相比前两代更加先进，可以提高汽车的安全性能和行驶稳定性。
本发明使用的车辆轮毂轴承单元可以是上述任意一种形式的车辆轮毂轴承单元，优选为第三代轮毂轴承单元。
参考图2所示，为本发明提供的故障诊断方法的流程示意图。在一些实施例中，该方法100由S101-S106构成。
S101.获取轮毂轴承单元的历史工况数据，其中工况数据至少包括温度、振动、加速度、转动角度以及电流数据。
使用传感器在车辆的轮毂轴承单元上进行实时监测，获取至少包括温度、振动、加速度、转动角度以及电流等数据的历史工况数据。这些数据可以在车辆运行期间实时采集，并记录下来以供后续分析和处理。
这里所描述的传感器例如包括温度传感器、加速度传感器、加速度传感器、角度传感器以及电流传感器。
在一个可能的实施方式中，各传感器的安装位置以及作用分别为：将温度传感器安装在轮毂轴承单元内部，以测量轴承的温度，例如可以设置在轴承的外圈或内圈，以实时监测轴承温度变化，进而判断轴承的运行状态和可能存在的故障，如过热等。将加速度传感器安装在轴承座上或轮毂上，以测量轮毂轴承的振动情况（振动与加速度），进而通过判断轮毂轴承单元是否存在异常振动或冲击以确定轮毂轴承单元的状态是否正常。将角度传感器安装在轮毂外侧，以测量轮毂的转动角度，例如可以采用磁性传感器安装在轮毂附近，或者采用非接触式传感器进行测量，进而判断轮毂轴承单元的旋转是否平稳，是否存在异常。将电流传感器安装在轮毂表面，以测量轮毂轴承单元内部的电流变化，以判断轴承是否存在异常，如滚珠磨损、润滑不良等。例如可以采用贴片式传感器安装在轮毂表面，或者使用夹持式传感器夹在电线上进行测量；也可以将电流传感器安装在电机上，用于检测电机电流变化，从而间接监测轮毂轴承的状态。
在一些实施例中，加速度传感器还将获取噪声数据。具体来说，振动传感器可以将机械振动信号转换成相应的电信号，通过数据采集系统进行采集和处理，最终得到噪声数据。一般来说，振动传感器可以根据不同的采集范围、频率响应等特性进行选择，以便获取高质量的噪声数据。
S102.对所述历史工况数据进行预处理并从预处理后的数据中提取特征。
对历史工况数据进行预处理，包括数据清洗、去噪、滤波等操作。然后从预处理后的数据中提取出特征，例如均值、方差、最大值、最小值、能量等。在轮毂轴承单元的故障预测中，特征提取的过程可以通过计算从各传感器采集的数据中提取有意义的特征。例如，可以从加速度传感器数据中提取振动的均值、方差、最大值、最小值、能量等特征。同样，可以从温度传感器数据中提取平均温度、温度变化范围等特征。
S103.将提取出的特征作为输入、轮毂轴承单元的状态作为输出，并利用随机森林训练一针对轮毂轴承单元的故障预测模型。
在从历史工况数据中提取出特征之后，需要将这些特征作为输入，将轮毂轴承单元的状态作为输出，使用机器学习算法训练一个故障预测模型。其中，本发明选择了随机森林算法作为训练模型的基础算法。具体来说，随机森林是一种基于决策树的集成学习算法，其将多棵决策树进行集成，以提高模型的预测精度和稳定性。在本发明中，我们将历史工况数据集作为输入，将轮毂轴承单元的状态（正常或异常）作为输出，使用随机森林算法进行训练。在训练过程中，可以通过调整算法的超参数（如树的个数、最大深度等）来优化模型的性能。
另外，在训练的过程中还需要进行交叉验证的操作以提高模型的准确性和泛化能力。
S104.获取特征重要性并按重要性的高低对各特征进行排序。
获取特征重要性并按重要性的高低对各特征进行排序，是为了确定哪些特征对于故障预测更为重要，从而进一步优化模型的输入特征。
S105.选取最具代表性的特征作为故障预测模型的输入特征以对其进行再次训练，得到轮毂轴承单元的故障预测结果。
根据排序结果选取最具代表性的特征作为故障预测模型的输入特征，重新训练模型以提高预测准确性。具体的，根据特征重要性排序结果，选取排名前几的特征作为故障预测模型的输入特征，再利用选取的特征重新训练故障预测模型以进行故障预测，从而得到具体的轮毂轴承单元故障预测结果。
S106.将实时采集的轮毂轴承单元的工况数据输入至训练好的故障预测模型以进行故障预测和诊断。
其中，实时采集轮毂轴承单元的工况数据，包括温度、振动、加速度、噪声、转动角度以及电流等信息，同样对采集的数据进行预处理并用预处理后的数据作为输入，将其输入到训练好的故障预测模型中，得到故障预测结果；最后对故障预测结果进行判断，若存在异常则进行故障诊断，否则继续监测。
本发明通过轮毂轴承单元的历史工况数据的获取、数据预处理、特征提取、训练预测模型、特征重要性排序、特征选取并利用该模型进行实时的故障预测和诊断。这种方法100可以帮助监控车辆轮毂轴承单元的运行状态，及时识别潜在故障并预测故障发生的可能性，从而实现对轴承单元的健康状态进行评估和预测。同时，该方法100还能够提供故障排除和维修建议，以帮助车辆维护人员及时修复问题，避免车辆损坏和交通事故的发生。因此，该故障预测方法可以提高车辆轮毂轴承单元的可靠性和安全性，降低维护成本和车辆停机时间，提高车辆使用效率和经济效益。
参考图3所示，为本发明提供的故障诊断方法的流程示意图。在一些实施例中，除了S101-S106之外，该方法100还包括了S107与S108，可以理解为S107，S108是在S101-S106之后对该方法100的进一步延伸。
S107.根据预测结果与实际发生的故障情况的比较对所述故障预测模型进行可靠性评估，并根据评估结果对所述故障预测模型进行优化更新。
通过将预测结果与实际发生的故障情况进行比较，可以评估故障预测模型的准确性和可靠性，这可以帮助确定是否需要对模型进行优化或改进。基于评估结果可以对故障预测模型进行优化和更新，以提高其准确性和可靠性。例如，可以添加新的特征或调整模型参数等。
一种可能的实施方式中，对于每次预测结果，将预测值与实际故障情况进行比对，计算出模型的准确率、召回率、F1值等指标；然后根据指标对模型进行评估，若准确率、召回率、F1值等指标未达到预期要求，则需对模型进行优化，其中优化模型的方法可以包括增加更多的历史工况数据、调整模型参数、使用不同的机器学习算法等，优化后的模型需重新进行训练，然后再次进行可靠性评估，直至模型的指标达到预期要求。
S108.将预测结果输出到监控系统以实现故障的实时监测与预警，并提供故障排除和维修建议。
将预测结果输出到监控系统，可以实现实时监测和预警，以便及时发现和解决问题。通过提供故障排除和维修建议，以支持维护人员进行修复。
一种可能的实施方式中，将预测结果输出到监控系统，通过可视化的方式展示轮毂轴承单元的状态，以实现实时监测与预警；当预测结果显示可能出现故障时，监控系统可以自动发出警报，并提供故障排除和维修建议；故障排除和维修建议可以包括故障原因分析、具体维修方案、更换零部件等；在进行维修时，需根据具体的故障原因和维修方案，对轮毂轴承单元进行修理或更换，以恢复其正常工作状态。
参考图4所示，为本发明提供的特征重要性排序的流程示意图。在一些实施例中，S104中采用信息增益算法对各特征进行重要性排序，并结合专家经验进行权重调整，其中S104由S1041-S1044构成，可以理解为S1041-S1044是对S104的进一步细化。
S1041.计算每个特征对于分类结果的信息增益值；
S1042.对所有特征的信息增益值进行排序，得到特征的初始排序结果；
S1043.根据专家经验对特征的排序结果进行权重调整；
S1044.根据权重调整后的排序结果，选择最具代表性的特征作为所述故障预测模型的输入特征。
本发明采用信息增益算法来进行特征重要性的排序，其核心思想是在决策树中选择最具区分度的特征作为当前节点的分裂标准。通过计算每个特征对应的信息增益值，可以衡量该特征对于样本分类的贡献程度。然而，仅仅使用信息增益算法进行特征排序，有可能会忽略领域专家的知识和经验，因此在实际应用中，需要结合领域专家的知识和经验对特征重要性进行权重调整，以更加准确地反映特征对于轮毂轴承单元状态预测的影响程度。
具体的，对于每个特征，计算其每个取值下的熵值和出现的概率，并将所有取值的熵值加权求和得到该特征的熵值，计算该特征在分类前和分类后的熵值，以及该特征对分类结果的信息增益值，并将所有特征按照信息增益值从大到小排序，得到初始的特征排序结果。然后根据领域专家的知识和经验对各个特征的重要性进行评估，并对初始排序结果进行调整，得到权重调整后的特征排序结果。最后选择排名最高的特征作为模型的输入特征，并根据需要选择其它排名较高的特征作为备选输入特征，以备在故障预测模型训练中进行特征选择或调整。
在一些实施例中，信息增益算法表示为：
设训练集 T中共有n个样本，其中第i个样本的类别为，共有|C|种不同的类别；设属性 A有V个可能的取值，令表示T中在属性A上取值为 v的样本子集；令表示 T中类别为 k的样本所占的比例，则的估计值为：
设表示数据集T的信息熵，则其计算公式为：
属性A对训练集T的信息增益定义为：
其中，表示的样本数；信息增益越大，说明用该属性来划分训练集获得的分类效果越好。
在一些实施例中，还可以采用其它方式对各特征进行重要性排序，例如以使用sklearn库中的RandomForestClassifier来训练一个随机森林模型，并利用featureimportances属性获取特征的重要性以进行排序—feature importances是指在随机森林模型中每个特征的重要性分数，即该特征对模型预测的贡献程度，重要性分数越高，表明该特征对于预测结果的影响越大，也就是该特征越重要。实际应用中，可以使用featureimportances属性获取每个特征的重要性分数，然后按照分数大小进行排序，选取最具代表性的特征作为模型的输入。
参考图5所示，为本发明提供的交叉验证的流程示意图。在一些实施例中，S103中采用交叉验证进行模型训练，其中S103由S1031-S1034构成，可以理解为S1031-S1034是对S103的进一步细化。
交叉验证是一种将数据集划分为多个部分的方法，其中一部分数据用于训练模型，另一部分用于验证模型的性能，直到所有的数据都被用于训练和验证。在训练随机森林模型时，会随机选取一部分数据和一部分特征来训练每个决策树。随机森林中，可以将每个决策树看作一个模型，采用交叉验证技术来训练和验证每个决策树，最终将它们集成起来，得到一个性能更好的随机森林模型，从而减少过拟合现象，提高模型的泛化能力。
S1031.将原始数据集分为K个大小相似的互斥子集，即K折交叉验证。
首先从原始数据集中随机选择一个样本，将其分配到第一个子集中，然后将下一个样本分配到第二个子集中，依次类推，直到将所有样本都分配到了其中一个子集中。接着从剩下的样本中再次随机选择一个样本，将其分配到第二个子集中，然后再选择下一个样本分配到第三个子集中，依次类推，直到将所有样本都分配到了其中一个子集中。重复以上步骤，直到将所有样本都分配到K个子集中。
S1032.每次用K-1个子集的数据来训练模型，剩余的1个子集的数据用于测试模型的性能。
从K个子集中选择其中一个作为测试集，剩余的K-1个子集作为训练，使用训练集数据训练预测模型。
S1033.重复K次S1032，每次选择一个不同的子集作为测试集，其余的作为训练集。
从K个子集中选择其中一个作为测试集，剩余的K-1个子集作为训练集，重复K次。
S1034.将K次的平均测试误差作为对算法精度的估计。
对于K次的测试误差，计算平均值并将其作为模型性能的估计值。
本发明第二方面提供了一种故障诊断系统。参考图6所示，为本发明提供的故障诊断系统的结构示意图。在一些实施例中，该系统200由至少一温度传感器201、至少一加速度传感器202、至少一角度传感器203、至少一电流传感器204、第一数据传输模块205、第二数据传输模块206以及一云服务器207构成。
其中，温度传感器201用于检测轮毂轴承单元内部的温度；加速度传感器202用于检测轮毂的振动、加速度和/或噪声数据；角度传感器203用于检测轮毂的转动角度；电流传感器204用于检测轮毂轴承单元内部的电流变化；第一数据传输模块205用于汇总至少一历史阶段内所述温度传感器、加速度传感器、角度传感器以及电流传感器检测的数据以作为轮毂轴承单元的历史工况数据上传至云服务器；第二数据传输模块206用于将实时采集的轮毂轴承单元的工况数据上传至云服务器；云服务器207则至少用于执行前述的方法100。
本发明第三方面提供了一种故障诊断装置。参考图7所示，为本发明提供的故障诊断装置的结构示意图。在一些实施例中，该故障诊断装置300包括存储器301和处理器302，存储器301用于存储计算机程序，处理器302用于调用计算机程序，以执行前述的方法100。
本发明第四方面提供了一种计算机可读存储介质。参考图8所示，为本发明提供的计算机可读存储介质的结构示意图。在一些实施例中，计算机可读存储介质400中存储有计算机程序，当所述计算机程序在计算机上运行时，执行本发明实施例提供的方法100的相应步骤。
计算机可读存储介质400包括用于在计算设备上执行计算机进程的计算机程序。
在一些实施例中，计算机可读存储介质400是使用信号承载介质401来提供的。所述信号承载介质401可以包括一个或多个程序指令，其当被一个或多个处理器运行时可以提供以上针对方法100描述的功能或者部分功能。因此，例如，方法100中的一个或多个特征可以由与信号承载介质401相关联的一个或多个指令来承担。此外，图8中的程序指令也描述示例指令。
在一些示例中，信号承载介质400可以包含计算机可读介质402，诸如但不限于，硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数字磁带、存储器、只读存储记忆体(read-onlymemory，ROM)或随机存储记忆体(randomaccessmemory，RAM)等等。
在一些实施方式中，信号承载介质401可以包含计算机可记录介质403，诸如但不限于，存储器、读/写(R/W)CD、R/WDVD、等等。
在一些实施方式中，信号承载介质401可以包含通信介质404，诸如但不限于，数字和/或模拟通信介质(例如，光纤电缆、波导、有线通信链路、无线通信链路、等等)。
信号承载介质401可以由无线形式的通信介质404(例如，遵守IEEE802.11标准或者其它传输协议的无线通信介质)来传达。一个或多个程序指令可以是，例如，计算机可执行指令或者逻辑实施指令。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种车辆轮毂轴承单元的故障诊断方法，其特征在于，包括：
S101.获取轮毂轴承单元的历史工况数据，其中工况数据至少包括温度、振动、加速度、转动角度以及电流数据；
S102.对所述历史工况数据进行预处理并从预处理后的数据中提取特征；
S103.将提取出的特征作为输入、轮毂轴承单元的状态作为输出，并利用随机森林训练一针对轮毂轴承单元的故障预测模型；
S104.获取特征重要性并按重要性的高低对各特征进行排序；
S105.选取最具代表性的特征作为故障预测模型的输入特征以对其进行再次训练，得到轮毂轴承单元的故障预测结果；
S106.将实时采集的轮毂轴承单元的工况数据输入至训练好的故障预测模型以进行故障预测和诊断。
2.根据权利要求1所述的故障诊断方法，其特征在于，在S106之后，还包括：
S107.根据预测结果与实际发生的故障情况的比较对所述故障预测模型进行可靠性评估，并根据评估结果对所述故障预测模型进行优化更新；
S108.将预测结果输出到监控系统以实现故障的实时监测与预警，并提供故障排除和维修建议。
3.根据权利要求1所述的故障诊断方法，其特征在于，S104中采用信息增益算法对各特征进行重要性排序，并结合专家经验进行权重调整；具体包括：
S1041.计算每个特征对于分类结果的信息增益值；
S1042.对所有特征的信息增益值进行排序，得到特征的初始排序结果；
S1043.根据专家经验对特征的排序结果进行权重调整；
S1044.根据权重调整后的排序结果，选择最具代表性的特征作为所述故障预测模型的输入特征。
4.根据权利要求3所述的故障诊断方法，其特征在于，信息增益算法表示为：
设训练集 T中共有n个样本，其中第i个样本的类别为，共有|C|种不同的类别；设属性A有V个可能的取值，令表示T中在属性A上取值为 v的样本子集；令表示 T中类别为 k的样本所占的比例，则的估计值为：
设表示数据集T的信息熵，则其计算公式为：
属性A对训练集T的信息增益定义为：
其中，表示的样本数；信息增益越大，说明用该属性来划分训练集获得的分类效果越好。
5.根据权利要求1所述的故障诊断方法，其特征在于，S103中采用交叉验证进行模型训练，具体包括：
S1031.将原始数据集分为K个大小相似的互斥子集，即K折交叉验证；
S1032.每次用K-1个子集的数据来训练模型，剩余的1个子集的数据用于测试模型的性能；
S1033.重复K次S1032，每次选择一个不同的子集作为测试集，其余的作为训练集；
S1034.将K次的平均测试误差作为对算法精度的估计。
6.根据权利要求1所述的故障诊断方法，其特征在于，所述工况数据至少还包括噪声数据。
7.一种车辆轮毂轴承单元的故障诊断系统，其特征在于，包括：
至少一温度传感器，用于检测轮毂轴承单元内部的温度；
至少一加速度传感器，用于检测轮毂的振动、加速度和/或噪声数据；
至少一角度传感器，用于检测轮毂的转动角度；
至少一电流传感器，用于检测轮毂轴承单元内部的电流变化；
第一数据传输模块，用于汇总至少一历史阶段内所述温度传感器、加速度传感器、角度传感器以及电流传感器检测的数据以作为轮毂轴承单元的历史工况数据上传至云服务器；
第二数据传输模块，用于将实时采集的轮毂轴承单元的工况数据上传至云服务器；以及
一云服务器，至少用于执行权利要求1-6任一项所述的方法。
8.一种车辆轮毂轴承单元的故障诊断装置，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行权利要求1-6中任一项所述的方法。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机执行时实现权利要求1-6中任一项所述的方法。
CN202310529838.9A 2023-05-11 2023-05-11 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 Pending CN116561514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310529838.9A CN116561514A (zh) 2023-05-11 2023-05-11 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310529838.9A CN116561514A (zh) 2023-05-11 2023-05-11 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质

Publications (1)

Publication Number Publication Date
CN116561514A true CN116561514A (zh) 2023-08-08

Family

ID=87489384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310529838.9A Pending CN116561514A (zh) 2023-05-11 2023-05-11 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN116561514A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390519A (zh) * 2023-12-06 2024-01-12 中汽研汽车检验中心（天津）有限公司 一种轮毂电机故障情况预测方法
CN117734347A (zh) * 2024-02-20 2024-03-22 浙江大铭汽车零部件有限公司 轮毂单元、监测方法及其应用

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390519A (zh) * 2023-12-06 2024-01-12 中汽研汽车检验中心（天津）有限公司 一种轮毂电机故障情况预测方法
CN117390519B (zh) * 2023-12-06 2024-04-09 中汽研汽车检验中心（天津）有限公司 一种轮毂电机故障情况预测方法
CN117734347A (zh) * 2024-02-20 2024-03-22 浙江大铭汽车零部件有限公司 轮毂单元、监测方法及其应用
CN117734347B (zh) * 2024-02-20 2024-05-03 浙江大铭汽车零部件有限公司 轮毂单元、监测方法及其应用

Similar Documents

Publication Publication Date Title
CN110276416B (zh) 一种滚动轴承故障预测方法
CN111353482B (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN116561514A (zh) 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质
US10725439B2 (en) Apparatus and method for monitoring a device having a movable part
CN111597651B (zh) 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法
CN111260125B (zh) 一种轨道车辆部件的温度异常检测方法
Yan et al. Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment
CN112393906B (zh) 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法
KR102321607B1 (ko) 기계의 결함 검출 장치 및 방법
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
CN114004306A (zh) 一种基于物联网多维度数据的设备故障评估系统及其方法
CN108267312A (zh) 一种基于快速搜索算法的地铁列车轴承智能诊断方法
CN114091525A (zh) 一种滚动轴承退化趋势预测方法
CN112699597A (zh) 一种核电启动水泵滚动轴承故障检测方法及系统
CN112729834A (zh) 一种轴承故障的诊断方法、装置和系统
CN113759876B (zh) 基于案例推理的风电机组故障诊断方法及系统
KR20210006832A (ko) 기계고장 진단 방법 및 장치
CN115034137A (zh) 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法
CN114739671A (zh) 一种基于改进广义s变换的轴承故障诊断方法
CN111474476B (zh) 一种电机故障预测方法
KR20230127337A (ko) 기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치
CN112380782A (zh) 一种基于混合指标和神经网络的旋转设备故障预测方法
CN117034001A (zh) 一种风电机组故障预测方法、装置及电子设备
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
CN115545101A (zh) 一种基于残差神经网络的高速列车转向架故障诊断方法

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