CN116662855A - 基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法 - Google Patents
基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法 Download PDFInfo
- Publication number
- CN116662855A CN116662855A CN202310626442.6A CN202310626442A CN116662855A CN 116662855 A CN116662855 A CN 116662855A CN 202310626442 A CN202310626442 A CN 202310626442A CN 116662855 A CN116662855 A CN 116662855A
- Authority
- CN
- China
- Prior art keywords
- layer
- training
- model
- signal
- sae2
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000004927 fusion Effects 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 230000008485 antagonism Effects 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 31
- 108050008316 DNA endonuclease RBBP8 Proteins 0.000 claims description 28
- 102100035250 SUMO-activating enzyme subunit 2 Human genes 0.000 claims description 28
- 101000693367 Homo sapiens SUMO-activating enzyme subunit 1 Proteins 0.000 claims description 25
- 102100025809 SUMO-activating enzyme subunit 1 Human genes 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 241000544061 Cuculus canorus Species 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 239000003292 glue Substances 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004804 winding Methods 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative 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
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法。该方法包括以下步骤:步骤1,利用振动传感器和转速计采集到6类汽车轮毂轴承的故障失效场景下的振动信号和脉冲信号,并使用CSCOT‑FFT预处理算法,获得模型训练数据;步骤2,利用步骤1得到的数据,预训练GSAE以得到交叉信息融合层;步骤3,结合步骤2训练得到的交叉信息融合层,搭建ACFALN模型,并训练至模型收敛;步骤4.将训练好的ACFALN模型应用于实际,对实际采样信号做实时状态识别,对状态异常的数据,将告警显示到车机界面,保障人车安全。本发明所述方法可以准确有效的识别汽车行驶过程中轮毂轴承的异常状态,实时的将异常的状态上报到车机界面,保障驾驶人员安全,具有良好的实际应用价值。
Description
技术领域
本发明涉及智能汽车轮毂轴承状态监测和故障诊断领域,特别是涉及基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法。
背景技术
近年来,随着环境污染日益严重和能源短缺,世界各国都开始关注这两个问题并提出对策,电动汽车以环保、节能的优势,被各国政府投入资金大力发展,已成为汽车工业未来的发展方向,目前,国内新能源汽车如火如荼,发展极其迅速,在智能化的条件下,也为轮毂电机轴承的智能化监测提供了有利的条件。
作为智能电动汽车的关键部件,电机的线圈匝数少、电流密度大、输出转矩大,并且电动汽车在行驶过程中,汽车轴承一般在变速或负载等波动工况下运行,从而使故障特征信息不明显,电机会因线圈电流密度大易出现绕组匝间短路、因转轴很容易出现转子偏心、因经常出现转矩波动和冲击导致轴承损坏等故障。
国内涉及图像识别汽车轴承智能诊断的专利有“一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法”(202111169683.X),该发明针对解决真实场景中故障数据难以收集导致的数据集不平衡和复杂工况下有效特征难以提取的问题,提供了一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法,但该方法中未考虑到变转速和噪声的干扰下,轴承故障提取微弱难度大的问题。国内专利“一种汽车发电机轴承故障诊断方法”(201811025468.0),该专利中应用了重构、借助自相关系数选取最大相关分量构造Hankel矩阵并进行增强多分辨奇异值分解方法,接着选取最优细节分量做希尔伯特包络变换,最终实现轴承故障的识别,该方法虽然考虑到噪声影响因素,但未考虑到变工况的影响。
综上,当前利用深度学习模型对汽车轴承的状态监测手段仍然存在以下几点具有挑战性的研究方向:1.轴承常处于变转速的工作环境下,这会导致采集的轴承信号中故障特征不明显同时变转速会破坏故障信号的周期性;2.由于轴承运行的环境充斥着噪声,大量噪声的影响会淹没原先就不明显的故障特征,给故障特征提取带来了很大的挑战;3.在深度学习模型中,轴承的故障样本少,导致最终训练的模型不能完整的学习到轴承的故障特征,从而对不同工况下的故障轴承的诊断能力会有较为明显的下降;针对以上三个难题,本专利提出了基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,用以实现智能电动车的轮毂轴承智能化监测。
发明内容
为解决上述问题,本发明在生成对抗网络(Generate Adversarial Network,GAN)和卷积神经网络(Convolutional Neural Network,CNN)的基础上,提出了基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法(Adaptive Cross Fusion AdversarialLearning Network,ACFALN)。针对变转速的工作环境下导致轴承信号中故障特征不明显且故障信号的周期性被破坏的难题,本专利提出了CSCOT-FFT数据预处理算法,这可以在很大程度上弱化变转速对提取轴承特征的干扰,还原模型训练数据的周期性;针对小样本训练下,深度学习模型具有过拟合、泛化性不足的难题,本专利在ACFALN模型中采用了对抗训练机制,这能极大的扩展训练样本的数量,从而提高了模型的诊断精度;针对噪声对原本就微弱的轴承故障特征提取的影响,本专利提出了全局堆栈自编码器(Global Stack Auto-encoder),通过设计两个堆栈自编码器,并提出了信噪残差损失函数,接着进行联合交叉训练,使得两个编码器分别学习到原始信号和噪声干扰下信号的特征,最后进行特征层的交叉融合,这可以使得交叉融合特征层能同时捕获原始信号和噪声干扰下信号中的故障特征。为达此目的,本发明提供基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,具体步骤如下,其特征在于:
步骤1,利用振动传感器和转速计采集到6类汽车轮毂轴承的故障失效场景下的振动信号和脉冲信号,并使用CSCOT算法重采样和FFT变换,获得模型训练数据;
步骤2,利用步骤1得到的数据,预训练GSAE以得到交叉信息融合层;
步骤3,结合步骤2训练得到的交叉信息融合层,搭建ACFALN模型,并训练至模型收敛;
步骤4.将训练好的ACFALN模型应用于实际,对实际采样信号做实时状态识别,对状态异常的数据,将告警显示到车机界面,保障人车安全。
2.根据权利要求1所述的基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,其特征在于:步骤1中利用CSCOT-FFT预处理算法获得模型训练数据的具体流程为:
步骤1.1.采集常见的6类汽车轮毂轴承的故障失效场景下对应的转速计信号和振动信号,其中故障类型有:磨损失效、断裂失效、胶合失效、腐蚀失效、塑性变形和疲劳失效;
步骤1.2.对转速计采集的信号进行等角度采样,其中汽车轮毂轴承短时间内转速近似认为恒定,其数学表达式可表示为:
θ(t)=a0+a1t+a2t2
θ(t)表示t时刻的转角,a0、a1和a2为上述二次方程的待求系数,利用连续采集的3个键相信号求解a0、a1和a2,求解公式为:
式中,t0、t1和t2表示连续的三个时间点,Δθ表示等角度采样间隔。
根据求解的a0、a1和a2,可得到第n个等角度采样时刻tn为:
步骤1.3.根据步骤1.2处理得到的等角度采样时刻tn对振动传感器采集的振动信号进行插值确定最终的重采样序列,其中利用布谷鸟搜索算法确定过采样中的采样率,布谷鸟搜索算法中的适应度函数选定为峭度。
步骤1.4.利用FFT算法对步骤1.3得到的角域伪平稳重采样信号进行变换,得到频域信号。
3.根据权利要求1所述的基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,其特征在于:步骤2中预训练全局堆栈自编码器(Global Stack Auto-encoder)以得到交叉信息融合层的详细过程为:
步骤2.1.将步骤1处理得到的6类故障制作相应的标签,接着预训练堆栈自编码器SAE1,使得最终的网络结构为:输入层-隐藏层1-隐藏层2-隐藏层3-隐藏层4-隐藏层5-输出层,其中训练过程中的损失函数可表示为:
式中,N表示输入序列的总长度,x(i)和分别表示输入层和输出层第i个序列,λ和m分别表示权值衰减系数和神经网络层数,Sl和Sl+1分别表示第l和l+1层的神经元个数,Wij(l)表示第l层的第i个神经元和第l+1层第j个神经元间的权重系数。
步骤2.2.向采集的振动信号中添加高斯白噪声,接着使用CSCOT-FFT预处理算法获得训练数据,并预训练第二个堆栈自编码器SAE2,SAE2网络结构和SAE1保持一致,损失函数LSAE2和训练方法同步骤2.1。
步骤2.3.联合训练SAE1和SAE2以得到GSAE,进一步得到交叉信息融合层,此处为了使得交叉信息融合层能更好的学习到不同噪声干扰环境下的特征,提出了信噪残差损失函数LSNR(Signal noise residual loss function),具体的表达式为:
式中,xr(i)和xs(i)分别表示SAE1和SAE2输出层的第i个序列,ξ表示信噪加权因子,具体表达式为:
其中r表示加噪信号和原始信号间的信噪比。
引入信噪残差损失函数LSNR后,训练GSAE模型的具体步骤为:
步骤2.3.1.交替训练SAE1和SAE2,使得模型收敛。此处的SAE1和SAE2的损失函数分别为:LSAE1+LSNR和LSAE2+LSNR,其中模型参数的反向修改采用随机梯度下降法,模型的收敛条件定为:损失函数达到收敛阈值1e-4或者迭代次数为达到阈值1000。
步骤2.3.2.提取SAE1的隐藏层1-隐藏层3-隐藏层5和SAE2的隐藏层2-隐藏层4,交叉组合成交叉信息融合层。
4.根据权利要求1所述的基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,其特征在于:步骤3中训练ACFALN模型的具体步骤为:
步骤3.1.搭建样本生成器G模块,此模块的网络层结构为:随机噪声->CSOT算法重采样->FFT->交叉信息融合层->虚假信号输出层;
步骤3.2.搭建状态识别鉴别器D2模块,此模块由卷积神经网络组成,本专利此处使用的是卷积层1->池化层1->BN层1->卷积层2->池化层2->BN层2->全连接层1->全连接层2->SOFTMAX层;
步骤3.3.搭建真实性鉴别器D1,此模块由卷积神经网络组合,本专利此处使用的是卷积层1->池化层1->BN层1->卷积层2->池化层2->BN层2->卷积层3->池化层3->BN层3->全连接层1->全连接层2->输出层;
步骤3.4.利用经CSOT-FFT算法预处理后得到的真实信号和生成器G生成的虚假信号,对抗训练真实性鉴别器D1和样本生成器G,对抗训练过程中的目标函数为:
式中,pdata(Xorigin)表示真实信号Xorigin的概率分布,pdata(Xfake)表示生成的扩展样本Xfake的概率分布,D(Xorigin)表示卫星图像经过D之后的输出,G(Xfake)表示扩展样本Xfake经过G后的输出。
步骤3.5.训练状态识别鉴别器D2,其中损失函数选用交叉熵,参数更新算法采用随机梯度下降;
步骤3.6.交替执行步骤3.4和步骤3.5,直至ACFALN模型收敛。
本发明基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,有益效果:本发明的技术效果在于:
1.针对变转速的工作环境下导致轴承信号中故障特征不明显且故障信号的周期性被破坏的难题,本专利提出了CSCOT-FFT预处理算法,这可以在很大程度上弱化变转速对轴承特征提取的干扰,还原模型训练数据的周期性;
2.针对小样本训练下,深度学习模型具有过拟合、泛化性不足的难题,本专利在ACFALN模型中采用了对抗训练机制,这能极大的扩展训练样本的数量,从而提高了模型的诊断精度;
3.针对噪声对原本就微弱的轴承故障特征提取的影响,本专利提出了全局堆栈自编码器(Global Stack Auto-encoder),通过设计两个堆栈自编码器,并提出了信噪残差损失函数,接着进行联合交叉训练,使得两个编码器分别学习到原始信号和噪声干扰下信号的特征,最后进行特征层的交叉融合,这可以使得交叉融合特征层能同时捕获原始信号和噪声干扰下信号中的故障特征;
4.ACFALN模型较传统的CNN、GAN和SAE等模型在小样本、噪声干扰和变转速工况下有更好的泛化性和诊断精度。
附图说明
图1为CSCOT-FFT算法数据预处理流程图;
图2为ACFALN的离线训练和在线诊断流程图;
图3为GSAE网络结构和训练方法示意图;
图4为ACFALN模型的网络结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,旨在小样本、噪声干扰和变转速的工况下,实现损伤轴承的精准状态监测,提前发生隐患,保障行车安全。图1为CSCOT-FFT算法数据预处理流程图,从图中可以看出,该算法具体的实现步骤为:
步骤1.1.采集常见的6类汽车轮毂轴承的故障失效场景下对应的转速计信号和振动信号,其中故障类型有:磨损失效、断裂失效、胶合失效、腐蚀失效、塑性变形和疲劳失效;
步骤1.2.对转速计采集的信号进行等角度采样,其中汽车轮毂轴承短时间内转速近似认为恒定,其数学表达式可表示为:
θ(t)=a0+a1t+a2t2
θ(t)表示t时刻的转角,a0、a1和a2为上述二次方程的待求系数,利用连续采集的3个键相信号求解a0、a1和a2,求解公式为:
式中,t0、t1和t2表示连续的三个时间点,Δθ表示等角度采样间隔。
根据求解的a0、a1和a2,可得到第n个等角度采样时刻tn为:
步骤1.3.根据步骤1.2处理得到的等角度采样时刻tn对振动传感器采集的振动信号进行插值确定最终的重采样序列,其中利用布谷鸟搜索算法确定过采样中的采样率,布谷鸟搜索算法中的适应度函数选定为峭度。
步骤1.4.利用FFT算法对步骤1.3得到的角域伪平稳重采样信号进行变换,得到频域信号。
图2为本发明提出的ACFALN的离线训练和在线诊断流程图,其中包括ACFALN模型的离线训练模块和模型的实际应用两大模块,离线训练模块中主要是GSAE模型的预训练以获得交叉融合层,最终搭建ACFALN网络,接着利用CSCOT重采样算法和FFT算法预处理得到的数据进行模型的训练,在训练过程中,采用对抗训练机制进行各模块的交叉训练,直至网络达到收敛。在模型训练好之后,将模型应用于实际,对实际转速计和振动加速度传感器采集到的数据,在数据预处理之后,输入到模型中,模型会根据现有的知识做出诊断,对识别到有风险的情况,及时的将告警显示到车机界面,一方面及时维护故障元件,另一方面保障驾驶员安全。
图3为GSAE网络结构体和训练方法示意图。从图中可以看出,先预训练两个堆栈自编码器SAE1和SAE2,接着使用联合训练的方式再训练GSAE模型使之收敛,最后获得交叉信息融合层,具体的步骤如下:
步骤2.1.将预处理得到的6类故障制作相应的标签,接着使用CSCOT-FFT预处理算法获得训练数据并预训练堆栈自编码器SAE1,使得最终的网络结构为:输入层-隐藏层1-隐藏层2-隐藏层3-隐藏层4-隐藏层5-输出层,其中训练过程中的损失函数可表示为:
式中,N表示输入序列的总长度,x(i)和分别表示输入层和输出层第i个序列,λ和m分别表示权值衰减系数和神经网络层数,Sl和Sl+1分别表示第l和l+1层的神经元个数,Wij(l)表示第l层的第i个神经元和第l+1层第j个神经元间的权重系数。
步骤2.2.向采集的振动信号中添加高斯白噪声,接着使用CSCOT-FFT预处理算法获得训练数据,并预训练第二个堆栈自编码器SAE2,SAE2网络结构和SAE1保持一致,损失函数LSAE2和训练方法同步骤2.1。
步骤2.3.联合训练SAE1和SAE2以得到GSAE,进一步得到交叉信息融合层,此处为了使得交叉信息融合层能更好的学习到不同噪声干扰环境下的特征,提出了信噪残差损失函数LSNR(Signal noise residual loss function),具体的表达式为:
式中,xr(i)和xs(i)分别表示SAE1和SAE2输出层的第i个序列,ξ表示信噪加权因子,具体表达式为:
其中r表示加噪信号和原始信号间的信噪比。
引入信噪残差损失函数LSNR后,训练GSAE模型的具体步骤为:
步骤2.3.1.交替训练SAE1和SAE2,使得模型收敛。此处的SAE1和SAE2的损失函数分别为:LSAE1+LSNR和LSAE2+LSNR,其中模型参数的反向修改采用随机梯度下降法,模型的收敛条件定为:损失函数达到收敛阈值1e-4或者迭代次数为达到阈值1000。
步骤2.3.2.提取SAE1的隐藏层1-隐藏层3-隐藏层5和SAE2的隐藏层2-隐藏层4,交叉组合成交叉信息融合层。
图4为本发明所提出的ACFALN模型的网络结构图,可以看出,在训练获取交叉信息融合层之后,搭建生成器G,而后对抗训练ACFALN模型,具体的步骤为:
步骤3.1.搭建样本生成器G模块,此模块的网络层结构为:随机噪声->CSOT算法重采样->FFT->交叉信息融合层->虚假信号输出层;
步骤3.2.搭建状态识别鉴别器D2模块,此模块由卷积神经网络组成,本专利此处使用的是卷积层1->池化层1->BN层1->卷积层2->池化层2->BN层2->全连接层1->全连接层2->SOFTMAX层;
步骤3.3.搭建真实性鉴别器D1,此模块由卷积神经网络组合,本专利此处使用的是卷积层1->池化层1->BN层1->卷积层2->池化层2->BN层2->卷积层3->池化层3->BN层3->全连接层1->全连接层2->输出层;
步骤3.4.利用经CSOT-FFT算法预处理后得到的真实信号和生成器G生成的虚假信号,对抗训练真实性鉴别器D1和样本生成器G,对抗训练过程中的目标函数为:
式中,pdata(Xorigin)表示真实信号Xorigin的概率分布,pdata(Xfake)表示生成的扩展样本Xfake的概率分布,D(Xorigin)表示卫星图像经过D之后的输出,G(Xfake)表示扩展样本Xfake经过G后的输出。
步骤3.5.训练状态识别鉴别器D2,其中损失函数选用交叉熵,参数更新算法采用随机梯度下降;
步骤3.6.交替执行步骤3.4和步骤3.5,直至ACFALN模型收敛。
在该模型训练收敛后,该模型即可应用于实际,其中该模型较传统的CNN、GAN和SAE等模型在小样本、噪声干扰和变转速工况下有更好的泛化性和诊断精度。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (4)
1.基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,具体步骤如下,其特征在于:
步骤1,利用振动传感器和转速计采集到6类汽车轮毂轴承的故障失效场景下的振动信号和脉冲信号,并使用CSCOT-FFT预处理算法,获得模型训练数据;
步骤2,利用步骤1得到的数据,预训练GSAE以得到交叉信息融合层;
步骤3,结合步骤2训练得到的交叉信息融合层,搭建ACFALN模型,并训练至模型收敛;
步骤4.将训练好的ACFALN模型应用于实际,对实际采样信号做实时状态识别,对状态异常的数据,将告警显示到车机界面,保障人车安全。
2.根据权利要求1所述的基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,其特征在于:步骤1中CSCOT-FFT算法数据预处理的具体处理流程为:
步骤1.1.采集常见的6类汽车轮毂轴承的故障失效场景下对应的转速计信号和振动信号,其中故障类型有:磨损失效、断裂失效、胶合失效、腐蚀失效、塑性变形和疲劳失效;
步骤1.2.对转速计采集的信号进行等角度采样,其中汽车轮毂轴承短时间内转速近似认为恒定,其数学表达式可表示为:
θ(t)=a0+a1t+a2t2
θ(t)表示t时刻的转角,a0、a1和a2为上述二次方程的待求系数,利用连续采集的3个键相信号求解a0、a1和a2,求解公式为:
式中,t0、t1和t2表示连续的三个时间点,Δθ表示等角度采样间隔;
根据求解的a0、a1和a2,可得到第n个等角度采样时刻tn为:
步骤1.3.根据步骤1.2处理得到的等角度采样时刻tn对振动传感器采集的振动信号进行插值确定最终的重采样序列,其中利用布谷鸟搜索算法确定过采样中的采样率,布谷鸟搜索算法中的适应度函数选定为峭度;
步骤1.4.利用FFT算法对步骤1.3得到的角域伪平稳重采样信号进行变换,得到频域信号。
3.根据权利要求1所述的基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,其特征在于:步骤2中预训练全局堆栈自编码器(Global Stack Auto-encoder)以得到交叉信息融合层的详细过程为:
步骤2.1.将步骤1处理得到的6类故障制作相应的标签,接着预训练堆栈自编码器SAE1,使得最终的网络结构为:输入层-隐藏层1-隐藏层2-隐藏层3-隐藏层4-隐藏层5-输出层,其中训练过程中的损失函数可表示为:
式中,N表示输入序列的总长度,x(i)和分别表示输入层和输出层第i个序列,λ和m分别表示权值衰减系数和神经网络层数,Sl和Sl+1分别表示第l和l+1层的神经元个数,Wij(l)表示第l层的第i个神经元和第l+1层第j个神经元间的权重系数;
步骤2.2.向采集的振动信号中添加高斯白噪声,接着使用CSCOT-FFT预处理算法获得训练数据,并预训练第二个堆栈自编码器SAE2,SAE2网络结构和SAE1保持一致,损失函数LSAE2和训练方法同步骤2.1;
步骤2.3.联合训练SAE1和SAE2以得到GSAE,进一步得到交叉信息融合层,此处为了使得交叉信息融合层能更好的学习到不同噪声干扰环境下的特征,提出了信噪残差损失函数LSNR,具体的表达式为:
式中,xr(i)和xs(i)分别表示SAE1和SAE2输出层的第i个序列,ξ表示信噪加权因子,具体表达式为:
其中r表示加噪信号和原始信号间的信噪比;
引入信噪残差损失函数LSNR后,训练GSAE模型的具体步骤为:
步骤2.3.1.交替训练SAE1和SAE2,使得模型收敛,此处的SAE1和SAE2的损失函数分别为:LSAE1+LSNR和LSAE2+LSNR,其中模型参数的反向修改采用随机梯度下降法,模型的收敛条件定为:损失函数达到收敛阈值1e-4或者迭代次数为达到阈值1000;
步骤2.3.2.提取SAE1的隐藏层1-隐藏层3-隐藏层5和SAE2的隐藏层2-隐藏层4,交叉组合成交叉信息融合层。
4.根据权利要求1所述的基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法,其特征在于:步骤3中训练ACFALN模型的具体步骤为:
步骤3.1.搭建样本生成器G模块,此模块的网络层结构为:随机噪声->CSOT算法重采样->FFT->交叉信息融合层->虚假信号输出层;
步骤3.2.搭建状态识别鉴别器D2模块,此模块由卷积神经网络组成,本专利此处使用的是卷积层1->池化层1->BN层1->卷积层2->池化层2->BN层2->全连接层1->全连接层2->SOFTMAX层;
步骤3.3.搭建真实性鉴别器D1,此模块由卷积神经网络组合,本专利此处使用的是卷积层1->池化层1->BN层1->卷积层2->池化层2->BN层2->卷积层3->池化层3->BN层3->全连接层1->全连接层2->输出层;
步骤3.4.利用经CSOT-FFT算法预处理后得到的真实信号和生成器G生成的虚假信号,对抗训练真实性鉴别器D1和样本生成器G,对抗训练过程中的目标函数为:
式中,pdata(Xorigin)表示真实信号Xorigin的概率分布,pdata(Xfake)表示生成的扩展样本Xfake的概率分布,D(Xorigin)表示卫星图像经过D之后的输出,G(Xfake)表示扩展样本Xfake经过G后的输出;
步骤3.5.训练状态识别鉴别器D2,其中损失函数选用交叉熵,参数更新算法采用随机梯度下降;
步骤3.6.交替执行步骤3.4和步骤3.5,直至ACFALN模型收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626442.6A CN116662855A (zh) | 2023-05-31 | 2023-05-31 | 基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626442.6A CN116662855A (zh) | 2023-05-31 | 2023-05-31 | 基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116662855A true CN116662855A (zh) | 2023-08-29 |
Family
ID=87720062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310626442.6A Withdrawn CN116662855A (zh) | 2023-05-31 | 2023-05-31 | 基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662855A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216689A (zh) * | 2023-11-08 | 2023-12-12 | 山东辰智电子科技有限公司 | 一种基于城市水利数据的地下管道排放预警系统 |
CN117473872A (zh) * | 2023-11-10 | 2024-01-30 | 广东石油化工学院 | 一种基于fft编码和l-cnn滚动轴承故障诊断方法 |
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 |
-
2023
- 2023-05-31 CN CN202310626442.6A patent/CN116662855A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216689A (zh) * | 2023-11-08 | 2023-12-12 | 山东辰智电子科技有限公司 | 一种基于城市水利数据的地下管道排放预警系统 |
CN117216689B (zh) * | 2023-11-08 | 2024-02-27 | 山东辰智电子科技有限公司 | 一种基于城市水利数据的地下管道排放预警系统 |
CN117473872A (zh) * | 2023-11-10 | 2024-01-30 | 广东石油化工学院 | 一种基于fft编码和l-cnn滚动轴承故障诊断方法 |
CN117473872B (zh) * | 2023-11-10 | 2024-06-11 | 广东石油化工学院 | 一种基于fft编码和l-cnn滚动轴承故障诊断方法 |
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 |
---|---|---|
CN116662855A (zh) | 基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法 | |
CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
Pan et al. | LiftingNet: A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification | |
Sun et al. | Convolutional discriminative feature learning for induction motor fault diagnosis | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN112052796A (zh) | 一种基于深度学习的永磁同步电机故障诊断方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN109632309A (zh) | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 | |
CN107526853A (zh) | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 | |
CN111538947B (zh) | 风力发电机轴承故障分类模型的构建方法 | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN109060347B (zh) | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 | |
CN114778112A (zh) | 风电发电机组机械故障音频识别和故障诊断方法 | |
CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
Yu et al. | CWGAN: Conditional wasserstein generative adversarial nets for fault data generation | |
CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
CN117056849B (zh) | 一种无监督的复杂机械设备异常状态监测方法及系统 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
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 | |
Grezmak et al. | Multi-stream convolutional neural network-based fault diagnosis for variable frequency drives in sustainable manufacturing systems | |
Feng et al. | A fault diagnosis for rolling bearing based on multilevel denoising method and improved deep residual network | |
CN110222386A (zh) | 一种行星齿轮退化状态识别方法 | |
CN112160877A (zh) | 一种基于sfa和cnn的风机轴承故障诊断方法 | |
CN110779722B (zh) | 一种基于编码器信号局部加权的滚动轴承故障诊断方法 | |
CN111539381A (zh) | 风力发电机轴承故障分类诊断模型的构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230829 |
|
WW01 | Invention patent application withdrawn after publication |