CN117302236A - 一种基于深度学习的车辆状态监测方法及系统 - Google Patents
一种基于深度学习的车辆状态监测方法及系统 Download PDFInfo
- Publication number
- CN117302236A CN117302236A CN202311278687.0A CN202311278687A CN117302236A CN 117302236 A CN117302236 A CN 117302236A CN 202311278687 A CN202311278687 A CN 202311278687A CN 117302236 A CN117302236 A CN 117302236A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- vehicle state
- vehicle
- vibration signals
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 claims abstract description 91
- 238000004458 analytical method Methods 0.000 claims abstract description 67
- 238000000926 separation method Methods 0.000 claims abstract description 64
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000012806 monitoring device Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 78
- 238000012549 training Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000000873 masking effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 238000010276 construction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0059—Signal noise suppression
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于车辆状态监测技术领域,公开了一种基于深度学习的车辆状态监测方法及系统,所述的方法包括如下步骤:构建过完备原子库、振动信号分离模型以及部件故障诊断模型;采集车辆的实时运行振动信号,使用过完备原子库,对实时运行振动信号进行去噪;使用振动信号分离模型,对去噪后实时运行振动信号进行振动信号分离;使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断;根据所有部件故障诊断结果,生成车辆状态分析结果。所述的系统包括通信连接的云计算中心、若干物联网关以及若干车辆状态监测装置。本发明解决了现有技术存在的硬件配置要求高,成本投入大,数据计算压力大,数据传输慢,实时性差以及分析准确性差的问题。
Description
技术领域
本发明属于车辆状态监测技术领域,具体涉及一种基于深度学习的车辆状态监测方法及系统。
背景技术
随着经济的飞速发展及生活水平的普遍提高,机动车辆越来越普及,道路交通的压力也越来越大。随之而来的,车辆行驶安全也成为一个非常严峻的问题。因此,对行驶车辆进行实时的车辆状态监测,成为当前领域重点研究方向。
现有技术中,通过车载式的车辆状态监测装置对车辆的状态进行实时的监测,在发现车辆状态异常时,及时进行提醒和报警,这种监测方式虽然在一定程度上提高了车辆行驶安全性,但是车辆状态监测装置对车辆的硬件配置要求高,成本投入大,无法得到广泛应用;随着物联网和云计算技术的进步,采用无线通信和云计算中心构建统一管理的车辆状态监测后台,成为另一种发展方向,但是车辆在行驶中的情况复杂,涉及到大量的车辆相关数据的传输和分析,车辆状态监测后台的计算压力大,数据传输慢,实时性差,并且对车辆状态的分析准确性差。
发明内容
为了解决现有技术存在的硬件配置要求高,成本投入大,数据计算压力大,数据传输慢,实时性差以及分析准确性差的问题,本发明目的在于提供一种基于深度学习的车辆状态监测方法及系统。
本发明所采用的技术方案为:
一种基于深度学习的车辆状态监测方法,包括如下步骤:
构建过完备原子库,以及基于深度学习算法的振动信号分离模型和部件故障诊断模型;
采集车辆的实时运行振动信号,使用过完备原子库,对实时运行振动信号进行去噪,得到去噪后实时运行振动信号;
使用振动信号分离模型,对去噪后实时运行振动信号进行振动信号分离,得到若干实时分离振动信号;
使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断,得到对应的部件故障诊断结果;
根据所有部件故障诊断结果,生成车辆状态分析结果。
进一步地,根据车辆的指定部件和整车的振动机理数据,构建过完备原子库,对应地,构建过完备原子库,包括如下步骤:
设置振动信号的数据模型;
根据振动信号的数据模型,以及车辆的指定部件和整车的振动机理数据,构建振动信号的过完备原子库。
进一步地,构建基于深度学习算法的振动信号分离模型和部件故障诊断模型,包括如下步骤:
采集车辆在正常状态和故障状态下,车辆的指定部件的若干历史单源振动信号和整车的若干历史多源振动信号;
整合若干历史单源振动信号和若干历史多源振动信号,得到模型训练样本集;
使用过完备原子库,对模型训练样本集进行去噪处理,得到去噪后模型训练样本集;
使用STFT算法,对去噪后模型训练历史样本集进行数据预处理,得到对应的历史混合幅度谱集和历史混合相位谱集;
根据历史混合幅度谱集和历史混合相位谱集,使用SA-CEDN-FEM算法,构建振动信号分离模型;
根据去噪后模型训练样本集,使用WNN-LSSVM算法,构建部件故障诊断模型。
进一步地,振动信号分离模型包括依次连接的第一输入层、下采样模块、上采样模块以及第一输出层,下采样模块基于CEDN算法构建,且下采样模块包括若干串联的下采样层和FEM层,上采样模块基于CEDN算法构建,且上采样模块包括若干串联的上采样层和SA层。
进一步地,部件故障诊断模型包括依次连接的第二输入层、信号特征提取模块、分类模块以及第二输出层,信号特征提取模块基于WNN算法构建,分类模块包括若干分类器,分类器基于LSSVM算法构建。
进一步地,使用振动信号分离模型,对去噪后实时运行振动信号进行振动信号分离,得到若干实时分离振动信号,包括如下步骤:
使用STFT算法,对去噪后实时运行振动信号进行数据预处理,得到对应的实时混合幅度谱和实时混合相位谱;
将实时混合幅度谱输入振动信号分离模型的第一输入层;
使用下采样模块对实时混合幅度谱进行下采样和特征提取,得到实时混合幅度谱特征;
使用上采样模块对实时混合幅度谱特征进行重构和上采样,得到若干实时分离振动信号的掩蔽矩阵;
将实时混合幅度谱和若干分离振动信号的掩蔽矩阵进行点乘运算,得到若干实时分离振动信号的实时分离幅度谱,并使用第一输出层输出若干实时分离幅度谱;
使用ISFTF算法,对实时混合相位谱和若干实时分离幅度谱进行振动信号重建,得到若干实时分离振动信号。
进一步地,使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断,得到对应的部件故障诊断结果,包括如下步骤:
将实时分离振动信号输入部件故障诊断模型的第二输入层;
使用信号特征提取模块对实时分离振动信号进行特征提取,得到对应的短时平均能量、谱平度以及频谱峰值频率;
根据实时分离振动信号的短时平均能量、谱平度以及频谱峰值频率,使用分类模块进行分类,得到对应的指定部件分类标签和部件故障预测值;
整合指定部件分类标签和对应的部件故障预测值,得到部件故障诊断结果;
遍历所有实时分离振动信号,得到对应的若干部件故障诊断结果。
进一步地,根据所有部件故障诊断结果,生成车辆状态分析结果,包括如下步骤:
根据车辆的指定部件的预设的权重系数和对应的部件故障诊断结果,得到指定部件的车辆状态分析值;
整合车辆的所有指定部件的车辆状态分析值,得到对应的车辆状态分析总值,并将车辆状态分析总值作为车辆状态分析结果。
一种基于深度学习的车辆状态监测系统,用于实现车辆状态监测方法,系统包括通信连接的云计算中心、若干物联网关以及若干车辆状态监测装置,若干车辆状态监测装置一一对应的设置于被监测车辆处,且车辆状态监测装置分别与对应的被监测车辆的控制系统和通信范围内的至少一个物联网关通信连接;
云计算中心,用于构建过完备原子库,以及基于深度学习算法的振动信号分离模型和部件故障诊断模型;接收物联网关发送的车辆的实时运行振动信号,使用过完备原子库,对实时运行振动信号进行去噪,得到去噪后实时运行振动信号;使用振动信号分离模型,对去噪后实时运行振动信号进行振动信号分离,得到若干实时分离振动信号;使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断,得到对应的部件故障诊断结果;根据所有部件故障诊断结果,生成车辆状态分析结果;将车辆状态分析结果返回至对应的物联网关;
物联网关,用于接收通信范围内的车辆状态监测装置发送的车辆的实时运行振动信号,并将实时运行振动信号发送至云计算中心;接收云计算中心返回的车辆状态分析结果,并将车辆状态分析结果返回至对应的车辆状态监测装置;
车辆状态监测装置,用于采集车辆的实时运行振动信号,并将实时运行振动信号发送至通信范围内的至少一个物联网关;接收物联网关返回的车辆状态分析结果,并将车辆状态分析结果在被监测车辆的控制系统进行可视化。
进一步地,云计算中心包括依次连接的过完备原子库构建单元、振动信号分离模型构建单元、部件故障诊断模型构建单元、过完备原子库去噪单元、振动信号分离单元、部件故障诊断单元以及车辆状态分析单元,过完备原子库去噪单元和车辆状态分析单元均与物联网关通信连接。
本发明的有益效果为:
本发明提供的一种基于深度学习的车辆状态监测方法及系统,根据车辆在行驶过程中的实时运行振动信号进行车辆状态分析,无需其它复杂的数据,降低了数据计算压力,提高了数据传输速度,保证了车辆状态监测的实时性,实时运行振动信号通过振动传感器进行采集,无需配置大量的昂贵装置,并且使用云计算中心支撑车辆状态分析任务,降低了车辆的成本投入,适用于各种型号的车辆,具有广泛的应用市场,根据车辆的指定部件和整车的振动机理数据,构建过完备原子库,消除了环境噪音对实时运行振动信号的不良影响,使用基于深度学习算法构建的振动信号分离模型对实时运行振动信号进行自动化的振动信号分离,能够准确的分辨出车辆的指定部件的振动信息,使用基于深度学习算法构建的部件故障诊断模型对实时分离振动信号进行自动化的部件故障诊断,能够准确的诊断出指定部件的故障情况,提高了车辆状态分析的准确性,生成车辆状态分析结果在车辆进行可视化,实时的反应车辆在行驶过程中的状态。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是本发明中基于深度学习的车辆状态监测方法的流程框图。
图2是本发明中基于深度学习的车辆状态监测系统的结构框图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1:
如图1所示,本实施例提供一种基于深度学习的车辆状态监测方法,包括如下步骤:
根据车辆的指定部件和整车的振动机理数据,构建过完备原子库,对应地,构建过完备原子库,包括如下步骤:
设置振动信号的数据模型,公式为:
f(t)=fr(t)+fz(t)
式中,f(t)为包含噪声的振动信号;fr(t)为不包含噪声的振动信号;fz(t)为噪声信号;
指定部件包括车辆的发动机、动力轴、空调设备以及散热风扇等在正常运行时能够产生振动信号的重要车载部件;
过完备原子库能够在复杂的运行振动信号中分辨出噪声信号并进行剔除,提高了运行振动信号对车辆真实状态的表征效果;
根据振动信号的数据模型,以及车辆的指定部件和整车的振动机理数据,构建振动信号的过完备原子库,公式为:
E[f(t)]=∑{sgn{g[x(t)]}-sgn{g[x(t-1)]}}
式中,E[f(t)]为不包含噪声的振动信号的短时平均过零率;sgn(*)为符号函数;g(*)为车辆振动传导函数;x(t)、x(t-1)分别为t、t-1时刻的振动信号序列;
构建基于深度学习算法的振动信号分离模型和部件故障诊断模型,包括如下步骤:
采集车辆在正常状态和故障状态下,车辆的指定部件的若干历史单源振动信号和整车的若干历史多源振动信号;
历史多源振动信号用于模拟真实的车辆行驶情况下的振动信号,历史单源振动信号用于加强模型对指定部件的振动信号特征的学习,提高模型的准确性;
整合若干历史单源振动信号和若干历史多源振动信号,得到模型训练样本集;
使用过完备原子库,对模型训练样本集进行去噪处理,得到去噪后模型训练样本集;
使用短时傅里叶变换(Short-Time Fourier Transform,STFT)算法,对去噪后模型训练历史样本集进行数据预处理,得到对应的历史混合幅度谱集和历史混合相位谱集,公式为:
式中,X(ω,t)为去噪后模型训练历史样本的时域表示;A(ω,t)的历史混合幅度谱;为历史混合相位谱集;ω为角频率;t为时刻;e为指数;j为虚数单位;
基于STFT算法的数据预处理将运行振动信号转换为模型能够识别的数据形式,提高了模型的训练效率和准确性;
根据历史混合幅度谱集和历史混合相位谱集,使用跳跃注意力机制(Skip-Attention,SA)-卷积编码器-解码器网络(Convolutional Encoder-DecoderNetwork,CEDN)-特征提取模块(Feature Extraction Module,FEM)算法,构建振动信号分离模型;
使用SA-CEDN-FEM算法,构建初始的振动信号分离模型,并将历史混合幅度谱集和历史混合相位谱集做为训练样本输入初始的振动信号分离模型进行优化训练,调整初始的振动信号分离模型的网络参数,得到优化后的最终的振动信号分离模型,完成振动信号分离模型的构建,振动信号分离模型能够根据自身的神经元的连接权重和阈值,学习历史混合幅度谱集和历史混合相位谱集的数据特征;
振动信号分离模型包括依次连接的第一输入层、下采样模块、上采样模块以及第一输出层,下采样模块基于CEDN算法构建,且下采样模块包括若干串联的下采样层和FEM层,下采样层属于卷积编码器网络,上采样模块基于CEDN算法构建,且上采样模块包括若干串联的上采样层和SA层,上采样层属于卷积解码器网络;
下采样层的公式为:
Eh=En[:,h,:]∈RN×d
式中,Eh为下采样层输出的幅度谱特征图;[:,h,:]为采样操作函数;RN×d为幅度谱的特征空间;N为幅度谱特征图中频率带宽;d为幅度谱特征图的通道数;En为输入的幅度谱;h为时刻维度的位置指示量;
FEM层的公式为:
MF(Eh)=σ{fconv{[AvgPool(Eh);MaxPool(Eh)]}}
式中,MF(Eh)为FEM层输出的幅度谱特征;Eh为输入FEM层的幅度谱特征图;σ为激活函数;fconv为卷积函数;AvgPool(Eh)为平均池化函数;MaxPool(Eh)为最大值池化函数;
上采样层的公式为:
Dh=De[:,h,:]∈RN×d
式中,Dh为上采样层输出的幅度谱特征图;[:,h,:]为采样操作函数;RN×d为幅度谱的特征空间;N为幅度谱特征图中频率带宽;d为幅度谱特征图的通道数;De为根据幅度谱特征进行重构得到的重构幅度谱特征图;h为时刻维度的位置指示量;
SA层的公式为:
式中,YM为振动信号分离模型输出的分离振动信号的掩蔽矩阵;SAh为SA层输出的幅度谱特征图的权值矩阵;LN(*)为规范函数;softmax(*)为激活函数;Vatt,h为注意力矩阵;
根据去噪后模型训练样本集,使用小波神经网络(Wavelet Neural Network,WNN)-最小二乘支持向量机(LeastSquaresSupportVectorMachines,LSSVM)算法,构建部件故障诊断模型;
使用WNN-LSSVM算法,构建初始的部件故障诊断模型,并将去噪后模型训练样本集输入初始的部件故障诊断模型进行优化训练,得到优化后的最终的部件故障诊断模型,完成部件故障诊断模型的构建,部件故障诊断模型能够根据自身的神经元的连接权重和阈值,学习去噪后模型训练样本集的数据特征;
部件故障诊断模型包括依次连接的第二输入层、信号特征提取模块、分类模块以及第二输出层,信号特征提取模块基于WNN算法构建,分类模块包括若干分类器,分类器基于LSSVM算法构建;
信号特征提取模块的公式为:
式中,HH为振动信号的短时平均能量;Fla为振动信号的谱平度;FF为振动信号的频谱峰值频率;fd(t)为第t时刻的振动信号;G[fd(t)]、A[fd(t)]为振动信号的几何均值和算术均值;sk(*)为振动信号的频谱峰值频率函数;
采集车辆的实时运行振动信号,使用过完备原子库,对实时运行振动信号进行去噪,得到去噪后实时运行振动信号;
使用振动信号分离模型,对去噪后实时运行振动信号进行振动信号分离,得到若干实时分离振动信号,包括如下步骤:
使用STFT算法,对去噪后实时运行振动信号进行数据预处理,得到对应的实时混合幅度谱和实时混合相位谱;
将实时混合幅度谱输入振动信号分离模型的第一输入层;
使用下采样模块对实时混合幅度谱进行下采样和特征提取,得到实时混合幅度谱特征;
使用上采样模块对实时混合幅度谱特征进行重构和上采样,得到若干实时分离振动信号的掩蔽矩阵;
掩蔽矩阵能够将实时混合幅度谱中不感兴趣的部分进行掩盖,留下感兴趣的部分,即每种振动源的振动信号;
将实时混合幅度谱和若干分离振动信号的掩蔽矩阵进行点乘运算,得到若干实时分离振动信号的实时分离幅度谱,并使用第一输出层输出若干实时分离幅度谱;
使用短时傅里叶逆变换(Inverse Short-Time Fourier Transform,ISFTF),对实时混合相位谱和若干实时分离幅度谱进行振动信号重建,得到若干实时分离振动信号;
ISFTF算法用于将频域信号转换为时域信号算法,完成振动信号重建,为后续的故障诊断提供数据支撑;
使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断,得到对应的部件故障诊断结果,包括如下步骤:
将实时分离振动信号输入部件故障诊断模型的第二输入层;
使用信号特征提取模块对实时分离振动信号进行特征提取,得到对应的短时平均能量、谱平度以及频谱峰值频率;
根据实时分离振动信号的短时平均能量、谱平度以及频谱峰值频率,使用分类模块进行分类,得到对应的指定部件分类标签和部件故障预测值;
整合指定部件分类标签和对应的部件故障预测值,得到部件故障诊断结果;
遍历所有实时分离振动信号,得到对应的若干部件故障诊断结果;
使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断,得到对应的部件故障诊断结果;
根据所有部件故障诊断结果,生成车辆状态分析结果,包括如下步骤:
根据车辆的指定部件的预设的权重系数和对应的部件故障诊断结果,得到指定部件的车辆状态分析值;
整合车辆的所有指定部件的车辆状态分析值,得到对应的车辆状态分析总值,并将车辆状态分析总值作为车辆状态分析结果,公式为:
式中,P为车辆状态分析总值;Wk为指定部件的预设的权重系数;pk为部件故障诊断结果中[0,1]的部件故障预测值,若部件发生故障部件故障预测值为1,反之为0,则;k为部件指示量;K为部件总数;
若车辆状态分析总值越大,说明车辆状态越差,车辆状态分析结果还包括发生故障的指定部件的相关信息,为车辆维护提供参考意见和故障定位。
实施例2:
如图2所示,本实施例提供一种基于深度学习的车辆状态监测系统,用于实现车辆状态监测方法,系统包括通信连接的云计算中心、若干物联网关以及若干车辆状态监测装置,若干车辆状态监测装置一一对应的设置于被监测车辆处,且车辆状态监测装置分别与对应的被监测车辆的控制系统和通信范围内的至少一个物联网关通信连接;
云计算中心,用于构建过完备原子库,以及基于深度学习算法的振动信号分离模型和部件故障诊断模型;接收物联网关发送的车辆的实时运行振动信号,使用过完备原子库,对实时运行振动信号进行去噪,得到去噪后实时运行振动信号;使用振动信号分离模型,对去噪后实时运行振动信号进行振动信号分离,得到若干实时分离振动信号;使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断,得到对应的部件故障诊断结果;根据所有部件故障诊断结果,生成车辆状态分析结果;将车辆状态分析结果返回至对应的物联网关;
物联网关,用于接收通信范围内的车辆状态监测装置发送的车辆的实时运行振动信号,并将实时运行振动信号发送至云计算中心;接收云计算中心返回的车辆状态分析结果,并将车辆状态分析结果返回至对应的车辆状态监测装置;
车辆状态监测装置,用于采集车辆的实时运行振动信号,并将实时运行振动信号发送至通信范围内的至少一个物联网关;接收物联网关返回的车辆状态分析结果,并将车辆状态分析结果在被监测车辆的控制系统进行可视化;
本实施例中,车辆状态监测装置包括微处理器、AD转换器以及若干振动传感器,若干振动传感器设置于被监测车辆的车身处,用于采集实时运行振动信号,并将模拟量的实时运行振动信号发送至AD转换器,转换为数字量的实时运行振动信号。
作为优选,云计算中心包括依次连接的过完备原子库构建单元、振动信号分离模型构建单元、部件故障诊断模型构建单元、过完备原子库去噪单元、振动信号分离单元、部件故障诊断单元以及车辆状态分析单元,过完备原子库去噪单元和车辆状态分析单元均与物联网关通信连接;
过完备原子库构建单元,用于根据车辆的指定部件和整车的振动机理数据,构建过完备原子库;
振动信号分离模型构建单元,用于根据车辆的指定部件的若干历史单源振动信号和整车的若干历史多源振动信号,使用深度学习算法,构建振动信号分离模型;
部件故障诊断模型构建单元,用于根据车辆的指定部件的若干历史单源振动信号和整车的若干历史多源振动信号,使用深度学习算法,构建故障诊断模型;
过完备原子库去噪单元,用于接收物联网关发送的车辆的实时运行振动信号,使用过完备原子库,对实时运行振动信号进行去噪,得到去噪后实时运行振动信号;
振动信号分离单元,用于使用振动信号分离模型,对去噪后实时运行振动信号进行振动信号分离,得到若干实时分离振动信号;
部件故障诊断单元,用于使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断,得到对应的部件故障诊断结果;
车辆状态分析单元,用于根据所有部件故障诊断结果,生成车辆状态分析结果;将车辆状态分析结果返回至对应的物联网关。
本发明提供的一种基于深度学习的车辆状态监测方法及系统,根据车辆在行驶过程中的实时运行振动信号进行车辆状态分析,无需其它复杂的数据,降低了数据计算压力,提高了数据传输速度,保证了车辆状态监测的实时性,实时运行振动信号通过振动传感器进行采集,无需配置大量的昂贵装置,并且使用云计算中心支撑车辆状态分析任务,降低了车辆的成本投入,适用于各种型号的车辆,具有广泛的应用市场,根据车辆的指定部件和整车的振动机理数据,构建过完备原子库,消除了环境噪音对实时运行振动信号的不良影响,使用基于深度学习算法构建的振动信号分离模型对实时运行振动信号进行自动化的振动信号分离,能够准确的分辨出车辆的指定部件的振动信息,使用基于深度学习算法构建的部件故障诊断模型对实时分离振动信号进行自动化的部件故障诊断,能够准确的诊断出指定部件的故障情况,提高了车辆状态分析的准确性,生成车辆状态分析结果在车辆进行可视化,实时的反应车辆在行驶过程中的状态。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种基于深度学习的车辆状态监测方法,其特征在于:包括如下步骤:
构建过完备原子库,以及基于深度学习算法的振动信号分离模型和部件故障诊断模型;
采集车辆的实时运行振动信号,使用过完备原子库,对实时运行振动信号进行去噪,得到去噪后实时运行振动信号;
使用振动信号分离模型,对去噪后实时运行振动信号进行振动信号分离,得到若干实时分离振动信号;
使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断,得到对应的部件故障诊断结果;
根据所有部件故障诊断结果,生成车辆状态分析结果。
2.根据权利要求1所述的一种基于深度学习的车辆状态监测方法,其特征在于:根据车辆的指定部件和整车的振动机理数据,构建所述的过完备原子库,对应地,构建过完备原子库,包括如下步骤:
设置振动信号的数据模型;
根据振动信号的数据模型,以及车辆的指定部件和整车的振动机理数据,构建振动信号的过完备原子库。
3.根据权利要求1所述的一种基于深度学习的车辆状态监测方法,其特征在于:构建基于深度学习算法的振动信号分离模型和部件故障诊断模型,包括如下步骤:
采集车辆在正常状态和故障状态下,车辆的指定部件的若干历史单源振动信号和整车的若干历史多源振动信号;
整合若干历史单源振动信号和若干历史多源振动信号,得到模型训练样本集;
使用过完备原子库,对模型训练样本集进行去噪处理,得到去噪后模型训练样本集;
使用STFT算法,对去噪后模型训练历史样本集进行数据预处理,得到对应的历史混合幅度谱集和历史混合相位谱集;
根据历史混合幅度谱集和历史混合相位谱集,使用SA-CEDN-FEM算法,构建振动信号分离模型;
根据去噪后模型训练样本集,使用WNN-LSSVM算法,构建部件故障诊断模型。
4.根据权利要求3所述的一种基于深度学习的车辆状态监测方法,其特征在于:所述的振动信号分离模型包括依次连接的第一输入层、下采样模块、上采样模块以及第一输出层,所述的下采样模块基于CEDN算法构建,且下采样模块包括若干串联的下采样层和FEM层,所述的上采样模块基于CEDN算法构建,且上采样模块包括若干串联的上采样层和SA层。
5.根据权利要求3所述的一种基于深度学习的车辆状态监测方法,其特征在于:所述的部件故障诊断模型包括依次连接的第二输入层、信号特征提取模块、分类模块以及第二输出层,所述的信号特征提取模块基于WNN算法构建,所述的分类模块包括若干分类器,所述的分类器基于LSSVM算法构建。
6.根据权利要求4所述的一种基于深度学习的车辆状态监测方法,其特征在于:使用振动信号分离模型,对去噪后实时运行振动信号进行振动信号分离,得到若干实时分离振动信号,包括如下步骤:
使用STFT算法,对去噪后实时运行振动信号进行数据预处理,得到对应的实时混合幅度谱和实时混合相位谱;
将实时混合幅度谱输入振动信号分离模型的第一输入层;
使用下采样模块对实时混合幅度谱进行下采样和特征提取,得到实时混合幅度谱特征;
使用上采样模块对实时混合幅度谱特征进行重构和上采样,得到若干实时分离振动信号的掩蔽矩阵;
将实时混合幅度谱和若干分离振动信号的掩蔽矩阵进行点乘运算,得到若干实时分离振动信号的实时分离幅度谱,并使用第一输出层输出若干实时分离幅度谱;
使用ISFTF算法,对实时混合相位谱和若干实时分离幅度谱进行振动信号重建,得到若干实时分离振动信号。
7.根据权利要求5所述的一种基于深度学习的车辆状态监测方法,其特征在于:使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断,得到对应的部件故障诊断结果,包括如下步骤:
将实时分离振动信号输入部件故障诊断模型的第二输入层;
使用信号特征提取模块对实时分离振动信号进行特征提取,得到对应的短时平均能量、谱平度以及频谱峰值频率;
根据实时分离振动信号的短时平均能量、谱平度以及频谱峰值频率,使用分类模块进行分类,得到对应的指定部件分类标签和部件故障预测值;
整合指定部件分类标签和对应的部件故障预测值,得到部件故障诊断结果;
遍历所有实时分离振动信号,得到对应的若干部件故障诊断结果。
8.根据权利要求7所述的一种基于深度学习的车辆状态监测方法,其特征在于:根据所有部件故障诊断结果,生成车辆状态分析结果,包括如下步骤:
根据车辆的指定部件的预设的权重系数和对应的部件故障诊断结果,得到指定部件的车辆状态分析值;
整合车辆的所有指定部件的车辆状态分析值,得到对应的车辆状态分析总值,并将车辆状态分析总值作为车辆状态分析结果。
9.一种基于深度学习的车辆状态监测系统,用于实现如权利要求1-8任一所述的车辆状态监测方法,其特征在于:所述的系统包括通信连接的云计算中心、若干物联网关以及若干车辆状态监测装置,若干所述的车辆状态监测装置一一对应的设置于被监测车辆处,且车辆状态监测装置分别与对应的被监测车辆的控制系统和通信范围内的至少一个物联网关通信连接;
云计算中心,用于构建过完备原子库,以及基于深度学习算法的振动信号分离模型和部件故障诊断模型;接收物联网关发送的车辆的实时运行振动信号,使用过完备原子库,对实时运行振动信号进行去噪,得到去噪后实时运行振动信号;使用振动信号分离模型,对去噪后实时运行振动信号进行振动信号分离,得到若干实时分离振动信号;使用部件故障诊断模型,对若干实时分离振动信号进行部件故障诊断,得到对应的部件故障诊断结果;根据所有部件故障诊断结果,生成车辆状态分析结果;将车辆状态分析结果返回至对应的物联网关;
物联网关,用于接收通信范围内的车辆状态监测装置发送的车辆的实时运行振动信号,并将实时运行振动信号发送至云计算中心;接收云计算中心返回的车辆状态分析结果,并将车辆状态分析结果返回至对应的车辆状态监测装置;
车辆状态监测装置,用于采集车辆的实时运行振动信号,并将实时运行振动信号发送至通信范围内的至少一个物联网关;接收物联网关返回的车辆状态分析结果,并将车辆状态分析结果在被监测车辆的控制系统进行可视化。
10.根据权利要求9所述的一种基于深度学习的车辆状态监测系统,其特征在于:所述的云计算中心包括依次连接的过完备原子库构建单元、振动信号分离模型构建单元、部件故障诊断模型构建单元、过完备原子库去噪单元、振动信号分离单元、部件故障诊断单元以及车辆状态分析单元,所述的过完备原子库去噪单元和车辆状态分析单元均与物联网关通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278687.0A CN117302236B (zh) | 2023-09-27 | 2023-09-27 | 一种基于深度学习的车辆状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278687.0A CN117302236B (zh) | 2023-09-27 | 2023-09-27 | 一种基于深度学习的车辆状态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117302236A true CN117302236A (zh) | 2023-12-29 |
CN117302236B CN117302236B (zh) | 2024-03-26 |
Family
ID=89296799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311278687.0A Active CN117302236B (zh) | 2023-09-27 | 2023-09-27 | 一种基于深度学习的车辆状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117302236B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728135A (zh) * | 2013-12-16 | 2014-04-16 | 西安交通大学 | 一种非负矩阵分解的轴承故障特征提取和诊断方法 |
CN112326264A (zh) * | 2020-10-30 | 2021-02-05 | 江苏徐工工程机械研究院有限公司 | 一种远程操控工程车辆的运行状态监测及故障诊断系统、方法 |
US20210110313A1 (en) * | 2019-09-18 | 2021-04-15 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US20210141995A1 (en) * | 2019-11-13 | 2021-05-13 | Salesforce.Com, Inc. | Systems and methods of data augmentation for pre-trained embeddings |
KR102389553B1 (ko) * | 2021-02-04 | 2022-04-27 | 휴텍 주식회사 | 복합센서를 이용한 자동차의 고장 진단 장치 및 방법 |
CN114620056A (zh) * | 2022-03-25 | 2022-06-14 | 芜湖雄狮汽车科技有限公司 | 车辆传感器故障诊断方法、装置、车辆及存储介质 |
US20220358752A1 (en) * | 2020-07-23 | 2022-11-10 | Urbanbase, Inc. | Apparatus and method for developing space analysis model based on data augmentation |
US20220406106A1 (en) * | 2021-06-17 | 2022-12-22 | GM Global Technology Operations LLC | Automated deep learning based on customer driven noise diagnostic assist |
WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
CN116541800A (zh) * | 2023-07-06 | 2023-08-04 | 利维智能(深圳)有限公司 | 基于振动和声音数据的融合诊断方法、系统、设备及介质 |
-
2023
- 2023-09-27 CN CN202311278687.0A patent/CN117302236B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728135A (zh) * | 2013-12-16 | 2014-04-16 | 西安交通大学 | 一种非负矩阵分解的轴承故障特征提取和诊断方法 |
US20210110313A1 (en) * | 2019-09-18 | 2021-04-15 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US20210141995A1 (en) * | 2019-11-13 | 2021-05-13 | Salesforce.Com, Inc. | Systems and methods of data augmentation for pre-trained embeddings |
US20220358752A1 (en) * | 2020-07-23 | 2022-11-10 | Urbanbase, Inc. | Apparatus and method for developing space analysis model based on data augmentation |
CN112326264A (zh) * | 2020-10-30 | 2021-02-05 | 江苏徐工工程机械研究院有限公司 | 一种远程操控工程车辆的运行状态监测及故障诊断系统、方法 |
KR102389553B1 (ko) * | 2021-02-04 | 2022-04-27 | 휴텍 주식회사 | 복합센서를 이용한 자동차의 고장 진단 장치 및 방법 |
US20220406106A1 (en) * | 2021-06-17 | 2022-12-22 | GM Global Technology Operations LLC | Automated deep learning based on customer driven noise diagnostic assist |
WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
CN114620056A (zh) * | 2022-03-25 | 2022-06-14 | 芜湖雄狮汽车科技有限公司 | 车辆传感器故障诊断方法、装置、车辆及存储介质 |
CN116541800A (zh) * | 2023-07-06 | 2023-08-04 | 利维智能(深圳)有限公司 | 基于振动和声音数据的融合诊断方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
孙晓涛;高军伟;毛云龙;张彬;董宏辉;: "基于小波包变换与神经网络的滚动轴承故障诊断", 工业控制计算机, no. 08, 25 August 2017 (2017-08-25), pages 115 * |
Also Published As
Publication number | Publication date |
---|---|
CN117302236B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Razavi-Far et al. | Information fusion and semi-supervised deep learning scheme for diagnosing gear faults in induction machine systems | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN108445868B (zh) | 一种基于现代信号处理技术的汽车智能故障诊断系统及方法 | |
Sun et al. | Convolutional discriminative feature learning for induction motor fault diagnosis | |
CN110161343B (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN106124212B (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
CN113255078A (zh) | 一种样本不均衡条件下的轴承故障检测方法及装置 | |
CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN107449603A (zh) | 基于支持向量机的风机故障诊断方法 | |
CN113188807B (zh) | 一种abs结果自动判定算法 | |
CN113639993B (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
CN114057053B (zh) | 用于特种机械的部件疲劳程度监测方法 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN113780412A (zh) | 故障诊断模型训练方法、系统及其诊断方法、系统 | |
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 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN102452403B (zh) | 机车发动机与传动机构异常状态的智能识别方法及装置 | |
CN113257249A (zh) | 一种基于声纹识别的电力设备故障诊断方法、装置和设备 | |
Zhang et al. | Feature engineering and artificial intelligence-supported approaches used for electric powertrain fault diagnosis: A review | |
Cao et al. | Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern | |
CN117302236B (zh) | 一种基于深度学习的车辆状态监测方法及系统 | |
CN112116029A (zh) | 一种多尺度结构与特征融合的齿轮箱智能故障诊断方法 | |
Wang et al. | A multiscale convolution neural network for bearing fault diagnosis based on frequency division denoising under complex noise conditions | |
Chen et al. | Data fusion of wireless sensor network for prognosis and diagnosis of mechanical systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |