CN117520993A - 电驱动桥试验系统及其方法 - Google Patents
电驱动桥试验系统及其方法 Download PDFInfo
- Publication number
- CN117520993A CN117520993A CN202311851680.3A CN202311851680A CN117520993A CN 117520993 A CN117520993 A CN 117520993A CN 202311851680 A CN202311851680 A CN 202311851680A CN 117520993 A CN117520993 A CN 117520993A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- torque
- electric drive
- drive axle
- 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.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 200
- 230000004927 fusion Effects 0.000 claims abstract description 78
- 230000036541 health Effects 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 230000003862 health status Effects 0.000 claims description 8
- 238000010998 test method Methods 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 238000011176 pooling Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
公开了一种电驱动桥试验系统及其方法。其首先将多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后进行时序协同关联分析以得到转速‑扭矩时序关联特征向量，然后，将多个预定时间点的电流值按照时间维度排列为电流时序输入向量后通过基于深度神经网络模型的电流时序特征提取器以得到电流时序特征向量，接着，融合所述电流时序特征向量和所述转速‑扭矩时序关联特征向量以得到电驱动桥多模态时序融合特征，最后，基于所述电驱动桥多模态时序融合特征，确定电驱动桥的健康状态等级标签。这样，可以帮助工程师及时发现和诊断试验系统的异常状态。
Description
技术领域
本申请涉及桥梁试验领域，且更为具体地，涉及一种电驱动桥试验系统及其方法。
背景技术
电驱动桥试验系统是一种重要的桥梁试验设备，它可以模拟桥梁在不同的工况下受到的力和变形，从而评估桥梁的性能和安全性。然而，电驱动桥试验系统在运行过程中也会受到各种因素的影响，如电机老化、传动装置磨损、控制器故障等，这些因素会导致试验系统的性能下降或出现异常，进而影响试验结果的准确性和可靠性。因此，对电驱动桥试验系统进行过程监控与故障预判是非常必要的，它可以及时发现和诊断试验系统的异常状态，提高试验效率和质量，降低试验成本和风险。然而，由于电驱动桥的结构复杂、工作环境恶劣、故障模式多样，传统的基于模型或者规则的故障诊断方法往往难以适应实际应用的需求。
因此，期望一种优化的电驱动桥试验系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电驱动桥试验系统及其方法，其可以帮助工程师及时发现和诊断试验系统的异常状态，并及时进行维修或更换电驱动桥，从而避免故障的发生。
根据本申请的一个方面，提供了一种电驱动桥试验系统，其包括：
电驱动桥数据采集模块，用于获取由传感组采集的所述电驱动桥试验系统的电驱动桥在预定时间段内多个预定时间点的转速值、扭矩值和电流值；
转速-扭矩时序协同分析模块，用于将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行时序协同关联分析以得到转速-扭矩时序关联特征向量；
电流时序特征提取模块，用于将所述多个预定时间点的电流值按照时间维度排列为电流时序输入向量后通过基于深度神经网络模型的电流时序特征提取器以得到电流时序特征向量；
电驱动桥多模态时序特征融合模块，用于融合所述电流时序特征向量和所述转速-扭矩时序关联特征向量以得到电驱动桥多模态时序融合特征；以及
电驱动桥健康状态检测模块，用于基于所述电驱动桥多模态时序融合特征，确定电驱动桥的健康状态等级标签。
根据本申请的另一个方面，提供了一种电驱动桥试验方法，其包括：
获取由传感组采集的所述电驱动桥试验系统的电驱动桥在预定时间段内多个预定时间点的转速值、扭矩值和电流值；
将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行时序协同关联分析以得到转速-扭矩时序关联特征向量；
将所述多个预定时间点的电流值按照时间维度排列为电流时序输入向量后通过基于深度神经网络模型的电流时序特征提取器以得到电流时序特征向量；
融合所述电流时序特征向量和所述转速-扭矩时序关联特征向量以得到电驱动桥多模态时序融合特征；以及
基于所述电驱动桥多模态时序融合特征，确定电驱动桥的健康状态等级标签。
与现有技术相比，本申请提供的电驱动桥试验系统及其方法，其首先将多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后进行时序协同关联分析以得到转速-扭矩时序关联特征向量，然后，将多个预定时间点的电流值按照时间维度排列为电流时序输入向量后通过基于深度神经网络模型的电流时序特征提取器以得到电流时序特征向量，接着，融合所述电流时序特征向量和所述转速-扭矩时序关联特征向量以得到电驱动桥多模态时序融合特征，最后，基于所述电驱动桥多模态时序融合特征，确定电驱动桥的健康状态等级标签。这样，可以帮助工程师及时发现和诊断试验系统的异常状态。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的电驱动桥试验系统的框图示意图。
图2为根据本申请实施例的电驱动桥试验方法的流程图。
图3为根据本申请实施例的电驱动桥试验方法的系统架构的示意图。
图4为根据本申请实施例的电驱动桥试验系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，本申请的技术构思为通过传感组实时监测采集电驱动桥试验系统的电驱动桥的转速值、扭矩值和电流值，并在后端引入数据处理和分析算法来进行这些电驱动桥数据的时序协同分析，以此来判断电驱动桥的健康状态等级，通过这样的方式，有助于识别和预测电驱动桥的轴承故障、齿轮故障、电机故障等故障类型。这样，可以帮助工程师及时发现和诊断试验系统的异常状态，并及时进行维修或更换电驱动桥，从而避免故障的发生。
图1为根据本申请实施例的电驱动桥试验系统的框图示意图。如图1所示，根据本申请实施例的电驱动桥试验系统100，包括：电驱动桥数据采集模块110，用于获取由传感组采集的所述电驱动桥试验系统的电驱动桥在预定时间段内多个预定时间点的转速值、扭矩值和电流值；转速-扭矩时序协同分析模块120，用于将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行时序协同关联分析以得到转速-扭矩时序关联特征向量；电流时序特征提取模块130，用于将所述多个预定时间点的电流值按照时间维度排列为电流时序输入向量后通过基于深度神经网络模型的电流时序特征提取器以得到电流时序特征向量；电驱动桥多模态时序特征融合模块140，用于融合所述电流时序特征向量和所述转速-扭矩时序关联特征向量以得到电驱动桥多模态时序融合特征；以及，电驱动桥健康状态检测模块150，用于基于所述电驱动桥多模态时序融合特征，确定电驱动桥的健康状态等级标签。
应可以理解，电驱动桥试验系统包括：电驱动桥数据采集模块110、转速-扭矩时序协同分析模块120、电流时序特征提取模块130、电驱动桥多模态时序特征融合模块140和电驱动桥健康状态检测模块150。这些模块的功能分别是数据采集、时序协同分析、电流特征提取、时序特征融合和健康状态检测，它们协同工作，通过采集数据、分析特征和检测健康状态，提供对电驱动桥的全面评估和监测。
具体地，在本申请的技术方案中，首先，获取由传感组采集的所述电驱动桥试验系统的电驱动桥在预定时间段内多个预定时间点的转速值、扭矩值和电流值。应可以理解，在电驱动桥试验系统中，转速和扭矩是两个重要的参数，它们在不同的时间点上的变化可以反映电驱动桥的工作状态和性能。并且，考虑到由于所述电驱动桥的转速值和扭矩值在时间维度上不仅都具有着各自的动态变化规律，而且转速和扭矩之间还存在着时序的协同关联关系。这是由于转速和扭矩在电驱动桥的工作过程中通常是相互影响的。例如，转速的变化会导致扭矩的变化，而扭矩的变化也会影响到转速的变化。因此，为了能够建立电驱动桥的转速和扭矩之间的关联关系，以更准确地预测电驱动桥的健康状态等级标签，在本申请的技术方案中，进一步将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行关联编码以得到转速-扭矩时序关联矩阵。
然后，将所述转速-扭矩时序关联矩阵通过基于卷积神经网络模型的转速-扭矩时序关联特征提取器中进行特征挖掘，以提取出所述转速值和所述扭矩值在时间维度上的时序协同关联特征信息，从而得到转速-扭矩时序关联特征向量。
相应地，所述转速-扭矩时序协同分析模块120，包括：转速-扭矩时序关联编码单元，用于将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行关联编码以得到转速-扭矩时序关联矩阵；以及，转速-扭矩时序关联特征提取单元，用于将所述转速-扭矩时序关联矩阵通过基于卷积神经网络模型的转速-扭矩时序关联特征提取器以得到所述转速-扭矩时序关联特征向量。
应可以理解，在转速-扭矩时序协同分析模块120中，有两个主要单元。转速-扭矩时序关联编码单元的功能是将多个预定时间点的转速值和扭矩值按照时间维度排列为转速时序输入向量和扭矩时序输入向量，然后，对转速时序输入向量和扭矩时序输入向量进行关联编码，生成转速-扭矩时序关联矩阵，这个关联矩阵可以描述转速和扭矩之间的时序关系。转速-扭矩时序关联特征提取单元的功能是将转速-扭矩时序关联矩阵通过基于卷积神经网络模型的转速-扭矩时序关联特征提取器进行处理，以得到转速-扭矩时序关联特征向量，这个特征向量可以捕捉到转速和扭矩之间的关联特征，用于后续的分析和判断。转速-扭矩时序关联编码单元的作用是将转速和扭矩的时序数据进行编码，以便更好地表示它们之间的关系。转速-扭矩时序关联特征提取单元则利用卷积神经网络模型从关联矩阵中提取出关键特征，这些特征可以用于进一步的分析和判断，例如判断电驱动桥的健康状态。这两个单元共同工作，为转速和扭矩的时序数据提供了更深入的分析和理解。
值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，特别适用于处理具有网格结构的数据。卷积神经网络的核心思想是通过卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Fully Connected Layer）构成的层级结构。这些层级结构可以自动从原始数据中学习到特征。在卷积层中，卷积操作可以提取图像的局部特征，通过对输入数据与一组可学习的卷积核进行卷积运算来实现。卷积操作可以有效地减少参数数量，同时保留了特征的空间结构。池化层用于降低特征图的空间尺寸，减少计算量，并提取特征的空间不变性。常见的池化操作包括最大池化（MaxPooling）和平均池化（Average Pooling）。全连接层用于将卷积层和池化层提取的特征映射与输出进行连接，以进行最终的分类或预测。卷积神经网络通过多个卷积层和池化层的堆叠，逐渐提取更高级别的特征表示。这些特征表示在全连接层中进行分类或预测任务。通过反向传播算法，卷积神经网络可以自动学习适合特定任务的特征表示和模型参数。总的来说，卷积神经网络是一种适用于处理具有网格结构数据的深度学习模型，通过卷积、池化和全连接等层级结构，能够自动学习到数据中的特征。
接着，考虑到所述电流值在时间维度上也具有着时序的动态变化特征，也就是说，所述多个预定时间点的电流值之间具有着时序的关联关系。因此，在本申请的技术方案中，将所述多个预定时间点的电流值按照时间维度排列为电流时序输入向量后通过基于一维卷积层的电流时序特征提取器中进行特征挖掘，以提取出所述电流值在时间维度上的时序动态特征信息，从而得到电流时序特征向量。
其中，在所述电流时序特征提取模块130中，所述基于深度神经网络模型的电流时序特征提取器为基于一维卷积层的电流时序特征提取器。
值得一提的是，一维卷积层是卷积神经网络中的一种层级结构，用于处理具有序列结构的数据，例如时间序列数据或文本数据。与二维卷积层用于处理数据类似，一维卷积层可以有效地捕捉序列数据中的局部特征和时序关系。一维卷积层的工作原理与二维卷积层类似，都是通过对输入数据与一组可学习的卷积核进行卷积操作来提取特征。一维卷积操作在时间维度上滑动卷积核，对输入序列进行局部感知，并生成输出特征图。一维卷积层的卷积操作可以有效地捕捉到序列数据中的局部模式和时序关系。通过堆叠多个一维卷积层，网络可以逐渐提取更高级别的特征表示。一维卷积层通常与其他层级结构一起使用，例如池化层和全连接层，构建一个完整的深度神经网络模型。这样的模型可以自动学习到序列数据中的特征表示，并用于分类、回归等任务。总的来说，一维卷积层是卷积神经网络中用于处理序列数据的一种层级结构。它通过卷积操作在时间维度上提取局部特征和时序关系，为深度神经网络模型提供序列数据的特征表示能力。
进一步地，考虑到所述电流时序特征向量反映了电驱动桥试验系统中电流参数的时序变化情况，而所述转速-扭矩时序关联特征向量反映了转速和扭矩之间的时序关系和协同关联特征。这两种特征分别从不同的角度提供了关于电驱动桥的信息，它们在故障预测和分类任务中都具有重要的作用。因此，为了综合利用电驱动桥的电流和转速-扭矩之间的时序信息，提高对电驱动桥试验系统的过程监控和故障预测的准确性，在本申请的技术方案中，进一步使用基于投影层的特征融合模块对所述电流时序特征向量和所述转速-扭矩时序关联特征向量进行处理以得到多模态时序融合特征向量。应可以理解，通过基于投影层的特征融合模块，可以将电流时序特征向量和转速-扭矩时序关联特征向量中的参数时序特征映射到一个共享的特征空间中，使它们具有相同的维度和表示形式。这样，通过在共享特征空间中进行不同参数时序特征的融合能够将电流和转速-扭矩之间的信息进行整合，以提取更全面和综合的特征表示。融合后的所述多模态时序融合特征向量包含了来自电驱动桥的电流和转速-扭矩的时序关键特征，同时保留了它们之间的时序关联性，以便更好地反映电驱动桥试验系统的工作状态和性能，有助于更准确地进行故障预测和分类。
相应地，所述电驱动桥多模态时序特征融合模块140，用于：使用基于投影层的特征融合模块对所述电流时序特征向量和所述转速-扭矩时序关联特征向量进行处理以得到多模态时序融合特征向量作为所述电驱动桥多模态时序融合特征。
应可以理解，投影层（Projection Layer）是深度神经网络中的一种层级结构，用于将输入数据映射到一个更高维度的特征空间。投影层通常由全连接层组成，其中每个神经元与输入数据的每个维度相连，通过学习权重参数来实现数据的映射。在特征融合模块中，投影层被用于将电流时序特征向量和转速-扭矩时序关联特征向量映射到一个共享的特征空间中。通过学习投影层的权重参数，可以将两个不同类型的时序特征向量融合成一个多模态时序融合特征向量。投影层的作用是将不同类型的特征向量进行线性组合，以获得更丰富和综合的特征表示。这样的特征融合可以帮助提高模型对多模态数据的理解和表达能力，从而更好地应对复杂的任务需求。总的来说，投影层是深度神经网络中的一种层级结构，用于将输入数据映射到一个共享的特征空间。在电驱动桥多模态时序特征融合模块中，投影层被用于将电流时序特征向量和转速-扭矩时序关联特征向量融合成一个多模态时序融合特征向量，以提高模型对多模态数据的理解和表达能力。
具体地，所述电驱动桥多模态时序特征融合模块140，用于：以如下投影公式来对所述电流时序特征向量和所述转速-扭矩时序关联特征向量进行处理以得到所述多模态时序融合特征向量；其中，所述投影公式为：
，
其中，为所述多模态时序融合特征向量，/>为所述电流时序特征向量，/>为所述转速-扭矩时序关联特征向量，/>表示级联，/>表示向量的投影映射。
继而，再将所述多模态时序融合特征向量通过分类器以得到分类结果，所述分类结果用于表示电驱动桥的健康状态等级标签。具体地，所述分类器的分类标签为电驱动桥的健康状态等级标签，因此，在得到所述分类结果后，可以基于所述分类结果来判断电驱动桥的健康状态等级，通过这样的方式，有助于识别和预测电驱动桥的轴承故障、齿轮故障、电机故障等故障类型，从而帮助工程师及时发现和诊断试验系统的异常状态，并及时进行维修或更换电驱动桥，避免故障的发生。
相应地，所述电驱动桥健康状态检测模块150，包括：多模态时序融合特征优化单元，用于对所述多模态时序融合特征向量进行特征分布优化以得到优化多模态时序融合特征向量；以及，电驱动桥状态判断单元，用于将所述优化多模态时序融合特征向量通过分类器以得到分类结果，所述分类结果用于表示电驱动桥的健康状态等级标签。
应可以理解，电驱动桥健康状态检测模块150包括多模态时序融合特征优化单元和电驱动桥状态判断单元。多模态时序融合特征优化单元用于对多模态时序融合特征向量进行特征分布优化，其主要目的是通过对特征向量进行处理，使得特征的分布更加有利于电驱动桥健康状态的检测。这个单元可以采用各种特征优化方法，例如降维、归一化、标准化等，以提高特征的表达能力和区分度。电驱动桥状态判断单元用于将优化后的多模态时序融合特征向量通过分类器以得到分类结果。分类器可以是各种机器学习算法，例如支持向量机（SVM）、随机森林（Random Forest）、神经网络等。通过训练分类器并将优化后的特征向量输入，该单元可以判断电驱动桥的健康状态，并生成相应的状态等级标签。这样的标签可以指示电驱动桥的健康状况，例如正常、故障、严重损坏等。综合来说，多模态时序融合特征优化单元和电驱动桥状态判断单元是电驱动桥健康状态检测模块中的两个重要组成部分。前者用于对多模态时序融合特征向量进行优化，以提高特征的表达能力；后者通过分类器对优化后的特征向量进行判断，以得到电驱动桥的健康状态等级标签。这样的模块可以帮助实现对电驱动桥健康状态的准确检测和判断。
特别地，在上述技术方案中，所述电流时序特征向量和所述转速-扭矩时序关联特征向量分别表达所述电驱动桥试验系统的电驱动桥的电流值的基于一维卷积核的局部时序关联特征以及所述电驱动桥的转速值和扭矩值的样本-时间维度局部关联特征，由此，考虑到数据源域空间差异和特征编码方式差异，在使用基于投影层的特征融合模块对所述电流时序特征向量和所述转速-扭矩时序关联特征向量进行处理时，期望抑制由于源域空间差异和特征编码方式差异导致的所述电流时序特征向量和所述转速-扭矩时序关联特征向量在高维特征空间内基于与不同尺度集合变换对应的特征分布方向的高维几何变化差异，从而提升融合效果。
基于此，本申请的申请人对所述电流时序特征向量和所述转速-扭矩时序关联特征向量进一步进行融合校正，以获得校正特征向量。
相应地，在一个示例中，所述多模态时序融合特征优化单元，包括：特征校正子单元，用于对所述电流时序特征向量和所述转速-扭矩时序关联特征向量进行融合校正以获得校正特征向量；以及，融合子单元，用于将所述校正特征向量与所述多模态时序融合特征向量进行融合以得到所述优化多模态时序融合特征向量。
其中，所述融合校正子单元，进一步用于：以如下校正公式对所述电流时序特征向量和所述转速-扭矩时序关联特征向量进行融合校正以获得所述校正特征向量；其中，所述校正公式为：
，
其中，是所述电流时序特征向量，/>是所述转速-扭矩时序关联特征向量，/>、和/>分别是所述电流时序特征向量/>、所述转速-扭矩时序关联特征向量/>和所述校正特征向量的特征值，/>和/>分别是特征向量的1范数和2范数，/>是特征向量的长度，且/>是权重超参数，/>表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值。
具体地，为了在进行融合时提升特征对不同特征分布对应的空间变换的感知和认知能力，基于所述电流时序特征向量和所述转速-扭矩时序关联特征向量/>的距离结构参数来从向量尺度维度进行特征向量的特征分布在不同方向上的旋转控制，以通过相对旋转解缠来保留融合特征的旋转不变性，从而避免融合特征时在高维特征空间内的几何变换导致的特征分布的高维几何变化差异。这样，再将所述校正特征向量与所述多模态时序融合特征向量进行融合，就可以提升所述多模态时序融合特征向量的融合表达效果，从而改进其通过分类器得到分类结果的准确性。这样，能够实时监测电驱动桥的健康状态，从而帮助工程师及时发现和诊断电驱动桥试验系统的异常情况，并进行及时维修或更换电驱动桥，以避免故障的发生，确保电驱动桥试验系统的安全性和可靠性。
进一步地，所述电驱动桥状态判断单元，包括：全连接编码子单元，用于使用所述分类器的全连接层对所述优化多模态时序融合特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
综上，基于本申请实施例的电驱动桥试验系统100被阐明，其可以帮助工程师及时发现和诊断试验系统的异常状态，并及时进行维修或更换电驱动桥，从而避免故障的发生。
如上所述，根据本申请实施例的基于本申请实施例的电驱动桥试验系统100可以实现在各种终端设备中，例如具有基于本申请实施例的电驱动桥试验算法的服务器等。在一个示例中，基于本申请实施例的电驱动桥试验系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的电驱动桥试验系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的电驱动桥试验系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于本申请实施例的电驱动桥试验系统100与该终端设备也可以是分立的设备，并且该电驱动桥试验系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图2为根据本申请实施例的电驱动桥试验方法的流程图。图3为根据本申请实施例的电驱动桥试验方法的系统架构的示意图。如图2和图3所示，根据本申请实施例的电驱动桥试验方法，其包括：S110，获取由传感组采集的所述电驱动桥试验系统的电驱动桥在预定时间段内多个预定时间点的转速值、扭矩值和电流值；S120，将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行时序协同关联分析以得到转速-扭矩时序关联特征向量；S130，将所述多个预定时间点的电流值按照时间维度排列为电流时序输入向量后通过基于深度神经网络模型的电流时序特征提取器以得到电流时序特征向量；S140，融合所述电流时序特征向量和所述转速-扭矩时序关联特征向量以得到电驱动桥多模态时序融合特征；以及，S150，基于所述电驱动桥多模态时序融合特征，确定电驱动桥的健康状态等级标签。
在一个具体示例中，在上述电驱动桥试验方法中，将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行时序协同关联分析以得到转速-扭矩时序关联特征向量，包括：将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行关联编码以得到转速-扭矩时序关联矩阵；以及，将所述转速-扭矩时序关联矩阵通过基于卷积神经网络模型的转速-扭矩时序关联特征提取器以得到所述转速-扭矩时序关联特征向量。
在一个具体示例中，在上述电驱动桥试验方法中，所述基于深度神经网络模型的电流时序特征提取器为基于一维卷积层的电流时序特征提取器。
这里，本领域技术人员可以理解，上述电驱动桥试验方法中的各个步骤的具体操作已经在上面参考图1的电驱动桥试验系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
图4为根据本申请实施例的电驱动桥试验系统的应用场景图。如图4所示，在该应用场景中，首先，获取由传感组采集的所述电驱动桥试验系统的电驱动桥在预定时间段内多个预定时间点的转速值、扭矩值和电流值（例如，图4中所示意的D），然后，将所述多个预定时间点的转速值、扭矩值和电流值输入至部署有电驱动桥试验算法的服务器（例如，图4中所示意的S）中，其中，所述服务器能够使用所述电驱动桥试验算法对所述多个预定时间点的转速值、扭矩值和电流值进行处理以得到用于表示电驱动桥的健康状态等级标签的分类结果。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本申请所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本申请的说明，而不应被认为是对其的限制。尽管描述了本申请的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本申请的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本申请范围内。应当理解，上面是对本申请的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本申请由权利要求书及其等效物限定。
Claims (10)
1.一种电驱动桥试验系统，其特征在于，包括：
电驱动桥数据采集模块，用于获取由传感组采集的所述电驱动桥试验系统的电驱动桥在预定时间段内多个预定时间点的转速值、扭矩值和电流值；
转速-扭矩时序协同分析模块，用于将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行时序协同关联分析以得到转速-扭矩时序关联特征向量；
电流时序特征提取模块，用于将所述多个预定时间点的电流值按照时间维度排列为电流时序输入向量后通过基于深度神经网络模型的电流时序特征提取器以得到电流时序特征向量；
电驱动桥多模态时序特征融合模块，用于融合所述电流时序特征向量和所述转速-扭矩时序关联特征向量以得到电驱动桥多模态时序融合特征；以及
电驱动桥健康状态检测模块，用于基于所述电驱动桥多模态时序融合特征，确定电驱动桥的健康状态等级标签。
2.根据权利要求1所述的电驱动桥试验系统，其特征在于，所述转速-扭矩时序协同分析模块，包括：
转速-扭矩时序关联编码单元，用于将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行关联编码以得到转速-扭矩时序关联矩阵；以及
转速-扭矩时序关联特征提取单元，用于将所述转速-扭矩时序关联矩阵通过基于卷积神经网络模型的转速-扭矩时序关联特征提取器以得到所述转速-扭矩时序关联特征向量。
3.根据权利要求2所述的电驱动桥试验系统，其特征在于，所述基于深度神经网络模型的电流时序特征提取器为基于一维卷积层的电流时序特征提取器。
4.根据权利要求3所述的电驱动桥试验系统，其特征在于，所述电驱动桥多模态时序特征融合模块，用于：使用基于投影层的特征融合模块对所述电流时序特征向量和所述转速-扭矩时序关联特征向量进行处理以得到多模态时序融合特征向量作为所述电驱动桥多模态时序融合特征。
5.根据权利要求4所述的电驱动桥试验系统，其特征在于，所述电驱动桥多模态时序特征融合模块，用于：以如下投影公式来对所述电流时序特征向量和所述转速-扭矩时序关联特征向量进行处理以得到所述多模态时序融合特征向量；其中，所述投影公式为：
，
其中，为所述多模态时序融合特征向量，/>为所述电流时序特征向量，/>为所述转速-扭矩时序关联特征向量，/>表示级联，/>表示向量的投影映射。
6.根据权利要求5所述的电驱动桥试验系统，其特征在于，所述电驱动桥健康状态检测模块，包括：
多模态时序融合特征优化单元，用于对所述多模态时序融合特征向量进行特征分布优化以得到优化多模态时序融合特征向量；以及
电驱动桥状态判断单元，用于将所述优化多模态时序融合特征向量通过分类器以得到分类结果，所述分类结果用于表示电驱动桥的健康状态等级标签。
7.根据权利要求6所述的电驱动桥试验系统，其特征在于，所述多模态时序融合特征优化单元，包括：
特征校正子单元，用于对所述电流时序特征向量和所述转速-扭矩时序关联特征向量进行融合校正以获得校正特征向量；以及
融合子单元，用于将所述校正特征向量与所述多模态时序融合特征向量进行融合以得到所述优化多模态时序融合特征向量。
8.一种电驱动桥试验方法，其特征在于，包括：
获取由传感组采集的所述电驱动桥试验系统的电驱动桥在预定时间段内多个预定时间点的转速值、扭矩值和电流值；
将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行时序协同关联分析以得到转速-扭矩时序关联特征向量；
将所述多个预定时间点的电流值按照时间维度排列为电流时序输入向量后通过基于深度神经网络模型的电流时序特征提取器以得到电流时序特征向量；
融合所述电流时序特征向量和所述转速-扭矩时序关联特征向量以得到电驱动桥多模态时序融合特征；以及
基于所述电驱动桥多模态时序融合特征，确定电驱动桥的健康状态等级标签。
9.根据权利要求8所述的电驱动桥试验方法，其特征在于，将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行时序协同关联分析以得到转速-扭矩时序关联特征向量，包括：
将所述多个预定时间点的转速值和扭矩值分别按照时间维度排列为转速时序输入向量和扭矩时序输入向量后，对所述转速时序输入向量和所述扭矩时序输入向量进行关联编码以得到转速-扭矩时序关联矩阵；以及
将所述转速-扭矩时序关联矩阵通过基于卷积神经网络模型的转速-扭矩时序关联特征提取器以得到所述转速-扭矩时序关联特征向量。
10.根据权利要求9所述的电驱动桥试验方法，其特征在于，所述基于深度神经网络模型的电流时序特征提取器为基于一维卷积层的电流时序特征提取器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311851680.3A CN117520993B (zh) | 2023-12-29 | 2023-12-29 | 电驱动桥试验系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311851680.3A CN117520993B (zh) | 2023-12-29 | 2023-12-29 | 电驱动桥试验系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117520993A true CN117520993A (zh) | 2024-02-06 |
| CN117520993B CN117520993B (zh) | 2024-03-08 |
Family
ID=89756960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311851680.3A Active CN117520993B (zh) | 2023-12-29 | 2023-12-29 | 电驱动桥试验系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117520993B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109827769A (zh) * | 2018-12-27 | 2019-05-31 | 武汉理工大学 | 新能源汽车电驱动桥齿轮故障的预测诊断方法 |
| WO2021147943A1 (zh) * | 2020-01-21 | 2021-07-29 | 长沙智能驾驶研究院有限公司 | 一种交通工具及其控制方法和控制系统 |
| WO2023285688A1 (en) * | 2021-07-16 | 2023-01-19 | Novoic Ltd. | Method of evaluating text similarity for diagnosis or monitoring of a health condition |
| CN116627708A (zh) * | 2023-07-24 | 2023-08-22 | 湖南惟储信息技术有限公司 | 存储故障分析系统及其方法 |
| CN116864112A (zh) * | 2023-07-18 | 2023-10-10 | 湘南学院 | 用于人体芯片的用户数据智能管理系统及其方法 |
| CN116992226A (zh) * | 2023-06-16 | 2023-11-03 | 青岛西格流体技术有限公司 | 一种水泵电机故障检测方法、系统 |
| CN117009770A (zh) * | 2023-08-30 | 2023-11-07 | 安徽大学 | 一种基于SDP和视觉Transformer编码的轴承故障诊断方法 |
| CN117211973A (zh) * | 2023-10-09 | 2023-12-12 | 浙江浙能迈领环境科技有限公司 | 船舶液氨燃料供应控制系统及方法 |
-
2023
- 2023-12-29 CN CN202311851680.3A patent/CN117520993B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109827769A (zh) * | 2018-12-27 | 2019-05-31 | 武汉理工大学 | 新能源汽车电驱动桥齿轮故障的预测诊断方法 |
| WO2021147943A1 (zh) * | 2020-01-21 | 2021-07-29 | 长沙智能驾驶研究院有限公司 | 一种交通工具及其控制方法和控制系统 |
| CN113212181A (zh) * | 2020-01-21 | 2021-08-06 | 长沙智能驾驶研究院有限公司 | 车辆中多桥分布式电驱动桥的控制方法与装置 |
| WO2023285688A1 (en) * | 2021-07-16 | 2023-01-19 | Novoic Ltd. | Method of evaluating text similarity for diagnosis or monitoring of a health condition |
| CN116992226A (zh) * | 2023-06-16 | 2023-11-03 | 青岛西格流体技术有限公司 | 一种水泵电机故障检测方法、系统 |
| CN116864112A (zh) * | 2023-07-18 | 2023-10-10 | 湘南学院 | 用于人体芯片的用户数据智能管理系统及其方法 |
| CN116627708A (zh) * | 2023-07-24 | 2023-08-22 | 湖南惟储信息技术有限公司 | 存储故障分析系统及其方法 |
| CN117009770A (zh) * | 2023-08-30 | 2023-11-07 | 安徽大学 | 一种基于SDP和视觉Transformer编码的轴承故障诊断方法 |
| CN117211973A (zh) * | 2023-10-09 | 2023-12-12 | 浙江浙能迈领环境科技有限公司 | 船舶液氨燃料供应控制系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117520993B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
| WO2021042935A1 (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| CN116625438B (zh) | 燃气管网安全在线监测系统及其方法 | |
| CN112964469B (zh) | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 | |
| CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
| Li et al. | Interpretation of convolutional neural network-based building HVAC fault diagnosis model using improved layer-wise relevance propagation | |
| CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
| CN116934304B (zh) | 智能配电房设备运行维护管理系统及其方法 | |
| CN116893336B (zh) | 高低压开关设备及其方法 | |
| CN113919540B (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
| Cheng et al. | A Koopman operator approach for machinery health monitoring and prediction with noisy and low-dimensional industrial time series | |
| CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
| Alshathri et al. | Digital twin-based automated fault diagnosis in industrial IoT applications | |
| CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
| CN117951646A (zh) | 一种基于边缘云的数据融合方法及系统 | |
| Gao et al. | Semi-supervised small sample fault diagnosis under a wide range of speed variation conditions based on uncertainty analysis | |
| Liang et al. | Multi-source information joint transfer diagnosis for rolling bearing with unknown faults via wavelet transform and an improved domain adaptation network | |
| CN117856442A (zh) | 一种基于大数据的电力设备远程监测系统及方法 | |
| Zhang et al. | TSViT: A Time Series Vision Transformer for Fault Diagnosis | |
| Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
| CN117520993B (zh) | 电驱动桥试验系统及其方法 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| Liu et al. | Incremental bearing fault diagnosis method under imbalanced sample conditions | |
| CN117192416A (zh) | 基于bms系统的蓄电池监测系统及方法 | |
| Seo et al. | Gearbox Condition Monitoring and Diagnosis of Unlabeled Vibration Signals Using a Supervised Learning Classifier |
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 |