CN117760752A - 一种电液伺服主动悬架实验平台及故障诊断方法 - Google Patents
一种电液伺服主动悬架实验平台及故障诊断方法 Download PDFInfo
- Publication number
- CN117760752A CN117760752A CN202311706809.1A CN202311706809A CN117760752A CN 117760752 A CN117760752 A CN 117760752A CN 202311706809 A CN202311706809 A CN 202311706809A CN 117760752 A CN117760752 A CN 117760752A
- Authority
- CN
- China
- Prior art keywords
- fault
- hydraulic
- characteristic data
- vibration
- actual
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- 239000000725 suspension Substances 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000002474 experimental method Methods 0.000 title claims abstract description 21
- 238000006073 displacement reaction Methods 0.000 claims abstract description 25
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000006096 absorbing agent Substances 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 12
- 230000035939 shock Effects 0.000 claims description 12
- 230000009191 jumping Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- 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
- Vehicle Body Suspensions (AREA)
Abstract
本发明涉及一种电液伺服主动悬架实验平台及故障诊断方法,本发明的实验平台与真实车辆中的主动悬架装置十分接近,基于该实验平台获取的故障特征数据能够很好的代表实际故障,使得基于故障特征数据集训练得到的故障诊断模型,具有较高的实用价值;本发明的方法,结合纵向位移和侧倾角数据,以及不同液压元件的振动传感器与惯性传感器的位置关系,对获取的振动信号进行降噪处理,并对降噪处理后的振动信号进行特征提取,使得建立的故障特征数据集更加准确、更具特征性,同时根据实际故障逐步扩充故障特征数据集,使得故障诊断模型具有一定的自学习能力。
Description
技术领域
本发明涉及主动悬架故障诊断技术领域,尤其涉及一种电液伺服主动悬架实验平台及故障诊断方法。
背景技术
汽车悬挂系统是提高驾乘舒适性和操控性能的关键。主动悬挂系统能够根据路面状况自动调整悬挂硬度,从而提高乘坐舒适性和驾驶性能等。主动悬挂发生故障后,乘客可能会感受到较强烈的颠簸和震动,同时车辆在高速行驶或过弯时的稳定性和操控性能会受到影响,可能导致车辆稳定性变差,甚至出现失控的风险。除此之外,主动悬挂系统故障可能会导致车辆在行驶过程中出现异常,如悬挂部件损坏、车身倾斜等,从而影响行驶安全性,在极端情况下,甚至可能发生交通事故。因此,对车辆主动悬架进行故障诊断具有十分重要的意义。
主动悬架故障诊断的重要性在于,它能够及时发现并解决悬架系统的问题,确保车辆的行驶安全和舒适性。主动悬架系统对操纵性和平顺性具有显著影响,其故障会导致车辆在行驶过程中出现不稳定、振动加剧等问题,严重影响驾驶品质。然而现有主动悬架故障诊断方法主要包括以下缺陷:
1、主动悬架的实验平台与真实车辆具有较大差异,导致获取的实验数据与实际工况数据差别较大,最终使得训练的故障诊断模型的诊断正确率低,无法应用于实际。
2、现有的方法没有考虑车辆在运动过程中,车身自身运动对采集的故障数据的影响,即获得的振动信号具有较强的噪声干扰,并缺乏相关的降噪处理手段。
因此为解决上述问题急需一种电液伺服主动悬架实验平台及故障诊断方法。
发明内容
针对上述问题,本发明的目的在于提供一种电液伺服主动悬架实验平台及故障诊断方法,实验平台很好的再现了真实车辆中的主动悬架装置,获取的实验数据与实际工况数据非常接近,同时结合纵向位移和侧倾角数据,以及不同液压元件的振动传感器与惯性传感器的位置关系,对获取的振动信号进行降噪处理,并对降噪处理后的振动信号进行特征提取,使得建立的故障特征数据集更加准确、更具特征性。
本发明采用的技术方案如下:
一种电液伺服主动悬架实验平台,包括主要由底板和立柱组成的龙门架,龙门架的底板上由下到上依次设置有输入信号作动器、车轮悬挂装置、簧载质量块、惯性传感器,车轮悬挂装置上设置有电液伺服作动器,龙门架上方配备有用于增加簧载质量块重量的配重块,龙门架一侧设置有电脑;
车轮悬挂装置包括车轮、减震器、液压缸、缸体振动传感器,车轮上方设置有减震器,减震器后方设置有液压缸,液压缸上设置有缸体振动传感器,所述簧载质量块设置在减震器和液压缸之上;
电液伺服作动器包括油箱、液压泵、阀体振动传感器、伺服阀、泵体振动传感器,油箱下方联通有液压泵,油箱分别与两侧的液压缸形成进油和回油各两个回路,进油的回路上依次设置有液压泵和伺服阀,液压泵上设置有泵体振动传感器,伺服阀上设置有阀体振动传感器;
本发明的进一步改进在于:龙门架包括底板、立柱、牵引电机、牵引绳索,底板上方四周设置有立柱,立柱上方设置有牵引电机,牵引电机下方设置有牵引绳索,龙门架上方通过设置在立柱上的锁紧卡扣固定有配重块,配重块包括配重主体、固定柱、吊耳,配重主体前端和后端设置有固定柱,配重主体两侧设置有用于与牵引绳索配合实现吊装的吊耳。
本发明的进一步改进在于:通过增减配重块的数量来调整簧载质量块的质量;簧载质量块的前端和后端设置有固定柱,固定柱为半圆形柱体,簧载质量块和配重块之间、配重块与配重块之间的半圆形固定柱配合形成圆形柱体,并通过紧固环固定;配重块不使用时,牵引绳索勾住两侧吊耳,并由牵引电机带动配重块上升至设定区域后,通过锁紧卡扣将配重块固定在设定区域。
本发明的进一步改进在于:两个车轮下方的输入信号作动器分别独立控制,通过输入信号作动器带动车轮上下作动,模拟实际路面信号输入。
本发明故障诊断方法的进一步改进在于:包括以下步骤:
S1:输入信号作动器向车轮悬挂装置输入作动信号;
S2:根据控制方案调控电液伺服作动器;
S3:惯性传感器监测簧载质量块的纵向位移和侧倾角,记录纵向位移和侧倾角数据,形成纵向位移和侧倾角随时间变化的曲线,其中数据记录的时间间隔为T;
S4:阀体振动传感器、缸体振动传感器、泵体振动传感器分别检测作动状态下伺服阀、液压缸、液压泵的振动信号,并将振动信号根据液压元件的不同分别记录,其中振动信号记录的时间间隔为T,并与纵向位移和侧倾角的起止记录时刻一致;
S5:结合获取的纵向位移和侧倾角数据,以及不同液压元件的振动传感器与惯性传感器的位置关系,对获取的振动信号进行降噪处理;
S6:对降噪后的振动信号,分别在时域和频域上进行分析,进而提取振动信号的特征数据;
S7:根据不同液压元件以及该液压元件对应的故障形式,分别构建故障特征数据集;
S8:判断不同液压元件的故障特征数据量是否满足实际故障诊断需求;当故障特征数据量不能满足时,更改输入的作动信号形式或在簧载质量块上增加配重块或重复实验多次获取同工况下的故障特征数据,跳转至S1,继续收集不同液压元件的故障特征数据;当故障特征数据量满足时,继续下一步;
S9:判断不同液压元件中不同故障形式下的振动信号是否均被记录,并构建故障特征数据集;有液压元件存在设置的故障形式未被记录时,在实验平台中对应更换同型号并存在该故障形式的液压元件,跳转至S1,从而构建该故障形式的特征数据集;反之,进入下一步;
S10:将不同液压元件故障特征数据集分别导入深度学习模型训练,得到不同液压元件的故障诊断模型;
实际进行故障诊断时,在T时间间隔内,监测车身的纵向位移和侧倾角以及液压元件的实际振动信号,对实际振动信号进行步骤S5、S6的等同处理,并将处理后的实际振动信号输入相应液压元件的故障诊断模型,判断实际液压元件是否存在故障,进而完成主动悬架的故障诊断。
本发明故障诊断方法的进一步改进在于:步骤S5中振动信号的降噪处理方法如下:
设获取的纵向位移数据由函数D(t)表示,其中初始位置为零向上为正,侧倾角数据由函数表示,其中初始位置为零顺时针为正;设某液压元件振动传感器和惯性传感器之间的直线距离为l、水平夹角为θ,该振动传感器监测的振动信号为L(t),则该振动传感器受簧载质量块影响产生的振动信号可以近似为/>
可得降噪后的振动信号为 其中/>为L(t),D(t),/>相位误差修正项。
本发明故障诊断方法的进一步改进在于:步骤S6中振动信号故障特征数据的提取方法如下所示:
将降噪后的振动信号分别变换至时域和频域上,在时域上突出显示具有周期性重复出现的信号数据,在频域上过滤掉高频低幅值信号数据,将处理后的信号数据,转换成步骤S10中深度学习模型所需的数据类型,进而实现故障特征数据的提取;
当振动传感器和惯性传感器具有较高的采样频率和采样精度,同时所有液压元件的故障振动信号均可大量获取,则步骤S6可以省略,但步骤S10中深度学习模型应选用具有较强特征提取能力的模型。
本发明故障诊断方法的进一步改进在于:步骤S7中构建的故障特征数据集,其第一层标签为液压元件名称,第二层标签为该液压元件对应的故障形式,在故障诊断模型实际诊断时,需同时输出两层标签。
本发明故障诊断方法的进一步改进在于:步骤S9中不同液压元件中不同故障形式,根据实际工况下液压元件需要检测的故障进行设置。
本发明故障诊断方法的进一步改进在于:故障特征数据集根据实际故障逐步扩充,故障诊断模型具有一定的自学习能力,当实际故障与故障诊断模型的诊断结果一致时,将步骤S5、S6等同处理后的实际振动信号,添加至对应的故障特征数据集;当实际故障与诊断结果不一致时,将步骤S5、S6等同处理后的实际振动信号,添加至与实际故障对应的故障特征数据集中。
本发明与现有技术相比具有以下有益效果:
1、本发明的实验平台与真实车辆中的主动悬架装置十分接近,基于该实验平台获取的故障特征数据能够很好的代表实际故障,使得基于故障特征数据集训练得到的故障诊断模型,能够应用于实际车辆主动悬挂的故障诊断,具有较高的实用价值。
2、本发明的方法考虑了车辆在运动过程中,车身自身运动对采集的故障数据的影响,同时结合纵向位移和侧倾角数据,以及不同液压元件的振动传感器与惯性传感器的位置关系,对获取的振动信号进行降噪处理,并对降噪处理后的振动信号进行特征提取,使得建立的故障特征数据集更加准确、更具特征性,同时根据实际故障逐步扩充故障特征数据集,使得故障诊断模型具有一定的自学习能力。
附图说明
图1是本发明装置的整体结构示意图;
图2是本发明装置的主视图;
图3是本发明装置中车轮悬挂装置的结构示意图;
图4是图1中部分装置的结构示意图;
图5是本发明方法的操作流程示意图。
其中,附图标记:1-龙门架;101-底板;102-立柱;103-牵引电机;104-牵引绳索;2-输入信号作动器;3-车轮悬挂装置;301-车轮;302-减震器;303-液压缸;304-缸体振动传感器;4-电液伺服作动器;401-油箱;402-液压泵;403-阀体振动传感器;404-伺服阀;405-泵体振动传感器;5-簧载质量块;6-惯性传感器;7-锁紧卡扣;8-配重块;801-配重主体;802-固定柱;803-吊耳;9-电脑。
具体实施方式
为了更清楚地说明本发明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做以简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
需要说明的是,在本发明的描述中,术语“上”、“下”、“顶部”、“底部”、“一侧”、“另一侧”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指装置或元件必须具有特定的方位、以特定的方位构造和操作。
参见附图1至4,给出了本发明所提出的一种电液伺服主动悬架实验平台的一个实施例的具体结构,其包括,龙门架、输入信号作动器、车轮悬挂装置、电液伺服作动器、簧载质量块、惯性传感器、锁紧卡扣、配重块、电脑,龙门架上方设置有输入信号作动器,输入信号作动器上方设置有车轮悬挂装置,车轮悬挂装置设置有电液伺服作动器,电液伺服作动器上方设置有簧载质量块,簧载质量块上方设置有惯性传感器,惯性传感器上方设置有锁紧卡扣,锁紧卡扣上方设置有配重块,龙门架一侧设置有电脑;
龙门架包括底板、立柱、牵引电机、牵引绳索,底板上方设置有立柱,立柱上方设置有牵引电机,牵引电机下方设置有牵引绳索;
车轮悬挂装置包括车轮、减震器、液压缸、缸体振动传感器,车轮上方设置有减震器,减震器后方设置有液压缸,液压缸上方设置有缸体振动传感器;
电液伺服作动器包括油箱、液压泵、阀体振动传感器、伺服阀、泵体振动传感器,油箱下方设置有液压泵,液压泵前端设置有泵体振动传感器,液压泵两侧设置有伺服阀、伺服阀前端设置有阀体振动传感器;
配重块包括配重主体、固定柱、吊耳,配重主体前端后端设置有固定柱,配重主体两侧设置有吊耳。
通过增减配重块的数量来调整簧载质量块的质量;簧载质量块的前端和后端同样设置有固定柱,固定柱为半圆形柱体,簧载质量块和配重块之间、配重块与配重块之间的半圆形固定柱配合形成圆形柱体,并通过紧固环固定;配重块不使用时,牵引绳索勾住两侧吊耳,并由牵引电机带动配重块上升至设定区域后,通过锁紧卡扣将配重块固定在设定区域。
两个车轮下方的输入信号作动器分别独立控制,通过输入信号作动器带动车轮上下作动,模拟实际路面信号输入。
参见附图5所示,给出了一种电液伺服主动悬架故障诊断方法,其包括以下步骤:
S1:输入信号作动器向车轮悬挂装置输入作动信号;
S2:根据控制方案调控电液伺服作动器;
S3:惯性传感器监测簧载质量块的纵向位移和侧倾角,记录纵向位移和侧倾角数据,形成纵向位移和侧倾角随时间变化的曲线,其中数据记录的时间间隔为T;
S4:阀体振动传感器、缸体振动传感器、泵体振动传感器分别检测作动状态下伺服阀、液压缸、液压泵的振动信号,并将振动信号根据液压元件的不同分别记录,其中振动信号记录的时间间隔为T,并与纵向位移和侧倾角的起止记录时刻一致;
S5:结合获取的纵向位移和侧倾角数据,以及不同液压元件的振动传感器与惯性传感器的位置关系,对获取的振动信号进行降噪处理;
S6:对降噪后的振动信号,分别在时域和频域上进行分析,进而提取振动信号的特征数据;
S7:根据不同液压元件以及该液压元件对应的故障形式,分别构建故障特征数据集;
S8:判断不同液压元件的故障特征数据量是否满足实际故障诊断需求;当故障特征数据量不能满足时,更改输入的作动信号形式或在簧载质量块上增加配重块或重复实验多次获取同工况下的故障特征数据,跳转至S1,继续收集不同液压元件的故障特征数据;当故障特征数据量满足时,继续下一步;
S9:判断不同液压元件中不同故障形式下的振动信号是否均被记录,并构建故障特征数据集;有液压元件存在设置的故障形式未被记录时,在实验平台中对应更换同型号并存在该故障形式的液压元件,跳转至S1,从而构建该故障形式的特征数据集;反之,进入下一步;
S10:将不同液压元件故障特征数据集分别导入深度学习模型训练,得到不同液压元件的故障诊断模型;
例如,基于深度置信网络(DBN)的故障诊断模型,首先将S7中故障特征数据集划分为训练集和测试集;然后建立一个多隐含层的DBN模型,根据故障样本维数确定DBN模型的输入节点数,使用训练集对DBN模型进行无监督训练;之后根据故障类别确定DBN模型的输出层节点数,使用BP算法对DBN模型的权重和阈值进行反向微调,再利用测试集对训练好的DBN模型进行测试,根据模型的测试结果进行反复迭代,最后利用训练完成的模型对实际数据进行故障诊断。
实际进行故障诊断时,在T时间间隔内,监测车身的纵向位移和侧倾角以及液压元件的实际振动信号,对实际振动信号进行步骤S5、S6的等同处理,并将处理后的实际振动信号输入相应液压元件的故障诊断模型,判断实际液压元件是否存在故障,进而完成主动悬架的故障诊断。
步骤S5中振动信号的降噪处理方法如下:
设获取的纵向位移数据由函数D(t)表示,其中初始位置为零向上为正,侧倾角数据由函数表示,其中初始位置为零顺时针为正;设某液压元件振动传感器和惯性传感器之间的直线距离为l、水平夹角为θ,该振动传感器监测的振动信号为L(t),则该振动传感器受簧载质量块影响产生的振动信号可以近似为/>
可得降噪后的振动信号为 其中/>为L(t),D(t),/>相位误差修正项。
步骤S6中振动信号故障特征数据的提取方法如下所示:
将降噪后的振动信号分别变换至时域和频域上,在时域上突出显示具有周期性重复出现的信号数据,在频域上过滤掉高频低幅值信号数据,将处理后的信号数据,转换成步骤S10中深度学习模型所需的数据类型,进而实现故障特征数据的提取;
当振动传感器和惯性传感器具有较高的采样频率和采样精度,同时所有液压元件的故障振动信号均可大量获取,则步骤S6可以省略,但步骤S10中深度学习模型应选用具有较强特征提取能力的模型;可以考虑的模型算法有卷积神经网络(CNN)、递归神经网络(RNN)等;首先将步骤S7中构建的故障特征数据集根据选用的深度学习模型进行数据格式转换,使其符合相应深度学习模型的输入数据格式,然后将转换后的故障特征数据集分为训练集和测试集,并将训练集输入至相应深度学习模型,进行特征提取与模式识别,进而得到相应的故障诊断模型,同时采用测试集测试故障诊断模型,根据模型的测试结果进行反复迭代,最后利用训练完成的模型对实际数据进行故障诊断。
步骤S7中构建的故障特征数据集,其第一层标签为液压元件名称,第二层标签为该液压元件对应的故障形式,在故障诊断模型实际诊断时,需同时输出两层标签。
步骤S9中不同液压元件中不同故障形式,根据实际工况下液压元件需要检测的故障进行设置。
故障特征数据集根据实际故障逐步扩充,故障诊断模型具有一定的自学习能力,当实际故障与故障诊断模型的诊断结果一致时,将步骤S5、S6等同处理后的实际振动信号,添加至对应的故障特征数据集;当实际故障与诊断结果不一致时,将步骤S5、S6等同处理后的实际振动信号,添加至与实际故障对应的故障特征数据集中。
本发明一种电液伺服主动悬架实验平台及故障诊断方法与现有技术中装置的不同之处在于:本发明的实验平台与真实车辆中的主动悬架装置十分接近,基于该实验平台获取的故障特征数据能够很好的代表实际故障,使得基于故障特征数据集训练得到的故障诊断模型,能够应用于实际车辆主动悬挂的故障诊断,具有较高的实用价值。
本发明一种电液伺服主动悬架实验平台及故障诊断方法与现有技术中装置的不同之处在于:本发明的方法考虑了车辆在运动过程中,车身自身运动对采集的故障数据的影响,同时结合纵向位移和侧倾角数据,以及不同液压元件的振动传感器与惯性传感器的位置关系,对获取的振动信号进行降噪处理,并对降噪处理后的振动信号进行特征提取,使得建立的故障特征数据集更加准确、更具特征性,同时根据实际故障逐步扩充故障特征数据集,使得故障诊断模型具有一定的自学习能力。
本以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种电液伺服主动悬架实验平台,其特征在于:包括主要由底板(101)和立柱(102)组成的龙门架(1),龙门架(1)的底板(101)上由下到上依次设置有输入信号作动器(2)、车轮悬挂装置(3)、簧载质量块(5)、惯性传感器(6),车轮悬挂装置(3)上设置有电液伺服作动器(4),龙门架(1)上方配备有用于增加簧载质量块(5)重量的配重块(8),龙门架(1)一侧设置有电脑(9);
车轮悬挂装置(3)包括车轮(301)、减震器(302)、液压缸(303)、缸体振动传感器(304),车轮(301)上方设置有减震器(302),减震器(302)后方设置有液压缸(303),液压缸(303)上设置有缸体振动传感器(304),所述簧载质量块(5)设置在减震器(302)和液压缸(303)之上;
电液伺服作动器(4)包括油箱(401)、液压泵(402)、阀体振动传感器(403)、伺服阀(404)、泵体振动传感器(405),油箱(401)下方联通有液压泵(402),油箱(401)分别与两侧的液压缸(303)形成进油和回油各两个回路,进油的回路上依次设置有液压泵(402)和伺服阀(404),液压泵(402)上设置有泵体振动传感器(403),伺服阀(404)上设置有阀体振动传感器(403)。
2.根据权利要求1所述的一种电液伺服主动悬架实验平台,其特征在于,龙门架(1)包括底板(101)、立柱(102)、牵引电机(103)、牵引绳索(104),底板(101)上方四周设置有立柱(102),立柱(102)上方设置有牵引电机(103),牵引电机(103)下方设置有牵引绳索(104),龙门架(1)上方通过设置在立柱(102)上的锁紧卡扣(7)固定有配重块(8),配重块(8)包括配重主体(801)、固定柱(802)、吊耳(803),配重主体(801)前端和后端设置有固定柱(802),配重主体(801)两侧设置有用于与牵引绳索(104)配合实现吊装的吊耳(803)。
3.根据权利要求2所述的一种电液伺服主动悬架实验平台,其特征在于,通过增减配重块(8)的数量来调整簧载质量块(5)的质量,簧载质量块(5)的前端和后端设置有固定柱(802),固定柱(802)为半圆形柱体,簧载质量块(5)和配重块(8)之间、配重块(8)与配重块(8)之间的半圆形固定柱(802)配合形成圆形柱体,并通过紧固环固定;配重块(8)不使用时,牵引绳索勾住两侧吊耳(803),并由牵引电机带动配重块(8)上升至设定区域后,通过锁紧卡扣(7)将配重块(8)固定在设定区域。
4.根据权利要求1所述的一种电液伺服主动悬架实验平台,其特征在于,两个车轮下方的输入信号作动器(2)分别独立控制,通过输入信号作动器(2)带动车轮上下作动,模拟实际路面信号输入。
5.一种电液伺服主动悬架故障诊断方法,其特征在于,其包括以下步骤:
S1:输入信号作动器向车轮悬挂装置输入作动信号;
S2:根据控制方案调控电液伺服作动器;
S3:惯性传感器监测簧载质量块的纵向位移和侧倾角,记录纵向位移和侧倾角数据,形成纵向位移和侧倾角随时间变化的曲线,其中数据记录的时间间隔为T;
S4:阀体振动传感器、缸体振动传感器、泵体振动传感器分别检测作动状态下伺服阀、液压缸、液压泵的振动信号,并将振动信号根据液压元件的不同分别记录,其中振动信号记录的时间间隔为T,并与纵向位移和侧倾角的起止记录时刻一致;
S5:结合获取的纵向位移和侧倾角数据,以及不同液压元件的振动传感器与惯性传感器的位置关系,对获取的振动信号进行降噪处理;
S6:对降噪后的振动信号,分别在时域和频域上进行分析,进而提取振动信号的特征数据;
S7:根据不同液压元件以及该液压元件对应的故障形式,分别构建故障特征数据集;
S8:判断不同液压元件的故障特征数据量是否满足实际故障诊断需求;当故障特征数据量不能满足时,更改输入的作动信号形式或在簧载质量块上增加配重块或重复实验多次获取同工况下的故障特征数据,跳转至S1,继续收集不同液压元件的故障特征数据;当故障特征数据量满足时,继续下一步;
S9:判断不同液压元件中不同故障形式下的振动信号是否均被记录,并构建故障特征数据集;有液压元件存在设置的故障形式未被记录时,在实验平台中对应更换同型号并存在该故障形式的液压元件,跳转至S1,从而构建该故障形式的特征数据集;反之,进入下一步;
S10:将不同液压元件故障特征数据集分别导入深度学习模型训练,得到不同液压元件的故障诊断模型;
实际进行故障诊断时,在T时间间隔内,监测车身的纵向位移和侧倾角以及液压元件的实际振动信号,对实际振动信号进行步骤S5、S6的等同处理,并将处理后的实际振动信号输入相应液压元件的故障诊断模型,判断实际液压元件是否存在故障,进而完成主动悬架的故障诊断。
6.根据权利要求5所述的一种电液伺服主动悬架故障诊断方法,其特征在于,步骤S5中振动信号的降噪处理方法如下:
设获取的纵向位移数据由函数D(t)表示,其中初始位置为零向上为正,侧倾角数据由函数表示,其中初始位置为零顺时针为正;设某液压元件振动传感器和惯性传感器之间的直线距离为l、水平夹角为θ,该振动传感器监测的振动信号为L(t),则该振动传感器受簧载质量块影响产生的振动信号可以近似为/>
可得降噪后的振动信号为 其中/>为L(t),D(t),/>相位误差修正项。
7.根据权利要求5所述的一种电液伺服主动悬架故障诊断方法,其特征在于,步骤S6中振动信号故障特征数据的提取方法如下所示:
将降噪后的振动信号分别变换至时域和频域上,在时域上突出显示具有周期性重复出现的信号数据,在频域上过滤掉高频低幅值信号数据,将处理后的信号数据,转换成步骤S10中深度学习模型所需的数据类型,进而实现故障特征数据的提取;
当振动传感器和惯性传感器具有较高的采样频率和采样精度,同时所有液压元件的故障振动信号均可大量获取,则步骤S6可以省略,但步骤S10中深度学习模型选用具有较强特征提取能力的模型。
8.根据权利要求5所述的一种电液伺服主动悬架故障诊断方法,其特征在于,步骤S7中构建的故障特征数据集,其第一层标签为液压元件名称,第二层标签为该液压元件对应的故障形式,在故障诊断模型实际诊断时,需同时输出两层标签。
9.根据权利要求5所述的一种电液伺服主动悬架故障诊断方法,其特征在于,步骤S9中不同液压元件中不同故障形式,根据实际工况下液压元件需要检测的故障进行设置。
10.根据权利要求5所述的一种电液伺服主动悬架故障诊断方法,其特征在于,故障特征数据集根据实际故障逐步扩充,故障诊断模型具有一定的自学习能力,当实际故障与故障诊断模型的诊断结果一致时,将步骤S5、S6等同处理后的实际振动信号,添加至对应的故障特征数据集;当实际故障与诊断结果不一致时,将步骤S5、S6等同处理后的实际振动信号,添加至与实际故障对应的故障特征数据集中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706809.1A CN117760752A (zh) | 2023-12-13 | 2023-12-13 | 一种电液伺服主动悬架实验平台及故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706809.1A CN117760752A (zh) | 2023-12-13 | 2023-12-13 | 一种电液伺服主动悬架实验平台及故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117760752A true CN117760752A (zh) | 2024-03-26 |
Family
ID=90315444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311706809.1A Pending CN117760752A (zh) | 2023-12-13 | 2023-12-13 | 一种电液伺服主动悬架实验平台及故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117760752A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106840712A (zh) * | 2017-04-10 | 2017-06-13 | 长春孔辉汽车科技股份有限公司 | 多用途悬架性能及耐久性试验台 |
CN107894339A (zh) * | 2017-11-07 | 2018-04-10 | 燕山大学 | 重型车辆并式双轮胎四分之一主动悬架模拟工况试验台 |
CN109489996A (zh) * | 2018-11-27 | 2019-03-19 | 清华大学 | 磁流变半主动悬架系统试验装置 |
WO2022267621A1 (zh) * | 2021-06-26 | 2022-12-29 | 燕山大学 | 基于车轮支持力的车辆主动悬挂惯性调控方法及控制系统 |
CN115597894A (zh) * | 2022-10-26 | 2023-01-13 | 中国农业大学(Cn) | 一种基于硬件在环的面向农机装备悬架系统的试验平台 |
-
2023
- 2023-12-13 CN CN202311706809.1A patent/CN117760752A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106840712A (zh) * | 2017-04-10 | 2017-06-13 | 长春孔辉汽车科技股份有限公司 | 多用途悬架性能及耐久性试验台 |
CN107894339A (zh) * | 2017-11-07 | 2018-04-10 | 燕山大学 | 重型车辆并式双轮胎四分之一主动悬架模拟工况试验台 |
CN109489996A (zh) * | 2018-11-27 | 2019-03-19 | 清华大学 | 磁流变半主动悬架系统试验装置 |
WO2022267621A1 (zh) * | 2021-06-26 | 2022-12-29 | 燕山大学 | 基于车轮支持力的车辆主动悬挂惯性调控方法及控制系统 |
CN115597894A (zh) * | 2022-10-26 | 2023-01-13 | 中国农业大学(Cn) | 一种基于硬件在环的面向农机装备悬架系统的试验平台 |
Non-Patent Citations (2)
Title |
---|
ZHENG, HW: "Optimization study of a novel district heating system based on large temperature-difference heat exchange", 《 ENERGY CONVERSION AND MANAGEMENT》, 15 April 2022 (2022-04-15) * |
李苗硕: "基于模态参数识别的悬架系统状态监测方法及试验研究", 《中国测试》, no. 5, 31 May 2017 (2017-05-31), pages 138 - 144 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104792530B (zh) | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 | |
CN109117987B (zh) | 一种基于深度学习的个性化交通事故风险预测推荐方法 | |
CN110704801B (zh) | 桥梁集群结构运营安全智能监测与快速检测成套方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
CN113761649B (zh) | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 | |
US11780452B2 (en) | Method and system for fault diagnoses of intelligent vehicles | |
CN113128338B (zh) | 一种小样本下印刷机滚筒故障的智能诊断方法 | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN116881819B (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
CN111259737A (zh) | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 | |
CN111695201A (zh) | 一种基于数据的磁浮列车运行状态的监测方法 | |
CN113221759A (zh) | 基于异常检测模型的道路遗撒识别方法以及装置 | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN117760752A (zh) | 一种电液伺服主动悬架实验平台及故障诊断方法 | |
CN111368916A (zh) | 一种基于一维卷积核特征提取的桥头跳车快速检测方法 | |
CN113340392B (zh) | 基于加速度传感器的车辆载重检测方法及装置 | |
CN112816043B (zh) | 一种确定车辆的车型的方法及系统 | |
Yong et al. | State reconstruction in a nonlinear vehicle suspension system using deep neural networks | |
EP3640857A1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and discriminator network intermediate layer activation | |
CN109739234A (zh) | 一种基于gps轨迹数据的车辆实时图像追踪方法 | |
Kłusek et al. | Driver profiling by using LSTM networks with Kalman filtering | |
DE102020126736A1 (de) | Fahrzeugerkennungs- und Isolierungssystem zum Erkennen von mit Federn und Stabilisierungsstangen verbundenen Verschlechterungen und Ausfällen | |
JP3203535B2 (ja) | 運動評価方法 | |
CN116415494A (zh) | 一种路噪优化方法、系统及存储介质 |
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 |