一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法技术

本发明专利技术涉及一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法，其方案为：首先，通过构造汉克尔矩阵实现对原始振动信号的二维矩阵表示，提高信号的相关性，其次，建立已知故障模式的卷积神经网络增强隐马尔科夫模型；最后，利用该模型诊断未知故障类型的故障模式。卷积神经网络是一种数据驱动的特征学习方法，可以从原始数据中利用卷积神经网络模型对汉克尔矩阵表示的二维信号进行卷积和下采样操作，完整地保留表征信号特征的部分，并降低信号中的高维干扰成分，解决故障信号的特征自动学习问题；最后利用自学习得到的特征建立已知故障模式的隐马尔科夫模型。本发明专利技术方法一方面利用卷积神经网络自动学习特征，降低数据维度，以获得数据的分布式特征表示；另一方面，利用隐马尔科夫模型动态序列建模能力和时序模式分类能力判断故障类型。

【技术实现步骤摘要】
一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法
本专利技术属于轴承故障诊断领域，具体是指一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法，特别是一种基于汉克尔矩阵的卷积神经网络增强隐马尔科夫模型诊断汽车轮毂轴承故障的方法。
技术介绍
汽车轮毂轴承是汽车底盘系统的关键零部件之一，具有承载车体重量和引导轮毂转向的作用。汽车轮毂轴承通常安装在悬架与轮毂之间，用于连接轮毂和轮胎，其运行状态直接影响汽车行驶时的舒适和安全。一旦发生故障，就会引发振动加剧和噪声增大，导致行车过程中强烈的颠簸感和尖锐的噪声，存在巨大的安全隐患。因此，对汽车轮毂轴承的工作状态进行实时监测，准确诊断出其故障，对于汽车行驶安全具有重要意义。汽车轮毂轴承发生故障时，其振动信号往往会表现出周期性的冲击特征。然而，由于故障引发的异响(通常表现为“嗡嗡声”、“吱吱声”和“咯噔声”等)，以及环境噪声的污染，其故障特征提取困难。因此，迫切需要寻找一种新的汽车轮毂轴承诊断方法，解决复杂、微弱故障的特征提取问题，实现轴承故障的可靠识别。卷积神经网络(Convoutionalneuralnetwork,CNN)，本质上是一种人工神经网络(Artificialneuralnetwork,ANN)，它可以实现原始振动信号的分布式特征表达，通过逐层构建多层神经网络，并利用卷积(convolution)和下采样(sub-sampling)操作，保留信号中的特征成分，减少高维干扰，最后由全连接层重新生成数据特征，从而实现特征自动学习。隐马尔可夫模型(HiddenMarkovModel,HMM)，凭借其动态过程时间序列建模能力，广泛应用于语音识别、计算金融、时序分析以及机器翻译等领域。在利用隐马尔可夫模型进行故障模式分类时，振动信号即为模型的观测序列，通过振动信号分割成多个样本输入到模型中去，完成训练过程。然而，原始振动信号维度大、信息分散，直接影响到故障诊断的成功与否。
技术实现思路
本专利技术的目的是为了克服现有技术存在的缺点和不足，而提供一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法，该方法基于汉克尔矩阵的卷积神经网络增强隐马尔科夫模型来诊断汽车轮毂轴承故障，取得优秀的多故障分类结果。为实现上述目的，本专利技术的技术方案是包括有：S1:通过构造汉克尔矩阵实现对原始振动信号的二维矩阵表示，提高信号的相关性，S2:建立已知故障模式的卷积神经网络增强隐马尔科夫模型；S3:利用该模型诊断未知故障类型的故障模式，确定故障类型，最终实现故障诊断的目的。进一步设置是所述的步骤S1为：对各类已知的故障类型进行故障模式预定义：建立涵盖各种故障类型的一个完备事件组并定义故障模式，收集所述各类已知故障类型的原始振动信号，该原始振动信号为一维信号，其序列xs＝[x1,x2…,xN]；其汉克尔矩阵H表示为：式(1)中，n是嵌入维数，N-n+1是每一个子序列的数据长度。进一步设置是所述的步骤S2为：a.基于汉克尔矩阵H，将其作为卷积神经网络的输入图片即：将其输入卷积层可得：式(2)中上标S0为对H进行第0次下采样操作得到的特征图；为经过第一次卷积操作后得到的第k张特征图；为第一个卷积层中的第k个卷积核；为第一个卷积层中的第k个偏置，f(·)为输出的激活函数，得到经过第一次卷积操作之后的特征表示；b.经过卷积运算后，得到了原始图片的特征表示，继而对各张卷积后的特征图采用下采样操作降低数据的维度和计算复杂度，得到：式(3)中，表示的是经过第一次下采样操作后得到的k张特征图片，下采样操作后，特征图片数与上层一致；是该下采样层的取用的步长；为该下采样层的第k个偏置；down(·)为下采样函数，由此，得到经过第一次下采样操作之后的特征表示；c.继续进行第二次卷积操作，其输入图片为第一次下采样操作得到多张特征图片，有：式(4)中，Mk表示包含在第一下采样层中的特征图片集合；表示包含在Mk集合中的第i张特征图片；表示对包含在Mk中的特征图片求卷积时的第k个卷积核函数；表示在第二卷积层中的第k个偏置；同样地，第二次下采样操作后，得到：式(5)中，表示的是经过第二次卷积操作后得到的k张特征图片，下采样操作后，特征图片数与上层一致；是该下采样层的取用的步长；为该下采样层的第k个偏置；down(·)为下采样函数；d.全连接层将二维矩阵连接为一维向量，将其作为隐马尔科夫模型的输入，建立卷积神经网络增强的隐马尔科夫模型；e.对于一个隐状态序列为S＝{S1,S2,…,Sn,…,SN}和观测序列O＝{O1,O2,…,Ot,…,OT}的隐马尔科夫模型，定义如下：h＝{π,A,B}(6)式(6)中，π＝{π1,π2,…,πn,…,πN})为隐状态的初始概率向量，πn＝P(c1＝Sn)，(1≤n≤Nc1为t＝1时刻，隐状态为Sn的概率；A是隐状态间的状态转移概率矩阵；B是观测值概率矩阵，即隐状态为Sn时观测值为Ot的概率，采用混合高斯模型来拟合各个隐状态下的观测值概率密度函数：式(7)中，gmm(·)是M个混合高斯模型的加权和，为高斯分布的概率密度函数,μm,σm分别表示第m个高斯模型的均值和方差，权重wm需满足：对于一个给定的隐马尔科夫模型，状态转移矩阵A和发射矩阵B也都是已知的，每个隐状态Sn由隐马尔科夫模型中M个高斯分布分配不同的权重来构建；最后，将卷积神经网络训练全连接层输出的一维向量作为观测序列输入隐马尔科夫模型中训练，可以得到已知故障模式的卷积神经网络增强的隐马尔科夫模型。进一步设置是所述的步骤S3为：对于需要监测的汽车轮毂轴承未知故障类型的振动信号利用式(1)构建二维矩阵，将其作为测试样本，输入至已知汽车轮毂轴承故障模式的卷积神经网络增强隐马尔科夫模型中，确定故障类型，最终诊断出轴承故障。本申请的创新原理和有益效果是：本申请提出了一种基于汉克尔矩阵的卷积神经网络增强隐马尔科夫模型诊断汽车轮毂轴承故障的方法。首先，通过构造汉克尔矩阵实现对原始振动信号的二维矩阵表示，提高信号的相关性，其次，建立已知故障模式的卷积神经网络增强隐马尔科夫模型；最后，利用该模型诊断未知故障类型的故障模式。该方法对汽车轮毂轴承取得了非常满意的多故障分类结果，有关这方面研究，目前尚无报道。本申请的技术方案可以从原始数据中利用卷积神经网络模型对汉克尔矩阵表示的二维信号进行卷积和下采样操作，完整地保留表征信号特征的部分，并降低信号中的高维干扰成分，解决故障信号的特征自动学习问题；最后利用自学习得到的特征建立已知故障模式的隐马尔科夫模型。本专利技术方法一方面利用卷积神经网络自动学习特征，降低数据维度，以获得数据的分布式特征表示；另一方面，利用隐马尔科夫模型动态序列建模能力和时序模式分类能力判断故障类型。本申请的具体效果见实施例图文数据。附图说明为了更清楚地说明本专利技术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地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本专利技术的范畴。图1本专利技术的原理流程图；图2本专利技术的卷积神经网络增强隐马尔科夫模型轴承故障诊断流程图；图3本专利技术的卷积神经网络结构图；图4本专利技术的隐马尔科夫模型图；本文档来自技高网...

【技术保护点】
1.一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法，其特征在于包括：S1:通过构造汉克尔矩阵实现对原始振动信号的二维矩阵表示，提高信号的相关性，S2:建立已知故障模式的卷积神经网络增强隐马尔科夫模型；S3:利用该模型诊断未知故障类型的故障模式，确定故障类型，最终实现故障诊断的目的。

【技术特征摘要】
1.一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法，其特征在于包括：S1:通过构造汉克尔矩阵实现对原始振动信号的二维矩阵表示，提高信号的相关性，S2:建立已知故障模式的卷积神经网络增强隐马尔科夫模型；S3:利用该模型诊断未知故障类型的故障模式，确定故障类型，最终实现故障诊断的目的。2.根据权利要求1所述的方法，其特征在于：所述的步骤S1为：对各类已知的故障类型进行故障模式预定义：建立涵盖各种故障类型的一个完备事件组并定义故障模式，收集所述各类已知故障类型的原始振动信号，该原始振动信号为一维信号，其序列xs＝[x1,x2…,xN]；其汉克尔矩阵H表示为：式(1)中，n是嵌入维数，N-n+1是每一个子序列的数据长度。3.根据权利要求2所述的方法，其特征在于：所述的步骤S2为：a.基于汉克尔矩阵H，将其作为卷积神经网络的输入图片即：将其输入卷积层可得：式(2)中上标S0为对H进行第0次下采样操作得到的特征图；为经过第一次卷积操作后得到的第k张特征图；为第一个卷积层中的第k个卷积核；为第一个卷积层中的第k个偏置，f(·)为输出的激活函数，得到经过第一次卷积操作之后的特征表示；b.经过卷积运算后，得到了原始图片的特征表示，继而对各张卷积后的特征图采用下采样操作降低数据的维度和计算复杂度，得到：式(3)中，表示的是经过第一次下采样操作后得到的k张特征图片，下采样操作后，特征图片数与上层一致；是该下采样层的取用的步长；为该下采样层的第k个偏置；down(·)为下采样函数，由此，得到经过第一次下采样操作之后的特征表示；c.继续进行第二次卷积操作，其输入图片为第一次下采样操作得到多张特征图片，有：式(4)中，Mk表示包含在第一下采样层中的特征图片集合；表示包含在Mk集合中的第i张特征图片；表示对包含在Mk...

【专利技术属性】
技术研发人员：向家伟，王淑慧，蒋勇英，钟永腾，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33