基于振动信号的车辆液压减震器故障识别方法及系统技术方案

本申请公开了一种基于振动信号的车辆液压减震器故障识别方法及系统，该方法包括以下步骤：在车辆的液压减震器上下两端分别安装振动传感器；采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号，从采集的信号中提取训练集数据；利用训练集数据来训练故障识别模型；将训练好的模型用于车辆液压减震器故障识别。本发明专利技术成本较低、算法简单、故障识别结果可靠等特点。

【技术实现步骤摘要】

本申请属于车辆设计制造领域，具体地说，涉及一种基于振动信号的车辆液压减震器故障识别方法及系统。
技术介绍
液压减震器是汽车、摩托车、轨道机车等车辆中最常用的关键总成之一。在车辆运行过程中，由于液压减震器长期受到振动的作用，容易产生故障，进而影响车辆的安全稳定运行。因此，正常运行的液压减震器是车辆安全稳定运行的重要保障，车辆液压减震器的故障识别具有重要的实际意义。一般的车辆液压减震器故障识别通过监测减震器的运行温度，识别减震器可能存在的故障。也可以在液压减震器上安装振动传感器(或者利用车轮或车体上已有的振动传感器)，通过检测过大的振动信号幅值来监测减震器故障。但是，由于车辆运行工况比较复杂，当路面情况比较恶劣时，即使正常运行的液压减震器也可能产生较高的运行温度和较大的振动信号。因此，直接基于振动信号幅值不能够有效识别汽车液压减震器的故障。
技术实现思路
有鉴于此，本申请针对上述的问题，提供了一种基于振动信号的车辆液压减震器故障识别方法及系统，通过利用车辆的车轮和车体上安装的两个振动传感器，将两个振动传感器的振动信号进行分析建立故障识别模型，以识别液压减震器可能的故障。该方法具有成本较低、算法简单、故障识别结果可靠等特点。为了解决上述技术问题，本申请公开了一种基于振动信号的车辆液压减震器故障识别方法，包括以下步骤：(1)在车辆的液压减震器上下两端分别安装振动传感器；(2)采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号，从采集的时域信号中提取训练集数据；(3)利用训练集数据来训练故障识别模型；(4)将训练好的模型用于车辆液压减震器故障识别。进一步地，步骤(1)中在车辆的液压减震器上下两端分别安装振动传感器具体为：在液压减震器的上下两端分别安装第二振动传感器和第一振动传感器，将第二振动传感器和第一振动传感器的信号分别记为a1(t)和a2(t)，其中t为时间，a1和a2分别为t时刻两个信号的幅值，或者用车体上安装的第二振动传感器信号作为a1(t)，用车轮上安装的第一振动传感器作为a2(t)。进一步地，步骤(2)中采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号，从采集的信号中提取训练集数据具体为：采集减震器在正常、泄漏、卡死、断簧、失效状态下两个传感器的多个时域信号，分别记为和其中N为采集的信号的次数；从N次采集的信号中，取M(M<N)维信号为训练集数据。进一步地，步骤(3)中利用训练集数据来训练故障识别模型具体为：(3.1)对每一个训练集的振动传感器时域信号，分别做傅里叶变换，得到频域表示信号；(3.2)对每一个训练集的振动传感器时域信号，将两个振动传感器时域信号分别做短时傅里叶变换，在时频域得到时频表示信号；(3.3)将训练集数据中两个传感器的时域信号、频域表示信号、时频域表示信号组成6组数据；(3.4)对每一组数据，用一个卷积神经网络进行深度学习训练；(3.5)将6个卷积神经网络的输出用一个随机森林决策树进行融合；(3.6)将随机森林决策树的输出对应设置为液压减震器的正常、泄漏、卡死、断簧、或失效这些工作状态进行训练。进一步地，进一步地，所述步骤(3)中利用训练集数据来训练故障识别模型具体为：(3.1)对每一个训练集的振动传感器时域信号，分别做傅里叶变换，在频域得到频谱A1(f)和A2(f)，其中f为频率，A1和A2分别为f频率下的频谱幅值；(3.2)对每一个训练集的振动传感器时域信号，将两个振动传感器时域信号分别做短时傅里叶变换，在时频域得到时频表示信号S1(t,f)和S2(t,f)，其中S1和S1分别为(t,f)对应的时频表示的幅值；(3.3)将训练集数据中的a1(t)，a2(t)，A1(f)，A2(f)，S1(t,f)，S2(t,f)组成6组数据，记为T1，T2，T3，T4，T5，T6；(3.4)对每一组数据，用一个卷积神经网络(共记为C1，C2，C3，C4，C5，C6)进行深度学习训练；(3.5)将6个卷积神经网络的输出用一个随机森林决策树进行融合；(3.6)将随机森林决策树的输出对应设置为液压减震器的正常、泄漏、卡死、断簧、或失效工作状态进行训练。进一步地，步骤(4)中将训练好的模型用于车辆液压减震器故障识别具体为：采集车辆液压减震器在工作时的第一振动传感器信号，将传感器信号输入到已经训练好的故障识别模型中，故障识别模型将会识别输出当前的减震器故障状态，减震器故障状态包括正常、泄漏、卡死、断簧或失效。本专利技术还公开了一种基于振动信号的车辆液压减震器故障识别系统，包括故障识别模型、车轮、第一振动传感器、减震器、第二振动传感器和车体；车轮的上方自下而上依次设置有减震器和车体；第一振动传感器安装在减震器和车轮之间或者车轮上；用于提取路面振动的信号，并传递给故障识别模型；第二振动传感器安装在减震器与车体之间或者车体上；用于提取减震器上部的响应振动信号，并传递给故障识别模型；故障识别模型将路面振动的信号和响应振动信号进行傅里叶变换被转变为频域信号，并通过短时傅里叶变换被转变为时频域信号，通过取多次信号数据为训练集，对生成的六组训练集数据分别采用六个卷积神经网络进行深度学习；将六个卷积神经网络的输出，直接作为一个随机森林决策树的输入，而训练的随机森林决策树的输出就对应为车辆液压减震器的状态；车辆液压减震器的状态包括正常、泄漏、卡死、断簧和失效。与现有技术相比，本申请可以获得包括以下技术效果：1)本专利技术训练好的故障诊断模型，可以直接用于车辆液压减震器的故障诊断。将车辆运动过程中的第一振动传感器和第二振动传感器的时域信号a1(t)和a2(t)直接输入已经训练好的故障识别模型，该模型将会自动识别减震器当前的故障或健康状态。2)本专利技术成本较低、算法简单、故障识别结果可靠等特点。当然，实施本申请的任一产品必不一定需要同时达到以上所述的所有技术效果。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是本申请基于振动信号的车辆液压减震器故障识别方法示意图；其中，1.故障识别模型，2.车轮，3.第一振动传感器，4.减震器，5.第二振动传感器，6.车体，7.傅里叶变换，8.时域信号，9.短时傅里叶变换，10.卷积神经网络，11.车辆液压减震器的状态，12.随机森林决策树。具体实施方式以下将配合附图及实施例来详细说明本申请的实施方式，藉此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。本专利技术公开了一种基于振动信号的车辆液压减震器故障识别装置，如图1所示，包括故障识别模型1、车轮2、第一振动传感器3、减震器4、第二振动传感器5和车体6。车轮2的上方自下而上依次设置有减震器4和车体6；第一振动传感器3安装在减震器4和车轮2之间或者车轮2上；用于提取路面振动的信号，并传递给故障识别模型1；第二振动传感器5安装在减震器4与车体6之间或者车体6上；用于提取减震器4上部的响应振动信号，并传递给故障识别模型1；故障识别模型1将路面振动的信号和响应振动信号进行傅里叶变换被转变为频域信号，并通过短时傅里叶变换被转变为时频域信号，通过本文档来自技高网...

【技术保护点】
一种基于振动信号的车辆液压减震器故障识别方法，其特征在于，包括以下步骤：(1)在车辆的液压减震器上下两端分别安装振动传感器；(2)采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号，从采集的时域信号中提取训练集数据；(3)利用训练集数据来训练故障识别模型；(4)将训练好的模型用于车辆液压减震器故障识别。

【技术特征摘要】
1.一种基于振动信号的车辆液压减震器故障识别方法，其特征在于，包括以下步骤：(1)在车辆的液压减震器上下两端分别安装振动传感器；(2)采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号，从采集的时域信号中提取训练集数据；(3)利用训练集数据来训练故障识别模型；(4)将训练好的模型用于车辆液压减震器故障识别。2.根据权利要求1所述的基于振动信号的车辆液压减震器故障识别方法，其特征在于，所述步骤(1)中在车辆的液压减震器上下两端分别安装振动传感器具体为：在液压减震器的上下两端分别安装第二振动传感器(5)和第一振动传感器(3)，将第二振动传感器(5)和第一振动传感器(3)的信号分别记为a1(t)和a2(t)，其中t为时间，a1和a2分别为t时刻两个信号的幅值，或者用车体(6)上安装的第二振动传感器(5)信号作为a1(t)，用车轮上安装的第一振动传感器(3)作为a2(t)。3.根据权利要求2所述的基于振动信号的车辆液压减震器故障识别方法，其特征在于，所述步骤(2)中采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号，从采集的信号中提取训练集数据具体为：采集减震器在正常、泄漏、卡死、断簧、失效状态下两个传感器的多个时域信号，分别记为和其中N为采集的信号的次数；从N次采集的信号中，取M(M<N)维信号为训练集数据。4.根据权利要求3所述的基于振动信号的车辆液压减震器故障识别方法，其特征在于，所述步骤(3)中利用训练集数据来训练故障识别模型具体为：(3.1)对每一个训练集的振动传感器时域信号，分别做傅里叶变换，得到频域表示信号；(3.2)对每一个训练集的振动传感器时域信号，将两个振动传感器时域信号分别做短时傅里叶变换，在时频域得到时频表示信号；(3.3)将训练集数据中两个传感器的时域信号、频域表示信号、时频域表示信号组成6组数据；(3.4)对每一组数据，用一个卷积神经网络进行深度学习训练；(3.5)将6个卷积神经网络的输出用一个随机森林决策树进行融合；(3.6)将随机森林决策树的输出对应设置为液压减震器的正常、泄漏、卡死、断簧、或失效这些工作状态进行训练。5.根据权利要求4所述的基于振动信号的车辆液压减震器故障识别方法，其特征在于，进一步地，所述步骤(3)中利用训练集数据来训练故障识别模型具体为：(3.1)...

【专利技术属性】
技术研发人员：李川，姚行艳，刘传文，喻其炳，陈旭东，陈志强，白云，余婷梃，
申请(专利权)人：重庆工商大学，
类型：发明
国别省市：重庆;50