基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法技术

本发明专利技术公开了基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法。该方法包括以下步骤：步骤1，利用振动传感器和转速计采集到6类汽车轮毂轴承的故障失效场景下的振动信号和脉冲信号，并使用CSCOT

【技术实现步骤摘要】
基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法


[0001]本专利技术涉及智能汽车轮毂轴承状态监测和故障诊断领域，特别是涉及基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法。

技术介绍

[0002]近年来，随着环境污染日益严重和能源短缺，世界各国都开始关注这两个问题并提出对策，电动汽车以环保、节能的优势，被各国政府投入资金大力发展，已成为汽车工业未来的发展方向，目前，国内新能源汽车如火如荼，发展极其迅速，在智能化的条件下，也为轮毂电机轴承的智能化监测提供了有利的条件。
[0003]作为智能电动汽车的关键部件，电机的线圈匝数少、电流密度大、输出转矩大，并且电动汽车在行驶过程中，汽车轴承一般在变速或负载等波动工况下运行，从而使故障特征信息不明显，电机会因线圈电流密度大易出现绕组匝间短路、因转轴很容易出现转子偏心、因经常出现转矩波动和冲击导致轴承损坏等故障。
[0004]国内涉及图像识别汽车轴承智能诊断的专利有“一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法”(202111169683.X)，该专利技术针对解决真实场景中故障数据难以收集导致的数据集不平衡和复杂工况下有效特征难以提取的问题，提供了一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，但该方法中未考虑到变转速和噪声的干扰下，轴承故障提取微弱难度大的问题。国内专利“一种汽车发电机轴承故障诊断方法”(201811025468.0)，该专利中应用了重构、借助自相关系数选取最大相关分量构造Hankel矩阵并进行增强多分辨奇异值分解方法，接着选取最优细节分量做希尔伯特包络变换，最终实现轴承故障的识别，该方法虽然考虑到噪声影响因素，但未考虑到变工况的影响。
[0005]综上，当前利用深度学习模型对汽车轴承的状态监测手段仍然存在以下几点具有挑战性的研究方向：1.轴承常处于变转速的工作环境下，这会导致采集的轴承信号中故障特征不明显同时变转速会破坏故障信号的周期性；2.由于轴承运行的环境充斥着噪声，大量噪声的影响会淹没原先就不明显的故障特征，给故障特征提取带来了很大的挑战；3.在深度学习模型中，轴承的故障样本少，导致最终训练的模型不能完整的学习到轴承的故障特征，从而对不同工况下的故障轴承的诊断能力会有较为明显的下降；针对以上三个难题，本专利提出了基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法，用以实现智能电动车的轮毂轴承智能化监测。

技术实现思路

[0006]为解决上述问题，本专利技术在生成对抗网络(Generate Adversarial Network，GAN)和卷积神经网络(Convolutional Neural Network，CNN)的基础上，提出了基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法(Adaptive Cross Fusion Adversarial Learning Network，ACFALN)。针对变转速的工作环境下导致轴承信号中故障特征不明显且故障信号的周期性被破坏的难题，本专利提出了CSCOT
‑
FFT数据预处理算法，这可以在很大
程度上弱化变转速对提取轴承特征的干扰，还原模型训练数据的周期性；针对小样本训练下，深度学习模型具有过拟合、泛化性不足的难题，本专利在ACFALN模型中采用了对抗训练机制，这能极大的扩展训练样本的数量，从而提高了模型的诊断精度；针对噪声对原本就微弱的轴承故障特征提取的影响，本专利提出了全局堆栈自编码器(Global Stack Auto
‑
encoder)，通过设计两个堆栈自编码器，并提出了信噪残差损失函数，接着进行联合交叉训练，使得两个编码器分别学习到原始信号和噪声干扰下信号的特征，最后进行特征层的交叉融合，这可以使得交叉融合特征层能同时捕获原始信号和噪声干扰下信号中的故障特征。为达此目的，本专利技术提供基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法，具体步骤如下，其特征在于：
[0007]步骤1，利用振动传感器和转速计采集到6类汽车轮毂轴承的故障失效场景下的振动信号和脉冲信号，并使用CSCOT算法重采样和FFT变换，获得模型训练数据；
[0008]步骤2，利用步骤1得到的数据，预训练GSAE以得到交叉信息融合层；
[0009]步骤3，结合步骤2训练得到的交叉信息融合层，搭建ACFALN模型，并训练至模型收敛；
[0010]步骤4.将训练好的ACFALN模型应用于实际，对实际采样信号做实时状态识别，对状态异常的数据，将告警显示到车机界面，保障人车安全。
[0011]2.根据权利要求1所述的基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法，其特征在于：步骤1中利用CSCOT
‑
FFT预处理算法获得模型训练数据的具体流程为：
[0012]步骤1.1.采集常见的6类汽车轮毂轴承的故障失效场景下对应的转速计信号和振动信号，其中故障类型有：磨损失效、断裂失效、胶合失效、腐蚀失效、塑性变形和疲劳失效；
[0013]步骤1.2.对转速计采集的信号进行等角度采样，其中汽车轮毂轴承短时间内转速近似认为恒定，其数学表达式可表示为：
[0014]θ(t)＝a0+a1t+a2t2[0015]θ(t)表示t时刻的转角，a0、a1和a2为上述二次方程的待求系数，利用连续采集的3个键相信号求解a0、a1和a2，求解公式为：
[0016][0017]式中，t0、t1和t2表示连续的三个时间点，Δθ表示等角度采样间隔。
[0018]根据求解的a0、a1和a2，可得到第n个等角度采样时刻t
n
为：
[0019][0020]步骤1.3.根据步骤1.2处理得到的等角度采样时刻t
n
对振动传感器采集的振动信号进行插值确定最终的重采样序列，其中利用布谷鸟搜索算法确定过采样中的采样率，布谷鸟搜索算法中的适应度函数选定为峭度。
[0021]步骤1.4.利用FFT算法对步骤1.3得到的角域伪平稳重采样信号进行变换，得到频域信号。
[0022]3.根据权利要求1所述的基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方
法，其特征在于：步骤2中预训练全局堆栈自编码器(Global Stack Auto
‑
encoder)以得到交叉信息融合层的详细过程为：
[0023]步骤2.1.将步骤1处理得到的6类故障制作相应的标签，接着预训练堆栈自编码器SAE1，使得最终的网络结构为：输入层
‑
隐藏层1
‑
隐藏层2
‑
隐藏层3
‑
隐藏层4
‑
隐藏层5
‑
输出层，其中训练过程中的损失函数可表示为：
[0024][0025]式中，N表示输入序列的总长度，x(i)和分别表示输入层和输出层第i个序列，λ和m分别表示权值衰减系数和神经网络层数，S
l
和S
l+1
分别表示第l和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法，具体步骤如下，其特征在于：步骤1，利用振动传感器和转速计采集到6类汽车轮毂轴承的故障失效场景下的振动信号和脉冲信号，并使用CSCOT
‑
FFT预处理算法，获得模型训练数据；步骤2，利用步骤1得到的数据，预训练GSAE以得到交叉信息融合层；步骤3，结合步骤2训练得到的交叉信息融合层，搭建ACFALN模型，并训练至模型收敛；步骤4.将训练好的ACFALN模型应用于实际，对实际采样信号做实时状态识别，对状态异常的数据，将告警显示到车机界面，保障人车安全。2.根据权利要求1所述的基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法，其特征在于：步骤1中CSCOT
‑
FFT算法数据预处理的具体处理流程为：步骤1.1.采集常见的6类汽车轮毂轴承的故障失效场景下对应的转速计信号和振动信号，其中故障类型有：磨损失效、断裂失效、胶合失效、腐蚀失效、塑性变形和疲劳失效；步骤1.2.对转速计采集的信号进行等角度采样，其中汽车轮毂轴承短时间内转速近似认为恒定，其数学表达式可表示为：θ(t)＝a0+a1t+a2t2θ(t)表示t时刻的转角，a0、a1和a2为上述二次方程的待求系数，利用连续采集的3个键相信号求解a0、a1和a2，求解公式为：式中，t0、t1和t2表示连续的三个时间点，Δθ表示等角度采样间隔；根据求解的a0、a1和a2，可得到第n个等角度采样时刻t
n
为：步骤1.3.根据步骤1.2处理得到的等角度采样时刻t
n
对振动传感器采集的振动信号进行插值确定最终的重采样序列，其中利用布谷鸟搜索算法确定过采样中的采样率，布谷鸟搜索算法中的适应度函数选定为峭度；步骤1.4.利用FFT算法对步骤1.3得到的角域伪平稳重采样信号进行变换，得到频域信号。3.根据权利要求1所述的基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法，其特征在于：步骤2中预训练全局堆栈自编码器(Global Stack Auto
‑
encoder)以得到交叉信息融合层的详细过程为：步骤2.1.将步骤1处理得到的6类故障制作相应的标签，接着预训练堆栈自编码器SAE1，使得最终的网络结构为：输入层
‑
隐藏层1
‑
隐藏层2
‑
隐藏层3
‑
隐藏层4
‑
隐藏层5
‑
输出层，其中训练过程中的损失函数可表示为：
式中，N表示输入序列的总长度，x(i)和分别表示输入层和输出层第i个序列，λ和m分别表示权值衰减系数和神经网络层数，S
l
和S
l+1
分别表示第l和l+1层的神经元个数，W
ij
(l)表示第l层的第i个神经元和第l+1层第j个神经元间的权重系数；步骤2.2.向采集的振动信号中添加高斯白噪声，接着使用CSCOT
‑
FFT预处理算法获得训练数据，并预训练第二个堆栈自编码器SAE2，SAE2网络结构和SAE1保持一致，损失函数L
SAE2
和训练方法同步骤2.1；步骤2.3.联合训练SAE1和SAE2以得到GSAE，进一步得到交叉信息融合层，此处为了使得交叉信息融合层能更好的学习到不同噪声干扰环境下的特征，提出了信噪残差损失函数L
SNR
，具体的表达式为：式中，x
r
(i)和x
s
(i)分别表示SAE1和SAE2输出层的第i个序列，ξ表示信噪加权因子，具体表达式为：其中r表示加噪信号和原始...

【专利技术属性】
技术研发人员：董寅雪，
申请(专利权)人：祐樘南京软件科技有限公司，
类型：发明
国别省市：