【技术实现步骤摘要】
本专利技术属于车辆状态监测，具体涉及一种基于深度学习的车辆状态监测方法及系统。
技术介绍
1、随着经济的飞速发展及生活水平的普遍提高，机动车辆越来越普及，道路交通的压力也越来越大。随之而来的，车辆行驶安全也成为一个非常严峻的问题。因此，对行驶车辆进行实时的车辆状态监测，成为当前领域重点研究方向。
2、现有技术中，通过车载式的车辆状态监测装置对车辆的状态进行实时的监测，在发现车辆状态异常时，及时进行提醒和报警，这种监测方式虽然在一定程度上提高了车辆行驶安全性，但是车辆状态监测装置对车辆的硬件配置要求高，成本投入大，无法得到广泛应用；随着物联网和云计算技术的进步，采用无线通信和云计算中心构建统一管理的车辆状态监测后台，成为另一种发展方向，但是车辆在行驶中的情况复杂，涉及到大量的车辆相关数据的传输和分析，车辆状态监测后台的计算压力大，数据传输慢，实时性差，并且对车辆状态的分析准确性差。
技术实现思路
1、为了解决现有技术存在的硬件配置要求高，成本投入大，数据计算压力大，数据传输慢，实时性差以及分析准确性差的问题，本专利技术目的在于提供一种基于深度学习的车辆状态监测方法及系统。
2、本专利技术所采用的技术方案为：
3、一种基于深度学习的车辆状态监测方法，包括如下步骤：
4、构建过完备原子库，以及基于深度学习算法的振动信号分离模型和部件故障诊断模型；
5、采集车辆的实时运行振动信号，使用过完备原子库，对实时运行振动信号进行去噪，得到
6、使用振动信号分离模型，对去噪后实时运行振动信号进行振动信号分离，得到若干实时分离振动信号；
7、使用部件故障诊断模型，对若干实时分离振动信号进行部件故障诊断，得到对应的部件故障诊断结果；
8、根据所有部件故障诊断结果，生成车辆状态分析结果。
9、进一步地，根据车辆的指定部件和整车的振动机理数据，构建过完备原子库，对应地，构建过完备原子库，包括如下步骤：
10、设置振动信号的数据模型；
11、根据振动信号的数据模型，以及车辆的指定部件和整车的振动机理数据，构建振动信号的过完备原子库。
12、进一步地，构建基于深度学习算法的振动信号分离模型和部件故障诊断模型，包括如下步骤：
13、采集车辆在正常状态和故障状态下，车辆的指定部件的若干历史单源振动信号和整车的若干历史多源振动信号；
14、整合若干历史单源振动信号和若干历史多源振动信号，得到模型训练样本集；
15、使用过完备原子库，对模型训练样本集进行去噪处理，得到去噪后模型训练样本集；
16、使用stft算法，对去噪后模型训练历史样本集进行数据预处理，得到对应的历史混合幅度谱集和历史混合相位谱集；
17、根据历史混合幅度谱集和历史混合相位谱集，使用sa-cedn-fem算法，构建振动信号分离模型；
18、根据去噪后模型训练样本集，使用wnn-lssvm算法，构建部件故障诊断模型。
19、进一步地，振动信号分离模型包括依次连接的第一输入层、下采样模块、上采样模块以及第一输出层，下采样模块基于cedn算法构建，且下采样模块包括若干串联的下采样层和fem层，上采样模块基于cedn算法构建，且上采样模块包括若干串联的上采样层和sa层。
20、进一步地，部件故障诊断模型包括依次连接的第二输入层、信号特征提取模块、分类模块以及第二输出层，信号特征提取模块基于wnn算法构建，分类模块包括若干分类器，分类器基于lssvm算法构建。
21、进一步地，使用振动信号分离模型，对去噪后实时运行振动信号进行振动信号分离，得到若干实时分离振动信号，包括如下步骤：
22、使用stft算法，对去噪后实时运行振动信号进行数据预处理，得到对应的实时混合幅度谱和实时混合相位谱；
23、将实时混合幅度谱输入振动信号分离模型的第一输入层；
24、使用下采样模块对实时混合幅度谱进行下采样和特征提取，得到实时混合幅度谱特征；
25、使用上采样模块对实时混合幅度谱特征进行重构和上采样，得到若干实时分离振动信号的掩蔽矩阵；
26、将实时混合幅度谱和若干分离振动信号的掩蔽矩阵进行点乘运算，得到若干实时分离振动信号的实时分离幅度谱，并使用第一输出层输出若干实时分离幅度谱；
27、使用isftf算法，对实时混合相位谱和若干实时分离幅度谱进行振动信号重建，得到若干实时分离振动信号。
28、进一步地，使用部件故障诊断模型，对若干实时分离振动信号进行部件故障诊断，得到对应的部件故障诊断结果，包括如下步骤：
29、将实时分离振动信号输入部件故障诊断模型的第二输入层；
30、使用信号特征提取模块对实时分离振动信号进行特征提取，得到对应的短时平均能量、谱平度以及频谱峰值频率；
31、根据实时分离振动信号的短时平均能量、谱平度以及频谱峰值频率，使用分类模块进行分类，得到对应的指定部件分类标签和部件故障预测值；
32、整合指定部件分类标签和对应的部件故障预测值，得到部件故障诊断结果；
33、遍历所有实时分离振动信号，得到对应的若干部件故障诊断结果。
34、进一步地，根据所有部件故障诊断结果，生成车辆状态分析结果，包括如下步骤：
35、根据车辆的指定部件的预设的权重系数和对应的部件故障诊断结果，得到指定部件的车辆状态分析值；
36、整合车辆的所有指定部件的车辆状态分析值，得到对应的车辆状态分析总值，并将车辆状态分析总值作为车辆状态分析结果。
37、一种基于深度学习的车辆状态监测系统，用于实现车辆状态监测方法，系统包括通信连接的云计算中心、若干物联网关以及若干车辆状态监测装置，若干车辆状态监测装置一一对应的设置于被监测车辆处，且车辆状态监测装置分别与对应的被监测车辆的控制系统和通信范围内的至少一个物联网关通信连接；
38、云计算中心，用于构建过完备原子库，以及基于深度学习算法的振动信号分离模型和部件故障诊断模型；接收物联网关发送的车辆的实时运行振动信号，使用过完备原子库，对实时运行振动信号进行去噪，得到去噪后实时运行振动信号；使用振动信号分离模型，对去噪后实时运行振动信号进行振动信号分离，得到若干实时分离振动信号；使用部件故障诊断模型，对若干实时分离振动信号进行部件故障诊断，得到对应的部件故障诊断结果；根据所有部件故障诊断结果，生成车辆状态分析结果；将车辆状态分析结果返回至对应的物联网关；
39、物联网关，用于接收通信范围内的车辆状态监测装置发送的车辆的实时运行振动信号，并将实时运行振动信号发送至云计算中心；接收云计算中心返回的车辆状态分析结果，并将车辆状态分析结果返回至对应的车辆状态监测装置；
40、车辆状态监测装置，用于采集车辆的本文档来自技高网...
【技术保护点】
1.一种基于深度学习的车辆状态监测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的车辆状态监测方法，其特征在于：根据车辆的指定部件和整车的振动机理数据，构建所述的过完备原子库，对应地，构建过完备原子库，包括如下步骤：
3.根据权利要求1所述的一种基于深度学习的车辆状态监测方法，其特征在于：构建基于深度学习算法的振动信号分离模型和部件故障诊断模型，包括如下步骤：
4.根据权利要求3所述的一种基于深度学习的车辆状态监测方法，其特征在于：所述的振动信号分离模型包括依次连接的第一输入层、下采样模块、上采样模块以及第一输出层，所述的下采样模块基于CEDN算法构建，且下采样模块包括若干串联的下采样层和FEM层，所述的上采样模块基于CEDN算法构建，且上采样模块包括若干串联的上采样层和SA层。
5.根据权利要求3所述的一种基于深度学习的车辆状态监测方法，其特征在于：所述的部件故障诊断模型包括依次连接的第二输入层、信号特征提取模块、分类模块以及第二输出层，所述的信号特征提取模块基于WNN算法构建，所述的分类模块包括若干分
6.根据权利要求4所述的一种基于深度学习的车辆状态监测方法，其特征在于：使用振动信号分离模型，对去噪后实时运行振动信号进行振动信号分离，得到若干实时分离振动信号，包括如下步骤：
7.根据权利要求5所述的一种基于深度学习的车辆状态监测方法，其特征在于：使用部件故障诊断模型，对若干实时分离振动信号进行部件故障诊断，得到对应的部件故障诊断结果，包括如下步骤：
8.根据权利要求7所述的一种基于深度学习的车辆状态监测方法，其特征在于：根据所有部件故障诊断结果，生成车辆状态分析结果，包括如下步骤：
9.一种基于深度学习的车辆状态监测系统，用于实现如权利要求1-8任一所述的车辆状态监测方法，其特征在于：所述的系统包括通信连接的云计算中心、若干物联网关以及若干车辆状态监测装置，若干所述的车辆状态监测装置一一对应的设置于被监测车辆处，且车辆状态监测装置分别与对应的被监测车辆的控制系统和通信范围内的至少一个物联网关通信连接；
10.根据权利要求9所述的一种基于深度学习的车辆状态监测系统，其特征在于：所述的云计算中心包括依次连接的过完备原子库构建单元、振动信号分离模型构建单元、部件故障诊断模型构建单元、过完备原子库去噪单元、振动信号分离单元、部件故障诊断单元以及车辆状态分析单元，所述的过完备原子库去噪单元和车辆状态分析单元均与物联网关通信连接。
...【技术特征摘要】
1.一种基于深度学习的车辆状态监测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的车辆状态监测方法，其特征在于：根据车辆的指定部件和整车的振动机理数据，构建所述的过完备原子库，对应地，构建过完备原子库，包括如下步骤：
3.根据权利要求1所述的一种基于深度学习的车辆状态监测方法，其特征在于：构建基于深度学习算法的振动信号分离模型和部件故障诊断模型，包括如下步骤：
4.根据权利要求3所述的一种基于深度学习的车辆状态监测方法，其特征在于：所述的振动信号分离模型包括依次连接的第一输入层、下采样模块、上采样模块以及第一输出层，所述的下采样模块基于cedn算法构建，且下采样模块包括若干串联的下采样层和fem层，所述的上采样模块基于cedn算法构建，且上采样模块包括若干串联的上采样层和sa层。
5.根据权利要求3所述的一种基于深度学习的车辆状态监测方法，其特征在于：所述的部件故障诊断模型包括依次连接的第二输入层、信号特征提取模块、分类模块以及第二输出层，所述的信号特征提取模块基于wnn算法构建，所述的分类模块包括若干分类器，所述的分类器基于lssvm算法构建。
6.根据权利要求4所述的一种基于深度学习的车辆状态监测方法，其特征在于...
【专利技术属性】
技术研发人员：林张瑞，王桢，曹靖雯，
申请(专利权)人：湖北天凯风林电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。