System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于多轴车辆内部组件的故障诊断,具体涉及一种面向多轴车辆轮毂电机的故障诊断方法。
技术介绍
1、多轴车辆运行环境多为野外环境,经常会有壁崖、断崖、土岭、弹坑等场景。多轴车辆轮毂电机经常在非理想条件下运转,受各种因素影响,时常发生损坏,轮毂电机失效会导致多轴车辆驱动力生成失效,影响驱动力生成。及时故障诊断,可以在保证利用率与避免灾难性损坏之间取得平衡,对维修计划具有指导作用。
2、轮毂电机具有效率高、响应快、全时线控等优势,是多轴车辆的理想动力源。其驱动系统可有效降低整车能耗、提升整车性能、优化空间布置,受到了市场广泛的关注。然而,轮毂电机特殊的安装方式,既难以加装保护装置,又极易诱发局部故障。一旦一个或多个轮毂电机发生故障,局部的输出转矩将会产生剧烈波动,势必导致车辆操纵稳定性及行驶平顺性下降,严重时发生跑偏、引发交通事故甚至危及生命。轮毂电机是多轴车辆的核心部件之一,其故障会直接影响车辆的可靠性和安全性。轮毂电机在使用过程中会因过载、过热、轴承故障等问题而造成马达故障。准确诊断轮毂电机故障类型,实现故障的早期预警和定位是保证多轴车辆安全可靠运行的重要环节。
3、故障诊断方法一般分为两类:基于模型的故障诊断方法和基于数据驱动的故障诊断方法。基于模型的方法依赖于较强的专业知识建立故障模型。而旋转机械涉及到电、机械、磁场的复杂耦合,很难建立精确的物理模型。相比之下,数据驱动方法能够自动提取特征,对专业知识要求较低,已在旋转机械故障诊断中得到广泛应用。
4、深度学习作为一种常用的数据驱动故
技术实现思路
1、针对现有技术中对于多轴车辆轮毂电机故障诊断存在的问题,本专利技术提供一种面向多轴车辆轮毂电机的故障诊断方法,将构建的故障诊断模型应用于多轴车辆中,解决其内部组件故障诊断问题。
2、一种面向多轴车辆轮毂电机的故障诊断方法,包括以下步骤:
3、步骤一,搭建轮毂电机轴承故障试验台架,在靠近轮毂电机轴承的电机夹具上安置两个加速度传感器,采集轮毂电机在试验中的振动信号数据,并对振动信号数据进行处理;
4、轮毂电机轴承故障包括外圈损伤、内圈损伤和滚动体损伤。
5、所述振动信号数据的采集和处理过程具体为:
6、首先,在试验台架上设计不同转速和负载转矩的试验方案,通过加速度传感器采集轮毂电机在y轴和z轴方向上的振动信号;
7、然后,使用功能数据采集仪lms scadas设置滑动窗口的大小及步长,对振动信号数据进行分割,并将分割后的数据分为训练集和测试集;
8、最后,对训练集和测试集中的振动信号样本进行标准化,使其相对于原始振动信号的标准差最大。
9、步骤二,利用基于特征选择层的编码器(pa)对训练集中的振动信号样本进行离散化选择,筛选出有利于故障诊断的特征参数;
10、步骤三,采用深度残差收缩块(drsb)利用自适应软阈值函数对筛选后的振动信号进行降噪处理,从而获得轮毂电机轴承故障特征;
11、步骤四,将降噪后的训练集振动信号输入到深度残差收缩局部编码器网络drspan中进行训练,得到一个用于轮毂电机的特征提取模型和分类模型;
12、训练的具体过程如下:
13、4.1)通过特征选择层对输入的训练集振动信号中的特征参数进行筛选,得到特征图x;
14、具体过程为:
15、特征选择层有k个节点,每个节点对应于振动信号的一个特征参数。
16、某个节点i的输入为一个特征参数数据,经过特征选择层筛选后,输出节点j输出一个0到1之间的数,表示该特征被选择的概率。
17、节点的输出是通过对输入数据进行加权求和,然后应用一个sigmoid函数和一个温度参数t来得到的。
18、其中,温度参数t控制了输出的离散程度,当t趋近于0时,输出会趋近于一个one-hot向量,即只有一个特征参数被选择,其他特征参数被忽略。当t较大时,输出会更接近于均匀分布,即所有特征参数都有相近的选择概率。因此,通过筛选过程动态地调整选择的特征参数的数量和位置,逐渐降低t的值,从而学习到最优的特征子集;
19、输入节点i与输出节点j之间的权值采样随机变量fij(t)为:
20、
21、
22、其中,f(t)∈rc×k,rc×k是权值采样矩阵f(t)维度。通过控制参数α∈rc×k使得fij(t)∈[0,1],gij和ghj为符合gumbel分布的独立样本。ts和te分别为起始和终止温度,ne为达到终止温度的训练迭代次数。c和h分别表示原始特征维度和行数,αij和αhj分别表示α∈rc×k的元素,t(i)表示第i个epoch迭代更新后的t值。
23、4.2)将经过特征选择层筛选特征后的振动信号输入到深度残差收缩块drsb,使用软阈值作为非线性变换层,消除噪声相关特征,获取不同振动信号特征;
24、在软阈值函数中,将gap应用于特征图x的绝对值以获得1d向量。然后,将1d向量传播到两层fc网络中以获得缩放参数。然后在两层fc网络的末端应用sigmoid函数,使得缩放参数被缩放到(0,1)的范围;
25、缩放参数为:
26、
27、消除噪声后的信号特征y为:
28、
29、其中,τ为可变的软阈值,gap为全局平均池化,average为求平均值,i表示特征提取网络不同层。
30、4.3)将消除噪声后的不同振动信号特征输出到最终编码层,提取输入数据故障特征,并将故障特征输入到softmax激活函数中获取故障诊断结果;
31、4.4)将故障诊断结果输出给解码层,解码层输出重构特征,通过平衡所选特征的分类精度和重构误差来选择对故障诊断有利的特征;
32、4.5)将测试集的振动信号输入到训练好的深度残差收缩局部编码器网络drspan模型中进行故障诊断测试,通过交叉熵损失函数评估drspan模型的诊断准确度。
33、交叉熵损失函数为:
34、其中,m为故障类别数,yic为符号函数,pic表示样本i属于类别c的概率。
35、4.6)重复上述训练过程,当交叉熵损失函数达到最小值时,表示drspan模型训练完成。
36、步骤五,将训练好的drspan模型用于未知的电机故障的诊断,得出电机的故障类型。
37、与现有技术相比,本专利技术的有益效果如下:
38、1、本专利技术方法使用drspan对振动信号进行特征选择,通过平衡所选特征的分类精度和重构误差来选择对故障诊断有利的特征。
39、2、drspan利用分类重参数化有效地解决了特征选择问题。
40、3、drsp本文档来自技高网...
【技术保护点】
1.一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,所述轮毂电机轴承故障的类型包括外圈损伤、内圈损伤和滚动体损伤。
3.根据权利要求1所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,所述振动信号数据的采集和处理过程具体为:
4.根据权利要求1所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,所述特征选择层对训练集中的振动信号进行特征参数的筛选,具体过程为:
5.根据权利要求4所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,所述节点的输出是通过对输入数据进行加权求和,然后应用一个sigmoid函数和一个温度参数T来得到的。
6.根据权利要求5所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,所述温度参数T控制了输出的离散程度,当T趋近于0时,输出会趋近于一个one-hot向量,即只有一个特征参数被选择,其他特征参数被忽略;当T趋近于1时,输出会更接近于均匀分布,即所有特征参数都有相近的选择概率
7.根据权利要求1所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,所述软阈值函数中,将GAP应用于特征图x的绝对值以获得1D向量;然后,将1D向量传播到两层FC网络中以获得缩放参数;最后在两层FC网络的末端应用sigmoid函数,使得缩放参数被缩放到(0,1)的范围;
8.根据权利要求7所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,经过软阈值函数消除噪声后的信号特征y为:
...【技术特征摘要】
1.一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,所述轮毂电机轴承故障的类型包括外圈损伤、内圈损伤和滚动体损伤。
3.根据权利要求1所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,所述振动信号数据的采集和处理过程具体为:
4.根据权利要求1所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,所述特征选择层对训练集中的振动信号进行特征参数的筛选,具体过程为:
5.根据权利要求4所述的一种面向多轴车辆轮毂电机的故障诊断方法,其特征在于,所述节点的输出是通过对输入数据进行加权求和,然后应用一个sigmoid函数和一个温度参数t来得到的。
6.根据权利要求5所述的一种面向多轴车辆轮毂电...
【专利技术属性】
技术研发人员:张辉,侯辰飞,徐向阳,董鹏,
申请(专利权)人:北京航空航天大学,
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。