基于深度遷移學(xué)習(xí)的車輛懸架高頻異常振動(dòng)故障診斷

牛禮民,胡 超,萬(wàn)凌初,張代慶

(安徽工業(yè)大學(xué) 機(jī)械工程學(xué)院,安徽 馬鞍山 243032)

0 引 言

在經(jīng)濟(jì)水平不斷提升的背景下,人們開(kāi)始選擇汽車作為主要出行工具,而車輛運(yùn)行安全也越來(lái)越受到重視[1]。在外界因素的干擾下,汽車行駛風(fēng)險(xiǎn)有所增加,甚至威脅了乘客的生命安全[2]。底盤作為汽車的關(guān)鍵結(jié)構(gòu),底盤故障會(huì)對(duì)汽車整體性能產(chǎn)生直接影響。為了實(shí)現(xiàn)底盤故障分析,眾多故障診斷模型被提出。

閔海根等[3]采用傳感器采集數(shù)據(jù)信息,通過(guò)自動(dòng)編碼器對(duì)正常數(shù)據(jù)進(jìn)行壓縮和重構(gòu),利用多層長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)重構(gòu)數(shù)據(jù)進(jìn)行迭代學(xué)習(xí),預(yù)測(cè)出下一時(shí)刻的數(shù)據(jù)值,再結(jié)合預(yù)先設(shè)置的自適應(yīng)閾值,輸出故障診斷結(jié)果,但該模型診斷效率較低;孫文明等[4]以散布熵分析理念為核心建立故障診斷模型,向模型中引入樣本分位數(shù)概念,建立樣本分位數(shù)散布熵方法識(shí)別故障信號(hào),然而該模型診斷精度較低;朱明新等[5]針對(duì)采集的數(shù)據(jù)信息進(jìn)行去噪處理,從處理后的信號(hào)中提取頻域特征,再應(yīng)用隨機(jī)森林算法進(jìn)行檢測(cè),得出故障分類檢測(cè)結(jié)果,但該模型泛化誤差較大;ZHANG Wei等[6]提出一種深度一維卷積神經(jīng)網(wǎng)絡(luò)(deep convolution neural networks with wide first-layer kernel,WDCNN)故障診斷模型,其首層采用了寬卷積核,彌補(bǔ)了對(duì)低頻故障特征學(xué)習(xí)能力弱的缺陷,該模型表現(xiàn)出較強(qiáng)抗擾能力,但未考慮使用不同尺度的卷積核來(lái)提取特征;鐘建華等[7]針對(duì)齒輪箱故障診斷問(wèn)題提出了一種基于小樣本數(shù)據(jù)的故障診斷方法,采用LeNet-5結(jié)構(gòu)對(duì)部分層輸出進(jìn)行了可視化,證明了所提方法的有效性,但該方法在診斷小樣本數(shù)據(jù)時(shí)診斷效率較低。

根據(jù)以上研究可知,目前在模型診斷小樣本數(shù)據(jù)上主要存在診斷精度低、泛化誤差大和診斷效率低等問(wèn)題。筆者以車輛懸架為研究對(duì)象,針對(duì)傳統(tǒng)診斷模型的不足之處,提出以深度遷移學(xué)習(xí)算法為核心的新型診斷模型。從模型故障診斷測(cè)試結(jié)果可以看出,筆者所提診斷模型的AUC值更高,其泛化誤差小,可得到更加精準(zhǔn)的故障診斷結(jié)果;在給定小樣本容量下,筆者所提模型診斷效率更快,間接保證了車輛運(yùn)行安全。

1 懸架高頻異常振動(dòng)

懸架高頻異常振動(dòng)是指汽車行駛在不平路面、鐵道或坎坷路段時(shí),懸架可能產(chǎn)生異響,主要原因有各連接球銷及螺栓嚴(yán)重磨損產(chǎn)生松動(dòng)、減震器漏油、左右螺旋彈簧變形或有裂紋等。懸架高頻異常振動(dòng)將導(dǎo)致汽車部件出現(xiàn)故障,影響汽車性能,甚至危及乘客的人身安全,因此需要分析懸架高頻異常振動(dòng)的特征并提取。

1.1 車輛懸架高頻振動(dòng)信號(hào)分解算法

利用振動(dòng)信號(hào)傳感器采集車輛懸架中高頻振動(dòng)信號(hào)。為了便于故障診斷分析,采用了基于EMD的信號(hào)分解算法,將原始信號(hào)轉(zhuǎn)換為多個(gè)本征模態(tài)函數(shù)和余項(xiàng)[8],分解算法公式為:

(1)

式中:M為被分解信號(hào)的能量;q為將原始信號(hào)分解為q段;λ為被分解信號(hào)的參數(shù);λq為第q段被分解的信號(hào)參數(shù);sq(λ)為連續(xù)時(shí)間信號(hào)。

應(yīng)用樣條插值法規(guī)劃上下包絡(luò)線,以此為基礎(chǔ)計(jì)算包絡(luò)線均值和差值:

(2)

h=x-α

(3)

式中:θ1為上包絡(luò)線;θ2為下包絡(luò)線;α為上下包絡(luò)線均值;x為原始高頻振動(dòng)信號(hào);h為原信號(hào)幅值與該包絡(luò)線均值的差值。

針對(duì)式(3)計(jì)算結(jié)果進(jìn)行判斷,如果滿足包絡(luò)線均值高于懸架標(biāo)準(zhǔn)振幅的判定條件(標(biāo)準(zhǔn)振幅為汽車正常運(yùn)行時(shí)懸架的振動(dòng)頻率),則設(shè)置其為第一層IMF分量,反之則需要繼續(xù)進(jìn)行迭代分析。

通過(guò)上述處理,從原始信號(hào)中分離IMF分量,并獲取分解后的余項(xiàng)。分析余項(xiàng)是否屬于單調(diào)函數(shù),若其為單調(diào)函數(shù),可根據(jù)式(4)得出下一層IMF分量,反之則需要重復(fù)執(zhí)行信號(hào)分解操作直至分解后的余項(xiàng)具有單調(diào)性。信號(hào)分解處理結(jié)束后,原始振動(dòng)信號(hào)可以表示如式(4):

(4)

式中:t為時(shí)間尺度,s;L為本征模態(tài)函數(shù)總數(shù)量;l為本征模態(tài)函數(shù);e為余弦項(xiàng);I為分解得到的經(jīng)驗(yàn)?zāi)B(tài)分量。

車輛懸架中高頻異常振動(dòng)信號(hào)分解過(guò)程中,每一層IMF分量的分解結(jié)束條件可以通過(guò)設(shè)置標(biāo)準(zhǔn)差數(shù)值來(lái)確定,具體表示為:

(5)

式中:E為標(biāo)準(zhǔn)差數(shù)值;T為振動(dòng)信號(hào)采集的總時(shí)間,s;k為迭代次數(shù)。

實(shí)際操作過(guò)程中,式(5)計(jì)算結(jié)果E=0.2～0.3時(shí),則可停止高頻振動(dòng)信號(hào)分解。

1.2 高頻振動(dòng)信號(hào)故障特征提取

通過(guò)EMD方法,將原始包含噪聲的信號(hào)分解為多個(gè)IMF分量,在分解后分次向信號(hào)中添加白噪聲,經(jīng)過(guò)平均處理使得添加的白噪聲與信號(hào)中包含的原始噪聲信息相抵消[9],得到最終IMF分量。

為了便于檢測(cè)故障問(wèn)題,對(duì)去噪處理后的振動(dòng)信息IMF分量進(jìn)行分析,從中選擇能量較高的信號(hào)作為特征矢量,每個(gè)IMF分量包含的能量如式(6):

(6)

式中:i為所選的IMF分量;j為IMF分量長(zhǎng)度范圍;m為IMF分量的總長(zhǎng)度;C為IMF分量的振幅;δi為IMF分量i的能量。

特征提取過(guò)程中,需要根據(jù)IMF分量能量計(jì)算結(jié)果,選取能量較高的IMF分量的范數(shù),得到振動(dòng)信號(hào)包含的特征矢量集:

(7)

式中:bi為特征矢量;n為提取的特征矢量數(shù)量;B為特征矢量集。

通過(guò)上述處理,得到車輛懸架中高頻異常振動(dòng)故障特征矢量集,作為故障診斷的基礎(chǔ)。

2 深度遷移學(xué)習(xí)故障診斷方法

以深度遷移學(xué)習(xí)算法作為故障診斷模型的中心。故障模型在分析小樣本故障特征信號(hào)時(shí),通過(guò)故障知識(shí)遷移處理,提升了故障診斷的精度。選用深度神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò),與遷移學(xué)習(xí)理念相結(jié)合[10],將源域和目標(biāo)域信號(hào)輸入二維時(shí)頻分布圖像,經(jīng)遷移處理并在故障診斷網(wǎng)絡(luò)模型中訓(xùn)練。訓(xùn)練后的參數(shù)信息導(dǎo)入故障診斷模型進(jìn)行參數(shù)微調(diào)處理,通過(guò)迭代訓(xùn)練生成最優(yōu)診斷模型,加強(qiáng)故障診斷模型的學(xué)習(xí)能力。

2.1 深度遷移學(xué)習(xí)故障診斷模式

由于車輛懸架中高頻異常振動(dòng)信號(hào)具有非線性特點(diǎn),正常信號(hào)與異常信號(hào)之間也存在顯著的差異,基于此提出以深度遷移學(xué)習(xí)算法為核心的故障診斷方法,該方法診斷模式如圖1。

圖1 基于深度學(xué)習(xí)遷移的故障診斷模式Fig. 1 Fault diagnosis mode based on deep learning transfer

基于深度遷移學(xué)習(xí)進(jìn)行故障診斷時(shí),須先對(duì)預(yù)訓(xùn)練網(wǎng)絡(luò)模型進(jìn)行參數(shù)遷移處理,將源域信號(hào)和目標(biāo)域信號(hào)導(dǎo)入二維時(shí)頻分布圖像,作為訓(xùn)練集進(jìn)行參數(shù)微調(diào);同時(shí)將數(shù)據(jù)集導(dǎo)入預(yù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型,將預(yù)訓(xùn)練后的數(shù)據(jù)集進(jìn)行參數(shù)遷移和初始化處理[11]。最后與參數(shù)微調(diào)后的訓(xùn)練集一起輸入到神經(jīng)網(wǎng)絡(luò)模型中,得到實(shí)際診斷所需的故障診斷模型。

2.2 深度遷移學(xué)習(xí)故障診斷模型構(gòu)建

將預(yù)訓(xùn)練后的參數(shù)信息導(dǎo)入至故障診斷模型內(nèi)進(jìn)行參數(shù)微調(diào)處理,再通過(guò)迭代訓(xùn)練生成最優(yōu)診斷模型,模型參數(shù)微調(diào)見(jiàn)圖2。

圖2 模型參數(shù)微調(diào)示意Fig. 2 Fine-tuning diagram of network parameters

使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí),常用離散卷積模式分析特征,文中運(yùn)用二維卷積核處理輸入信號(hào),其卷積運(yùn)算為:

y=η*γ

(8)

式中:η為輸入的特征信號(hào);γ為核函數(shù);*表示卷積運(yùn)算操作;y為輸出運(yùn)算結(jié)果的集合。

深度遷移學(xué)習(xí)算法進(jìn)行故障診斷時(shí),涉及偏置、權(quán)重兩個(gè)關(guān)鍵參數(shù),將特征向量信息通過(guò)映射分析求得故障診斷結(jié)果,具體表達(dá)公式為:

(9)

式中:yd為卷積d層輸出的運(yùn)算結(jié)果;ψ為激活函數(shù);k為輸入信號(hào)集合個(gè)數(shù);?為d層卷積核的權(quán)重矩陣;φd為卷積d層的偏置向量。

故障診斷模型在卷積層后方添加了激活函數(shù)層和最大池化層,分別負(fù)責(zé)避免梯度彌散問(wèn)題和降低計(jì)算量。模型的最后添加了Softmax函數(shù),通過(guò)映射分析得到特征向量運(yùn)算結(jié)果,即為故障診斷結(jié)果。

3 卷積神經(jīng)網(wǎng)絡(luò)算法優(yōu)化

故障診斷模型可基于特征向量輸出車輛懸架中高頻異常振動(dòng)故障診斷結(jié)果,但考慮到該模型輸出結(jié)果可能存在較大誤差,利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)構(gòu)建故障模型的權(quán)值進(jìn)行更新,并計(jì)算最小化損失函數(shù)[12]。其中卷積神經(jīng)網(wǎng)絡(luò)模型d層損失函數(shù)計(jì)算公式為:

(10)

式中:f為目標(biāo)樣本;F為樣本總數(shù)量;ζ為模型內(nèi)卷積層總數(shù)量;zd為d層樣本預(yù)測(cè)標(biāo)簽值;od為d層樣本實(shí)際標(biāo)簽值。

卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)化過(guò)程中,先滿足損失函數(shù)最小化要求,再針對(duì)神經(jīng)元權(quán)值與偏置、神經(jīng)元輸入向量、神經(jīng)元輸出向量、卷積核、激活函數(shù)輸入、池化層輸入、池化層輸出求偏導(dǎo),再根據(jù)神經(jīng)元的權(quán)值偏導(dǎo)、卷積核偏導(dǎo)及其偏置的偏導(dǎo)更新模型運(yùn)算權(quán)值和梯度值:

(11)

(12)

(13)

通過(guò)式(1)～式(3)運(yùn)算,實(shí)現(xiàn)模型的權(quán)值和梯度優(yōu)化,得到車輛懸架中高頻異常振動(dòng)優(yōu)化后故障診斷模型。

4 實(shí)驗(yàn)數(shù)據(jù)采集與研究

4.1 實(shí)驗(yàn)準(zhǔn)備

所構(gòu)建的故障診斷模型主要應(yīng)用在汽車懸架底盤故障檢測(cè)領(lǐng)域,為了確保該模型具有可靠性,在MATLAB軟件中,對(duì)所提出的模型進(jìn)行實(shí)驗(yàn)測(cè)試。隨機(jī)選擇多臺(tái)相同型號(hào)、具有懸架底盤的混合動(dòng)力汽車作為研究對(duì)象,主要針對(duì)汽車后懸架進(jìn)行分析,其主要結(jié)構(gòu)如圖3。

圖3 車輛后懸架主要結(jié)構(gòu)Fig. 3 Main structure of vehicle rear suspension

為了便于分析車輛懸架中高頻異常振動(dòng)故障問(wèn)題,針對(duì)該車輛的懸架系統(tǒng)進(jìn)行分析,其具體參數(shù)如表1。

表1 懸架系統(tǒng)參數(shù)Table 1 Suspension system parameters

利用振動(dòng)信號(hào)采集傳感器采集高頻振動(dòng)信息,得到包含4 500個(gè)樣本的訓(xùn)練數(shù)據(jù)集以及包含2 000個(gè)樣本的測(cè)試數(shù)據(jù)集,小樣本容量選取為30個(gè)。

4.2 高頻振動(dòng)信號(hào)分解

振動(dòng)信號(hào)傳感器所采集到的懸架振動(dòng)信號(hào)如圖4。由圖4可知,懸架發(fā)生故障時(shí),懸架中的高頻異常振動(dòng)信號(hào)呈現(xiàn)非線性特點(diǎn);正常懸架振動(dòng)信號(hào)則趨于平穩(wěn)。但信號(hào)中存在高斯白噪聲,影響故障診斷結(jié)果的準(zhǔn)確性。

圖4 振動(dòng)信號(hào)傳感器采集的信號(hào)Fig. 4 Signals collected by vibration signal sensor

采用EMD法對(duì)高頻異常振動(dòng)信號(hào)進(jìn)行解析,將原始信號(hào)變換為合成信號(hào)、周期信號(hào)、間歇信號(hào)以及趨勢(shì)信號(hào),如圖5。

圖5 車輛懸架的高頻振動(dòng)信號(hào)分解結(jié)果Fig. 5 High frequency vibration signal decomposition results of vehicle suspension

由圖5可知:車輛懸架的高頻振動(dòng)信號(hào)分解結(jié)果中,間歇信號(hào)并未影響到周期信號(hào)變化趨勢(shì),保證了振動(dòng)信號(hào)在分離噪聲信號(hào)后依舊保留原始狀態(tài)。同時(shí)存在的部分高頻噪聲會(huì)保留在間歇信號(hào)中,不對(duì)后續(xù)故障診斷工作產(chǎn)生干擾。

4.3 模型訓(xùn)練結(jié)果

診斷模型以卷積運(yùn)算為核心,初始條件下,設(shè)置卷積層內(nèi)存在6個(gè)濾波器,且每個(gè)濾波核的尺寸為3×3。為了確保診斷模型處于最優(yōu)狀態(tài),運(yùn)用懸鏈數(shù)據(jù)集對(duì)診斷模型進(jìn)行測(cè)試,得到的不同過(guò)濾器參數(shù)條件下模型訓(xùn)練結(jié)果如圖6。

圖6 不同過(guò)濾條件器參數(shù)條件下模型訓(xùn)練結(jié)果Fig. 6 Model training results under different filter conditioner parameters

由圖6可知:初始條件下過(guò)濾器參數(shù)為Conv3-8和Conv3-16,此時(shí)模型診斷準(zhǔn)確率為0.795,而后隨著過(guò)濾器參數(shù)的增長(zhǎng),模型診斷準(zhǔn)確率不斷提升,直到參數(shù)為Conv3-64和Conv3-128時(shí),模型診斷準(zhǔn)確率達(dá)到了0.972。因此,為了保證模型應(yīng)用性能更佳,確定實(shí)驗(yàn)測(cè)試時(shí)過(guò)濾器參數(shù)為Conv3-64和Conv3-128。

4.4 模型診斷結(jié)果對(duì)比分析

運(yùn)用訓(xùn)練后的最優(yōu)模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行故障診斷分析,并根據(jù)模型診斷結(jié)果繪制ROC曲線。同時(shí)應(yīng)用基于樣本分位數(shù)散布熵的模型、基于隨機(jī)森林算法的模型進(jìn)行診斷分析,對(duì)比3種模型的診斷結(jié)果,如圖7。

圖7 不同模型的ROC曲線Fig. 7 ROC curves of different models

根據(jù)圖7可知,所構(gòu)建的深度遷移學(xué)習(xí)故障診斷模型ROC曲線明顯高于其他兩種模型,其泛化誤差對(duì)比于其他方法較小。對(duì)ROC曲線下面積進(jìn)一步分析,明確3個(gè)故障診斷模型的AUC值分別為0.89、0.72、0.67,與其他故障診斷模型相比,深度遷移學(xué)習(xí)模型AUC值提升了19.10%、24.72%,表明了深度遷移學(xué)習(xí)模型具有的優(yōu)越診斷性。

4.5 模型診斷效率對(duì)比分析

對(duì)比樣本分位數(shù)散布熵、隨機(jī)森林算法和深度遷移學(xué)習(xí)3個(gè)故障診斷模型的診斷效率,選取小樣本容量為30個(gè),且3個(gè)模型在1 s內(nèi)對(duì)樣本進(jìn)行診斷,不同模型的診斷效率如圖8。

圖8 不同模型診斷效率曲線Fig. 8 Diagnostic efficiency curves of different models

根據(jù)圖8可知,隨著樣本容量的不斷增加,筆者所提模型在0.7 s左右即可完成診斷,樣本分位數(shù)散布熵和隨機(jī)森林算法模型則分別需要0.9、1.0 s才能完成診斷。由此可以看出,筆者所提的深度遷移學(xué)習(xí)模型診斷效率優(yōu)于其他兩種模型,診斷效率更高。

5 結(jié) 論

1)提出了基于深度遷移學(xué)習(xí)的車輛懸架中高頻異常振動(dòng)故障診斷方法,采用EMD方法分解處理實(shí)時(shí)采集的車輛懸架高頻振動(dòng)信號(hào),根據(jù)每個(gè)IMF分量的能量提取高頻異常振動(dòng)故障特征,并以此為基礎(chǔ),構(gòu)建基于深度遷移學(xué)習(xí)的診斷模型。

2)將樣本分位數(shù)散布熵、隨機(jī)森林算法的兩種故障診斷模型作為對(duì)比,分析結(jié)果可知,基于深度遷移學(xué)習(xí)故障診斷模型的AUC值為0.89,高于其他兩種對(duì)比方法,表明其泛化誤差小,可得到更加精準(zhǔn)的故障診斷結(jié)果。

3)選取小樣本容量為30個(gè),且3個(gè)模型在1.0 s內(nèi)對(duì)樣本進(jìn)行診斷,隨著樣本容量的增加,筆者所提模型在0.7 s左右完成診斷;樣本分位數(shù)散布熵和隨機(jī)森林算法模型則分別需要0.9、1.0 s才能完成診斷。結(jié)果表明,深度遷移學(xué)習(xí)模型在小樣本范圍內(nèi)的診斷效率優(yōu)于其他兩種模型,其診斷效率更高,也為推動(dòng)汽車健康狀態(tài)監(jiān)測(cè)智能化發(fā)展提供參考。