基于深度迁移学习的车辆悬架高频异常振动故障诊断

牛礼民,胡 超,万凌初,张代庆

(安徽工业大学 机械工程学院,安徽 马鞍山 243032)

0 引 言

在经济水平不断提升的背景下,人们开始选择汽车作为主要出行工具,而车辆运行安全也越来越受到重视[1]。在外界因素的干扰下,汽车行驶风险有所增加,甚至威胁了乘客的生命安全[2]。底盘作为汽车的关键结构,底盘故障会对汽车整体性能产生直接影响。为了实现底盘故障分析,众多故障诊断模型被提出。

闵海根等[3]采用传感器采集数据信息,通过自动编码器对正常数据进行压缩和重构,利用多层长短时记忆网络对重构数据进行迭代学习,预测出下一时刻的数据值,再结合预先设置的自适应阈值,输出故障诊断结果,但该模型诊断效率较低;孙文明等[4]以散布熵分析理念为核心建立故障诊断模型,向模型中引入样本分位数概念,建立样本分位数散布熵方法识别故障信号,然而该模型诊断精度较低;朱明新等[5]针对采集的数据信息进行去噪处理,从处理后的信号中提取频域特征,再应用随机森林算法进行检测,得出故障分类检测结果,但该模型泛化误差较大;ZHANG Wei等[6]提出一种深度一维卷积神经网络(deep convolution neural networks with wide first-layer kernel,WDCNN)故障诊断模型,其首层采用了宽卷积核,弥补了对低频故障特征学习能力弱的缺陷,该模型表现出较强抗扰能力,但未考虑使用不同尺度的卷积核来提取特征;钟建华等[7]针对齿轮箱故障诊断问题提出了一种基于小样本数据的故障诊断方法,采用LeNet-5结构对部分层输出进行了可视化,证明了所提方法的有效性,但该方法在诊断小样本数据时诊断效率较低。

根据以上研究可知,目前在模型诊断小样本数据上主要存在诊断精度低、泛化误差大和诊断效率低等问题。笔者以车辆悬架为研究对象,针对传统诊断模型的不足之处,提出以深度迁移学习算法为核心的新型诊断模型。从模型故障诊断测试结果可以看出,笔者所提诊断模型的AUC值更高,其泛化误差小,可得到更加精准的故障诊断结果;在给定小样本容量下,笔者所提模型诊断效率更快,间接保证了车辆运行安全。

1 悬架高频异常振动

悬架高频异常振动是指汽车行驶在不平路面、铁道或坎坷路段时,悬架可能产生异响,主要原因有各连接球销及螺栓严重磨损产生松动、减震器漏油、左右螺旋弹簧变形或有裂纹等。悬架高频异常振动将导致汽车部件出现故障,影响汽车性能,甚至危及乘客的人身安全,因此需要分析悬架高频异常振动的特征并提取。

1.1 车辆悬架高频振动信号分解算法

利用振动信号传感器采集车辆悬架中高频振动信号。为了便于故障诊断分析,采用了基于EMD的信号分解算法,将原始信号转换为多个本征模态函数和余项[8],分解算法公式为:

(1)

式中:M为被分解信号的能量;q为将原始信号分解为q段;λ为被分解信号的参数;λq为第q段被分解的信号参数;sq(λ)为连续时间信号。

应用样条插值法规划上下包络线,以此为基础计算包络线均值和差值:

(2)

h=x-α

(3)

式中:θ1为上包络线;θ2为下包络线;α为上下包络线均值;x为原始高频振动信号;h为原信号幅值与该包络线均值的差值。

针对式(3)计算结果进行判断,如果满足包络线均值高于悬架标准振幅的判定条件(标准振幅为汽车正常运行时悬架的振动频率),则设置其为第一层IMF分量,反之则需要继续进行迭代分析。

通过上述处理,从原始信号中分离IMF分量,并获取分解后的余项。分析余项是否属于单调函数,若其为单调函数,可根据式(4)得出下一层IMF分量,反之则需要重复执行信号分解操作直至分解后的余项具有单调性。信号分解处理结束后,原始振动信号可以表示如式(4):

(4)

式中:t为时间尺度,s;L为本征模态函数总数量;l为本征模态函数;e为余弦项;I为分解得到的经验模态分量。

车辆悬架中高频异常振动信号分解过程中,每一层IMF分量的分解结束条件可以通过设置标准差数值来确定,具体表示为:

(5)

式中:E为标准差数值;T为振动信号采集的总时间,s;k为迭代次数。

实际操作过程中,式(5)计算结果E=0.2～0.3时,则可停止高频振动信号分解。

1.2 高频振动信号故障特征提取

通过EMD方法,将原始包含噪声的信号分解为多个IMF分量,在分解后分次向信号中添加白噪声,经过平均处理使得添加的白噪声与信号中包含的原始噪声信息相抵消[9],得到最终IMF分量。

为了便于检测故障问题,对去噪处理后的振动信息IMF分量进行分析,从中选择能量较高的信号作为特征矢量,每个IMF分量包含的能量如式(6):

(6)

式中:i为所选的IMF分量;j为IMF分量长度范围;m为IMF分量的总长度;C为IMF分量的振幅;δi为IMF分量i的能量。

特征提取过程中,需要根据IMF分量能量计算结果,选取能量较高的IMF分量的范数,得到振动信号包含的特征矢量集:

(7)

式中:bi为特征矢量;n为提取的特征矢量数量;B为特征矢量集。

通过上述处理,得到车辆悬架中高频异常振动故障特征矢量集,作为故障诊断的基础。

2 深度迁移学习故障诊断方法

以深度迁移学习算法作为故障诊断模型的中心。故障模型在分析小样本故障特征信号时,通过故障知识迁移处理,提升了故障诊断的精度。选用深度神经网络作为基础网络,与迁移学习理念相结合[10],将源域和目标域信号输入二维时频分布图像,经迁移处理并在故障诊断网络模型中训练。训练后的参数信息导入故障诊断模型进行参数微调处理,通过迭代训练生成最优诊断模型,加强故障诊断模型的学习能力。

2.1 深度迁移学习故障诊断模式

由于车辆悬架中高频异常振动信号具有非线性特点,正常信号与异常信号之间也存在显著的差异,基于此提出以深度迁移学习算法为核心的故障诊断方法,该方法诊断模式如图1。

图1 基于深度学习迁移的故障诊断模式Fig. 1 Fault diagnosis mode based on deep learning transfer

基于深度迁移学习进行故障诊断时,须先对预训练网络模型进行参数迁移处理,将源域信号和目标域信号导入二维时频分布图像,作为训练集进行参数微调;同时将数据集导入预训练深度神经网络模型,将预训练后的数据集进行参数迁移和初始化处理[11]。最后与参数微调后的训练集一起输入到神经网络模型中,得到实际诊断所需的故障诊断模型。

2.2 深度迁移学习故障诊断模型构建

将预训练后的参数信息导入至故障诊断模型内进行参数微调处理,再通过迭代训练生成最优诊断模型,模型参数微调见图2。

图2 模型参数微调示意Fig. 2 Fine-tuning diagram of network parameters

使用卷积神经网络进行故障诊断时,常用离散卷积模式分析特征,文中运用二维卷积核处理输入信号,其卷积运算为:

y=η*γ

(8)

式中:η为输入的特征信号;γ为核函数;*表示卷积运算操作;y为输出运算结果的集合。

深度迁移学习算法进行故障诊断时,涉及偏置、权重两个关键参数,将特征向量信息通过映射分析求得故障诊断结果,具体表达公式为:

(9)

式中:yd为卷积d层输出的运算结果;ψ为激活函数;k为输入信号集合个数;ϑ为d层卷积核的权重矩阵;φd为卷积d层的偏置向量。

故障诊断模型在卷积层后方添加了激活函数层和最大池化层,分别负责避免梯度弥散问题和降低计算量。模型的最后添加了Softmax函数,通过映射分析得到特征向量运算结果,即为故障诊断结果。

3 卷积神经网络算法优化

故障诊断模型可基于特征向量输出车辆悬架中高频异常振动故障诊断结果,但考虑到该模型输出结果可能存在较大误差,利用卷积神经网络算法对构建故障模型的权值进行更新,并计算最小化损失函数[12]。其中卷积神经网络模型d层损失函数计算公式为:

(10)

式中:f为目标样本;F为样本总数量;ζ为模型内卷积层总数量;zd为d层样本预测标签值;od为d层样本实际标签值。

卷积神经网络模型优化过程中,先满足损失函数最小化要求,再针对神经元权值与偏置、神经元输入向量、神经元输出向量、卷积核、激活函数输入、池化层输入、池化层输出求偏导,再根据神经元的权值偏导、卷积核偏导及其偏置的偏导更新模型运算权值和梯度值:

(11)

(12)

(13)

通过式(1)～式(3)运算,实现模型的权值和梯度优化,得到车辆悬架中高频异常振动优化后故障诊断模型。

4 实验数据采集与研究

4.1 实验准备

所构建的故障诊断模型主要应用在汽车悬架底盘故障检测领域,为了确保该模型具有可靠性,在MATLAB软件中,对所提出的模型进行实验测试。随机选择多台相同型号、具有悬架底盘的混合动力汽车作为研究对象,主要针对汽车后悬架进行分析,其主要结构如图3。

图3 车辆后悬架主要结构Fig. 3 Main structure of vehicle rear suspension

为了便于分析车辆悬架中高频异常振动故障问题,针对该车辆的悬架系统进行分析,其具体参数如表1。

表1 悬架系统参数Table 1 Suspension system parameters

利用振动信号采集传感器采集高频振动信息,得到包含4 500个样本的训练数据集以及包含2 000个样本的测试数据集,小样本容量选取为30个。

4.2 高频振动信号分解

振动信号传感器所采集到的悬架振动信号如图4。由图4可知,悬架发生故障时,悬架中的高频异常振动信号呈现非线性特点;正常悬架振动信号则趋于平稳。但信号中存在高斯白噪声,影响故障诊断结果的准确性。

图4 振动信号传感器采集的信号Fig. 4 Signals collected by vibration signal sensor

采用EMD法对高频异常振动信号进行解析,将原始信号变换为合成信号、周期信号、间歇信号以及趋势信号,如图5。

图5 车辆悬架的高频振动信号分解结果Fig. 5 High frequency vibration signal decomposition results of vehicle suspension

由图5可知:车辆悬架的高频振动信号分解结果中,间歇信号并未影响到周期信号变化趋势,保证了振动信号在分离噪声信号后依旧保留原始状态。同时存在的部分高频噪声会保留在间歇信号中,不对后续故障诊断工作产生干扰。

4.3 模型训练结果

诊断模型以卷积运算为核心,初始条件下,设置卷积层内存在6个滤波器,且每个滤波核的尺寸为3×3。为了确保诊断模型处于最优状态,运用悬链数据集对诊断模型进行测试,得到的不同过滤器参数条件下模型训练结果如图6。

图6 不同过滤条件器参数条件下模型训练结果Fig. 6 Model training results under different filter conditioner parameters

由图6可知:初始条件下过滤器参数为Conv3-8和Conv3-16,此时模型诊断准确率为0.795,而后随着过滤器参数的增长,模型诊断准确率不断提升,直到参数为Conv3-64和Conv3-128时,模型诊断准确率达到了0.972。因此,为了保证模型应用性能更佳,确定实验测试时过滤器参数为Conv3-64和Conv3-128。

4.4 模型诊断结果对比分析

运用训练后的最优模型对测试数据集进行故障诊断分析,并根据模型诊断结果绘制ROC曲线。同时应用基于样本分位数散布熵的模型、基于随机森林算法的模型进行诊断分析,对比3种模型的诊断结果,如图7。

图7 不同模型的ROC曲线Fig. 7 ROC curves of different models

根据图7可知,所构建的深度迁移学习故障诊断模型ROC曲线明显高于其他两种模型,其泛化误差对比于其他方法较小。对ROC曲线下面积进一步分析,明确3个故障诊断模型的AUC值分别为0.89、0.72、0.67,与其他故障诊断模型相比,深度迁移学习模型AUC值提升了19.10%、24.72%,表明了深度迁移学习模型具有的优越诊断性。

4.5 模型诊断效率对比分析

对比样本分位数散布熵、随机森林算法和深度迁移学习3个故障诊断模型的诊断效率,选取小样本容量为30个,且3个模型在1 s内对样本进行诊断,不同模型的诊断效率如图8。

图8 不同模型诊断效率曲线Fig. 8 Diagnostic efficiency curves of different models

根据图8可知,随着样本容量的不断增加,笔者所提模型在0.7 s左右即可完成诊断,样本分位数散布熵和随机森林算法模型则分别需要0.9、1.0 s才能完成诊断。由此可以看出,笔者所提的深度迁移学习模型诊断效率优于其他两种模型,诊断效率更高。

5 结 论

1)提出了基于深度迁移学习的车辆悬架中高频异常振动故障诊断方法,采用EMD方法分解处理实时采集的车辆悬架高频振动信号,根据每个IMF分量的能量提取高频异常振动故障特征,并以此为基础,构建基于深度迁移学习的诊断模型。

2)将样本分位数散布熵、随机森林算法的两种故障诊断模型作为对比,分析结果可知,基于深度迁移学习故障诊断模型的AUC值为0.89,高于其他两种对比方法,表明其泛化误差小,可得到更加精准的故障诊断结果。

3)选取小样本容量为30个,且3个模型在1.0 s内对样本进行诊断,随着样本容量的增加,笔者所提模型在0.7 s左右完成诊断;样本分位数散布熵和随机森林算法模型则分别需要0.9、1.0 s才能完成诊断。结果表明,深度迁移学习模型在小样本范围内的诊断效率优于其他两种模型,其诊断效率更高,也为推动汽车健康状态监测智能化发展提供参考。