基于深度遷移學習的車輛懸架高頻異常振動故障診斷

牛禮民,胡 超,萬凌初,張代慶

(安徽工業大學 機械工程學院,安徽 馬鞍山 243032)

0 引 言

在經濟水平不斷提升的背景下,人們開始選擇汽車作為主要出行工具,而車輛運行安全也越來越受到重視[1]。在外界因素的干擾下,汽車行駛風險有所增加,甚至威脅了乘客的生命安全[2]。底盤作為汽車的關鍵結構,底盤故障會對汽車整體性能產生直接影響。為了實現底盤故障分析,眾多故障診斷模型被提出。

閔海根等[3]采用傳感器采集數據信息,通過自動編碼器對正常數據進行壓縮和重構,利用多層長短時記憶網絡對重構數據進行迭代學習,預測出下一時刻的數據值,再結合預先設置的自適應閾值,輸出故障診斷結果,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概念,建立樣本分位數散布熵方法識別故障信號,然而該模型診斷精度較低;朱明新等[5]針對采集的數據信息進行去噪處理,從處理后的信號中提取頻域特征,再應用隨機森林算法進行檢測,得出故障分類檢測結果,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網絡(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,彌補了對低頻故障特征學習能力弱的缺陷,該模型表現出較強抗擾能力,但未考慮使用不同尺度的卷積核來提取特征;鐘建華等[7]針對齒輪箱故障診斷問題提出了一種基于小樣本數據的故障診斷方法,采用LeNet-5結構對部分層輸出進行了可視化,證明了所提方法的有效性,但該方法在診斷小樣本數據時診斷效率較低。

根據以上研究可知,目前在模型診斷小樣本數據上主要存在診斷精度低、泛化誤差大和診斷效率低等問題。筆者以車輛懸架為研究對象,針對傳統診斷模型的不足之處,提出以深度遷移學習算法為核心的新型診斷模型。從模型故障診斷測試結果可以看出,筆者所提診斷模型的AUC值更高,其泛化誤差小,可得到更加精準的故障診斷結果;在給定小樣本容量下,筆者所提模型診斷效率更快,間接保證了車輛運行安全。

1 懸架高頻異常振動

懸架高頻異常振動是指汽車行駛在不平路面、鐵道或坎坷路段時,懸架可能產生異響,主要原因有各連接球銷及螺栓嚴重磨損產生松動、減震器漏油、左右螺旋彈簧變形或有裂紋等。懸架高頻異常振動將導致汽車部件出現故障,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的特征并提取。

1.1 車輛懸架高頻振動信號分解算法

利用振動信號傳感器采集車輛懸架中高頻振動信號。為了便于故障診斷分析,采用了基于EMD的信號分解算法,將原始信號轉換為多個本征模態函數和余項[8],分解算法公式為:

(1)

式中:M為被分解信號的能量;q為將原始信號分解為q段;λ為被分解信號的參數;λq為第q段被分解的信號參數;sq(λ)為連續時間信號。

應用樣條插值法規劃上下包絡線,以此為基礎計算包絡線均值和差值:

(2)

h=x-α

(3)

式中:θ1為上包絡線;θ2為下包絡線;α為上下包絡線均值;x為原始高頻振動信號;h為原信號幅值與該包絡線均值的差值。

針對式(3)計算結果進行判斷,如果滿足包絡線均值高于懸架標準振幅的判定條件(標準振幅為汽車正常運行時懸架的振動頻率),則設置其為第一層IMF分量,反之則需要繼續進行迭代分析。

通過上述處理,從原始信號中分離IMF分量,并獲取分解后的余項。分析余項是否屬于單調函數,若其為單調函數,可根據式(4)得出下一層IMF分量,反之則需要重復執行信號分解操作直至分解后的余項具有單調性。信號分解處理結束后,原始振動信號可以表示如式(4):

(4)

式中:t為時間尺度,s;L為本征模態函數總數量;l為本征模態函數;e為余弦項;I為分解得到的經驗模態分量。

車輛懸架中高頻異常振動信號分解過程中,每一層IMF分量的分解結束條件可以通過設置標準差數值來確定,具體表示為:

(5)

式中:E為標準差數值;T為振動信號采集的總時間,s;k為迭代次數。

實際操作過程中,式(5)計算結果E=0.2～0.3時,則可停止高頻振動信號分解。

1.2 高頻振動信號故障特征提取

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

為了便于檢測故障問題,對去噪處理后的振動信息IMF分量進行分析,從中選擇能量較高的信號作為特征矢量,每個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分量長度范圍;m為IMF分量的總長度;C為IMF分量的振幅;δi為IMF分量i的能量。

特征提取過程中,需要根據IMF分量能量計算結果,選取能量較高的IMF分量的范數,得到振動信號包含的特征矢量集:

(7)

式中:bi為特征矢量;n為提取的特征矢量數量;B為特征矢量集。

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

2 深度遷移學習故障診斷方法

以深度遷移學習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時,通過故障知識遷移處理,提升了故障診斷的精度。選用深度神經網絡作為基礎網絡,與遷移學習理念相結合[10],將源域和目標域信號輸入二維時頻分布圖像,經遷移處理并在故障診斷網絡模型中訓練。訓練后的參數信息導入故障診斷模型進行參數微調處理,通過迭代訓練生成最優診斷模型,加強故障診斷模型的學習能力。

2.1 深度遷移學習故障診斷模式

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

圖1 基于深度學習遷移的故障診斷模式Fig. 1 Fault diagnosis mode based on deep learning transfer

基于深度遷移學習進行故障診斷時,須先對預訓練網絡模型進行參數遷移處理,將源域信號和目標域信號導入二維時頻分布圖像,作為訓練集進行參數微調;同時將數據集導入預訓練深度神經網絡模型,將預訓練后的數據集進行參數遷移和初始化處理[11]。最后與參數微調后的訓練集一起輸入到神經網絡模型中,得到實際診斷所需的故障診斷模型。

2.2 深度遷移學習故障診斷模型構建

將預訓練后的參數信息導入至故障診斷模型內進行參數微調處理,再通過迭代訓練生成最優診斷模型,模型參數微調見圖2。

圖2 模型參數微調示意Fig. 2 Fine-tuning diagram of network parameters

使用卷積神經網絡進行故障診斷時,常用離散卷積模式分析特征,文中運用二維卷積核處理輸入信號,其卷積運算為:

y=η*γ

(8)

式中:η為輸入的特征信號;γ為核函數;*表示卷積運算操作;y為輸出運算結果的集合。

深度遷移學習算法進行故障診斷時,涉及偏置、權重兩個關鍵參數,將特征向量信息通過映射分析求得故障診斷結果,具體表達公式為:

(9)

式中:yd為卷積d層輸出的運算結果;ψ為激活函數;k為輸入信號集合個數;?為d層卷積核的權重矩陣;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層和最大池化層,分別負責避免梯度彌散問題和降低計算量。模型的最后添加了Softmax函數,通過映射分析得到特征向量運算結果,即為故障診斷結果。

3 卷積神經網絡算法優化

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故障診斷結果,但考慮到該模型輸出結果可能存在較大誤差,利用卷積神經網絡算法對構建故障模型的權值進行更新,并計算最小化損失函數[12]。其中卷積神經網絡模型d層損失函數計算公式為:

(10)

式中:f為目標樣本;F為樣本總數量;ζ為模型內卷積層總數量;zd為d層樣本預測標簽值;od為d層樣本實際標簽值。

卷積神經網絡模型優化過程中,先滿足損失函數最小化要求,再針對神經元權值與偏置、神經元輸入向量、神經元輸出向量、卷積核、激活函數輸入、池化層輸入、池化層輸出求偏導,再根據神經元的權值偏導、卷積核偏導及其偏置的偏導更新模型運算權值和梯度值:

(11)

(12)

(13)

通過式(1)～式(3)運算,實現模型的權值和梯度優化,得到車輛懸架中高頻異常振動優化后故障診斷模型。

4 實驗數據采集與研究

4.1 實驗準備

所構建的故障診斷模型主要應用在汽車懸架底盤故障檢測領域,為了確保該模型具有可靠性,在MATLAB軟件中,對所提出的模型進行實驗測試。隨機選擇多臺相同型號、具有懸架底盤的混合動力汽車作為研究對象,主要針對汽車后懸架進行分析,其主要結構如圖3。

圖3 車輛后懸架主要結構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故障問題,針對該車輛的懸架系統進行分析,其具體參數如表1。

表1 懸架系統參數Table 1 Suspension system parameters

利用振動信號采集傳感器采集高頻振動信息,得到包含4 500個樣本的訓練數據集以及包含2 000個樣本的測試數據集,小樣本容量選取為30個。

4.2 高頻振動信號分解

振動信號傳感器所采集到的懸架振動信號如圖4。由圖4可知,懸架發生故障時,懸架中的高頻異常振動信號呈現非線性特點;正常懸架振動信號則趨于平穩。但信號中存在高斯白噪聲,影響故障診斷結果的準確性。

圖4 振動信號傳感器采集的信號Fig. 4 Signals collected by vibration signal sensor

采用EMD法對高頻異常振動信號進行解析,將原始信號變換為合成信號、周期信號、間歇信號以及趨勢信號,如圖5。

圖5 車輛懸架的高頻振動信號分解結果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信號分解結果中,間歇信號并未影響到周期信號變化趨勢,保證了振動信號在分離噪聲信號后依舊保留原始狀態。同時存在的部分高頻噪聲會保留在間歇信號中,不對后續故障診斷工作產生干擾。

4.3 模型訓練結果

診斷模型以卷積運算為核心,初始條件下,設置卷積層內存在6個濾波器,且每個濾波核的尺寸為3×3。為了確保診斷模型處于最優狀態,運用懸鏈數據集對診斷模型進行測試,得到的不同過濾器參數條件下模型訓練結果如圖6。

圖6 不同過濾條件器參數條件下模型訓練結果Fig. 6 Model training results under different filter conditioner parameters

由圖6可知:初始條件下過濾器參數為Conv3-8和Conv3-16,此時模型診斷準確率為0.795,而后隨著過濾器參數的增長,模型診斷準確率不斷提升,直到參數為Conv3-64和Conv3-128時,模型診斷準確率達到了0.972。因此,為了保證模型應用性能更佳,確定實驗測試時過濾器參數為Conv3-64和Conv3-128。

4.4 模型診斷結果對比分析

運用訓練后的最優模型對測試數據集進行故障診斷分析,并根據模型診斷結果繪制ROC曲線。同時應用基于樣本分位數散布熵的模型、基于隨機森林算法的模型進行診斷分析,對比3種模型的診斷結果,如圖7。

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

根據圖7可知,所構建的深度遷移學習故障診斷模型ROC曲線明顯高于其他兩種模型,其泛化誤差對比于其他方法較小。對ROC曲線下面積進一步分析,明確3個故障診斷模型的AUC值分別為0.89、0.72、0.67,與其他故障診斷模型相比,深度遷移學習模型AUC值提升了19.10%、24.72%,表明了深度遷移學習模型具有的優越診斷性。

4.5 模型診斷效率對比分析

對比樣本分位數散布熵、隨機森林算法和深度遷移學習3個故障診斷模型的診斷效率,選取小樣本容量為30個,且3個模型在1 s內對樣本進行診斷,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,樣本分位數散布熵和隨機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習模型診斷效率優于其他兩種模型,診斷效率更高。

5 結 論

1)提出了基于深度遷移學習的車輛懸架中高頻異常振動故障診斷方法,采用EMD方法分解處理實時采集的車輛懸架高頻振動信號,根據每個IMF分量的能量提取高頻異常振動故障特征,并以此為基礎,構建基于深度遷移學習的診斷模型。

2)將樣本分位數散布熵、隨機森林算法的兩種故障診斷模型作為對比,分析結果可知,基于深度遷移學習故障診斷模型的AUC值為0.89,高于其他兩種對比方法,表明其泛化誤差小,可得到更加精準的故障診斷結果。

3)選取小樣本容量為30個,且3個模型在1.0 s內對樣本進行診斷,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;樣本分位數散布熵和隨機森林算法模型則分別需要0.9、1.0 s才能完成診斷。結果表明,深度遷移學習模型在小樣本范圍內的診斷效率優于其他兩種模型,其診斷效率更高,也為推動汽車健康狀態監測智能化發展提供參考。