基于遷移學習的電-液復合線控轉向系統故障診斷方法技術方案

本發明專利技術公開了一種基于遷移學習的電

【技術實現步驟摘要】
基于遷移學習的電
?
液復合線控轉向系統故障診斷方法


[0001]本專利技術屬于線控轉向
，具體涉及一種基于遷移學習的電
?
液復合線控轉向系統故障診斷方法
。

技術介紹

[0002]隨著重型車輛無人駕駛技術的不斷進步，當無人駕駛技術達到
L4
和
L5
級時，駕駛員將不再掌握車輛的控制權
。
因此，車輛轉向行為將不再由方向盤控制，而是由車載控制器直接控制電
?
液復合轉向系統來驅動前輪轉向
。
由此可見，電
?
液復合線控轉向系統是實現重型車輛無人駕駛的必要條件
。
為保證自動駕駛時的車輛行駛安全，電
?
液復合線控轉向系統應該具有自動故障診斷能力，從而及時發現故障并采取相應的措施來保證行車安全
。
[0003]重型車輛所用的電
?
液復合線控轉向系統因結構復雜組成部件較多而增加了故障診斷的難度
。
因此，如何有效地在車輛行駛過程中檢測出電
?
液復合線控轉向系統的故障類型和故障程度具有重要意義
。
近年來，越來越多的研究人員將深度學習應用于復雜的非線性系統的故障診斷
。
深度學習雖然可以解決非線性系統的故障診斷問題，但需要通過大量的數據才能保證神經網絡的診斷精度
。
然而故障狀態下的電
?
液復合線控轉向系統不能保證車輛的安全性使得很難在故障狀態下采集足夠的數據
。
電
?
液復合線控轉向系統是一個變負荷且執行器之間相互耦合的系統
。
在重型車輛轉向過程中，液壓機構的負載遠大于電動機構，如果液壓機構發生故障，則車輛轉向性能將大幅下降甚至喪失，從而增加了真實車輛的試驗難度
。
因此，液壓機構故障下的數據采集難度較大，從而使電動機構故障數據量和液壓機構故障數據量不均衡，導致采用上述的深度學習難以有效的對線控電
?
液復合轉向系統進行故障診斷
。

技術實現思路

[0004]針對于上述現有技術的不足，本專利技術的目的在于提供一種基于遷移學習的電
?
液復合線控轉向系統故障診斷方法，以解決現有技術中重型車輛的液壓機構故障下的數據采集難度較大，從而使電動機構故障數據量和液壓機構故障數據量不均衡，導致采用深度學習難以有效的對線控電
?
液復合轉向系統進行故障診斷的問題；本專利技術方法基于試驗數據充分的電動機構故障診斷神經網絡進行遷移學習來獲取準確的液壓機構故障診斷神經網絡，從而保證故障診斷精度
。
[0005]為達到上述目的，本專利技術采用的技術方案如下：
[0006]本專利技術的一種基于遷移學習的電
?
液復合線控轉向系統故障診斷方法，步驟如下：
[0007]1)
對結合注意力機制的
1DCNN
?
LSTM
神經網絡進行訓練：
[0008]11)
試驗數據采集：分別采集重型車輛正常狀態
、
不同故障值的電動機構故障狀態和液壓機構故障狀態時，電機電流傳感器
、
螺母位移傳感器
、
液壓缸流量傳感器
、
方向盤傳感器的數據及相應的等效故障值，并按時序建立數據集；
[0009]需要注意的是：由于液壓機構故障狀態采集難度較大且風險較高，電動機構的故
障試驗次數需多于液壓機構的故障試驗次數；
[0010]12)
建立結合注意力機制的
1DCNN
?
LSTM
神經網絡，結合注意力機制的
1DCNN
?
LSTM
神經網絡包括故障類型識別模塊
、1D
?
CNN
特征濾波模塊
、
轉向特征提取模塊
、
等效電動機構故障值估計模塊和等效液壓機構故障值估計模塊；
[0011]13)
基于電動機構故障集
(
通過大量實車測試得到
)
對結合注意力機制的
1DCNN
?
LSTM
神經網絡中故障類型識別模塊
、1D
?
CNN
特征濾波模塊
、
轉向特征提取模塊及等效電動機構故障值估計模塊進行有監督訓練；
[0012]2)
基于遷移學習對等效液壓機構故障值估計模塊進行訓練：
[0013]21)
對等效電動機構故障值估計模塊進行遷移，基于液壓機構故障數據集
(
通過少量實車測試得到
)
采用微調
(fine
?
tune)
對等效電動機構故障值估計模塊的超參數進行修正，從而使
1DCNN
?
LSTM
神經網絡估計得到液壓機構的故障值；
[0014]22)
基于電動機構故障數據集和液壓機構故障數據集通過基于聯合誤差函數的動態樣本分配策略對
1D
?
CNN
特征濾波模塊和轉向特征提取模塊進行參數修正以使電動機構故障估計結果和液壓機構故障估計結果均達到好的效果；
[0015]3)
基于結合注意力機制的
1DCNN
?
LSTM
神經網絡對電
?
液復合線控轉向系統進行實時故障診斷：
[0016]31)
故障類型識別模塊根據實時采集到的電機電流
、
螺母位移和液壓缸流量識別當前故障類型；
[0017]32)1D
?
CNN
特征濾波模塊根據實時采集到的電機電流
、
螺母位移和液壓缸流量進行系統特征提取；轉向特征提取模塊根據實時采集到的方向盤轉角信號提取得到駕駛員轉向趨勢特征；將系統特征與駕駛員轉向趨勢特性進行融合獲取包含轉向系統當前各部分的工作狀態和轉向系統的運動趨勢的新特征圖
V
；
[0018]33)
基于步驟
31)
中的當前故障類型將步驟
32)
中的新特征圖
V
輸入到對應的等效電動機構故障值估計模塊或等效液壓機構故障值估計模塊計算得到當前電
?
液復合線控轉向系統的故障值
。
[0019]進一步地，所述步驟
11)
中等效故障值為當前電動機構或液壓機構輸出功率為正常狀態下輸出功率的損失率，如下式所示；
[0020][0021]其中，
τ
為等效故障值，
W
t
為當前機構輸出功率，
W
nor
為機構本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.
一種基于遷移學習的電
?
液復合線控轉向系統故障診斷方法，其特征在于，步驟如下：
1)
對結合注意力機制的
1DCNN
?
LSTM
神經網絡進行訓練：
11)
試驗數據采集：分別采集重型車輛正常狀態
、
不同故障值的電動機構故障狀態和液壓機構故障狀態時，電機電流傳感器
、
螺母位移傳感器
、
液壓缸流量傳感器
、
方向盤傳感器的數據及相應的等效故障值，并按時序建立數據集；
12)
建立結合注意力機制的
1DCNN
?
LSTM
神經網絡，結合注意力機制的
1DCNN
?
LSTM
神經網絡包括故障類型識別模塊
、1D
?
CNN
特征濾波模塊
、
轉向特征提取模塊
、
等效電動機構故障值估計模塊和等效液壓機構故障值估計模塊；
13)
基于電動機構故障集對結合注意力機制的
1DCNN
?
LSTM
神經網絡中故障類型識別模塊
、1D
?
CNN
特征濾波模塊
、
轉向特征提取模塊及等效電動機構故障值估計模塊進行有監督訓練；
2)
基于遷移學習對等效液壓機構故障值估計模塊進行訓練：
21)
對等效電動機構故障值估計模塊進行遷移，基于液壓機構故障數據集采用微調對等效電動機構故障值估計模塊的超參數進行修正，從而使
1DCNN
?
LSTM
神經網絡估計得到液壓機構的故障值；
22)
基于電動機構故障數據集和液壓機構故障數據集通過基于聯合誤差函數的動態樣本分配策略對
1D
?
CNN
特征濾波模塊和轉向特征提取模塊進行參數修正以使電動機構故障估計結果和液壓機構故障估計結果均達到好的效果；
3)
基于結合注意力機制的
1DCNN
?
LSTM
神經網絡對電
?
液復合線控轉向系統進行實時故障診斷：
31)
故障類型識別模塊根據實時采集到的電機電流
、
螺母位移和液壓缸流量識別當前故障類型；
32)1D
?
CNN
特征濾波模塊根據實時采集到的電機電流
、
螺母位移和液壓缸流量進行系統特征提取；轉向特征提取模塊根據實時采集到的方向盤轉角信號提取得到駕駛員轉向趨勢特征；將系統特征與駕駛員轉向趨勢特性進行融合獲取包含轉向系統當前各部分的工作狀態和轉向系統的運動趨勢的新特征圖
V
；
33)
基于步驟
31)
中的當前故障類型將步驟
32)
中的新特征圖
V
輸入到對應的等效電動機構故障值估計模塊或等效液壓機構故障值估計模塊計算得到當前電
?
液復合線控轉向系統的故障值
。2.
根據權利要求1所述的基于遷移學習的電
?
液復合線控轉向系統故障診斷方法，其特征在于，所述步驟
11)
中等效故障值為當前電動機構或液壓機構輸出功率為正常狀態下輸出功率的損失率，如下式所示；其中，
τ
為等效故障值，
W
t
為當前機構輸出功率，
W
nor
為機構正常狀態下輸出功率
。3.
根據權利要求1所述的基于遷移學習的電
?
液復合線控轉向系統故障診斷方法，其特征在于，所述步驟
12)
中故障類型識別模塊由深層
LSTM、
全連接層和
Softmax
分類器組成，其
根據傳感器采集到電機電流信號
、
螺母位移信號和液壓缸流量信號判斷當前轉向系統是否發生故障以及具體的故障類型；
1D
?
CNN
特征濾波模塊由兩層一維卷積層和池化層組成，其對電機電流
、
螺母位移和液壓缸流量信號進行濾波和系統特征提取；轉向特征提取模塊由
LSTM
神經網絡和全連接層組成，其根據1秒內方向盤轉角時序信號提取駕駛員轉向趨勢特征圖；等效電動機構故障值估計模塊和等效液壓機構故障值估計模塊均由縮放注意力層
、
深層
LSTM
和全連接層組成
。4.
根據權利要求1所述的基于遷移學習的電
?
液復合線控轉向系統故障診斷方法，其特征在于，所述步驟
12)
中轉向特征提取模塊通過對位相加算法將駕駛員轉向趨勢特征圖與
1D
?
CNN
特征濾波模塊輸出的特征圖
Z
結合，從而產生包含轉向系統的動態特征的新特征圖
V
；對位相加算法如下：

【專利技術屬性】
技術研發人員：張森皓，趙萬忠，王春燕，梁為何，徐坤豪，
申請(專利權)人：南京航空航天大學，
類型：發明
國別省市：