[发明专利]基于神经网络的电力驱动系统振动信号诊断方法及装置

说明书

本发明涉及故障诊断领域，提供一种基于神经网络的电力驱动系统振动信号诊断方法及装置，该方法通过获取电力驱动系统中不同组件的不同信号源的振动信号，将不同信号源的振动信号数据输入经验模态模型进行模态分解为N组固有模态分量IMF，再将N组固有模态分量IMF进行卷积计算，减少输入神经网络模型的输入处理数据量，再将卷积后的M个第一卷积数据输入训练好的神经网络模型，从而输出故障发生点数据与标签数据，本发明还提供了一种装置用于执行该方法，能够从电力驱动系统振动信号中有效诊断潜在的故障点，预测和判断故障可能出现类型与发生点，从而减少电力驱动系统运行过程中可能出现的安全隐患，提高系统的可靠性和稳定性。

技术领域

本发明涉及故障诊断领域，特别涉及一种基于神经网络的电力驱动系统振动信号诊断方法及装置。

背景技术

经验模态分解(Empirical ModeDecomposition，EMD)，该方法是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，在信号处理领域，优于以傅立叶变换为基础的线性和稳态频谱分析，在处理非平稳及非线性数据上具有明显优势。

电力驱动系统是纯能源汽车的重要组成部分，其行驶工况中承受来自多个振动源、多维度的振动冲击载荷，在电力驱动系统上，振动信号耦合程度高，对运行状态的振动信号分析和诊断难度大，采用传统的电机测试平台进行测试，往往忽略了行驶工况下，CN104807534B公开了一种基于在线振动数据的设备固有振动模式自学习识别方法，利用小波包变换算法对设备振动信号x(n)进行一次去噪，得到去噪后的信号利用奇异值分解对信号进行二次去噪，得到二次去噪后的振动信号使用加窗离散傅里叶算法对去噪后的振动信号进行频谱分析，计算得到设备振动频谱；利用自学习算法训练得到设备振动频谱，最后得到设备的固有特征频率及幅值。CN104166804B公开了一种基于时频域单源点稀疏成分分析的工作模态辨识方法，测量得到工作状态下设备目标位置的振动信号；对各混合振动信号进行时频域变换；在时频域中应用单源点法提取用于混合矩阵估计的混合振动信号；利用基于K超线聚类的稀疏成分分析混合矩阵估计法估计混合矩阵；混合矩阵求解出来后，再返回时频域，利用最小化方法重构各阶源信号，提取结构各模态向量；然后通过信号指数表达得到工作模态频率及阻尼比。

由于电力驱动系统集成程度高，振动属于非周期性、非线性信号，传统对设备的运行状态的振动信号分析仍然直接采用傅里叶算法等方法，不仅效率低且计算复杂程度高，且容易出现误判，精度不高；该方法目前不能针对潜在的故障进行预测，导致系统可靠性和稳定性差。

发明内容

由于电力驱动系统结构复杂程度高、机电耦合程度高，且常受到来自地面的冲击、外部撞击等非线性信号的干扰，电机运行过程中产生的信号通常也受到这些信号的叠加，对于汽车控制器来说，有时会因为外部的一些干扰信号叠加后，误判断电机故障，从而进入自保护状态，例如失去加速动力等；有些受到其它信号干扰，不能很好地预测和判断故障可能出现类型与发生点，导致车辆在动力等极值范围能运行，电力驱动系统的可靠性和稳定性低，甚至出现安全隐患。

有鉴于此，本发明旨在提出一种基于神经网络的电力驱动系统振动信号诊断方法，该基于神经网络的电力驱动系统振动信号诊断方法包括，

步骤S1，多组振动传感器获取电力驱动系统中不同部件的振动信号数据，其中，所述电力驱动系统包括驱动电机、电机控制器、变速器、差速器、半轴，所述驱动电机包括电机壳体、电机输出轴，半轴包括左半轴、右半轴，所述振动信号至少包括所述电机壳体、所述电机输出轴、所述左半轴、所述右半轴的振动信号源；

步骤S2，将不同信号源的振动信号数据分别输入经验模态模型进行时域分解，每一信号源的振动信号分解得到N个固有模态分量IMF数据，其中，所述经验模态模型包括输入振动信号、输出多组固有模态分量数据和残余量，所述经验模态模型为Hilbert-Huang变换模型；

步骤S3，将N个固有模态分量IMF数据输入卷积模型，与窗函数进行卷积计算，得到M个第一卷积数据，其中，窗函数包括三角窗或矩形窗，MN，M、N均为正整数；