1.一种基于振动信号的车辆液压减震器故障识别方法,其特征在于,包括以下步骤:(1)在车辆的液压减震器上下两端分别安装振动传感器;
(2)采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号,从采集的时域信号中提取训练集数据;
(3)利用训练集数据来训练故障识别模型;
(4)将训练好的模型用于车辆液压减震器故障识别。
2.根据权利要求1所述的基于振动信号的车辆液压减震器故障识别方法,其特征在于,所述步骤(1)中在车辆的液压减震器上下两端分别安装振动传感器具体为:在液压减震器的上下两端分别安装第二振动传感器(5)和第一振动传感器(3),将第二振动传感器(5)和第一振动传感器(3)的信号分别记为a1(t)和a2(t),其中t为时间,a1和a2分别为t时刻两个信号的幅值,或者用车体(6)上安装的第二振动传感器(5)信号作为a1(t),用车轮上安装的第一振动传感器(3)作为a2(t)。
3.根据权利要求2所述的基于振动信号的车辆液压减震器故障识别方法,其特征在于,所述步骤(2)中采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号,从采集的信号中提取训练集数据具体为:采集减震器在正常、泄漏、卡死、断簧、失效状态下两个传感器的多个时域信号,分别记为 和其中N为采集的信号的次数;从N次采集的信号中,取M(M
4.根据权利要求3所述的基于振动信号的车辆液压减震器故障识别方法,其特征在于,所述步骤(3)中利用训练集数据来训练故障识别模型具体为:(3.1)对每一个训练集的振动传感器时域信号,分别做傅里叶变换,得到频域表示信号;
(3.2)对每一个训练集的振动传感器时域信号,将两个振动传感器时域信号分别做短时傅里叶变换,在时频域得到时频表示信号;
(3.3)将训练集数据中两个传感器的时域信号、频域表示信号、时频域表示信号组成6组数据;
(3.4)对每一组数据,用一个卷积神经网络进行深度学习训练;
(3.5)将6个卷积神经网络的输出用一个随机森林决策树进行融合;
(3.6)将随机森林决策树的输出对应设置为液压减震器的正常、泄漏、卡死、断簧、或失效这些工作状态进行训练。
5.根据权利要求4所述的基于振动信号的车辆液压减震器故障识别方法,其特征在于,进一步地,所述步骤(3)中利用训练集数据来训练故障识别模型具体为:(3.1)对每一个训练集的振动传感器时域信号,分别做傅里叶变换,在频域得到频谱A1(f)和A2(f),其中f为频率,A1和A2分别为f频率下的频谱幅值;
(3.2)对每一个训练集的振动传感器时域信号,将两个振动传感器时域信号分别做短时傅里叶变换,在时频域得到时频表示信号S1(t,f)和S2(t,f),其中S1和S1分别为(t,f)对应的时频表示的幅值;
(3.3)将训练集数据中的a1(t),a2(t),A1(f),A2(f),S1(t,f),S2(t,f)组成6组数据,记为T1,T2,T3,T4,T5,T6;
(3.4)对每一组数据,用一个卷积神经网络(共记为C1,C2,C3,C4,C5,C6)进行深度学习训练;
(3.5)将6个卷积神经网络的输出用一个随机森林决策树进行融合;
(3.6)将随机森林决策树的输出对应设置为液压减震器的正常、泄漏、卡死、断簧、或失效工作状态进行训练。
6.根据权利要求5所述的基于振动信号的车辆液压减震器故障识别方法,其特征在于,所述步骤(4)中将训练好的模型用于车辆液压减震器故障识别具体为:采集车辆液压减震器在工作时的第一振动传感器信号,将传感器信号输入到已经训练好的故障识别模型中,故障识别模型将会识别输出当前的减震器故障状态,减震器故障状态包括正常、泄漏、卡死、断簧或失效。
7.一种基于振动信号的车辆液压减震器故障识别系统,其特征在于,包括故障识别模型(1)、车轮(2)、第一振动传感器(3)、减震器(4)、第二振动传感器(5)和车体(6);
所述车轮(2)的上方自下而上依次设置有减震器(4)和车体(6);
第一振动传感器(3)安装在减震器(4)和车轮(2)之间或者车轮(2)上;用于提取路面振动的信号,并传递给故障识别模型(1);
所述第二振动传感器(5)安装在减震器(4)与车体(6)之间或者车体(6)上;用于提取减震器(4)上部的响应振动信号,并传递给故障识别模型(1);
故障识别模型(1)将路面振动的信号和响应振动信号进行傅里叶变换被转变为频域信号,并通过短时傅里叶变换被转变为时频域信号,通过取多次信号数据为训练集,对生成的六组训练集数据分别采用六个卷积神经网络进行深度学习;将六个卷积神经网络的输出,直接作为一个随机森林决策树的输入,而训练的随机森林决策树的输出就对应为车辆液压减震器的状态;车辆液压减震器的状态包括正常、泄漏、卡死、断簧和失效。