本發(fā)明涉及車輛故障診斷，具體涉及一種基于振動與噪聲的車輛故障診斷與預(yù)警方法及系統(tǒng)。

背景技術(shù)：

1、當(dāng)前，汽車運行過程中的安全性與舒適性已經(jīng)成為各大主機(jī)廠以及廣大消費者極其重視的問題。汽車運行安全性包括主動故障監(jiān)測系統(tǒng)與被動故障應(yīng)急系統(tǒng)兩部分。被動故障應(yīng)急系統(tǒng)可幫助駕駛員與乘客避免嚴(yán)重的人身傷害，提高車輛事故發(fā)生后的車內(nèi)人員的生存概率。主動故障監(jiān)測系統(tǒng)主要是指在故障早期以報警形式發(fā)出的故障警告。

2、近年來，數(shù)據(jù)的爆炸式增長以及高性能計算機(jī)的出現(xiàn)為車輛早期故障發(fā)掘提供了可能性，使得業(yè)內(nèi)可以利用人工智能算法處理圖像、聲音等類型數(shù)據(jù)，代替人工故障排查。很多情況下，車輛在發(fā)生故障早期，其機(jī)械結(jié)構(gòu)的裝配關(guān)系將發(fā)生改變，從而產(chǎn)生異常的振動或噪聲問題?；谡駝蛹奥曇籼卣髋c車輛故障的對應(yīng)關(guān)系，設(shè)計振動及音頻識別神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)故障振動與聲音編碼和分類的特征，判斷車輛的異常振動與噪聲的產(chǎn)生原因，可極大的幫助業(yè)內(nèi)人員及早定位問題，該方法的實施將極大提高故障診斷效率。因此，有必要提供一種基于振動與噪聲的車輛故障診斷與預(yù)警方案，以提高故障診斷效率。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于振動與噪聲的車輛故障診斷與預(yù)警方法及系統(tǒng)，以提高故障診斷效率。

2、為實現(xiàn)本發(fā)明的目的，本發(fā)明提供的技術(shù)方案如下：

3、第一方面

4、本發(fā)明提供了一種基于振動與噪聲的車輛故障診斷與預(yù)警方法，包括如下步驟：

5、步驟s1：采集不同車輛故障類型對應(yīng)的振動信號與噪聲信號；

6、步驟s2：對所述振動信號與噪聲信號進(jìn)行短時傅里葉特征提取、連續(xù)小波變換特征提取、梅爾倒譜特征提取，并分別得到相應(yīng)的時頻特征數(shù)據(jù)，將所有時頻特征數(shù)據(jù)轉(zhuǎn)換為特征圖片數(shù)據(jù)；

7、步驟s3：構(gòu)建一個基于圖像的深度學(xué)習(xí)模型，并使用所述特征圖片數(shù)據(jù)進(jìn)行訓(xùn)練，得到訓(xùn)練后的車輛故障診斷模型；其中，所述基于圖像的深度學(xué)習(xí)模型為基于多頭自注意力機(jī)制和多尺度注意力機(jī)制的雙重注意力機(jī)制神經(jīng)網(wǎng)絡(luò)模型；

8、步驟s4：利用訓(xùn)練后的車輛故障診斷模型進(jìn)行車輛故障診斷與預(yù)警。

9、第二方面

10、本發(fā)明提供了一種基于振動與噪聲的車輛故障診斷與預(yù)警系統(tǒng)，包括如下單元：信號采集單元、圖片數(shù)據(jù)獲取單元、模型構(gòu)建單元以及診斷與預(yù)警單元；

11、所述信號采集單元，用于采集不同車輛故障類型對應(yīng)的振動信號與噪聲信號；

12、所述圖片數(shù)據(jù)獲取單元，用于對所述振動信號與噪聲信號進(jìn)行短時傅里葉特征提取、連續(xù)小波變換特征提取、梅爾倒譜特征提取，并分別得到相應(yīng)的時頻特征數(shù)據(jù)，將所有時頻特征數(shù)據(jù)轉(zhuǎn)換為特征圖片數(shù)據(jù)；

13、所述模型構(gòu)建單元，用于構(gòu)建一個基于圖像的深度學(xué)習(xí)模型，并使用所述特征圖片數(shù)據(jù)進(jìn)行訓(xùn)練，得到訓(xùn)練后的車輛故障診斷模型；其中，所述基于圖像的深度學(xué)習(xí)模型為基于多頭自注意力機(jī)制和多尺度注意力機(jī)制的雙重注意力機(jī)制神經(jīng)網(wǎng)絡(luò)模型；

14、所述診斷與預(yù)警單元，用于利用訓(xùn)練后的車輛故障診斷模型進(jìn)行車輛故障診斷與預(yù)警。

15、與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)優(yōu)勢如下：

16、1.本發(fā)明方案中，時頻特征圖片提供故障信號在時間和頻率上的信息，使得對故障信號的分析更加全面。通過時頻分析，可以識別出信號中的瞬態(tài)特征和頻率成分，幫助模型更好地理解故障模式。同時，時頻特征圖片可以有效的捕捉非階次類振動與噪聲的特性，從而為故障診斷提供更準(zhǔn)確的信息；

17、2.本發(fā)明方案中，基于多頭自注意力機(jī)制和多尺度注意力機(jī)制的雙重注意力機(jī)制神經(jīng)網(wǎng)絡(luò)模型可以在不同層次上同時考慮到數(shù)據(jù)的局部特征和全局特征，從而更好地捕捉信號所包含的故障信息，學(xué)習(xí)到更加復(fù)雜和抽象的特征表示，有助于提升模型的性能。

技術(shù)特征：

1.一種基于振動與噪聲的車輛故障診斷與預(yù)警方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于振動與噪聲的車輛故障診斷與預(yù)警方法，其特征在于，所述基于多頭自注意力機(jī)制和多尺度注意力機(jī)制的雙重注意力機(jī)制神經(jīng)網(wǎng)絡(luò)模型包括第一全連接層和均分重組層、拼接重組層、第二全連接層、多尺度注意力模塊、第三全連接層、softmax層；

3.根據(jù)權(quán)利要求2所述的一種基于振動與噪聲的車輛故障診斷與預(yù)警方法，其特征在于，步驟s1中，采集的振動信號為靠近車輛故障結(jié)構(gòu)位置的振動信號，采集的噪聲信號包括靠近車輛故障結(jié)構(gòu)、駕駛員耳旁、前排乘客耳旁以及后排乘客耳旁位置的噪聲信號。

4.根據(jù)權(quán)利要求3所述的一種基于振動與噪聲的車輛故障診斷與預(yù)警方法，其特征在于，步驟s1中，采集車輛在車輛怠速狀態(tài)、勻速形式狀態(tài)、以及急加速狀態(tài)下不同車輛故障類型對應(yīng)的振動信號與噪聲信號。

5.一種基于振動與噪聲的車輛故障診斷與預(yù)警系統(tǒng)，其特征在于，包括如下單元：信號采集單元、圖片數(shù)據(jù)獲取單元、模型構(gòu)建單元以及診斷與預(yù)警單元；

6.根據(jù)權(quán)利要求5所述的一種基于振動與噪聲的車輛故障診斷與預(yù)警系統(tǒng)，其特征在于，所述基于多頭自注意力機(jī)制和多尺度注意力機(jī)制的雙重注意力機(jī)制神經(jīng)網(wǎng)絡(luò)模型包括第一全連接層和均分重組層、拼接重組層、第二全連接層、多尺度注意力模塊、第三全連接層、softmax層；

7.根據(jù)權(quán)利要求6所述的一種基于振動與噪聲的車輛故障診斷與預(yù)警系統(tǒng)，其特征在于，所述信號采集單元采集的振動信號為靠近車輛故障結(jié)構(gòu)位置的振動信號，采集的噪聲信號包括靠近車輛故障結(jié)構(gòu)、駕駛員耳旁、前排乘客耳旁以及后排乘客耳旁位置的噪聲信號。

8.根據(jù)權(quán)利要求7所述的一種基于振動與噪聲的車輛故障診斷與預(yù)警系統(tǒng)，其特征在于，所述信號采集單元采集車輛在車輛怠速狀態(tài)、勻速形式狀態(tài)、以及急加速狀態(tài)下不同車輛故障類型對應(yīng)的振動信號與噪聲信號。

技術(shù)總結(jié)
本發(fā)明公開了一種基于振動與噪聲的車輛故障診斷與預(yù)警方法及系統(tǒng)，所述方法包括如下步驟：采集不同車輛故障類型對應(yīng)的振動信號與噪聲信號；得到相應(yīng)的時頻特征數(shù)據(jù)，將所有時頻特征數(shù)據(jù)轉(zhuǎn)換為特征圖片數(shù)據(jù)；構(gòu)建一個基于圖像的深度學(xué)習(xí)模型，并使用所述特征圖片數(shù)據(jù)進(jìn)行訓(xùn)練，得到訓(xùn)練后的車輛故障診斷模型；利用訓(xùn)練后的車輛故障診斷模型進(jìn)行車輛故障診斷與預(yù)警。本發(fā)明方案中，時頻特征圖片提供故障信號在時間和頻率上的信息，使得對故障信號的分析更加全面。通過時頻分析，可以識別出信號中的瞬態(tài)特征和頻率成分，幫助模型更好地理解故障模式。同時，時頻特征圖片可以有效的捕捉非階次類振動與噪聲的特性，從而為故障診斷提供更準(zhǔn)確的信息。

技術(shù)研發(fā)人員：郝耀東,李林,陳達(dá)亮,李洪亮,白楊翼,楊征睿,楊明輝,李燦,高輝,崔國旭,鄧江華
受保護(hù)的技術(shù)使用者：中汽研（天津）汽車工程研究院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19