一种少样本数据增强与迁移的电驱动系统故障预测方法与流程

本发明属于故障测试领域，尤其是涉及一种少样本数据增强与迁移的电驱动系统故障预测方法。

背景技术：

1、驱动电机系统及其所包含的电驱动总成在测试过程中发生各种类型的故障会导致项目停滞，尤其在项目开发阶段出现会极大的影响生产。电驱动总成故障预测模型作为一种基于机器学习的故障预测方法，用于提前识别和预测可能发生的故障，这种模型通常依赖数据驱动，降低了突发故障的风险。

2、但在实际的测试过程中，故障数据的样本量相对较少，使用深度学习模型所训练得到的精度不佳，无法满足实际应用需求，对此，如何在有效的数据条件下训练出鲁棒的模型，仍然是亟需解决的难题。

技术实现思路

1、有鉴于此，本发明旨在提出一种少样本数据增强与迁移的电驱动系统故障预测方法，以期解决上述部分技术问题中的至少之一。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、本发明第一方面提供了一种少样本数据增强与迁移的电驱动系统故障预测方法，包括：

4、采集电驱动系统在正常工作状态下的运行数据，使用运行数据对lstm网络模型进行预训练；

5、采集电驱动系统在故障状态下的故障数据，对故障数据进行特征标签的标定操作，并通过时间滑窗对少样本故障数据进行数据增强处理；

6、对预训练的lstm网络模型进行迁移学习得到故障预测模型，使用增强后的故障数据对故障预测模型进行训练；

7、使用训练好的故障预测模型进行故障预测，输出预测故障曲线。

8、进一步的，采集电驱动系统在正常工作状态下的运行数据的过程包括：选取电驱动系统中多个不同功率的驱动设备作为样机，采集多个样机在相同的工况、正常工作状态下的运行数据；其中，运行数据包括输出电流、温度、壳体振动数据；

9、对采集得到的数据进行时间尺度的统一后进行归一化预处理。

10、进一步的，lstm网络模型包括编码器和解码器，编码器与解码器之间设有重复向量层，解码器的输出端设有时间分布连接层；

11、编码器计算遗忘门、输入门、输出门以及细胞状态的激活向量，通过lstm单元进行前向传播，得到每个时间步的隐藏状态，并将隐藏状态作为上下文表示细胞状态；

12、解码器接收最后一个时间步对应的隐藏状态作为初始状态，使用与编码器相同的lstm单元，计算解码器的隐藏状态和细胞状态并生成重构输出序列。

13、进一步的，对故障数据进行特征标签的标定操作的过程包括：以故障发生时间为基准在故障数据中设置标签点，计算每个标签点所处时间与故障发生的时间两者之差的绝对值，得到剩余时间；

14、将剩余时间作为特征标签输入lstm网络模型中，对输入lstm网络模型的故障数据进行时间点关联。

15、进一步的，采集电驱动系统在故障状态下的故障数据后，对故障数据执行与运行数据相同的归一化预处理操作；

16、通过时间滑窗对少样本故障数据进行数据增强处理的过程包括：输入预处理后的故障数据，设置时间滑窗的窗口大小与移动步长，并根据窗口大小与步长控制时间滑窗在故障数据的序列中提取多个样本，在样本中添加时序的上下文关系。

17、进一步的，对预训练的lstm网络模型进行迁移学习得到故障预测模型的过程包括：

18、保留预训练后的lstm网络模型中的编码器部分，在编码器部分的基础上添加多个lstm层和一个回归输出层，使用relu函数作为激活函数，得到故障预测模型。

19、进一步的，输出预测故障曲线后，将预测故障曲线与真实故障曲线进行对比，评估模型的有效性。

20、本发明第二方面提供了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述第一方面任一所述的一种少样本数据增强与迁移的电驱动系统故障预测方法。

21、本发明第三方面提供了一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如第一方面任一所述的一种少样本数据增强与迁移的电驱动系统故障预测方法。

22、本发明第四方面提供了一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现第一方面任一所述的一种少样本数据增强与迁移的电驱动系统故障预测方法。

23、相对于现有技术，本发明所述的一种少样本数据增强与迁移的电驱动系统故障预测方法具有以下有益效果：

24、可以高效利用较少的数据进行训练，相对于传统模型能够更精准的识别和预测电机总成的潜在故障；

25、通过准确预测电驱动总成的潜在故障，有助于提高整个驱动系统的可靠性和性能，这对于确保安全运行和满足高标准的性能要求尤其重要。

26、本发明所涉及的方法即使用大量正常的运行数据作为源域来训练模型，可以为其它部件领域的故障预测提供参考。

技术特征：

1.一种少样本数据增强与迁移的电驱动系统故障预测方法，其特征在于，包括：

2.根据权利要求1所述的一种少样本数据增强与迁移的电驱动系统故障预测方法，其特征在于：

3.根据权利要求1所述的一种少样本数据增强与迁移的电驱动系统故障预测方法，其特征在于：

4.根据权利要求1所述的一种少样本数据增强与迁移的电驱动系统故障预测方法，其特征在于：

5.根据权利要求1所述的一种少样本数据增强与迁移的电驱动系统故障预测方法，其特征在于：

6.根据权利要求1所述的一种少样本数据增强与迁移的电驱动系统故障预测方法，其特征在于：

7.根据权利要求1所述的一种少样本数据增强与迁移的电驱动系统故障预测方法，其特征在于：

8.一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述权利要求1-7任一所述的一种少样本数据增强与迁移的电驱动系统故障预测方法。

9.一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如权利要求1-7任一所述的一种少样本数据增强与迁移的电驱动系统故障预测方法。

10.一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-7任一所述的一种少样本数据增强与迁移的电驱动系统故障预测方法。

技术总结
本发明提供了一种少样本数据增强与迁移的电驱动系统故障预测方法，包括：采集电驱动系统在正常工作状态下的运行数据，使用运行数据对LSTM网络模型进行预训练；采集电驱动系统在故障状态下的故障数据，对故障数据进行特征标签的标定操作，并通过时间滑窗对少样本故障数据进行数据增强处理；对预训练的LSTM网络模型进行迁移学习得到故障预测模型，使用增强后的故障数据对故障预测模型进行训练；使用训练好的故障预测模型进行故障预测，输出预测故障曲线。本发明有益效果：可以高效利用较少的数据进行训练，相对于传统模型能够更精准的识别和预测电机总成的潜在故障。

技术研发人员：张世晨,邱子桢,赵凌霄,闫智彪,黄炘,孔治国,王芳,何鹏林,李晓宇,吴立学,肖智铎,王云,曹冬冬,徐月,张维,李文帅,王宏策,付玉成,马焕胜,季祥
受保护的技术使用者：中汽研新能源汽车检验中心（天津）有限公司
技术研发日：
技术公布日：2024/5/19