一种基于多模态数据融合的轮毂电机故障诊断方法与流程

本发明属于轮毂电机健康管理领域，具体涉及一种基于多模态数据融合的轮毂电机故障诊断方法。

背景技术：

1、随着对环境问题和能源消耗的关注不断增加，电动汽车作为替代传统燃油车辆的清洁能源交通工具逐渐兴起。由于轮毂电机的分布式设计，将电机直接安装在车轮或轮毂上，使得车辆内部空间更加灵活，又能够更灵活地控制每个车轮的动力输出，减少了传动系统的能量损失，提高了车辆的稳定性和操控性，使得轮毂电机在电动车辆领域变得越来越受欢迎。

2、由于轮毂电机直接安装在车轮上，容易受到道路震动和冲击的影响。这可能导致电机内部的零部件损坏或松动。当前轮毂电机通常配备有自动诊断系统，以监测其性能并检测潜在的故障。但是车载自动诊断系统一般采用阈值监测法，只能诊断简单的故障，如电流、电压、油压、传感器等参数异常故障，但无法充分利用现有的状态数据，进一步智能自动精确的诊断故障。

3、综上所述，开发出一种实时、高效的轮毂电机智能故障诊断方法对提高电动车辆的可靠性、安全性和维护效率，以及降低维修成本具有重大的实际意义。

技术实现思路

1、(一)要解决的技术问题

2、本发明要解决的技术问题是：如何提供一种实时、高效的轮毂电机智能故障诊断方法。

3、(二)技术方案

4、为解决上述技术问题，本发明提供一种基于多模态数据融合的轮毂电机故障诊断方法，所述方法包括以下步骤：

5、步骤1：获取轮毂电机的状态数据，包括电机端的振动信号s1和轴承端的振动信号s2，表征电机的原始运行状态；

6、步骤2：初步提取原始的振动信号s1和s2的特征，将原始振动信号中与故障相关的特征凸显出来，并建立多模态故障特征集合，减少非故障相关信息干扰；多模态故障特征集合包括时域模态特征集、频域模态特征集和时频域模态特征集；

7、步骤3：对数据进行预处理，对各个特征集执行标准化操作，并将特征集的数据分组用于模型训练和测试，包括训练数据集、验证数据集和测试数据集；

8、步骤4：构建轮毂电机故障诊断模型，包括多模态高级特征提取层、多模态高级特征融合层和故障诊断层，模型输入为多模态特征，输出为故障类型；

9、步骤5：训练轮毂电机故障诊断模型，实现优化模型参数的目的，过程包括训练参数配置、前向传播计算、损失计算和反向传播更新过程；

10、步骤6：测试轮毂电机故障诊断模型，使用测试集评估轮毂电机故障诊断模型的泛化性能，确保模型在未见过的数据上能够表现出较高的故障识别精度。

11、其中，所述步骤1中采用部署在电机驱动端和轴承附近的加速度传感器采集振动信号；其中，电机驱动端的振动信号为s1，轴承端的振动信号为s2，记录不同类型故障数据原始数据，对不同故障数据集做好标签，并采用独热编码技术进行故障编码。

12、其中，所述步骤2中的时域模态特征包括均值mean，标准差std、峭度kt和偏度sn，构成轮毂电机的时域模态特征集ftime＝{mean,std,kt,sn}；

13、所述频域模态特征包括频谱峭pkt、频谱熵phf、谱平均值meanf、中位频率medf、频带功率bp和功率带宽pbw，构成轮毂电机的频域模态特征集为ffreq＝{pkt,phf,meanf,medf,bp,pbw}。

14、所述时频域模态特征为时频谱specttf，构成轮毂电机的时频域模态特征集为ftime-freq＝{specttf}。

15、其中，所述步骤3的标准化操作采用z-score算法；

16、所述步骤3中，所述特征集的数据分组，先将特征集的数据随机打乱重新分组，然后按8:1:1比例将特征集的数据划分成训练数据集、验证数据集和测试数据集。

17、其中，所述步骤4中，所述多模态高级特征提取层的结构包括统计特征提取层、序列特征提取层、图谱特征提取层以及特征拼接层，其利用神经网络的自适应能力，从初级特征数据自动中提取高级特征，学习到故障的复杂特征表示。

18、其中，在所述统计特征提取层中，针对时域模态特征ftime和频域模态特征ffreq中的统计特征参数进行高级特征提取，包括{mean,std,kt,sn,meanf,medf,bp,pbw}，考虑到有2个信号源，共涉及16个统计特征参数参与计算；统计特征提取层采用4层线性神经网络linear进行提取高级特征提取，输入层神经节点与统计参数数量一致；

19、在所述序列特征提取层中，针对频域模态特征ffreq中的序列特征参数{pkt,phf}进行高级特征提取，考虑到两个参数的维度不一致，采用两个长短时记忆神经网络lstm，分别提取两个特征序列不同频率节点之间的特征依赖性，然后将两个lstm网络输出拼接，通过展平(flatten)操作转化为一维向量，再采用线性层将特征维度变换至指定维度；

20、在所述图谱特征提取层中，针对时频域模态特征ftime-freq中的图谱张量specttf进行高级特征进行提取，先采用卷积层神经网络conv抽取图像特征，然后通过展平(flatten)操作转化为一维向量，再采用线性层linear将特征维度变换至指定维度；

21、在所述特征拼接层中，将统计特征提取层、序列特征提取层、图谱特征提取层所提取的3个特征向量拼接起来形成一个2维的多模态高级特征。

22、其中，所述步骤4中，所述多模态高级特征融合层包括多头注意力层、残差层和前馈网络、残差连接层和归一化层，利用多头注意力机制，捕捉关键特征，实现对多模态高级特征在模态维度的融合，形成多模态融合特征，降低故障诊断的不确定性。

23、其中，所述步骤4中，所述故障诊断层包括线性层和逻辑回归层；多模态融合层输出的多模态融合特征经过展平操作后输入至线性层，线性层用于将特征维度变换至与需要识别的故障类别数相同的维度，逻辑回归层用于计算故障类型概率，概率最高的故障类别即为诊断识别的故障类型。

24、其中，所述步骤5中轮毂电机故障诊断模型的训练过程包括如下步骤：

25、步骤51：导入训练过程需要的数据，包括步骤3中经过特征提取后的训练数据集和验证数据集，和步骤4中定义的轮毂电机故障诊断模型；

26、步骤52：配置训练参数，包括学习率、训练周期、小批量大小、损失函数和优化方法；

27、步骤53：执行训练过程，包括梯度计算和反向梯度传播更新模型参数，当达到最大训练周期或验证误差连续5训练周期内增加时停止训练；

28、步骤54：输出的训练好的诊断模型以onnx格式保存。

29、其中，所述步骤6的测试轮毂电机故障诊断模型，采用步骤3中经过特征提取后的测试数据集输入轮毂电机故障诊断模型，得到测试输入数据对应预测故障类型，通过与正确故障类型标签进行对比计算得到测试故障识别精度，并根据测试结果绘制混淆矩阵图，观察每种故障的测试精度。

30、(三)有益效果

31、与现有技术相比较，本发明的有益技术效果是：

32、本发明充分利用来自不同传感器的多模态特征数据，通过融合多种模态的数据，获取更全面、多维度的故障信息，在提高准确性、鲁棒性和实时性方面具有显著的优势，使得故障诊断系统更适应复杂多变的工作环境，有助于更准确地判断轮毂电机的工作状态和识别潜在故障。