張俊妍

(云南國土資源職業(yè)學院機電工程學院,云南 昆明 652501)

隨著人們生活水平不斷提高,汽車出行已經(jīng)成為常見的交通方式,各大城市頻繁出現(xiàn)交通擁堵現(xiàn)象[1]。隨著路面車輛的增加,交通事故的發(fā)生概率也大大升高。事故在一定程度上來源于駕駛人員的失誤,但也有一部分在于車輛存在故障未能及時得到維修所導致,為此應注意車輛的故障檢測和故障監(jiān)測[2]。車架是汽車重要的承載部件之一,遍布整個車體,縱梁就是其中的關鍵零件之一。在汽車中常見的邊梁式車架和中梁式車架均含有縱梁,其承擔重要的承載作用,如其存在故障,將會對汽車運行的穩(wěn)定性造成較大影響,故對其運行狀態(tài)進行監(jiān)測、對其故障狀態(tài)進行識別就顯得非常重要。

如胡平[3]針對車輛運行故障監(jiān)測準確率不高、泛化能力不強的問題,提出了一種故障監(jiān)測診斷方法。該方法基于卷積神經(jīng)網(wǎng)絡模型,引入貝葉斯網(wǎng)絡、支持向量機對其進行改進,以此提升對故障樣本的識別能力、收斂速度和泛化能力。最后利用實驗進行故障分類,證明所提方法具有可行性,但該方法的分析效果還不夠完美,存在故障監(jiān)測預警效果差的問題。張元星等[4]針對電動汽車充電過程中的監(jiān)測和預警進行了分析,提出了一種基于電池模型的電動汽車充電故障監(jiān)測和預警方法。其先通過動力電池模型荷電狀態(tài)和電池電動勢在線估計進行電池荷電狀態(tài)、電壓、溫度等參數(shù)的調節(jié),從而完成電池充電響應的模擬。在充電過程中采用CAN總線技術來獲得充電機與電池的充電信息,通過對比模擬的充電響應信息與電池充電狀態(tài)信息來完成充電故障的判斷。缺點是該方法構建的模型不夠完善,存在與實際監(jiān)測預警效果相差較多的問題。劉文濤等[5]針對車身零部件性能問題,提出基于機器學習進行牽引車車架性能智能評估研究的方法。該方法通過對汽車車架上的零部件進行研究,采用Isight軟件搭建批量獲取仿真數(shù)據(jù)流程來獲取數(shù)據(jù)集,然后引入機械學習技術,建立數(shù)值響應的預測模型,提升汽車車架性能的預測準確性。該方法可應用于汽車車架故障識別中,但由于其構建的模型不夠完善,存在與實際監(jiān)測預警效果相差較多的問題。

為了解決上述方法中存在的問題,本文針對汽車車架縱梁故障,提出基于高斯混合模型的汽車車架縱梁故障監(jiān)測方法,希望能夠提高車輛車架縱梁故障的識別效率和預警質量,為車輛穩(wěn)定運行提供基礎保障。

1 汽車車架縱梁故障監(jiān)測數(shù)據(jù)預處理

在對汽車車架縱梁故障進行監(jiān)測的過程中,其獲取的數(shù)據(jù)一般分為兩種,一種為正常狀態(tài)數(shù)據(jù),另一種為異常狀態(tài)數(shù)據(jù)[6]。

為提升汽車車架縱梁故障監(jiān)測的精準度,需要對獲取的數(shù)據(jù)進行預處理[7],具體操作如下:

1)設置汽車車架縱梁正常狀態(tài)下獲取的數(shù)據(jù)序列為{Xt},那么{Xt}用方程定義如下:

(1)

式中:α(B)為光滑算子;β(B)為可逆算子;B為延遲算子;ξ為1-B的縮寫;α1,α2,…,αq為與α(B)相對應的參數(shù);β1,β2,…,βq為與β(B)相對應的參數(shù);at為正態(tài)分布的數(shù)據(jù)信號序列點[8-9]。

設置{Yt}為采集的異常數(shù)據(jù)序列,而其在T時刻就會存在缺失值[10],因此假設在t時刻會有持續(xù)異常的數(shù)據(jù){Yt},可用下述表達式進行定義:

(2)

通過式(2)可以發(fā)現(xiàn),異常數(shù)據(jù)序列{Yt}及t時刻后采集得到的序列{Yt+1}、{Yt+2}都會受到異常數(shù)據(jù)的影響。

設{Zt}為T時刻存在的持續(xù)異常值序列,當其被獨立異常值影響時,它的方程表示為:

(3)

根據(jù)式(3)可知,獨立異常值只對T時刻的序列值產生影響,其余序列值并不會受到干預,所以要將這種類型的值看作獨立異常值。

持續(xù)異常值及獨立異常值對汽車車架縱梁數(shù)據(jù)序列帶來的影響如下所示:

(4)

式中:et為擬合誤差,πj為受到殘差影響的算子,et+j為(t+j)項的擬合誤差,n為j取值的最大值。

對持續(xù)異常值和獨立異常值的統(tǒng)計量進行計算,以此獲取監(jiān)測的異常值,表示如下:

(5)

通過上述分析發(fā)現(xiàn),異常數(shù)據(jù)的不同類型會導致數(shù)據(jù)在不同時間段內受到不同的影響,所以需要將獲取的汽車車架縱梁運行狀態(tài)數(shù)據(jù)與式(2)和式(3)相結合,從而實現(xiàn)對初始數(shù)據(jù)的預處理。

2 故障監(jiān)測預警方法設計與實現(xiàn)

2.1 T統(tǒng)計故障監(jiān)測方法的引入

在完成數(shù)據(jù)預處理后,采用主成分分析法完成數(shù)據(jù)降維。先對獲取的初始樣本進行標準化處理,設其標準化的數(shù)據(jù)集為X,其為一個n×m矩陣,由此可求出其協(xié)方差矩陣S為:

(6)

式中:N為數(shù)據(jù)集X中的樣本數(shù)目。接下來,對求取的協(xié)方差矩陣進行奇異值分解,可得到其特征值為(λ1,λ2,…,λA),其對應的特征向量為(p1,p2,…,pA),其中A為保留主元的個數(shù),其值應該小于樣本集中的變量數(shù)目。由此,根據(jù)其特征向量完成主成分的表達:

Ti=X×P

(7)

式中:Ti為主成分向量集合;P為由特征向量組成的負載矩陣,P=(p1,p2,…,pA)。其單獨一個主成分向量ti可表示為:

ti=X×pi

(8)

建立主成分分析模型后,一般采用T統(tǒng)計量來完成運行異常監(jiān)測,其計算公式如下所示:

(9)

式中:Q為前集合主成分所對應特征值的對角矩陣。當數(shù)據(jù)樣本近似高斯分布時,T統(tǒng)計量視為服從F分布,其控制限TUCL可用式(10)表示:

(10)

式中:α為置信度;Fα(A,N-A)代表置信度為α、自由度為A和(N-A)情況下F分布的臨界值。除此之外,還可采用SPE統(tǒng)計量完成故障程度的校驗,其控制限ESP,UCL的計算公式如下所示:

(11)

式中:θi為統(tǒng)計自由度;h0為用戶定義的常數(shù),用于確定控制限的位置;cα為正態(tài)分布(1-α)高位的臨界值。

2.2 基于高斯混合模型的T統(tǒng)計故障監(jiān)測

采用傳統(tǒng)T統(tǒng)計方法進行故障監(jiān)測的過程中容易出現(xiàn)誤報的情況,為進一步提升故障監(jiān)測的效果,本文在此基礎上引入高斯混合模型。由于高斯混合模型是一種常見的聚類算法,可通過將事物分解為若干個正態(tài)分布曲線,完成事物的精確量化,擬合逼近各種分布,因此本文研究使用置換的方法來估計統(tǒng)計量的分布,進而將基于高斯分布假設的T統(tǒng)計量拓展到非高斯分布的數(shù)據(jù)集中,并加入滑窗機制以提升數(shù)據(jù)監(jiān)測效果。

引入高斯混合模型的T統(tǒng)計方法故障監(jiān)測步驟如下:

1)先采集故障檢測過程中的數(shù)據(jù),對初始數(shù)據(jù)進行標準化后,利用式(6)計算數(shù)據(jù)的協(xié)方差矩陣,然后利用奇異值分解完成其特征向量和特征值的計算,最后基于累積方差貢獻率完成主成分個數(shù)的確定,得到其負載矩陣及得分矩陣。

2)確定高斯成分個數(shù),利用高斯混合模型對主成分進行求解,得到每個高斯成分的均值uk和協(xié)方差σk,其計算公式如下所示。

(12)

(13)

(14)

(15)

式中:tij為第i個高斯成分第j個樣本的主成分。

3)利用式(11)求出SPE統(tǒng)計量的控制限。

4)將算得的T統(tǒng)計控制限和SPE統(tǒng)計量控制限與設定閾值進行比較,如只有一個指標超標,即可判斷系統(tǒng)異常;如沒有指標超標,則可判斷其并無故障,以此完成故障監(jiān)測。

3 實驗與分析

為驗證基于高斯混合模型的汽車車架縱梁故障監(jiān)測方法的整體有效性,在主頻為 3.60 GHz、內存為 8 GB 的 PC 機上,使用 Python 軟件開發(fā)環(huán)境和 Open CV 開發(fā)工具進行仿真實驗測試。對某車輛進行研究,在4個縱梁交匯點布置傳感器,其布置圖如圖1所示。

圖1 傳感器布置圖

如圖1所示,利用布置的傳感器完成車架縱梁運行狀態(tài)數(shù)據(jù)的采集,并將其組成數(shù)據(jù)集。其中,選取數(shù)據(jù)集中80 000個振動數(shù)據(jù)作為訓練集,10 000個數(shù)據(jù)作為測試集。測試集及訓練集中均具有大量的故障。先對所提方法的應用性能進行檢驗,獲得效果如圖2所示。

圖2 所提方法檢測結果

結合圖2(a)、(b)可知,采用本文所提方法可對汽車車架縱梁的運行狀態(tài)進行科學評估,通過異常數(shù)據(jù)的篩選完成故障監(jiān)測。為進一步驗證所提方法的性能,選取基于高斯混合模型的汽車車架縱梁故障監(jiān)測方法(方法1)、鐵路機車車輛運行故障監(jiān)測診斷研究(方法2)、基于機器學習的牽引車車架性能智能評估(方法3)開展對比實驗。

1)選取500個車輛縱梁實時數(shù)據(jù),利用方法1、方法2和方法3對數(shù)據(jù)進行檢測分析,并將其與真實結果相對比。若測試結果與實際結果相近,說明該方法的故障監(jiān)測預警效果好;若測試結果與實際結果相差較多,說明該方法的故障監(jiān)測預警效果差。統(tǒng)計其預警準確率,獲得具體測試結果如圖3所示。

圖3 不同方法故障監(jiān)測預警準確率對比

分析圖3中的數(shù)據(jù)可知,應用方法1在2、3、4、5、6次實驗中,檢測準確率均超過95%,對故障監(jiān)測預警的效果較好,而應用方法2和方法3在測試期間的故障監(jiān)測效果不佳,均低于90%,且其監(jiān)測穩(wěn)定性較差,這不僅僅說明方法2與方法3的故障監(jiān)測誤差大,還說明方法2與方法3的故障監(jiān)測方法還有缺陷,應該加以完善。

2)基于上述實驗,為了充分驗證所提方法在不同時間段的故障監(jiān)測預警效果,需要利用方法1、方法2和方法3分別對不同月份的變電站電氣設備進行故障監(jiān)測預警,選取3月、6月、9月及12月4個月份作為研究對象,得到不同月份下的故障監(jiān)測效果,如圖4所示。

圖4 不同月份的故障監(jiān)測效果對比

根據(jù)圖4(a)可知,采用方法1進行故障監(jiān)測預警的準確率較高,其異常數(shù)據(jù)的統(tǒng)計量與實際異常數(shù)據(jù)數(shù)目大致相符,而方法2和方法3的異常數(shù)據(jù)統(tǒng)計情況與實際異常情況雖然較為接近,但其應用效果仍然不佳。綜合圖4(a)、(b)、(c)、(d)可知,方法1監(jiān)測效果與實際結果更為接近,方法2和方法3在12月的監(jiān)測均出現(xiàn)較大誤差,故方法1的故障預警監(jiān)測效果更佳。這主要是由于方法1對獲取的數(shù)據(jù)進行了預處理,提升了故障監(jiān)測準確率。

4 結束語

本文給出的汽車車架縱梁故障監(jiān)測方法仿真應用效果較好,且不受月份影響,在全年預警過程中均優(yōu)于對比方法,可為汽車車架縱梁故障監(jiān)測提供一種新的方法,為后續(xù)汽車車架故障檢測與維修類系統(tǒng)的設計與研究提供一定技術支持。但是目前的研究工作僅通過簡單實例驗證方法的可行性,實際應用效果還未得到驗證,后續(xù)還需要將本文方法應用在實際工作場景中,以真正完成方法應用效果的驗證。