一种转向架故障监测与诊断的嵌入式系统装置及方法与流程

技术特征：
1.一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，包括用于转向架结构状态数据监测的传感器模块，ad数据采集模块、信号调理、滤波与放大模块，微控制器模块，电源模块；所有功能模块集成在嵌入式微系统中，并且采用柔性混合电子制造与柔性电路板制备工艺将所有功能模块集成设计在柔性衬底上，嵌入式故障诊断装置安装在转向架上面，应用于轨道交通车辆转向架结构故障在线诊断；嵌入式系统安装在微主控器中，实时采集转向架状态数据信息，所提出转向架故障诊断系统内集成智能算法通过平台编译植入到嵌入式控制系统，基于深度学习的转向架故障诊断智能算法会下载到嵌入式主控器中运行，在嵌入式系统平台上实现转向架故障的在线诊断，提高转向架故障诊断的实时性与可靠性，所提出基于嵌入式系统的转向架故障诊断操作流程如下：（1）嵌入式微处理器系统中的传感器模块（应变、压电和加速度）用于实时采集典型故障下的转向架结构健康数据，用于转向架运行环境与工况的状态数据的实时采集；（2）构建转向架故障的训练与测试数据集，在转向架典型故障（构架缺陷、阻尼失效、弹簧松弛），嵌入式系统中的传感器将记录典型故障下的转向架多参量数据，分为两组，一组（训练数据集）用于训练转向架故障诊断与分类算法的网络结构参数，另一组（测试数据集）用于测试转向架故障分类算法的故障成功率；（3）在上位机系统通过c语言构建基于嵌入式系统多参量数据的转向架故障诊断与分类模型，采用多层人工神经网络模型来表示转向架故障数据的处理流程；（4）针对上位机所构建的人工神经网络模型，采用无监督训练阶段和微调阶段来训练网络参数，获取各层的条件概率分布，采用bp算法对网络参数进行调整，实现神经网络模型的参数自适应调整；（5）通过人工智能与深度学习工具将建立人工神经网络模型（基于c语言开发）导入stm32cube.ai，构建上位机c语言的深度学习模型与底层硬件（嵌入式stm32处理器）之间的代码转化的接口；（6）预先训练好的神经网络植入到一个微控制器（stm32）中，支持深度学习模型从上位机下载到底层嵌入式处理器上，在stm32 mcu上运行验证深度学习模型的输出性能，同时，深度学习算法也支持无线远程下载（更新）到嵌入式处理器；（7）优化后并安装在转向架上面嵌入式深度学习模型将用于计算处理测试数据样本集，实时测试嵌入式处理器上深度学习算法的转向架故障分类与识别成功率；（8）嵌入式微处理器系统安装在转向架上，深度学习模型实时处理转向架多参量数据，并实时对转向架的运行状态进行在线评估，实时诊断转向架的结构故障，提高转向架的智能化监测水平。2.根据权利要求1所述的一种面向转向架故障诊断与监测的柔性嵌入式系统装置，其特征在于，包括用于转向架结构状态数据监测的传感器模块、ad数据采集模块、信号调理、滤波与放大模块、微控制器模块、电源模块；所有功能模块集成在嵌入式微系统中，采用柔性混合电子技术制备，采用低温焊料技术实现硬质电阻、电容、电感、芯片、传感器相关硬质电子元件与柔性电路板有效集成，具有柔性可弯曲变形能力，具备轻质、超薄特点，所制备的柔性嵌入式系统装置能共形安装在转向架表面，提高采集转向架状态数据的精度，提高面向转向架故障诊断与分类的嵌入式系统装置与转向架构架曲面的适应能力，支持用于转向架故障诊断的智能算法的运行，实现转向架故障的在线诊断，提升转向架智能化监测水
平，将柔性嵌入式系统装置拓展到复杂曲面工程结构件以及基础设施的结构健康监测应用中。3.根据权利要求1到2所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，对智能算法进行裁剪，支撑在嵌入式处理器上实时运行，深度学习算法的裁剪主要流程如下：（1）设计合理的深度学习网络结构，选用多层人工神经网络结构，明确网络结构的输入层、隐含层与输出层；（2）设计合理的loss函数，减少初始loss期望值和实际值之间的差值，尽量保证训练与测试数据的均衡；（3）检查网络中间输出性能，保证多层网络结构的良好连接；（4）确认所有子网络的输入输出shape对齐；（5）梯度更新策略，时刻监测网络模型搜索的梯度值，避免梯度消失与梯度爆炸；（6）优化模型参数，实时动态更新网络结构参数，保证网络的输入与输出值；（7）调整网络参数batch size，保持合适的batch size，保证网络的优化效率，避免局部最优；（8）通过loss反向传播计算算法搜索的梯度，提高网络计算效率；（9）优化人工神经网络的结构参数，提高网络的鲁棒性；（10）调整learning rate学习率，提高网络的学习效率与泛化能力；（11）梯度裁剪，在网络反向传播时，控制梯度参数的范围，提高网络的搜索计算效率；（12）进一步优化网络参数，在pc端口完成基于深度学习的程序裁剪，减少深度学习算法的计算量，为植入到嵌入式微控制器奠定基础。4.根据权利要求1到3所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，主要采集转向架的动态应变、结构振动以及主动探伤的回波信号，在时域、频域以及时频域分别提取当前数据的特征信号，在典型转向架结构故障下，提取不同传感模块的特征信息：（1）主动探测中回波信号的特征量：回波损伤信号能量；协相关因子，为参考信号与测量信号之间的协方差系数， 和为参考信号与测量信号的标准差；空间相位差spatial phasedifference (spd):；频谱损失spectrum loss：，中心频谱损失central spectrum loss：；（2）转向架构架结构动态应变信号的特征量：幅值；差分值；应变能量；（3）转向架振动信号的特征量：振动强度；峰-峰值；中心频率；均方频率；转向架
结构状态数据维度大，数据之间相互耦合，提出转向架运行过程中的特征状态信息，用于反应转向架的结构故障信息，将这些不同特征值连线绘制成典型转向架故障状态对应的雷达图，直观反映转向架故障状态与传感特征信号的内在关系，为转向架故障的在线监测与快速诊断提供支持，并给出转向架故障等级的预估方法，实现转向架故障的综合评估，对转向架特征数据进行快速评价与分类处理。5.根据权利要求1到4所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，转向架故障源部位包括构架、防偏阻尼、横向阻尼、轴承、传动轴、金属橡胶弹簧、金属螺旋弹簧和空气弹簧；构架的主要缺陷有表面裂纹、弯曲变形与长时间的磨耗，防偏阻尼和横向阻尼主要存在密封性能不好与失效等；轴承和传动轴主要是断裂和磨耗等；金属橡胶弹簧、金属螺旋弹簧和空气弹簧在长时间运行过程中会出现松弛与老化现象；嵌入式系统中的不同类型传感器布置在转向架上，实时采集转向架输出的结构状态信号，不同的缺陷形式会产生不同的输出信号，综合分析转向架多传感器的状态信号，能够实现转向架缺陷的在线诊断以及划定缺陷等级。6.根据权利要求1到5所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，涉及主要流程包括数据样本集构建、模型参数优化与程序裁剪、动态更新与远程维护；数据样本集构建用于支持模型数据特征提取以及模型训练与测试工作；模型参数优化与程序裁剪是转向架故障的深度学习模型植入到嵌入式微处理器的关键；动态更新与远程维护为上位机对嵌入式处理器提供远程技术维护与程序更新服务。7.根据权利要求1到6所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，在线实时处理转向架故障信息，深度学习算法在嵌入式处理器中运行具有很高的效率，所提出的转向架故障算法在典型故障使用所构建的测试样本集下故障识别的平均成功率96.7%，满足嵌入式转向架在线故障诊断的需求，为工程实际应用奠定基础。8.根据权利要求1到4所述的一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，在转向架故障在线诊断工程应用中，利用优化后的人工神经网络模型，并下载到嵌入式微处理器中，对实时采集到转向架的多参量状态数据进行在线处理，得到转向架故障状态的评估信息，实时评价转向架的结构健康信息，提升转向架的智能化监测水平。9.根据权利要求1到4所述一种转向架故障监测与诊断的嵌入式系统装置及方法，其特征在于，针对转向架结构状态数据复杂多变，转向架结构故障亟待实时在线处理的需求，深度学习算法如何在嵌入式处理器上运行并实现转向架故障的在线诊断是本发明解决的主要技术问题，通过程序裁剪与编译，将转向架运行的深度学习模型植入到嵌入式处理，实现转向架故障的分类识别，在线评估转向架的结构健康水平。

技术总结
本发明涉及轨道交通智能化监测领域，特别涉及一种转向架故障监测与诊断的嵌入式系统装置及方法。嵌入式微处理系统在线采集转向架的多参量信息，构建了典型故障下转向架结构的训练与测试样本集，提取典型故障下转向架的特征信息，不同特征值连线绘制成典型转向架故障状态对应的雷达图；传感-传输-处理一体化功能装置集成到柔性电路板上，通过程序裁剪与编译，经过裁剪后的深度学习算法成功植入到嵌入式处理器，并且嵌入式微处理器上的深度学习模型实现了转向架故障诊断与分类，提升了轨道交通结构的智能化监测水平。通结构的智能化监测水平。通结构的智能化监测水平。


技术研发人员：董文涛 肖乾 黄永安 谢锋云
受保护的技术使用者：程宵
技术研发日：2022.08.19
技术公布日：2022/11/11