基于图像识别的悬架控制设备故障诊断方法及系统与流程

本发明涉及工业控制设备能故障诊断，具体涉及基于图像识别的悬架控制设备故障诊断方法及系统。

背景技术：

1、新能源汽车悬架系统，尤其是采用磁流变弹性体等智能材料的主动和半主动悬架，是实现车辆平顺性与操控性的关键执行部件。悬架控制设备——包括控制器、传感器、执行器（如磁流变阻尼器）、通讯模块等。由于悬架控制设备长期在振动、温差、电流冲击等复杂工况下运行，故障风险较高。

2、目前，悬架系统的故障诊断主要依赖以下技术路径：

3、基于传感器的参数监测法：通过加速度传感器、位移传感器、电流传感器等采集悬架运行参数，与预设阈值进行比对判断故障。该方法存在传感器布置成本高、单一参数难以全面表征故障类型等问题。

4、基于车载诊断系统（obd）的故障码读取：通过读取控制器局域网络（can）总线上的故障码进行诊断，但obd系统通常只能识别已预设的、电气层面的故障，对于机械性退化、传感器漂移、执行器性能衰减等渐进性故障缺乏有效判别能力。

5、基于信号处理的故障特征提取法：采用小波变换、经验模态分解等方法提取振动信号的时频域特征，结合传统分类器（如支持向量机、k近邻）进行故障判别。此类方法依赖人工特征工程，特征提取的有效性直接影响诊断精度，泛化能力受限。

6、近年来，深度学习技术在工业故障诊断领域展现出巨大潜力。人工智能技术的发展及其在诊断推理中的应用，将使得诊断系统智能化程度不断提高。如神经网络推理方法的出现，有效解决了专家系统出现的“规则组合爆炸”的难题，而近期已有神经网络算法的完善和新神经网络算法的出现，又将推动着故障诊断系统向高度智能化方向发展。然而，现有研究多聚焦于通过振动信号、电流信号等一维时序数据进行故障模式识别，较少将图像识别技术引入悬架故障诊断领域。实际上，悬架控制设备的物理状态——如磁流变阻尼器的漏液痕迹、线束的磨损或脱落、电路板的烧蚀痕迹、传感器安装位置偏移等——均可通过图像信息直观反映。若能融合图像识别与神经网络技术，有望实现对悬架控制设备外部物理状态与内部运行参数的综合诊断，弥补现有技术的信息来源单一、故障类型判别能力不足的缺陷。

技术实现思路

1、本发明所要解决的技术问题在于：如何基于图像识别与神经网络技术，实现对悬架设备外部物理状态与内部运行参数的综合诊断，弥补现有技术的信息来源单一、故障类型判别能力不足的缺陷，提供了基于图像识别的悬架控制设备故障诊断方法。

2、本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

3、s1：采集及预处理

4、采集悬架控制设备的故障图像并对其进行预处理，得到标准化输入图像；

5、s2：特征提取

6、采用深度卷积神经网络对标准化输入图像进行分层特征提取，输出神经网络特征图；

7、s3：增强特征建模

8、将神经网络特征图展平得到展平特征图向量，对展平特征图向量进行变换生成中间特征矩阵，再对中间特征矩阵进行特征卷积、行列最大池化运算与特征向量拼接得到增强池化特征；

9、s4：故障分类输出

10、将增强池化特征输入分类模块，输出悬架控制设备的故障诊断结果。

11、更进一步地，在所述步骤s1中，图像采集装置包括工业相机、巡检机器人与手机，部署于车辆底部或维修工位；采集视角包括磁流变阻尼器外观、线束接口、控制器电路板、传感器安装位置。

12、更进一步地，在所述步骤s1中，预处理操作包括图像去噪、尺寸归一化与数据扩增，批量故障图像进行预处理操作形成标准化的输入图像数据集。

13、更进一步地，在所述步骤s2中，分层特征提取的具体过程如下：

14、s21：利用位于深度卷积神经网络底层的卷积模块提取边缘、纹理类浅层物理特征；

15、s22：利用位于深度卷积神经网络中层的残差模块提取阻尼器主体、线束接口、电路板元器件类部件级语义特征；

16、s23：利用位于深度卷积神经网络高层的注意力模块增强模型对于故障相关区域的关注能力，最终输出神经网络特征图。

17、更进一步地，所述深度卷积神经网络为resnet-50网络，其中，底层的卷积模块包括一个7×7的卷积层、一个3×3的最大池化层，用于提取边缘、纹理类浅层物理特征，中层的残差模块通过16个残差单元堆叠而成，每个残差单元包括两个1×1卷积层和一个3×3卷积层的瓶颈结构，残差模块利用残差连接实现恒等映射，进而提取阻尼器主体、线束接口、电路板元器件类部件级语义特征，高层的注意力模块包括通道注意力子模块与空间注意力子模块，通道注意力子模块采用全局平均池化和最大池化的双路设计，同时捕捉故障区域的全局统计特征和局部显著特征，再通过两层全连接层进行通道间的建模，生成通道权重系数，空间注意力子模块采用7×7的卷积核进行跨区域关联特征提取，基于通道注意力子模块得到的通道权重系数，建立特征图上不同位置之间的语义关联，最终输出神经网络特征图。

18、更进一步地，在所述步骤s3中，中间特征矩阵的计算公式如下：

19、；

20、其中，是权重，是像素矩阵展平后的特征图向量，即展平特征图向量，为中间特征矩阵。

21、更进一步地，在所述步骤s3中，特征卷积的具体公式如下：

22、假设卷积滤波器的数量为，第个卷积操作为：

23、；

24、其中，，是非线性激活函数，表示二维卷积，和分别是第个卷积核的权重和偏置，是特征图。

25、更进一步地，在所述步骤s3中，行列最大池化运算的具体公式如下：

26、；

27、其中，和是行方向和列方向的最大池化生成向量，t表示第t个最大池化行向量和列向量，是第j行、第g列位置的特征图向量，是第g行、第j列位置的特征图向量，d是二维卷积核的大小，k是特征图的尺寸。

28、更进一步地，在所述步骤s3中，特征向量拼接公式如下：

29、；

30、其中，，表示卷积滤波器总数，为拼接后的特征向量，即增强池化特征。

31、更进一步地，在所述步骤s5中，分类模块执行二分类任务或多分类任务；二分类任务为判别悬架控制设备处于有故障状态或无故障状态，多分类任务为判别悬架控制设备的具体故障类型。

32、本发明还提供了基于图像识别的悬架控制设备故障诊断系统，应用于上述的方法，包括：

33、采集及预处理模块，用于采集悬架控制设备的故障图像并对其进行预处理，得到标准化输入图像；

34、特征提取模块，用于采用深度卷积神经网络对标准化输入图像进行分层特征提取，输出神经网络特征图；

35、增强特征建模模块，用于将神经网络特征图展平得到展平特征图向量，对展平特征图向量进行变换生成中间特征矩阵，再对中间特征矩阵进行特征卷积、行列最大池化运算与特征向量拼接得到增强池化特征；

36、故障分类输出模块，用于将增强池化特征输入分类模块，输出悬架控制设备的故障诊断结果。

37、本发明相比现有技术具有以下优点：该基于图像识别的悬架控制设备故障诊断方法，基于图像分类提出了一种新的智能故障诊断方法，对基于磁流变弹性体的新能源汽车悬架控制设备进行了故障图像信息采集，并实现了故障的准确识别；本发明除了利用图像分类技术外，还将神经网络特征图进行再处理，通过展平后的再处理生成中间特征矩阵，并再利用神经网络建模为增强池化特征，对应的增强模块可以作为一种增强模型泛用于图像分类任务提升性能。