路面激励下液压阻尼衰变驱动机制的深度学习与剩余寿命预测

A hydraulic damper in a moving vehicle is excited by road roughness continuously. The damping performance of the damper is accordingly deteriorated in response to its serving time. For this reason, it is essential to forecast remaining useful life (RUL) for the reliable operation of the hydraulic damper. Following the research route of “driving effect analysis, deep learning of deterioration, and RUL forecasting”, the proposal tries to investigate the deterioration driving mechanism and the RUL for vehicle suspension dampers under road excitations. Multi-domain coupling effects of time, strength and temperature factors are first analyzed. A multimodal probability deep learning model is subsequently established to evaluate the damping performance condition. The RUL of the hydraulic damper is then forecasted based on deep learning regression. Finally, road excitation experiments are carried out to verify the addressed techniques. In this proposal, a novel method of multimodal probability deep learning is suggested for exploring the driving mechanism of the deterioration, deeply extracting effective information for the damping performance, and enhancing the RUL forecasting ability for the hydraulic damper. The outputs of the research will provide the theoretical guidance of the design optimization and the basic support of the reliable operation and failure prognosis for hydraulic dampers. This contributes the research remarkable scientific significance and application prospect.

车辆行驶过程中的液压阻尼器受到路面激励的作用，其阻尼性能随着服役过程的持续而衰变。因此，剩余使用寿命的预测对液压阻尼器的可靠服役具有重要的指导作用。本项目遵循“驱动作用分析、衰变深度学习、剩余寿命预测”的总体思路，研究车辆悬架液压阻尼器受路面激励的性能衰变驱动机制并预测剩余使用寿命。主要包括：拟首先分析路面激励下液压阻尼器受时间、强度、温度等多域耦合的驱动作用；在此基础上，建立液压阻尼性能衰变状态的多模概率深度学习模型；然后基于深度学习回归技术，预测液压阻尼器的剩余使用寿命；最后开展路面激励试验测试，验证所提出的技术方法。本项目提出新型的多域概率深度学习方法，解构液压阻尼性能衰变的驱动机制，深度提取阻尼性能衰变的有效信息，增强液压阻尼器剩余使用寿命的预测能力。项目的研究结果既为液压阻尼器的优化设计提供理论指导，又为阻尼器的可靠运行和故障预示提供基础支持，因而具有显著的科学意义和应用价值。

减振器是汽车悬架中的关键部件，利用振动信号监测对阻尼器进行剩余使用寿命预测是保障行车安全可靠、降低汽车全生命周期运行维护成本，并提高乘客生命安全性的有效手段。然而，由于阻尼器结构及实际工作环境的复杂性，导致难以获取阻尼器全生命周期数据、影响阻尼器性能退化的因素较复杂，对阻尼器的可靠性评估造成极大难度。对此研究阻尼器的剩余使用寿命为目标，采用了信号处理、机器学习和深度学习等理论和方法，主要开展了以下研究工作：（1）在影响阻尼器性能影响因素研究方面，利用自行搭建的性能测试系统，研究了新型泡沫金属磁流变液阻尼器响应时间特性的影响因素；（2）针对传统的汽车液压阻尼器，项目利用自行搭建的汽车阻尼器全生命周期实验平台，研究了阻尼器在运行过程中，阻尼器系数与温度及运行时间之间的关系，揭示了阻尼器性能衰变的非线性特征；（3）在剩余寿命预测方面，首先提取了阻尼器性能衰变的阻尼系数这一关键特征，结合实验数据，在研究了传统机器学习方法，基于支持向量机的阻尼器剩余使用寿命预测基础之上，利用卷积神经网络强大的局部特征提取优势，结合长短期记忆网络门信号对信息的记忆和更新特点，提出了基于卷积神经网络和长短记忆网络的阻尼器剩余使用寿命预测方法，建立了阻尼器的阻尼系数衰变模型，并研究了其中的参数优化问题；（4）在试验方面，基于对阻尼器剩余使用寿命的驱动因素和预测研究，开发了一套基于LabView的汽车阻尼器状态监测系统，可实时观察阻尼器的运行状态。综上所述，本项目研究了汽车阻尼器寿命预测共性基础研究中的重要科学问题，为阻尼器的优化设计提供理论依据，同时，为阻尼器的剩余使用寿命及可靠性运行和故障预示提供基础了支持，这不仅关系到车辆的安全、舒适行驶，而且也能避免由于阻尼器的不合理报废造成的巨大社会资源浪费，同时也为人类的生命安全提供了有力保证，具有重要的科学意义和应用价值。