电驱动总成已经广泛的应用于新能源汽车,其能否高效且可靠的为新能源汽车提供动力是国内外长期关注的焦点。电驱动总成在生产线末端的在线检测是保障质量的最后一道防线。因此,未来电驱动总成在线检测的发展重点是找到一种有效且高精度的故障分类识别方法。目前,在线检测常用的方法主要包括人工特征提取的专家系统和人工辅助检查。专家系统需要专业领域的专家建立完善的故障检测知识库,过度赖专家经验以及先验知识;人工辅助检测主要是操作员对运行时的噪声进行辅助判断,该方法主观性大,且操作员易疲劳,既无法满足高效率和高精度的要求,又易出现漏判和误判等问题。针对上述问题,本论文提出一种基于卷积神经网络的电驱动总成故障数据分类识别方法,实现从原始振动信号到故障识别结果的直接输出映射,为电驱动总成故障数据高效且高精度的分类识别提供重要的参考。本论文的主要的研究内容如下:(1)论文以集成式的电驱动总成为研究对象,对生产制造过程中出现的故障信号进行采集和处理。首先,采集实际生产线末端的电驱动总成振动信号,并对故障原因和故障特征进行分析总结。其次,对振动信号进行预处理,使用数据增强方法进行数据扩充,对比分析不同步长对分类识别准确率的影响。实验结果表明,选择步长2000有利于模型训练。最后,建立电驱动总成原始振动信号数据集。(2)为提高电驱动总成故障数据分类识别的准确度,分别从扩大感受野、减少训练参数、优化模型运算性三个方面对一维卷积神经网络模型进行优化。实验结果表明:采用空洞卷积层代替传统卷积层,增大了局部感受野的范围,使得网络模型对特征的提取能力更优秀;滤波器响应归一化(FRN)消除了对批尺寸(Batch size)的依赖,使得网络模型训练速率以及稳定性有明显提升;全局池化的引入减少了模型训练所需的参数,在训练效率和参数量对比方面有明显的改善。同时,结合可视化技术,探明了一维卷积神经网络模型对振动信号特征提取的过程,分析了权重频次分布的变化情况。(3)论文对电驱动总成原始振动信号及其处理后的信号进行对比分析。结果表明,当原始振动信号作为网络模型的输入时,网络模型可以对故障数据进行较准确的分类识别。最终得到适用于电驱动总成故障数据集分类识别的一维卷积神经网络模型,测试准确率达98.00%。(4)实际在线检测过程中,电驱动总成多数情况下是在变工况条件下进行检测的,获取的原始振动信号会表现出差异性。本文提出将注意力机制融入一维卷积神经网络模型结构中的方法,突出局部重要特征的表达。通过不同组合的变工况数据训练模型,并优化了网络模型中的超参数。实验结果表明,数据集的复杂度对网络模型训练有直接的影响,故障分类识别准确率平均达93.45%。同时,对比分析不同算法的分类识别能力。实验结果表明,对于电驱动总成故障数据集,基于注意力机制的卷积神经网络(ATT-CNN)模型可获得较高的分类识别精度,最终在变工况下的故障数据集的最高分类识别精度达95.19%。