一种基于卷积神经网络的伺服电机故障诊断方法与流程

本发明涉及伺服电机故障诊断，具体为一种基于卷积神经网络的伺服电机故障诊断方法。

背景技术：

1、伺服电机广泛应用于各种工业领域，其运行状态直接影响工业生产。一旦伺服电机出现故障，不仅会影响生产线的正常运行，还会增加维修和更换成本。因此，对伺服电机的故障进行及时、准确的诊断具有重要的实际意义。传统的伺服电机故障诊断方法主要依赖于人工检查和经验判断，这种方法不仅效率低下，而且容易受到人为因素的影响。因此，开发一种基于数据驱动的、能够自动进行伺服电机故障诊断的方法是迫切需要的。

2、在申请公布号为cn116224062a的中国发明申请中，公开了一种基于卷积神经网络的伺服电机故障诊断方法，在matlab中建立电机模型，设置不同故障模式进行仿真，采集伺服电机正常工作情况下和故障情况下的输入输出数据集，对采集的数据进行切割图像化处理，在基础cnn模型上，设置不同网络参数网络层数、卷积核个数和核函数，比较训练效果，得出网络参数最优参数，从而确定最优算法。

3、在申请公布号为cn115235612b的中国发明申请中，公开了一种伺服电机的故障智能诊断系统及其诊断方法，其通过傅里叶变换和上下文编码器提取出待诊断伺服电机的振动信号的多个频域统计特征的全局性频域关联特征，并且利用卷积神经网络模型对所述待诊断伺服电机的振动信号的波形图进行局部的深层次的隐含特征的挖掘，在融合这两者的特征信息时，进一步对所述频域关联特征进行基于注意力机制的数据密集修正，以基于分类器的概率表达来使得分类概率具有对不同数据密集度的特征向量的自适应依赖。

4、结合现有技术，以上申请还存在以下不足：

5、1、振动信号是伺服电机运行时的一种自然输出，通过对其进行分析，可以获取伺服电机的运行状态。但是，振动信号并不能完全反映伺服电机的所有故障，有些故障可能不会在振动信号中表现出明显的变化，或者可能在伺服电机出现故障初期，振动信号的变化并不明显，这都会导致漏检或误检的情况。此外，振动信号容易受到其他设备的干扰，例如机械振动、环境噪声等，这也会影响诊断的准确性；

6、2、一些复杂的信号处理算法，例如傅里叶变换（ fft）、短时傅里叶变换（ stft）和小波变换（ wt）等，在处理伺服电机的运行数据时，可能会遇到模态混淆和边界效应的问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于卷积神经网络的伺服电机故障诊断方法，通过 alif算法对伺服电机的声音信号进行分解，将信号分解为若干个模态分量和一个剩余分量；将模态分量作为原信号进行希尔伯特变换，将原信号和经过希尔伯特变换后的信号组成解析信号，计算获得瞬时频率和瞬时能量，并构建特征向量；计算获取 m种故障声音信号的特征向量，通过计算不同特征向量之间的余弦相似度，分析不同故障之间相关性，预先设置相似度阈值，并和余弦相似度进行比较，对故障进行分类，解决了背景技术中提到的不足。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种基于卷积神经网络的伺服电机故障诊断方法，包括以下步骤：

3、在伺服电机上安装声音采集装置，采集伺服电机在不同运行状态下的声音信号，包括正常运行状态和不同故障状态，建立正常声音信号和不同故障声音信号的样本数据集；

4、将伺服电机的正常声音信号和不同故障声音信号作为待分解样本数据，通过 alif算法对样本数据进行分解，将信号分解为若干个模态分量和一个剩余分量；

5、将模态分量作为原信号进行希尔伯特变换，将原信号和经过希尔伯特变换后的信号组成解析信号，计算获得瞬时频率和瞬时能量，并构建特征向量 v；

6、计算获取 m种故障声音信号的特征向量，通过计算不同特征向量之间的余弦相似度，分析不同故障之间相关性，预先设置相似度阈值，并和余弦相似度进行比较，依据比较结果对故障进行分类；

7、利用不同故障的特征向量构建卷积神经网络模型，使用伺服电机正常声音信号和不同故障声音信号的特征向量对卷积神经网络模型进行训练，将新的声音信号输入到训练好的卷积神经网络模型中，判断是否存在故障，并识别出具体的故障类型。

8、进一步的，获取伺服电机的正常声音信号和不同故障声音信号，作为待分解样本数据；

9、对于给定的原始信号 x(t)进行循环筛选，获得一个模态分量，定义滑动算子：

10、；

11、其中，表示时间 t的滤波器，表示滤波长度， τ表示时间波动， t表示时刻；

12、那么，由此可得波动算子的表达式为：

13、；

14、其中， i表示为第 i个内循环， n表示第 n次筛选，表示第次筛选后的信号，表示为第 n次筛选的滑动算子。

15、进一步的，当满足约束条件：时，提取一个模态分量以及剩余分量并结束当前内循环，即：

16、；

17、其中， i表示为第 i个内循环， n表示第 n次筛选，为第次筛选后的信号， θ为预先设置的参数，取值范围为；

18、直到剩余分量最多包含一个极值点时停止分解，获得若干个模态分量和一个剩余分量。

19、进一步的，获取所有模态分量，将模态分量作为原信号进行希尔伯特( hilbert)变换，计算公式如下：

20、；

21、其中表示为经过希尔伯特变换后的信号，表示为第 n个模态分量， t表示为时刻，表示为时间平移量；

22、将原信号和经过希尔伯特变换后的信号组成解析信号，计算公式如下：

23、；

24、其中， j是虚数单位。

25、进一步的，通过公式计算得到瞬时幅值和瞬时相位，计算公式如下：

26、；

27、其中，表示为经过希尔伯特变换后的信号，表示为第 n个模态分量， t表示为时刻。

28、进一步的，通过对瞬时相位求导计算获得瞬时频率，计算公式如下：

29、；

30、同时，通过瞬时幅值计算获得瞬时能量，计算公式如下：

31、

32、通过瞬时频率和瞬时能量构建特征向量：

33、；

34、其中， n表示为模态分量数量。

35、进一步的，计算获取 m种故障声音信号的特征向量，通过第 a种故障和第 b种故障的特征向量，并计算两者之间的余弦相似度，分析不同故障之间相关性，计算公式如下：

36、；

37、其中，表示第种故障的特征向量的一个维度，表示第 b种故障的特征向量的一个维度， n表示特征向量有 n个维度。

38、进一步的，预先设置相似度阈值，当两种故障特征向量之间的余弦相似度大于或等于相似度阈值时，表明两种故障在特征空间中的方向接近，具有相似的特征表现，将相似的故障归类在一起；计算所有故障向量特征之间的余弦相似度对伺服电机的故障进行分类。

39、进一步的，对构建的特征向量进行标准化处理，以消除不同特征向量之间的量纲和数量级的影响，利用处理后的特征向量，构建卷积神经网络模型；

40、使用伺服电机正常声音信号和不同故障声音信号的特征向量作为训练数据，对卷积神经网络模型进行训练，根据模型的输出结果进行优化和调整；

41、将新的声音信号经过特征提取和分解，得到对应的特征向量，并将其输入到训练好的卷积神经网络模型中；

42、根据模型的输出结果，判断新的伺服电机声音信号是否存在故障，当发现异常或故障信号时自动触发报警系统，并识别出具体的故障类型。

43、本发明提供了一种基于卷积神经网络的伺服电机故障诊断方法，具备以下有益效果：

44、（1）通过 alif算法将声音信号分解为不同的模态分量和一个剩余分量，更好地理解声音信号的性质和特征，更好地解释和理解信号的变化规律和含义，其他算法在处理复杂的信号时可能会受到模态混淆和边界效应等问题的影响，而 alif算法则能够自适应地学习和提取信号中的局部特征，具有较强的鲁棒性，从而更好地处理这些信号。

45、（2）解析信号允许同时查看原始信号的幅度和相位信息，有助于更深入地理解信号的性质和行为，瞬时频率和能量提供了信号在特定时间点的频率和强度信息，帮助捕捉到信号的瞬时变化和动态特征，通过构建特征向量，将复杂的信号转化为简单的、易于处理的数据结构，这有助于后续的数据分析和处理。

46、（3）通过计算特征向量之间的相关性，评估不同运行状态之间的关联性，特征向量的相似性或差异性可以反映不同运行状态之间的相似性或差异性，因此它们可以用于识别和分类伺服电机的运行状态，有助于及时发现并预警故障，提高设备维护效率和生产稳定性。

47、（4）通过将新的声音信号输入到训练好的卷积神经网络模型中，实时监测伺服电机的运行状态，及时发现并预警故障，实现非侵入性地监测，不会对设备造成额外的负担，同时提高设备维护效率和生产稳定性。