CN113298240B - 一种伺服驱动系统生命周期预测方法及装置 - Google Patents
一种伺服驱动系统生命周期预测方法及装置 Download PDFInfo
- Publication number
- CN113298240B CN113298240B CN202110847195.3A CN202110847195A CN113298240B CN 113298240 B CN113298240 B CN 113298240B CN 202110847195 A CN202110847195 A CN 202110847195A CN 113298240 B CN113298240 B CN 113298240B
- Authority
- CN
- China
- Prior art keywords
- characteristic parameters
- domain characteristic
- life cycle
- frequency domain
- driving system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种伺服驱动系统生命周期预测方法及装置,该方法包括:获取伺服驱动系统正常运行时的运行特征参数,并将伺服驱动系统的生命周期划分为磨合期、健壮期以及衰退期三个阶段;以运行特征参数为观测数据,以系统所处的生命周期阶段为隐含状态,构建隐马尔可夫模型;构建带有双隐层的BP神经网络并将其第二隐层替换为隐马尔可夫模型,得到预测模型;获取待预测的伺服驱动系统的运行特征参数,利用预测模型得到系统生命周期预测结果。本发明将通用的隐马尔可夫模型与BP神经网络相结合,对伺服驱动系统的运行特征参数进行分析计算,可有效分析出伺服驱动系统故障情况与生命周期。
Description
技术领域
本发明涉及伺服驱动技术领域,特别涉及一种伺服驱动系统生命周期预测方法及装置。
背景技术
在当代数控系统中,交流伺服取代直流伺服、软件控制取代硬件控制成为了伺服技术的发展趋势。由此产生了应用在数控机床的伺服进给和主轴装置上的交流数字驱动系统。一体化磁编码器伺服驱动系统将驱动器、编码器、电机以及电缆整合在一起,功能完备,使用方便并且安装简单。
产品故障的事后发现机制,容易造成设备和生产线的停滞,不仅错过了产品的最佳维护和更换契机,而且增加了设备的运行不确定性,因此,对产品的故障进行预测,研究系统生命周期非常重要。通过建立隐马尔可夫模型,依据历史监测数据估计模型参数可以大致估计出伺服驱动系统所在的生命周期状态,但是模型参数难以估计耗时较长且泛用性较差。
发明内容
本发明提供了一种伺服驱动系统生命周期预测方法及装置,以解决现有技术无法准确有效地预测伺服驱动系统生命周期的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种伺服驱动系统生命周期预测方法,包括:
获取伺服驱动系统正常运行时的运行特征参数,并将伺服驱动系统的生命周期划分为磨合期、健壮期以及衰退期三个阶段;
以获取的伺服驱动系统的运行特征参数为观测数据,以相应的伺服驱动系统所处的生命周期阶段为隐含状态,构建出隐马尔可夫模型;
构建带有双隐层的BP神经网络,并将所述BP神经网络的第二隐层替换为所述隐马尔可夫模型,得到用于预测伺服驱动系统生命周期的预测模型;
获取待预测的伺服驱动系统的运行特征参数,根据获取的运行特征参数,利用所述预测模型,得到所述待预测的伺服驱动系统的生命周期的预测结果。
进一步地,所述运行特征参数的获取过程,包括:
获取待采集所述运行特征参数的伺服驱动系统的时域特征参数;其中,所述时域特征参数包括伺服驱动系统的温度、转速、频率以及反应速度;
对获取的所述时域特征参数进行频谱分析,得到伺服驱动系统的频域特征参数,并采用预设的小波分析法对时域特征参数进行处理,求得小波能量谱作为伺服驱动系统的时频域特征参数;
使用主元分析法对所述时域特征参数、频域特征参数以及时频域特征参数进行降维,得到所述运行特征参数。
进一步地,所述预设的小波分析法为db3或db5。
进一步地,使用主元分析法对所述时域特征参数、频域特征参数以及时频域特征参数进行降维,得到所述运行特征参数,包括:
使用主元分析法对所述时域特征参数、频域特征参数以及时频域特征参数进行降维提取,分别选出所述时域特征参数、频域特征参数以及时频域特征参数中贡献率在85%以上的参数,作为所述运行特征参数。
进一步地,所述隐马尔可夫模型使用鲍姆-韦尔奇算法实现初步参数预估。
进一步地,所述隐马尔可夫模型使用Viterbi算法计算对应的隐含状态。
进一步地,所述预测模型使用BP算法找到权值初始值。
另一方面,本发明还提供了一种伺服驱动系统生命周期预测装置,包括:
数据预处理模块,用于获取伺服驱动系统正常运行时的运行特征参数,并将伺服驱动系统的生命周期划分为磨合期、健壮期以及衰退期三个阶段;
隐马尔可夫模型构建模块,用于以所述数据预处理模块所获取的伺服驱动系统的运行特征参数为观测数据,以相应的伺服驱动系统所处的生命周期阶段为隐含状态,构建出隐马尔可夫模型;
预测模型构建模块,用于构建带有双隐层的BP神经网络,并将所述BP神经网络的第二隐层替换为所述隐马尔可夫模型构建模块所构建出的隐马尔可夫模型,得到用于预测伺服驱动系统生命周期的预测模型;
生命周期预测模块,用于获取待预测的伺服驱动系统的运行特征参数,根据获取的运行特征参数,利用所述预测模型构建模块所构建出的预测模型,得到所述待预测的伺服驱动系统的生命周期的预测结果。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
本发明提供的伺服驱动系统生命周期预测方法,通过将隐马尔可夫模型与BP神经网络相结合,将BP神经网络的第二隐层替换为隐马尔可夫模型,将伺服驱动系统的多种特征数据处理后分析得出该系统故障状况,能够有效分析出伺服驱动系统的生命周期状态,通过状态分析可以为现场的工况改进提供依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的伺服驱动系统生命周期预测方法执行流程图;
图2为本发明第二实施例提供的伺服驱动系统生命周期预测方法实现原理图;
图3为本发明第二实施例提供的伺服驱动系统生命周期预测方法执行流程图;
图4为隐马尔可夫模型结构图;
图5为本发明实施例提供的隐马尔可夫模型与BP神经网络结合的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种伺服驱动系统生命周期预测方法,该方法使用隐马尔可夫神经网络模型可以快速有效确定模型参数,并且可以适用于多种不同的应用场景。该方法可以由电子设备实现,该电子设备可以是终端或者服务器。具体地,本实施例的伺服驱动系统生命周期预测方法的执行流程如图1所示,包括以下步骤:
S101,获取伺服驱动系统正常运行时的运行特征参数,并将伺服驱动系统的生命周期划分为磨合期、健壮期以及衰退期三个阶段;
S102,以获取的伺服驱动系统的运行特征参数为观测数据,以相应的伺服驱动系统所处的生命周期阶段为隐含状态,构建出隐马尔可夫模型;
S103,构建带有双隐层的BP神经网络,并将所述BP神经网络的第二隐层替换为所述隐马尔可夫模型,得到用于预测伺服驱动系统生命周期的预测模型;
S104,获取待预测的伺服驱动系统的运行特征参数,根据获取的运行特征参数,利用所述预测模型,得到待预测的伺服驱动系统的生命周期的预测结果。
综上,本实施例的伺服驱动系统生命周期预测方法通过将隐马尔可夫模型与BP神经网络相结合,将BP神经网络的第二隐层替换为隐马尔可夫模型,将伺服驱动系统的多种特征数据处理后分析得出该系统生命周期,能够有效分析出伺服驱动系统的生命周期状态,从而可以为现场的工况改进提供理论依据。
第二实施例
本实施例提供了一种伺服驱动系统生命周期预测方法,可用于诊断一体化磁编码器伺服驱动系统的故障可能以及生命周期状态;该方法可以由电子设备实现,该电子设备可以是终端或者服务器。如图2所示,本实施例的伺服驱动系统生命周期预测方法的实现包括以下两部分内容:
一、预测模型(隐马尔可夫神经网络模型)的实现。
其包括:获取标准数据,对获取的数据进行预处理,通过预处理后的数据建立隐马尔可夫模型,将隐马尔可夫模型与BP神经网络结合建立隐马尔可夫神经网络模型,以此隐马尔可夫神经网络模型作为预测模型判断生命周期状态。
二、通过建立的隐马尔可夫神经网络模型进行系统生命周期预测。
其包括:获取测试数据,对获取的测试数据进行预处理,将预处理后的数据输入已有的隐马尔可夫神经网络模型,从而判断系统生命周期状态。
其中,需要说明的是,本实施例将伺服驱动系统生命周期划分为磨合期、健壮期及衰退期三个阶段。上述标准数据为系统正常运行过程中观测得到的数据,系统对应的生命周期状态为健壮期,测试数据为未知运行状态的系统在一定时间内观测得到的数据。通过该流程可有效判断出系统处于的生命周期状态。
对获取的系统特征数据进行预处理的过程为:在得到系统的时域特征参数后,首先是计算求得其频域上的特征参数,来表示伺服驱动系统运行过程中存在的振动等情况。然后,通过小波分析法可以求出时频域特征参数,从而方便特征选取以及除去噪声,以提高精度;最后还需要对收集求出的各类数据进行降维处理,这样能有效降低计算难度,方便程序运行。
此外,本实施例对标准数据判断生命周期状态为界定三个生命周期状态的边界,虽然标准数据完全属于健壮期,但还需人为界定出一定比例的边界,例如最高最低的2.5%的数据被认为处于健壮期外,分别属于衰退期和磨合期,使隐马尔可夫神经网络模型有更强的判断能力,以提高其对测试数据的诊断准确率。
基于上述,本实施例的预测方法执行流程如图3所示,包括以下步骤:
S1,收集伺服驱动系统的运行数据并进行预处理,得到运行特征参数。
具体地,在本实施例中,上述步骤的实现过程如下:
S11,收集伺服驱动系统的时域特征参数,包括温度、转速、频率及反应速度;
S12,对收集的时域特征参数进行频谱分析,获取振动等频域特征参数;
S13,用小波分析法对时域特征参数进行处理,求得小波能量谱作为时频域特征参数;
S14、使用主元分析法对三种特征参数进行降维,选出有效信息更多的数据维度。
其中,在本实施例中,上述S13采用的小波分析法为db3或db5;
上述S14为使用主元分析法对各类特征参数进行降维提取,选出贡献率85%以上的数据维度,忽略其他数据维度来进行下一步计算。
S2,通过运行特征参数(包括直接测得的温度、转速等时域特征参数,以及计算得到的频域特征参数和时频域特征参数),确定隐马尔可夫模型基本参数,即状态转移概率矩阵、观测矩阵和隐含状态初始概率分布,构建系统相应的隐马尔可夫模型,对磨合期以及衰退期范围进行界定,例如将求得的处于健壮期概率从高到低排列,最后5%被认为是磨合期或衰退期;
需要说明的是,隐马尔可夫模型最初是在20世纪60年代后半期Leonard E. Baum和其它一些作者在一系列的统计学论文中描述的。隐马尔可夫模型最初的应用之一是开始于20世纪70年代中期的语音识别。在1980年代后半期,隐马尔可夫模型开始应用到生物序列尤其是DNA的分析中。隐马尔可夫模型是统计模型,用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。
本实施例首先使用了一种如图4所示的隐马尔可夫模型其中,A为状态转移矩阵;B为观测矩阵;为隐含状态初始概率分布。该隐马尔可夫模型包含对两个随机过程的描述,分别为隐含的状态序列以及可以直接获得的观测序列,并且状态序列与观测序列存在一定的概率关系。
其中,在本实施例中,观测序列为伺服驱动系统收集到的温度、转速、频率、反应速度等数据经过预处理得到的输出,即,其中分别为第1、2单位时间至最终时刻测得的数据经预处理得到的结果。也即,表示时刻测得的数据经预处理得到的结果。隐含状态为伺服驱动系统所处的生命周期阶段,分为磨合期、健壮期以及衰退期三个状态,也即隐状态集合(磨合期), (健壮期), (衰退期)}。并且本实施例在建立模型时磨合期、健壮期、衰退期分别占比2.5%、95%、2.5%。
由于隐含的状态序列未知,通常需要使用鲍姆-韦尔奇算法对隐马尔可夫模型进行初步参数预估,在得出第一步结果时,通过给定的数据对参数适应性进行评估来修正参数,使用梯度下降形式循环迭代找出错误期望最小的情况。
具体的算法步骤如下:
其中为观测序列,为状态序列,为状态集合,对应当前的隐马尔可夫模型,表示当已知隐马尔可夫模型的前提下,时刻隐含状态为时前面时刻的观测序列为的概率;表示当已知隐马尔可夫模型及时刻隐含状态为的前提下,从时刻到终止时刻的观测序列为的概率。
其中,分别为估计的隐马尔可夫模型,估计的隐含状态初始概率分布,估计的状态转移矩阵,估计的观测矩阵;表示矩阵中的第元素,表示矩阵中状态为,观测为的概率值,表示为时刻的观测值,表示为状态对应的概率估计值,为总时间;是已知观测序列及隐马尔可夫模型的前提下时刻为隐含状态的概率。
步骤4,重复以上三步直到状态概率基本不发生变化即得到最佳估计值。
S3,建立一个有两层隐层的BP神经网络,将第二隐层用隐马尔可夫模型替换,得到预测模型,并使用BP算法找到预测模型权值初始值。
需要说明的是,BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
本实施例中,将通用的隐马尔可夫模型与BP神经网络相结合如图5所示,本实施例的BP神经网络包括输入层、第一隐层、第二隐层和输出层;隐马尔可夫模型代替了BP神经网络的第二隐层,隐马尔可夫模型状态层分为三层对应生命周期的三个状态。在该网络中,输入层每一行数据代表预处理过后的一个时刻收集到的特征参数,将每一行数据输入后可得到一个概率输出向量,对该向量运用Viterbi算法可判断出概率最大的状态并对应生命周期的一个时期。
在使用BP算法计算初始权值后,可以将数据带入重估,以得到更加准确的模型,具体算法步骤为:
步骤1,输入预处理后的数据,使用BP算法找到权值的初始值;
步骤2、使用Viterbi算法应用动态规划思想,计算出观测序列对应的最优隐含状态序列,也即对应的生命周期状态;
步骤3,使用BP算法对求出的结果进行重估,当隐含状态的对应概率最大时可以停止,如果误差过大则重复步骤2。
S4,得到预测模型后,输入系统正常运行状态下的数据,对输出值进行分析,得出故障限,并确定系统生命周期中每个状态边界以及生命周期转变概率;
S5,将测试数据输入预测模型中,计算得出是否故障及当前生命周期状态。
其中,上述S5还可以求出系统生命周期影响因子,其中,生命周期影响因子为设备隐含状态的概率在生命周期中的平均值。
综上,本实施例在两层BP神经网络的基础上,建立第二隐层替换为隐马尔可夫模型的神经网络;测试神经网络迭代的步长及初始参数;建立正常状态的预测模型;提取待预测的伺服驱动系统的时域频域特征参数并对数据进行降维;将降维后的数据输入预测模型中,计算出老化故障概率,预测系统生命周期。能够有效分析出伺服驱动系统生命周期状态,为现场的工况改进提供理论依据。
第三实施例
本实施例提供了一种伺服驱动系统生命周期预测装置,其包括以下模块:
数据预处理模块,用于获取伺服驱动系统正常运行时的运行特征参数,并将伺服驱动系统的生命周期划分为磨合期、健壮期以及衰退期三个阶段;
隐马尔可夫模型构建模块,用于以所述数据预处理模块所获取的伺服驱动系统的运行特征参数为观测数据,以相应的伺服驱动系统所处的生命周期阶段为隐含状态,构建出隐马尔可夫模型;
预测模型构建模块,用于构建带有双隐层的BP神经网络,并将所述BP神经网络的第二隐层替换为所述隐马尔可夫模型构建模块所构建出的隐马尔可夫模型,得到用于预测伺服驱动系统生命周期的预测模型;
生命周期预测模块,用于获取待预测的伺服驱动系统的运行特征参数,根据获取的运行特征参数,利用所述预测模型构建模块所构建出的预测模型,得到所述待预测的伺服驱动系统的生命周期的预测结果。
本实施例的伺服驱动系统生命周期预测装置与上述第一实施例的伺服驱动系统生命周期预测方法相对应;其中,本实施例的伺服驱动系统生命周期预测装置中的各功能模块所实现的功能与上述第一实施例的伺服驱动系统生命周期预测方法中的各流程步骤一一对应;故,在此不再赘述。
第四实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可包括一个或多个处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行第一实施例的方法。
第五实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现上述第一实施例的方法。
其中,该计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述第一实施例的方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (5)
1.一种伺服驱动系统生命周期预测方法,其特征在于,包括:
获取伺服驱动系统正常运行时的运行特征参数,并将伺服驱动系统的生命周期划分为磨合期、健壮期以及衰退期三个阶段;
以获取的伺服驱动系统的运行特征参数为观测数据,以相应的伺服驱动系统所处的生命周期阶段为隐含状态,构建出隐马尔可夫模型;
构建带有双隐层的BP神经网络,并将所述BP神经网络的第二隐层替换为所述隐马尔可夫模型,得到用于预测伺服驱动系统生命周期的预测模型;
获取待预测的伺服驱动系统的运行特征参数,根据获取的运行特征参数,利用所述预测模型,得到所述待预测的伺服驱动系统的生命周期的预测结果;
所述运行特征参数的获取过程,包括:
获取待采集所述运行特征参数的伺服驱动系统的时域特征参数;其中,所述时域特征参数包括伺服驱动系统的温度、转速、频率以及反应速度;
对获取的所述时域特征参数进行频谱分析,得到伺服驱动系统的频域特征参数,并采用预设的小波分析法对时域特征参数进行处理,求得小波能量谱作为伺服驱动系统的时频域特征参数;
使用主元分析法对所述时域特征参数、频域特征参数以及时频域特征参数进行降维,得到所述运行特征参数;
所述预设的小波分析法为db3或db5;
使用主元分析法对所述时域特征参数、频域特征参数以及时频域特征参数进行降维,得到所述运行特征参数,包括:
使用主元分析法对所述时域特征参数、频域特征参数以及时频域特征参数进行降维提取,分别选出所述时域特征参数、频域特征参数以及时频域特征参数中贡献率在85%以上的参数,作为所述运行特征参数。
2.如权利要求1所述的伺服驱动系统生命周期预测方法,其特征在于,所述隐马尔可夫模型使用鲍姆-韦尔奇算法实现初步参数预估。
3.如权利要求1所述的伺服驱动系统生命周期预测方法,其特征在于,所述隐马尔可夫模型使用Viterbi算法计算对应的隐含状态。
4.如权利要求1所述的伺服驱动系统生命周期预测方法,其特征在于,所述预测模型使用BP算法找到权值初始值。
5.一种伺服驱动系统生命周期预测装置,其特征在于,包括:
数据预处理模块,用于获取伺服驱动系统正常运行时的运行特征参数,并将伺服驱动系统的生命周期划分为磨合期、健壮期以及衰退期三个阶段;
隐马尔可夫模型构建模块,用于以所述数据预处理模块所获取的伺服驱动系统的运行特征参数为观测数据,以相应的伺服驱动系统所处的生命周期阶段为隐含状态,构建出隐马尔可夫模型;
预测模型构建模块,用于构建带有双隐层的BP神经网络,并将所述BP神经网络的第二隐层替换为所述隐马尔可夫模型构建模块所构建出的隐马尔可夫模型,得到用于预测伺服驱动系统生命周期的预测模型;
生命周期预测模块,用于获取待预测的伺服驱动系统的运行特征参数,根据获取的运行特征参数,利用所述预测模型构建模块所构建出的预测模型,得到所述待预测的伺服驱动系统的生命周期的预测结果;
所述运行特征参数的获取过程,包括:
获取待采集所述运行特征参数的伺服驱动系统的时域特征参数;其中,所述时域特征参数包括伺服驱动系统的温度、转速、频率以及反应速度;
对获取的所述时域特征参数进行频谱分析,得到伺服驱动系统的频域特征参数,并采用预设的小波分析法对时域特征参数进行处理,求得小波能量谱作为伺服驱动系统的时频域特征参数;
使用主元分析法对所述时域特征参数、频域特征参数以及时频域特征参数进行降维,得到所述运行特征参数;
所述预设的小波分析法为db3或db5;
使用主元分析法对所述时域特征参数、频域特征参数以及时频域特征参数进行降维,得到所述运行特征参数,包括:
使用主元分析法对所述时域特征参数、频域特征参数以及时频域特征参数进行降维提取,分别选出所述时域特征参数、频域特征参数以及时频域特征参数中贡献率在85%以上的参数,作为所述运行特征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847195.3A CN113298240B (zh) | 2021-07-27 | 2021-07-27 | 一种伺服驱动系统生命周期预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847195.3A CN113298240B (zh) | 2021-07-27 | 2021-07-27 | 一种伺服驱动系统生命周期预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298240A CN113298240A (zh) | 2021-08-24 |
CN113298240B true CN113298240B (zh) | 2021-11-05 |
Family
ID=77331019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110847195.3A Active CN113298240B (zh) | 2021-07-27 | 2021-07-27 | 一种伺服驱动系统生命周期预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298240B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580717A (zh) * | 2022-02-18 | 2022-06-03 | 河南理工大学 | 一种面向自动化立体车库的数字孪生系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6847918B2 (en) * | 2000-12-14 | 2005-01-25 | Siemens Corporate Research, Inc. | Method and apparatus for providing predictive maintenance of a device by using markov transition probabilities |
CN108591104A (zh) * | 2018-04-18 | 2018-09-28 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理系统、方法 |
CN108776017A (zh) * | 2018-04-12 | 2018-11-09 | 无锡信捷电气股份有限公司 | 一种改进chsmm的滚动轴承剩余寿命预测方法 |
CN109376892A (zh) * | 2018-06-12 | 2019-02-22 | 电子科技大学 | 一种基于设备所处生命周期阶段的设备状态预测方法 |
CN110288046A (zh) * | 2019-07-02 | 2019-09-27 | 南京恩瑞特实业有限公司 | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 |
CN111695858A (zh) * | 2020-06-09 | 2020-09-22 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理系统 |
CN112257745A (zh) * | 2020-09-11 | 2021-01-22 | 煤炭科学技术研究院有限公司 | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 |
CN113111944A (zh) * | 2021-04-13 | 2021-07-13 | 湖北鑫英泰系统技术股份有限公司 | 基于深度学习与气体光声效应的光声光谱识别方法与装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104882141A (zh) * | 2015-03-03 | 2015-09-02 | 盐城工学院 | 一种基于时延神经网络和隐马尔可夫模型的串口语音控制投影系统 |
CN110992942B (zh) * | 2019-11-29 | 2022-07-08 | 北京搜狗科技发展有限公司 | 一种语音识别方法、装置和用于语音识别的装置 |
-
2021
- 2021-07-27 CN CN202110847195.3A patent/CN113298240B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6847918B2 (en) * | 2000-12-14 | 2005-01-25 | Siemens Corporate Research, Inc. | Method and apparatus for providing predictive maintenance of a device by using markov transition probabilities |
CN108776017A (zh) * | 2018-04-12 | 2018-11-09 | 无锡信捷电气股份有限公司 | 一种改进chsmm的滚动轴承剩余寿命预测方法 |
CN108591104A (zh) * | 2018-04-18 | 2018-09-28 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理系统、方法 |
CN109376892A (zh) * | 2018-06-12 | 2019-02-22 | 电子科技大学 | 一种基于设备所处生命周期阶段的设备状态预测方法 |
CN110288046A (zh) * | 2019-07-02 | 2019-09-27 | 南京恩瑞特实业有限公司 | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 |
CN111695858A (zh) * | 2020-06-09 | 2020-09-22 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理系统 |
CN112257745A (zh) * | 2020-09-11 | 2021-01-22 | 煤炭科学技术研究院有限公司 | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 |
CN113111944A (zh) * | 2021-04-13 | 2021-07-13 | 湖北鑫英泰系统技术股份有限公司 | 基于深度学习与气体光声效应的光声光谱识别方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113298240A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920863B (zh) | 一种机器人伺服系统能耗估计模型的建立方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
CN113255835A (zh) | 一种水电站泵类设备异常检测方法 | |
CN113837356A (zh) | 基于融合神经网络的污水处理智能预测方法 | |
CN103310051A (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
CN108804334B (zh) | 一种基于自适应抽样的离散型软件可靠性增长测试与评估方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN112445136B (zh) | 一种基于连续时间神经网络的浓密机预测控制方法及系统 | |
CN113298240B (zh) | 一种伺服驱动系统生命周期预测方法及装置 | |
CN111709577B (zh) | 基于长程相关性gan-lstm的rul预测方法 | |
CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
CN114297912A (zh) | 基于深度学习的刀具磨损预测方法 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
CN114662386A (zh) | 一种轴承故障诊断方法及系统 | |
CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
CN111783242A (zh) | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 | |
CN111679970B (zh) | 机器人软件系统运行环境状态预测方法 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN111863153A (zh) | 一种基于数据挖掘的废水中悬浮固体总量的预测方法 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |