CN114356897A - 基于数据融合的机电作动器故障诊断方法 - Google Patents

基于数据融合的机电作动器故障诊断方法 Download PDF

Info

Publication number
CN114356897A
CN114356897A CN202110820235.5A CN202110820235A CN114356897A CN 114356897 A CN114356897 A CN 114356897A CN 202110820235 A CN202110820235 A CN 202110820235A CN 114356897 A CN114356897 A CN 114356897A
Authority
CN
China
Prior art keywords
characteristic quantity
data
frequency domain
evidence
fault
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.)
Pending
Application number
CN202110820235.5A
Other languages
English (en)
Inventor
陈绍炜
刘恒宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Saipute Information Technology Co ltd
Original Assignee
Xi'an Saipute Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Saipute Information Technology Co ltd filed Critical Xi'an Saipute Information Technology Co ltd
Priority to CN202110820235.5A priority Critical patent/CN114356897A/zh
Publication of CN114356897A publication Critical patent/CN114356897A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于数据融合的机电作动器故障诊断方法，采集基于机电作动器数据并且进行数据清洗，获得预处理数据；对所述预处理数据进行特征量提取，获得时域特征量；所述预处理数据进行频域信号变换，获得频域信号，并且对所述频域信号进行特征量提取，获得频域特征量；分别对所述时域特征量和频域特征量进行标准化处理，获得标准化后的时域特征量和频域特征量；将标准化后的时域特征量和频域特征量进行拼接，作为训练数据，代入SVM方法进行训练，获得最优的SVM核函数和参数。本发明对机电作动器的物理模型进行了数据的清洗以及时域、频域的特征量的计算提取，提高了诊断决策时的准确率。

Description

基于数据融合的机电作动器故障诊断方法
技术领域
本发明属于系统状态监测与可靠性技术领域，具体涉及一种基于数据融合的机电作动器故障诊断方法。
背景技术
机电系统的运行安全性和可靠性对于国防军事、国计民生以及国家资源和环境有重要影响，传统设备的健康状态监测已经由传统的专家诊断逐渐变为多种诊断方法共同发展的局面；同时，单一的通用机器学习算法存在着一定局限性，改进一种方法在实际中并不能满足工程需求。因此，通过改进针对特定设备进行优化的融合机器学习算法，可使其更符合当前不同场景下机电设备故障诊断的需求，具有重要的理论意义和工程应用价值。
通过对目前的文献检索发现，现有技术大多使用单一的故障诊断方法进行分析，仅有少部分文献采用融合算法对机电设备进行故障诊断。NASA的Hao Li等人在《A newmodeling reference direct adaptive sliding mode control for electromechanicalactuator》中基于采集测试台得到的飞行数据，采用机电作动器(ElectromechanicalActuator,EMA)模型建立不同故障类型并开发其模型来精确描述作动器的力学和热特性。Veresnikov等人在《The Electromechanical Actuator Technical ConditionMonitoring System Based on Data Mining Methods》提出了平均谱离差法技术，它采用了滤波机制和平均过程来检测作动器剥落故障，从而实现了基于频率的检测。虽成功地检测到故障，但文献的作者也指出了这种方法的两个缺点，即需要对目前的频谱分布有广泛的了解，并对信号进行近乎完美的过滤，以避免丢失故障信息。
发明内容
有鉴于此，本发明的主要目的在于提供一种基于数据融合的机电作动器故障诊断方法。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供一种基于数据融合的机电作动器故障诊断方法，该方法为：
采集基于机电作动器数据并且进行数据清洗，获得预处理数据；
对所述预处理数据进行特征量提取，获得时域特征量；
所述预处理数据进行频域信号变换，获得频域信号，并且对所述频域信号进行特征量提取，获得频域特征量；
分别对所述时域特征量和频域特征量进行标准化处理，获得标准化后的时域特征量和频域特征量；
将标准化后的时域特征量和频域特征量进行拼接，作为训练数据，代入SVM方法进行训练，获得最优的SVM核函数和参数。
上述方案中，该方法还包括通过所述标准化后的时域特征量和频域特征量代入D-S证据理论得到的融合模型，对机电作动器的各个故障进行融合诊断。
上述方案中，所述通过所述标准化后的时域特征量和频域特征量代入D-S证据理论得到的融合模型，对机电作动器的各个故障进行融合诊断，具体为：
(1)诊断系统识别框架的构建，故障子空间充当了诊断系统的识别框架；
(2)各个证据体的选择，把不同诊断子网络的输出作为不同独立的证据；
(3)为每一证据确定一个基本概率分配函数。在每个网络中存在一个表示证据体信任的可靠性系数α，设第i个子网络的第j个输出值为Oi(j)，则网络分配给判断的基本概率为
Figure BDA0003171747830000021
mi(Θ)＝1-αi(i＝1,2,…p) (14)
公式(14)式中α1表示对第i个证据体的信任程度；mi(Θ)表示对于第i个证据的不确定性的信任度分配；q表示第i个网络的输出值个数；p表示证据体数目；
(4)用信度函数和似然函数计算每一种证据对全部命题的识别，利用D-S证据理论，确定了基本概率分布，计算了每个命题的信度函数和似然函数；
(5)证据的合成，设Bel1，Bel2，…，Beln是同一识别框架Θ上的n个信度函数，m1，m2，…，mn分别是其对应的基本概率分配，如果
Figure BDA0003171747830000031
存在且基本概率分配为m，则n个信任函数的组合为
Figure BDA0003171747830000032
公式(15)式表明组合证据所获得的最终证据不依赖其组合顺序；
(6)诊断决策，得到证据对识别框架Θ中所有命题的信度区间[Belj,plj]和证据的不确定性mi(Θ)后，得出以下4条原则：
所找到的故障类型需要有最大信度函数值；
对于故障定位，信度函数的值大于不确定信度函值；
在确定故障类型时，信度函数值与其他类型之间的差异大于阈值；
不确定度函数的值小于阈值。
上述方案中，所述采集基于机电作动器数据并且进行数据清洗，获得预处理数据，具体为：根据邻近值填充法填补缺失值剔除原始时序数据中的异常值，获得预处理后的时序数据。
上述方案中，所述对所述预处理数据进行特征量提取，获得时域特征量，具体为：从时域角度出发，在预处理后的时序数据中的离散信号序列x0,x1,x2,…,xN-1中提取时域信号的统计特征和波形特征。
上述方案中，所述预处理数据进行频域信号变换，获得频域信号，并且对所述频域信号进行特征量提取，获得频域特征量，具体为：通过傅里叶变换将时域信号转化成频域信号，从频率角度出发，在域信号中提取频域信号的统计特征和波形特征。
上述方案中，所述分别对所述时域特征量和频域特征量进行标准化处理，获得标准化后的时域特征量和频域特征量，具体为：根据公式
Figure BDA0003171747830000041
对时域特征量和频域特征量进行标准化处理，式中，Dmean_i∈Rm×1为Di的各维均值列向量、In是n维全1的列向量、
Figure BDA0003171747830000042
Figure BDA0003171747830000043
为第j个传感器的测量值的方差，根据多信息采集模块采集到的系统工作状态：X1＝(x1,x2,…,xn)T，将个周期的状态写成状态矩阵形式Xm＝(X1,X2,…,Xn)，将Xm进行归一化处理得到
Figure BDA0003171747830000044
其中
Figure BDA0003171747830000045
代表Xm的均值，σ代表Xm的标准差。
与现有技术相比，本发明对机电作动器的物理模型进行了数据的清洗以及时域、频域的特征量的计算提取，提高了诊断决策时的准确率。
附图说明
此处所说明的附图用来公开对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供一种基于数据融合的机电作动器故障诊断方法的流程图；
图2为本发明实施例提供一种基于数据融合的机电作动器故障诊断方法中SVM训练的流程图；
图3为本发明实施例提供一种基于数据融合的机电作动器故障诊断方法中对机电作动器的训练数据集进行训练采用K折交叉验证的分离图；
图4为本发明实施例提供一种基于数据融合的机电作动器故障诊断方法中D-S证据理论的决策判定图；
图5为本发明实施例提供一种基于数据融合的机电作动器故障诊断方法中作动器的结构示意图；
图6为本发明实施例提供一种基于数据融合的机电作动器故障诊断方法中测试集测试准确率图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、物品或者装置中还存在另外的相同要素。
本发明实施例提供一种基于数据融合的机电作动器故障诊断方法，提取电流、电压等信号的时域和频域特征，使用反向传播(Back Propagation,BP)神经网络和支持向量机(Support Vector Machine,SVM)的方法数据和特征进行故障诊断，采用非均匀代价分配方法和SVM结合的串行融合方法提高电机绕组短路故障的诊断准确率，同时提高整体的故障诊断准确率。
本发明实施例提供一种基于数据融合的机电作动器故障诊断方法，该方法通过以下步骤实现：
步骤1：采集基于机电作动器数据并且进行数据清洗，获得预处理数据；
具体地，原始数据集中，存在缺失值和异常值，因此需要对其进行处理。在时间序列中，由于特征值的取值具有连续型，为了尽可能接近真实值，选用相邻的数据，对缺失和异常值进行替换，获得预处理后的时序数据。
步骤2：对所述预处理数据进行特征量提取；
具体地，首先从时域角度出发，在预处理后的时序数据中的离散信号序列x0,x1,x2,…,xN-1中提取时域信号的统计特征和波形特征；而后通过傅里叶变换将时域信号转化成频域信号，从频率角度出发，在频域信号中提取频域信号的统计特征和波形特征，最终获得时域特征量和频域特征量。
步骤3：分别对所述时域特征量和频域特征量进行标准化处理，获得标准化后的时域特征量和频域特征量；
具体地，所提取的时域特征量和频域特征量具有不同的量纲和数量级，直接用原始特征值进行分析，会突出数值较高的特征的作用，削弱数值较低的特征的作用，因此为了保证结果的可靠性，需要对原始特征进行标准化处理。
根据公式
Figure BDA0003171747830000061
对时域特征量和频域特征量进行标准化处理，式中，Dmean_i∈Rm×1为Di的各维均值列向量、In是n维全1的列向量、
Figure BDA0003171747830000062
Figure BDA0003171747830000063
为第j个传感器的测量值的方差，根据多信息采集模块采集到的系统工作状态：X1＝(x1,x2,…,xn)T，将个周期的状态写成状态矩阵形式Xm＝(X1,X2,…,Xn)，将Xm进行归一化处理得到
Figure BDA0003171747830000064
其中
Figure BDA0003171747830000065
代表Xm的均值，σ代表Xm的标准差。
如表4所示，这些是经过标准化后的部分特征数据，TF代表时域特征，FF代表频域特征。
表4标准化后数据结果
Figure BDA0003171747830000071
步骤5：将标准化后的时域特征量和频域特征量进行拼接，作为训练数据，代入SVM方法进行训练。
具体地，针对SVM方法，首先需要进行调优，具体为核函数的选择以及参数设置。因此这里使用RBF核函数和基于网格搜索的方法进行参数寻优，具体设置如下所示。
SVM中核函数种类多样，常用的核函数有：线性核函数、多项式核函数、径向基(RBF)核函数、Sigmoid核函数，相应的表达式如表5所示。
表5核函数种类
Figure BDA0003171747830000081
RBF核函数与其他核函数相比具有一定的优势，具体来说，RBF核函数需设置的参数个数较少，g为核函数中唯一需要设置的参数，较为方便；线性核函数虽没有需要专门设置的参数，但是与RBF核函数相比，不能对非线性可分的数据进行分类；而多项式核函数需要调节的参数数目有三个，此外，可能会出现不收敛或零点，而RBF核函数计算起来则更加稳定；Sigmoid核函数有两个参数需设置，而且参数仅在特定的情况下才满足Mercer条件，有局限性。而RBF核函数能够满足Mercer条件。因此综合考虑，SVM中使用RBF核函数进行模型求解，RBF核函数适合于SVM在小样本情况下的故障诊断需求。
参数的选取对于SVM性能具有较大影响，通过SVM参数寻优，SVM可以选取到更好的参数，这里SVM的训练是使用网格搜索的方法进行参数寻优，具体流程如图2所示。该过程主要是把参数的值固定在一个给定的范围内，在这个范围内，采用遍历搜索的方法搜索性能最优的一组参数。在搜索最住参数的过程中，把搜索范围内的每组参数都用来训练模型，然后选择出性能较好的模型所对应的参数。网格搜索在给定的c和g的范围内尝试各种c和g的值，利用K折交叉验证(CV，Cross-Validation)的方法选择在验证集上分类准确率最高的c和g的值。即将原始数据分成K组，每个K-1组的子集作为训练集训练模型，剩下的1组的子集作为验证集，总共可以得到K个模型，同时得到K个模型的分类准确率，将分类准确率的平均值作为这种方法下分类器的性能指标，这里K一般取5，K-CV的方法得到的结果比较有说服性。网格搜索算法具有以下优点：
(1)进行全面的参数搜索总是可以找到最优的结果；
(2)在参数较少的情况下，与其他的高级算法相比，网格搜索的复杂度在可以接受的范围之内；
(3)因为每个c和g成对的值是相互独立的，网格搜索可并行性高。
然后选择SVM模型参数，主要包括优化函数参数、核函数以及相应核函数参数，各种参数的选择对学习效果有很大的影响，在实际应用中需要根据具体问题的具体情况进行一定的试验，以选出一组更优的参数，表6为设置SVM的初始训练参数值。此处里采用交叉验证法，该方法在一定程度上可以有效地避免欠学习状态和过学习状态的出现，从而获得较理想的预测测试集精度。以CV方法对SVM模型进行训练，提高了分类的准确性和有效性。
表6SVM初始化参数
Figure BDA0003171747830000091
利用机电作动器的训练数据集进行训练，为保证得到的模型结果具有可行性，这里采用K折交叉验证，如图3所示，SVM分类器能对于电机绕阻短路和正常情况有较好的分离。
最终通过上述算法能够获得最优的SVM核函数和参数。
步骤6：通过所述最优的SVM核函数和参数采集基于机电作动器数据进行诊断，确定机电作动器的故障。
进一步地，将步骤5得到的标准化特征代入D-S证据理论得到的融合模型，最终能够对机电作动器的各个故障有效地诊断，提高了诊断的准确率。
具体地，D-S证据理论得到的融合模型通过综合法则，将多种决策方法融合并作为诊断依据。
(一)使用D-S证据理论对作动器故障问题进行定义：
定义1：设Θ为各个诊断结果的彼此独立且互不相容命题构成的一个有限非空集合，则称Θ为识别框架。Θ的所有子集的集合称为它的幂集，用2Θ表示。
定义2：设Θ为识别框架，若函数m:2Θ→[0,1](2Θ为Θ幂集)符合下面的条件：
Figure BDA0003171747830000101
式(1)中，φ为空集，则称m(A)为命题A的基本概率赋值，表示证据对A的直接支持程度。
值得指出的是：对
Figure BDA0003171747830000102
A＝B∪C，B∩C＝φ，但m(A)＝m(B)+m(C)不必成立。
设证据组由Θ内n组独立的证据m1,m2,□,mn组成，则D-S合成公式为
Figure BDA0003171747830000103
(2)式中，
Figure BDA0003171747830000104
为证据冲突因子。
定义3：设Θ为识别框架，m是Θ上的基本概率赋值函数，
Figure BDA0003171747830000105
若m(A)＞0，则称A为焦元。
Figure BDA0003171747830000106
(3)式中，Θ为识别框架，m是Θ上的基本概率赋值函数，Bel(A)为Θ上的信度函数(Bel，Belief function)。信度函数又称为下限函数，表示对命题的总信任程度。
定义4：设Θ为识别框架，m是Θ上的基本概率赋值函数，则称
Figure BDA0003171747830000111
Pl(A)为似真函数(Pl，Plausibility Function)，似真函数又称为上限函数。
由定义4易知，它们相互之间唯一确定的，是同一证据的三种不同表示。
定义5：设Θ为识别框架，
Figure BDA0003171747830000112
则称[Bel(A),Pl(A)]为A的信度区间。信度区间描述了各个证据的不确定性，如图4所示，基于D-S证据理论的思想，用上节计算故障权重的统计处理方法，分布在0～1的区间内；
设识别框架为Θ＝{A1,A2,…,An}，证据冲突V(m1,m2)定义为
V(m1,m2)＝minσ(M·D) (5)
式(5)中：σ(*)为矩阵*的奇异值；M为m1和m2的mass矩阵；D为修正矩阵，两者分别定义为
Figure BDA0003171747830000113
Figure BDA0003171747830000114
证据间冲突程度较小，作为选择证据综合规则通常低于0.5，按照式(2)合成可以得到预期结果。除此之外，由于“一票否决”现象在D-S证据理论中的发生，如果在概率分配时，如果一个命题的BPA被分配为0时，则该命题的信任度为0。为了解决这个问题，本发明改进D-S证据理论模型，使之更适合于模型的融合。
(二)改进的D-S证据理论融合算法
为了解决概率分配时的“一票否决”现象，提出了一种基于D-S证据理论合成规则的证据方法。Ak为识别框架Θ内的元素，m为识别框架上的BPA。定义两条证据关于命题Ak的相容系数为
Figure BDA0003171747830000121
(8)式中，Rij(Ak)表示关于命题Ak两证据的相容程度，证据与自身完全相容，即Rij(Ak)＝1。
可信度取决于与其他证据的一致性。如假设已得到n条证据，可以构造一种与命题Ak的证据相容度方阵如式(9)。
Figure BDA0003171747830000122
则证据i的绝对相容度为相容方阵的第i行之和。
Figure BDA0003171747830000123
(10)式中，Rij(Ak)表示关于命题Ak两证据的相容程度，Di(Ak)为证据i的绝对相容度。证据i的绝对相容度可以反映证据i同其他D证据的相容程度，Di(Ak)的值越大，说明它越可信。尤其是，各证据之间一致，则理想相容度为n-1。因此，各证据关于命题Ak的可信度为
Figure BDA0003171747830000124
(11)式中，Ri(Ak)表示各证据关于命题Ak的可信度。在确定了证据i关于命题Ak可信度后，设原始证据i分配给命题Aj的BPA为mi(Aj)，预处理后的BPA为m″i(Aj)：
Figure BDA0003171747830000125
(2)式中，m为识别框架上的BPA，N为识别框架内Θ命题的个数。将原始证据来源进行预处理后，再用式(2)的D-S合成公式进行融合，可解决现有证据理论存在的问题。
因此经过改进，得到的最终利用D-S改进证据理论技术实现故障推理辅助决策功能，进行融合诊断的大致流程如下：
(1)诊断系统识别框架的构建，故障子空间充当了诊断系统的识别框架；
(2)各个证据体的选择，把不同诊断子网络的输出作为不同独立的证据；
(3)为每一证据确定一个基本概率分配函数。在每个网络中存在一个表示证据体信任的可靠性系数α。设第i个子网络的第j个输出值为Oi(j)，则网络分配给判断的基本概率为
Figure BDA0003171747830000131
mi(Θ)＝1-αi(i＝1,2,…p) (14)
(14)式中α1表示对第i个证据体的信任程度；mi(Θ)表示对于第i个证据的不确定性的信任度分配；q表示第i个网络的输出值个数；p表示证据体数目。
(4)用信度函数和似然函数计算每一种证据对全部命题的识别，利用D-S证据理论，确定了基本概率分布，计算了每个命题的信度函数和似然函数；
(5)证据的合成。设Bel1，Bel2，…，Beln是同一识别框架Θ上的n个信度函数，m1，m2，…，mn分别是其对应的基本概率分配，如果
Figure BDA0003171747830000132
存在且基本概率分配为m，则n个信任函数的组合为
Figure BDA0003171747830000133
(15)式表明组合证据所获得的最终证据不依赖其组合顺序；
(6)诊断决策。得到证据对识别框架Θ中所有命题的信度区间[Belj,plj]和证据的不确定性mi(Θ)后，得出以下4条原则：
1)所找到的故障类型需要有最大信度函数值；
2)对于故障定位，信度函数的值必须大于不确定信度函值；
3)在确定故障类型时，信度函数值与其他类型之间的差异必须大于某个阈值。阈值太大，无法做出诊断结论；如果阈值过小，就不能有效区分故障类型。所以，本方案经过多次调试，最终确定为0.7；
4)不确定度函数的值必须小于某一阈值，否则会由于相关证据的可信度太低，无法作出诊断结论。在此基础上通过比较各个证据体在验证集上的效果，如果各个证据体得到的诊断结果差异较大，则需要将该阈值设置高一些，如果各个证据体结果差异较小，可以将阈值设定小一些，得到最终的判决可信度更高一些；并通过反复调试，确定了该阈值为0.26，符合各个诊断网络的可靠性系数。
针对诊断目标设备的多源信息进行处理，采用加权融合决策级诊断模块，得到诊断结论。
案例验证
本发明的效果通过NASA的作动器数据集进行展示与验证。
1.机电作动器数据集的介绍
使用NASA作动器试验台的测试数据，如图5所示。通过加速老化试验方法，将部分磨粒污染物加入作动器润滑剂中，引起作动器加速磨损。作动器上安装加速度、温度、电流电压和负荷传感器，它们分别测量不同类型的信号，其中，加速度测量的振动信号属于高采样率信号，而其他传感器测量的振动信号属于低采样率信号。低转速传感器的数据采集速率为1kHz，高转速传感器的数据采集速率为20kHz，表8展示数据采集传感器所在位置。
表8传感器所在位置
Figure BDA0003171747830000151
最终获得的数据集包含有正常和四种类型的故障：丝杠通道阻塞、丝杠通道剥落、电机短路故障和生成的传感器故障，数据集包含600多组测试集样本和75组训练集样本，如表9所示，利用训练集所给出的各种传感器信息，对模型进行训练，使其能及时、有效地诊断机电执行器故障。
表9样本集详细信息
Figure BDA0003171747830000152
2.故障类型分析
作动器的典型故障有机电作动器上的堵塞、剥落、电机线圈绕阻短路，以及传感器常见的位置偏移、数据采集漂移和数据点异常等，分别包括以下几种故障：
(1)阻塞故障：由于机电作动器是由滚珠丝杠螺母和伺服电机组成的，其中伺服电动机作为滚珠丝杠的动力元件，由滚珠丝杠螺母带动滑块和平台在导轨上运动，完成作动器的直线运动，将电机的齿轮转动转化为作动器轴的线性位移。滚珠丝杠装置由滚珠丝杠和螺母组成，滚珠丝杠和螺母的相对螺纹构成滚道。螺旋帽处有一个再循环部件，它从外表面穿过螺纹，在端部有一个滚珠传递槽，可以使滚珠回位。滚珠丝杠回转通道上的机构可阻碍轴承滚珠通过回转通道，导致通道的部分或全部堵塞，使滚珠丝杠不能正常循环并转动，阻塞故障引起串联故障，造成热量积聚造成的电机绕阻故障。如果作动器不能正常运动，使振动幅度增大，降低作动器速度，从而导致提供作动器的电流增加(反馈控制使得推力增大电流增加)。在仿真实验中利用安装在滚珠丝杠传递槽上的机械装置产生阻塞故障，导致轴承滚珠无法在回路中循环。
(2)剥落故障。齿轮在啮合过程中，由于齿轮磨损，交变接触应力反复作用，超过了材料的耐久性极限，造成表面疲劳裂纹，进而扩展，造成表面金属小块脱落而引起齿面损伤。滚珠丝杠的螺母和螺钉与滚珠的接触面有脱落，使得振动增大，造成作动器部件损坏。丝杠滚道剥落主要是丝杠在工作过程中，由于交变应力的作用而在接触表面及其附属面产生的疲劳裂纹，是滚珠丝杠失效的主要原因。丝杠滚道剥落故障的形成机理一般为：微观缺陷→交变应力→塑性变形→裂纹生成→裂纹扩展→疲劳剥落。
为了使作动器能够正常工作，发动机提高转速必然导致振动增大(损坏通道接触面)，作动器位置变化速度基本不变，但有下降趋势(负反馈调节)。设备电流增大(反馈调节)，因为电压增加，电机外壳温度升高，作动器螺母的热电偶温度没有变化，而环境温度变化不大，电机冷端补偿模块不靠近电机，温度变化很小。在仿真实验中通过精确的静电放电，在切口上切割一层剥落的断层，用于产生剥落故障。
(3)电动机故障。主要原因是定子线圈发生局部短路；作动器产生的力会比以前更小，振动减少(速度略减)，作动器位置变化速度有一定的减小(负反馈调节)，供给作动器的电流增加(反馈调节使作动器得到更大的电流)，电机外壳温度升高(I2×R、电流对温度变化的影响较大)，作动器螺母的热电偶温度没有变化(因为速度稍降)，环境温度差无变化，模块温度变化不显著。在仿真实验中通过将电机部分线圈短路，可以模拟出电机短路故障。
(4)传感器故障。传感器失效(漂移、缩放和完全失效等)。采用软件进行模拟，主要包括偏置、漂移、缩放和丢失情况。
在仿真实验中通过软件将传感器故障(偏移、偏移和完全故障)注入数据采集系统获取的测量数据中。
(5)其他故障。其他故障包括有转子偏心是由于其支承轴承的损坏、PID控制器因电子设备故障而产生比例增益漂移等。
3.模型建立与参数设置
BP神经网络参数设置：最大迭代次数epochs＝2000，学习速率lr＝0.004，最小目标误差goal＝0.001。以机电作动器故障时产生的5种特征信号作为输入，按照表10中所示流程计算BP神经网络的权值和阈值。
表10BP神经网络反向传播流程
Figure BDA0003171747830000171
通过分析作动器故障数据，可以通过时域和频域提取出23个时频域特征，包括正常和故障类型总共5种状态类别，3层隐含层分别有50、100和50个神经元组成，即，整个网络的输入节点数为23，输出节点数为5，建立23-50-100-50-8的BP网络结构，利用神经网络对作动器数据集的故障进行诊断。
图6中为测试集测试准确率，结果通过多次实验验证平均得到的，其中1-5分别代表5种不同的状态，分别为正常、绕阻短路、阻塞、剥落和异常。
表11中对故障覆盖率和故障准确率这两项性能进行了分析，故障覆盖率强调的是故障诊断的覆盖率，但准确率不能保证，是指示故障诊断方法敏感度的指标；而故障准确率是指示故障诊断方法精度的指标，两者共同决定了故障诊断算法的优劣。
表11不同作动器故障诊断方法性能对比
Figure BDA0003171747830000181
表11为不同作动器故障诊断方法的性能比较，与传统BP神经网络和决策树中的方法相比，BP+SVM的性能优于这两种方法；故障定位准确率比单一方法高了7个百分点，实验结果表明，BP+SVM在的故障诊断中具有较高的故障诊断准确率。综上，通过实验验证和分析可以得到以下分析与结论：
(1)基于BP神经网络的故障诊断方法需要在大数据集的情况下才能够展示出较高的故障诊断准确率，但是实际情况中，故障样本可能存在不均衡的情况，神经网络模型对正常样本学习训练效果较好，但是对于小样本故障诊断效果较差，从故障覆盖率上来看，单一BP神经网络方法对于对于电机绕阻短路故障诊断率较低；
(2)从图5的结果上可以看出，SVM方法确实提高了电机绕阻短路故障的准确率，不仅通过SVM中核函数、网格超参数的寻优，还通过为电机阻塞故障分配非均匀代价函数进而提高了对于电机绕阻短路故障的诊断准确率，从故障覆盖率分析BP+SVM的融合方法可以提高8个百分点；
(3)BP+SVM的融合方法性能表现优秀，由于从机电作动器数据集特点出发，解决了其中电机绕阻短路故障的小样本问题，因此这种融合诊断方法可以有效地提高机电作动器的故障诊断准确率。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (7)

1.一种基于数据融合的机电作动器故障诊断方法，其特征在于，该方法为：
采集基于机电作动器数据并且进行数据清洗，获得预处理数据；
对所述预处理数据进行特征量提取，获得时域特征量；
所述预处理数据进行频域信号变换，获得频域信号，并且对所述频域信号进行特征量提取，获得频域特征量；
分别对所述时域特征量和频域特征量进行标准化处理，获得标准化后的时域特征量和频域特征量；
将标准化后的时域特征量和频域特征量进行拼接，作为训练数据，代入SVM方法进行训练，获得最优的SVM核函数和参数。
2.根据权利要求1所述的基于数据融合的机电作动器故障诊断方法，其特征在于，该方法还包括通过所述标准化后的时域特征量和频域特征量代入D-S证据理论得到的融合模型，对机电作动器的各个故障进行融合诊断。
3.根据权利要求2所述的基于数据融合的机电作动器故障诊断方法，其特征在于，所述通过所述标准化后的时域特征量和频域特征量代入D-S证据理论得到的融合模型，对机电作动器的各个故障进行融合诊断，具体为：
(1)诊断系统识别框架的构建，故障子空间充当了诊断系统的识别框架；
(2)各个证据体的选择，把不同诊断子网络的输出作为不同独立的证据；
(3)为每一证据确定一个基本概率分配函数。在每个网络中存在一个表示证据体信任的可靠性系数α，设第i个子网络的第j个输出值为Oi(j)，则网络分配给判断的基本概率为
Figure FDA0003171747820000011
mi(Θ)＝1-αi(i＝1,2,…p) (14)
公式(14)式中α1表示对第i个证据体的信任程度；mi(Θ)表示对于第i个证据的不确定性的信任度分配；q表示第i个网络的输出值个数；p表示证据体数目；
(4)用信度函数和似然函数计算每一种证据对全部命题的识别，利用D-S证据理论，确定了基本概率分布，计算了每个命题的信度函数和似然函数；
(5)证据的合成，设Bel1，Bel2，…，Beln是同一识别框架Θ上的n个信度函数，m1，m2，…，mn分别是其对应的基本概率分配，如果
Figure FDA0003171747820000021
存在且基本概率分配为m，则n个信任函数的组合为
Figure FDA0003171747820000022
公式(15)式表明组合证据所获得的最终证据不依赖其组合顺序；
(6)诊断决策，得到证据对识别框架Θ中所有命题的信度区间[Belj,plj]和证据的不确定性mi(Θ)后，得出以下4条原则：
所找到的故障类型需要有最大信度函数值；
对于故障定位，信度函数的值大于不确定信度函值；
在确定故障类型时，信度函数值与其他类型之间的差异大于阈值；
不确定度函数的值小于阈值。
4.根据权利要求1-3任意一项所述的基于数据融合的机电作动器故障诊断方法，其特征在于，所述采集基于机电作动器数据并且进行数据清洗，获得预处理数据，具体为：根据邻近值填充法填补缺失值剔除原始时序数据中的异常值，获得预处理后的时序数据。
5.根据权利要求4所述的基于数据融合的机电作动器故障诊断方法，其特征在于，所述对所述预处理数据进行特征量提取，获得时域特征量，具体为：从时域角度出发，在预处理后的时序数据中的离散信号序列x0,x1,x2,…,xN-1中提取时域信号的统计特征和波形特征。
6.根据权利要求5所述的基于数据融合的机电作动器故障诊断方法，其特征在于，所述预处理数据进行频域信号变换，获得频域信号，并且对所述频域信号进行特征量提取，获得频域特征量，具体为：通过傅里叶变换将时域信号转化成频域信号，从频率角度出发，在域信号中提取频域信号的统计特征和波形特征。
7.根据权利要求6所述的基于数据融合的机电作动器故障诊断方法，其特征在于，所述分别对所述时域特征量和频域特征量进行标准化处理，获得标准化后的时域特征量和频域特征量，具体为：根据公式
Figure FDA0003171747820000031
对时域特征量和频域特征量进行标准化处理，式中，Dmean_i∈Rm×1为Di的各维均值列向量、In是n维全1的列向量、
Figure FDA0003171747820000032
Figure FDA0003171747820000033
为第j个传感器的测量值的方差，根据多信息采集模块采集到的系统工作状态：X1＝(x1,x2,…,xn)T，将个周期的状态写成状态矩阵形式Xm＝(X1,X2,…,Xn)，将Xm进行归一化处理得到
Figure FDA0003171747820000034
其中
Figure FDA0003171747820000035
代表Xm的均值，σ代表Xm的标准差。
CN202110820235.5A 2021-07-20 2021-07-20 基于数据融合的机电作动器故障诊断方法 Pending CN114356897A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110820235.5A CN114356897A (zh) 2021-07-20 2021-07-20 基于数据融合的机电作动器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110820235.5A CN114356897A (zh) 2021-07-20 2021-07-20 基于数据融合的机电作动器故障诊断方法

Publications (1)

Publication Number Publication Date
CN114356897A true CN114356897A (zh) 2022-04-15

Family

ID=81095392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110820235.5A Pending CN114356897A (zh) 2021-07-20 2021-07-20 基于数据融合的机电作动器故障诊断方法

Country Status (1)

Country Link
CN (1) CN114356897A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936203A (zh) * 2022-05-20 2022-08-23 北京思路智园科技有限公司 基于时序数据和业务数据融合分析的方法
CN115169405A (zh) * 2022-07-14 2022-10-11 北京威控科技股份有限公司 基于支持向量机的酒店客房设备故障诊断方法及系统
CN115290317A (zh) * 2022-06-24 2022-11-04 西南交通大学 基于多源信息融合的工业机器人减速器健康状态评估方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936203A (zh) * 2022-05-20 2022-08-23 北京思路智园科技有限公司 基于时序数据和业务数据融合分析的方法
CN115290317A (zh) * 2022-06-24 2022-11-04 西南交通大学 基于多源信息融合的工业机器人减速器健康状态评估方法
CN115169405A (zh) * 2022-07-14 2022-10-11 北京威控科技股份有限公司 基于支持向量机的酒店客房设备故障诊断方法及系统
CN115169405B (zh) * 2022-07-14 2024-02-02 北京威控科技股份有限公司 基于支持向量机的酒店客房设备故障诊断方法及系统

Similar Documents

Publication Publication Date Title
Hamadache et al. A comprehensive review of artificial intelligence-based approaches for rolling element bearing PHM: Shallow and deep learning
Zhang et al. Semi-supervised bearing fault diagnosis and classification using variational autoencoder-based deep generative models
Liao et al. Enhanced restricted Boltzmann machine with prognosability regularization for prognostics and health assessment
Yao et al. A survey of transfer learning for machinery diagnostics and prognostics
CN114356897A (zh) 基于数据融合的机电作动器故障诊断方法
Javed A robust and reliable data-driven prognostics approach based on extreme learning machine and fuzzy clustering
CN113935406A (zh) 基于对抗流模型的机械设备无监督故障诊断方法
Martinez-Garcia et al. Visually interpretable profile extraction with an autoencoder for health monitoring of industrial systems
Akpudo et al. A feature fusion-based prognostics approach for rolling element bearings
Chen et al. A novel knowledge transfer network with fluctuating operational condition adaptation for bearing fault pattern recognition
Cheng et al. A Koopman operator approach for machinery health monitoring and prediction with noisy and low-dimensional industrial time series
Atamuradov et al. Feature selection and fault‐severity classification–based machine health assessment methodology for point machine sliding‐chair degradation
CN110991471A (zh) 一种高速列车牵引系统故障诊断方法
Zhang et al. Intelligent machine fault diagnosis using convolutional neural networks and transfer learning
Bertocco et al. Roller bearing failures classification with low computational cost embedded machine learning
Lei et al. Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm
Huo et al. A class-level matching unsupervised transfer learning network for rolling bearing fault diagnosis under various working conditions
Liang et al. A novel deep model with meta-learning for rolling bearing few-shot fault diagnosis
Nentwich et al. Towards data acquisition for predictive maintenance of industrial robots
Maurya et al. Intelligent hybrid scheme for health monitoring of degrading rotary machines: An adaptive fuzzy c-means coupled with 1-D CNN
Zhao et al. A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox
Wang et al. Joint learning of failure mode recognition and prognostics for degradation processes
Wang et al. Sensor-data-driven fusion prognostic framework for complex engineered systems
Feng et al. Temporal local correntropy representation for fault diagnosis of machines
Abid Data-driven approach for fault prognostics of industrial systems-from using no, insufficient, to multiple historical degradation sequences

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