CN115828745A - 基于集成学习算法的机电作动器匝间短路故障诊断方法 - Google Patents

Abstract

本发明提供了一种基于集成学习算法的机电作动器匝间短路故障诊断方法，通过Simulink软件建立机电作动器的矢量控制模型和集中参数故障模型，确定用于诊断的故障特征；建立基于Stacking模型融合策略的集成学习故障诊断框架，并采用K折交叉验证对集成学习故障诊断框架所搭建的模型进行优化，搭建机电作动器实验台并对采集的输出数据进行处理，提取故障特征，利用集成学习故障诊断框架实现故障诊断。本发明实现了对匝间短路故障的精确建模；在机电作动器整体建模时考虑了机械部分，从而精确的提取故障特征，采用了K折交叉验证的方法在提高模型预测精度的同时，加快了模型的训练速度。

Description

基于集成学习算法的机电作动器匝间短路故障诊断方法

技术领域

本发明涉及机电领域，尤其是一种作动器的故障诊断方法，具体为一种机电作动器匝间短路故障诊断方法。

背景技术

随着航空工业的发展，人们对于飞行器综合性能的要求越来越高，多电飞行器因此登上了历史舞台，其显著优势是以电力系统取代传统飞行器中的液压/气压系统，在大幅优化飞行器结构的同时，有效提高可控性并降低维护成本。为实现这一目标，机电作动器应运而生。机电作动器是一种电驱动的作动装置，通过飞行控制系统的电信号来控制驱动电机，并通过齿轮减速箱、传动轴和滚柱丝杠等机械传动装置来驱动舵面。采用功率变换器驱动的机电作动器把电能转化成机械能以驱动控制舵面，使飞行器的第二能源系统到作动系统各个执行机构之间的功率传递以电能量形式通过导线传递，从而取代当前遍布飞行器机身的液压管路，减轻了重量，大大节约了飞行器的能源消耗，因此其工作可靠性直接决定了飞行器的飞行品质。通常情况下，机电作动器工况较为恶劣，不可避免的导致其发生多种多样的故障。因此，对机载机电作动器进行故障诊断尤为关键。

目前针对机电作动器匝间短路故障的研究主要包括有限元故障建模、集中参数故障建模和实验振动信号提取，有限元方法可以对电机故障实现较为精确的描述，但存在计算量大、仿真时间长且难以实现伺服控制的问题；集中参数建模方法通过物理方程和数学方程对电机故障进行描述，这种方法相比有限元方法虽然精度较差，但计算量小，易于实现伺服控制，可以满足故障诊断的要求；实验振动信号的提取是利用振动传感器提取振动信号，通过信号处理提取故障特征，但该方法对于处于特殊工作状态的电机不太实用。与此同时，目前针对匝间短路故障信号的诊断方法存在传统机器学习方法诊断精度不足，深度学习方法训练速度慢的问题，因此，需要开展一种既有较高诊断精度，又不耗时过长的方法。

发明内容

为了克服现有技术的不足，本发明提供一种基于集成学习算法的机电作动器匝间短路故障诊断方法。为了对机电作动器进行准确的故障检测与诊断，本发明公布了一种基于集成学习算法的机电作动器匝间短路故障诊断方法。作为一种针对于机电作动器故障检测与诊断的手段，相比于传统机器学习方法精度不足、深度学习方法训练速度慢等问题，该方法采用了基于Stacking的模型融合策略，吸收了XGBoost、LightGBM以及CatBoost各自的优点，并在传统Stacking策略的基础上对模型融合过程进行优化，采用了K折交叉验证的方法在提高模型预测精度的同时，加快了模型的训练速度。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：分析机电作动器的组成原理和可能发生的故障类型，推测机电作动器可能发生的故障为永磁同步电机匝间短路故障；

匝间短路故障指电机内部绕组由于潮湿、高温、过电流因素导致绝缘皮破损，电流在绕组间短路的现象，外部表现为电机三相电流不平衡，电机转速和电磁转矩波动变大；

步骤2：通过Simulink软件建立机电作动器的矢量控制模型和集中参数故障模型，确定用于诊断的故障特征；

步骤3：建立基于Stacking模型融合策略的集成学习故障诊断框架，并采用K折交叉验证对集成学习故障诊断框架所搭建的模型进行优化；

步骤4：搭建机电作动器实验台并对采集的输出数据进行处理，提取故障特征，利用集成学习故障诊断框架实现故障诊断。

所述步骤2中通过Simulink软件建立机电作动器的集中参数故障模型，并仿真得到用于诊断的故障特征，故障特征为三相电流，或电流的谐波信号，或电机的振动信号；

步骤2.1：通过Simulink软件计算故障电机电感矩阵，设置电机故障发生在三相中的其中一相A相，计算故障下各相自感和相间互感，并组成电感矩阵，计算方法为：

步骤2.1.1：已知正常电机相自感为L，相互感为M，当故障发生时，A相被划分为正常绕组a和被短路绕组f，正常绕组和被短路绕组的电感计算关系为：

L′_aa+2M_af+L_ff＝L_aa

式中，L_aa表示A相的自感，L’_aa表示正常绕组a的自感，M_af表示正常绕组a与被短路绕组f的互感，L_ff表示被短路绕组f的自感；

步骤2.1.2：实际电机运行过程中会发生电感的泄露，因此补充电感的计算关系为：

步骤2.1.3：正常绕组和被短路绕组之间电感的关系还取决于短路线圈匝数，计算公式为：

式中，n_a为正常绕组a的匝数，n_b为被短路绕组f的匝数，由步骤2.1.1-步骤2.1.3以计算出A相短路和未短路绕组的三个电感参数L’_aa、M_af、L_ff；

步骤2.1.4：正常绕组a和B、C相绕组互感M’_ab、被短路绕组f和B、C相绕组互感M_bf满足计算公式：

M_bf＝σM

式中，σ为A相绕组短路比；

步骤2.2：根据电机自身参数和步骤2.1计算的电感参数，建立故障电机模型：

步骤2.2.1：由电机的输入电压、自身电阻、电感和磁链参数计算各相电流值，计算公式为：

式中，R为电机相电阻，U_a、U_b、U_c为输入的三相电压，i_a、i_b、i_c、i_f为输出的电流，ψ_ma、ψ_mb、ψ_mc、ψ_mf为与磁链和电角度有关的参数；

步骤2.2.2：对各相电流值进行坐标变换，由d-q坐标系下电机的电磁转矩方程计算电机输出的电磁转矩T_e，计算公式为

式中，p_n为电机的极对数，i_q为各相电流经坐标变换后计算的q轴电流，ψ_f为永磁体磁链；

步骤2.3：建立圆柱齿轮减速器模型，根据前齿轮齿数Z₁、后齿轮齿数Z₂和传动效率η₁，计算传动比

同时得到输入转矩和输出转矩的关系T₂＝i*T₁，输入转速和输出转速的关系

T₁为减速器输入转矩，T₂为减速器输出转矩，ω₁为减速器输入转速，ω₂为减速器输出转速；

步骤2.4：建立行星滚柱丝杠传动模型，根据丝杠螺纹头数n_s，螺距p，导程s，减速器输出转矩T₂和传动效率η₂，计算丝杠的输出力为

步骤3中，建立基于Stacking模型融合策略的集成学习故障诊断框架，并采用K折交叉验证对模型进行优化：

步骤3.1：对采集到的数据进行预处理，生成带有标签的可用数据集，之后根据需要进行特征提取或特征降维，最后将可用数据集按比例划分成训练集和测试集，训练集和测试集的比例是7：3或8：2；

步骤3.2：分别创建XGBoost、LightGBM以及CatBoost共三个初级学习器，采用K折交叉验证的方法，将训练集随机打乱并均分成K份，即train₁、train₂、train₃、train₄、…、train_K，之后进行K轮迭代训练；进行第i轮训练时，使用train_i之外的训练集数据对三个初级学习器进行学习训练，并利用训练好的三个初级学习器分别对train_i进行预测，得到预测结果Y_i；K轮迭代后，将每轮迭代获得的Y₁、Y₂、Y₃、Y₄、…、Y_i、…、Y_K结合作为新训练集特征，测试集进行和训练集相同的K折交叉验证得到新的测试集特征；

步骤3.3：创建SVM主学习器，基于步骤3.2的新训练集对SVM学习器进行训练，并使用训练后的SVM模型对新测试集进行预测，将预测结果作为框架最终诊断结果。

所述步骤3.1的预处理采用独热编码预处理。

所述步骤3.1的特征提取或特征降维为：特征提取包括对数据进行傅里叶变换、小波包变换信号处理，得到频域数据；特征降维为将样本进行划分，每个样本都是a×b的矩阵，取每c行求均值、方差，a为c的整数倍，数据就会降维，这样既提取到数据的特征，又减少了数据量，加快训练速度；特征提取和特征降维常常是同时进行的。

所述步骤4中，搭建机电作动器实验台并采集输出的故障特征，利用集成学习故障诊断框架实现故障诊断：

步骤4.1：搭建用于采集故障数据的实验平台，该实验平台由机电作动器(EMA)、控制单元、加载装置、信号采集装置以及故障模拟装置组成；

步骤4.2：基于LabVIEW软件建立测量EMA的数据采集模块、运动控制模块、数据显示模块和数据存储模块；

步骤4.3：通过步骤4.1和4.2搭建的实验环境，采集EMA在恒定负载下不同程度匝间短路故障和不同位移指令下的三相电流数据，为增加数据量，对不同工况进行多次实验；

步骤4.4：对步骤4.3采集的电流数据进行处理，并利用步骤3建立的集成学习模型进行诊断：

步骤4.4.1：由于实验采集的数据为tdms文件，通过excel将tdms文件转换为xlsx文件，并利用pandas函数库对xlsx文件进行读取，然后将读取到的xlsx文件数据转化为机器学习模型可以识别的DataFrame类型数据；

步骤4.4.2：通过one-hot编码为步骤4.4.1转化后的DataFrame电流数据创建标签，创建标签的步骤为：通过N位寄存器对N个标签进行编码，当创建第n个标签时，将寄存器的第n位设置为1，其他位设置为0即可；

步骤4.4.3：对步骤4.4.2编码后的数据进行样本划分，由于在EMA匀速运行阶段电流呈周期性变化，因此将编码后的数据中的H行数据作为一个样本，并对H行数据分别统计一次均值、平均绝对方差、峰度和偏度，得到4行统计数据，然后将所有样本的4行统计数据按行合并生成矩阵P，再将矩阵P按行拉平，从而实现特征降维；对降维后的数据按7：3的比例进行训练集和测试集划分，作为下一步对学习器的训练；

步骤4.4.4：采用K折交叉验证的方法，首先将训练集均分成K份，并进行K轮迭代，在进行第i轮迭代时，其中1≤i≤K，使用其中除第i份之外的其他K-1份作为子训练集训练三个初级学习器，并使用训练好的初级学习器对当前轮迭代中未参与训练的第i份数据进行预测，得到该份数据中每个样本属于各健康状态的概率矩阵Y_i；经过K轮迭代后，将迭代所产生的概率矩阵Y₁、Y₂、…、Y_i、…、Y_K按行合并作为新训练集；在对测试集进行特征生成时，利用每轮迭代中训练好的三个初级学习器对整个测试集进行预测，K轮迭代结束后得到K份特征数据，对K份数据集做均值处理，并将结果作为最终的新测试集特征；用新训练集对调用的主学习器SVM进行训练，再用主学习器SVM对新测试集进行测试，测试结果即为最终的诊断结果；

步骤4.4.5：步骤4.4.4主学习器SVM的分类效果高度依赖于参数gamma以及惩罚项C，需要进行超参数寻优，超参数寻优采用网格搜索，即首先设置超参数gamma和C的取值范围，之后将步骤4.4.4中的新训练集均分成K份，每轮迭代使用其中的K-1份进行超参数寻优，除K-1份的另1份用于验证超参数的效果，K次迭代后得到准确率最大的超参数组合；利用该超参数组合创建SVM模型并基于新训练集进行模型训练，最终通过测试集样本预测准确率。

本发明的有益效果在于基于Simulink进行匝间短路故障下机电作动器电机部分电感计算和整体建模，在计算电感矩阵时充分考虑了电机发生匝间短路故障时各相自感和互感参数的变化情况，实现了对匝间短路故障的精确建模；在机电作动器整体建模时考虑了机械部分，包括减速齿轮箱和行星滚柱丝杠的建模，从而精确的提取故障特征。本发明公布的基于集成学习算法的故障诊断方法，作为一种针对于机电作动器故障检测与诊断的手段，相比于传统机器学习方法精度不足、深度学习方法训练速度慢等问题，该方法采用了基于Stacking的模型融合策略，吸收了XGBoost、LightGBM以及CatBoost各自的优点，并在传统Stacking策略的基础上对模型融合过程进行优化，采用了K折交叉验证的方法在提高模型预测精度的同时，加快了模型的训练速度。

附图说明

图1为机电作动器结构图。

图2为电机绕组匝间短路故障图。

图3为机电作动器匝间短路故障诊断流程图。

图4为集成学习故障诊断流程图。

图5为五折交叉验证流程图。

图6为数据特征提取流程图。

图7为集成学习算法与其它算法效果对比图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

在现有机电作动器故障模式中，匝间短路故障是一种发生频率很高的早期故障，其不易被检测和诊断，同时又极容易演变为严重的故障，还会导致其它故障类型的发生，因此对其进行准确诊断极为重要。本发明根据匝间短路故障机理提出了一种精确的电感计算方法和机电作动器的建模方法，可以充分考虑发生匝间短路故障时各相绕组自感互感的变化情况，有效地对机电作动器匝间短路故障进行故障注入和特征提取，从而实现快速的故障检测和诊断。

机电作动器是一个复杂的非线性系统，基于所公布的匝间短路故障注入方法和故障检测与诊断方法的实际工作过程并结合附图对图1所示的机电作动器的匝间短路故障注入方法和故障检测与诊断方法的具体实施过程进行说明。本发明在实际使用过程中的故障注入原理如图2所示，整个故障诊断流程如图3所示，具体步骤为：

步骤1：分析机电作动器的组成原理和可能发生的故障类型，考虑到机电作动器的匝间短路故障早期不易检测，且长时间故障运行会导致故障加深并导致其它故障发生，因此确定机电作动器的故障模式为匝间短路故障；匝间短路故障指电机内部绕组由于高温、过电流等因素导致绝缘皮破损，电流在绕组间短路的现象，外部表现为电机三相电流不平衡，电机转速和电磁转矩波动变大。

步骤2：通过Simulink软件建立机电作动器的矢量控制模型和集中参数故障模型，确定用于诊断的故障特征为三相电流，具体步骤为：

步骤2.1：建立机电作动器电机部分的集中参数故障模型，其核心是计算由于故障导致发生变化的电机电感矩阵，设置电机故障在a相，短路比为σ，根据电机自感L和互感M，计算故障下各相自感和相间互感，并组成电感矩阵，计算方法为：

步骤2.1.1：计算由于故障导致参数变化最大的a、f相的自感和互感，令

则a相自感为

f相自感为

a相和f相互感为

步骤2.1.2：计算由于故障导致正常相绕组发生变化的互感，a相和b、c相的互感计算为M(1-σ)，f相和b、c相的互感计算为Mσ；

步骤2.1.3：计算正常相绕组自感，与电机正常状态时绕组自感相同，b、c相自感仍为L；

步骤2.2：根据电机的相电阻R和步骤2.1计算的电感矩阵，建立故障电机模型，具体步骤为：

步骤2.2.1：根据电机的输入三相电压和自身电阻、电感和磁链参数计算三相电流值，计算公式为

式中，e_abcf为与电机磁链和电角度有关的参数；

步骤2.2.2：对电机三相电流值进行坐标变换，由d-q坐标系下电机的电磁转矩方程计算电机输出的电磁转矩，计算公式为：

式中，p_n为电机的极对数，i_q为各相电流经坐标变换后计算的q轴电流，ψ_f为永磁体磁链；

步骤2.3：建立典型圆柱齿轮减速器模型，根据前后齿轮齿数Z1、Z2和传动效率η，计算传动比

同时得到输入转矩和输出转矩、输入转速和输出转速的关系T₂＝i*T₁，

步骤2.4：建立行星滚柱丝杠传动模型，根据丝杠螺纹头数n_s，螺距p，导程s，输入转矩T和传动效率η，计算丝杠的输出力为

步骤3：建立基于Stacking模型融合策略的集成学习故障诊断框架，对机电作动器完整的集成学习故障诊断流程如图4所示，并采用K折交叉验证对模型进行优化，具体步骤为：

步骤3.1：对采集到的数据进行预处理，生成带有标签的可用数据集，之后根据需要进行特征提取或特征降维，最后将数据集按一定比例划分成训练集和测试集；

步骤3.2：采用K折交叉验证的方法，将训练集随机打乱并均分成5份，即train₁、train₂、train₃、train₄、train₅，之后进行5轮迭代训练；进行第i轮训练时，使用train_i之外的训练集数据对各初级学习器进行学习训练，并利用各训练好的初级学习器分别对train_i进行预测，得到预测结果Y_i；5轮迭代后，将每轮迭代获得的Y₁、Y₂、Y₃、Y₄、Y₅结合作为新的训练集特征，对诊断过程中采用五折交叉验证对基于Stacking融合策略的优化流程框图如图5所示；

步骤3.3：分别创建XGBoost、LightGBM以及CatBoost共三个初级学习器，基于训练集对其进行训练，并使用训练后的模型分别对训练集和测试集进行预测，将结果作为新训练集和新测试集；

步骤3.4：创建SVM主学习器，基于新训练集对其进行训练，并使用训练后的SVM模型对新测试集进行预测，将结果作为框架最终诊断结果。

步骤4：搭建机电作动器实验台并采集输出的故障特征，利用集成学习故障诊断框架实现故障诊断，对实验数据的特征处理方法如图6所示，具体步骤为：

步骤4.1：搭建用于采集故障数据的实验平台，该平台主要由EMA、控制单元、加载装置、信号采集装置以及故障模拟装置组成；

步骤4.2：基于LabVIEW软件建立测量EMA的数据采集模块、运动控制模块、数据显示模块和数据存储模块；

步骤4.3：通过实验软硬件平台，采集EMA在恒定负载下不同程度匝间短路故障和不同位移指令下的三相电流数据，为增加数据量，对不同工况进行多次实验；

步骤4.4：对采集的电流数据进行处理并利用步骤3建立的集成学习模型进行诊断：

步骤4.4.1：由于实验采集的数据为tdms文件，通过excel将其转换为xlsx文件并利用pandas函数库对其进行读取，然后将其转化为机器学习模型可以识别的DataFrame类型数据；

步骤4.4.2：通过one-hot编码为转化后的电流数据创建标签，方法为通过N位寄存器来对N个标签进行编码，当创建第n个标签时，只需将寄存器的第n位设置为1，其他位设置为0即可；

步骤4.4.3：对原始数据进行样本划分，由于在EMA匀速运行阶段电流呈周期性变化，因此将原始数据中的每200行数据作为一个样本，这样每种健康状态各包含500个样本，每个样本的维度为200×3；对每个样本采取每20行统计一次均值、平均绝对方差、峰度和偏度的方法，生成40×3的矩阵，之后将40×3的矩阵做拉平处理，转变成1×120的矩阵，将样本从200×3降维至1×120；

步骤4.4.4：采用5折交叉验证的方法，首先将训练集均分成5份，每轮迭代使用其中的4份作为子训练集训练三个初级学习器，并使用训练好的初级学习器对当前轮迭代中未参与训练的数据进行预测，得到该份数据中每个样本属于各健康状态的概率；由于共包含4种健康状态，所以每个初级学习器将对单个样本生成一个1×4的类别概率矩阵，3个初级学习器共同生成一个1×12的类别概率矩阵作为该样本的新特征，通过5次迭代即可以完成对整个训练集的特征生成，得到的新训练集样本特征维度为1×12；在对测试集进行特征生成时，利用每轮迭代中训练好的三个初级学习器对整个测试集进行预测，得到新测试集特征维度为1×12，5轮迭代结束后得到5份特征数据，对这5份数据集做均值处理，并将结果最终的新测试集特征；

步骤4.4.5：步骤4.4.4采用了5折交叉验证与网格搜索结合的方法，首先设置超参数gamma和C的取值范围为[0.001,0.01,0.1,1,10,100]，之后将新训练集均分成5份，每轮迭代使用其中的4份进行超参数寻优，另1份用于验证超参数的效果，5次迭代后得到效果最好的超参数组合为gamma＝0.001，C＝100；利用上述超参数创建SVM模型并基于新训练集进行模型训练，最终得到测试集样本预测准确率；

步骤4.4.6：分别使用高斯朴素贝叶斯(GNB)、逻辑回归(LR)、支持向量机(SVM)等传统机器学习算法，XGBoost、LightGBM、CatBoost三种Boosting算法以及神经网络等深度学习算法和本发明提出的集成学习算法进行效果对比，验证集成学习算法的故障诊断效果，如图7所示。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种基于集成学习算法的机电作动器匝间短路故障诊断方法，其特征在于包括如下步骤：

步骤1：分析机电作动器的组成原理和可能发生的故障类型，推测机电作动器可能发生的故障为永磁同步电机匝间短路故障；

匝间短路故障指电机内部绕组由于潮湿、高温、过电流因素导致绝缘皮破损，电流在绕组间短路的现象，外部表现为电机三相电流不平衡，电机转速和电磁转矩波动变大；

步骤2：通过Simulink软件建立机电作动器的矢量控制模型和集中参数故障模型，确定用于诊断的故障特征；

步骤3：建立基于Stacking模型融合策略的集成学习故障诊断框架，并采用K折交叉验证对集成学习故障诊断框架所搭建的模型进行优化；

步骤4：搭建机电作动器实验台并对采集的输出数据进行处理，提取故障特征，利用集成学习故障诊断框架实现故障诊断。

2.根据权利要求1所述的基于集成学习算法的机电作动器匝间短路故障诊断方法，其特征在于：

所述步骤2中通过Simulink软件建立机电作动器的集中参数故障模型，并仿真得到用于诊断的故障特征，故障特征为三相电流，或电流的谐波信号，或电机的振动信号；

步骤2.1：通过Simulink软件计算故障电机电感矩阵，设置电机故障发生在三相中的其中一相A相，计算故障下各相自感和相间互感，并组成电感矩阵，计算方法为：

步骤2.1.1：已知正常电机相自感为L，相互感为M，当故障发生时，A相被划分为正常绕组a和被短路绕组f，正常绕组和被短路绕组的电感计算关系为：

L′_aa+2M_af+L_ff＝L_aa

式中，L_aa表示A相的自感，L’_aa表示正常绕组a的自感，M_af表示正常绕组a与被短路绕组f的互感，L_ff表示被短路绕组f的自感；

步骤2.1.2：实际电机运行过程中会发生电感的泄露，因此补充电感的计算关系为：

步骤2.1.3：正常绕组和被短路绕组之间电感的关系还取决于短路线圈匝数，计算公式为：

式中，n_a为正常绕组a的匝数，n_b为被短路绕组f的匝数，由步骤2.1.1-步骤2.1.3以计算出A相短路和未短路绕组的三个电感参数L’_aa、M_af、L_ff；

步骤2.1.4：正常绕组a和B、C相绕组互感M’_ab、被短路绕组f和B、C相绕组互感M_bf满足计算公式：

M′_ab＝(1-σ)M

M_bf＝σM

式中，σ为A相绕组短路比；

步骤2.2：根据电机自身参数和步骤2.1计算的电感参数，建立故障电机模型：

步骤2.2.1：由电机的输入电压、自身电阻、电感和磁链参数计算各相电流值，计算公式为：

式中，R为电机相电阻，U_a、U_b、U_c为输入的三相电压，i_a、i_b、i_c、i_f为输出的电流，ψ_ma、ψ_mb、ψ_mc、ψ_mf为与磁链和电角度有关的参数；

步骤2.2.2：对各相电流值进行坐标变换，由d-q坐标系下电机的电磁转矩方程计算电机输出的电磁转矩T_e，计算公式为

式中，p_n为电机的极对数，i_q为各相电流经坐标变换后计算的q轴电流，ψ_f为永磁体磁链；

步骤2.3：建立圆柱齿轮减速器模型，根据前齿轮齿数Z₁、后齿轮齿数Z₂和传动效率η₁，计算传动比

同时得到输入转矩和输出转矩的关系T₂＝i*T₁，输入转速和输出转速的关系

T₁为减速器输入转矩，T₂为减速器输出转矩，ω₁为减速器输入转速，ω₂为减速器输出转速；

步骤2.4：建立行星滚柱丝杠传动模型，根据丝杠螺纹头数n_s，螺距p，导程s，减速器输出转矩T₂和传动效率η₂，计算丝杠的输出力为

3.根据权利要求1所述的基于集成学习算法的机电作动器匝间短路故障诊断方法，其特征在于：

步骤3中，建立基于Stacking模型融合策略的集成学习故障诊断框架，并采用K折交叉验证对模型进行优化：

步骤3.1：对采集到的数据进行预处理，生成带有标签的可用数据集，之后根据需要进行特征提取或特征降维，最后将可用数据集按比例划分成训练集和测试集，训练集和测试集的比例是7：3或8：2；

步骤3.2：分别创建XGBoost、LightGBM以及CatBoost共三个初级学习器，采用K折交叉验证的方法，将训练集随机打乱并均分成K份，即train₁、train₂、train₃、train₄、…、train_K，之后进行K轮迭代训练；进行第i轮训练时，使用train_i之外的训练集数据对三个初级学习器进行学习训练，并利用训练好的三个初级学习器分别对train_i进行预测，得到预测结果Y_i；K轮迭代后，将每轮迭代获得的Y₁、Y₂、Y₃、Y₄、…、Y_i、…、Y_K结合作为新训练集特征，测试集进行和训练集相同的K折交叉验证得到新的测试集特征；

步骤3.3：创建SVM主学习器，基于步骤3.2的新训练集对SVM学习器进行训练，并使用训练后的SVM模型对新测试集进行预测，将预测结果作为框架最终诊断结果。

4.根据权利要求1所述的基于集成学习算法的机电作动器匝间短路故障诊断方法，其特征在于：

所述步骤3.1的预处理采用独热编码预处理。

5.根据权利要求1所述的基于集成学习算法的机电作动器匝间短路故障诊断方法，其特征在于：

所述步骤3.1的特征提取或特征降维为：特征提取包括对数据进行傅里叶变换、小波包变换信号处理，得到频域数据；特征降维为将样本进行划分，每个样本都是a×b的矩阵，取每c行求均值、方差，a为c的整数倍，数据就会降维，特征提取和特征降维常常是同时进行的。

6.根据权利要求1所述的基于集成学习算法的机电作动器匝间短路故障诊断方法，其特征在于：

所述步骤4中，搭建机电作动器实验台并采集输出的故障特征，利用集成学习故障诊断框架实现故障诊断：

步骤4.1：搭建用于采集故障数据的实验平台，该实验平台由机电作动器EMA、控制单元、加载装置、信号采集装置以及故障模拟装置组成；

步骤4.2：基于LabVIEW软件建立测量EMA的数据采集模块、运动控制模块、数据显示模块和数据存储模块；

步骤4.3：通过步骤4.1和4.2搭建的实验环境，采集EMA在恒定负载下不同程度匝间短路故障和不同位移指令下的三相电流数据，为增加数据量，对不同工况进行多次实验；

步骤4.4：对步骤4.3采集的电流数据进行处理，并利用步骤3建立的集成学习模型进行诊断：

步骤4.4.1：由于实验采集的数据为tdms文件，通过excel将tdms文件转换为xlsx文件，并利用pandas函数库对xlsx文件进行读取，然后将读取到的xlsx文件数据转化为机器学习模型可以识别的DataFrame类型数据；

步骤4.4.2：通过one-hot编码为步骤4.4.1转化后的DataFrame电流数据创建标签，创建标签的步骤为：通过N位寄存器对N个标签进行编码，当创建第n个标签时，将寄存器的第n位设置为1，其他位设置为0即可；

步骤4.4.3：对步骤4.4.2编码后的数据进行样本划分，由于在EMA匀速运行阶段电流呈周期性变化，因此将编码后的数据中的H行数据作为一个样本，并对H行数据分别统计一次均值、平均绝对方差、峰度和偏度，得到4行统计数据，然后将所有样本的4行统计数据按行合并生成矩阵P，再将矩阵P按行拉平，从而实现特征降维；对降维后的数据按7：3的比例进行训练集和测试集划分，作为下一步对学习器的训练；

步骤4.4.4：采用K折交叉验证的方法，首先将训练集均分成K份，并进行K轮迭代，在进行第i轮迭代时，其中1≤i≤K，使用其中除第i份之外的其他K-1份作为子训练集训练三个初级学习器，并使用训练好的初级学习器对当前轮迭代中未参与训练的第i份数据进行预测，得到该份数据中每个样本属于各健康状态的概率矩阵Y_i；经过K轮迭代后，将迭代所产生的概率矩阵Y₁、Y₂、…、Y_i、…、Y_K按行合并作为新训练集；在对测试集进行特征生成时，利用每轮迭代中训练好的三个初级学习器对整个测试集进行预测，K轮迭代结束后得到K份特征数据，对K份数据集做均值处理，并将结果作为最终的新测试集特征；用新训练集对调用的主学习器SVM进行训练，再用主学习器SVM对新测试集进行测试，测试结果即为最终的诊断结果；

步骤4.4.5：步骤4.4.4主学习器SVM的分类效果高度依赖于参数gamma以及惩罚项C，需要进行超参数寻优，超参数寻优采用网格搜索，即首先设置超参数gamma和C的取值范围，之后将步骤4.4.4中的新训练集均分成K份，每轮迭代使用其中的K-1份进行超参数寻优，除K-1份的另1份用于验证超参数的效果，K次迭代后得到准确率最大的超参数组合；利用该超参数组合创建SVM模型并基于新训练集进行模型训练，最终通过测试集样本预测准确率。

Images