CN117436023A - 一种基于卷积神经网络的伺服电机故障诊断方法 - Google Patents
一种基于卷积神经网络的伺服电机故障诊断方法 Download PDFInfo
- Publication number
- CN117436023A CN117436023A CN202311738972.6A CN202311738972A CN117436023A CN 117436023 A CN117436023 A CN 117436023A CN 202311738972 A CN202311738972 A CN 202311738972A CN 117436023 A CN117436023 A CN 117436023A
- Authority
- CN
- China
- Prior art keywords
- signal
- servo motor
- fault
- neural network
- convolutional neural
- 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
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 72
- 230000005236 sound signal Effects 0.000 claims abstract description 69
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种基于卷积神经网络的伺服电机故障诊断方法,涉及伺服电机故障诊断技术领域,该方法的技术要点为: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;计算获取多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,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,实现非侵入性地监测,及时发现并预警故障。
Description
技术领域
本发明涉及伺服电机故障诊断技术领域,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
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。
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。
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。
结合现有技术,以上申请还存在以下不足:
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;
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。
发明内容
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。
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:
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;
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;
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;
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;
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。
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;
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:
;
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;
那么,由此可得波动算子的表达式为:
;
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。
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:
;
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/>;
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。
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:
;
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;
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:
;
其中,j是虚数单位。
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:
;
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。
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:
;
同时,通过瞬时幅值计算获得瞬时能量/>,计算公式如下:
通过瞬时频率和瞬时能量/>构建特征向量/>:
;
其中,n表示为模态分量数量。
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:
;
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。
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。
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;
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;
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;
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。
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:
(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。
(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。
(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。
(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。
附图说明
图1为本发明伺服电机故障诊断方法流程示意图A;
图2为本发明伺服电机故障诊断方法流程示意图B。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1至图2,本发明提供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:
步骤一: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;
所述步骤一包括以下内容:
步骤101:在伺服电机上安装声音采集装置,包括一个或多个声音传感器;
步骤102:使用声音传感器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;
步骤103:将采集的声音信号进行分类,建立正常声音信号和不同故障声音信号的样本数据集。
需要说明的是,在采集声音数据时,应该尽量保证环境的安静和封闭,以避免外界噪音的干扰。同时,在进行数据处理时,应该充分考虑不同故障类型的声音特征的差异性和相似性,以提高故障分类和识别的准确性和鲁棒性。
使用时,结合步骤101至步骤103的内容:
通过建立正常声音信号和不同故障声音信号的样本数据集,可以用于声音信号的特征提取、模式识别、分类等应用中,对伺服电机的声音信号进行比较和分析,确定伺服电机是否存在故障,并准确定位故障位置,有助于提高维修效率和准确性,减少不必要的检查和维修工作。
步骤二: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;
所述步骤二包括以下内容:
步骤201: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;
步骤202: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:
;
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;
那么,由此可得波动算子的表达式为:
;
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;
步骤203: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:
;
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/>;
步骤204:不断重复上述步骤,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。
需要说明的是,ALIF算法首先构建一组自适应滤波器,然后通过迭代优化这些滤波器,使得每个滤波器能够自适应地学习和提取信号中的一个局部特征,这些局部特征可以表示信号的不同方面,例如不同的频率成分或不同的时间变化模式。
使用时,结合步骤201至步骤204的内容:
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,可以更好地理解声音信号的性质和特征,有助于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。
步骤三: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;
所述步骤三包括以下内容:
步骤301: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:
;
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;
步骤302: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:
;
其中,j是虚数单位;
步骤303:通过公式计算得到瞬时幅值和瞬时相位/>,计算公式如下:
;
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;
步骤304:通过对瞬时相位求导计算获得瞬时频率/>,计算公式如下:
;
同时,通过瞬时幅值计算获得瞬时能量/>,计算公式如下:
;
步骤305:通过瞬时频率和瞬时能量/>构建特征向量V:
;
其中,n表示为模态分量数量。
需要说明的是,希尔伯特变换是一种数学方法,能够将实数信号映射到复数平面上,它为信号提供了额外的信息,使用解析信号,我们可以计算瞬时频率和瞬时能量,瞬时频率是信号在特定时间点的频率,而瞬时能量是信号在特定时间点的强度,这两个属性都提供了关于信号动态行为的重要信息。
使用时,结合步骤301至步骤305的内容:
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,可以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,可以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。
步骤四: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,并和两种特征向量之间的余弦相似度/>进行比较,依据比较结果对故障进行分类;
所述步骤四包括以下内容:
步骤401: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:
;
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;
步骤402: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;
步骤403:重复上述步骤,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。
需要说明的是,如果两个特征向量非常相似,那么它们的运行状态可能也是相似的,相反,如果两个特征向量非常不同,那么它们的运行状态可能也存在较大差异,通过比较特征向量之间的相似性或差异性,可以对伺服电机的运行状态进行分类和识别。
使用时,结合步骤401至步骤403的内容:
通过计算特征向量之间的相关性,可以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。
步骤五:利用不同故障的特征向量构建卷积神经网络(CNN)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CNN模型进行训练,将新的声音信号输入到训练好的CNN模型中,判断是否存在故障,并识别出具体的故障类型。
所述步骤五包括以下内容:
步骤501: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(CNN)模型;
步骤502: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CNN模型进行训练,根据模型的输出结果进行优化和调整;
步骤503: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CNN模型中;
步骤504: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。
需要说明的是,CNN是一种深度学习模型,适用于处理图像、声音等类型的数据,具有强大的特征提取和分类能力,在训练过程中,需要选择合适的优化器和损失函数,并设置合适的超参数,以使模型能够有效地学习和识别不同类型的故障。
使用时,结合步骤501至步骤504的内容:
通过将新的声音信号输入到训练好的CNN模型中,可以实时监测伺服电机的运行状态,及时发现并预警故障,可以实现非侵入性地监测,不会对设备造成额外的负担,同时可以提高设备维护效率和生产稳定性。
在申请中,所述涉及到的若干个公式均是去量纲后取其数值计算,而所述公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种基于卷积神经网络的伺服电机故障诊断方法,其特征在于,包括以下步骤:
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;
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;
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,依据比较结果对故障进行分类;
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。
2.根据权利要求1所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于,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;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:
;
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;
那么,由此可得波动算子的表达式为:
;
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。
3.根据权利要求2所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于,
若满足约束条件:
;
提取一个模态分量以及剩余分量/>并结束当前内循环,即:
;
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/>;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。
4.根据权利要求1所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于,
获取所有模态分量,将模态分量作为原信号进行希尔伯特变换,计算公式如下:
;
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;
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:
;
其中,j是虚数单位。
5.根据权利要求4所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于,通过公式计算得到瞬时幅值和瞬时相位/>,计算公式如下:
;
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。
6.根据权利要求5所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于,通过对瞬时相位求导计算获得瞬时频率/>,计算公式如下:
;
同时,通过瞬时幅值计算获得瞬时能量/>,计算公式如下:
;
通过瞬时频率和瞬时能量/>构建特征向量/>:
;
其中,n表示为模态分量数量。
7.根据权利要求1所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于,
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:
;
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。
8.根据权利要求7所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于,
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。
9.根据权利要求8所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于,对构建的特征向量进行标准化处理,利用处理后的特征向量,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;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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311738972.6A CN117436023A (zh) | 2023-12-18 | 2023-12-18 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311738972.6A CN117436023A (zh) | 2023-12-18 | 2023-12-18 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117436023A true CN117436023A (zh) | 2024-01-23 |
Family
ID=89550160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311738972.6A Pending CN117436023A (zh) | 2023-12-18 | 2023-12-18 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436023A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192532A (zh) * | 2021-03-29 | 2021-07-30 | 安徽理工大学 | 一种基于mfcc-cnn的矿井提升机故障声学分析方法 |
CN113627539A (zh) * | 2021-08-12 | 2021-11-09 | 北京信息科技大学 | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 |
CN114023353A (zh) * | 2021-10-15 | 2022-02-08 | 许继电气股份有限公司 | 基于聚类分析和相似度计算的变压器故障分类方法及系统 |
CN114049901A (zh) * | 2021-11-10 | 2022-02-15 | 青岛农业大学 | 一种基于声音的信号提取和分类方法 |
CN114596445A (zh) * | 2022-01-24 | 2022-06-07 | 南京富岛油气智控科技有限公司 | 一种提升采油机故障诊断精度方法 |
CN115758200A (zh) * | 2022-09-28 | 2023-03-07 | 航天智控(北京)监测技术有限公司 | 一种基于相似度度量的振动信号故障识别方法及系统 |
CN116842364A (zh) * | 2023-07-04 | 2023-10-03 | 国能大渡河枕头坝发电有限公司 | 一种异步电机滚动轴承故障方法 |
-
2023
- 2023-12-18 CN CN202311738972.6A patent/CN117436023A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192532A (zh) * | 2021-03-29 | 2021-07-30 | 安徽理工大学 | 一种基于mfcc-cnn的矿井提升机故障声学分析方法 |
CN113627539A (zh) * | 2021-08-12 | 2021-11-09 | 北京信息科技大学 | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 |
CN114023353A (zh) * | 2021-10-15 | 2022-02-08 | 许继电气股份有限公司 | 基于聚类分析和相似度计算的变压器故障分类方法及系统 |
CN114049901A (zh) * | 2021-11-10 | 2022-02-15 | 青岛农业大学 | 一种基于声音的信号提取和分类方法 |
CN114596445A (zh) * | 2022-01-24 | 2022-06-07 | 南京富岛油气智控科技有限公司 | 一种提升采油机故障诊断精度方法 |
CN115758200A (zh) * | 2022-09-28 | 2023-03-07 | 航天智控(北京)监测技术有限公司 | 一种基于相似度度量的振动信号故障识别方法及系统 |
CN116842364A (zh) * | 2023-07-04 | 2023-10-03 | 国能大渡河枕头坝发电有限公司 | 一种异步电机滚动轴承故障方法 |
Non-Patent Citations (1)
Title |
---|
唐贵基等: ""基于ALIF-HT的汽轮发电机组转子故障诊断"", 《动力工程学报》, vol. 37, no. 11, 30 November 2017 (2017-11-30), pages 883 - 889 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Principi et al. | Unsupervised electric motor fault detection by using deep autoencoders | |
Li et al. | Observer-biased bearing condition monitoring: From fault detection to multi-fault classification | |
Tang et al. | A novel convolutional neural network for low-speed structural fault diagnosis under different operating condition and its understanding via visualization | |
CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
Tang et al. | A robust deep learning network for low-speed machinery fault diagnosis based on multikernel and RPCA | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
Ye et al. | Multiscale weighted morphological network based feature learning of vibration signals for machinery fault diagnosis | |
Li et al. | A novel data-driven fault feature separation method and its application on intelligent fault diagnosis under variable working conditions | |
CN116717437A (zh) | 一种风电机组故障监测方法及系统 | |
Mubaraali et al. | Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
Sadoughi et al. | A physics-based deep learning approach for fault diagnosis of rotating machinery | |
Oliveira-Santos et al. | Submersible motor pump fault diagnosis system: A comparative study of classification methods | |
Ambika et al. | Vibration signal based condition monitoring of mechanical equipment with scattering transform | |
Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
CN106909136A (zh) | 一种基于指数正则化零空间线性鉴别分析的故障诊断方法 | |
CN117436023A (zh) | 一种基于卷积神经网络的伺服电机故障诊断方法 | |
KR20210060157A (ko) | 인공지능 기반 고장 진단 장치 및 방법 | |
Yang et al. | Basis pursuit‐based intelligent diagnosis of bearing faults | |
Saha et al. | Enhancing Bearing Fault Diagnosis Using Transfer Learning and Random Forest Classification: A Comparative Study on Variable Working Conditions | |
Bapir et al. | A comparative analysis of 1D convolutional neural networks for bearing fault diagnosis | |
CN111721534A (zh) | 一种滚动轴承健康状态在线评估方法及系统 | |
Chakraborty et al. | Bearing Fault Detection based on Internet of Things using Convolutional Neural Network | |
Shang et al. | Denoising Fused Wavelets Net for Aeroengine Bevel Gear Fault Diagnosis | |
Gao et al. | A novel fault diagnosis method for rotating machinery based on S transform and morphological pattern spectrum |
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 |