一种伺服电机的故障智能诊断系统及其诊断方法技术方案

本发明专利技术的一种伺服电机的故障智能诊断系统及其诊断方法，属于伺服电机技术领域，包括有采集模块、预处理模块、训练模块、样本模块、样本优化模块、量子态描述模块、诊断输出模块、数据储存模块、体征提取模块以及支撑向量机诊断模块；所述采集模块，一边使电机以规定的运转模式运转，本发明专利技术通过量子态描述待测试电机的实值样本，以量子态相似系数取代隐含层欧式距离计算，利用预设的电机故障诊断模型，对待测试电机的实值样本进行分类，实现电机的故障诊断，无需依赖人工巡检或解析模型；诊断过程简单，突破了传统诊断方法依赖于人工巡检或解析模型的局限性，有效提高了故障诊断算法的精确度。确度。确度。

【技术实现步骤摘要】
一种伺服电机的故障智能诊断系统及其诊断方法


[0001]本专利技术涉及伺服电机
，具体讲是一种伺服电机的故障智能诊断系统及其诊断方法。

技术介绍

[0002]当今社会，随着科学技术的不断进步和经济的快速发展，电机作为重要的驱动设备，被广泛应用于生产生活的诸多领域中，并在现代化建设和工业制造中发挥着无可替代的作用。电机在运行中一旦发生故障，将会引发一系列连锁反应，导致整个工业流程出现停滞现象，影响生产效率，甚至会造成生命及财产的损失。因此，开发电机故障诊断技术有益于保障动力设备的安全，稳定运行，实现电机的有效管理和维护，进而大大提升驱动设备的效益。
[0003]现有技术还存在以下不足之处：
[0004](1)传统的电机故障诊断方法通常基于解析模型进行，根据系统各类状态参数之间的关系，使用一定的逻辑语言对待诊断系统建立解析模型。该类方法要求建立精确的数学关系，并选择合适的状态参数及统计决策，在实际应用中局限性大、复杂性高及精度较低。
[0005](2)传统的电机故障诊断系统只能诊断电机是否故障，无法区别出故障类型，也不能学习新的故障类型，对新故障进行分类；另一方面，传统的电机故障诊断系统只能进行故障诊断，不能根据以往的测试数据预测电机的故障发生时期。
[0006](3)同时当电机的故障特征相对明显时，传统方法可以取得比较良好的诊断效果；当电机的故障很轻微时，传统方法的故障诊断准确率存在一定程度的下降。

技术实现思路

[0007]本专利技术的目的在于提供一种伺服电机的故障智能诊断系统及其诊断方法，以解决上述
技术介绍
中提出传统的电机故障诊断方法通常基于解析模型进行，根据系统各类状态参数之间的关系，使用一定的逻辑语言对待诊断系统建立解析模型。该类方法要求建立精确的数学关系，并选择合适的状态参数及统计决策，在实际应用中局限性大、复杂性高及精度较低；传统的电机故障诊断系统只能诊断电机是否故障，无法区别出故障类型，也不能学习新的故障类型，对新故障进行分类；另一方面，传统的电机故障诊断系统只能进行故障诊断，不能根据以往的测试数据预测电机的故障发生时期；同时当电机的故障特征相对明显时，传统方法可以取得比较良好的诊断效果；当电机的故障很轻微时，传统方法的故障诊断准确率存在一定程度的下降的问题。
[0008]本专利技术的技术方案是：包括有采集模块、信号监测模块、预处理模块、训练模块、样本模块、样本优化模块、量子态描述模块、诊断输出模块、故障诊断模块、数据储存模块、数据获取模块、体征提取模块以及支撑向量机诊断模块；
[0009]所述采集模块，一边使电机以规定的运转模式运转，一边测定所述电机的振动信
号而输出标定数据至预处理模块，在所述电机运转后，一边使所述电机再次以所述规定的运转模式运转，一边测定所述电机的振动信号而输出测试数据至预处理模块，用于获取待测试电机的时序信号；
[0010]所述信号监测模块，用于判断是否监测到所述故障报警信号；
[0011]所述预处理模块，对采集模块采集的数据进行降噪处理，对降噪后的信号进行时域分析得到时域指标，并构造特征矩阵；
[0012]所述体征提取模块，用于采集电机的定子电流，对所述定子电流进行希尔伯特系列变换后，对变换结果进行傅里叶分解，提取待诊断故障特征频率分量；
[0013]并用于分别采集正常运行的电机和不同故障电机的定子电流，对定子电流进行希尔伯特系列变换后，对变换结果进行傅里叶分解，提取用于构建模型的故障特征频率分量；
[0014]其中，用于构建模型的故障特征频率分量包括由故障所造成的电机结构不对称对应二的倍数次和三的倍数次基波频率的频率分量；
[0015]所述训练模块，使用经预处理模块处理后的标定数据作为训练一类支持向量机法的训练样本，将生成一类支持向量机法的映射空间的正常区域存储到数据存储模块；使用经预处理模块处理后的测试数据作为追加的标定数据，使用二分类支持向量机法构造若干二分类器生成新的映射空间的异常区域存储到数据存储模块；
[0016]所述数据储存模块，存储训练模块所述映射空间的所述正常区域和异常区域；
[0017]所述数据获取模块，用于若监测到所述故障报警信号，则分别在冷机状态或热机状态下，获取与所述电机连接的所述外接电瓶的电瓶电压，其中所述热机状态为所述发电机在预设温度下静置预设时间后的状态；
[0018]所述故障诊断模块，用于判断对应的所述电机瓶电压是否大于所述电压调节器的调节保护电压，若是，则确定所述电机电压高于所述调节保护电压为所述故障报警信号的引发因素。
[0019]所述支撑向量机诊断模块，用于将所述待诊断故障特征频率分量输入至最优支持向量机诊断模型中对电机进行故障诊断，评估电机的健康程度，若电机存在故障，则输出故障类别；支持向量机诊断模型的构建模块，用于构建最优支持向量机诊断模型，并将最优支持向量机诊断模型设置在支持向量机诊断模块中；
[0020]所述样本模块，用于基于用于构建模型的故障特征频率分量构建支持向量机诊断模型样本，用于对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；
[0021]所述样本优化模块，用于采用网格搜索方法或遗传算法或粒子群算法对所述支持向量机诊断模型中的核心参数进行优化，得到最优支持向量机诊断模型；
[0022]所述诊断输出模块，将电机运转新增加的数据与数据储存模块的数据作对比，运用一类支持向量机法和若干二分类器进行诊断，用于将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果；
[0023]所述量子态描述模块，用于对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本。
[0024]进一步的，所述降噪处理方法为奇异值分解，所述时域指标为能量、峭度、均方值。
[0025]进一步的，所述诊断输出模块在所述测试数据包含于所述正常区域的情况下，将
所述电机诊断为正常，在所述测试数据不包含于所述正常区域的情况下，将所述电机诊断为异常。
[0026]进一步的，支持向量机诊断模型为C
‑
SVC模型，核函数为RBF核函数；支持向量机诊断模型的核心参数为C
‑
SVC模型的惩罚因子；RBF核函数的核心参数为核函数的权重因子。
[0027]一种伺服电机的故障智能诊断方法，包括以下步骤：
[0028]步骤一、通过信号监测模块，监测所述故障报警信号，判断是否监测到所述故障报警信号；
[0029]若是，则分别在冷机状态或热机状态下，获取与所述电机连接的电压，其中所述热机状态为所述电机在预设温度下静置预设时间后的状态；判断对应的所述电机是否大于电压调节器的调节保护电压，若是，则确定所述电机大于所述调节保护电压为所述故障报警信号的引发因素；若未监测到所述故障报警信号，且所述电机分别处于所述冷机状态或所述热机状态，则确定温度不是所述故障报警信号的引发因素；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种伺服电机的故障智能诊断系统，其特征在于:包括有采集模块、信号监测模块、预处理模块、训练模块、样本模块、样本优化模块、量子态描述模块、诊断输出模块、故障诊断模块、数据储存模块、数据获取模块、体征提取模块以及支撑向量机诊断模块；所述采集模块，一边使电机以规定的运转模式运转，一边测定所述电机的振动信号而输出标定数据至预处理模块，在所述电机运转后，一边使所述电机再次以所述规定的运转模式运转，一边测定所述电机的振动信号而输出测试数据至预处理模块，用于获取待测试电机的时序信号；所述信号监测模块，用于判断是否监测到所述故障报警信号；所述预处理模块，对采集模块采集的数据进行降噪处理，对降噪后的信号进行时域分析得到时域指标，并构造特征矩阵；所述体征提取模块，用于采集电机的定子电流，对所述定子电流进行希尔伯特系列变换后，对变换结果进行傅里叶分解，提取待诊断故障特征频率分量；并用于分别采集正常运行的电机和不同故障电机的定子电流，对定子电流进行希尔伯特系列变换后，对变换结果进行傅里叶分解，提取用于构建模型的故障特征频率分量；其中，用于构建模型的故障特征频率分量包括由故障所造成的电机结构不对称对应二的倍数次和三的倍数次基波频率的频率分量；所述训练模块，使用经预处理模块处理后的标定数据作为训练一类支持向量机法的训练样本，将生成一类支持向量机法的映射空间的正常区域存储到数据存储模块；使用经预处理模块处理后的测试数据作为追加的标定数据，使用二分类支持向量机法构造若干二分类器生成新的映射空间的异常区域存储到数据存储模块；所述数据储存模块，存储训练模块所述映射空间的所述正常区域和异常区域；所述数据获取模块，用于若监测到所述故障报警信号，则分别在冷机状态或热机状态下，获取与所述电机连接的所述外接电瓶的电瓶电压，其中所述热机状态为所述发电机在预设温度下静置预设时间后的状态；所述故障诊断模块，用于判断对应的所述电机瓶电压是否大于所述电压调节器的调节保护电压，若是，则确定所述电机电压高于所述调节保护电压为所述故障报警信号的引发因素。所述支撑向量机诊断模块，用于将所述待诊断故障特征频率分量输入至最优支持向量机诊断模型中对电机进行故障诊断，评估电机的健康程度，若电机存在故障，则输出故障类别；支持向量机诊断模型的构建模块，用于构建最优支持向量机诊断模型，并将最优支持向量机诊断模型设置在支持向量机诊断模块中；所述样本模块，用于基于用于构建模型的故障特征频率分量构建支持向量机诊断模型样本，用于对待测试电机的时序信号进行时频变换，得到时序信号的能量特征指标，作为待测试电机的实值样本；所述样本优化模块，用于采用网格搜索方法或遗传算法或粒子群算法对所述支持向量机诊断模型中的核心参数进行优化，得到最优支持向量机诊断模型；所述诊断输出模块，将电机运转新增加的数据与数据储存模块的数据作对比，运用一类支持向量机法和若干二分类器进行诊断，用于将量子态描述的实值样本输入至预设的电机故障诊断模型，输出得到待测试电机的故障诊断结果；
所述量子态描述模块，用于对待测试电机的实值样本进行量子态描述，得到量子态描述的实值样本。2.根据权利要求1所述的一种伺服电机的故障智能诊断系统及其诊断方法，其特征在于：所述降噪处理方法为奇异值分解，所述时域指标为能量、峭度、均方值。3.根据权利要求1所述的一种伺服电机的故障智能诊断系统及其诊断方法，其特征在于：所述诊断输出模块在所述测试数据包含于所述正常区域的情况下，将所述电机诊断为正常，在所述测试数据不包含于所述正常区域的情况下，将所述电机诊断为异常。4.根据权利要求1所述的一种伺服电机的故障智能诊断系统及其诊断方法，其特征在于：支持向量机诊断模型为C
...

【专利技术属性】
技术研发人员：姚欣良，朱永闯，李敏，
申请(专利权)人：常州富山智能科技有限公司，
类型：发明
国别省市：