【技术实现步骤摘要】
本专利技术涉及伺服驱动器数据分析，具体为伺服驱动器数据分析预测方法及系统。
技术介绍
1、传统的伺服驱动器系统往往依赖于周期性的维护计划和基本的诊断工具来监控设备的运行状态。在这种模式下，数据收集通常更加被动，依赖于定期的手动检查或简单的故障指示器。这种方法容易错过早期的故障迹象，因为它不提供连续的、实时的监测。此外，当伺服系统的健康状态数据(如温度、振动、扭矩和转速)被收集时，这些数据的分析通常都是离线进行的，并且得到的结果常常缺乏深度，因为它们不依赖于高级的算法来预测潜在问题或进行准确的健康状态评估。
2、控制指令的解析在传统系统中也比较简单，可能仅仅依靠基本的逻辑和定制代码来执行，而不进行复杂的参数提取或运动规划。这意味着对于控制信号的生成可能不够精确，缺乏优化，导致系统性能不尽如人意。在决策和优化方面，传统系统可能完全没有或只有非常基础的自我调整能力，当遇到性能下降或故障时，通常需要操作员的手动干预来调整或维护。
3、这样的传统系统给设备的可靠性和生命周期管理带来了挑战，可能会因为检测到问题时已经太晚，从而导致更加频繁和昂贵的维修或更换，甚至可能导致生产停滞不前，给用户带来更大的经济损失和操作困难。
技术实现思路
1、本专利技术的目的在于提供伺服驱动器数据分析预测方法及系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术目的之一在于，伺服驱动器数据分析预测系统，其包括数据收集模块、健康状态评估模块、控制指令解析模块和决策
3、所述数据收集模块收集利用传感器收集健康状态数据，健康状态数据包括但不限于温度、振动频率、扭矩和转速，并与伺服系统建立连接，收集伺服驱动器的控制指令，控制指令包括但不限于位置控制指令、速度控制指令、加速度控制指令和扭矩控制指令；
4、所述健康状态评估模块利用公共数据库收集训练数据，利用分类回归树算法根据训练数据和健康状态数据，通过卡方统计量的分割策略选取特征构建分类回归树模型，将健康状态数据输入到构建好的回归树模型进行健康状态评估，并将健康状态评估结果发送给决策与优化模块；
5、所述控制指令解析模块对控制指令进行指令解码、参数提取、运动规划和控制信号的生成，并将控制信号发送给决策与优化模块；
6、决策与优化模块根据健康状态评估结果的大小进行决策以及优化，判定健康状态评估结果为1时，将控制信号发送给伺服发动机进行动作执行；
7、判定健康状态评估结果为0时，对健康状态评估模块中的卡方统计量的分割策略转换为基尼指数，进行优化处理；优化处理之后，再次进行健康状态的评估以及判定，判定健康状态评估结果为1时，控制信号发送给伺服发动机进行动作执行，判定健康状态评估结果为0时，将发送维护信号给维护人员进行维护处理。
8、作为本技术方案的进一步改进，所述数据收集模块包括健康状态数据单元和控制指令数据单元，所述健康状态数据单元收集利用传感器收集健康状态数据，健康状态数据包括但不限于温度、振动频率、扭矩和转速；所述控制指令数据单元与伺服系统建立连接，收集伺服驱动器的控制指令，控制指令包括但不限于位置控制指令、速度控制指令、加速度控制指令和扭矩控制指令。
9、作为本技术方案的进一步改进，所述健康状态评估模块利用分类回归树算法根据训练数据和健康状态数据，通过卡方统计量的分割策略选取特征构建分类回归树模型，将健康状态数据输入到构建好的回归树模型进行健康状态评估，具体包括：
10、利用公共数据库收集训练数据，训练数据包括与健康状态数据相同的训练特征和对应的健康状态，其中健康状态的数值为0或1,0表示不健康，1表示健康；将健康状态作为标签列，其余数据作为特征列；
11、根据给定的数据集得到一个列联表，在列联表中，特征被放置在表格的行上，而标签则被放置在表格的列上，表格中的每个单元格记录了特征和标签同时出现的频数；计算每个单元格对应的行总和和列总和，并计算期望频数，根据期望频数计算出卡方统计量；
12、选择数据中卡方统计量最大的一个特征作为根节点，对于根节点下的每个子节点再根据卡方统计量的大小继续划分，不停迭代，直到节点中的样本属于同一类别，则停止生长；
13、从根节点开始，根据特征值的取值，根据判定条件选择相应的分支；进入下一节点后，根据当前节点的判定条件和特征值的取值，选择相应的分支进入下一个节点；从根节点到叶节点，根据特征值的取值一直进行分支选择，直到达到叶节点，叶节点对应健康状态评估的结果，并输出健康状态评估结果。
14、作为本技术方案的进一步改进，所述控制指令解析模块对控制指令进行指令解码、参数提取、运动规划和控制信号的生成，对于数字化的指令内容，进行数据格式解析，将二进制数据转换为实际数值。
15、作为本技术方案的进一步改进，所述决策与优化模块包括决策单元和优化单元，所述决策单元接收健康状态评估模块发送的健康状态评估结果和控制指令解析模块发送的控制信号，并根据健康状态评估结果的大小进行决策以及优化；所述优化单元对健康状态评估模块中的方法进行优化处理，通过将卡方统计量的分割策略转换为基尼指数，用于提高适用性。
16、作为本技术方案的进一步改进，所述优化单元对健康状态评估模块中的方法进行优化处理，通过将卡方统计量的分割策略转换为基尼指数，通过统计样本集合中每个类别的频数，对于每个类别，计算其频数平方，并将所有类别的平方和累加起来，用1减去上述累加和，得到的结果为基尼指数。
17、本专利技术目的之二在于，提供了伺服驱动器数据分析预测系统的方法，包括如下方法步骤：
18、s1、数据收集模块收集利用传感器收集健康状态数据，健康状态数据包括但不限于温度、振动频率、扭矩和转速，并与伺服系统建立连接，收集伺服驱动器的控制指令，控制指令包括但不限于位置控制指令、速度控制指令、加速度控制指令和扭矩控制指令；
19、s2、健康状态评估模块利用公共数据库收集训练数据，利用分类回归树算法根据训练数据和健康状态数据，通过卡方统计量的分割策略选取特征构建分类回归树模型，将健康状态数据输入到构建好的回归树模型进行健康状态评估，并将健康状态评估结果发送给决策与优化模块；
20、s3、控制指令解析模块对控制指令进行指令解码、参数提取、运动规划和控制信号的生成，并将控制信号发送给决策与优化模块；
21、s4、决策与优化模块根据健康状态评估结果的大小进行决策以及优化，判定健康状态评估结果为1时，将控制信号发送给伺服发动机进行动作执行；
22、判定健康状态评估结果为0时，对健康状态评估模块中的卡方统计量的分割策略转换为基尼指数，进行优化处理；优化处理之后，再次进行健康状态评估结果的判定，判定健康状态评估结果为1时，控制信号发送给伺服发动机进行动作执行，判定健康状态评估结果为0时，将发送维护信号给维护人员进行维护处理。
23、与现有技术相比，本本文档来自技高网...
【技术保护点】
1.伺服驱动器数据分析预测系统，其特征在于：包括数据收集模块(100)、健康状态评估模块(200)、控制指令解析模块(300)和决策与优化模块(400)，其中：
2.根据权利要求1所述的伺服驱动器数据分析预测系统，其特征在于：所述数据收集模块(100)包括健康状态数据单元(101)和控制指令数据单元(102)，所述健康状态数据单元(101)收集利用传感器收集健康状态数据，健康状态数据包括但不限于温度、振动频率、扭矩和转速；所述控制指令数据单元(102)与伺服系统建立连接，收集伺服驱动器的控制指令，控制指令包括但不限于位置控制指令、速度控制指令、加速度控制指令和扭矩控制指令。
3.根据权利要求2所述的伺服驱动器数据分析预测系统，其特征在于：所述健康状态评估模块(200)利用分类回归树算法根据训练数据和健康状态数据，通过卡方统计量的分割策略选取特征构建分类回归树模型，将健康状态数据输入到构建好的回归树模型进行健康状态评估，具体包括：
4.根据权利要求3所述的伺服驱动器数据分析预测系统，其特征在于：所述控制指令解析模块(300)对控制指令进行指令解码
5.根据权利要求4所述的伺服驱动器数据分析预测系统，其特征在于：所述决策与优化模块(400)包括决策单元(401)和优化单元(402)，所述决策单元(401)接收健康状态评估模块(200)发送的健康状态评估结果和控制指令解析模块(300)发送的控制信号，并根据健康状态评估结果的大小进行决策以及优化；所述优化单元(402)对健康状态评估模块(200)中的方法进行优化处理，通过将卡方统计量的分割策略转换为基尼指数，用于提高适用性。
6.根据权利要求5所述的伺服驱动器数据分析预测系统，其特征在于：所述优化单元(402)对健康状态评估模块(200)中的方法进行优化处理，通过将卡方统计量的分割策略转换为基尼指数，通过统计样本集合中每个类别的频数，对于每个类别，计算其频数平方，并将所有类别的平方和累加起来，用1减去上述累加和，得到的结果为基尼指数。
7.一种使用包括权利要求1-
...【技术特征摘要】
1.伺服驱动器数据分析预测系统，其特征在于：包括数据收集模块(100)、健康状态评估模块(200)、控制指令解析模块(300)和决策与优化模块(400)，其中：
2.根据权利要求1所述的伺服驱动器数据分析预测系统，其特征在于：所述数据收集模块(100)包括健康状态数据单元(101)和控制指令数据单元(102)，所述健康状态数据单元(101)收集利用传感器收集健康状态数据，健康状态数据包括但不限于温度、振动频率、扭矩和转速；所述控制指令数据单元(102)与伺服系统建立连接，收集伺服驱动器的控制指令，控制指令包括但不限于位置控制指令、速度控制指令、加速度控制指令和扭矩控制指令。
3.根据权利要求2所述的伺服驱动器数据分析预测系统，其特征在于：所述健康状态评估模块(200)利用分类回归树算法根据训练数据和健康状态数据，通过卡方统计量的分割策略选取特征构建分类回归树模型，将健康状态数据输入到构建好的回归树模型进行健康状态评估，具体包括：
4.根据权利要求3所述的伺服驱动器数据分析预测系统，其特征在于：所述控制指令解析...
【专利技术属性】
技术研发人员：潘安远，王少飞，李飞，方磊，李院生，张颖，张秋爽，
申请(专利权)人：德欧电气技术台州有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。