[发明专利]一种伺服电机故障诊断方法

权利要求书

1.一种伺服电机故障诊断方法，其特征在于，包括以下步骤：

步骤S11、实时监测交流伺服电机的轴承和机身振动，在交流伺服电机处在正常运行状态和四种故障状态下，分别采集若干特征频段内的振动信号，用小波包能量特征提取出在上述五种状态下各个特征频段中频率成分的能量，将其作为表征电机运行状态的特征向量；

步骤S12、分别收集电机处在上述五种状态下的特征向量并形成数据样本，将每种状态下的部分数据样本作为训练样本，剩余部分数据样本作为测试样本，将训练样本作为输入量进行EBF神经网络的训练；

步骤S13、将测试样本输入到已经训练完成的EBF神经网络中进行测试，得到输出节点的结果，根据该结果判断交流伺服电机的所处状态，如果处于故障状态，则确定对应的故障类型。

2.如权利要求1所述的伺服电机故障诊断方法，其特征在于，所述步骤S11中，所述特征频段包括：f/4、f/3、f、5f/4、5f/2、3f、7f/2、4f、11f/2频率点左右±0.04f频带范围，四种故障状态包括：电机定子匝间短路故障、转子断条故障、偏心故障、轴承故障，其中，f为电机运行频率，特征向量用T＝[x₁,x₂,…,x₉]表示，x_i为第i个特征频段内频率成分的能量。

3.如权利要求2所述的伺服电机故障诊断方法，其特征在于，所述步骤S11中，采用压电式加速度传感器采集交流伺服电机在特征频段内的振动信号，采用数据信号记录仪对采集到的振动信号进行数据记录。

4.如权利要求2所述的伺服电机故障诊断方法，其特征在于，所述步骤S12中对EBF神经网络的训练包括以下子步骤：

步骤S21、根据训练样本设计EBF神经网络的结构，其中，EBF神经网络中采用的激活函数为椭球函数；

步骤S22、对训练样本利用HS-KCM算法进行优化，得到隐含层神经元在输入空间各维上的椭球中心值，再通过计算得到相应的椭球半轴长以及每个神经元的输入和输出；

步骤S23、利用BP算法调整隐含层与输出层之间的连接权值，直到使得网络收敛且满足误差要求。

5.如权利要求4所述的伺服电机故障诊断方法，其特征在于，所述步骤S12中，在每种状态下选取的数据样本数量为100个，其中90个数据样本为训练样本，并作为EBF神经网络的输入进行EBF神经网络的训练，余下10个数据样本作为测试样本。

6.如权利要求5所述的伺服电机故障诊断方法，其特征在于，所述步骤S12中，对在上述五种状态下采集形成的数据样本进行归一化处理后，进行EBF神经网络的训练和测试，其中采用的归一化计算方式如下式所示：

其中，x(m,n)表示第m个数据样本的第n个数据，L为该数据样本中的最小值，U为该数据样本中的最大值。

7.如权利要求6所述的伺服电机故障诊断方法，其特征在于，所述步骤S21中，对EBF神经网络输入值、隐含层神经元数目和核函数、输出值进行设计。

8.如权利要求7所述的伺服电机故障诊断方法，其特征在于，所述EBF神经网络的结构为：EBF神经网络的输入值K＝9、隐含层神经元数目J＝4、核函数是椭球函数、EBF神经网络输出值S＝5。

9.如权利要求8所述的伺服电机故障诊断方法，其特征在于，所述步骤S22具体包括以下子步骤：

步骤S221、输入训练样本并初始化HS-KCM算法的参数；

步骤S222、确定HS-KCM算法中聚类中心在和声中的编码方式，初始化和声记忆库：每个和声的实值表示每个隐含层神经元在输入向量各维上的椭球中心值，从训练样本中随机选取J＝4个不同数据样本，每个数据样本对应一个聚类中心C_i，将4个聚类中心C_i编码为一个和声，和声用向量形式表达为：X＝C_l＝[C₁,C₂,C₃,C₄]＝[c₁₁,c₁₂,…c_1K,c₂₁,c₂₂,…c_2K,c₃₁,c₃₂,…c_3K,c₄₁,c₄₂,…c_4K]，按照这样的方式，从训练样本中随机构建HMS个和声，创建形成初始和声记忆库HM，HMS为和声记忆库的大小；

步骤S223、计算每个和声向量的适应度值：将记忆库中每个和声向量解码出来得到4个聚类中心，并按照公式(2)计算得到对应和声向量X_i的适应度值，适应度函数值表示为：

x_m是归一化样本数据，Q是样本数据的数量，C_l是每个和声中的聚类中心，J是聚类的数量，C是C_l的集合；

步骤S224、更新控制参数：每次迭代产生1个新的和声，对参数PAR和bw进行更新，参数PAR更新采用混沌映射，更新方式如下：

PAR＝4×PAR(1-PAR) (3)

其中，PAR、bw分别为和声忆库的音调调节概率、音调调节步长；bw_max、bw_min为音调调节步长的上、下界，t是当前迭代次数，T是最大迭代次数，

步骤S225、创建一个新的和声向量X^new：创建的新和声向量中的每一个分量的产生过程由数学公式表示如下：

其中r₁、rand()均为随机产生的0到1之间的实数，HMCR为和声忆库保留概率、音调调节概率；Lb、Ub分别是归一化后训练样本数据的最小值、最大值；如果是从和声记忆库中选择的，则其进行基音调整操作，基音调整过程表述如下：

其中r₂是随机产生的0到1之间的实数；

按照步骤S223的方式，评估新生成的和声向量X^new的适应度函数值；

步骤S226、和声记忆库的更新：根据每个和声向量的适应度值，将新生成的和声向量与和当前声记忆库HM中的和声向量进行比较，当新生成的和声向量优于当前和声记忆库中的任何一个和声向量时，则将新生成的和声向量代替当前和声记忆库中的该和声向量，形成新的和声记忆库HM^new；

步骤S227、检查HS-FCM算法的终止条件：判断当前迭代次数t是否大于最大迭代次数T，如果满足该条件，则执行步骤S228，否则返回步骤S224；

步骤S228、根据适应度函数值选取最终和声记忆库HM中最优和声向量，解码得到4个聚类中心，即得到4个隐含层神经元分别在输入空间9个维度上的对应椭球中心值；

步骤S229、利用椭球中心值计算椭球半轴长，进一步得到每个隐含层神经元的输入和输出。