[发明专利]一种伺服电机故障诊断方法

说明书

本发明公开一种伺服电机故障诊断方法，包括以下步骤：收集交流伺服电机正常运行和故障状态下数据样本；利用训练样本训练椭球形基函数EBF神经网络；将和声搜索HS算法应用到模糊聚类FCM中形成HS‑KCM算法，从而得到隐含层神经元在输入空间各维上的椭球中心值，进一步得到椭球中心值和每个神经元的输入输出值，再利用BP算法训练隐含层神经元对应输出单元的权值，最后输入测试样本，判断交流伺服电机的运行状态。本发明具有通用性好，准确率高，自学习能力强的优点，解决现有交流伺服电机故障诊断理方法还存在学习能力差，容易发生漏诊和误诊的问题。

技术领域

本发明涉及交流伺服电机故障诊断领域，更具体地说，本发明涉及一种伺服电机故障诊断方法。

背景技术

随着科学技术的高速发展，交流伺服电机的应用范围越来越广泛。因此，交流伺服电机的故障诊断就显得格外重要，且伺服电机结构的复杂程度越来越高，这就给交流伺服电机故障的诊断带来了更大的考验。交流伺服电机故障诊断的现有方法可以分为两类，分别是基于诊断对象数学模型的方法和基于知识库的方法。第一类方法仅适用于那些可以获得精确数学模型，检测对象局限性比较大，第二类方法回避了抽取对象的数学模型的难点，引入诊断信息和专家诊断知识，对所检测的故障信息进行分析，来确定故障的特性，这类方法包括模糊推理方法、神经网络方法等。但模糊推理方法还存在学习能力差，容易发生漏诊和误诊，而EBF神经网络算法因其广泛的适应能力和自学习能力在故障诊断中得到了广泛的应用。EBF神经网络的隐层节点求解神经元椭球中心值和半轴长主要是通过聚类的作用，现在常用的是k均值聚类算法，但是k均值聚类算法的聚类效果往往受初始聚类中心选择的影响，当智能启发式算法与聚类算法结合解决这类问题时能避免这个问题，而且能达到比较好的聚类效果。

发明内容

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明的目的是提供一种伺服电机故障诊断方法，利用全局搜索能力强的和声搜索算法应用到EBF神经网络隐层结构中使用的模糊聚类方法，从而形成基于和声搜索算法优化的模糊聚类(HS-KCM)算法，并将改进的EBF神经网络用于交流伺服电机故障诊断方法中，能够有效诊断出交流伺服电机出现的定子匝间短路故障、转子断条故障、偏心故障和轴承故障。

为了实现根据本发明的这些目的和其他优点，提供了一种伺服电机故障诊断方法，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。

优选的，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。

优选的，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。

优选的，所述步骤S12中对EBF神经网络的训练包括以下子步骤：