[发明专利]一种基于LVQ神经网络的伺服电机故障诊断方法

说明书

本发明公开了一种基于LVQ神经网络的伺服电机故障诊断方法，包括采集测控天线跟踪卫星期间伺服电机的稳态电流，对稳态电流历史数据进行滤波降噪处理并提取特征参数样本，设计、训练和检测神经网络，并通过神经网络对电机故障进行诊断。本发明能通过采集到的已标示数据对LVQ神经网络进行训练，实现诊断知识的自动获取，并通过训练得到的LVQ神经网络进行故障自动诊断。

技术领域

本发明涉及一种基于LVQ神经网络的伺服电机故障诊断方法，用于对测控天线电机电流进行测量并在电机发生故障时给出诊断结果。

背景技术

在故障诊断过程中，故障模式识别是实现故障在线监测与智能诊断的关键环节，也是故障诊断的核心所在，其识别效率及准确率直接影响故障诊断诊断结果的好坏。伺服电机结构复杂，故障特征参数具有分散性、随机性和模糊性的特点，故障模式和故障特征参数之间没有明确的线性关系，无法建立准确的数学模型。在此情况下，如何获取完备有效的诊断知识成为建造伺服电机故障模式识别系统模型的“瓶颈”问题。针对该问题，本发明使用LVQ(Learning Vector Quantization，学习矢量量化)神经网络解决故障模式识别问题，通过采集到的已标示数据对LVQ神经网络进行训练，实现诊断知识的自动获取，并通过训练得到的LVQ神经网络进行故障自动诊断。

发明内容

发明目的：为克服现有技术中的不足，本发明提出一种基于LVQ神经网络的伺服电机故障诊断方法。

本发明的技术方案是：一种基于LVQ神经网络的伺服电机故障诊断方法，包括如下步骤：

一种基于LVQ神经网络的伺服电机故障诊断方法，其特征在于，包括如下步骤：

A)采集电机运转时的稳态电流信号，包括电机正常运行电流数据和故障电流数据，形成电机稳态电流历史数据；

B)对所述步骤A)记录的电机稳态电流历史数据进行滤波降噪，计算其电流脉动频率、稳态电流均值、稳态电流标准差、电机刚起动时的起动电流峰值、峰值点电流变化率作为特征参数；

C)用所述步骤B)的特征参数作为样本，样本的格式为：每一条数据按输入-输出对模式组织，输入为电机电流特征参数，输出为电机故障模式，样本分为训练样本和检测样本两部分；

D)根据所述步骤C)的样本设计神经网络的结构，设置竞争层的神经元个数、特征参数层与竞争层之间的连接权值以及竞争层与故障模式层之间的连接关系；

E)进行神经网络训练，设置LVQ神经网络的最大训练代数及学习速率，利用步骤C)中采集到的训练样本对步骤D)中确定的神经网络模型进行训练；

F)进行神经网络仿真，当网络达到了预置的最大训练次数后，保存网络，将测试集中的5个量化特征输入网络，得到诊断结果输出；

G)通过对步骤F)的诊断结果进行分析，得到误诊率，包括将无故障状态诊断为有故障状态和不同故障状态之间的误诊，当误诊率高于预设的接收范围时返回步骤E)，继续对神经网络进行训练直至误诊率满足要求。

进一步的，所述步骤B)采用小波降噪；所述步骤D)采用LVQ神经网络，所述神经网络包括输入值、输出值、层数、各层节点数和各层的判断阈值。

本发明的有益效果是：

(1)本发明提出的一种基于LVQ神经网络的伺服电机故障诊断方法，能在有教师状态下对竞争层进行训练，通过竞争层的隐层传递函数，根据目标的类别将输入向量进行组合分类，解决了伺服电机工作状态复杂、故障模式与故障特征参数间没有明显线性关系的问题。

(2)本发明针对故障诊断中存在的故障样本少，正常样本多的不平衡问题，在LVQ神经网络的竞争层提出连接权值因子，提高了小样本分类的精度，降低了误判损失。

附图说明