[发明专利]伺服电机故障识别及模型训练方法、装置、介质及终端

说明书

本申请实施例提供了一种伺服电机故障识别及模型训练方法、装置、介质及终端。该伺服电机故障识别模型训练方法，包括以下步骤：获取源域样本数据以及目标域样本数据，所述目标域样本数据包括多个样本数据对，每一样本数据对包括具有故障的伺服电机的转速以及在该转速下的第一振动曲线图，所述源域样本数据包括多个非伺服电机的第二振动曲线图；获取初始神经网络模型；根据所述多个第二振动曲线图对所述初始神经网络模型进行初始化训练，从而得到具有初始模型参数的第一神经网络模型；基于所述多个样本数据对对所述第一神经网络模型的初始模型参数进行优化训练，以得到伺服电机故障识别模型。

技术领域

本申请涉及伺服电机技术领域，具体而言，涉及一种伺服电机故障识别及模型训练方法、装置、介质及终端。

背景技术

现有技术中，在对伺服电机进行故障判断是不仅要检测其驱动电流、驱动电压、转速等参数，还要进行复杂的计算，从而实现故障判断，且故障判断的准确率还比较低。

针对上述问题，目前尚未有有效的技术解决方案。

发明内容

本申请实施例的目的在于提供一种伺服电机故障识别及模型训练方法、装置、介质及终端，可以提高故障判断的准确率。

第一方面，本申请实施例提供了一种伺服电机故障识别模型训练方法，包括以下步骤：

获取源域样本数据以及目标域样本数据，所述目标域样本数据包括多个样本数据对，每一样本数据对包括具有故障的伺服电机的转速以及在该转速下的第一振动曲线图，所述源域样本数据包括多个非伺服电机的第二振动曲线图；

获取初始神经网络模型；

根据所述多个第二振动曲线图对所述初始神经网络模型进行初始化训练，从而得到具有初始模型参数的第一神经网络模型；

基于所述多个样本数据对对所述第一神经网络模型的初始模型参数进行优化训练，以得到伺服电机故障识别模型。

可选地，在本申请实施例所述的伺服电机故障识别模型训练方法中，所述目标域样本数据中的每一所述样本数据对还包括对应转速下的驱动电压；

而所述多个样本数据对对所述第一神经网络模型的初始模型参数进行优化训练，以得到伺服电机故障识别模型的步骤包括：

将每一所述样本数据对的驱动电压、转速以及第一振动曲线图输入所述第一神经网络模型，所述多个样本数据对对所述第一神经网络模型的初始模型参数进行优化训练，得到优化后的目标模型参数；

根据所述目标模型参数以及所述第一神经网络模型获取伺服电机故障识别模型。

可选地，在本申请实施例所述的伺服电机故障识别模型训练方法中，所述第一振动曲线图以及所述第二振动曲线图具有相同的尺寸规格。

可选地，在本申请实施例所述的伺服电机故障识别模型训练方法中，所述获取初始神经网络模型的步骤包括：

根据所述样本数据对中的参数种类量建立初始神经网络模型。

第二方面，本申请实施例还提供了一种伺服电机故障识别方法，采用上述任一项所述的方法建立的伺服电机故障识别模型；所述方法包括以下步骤：

获取待检测电机的实际转速以及安装于所述伺服电机上的振动传感器检测的实际振动曲线图；

将所述实际转速以及所述实际振动曲线图输入所述伺服电机故障识别模型，以对所述伺服电机的故障情况进行判断。

可选地，在本申请实施例所述的伺服电机故障识别方法中，还包括以下步骤：

获取待检测电机的实际驱动电压；