[发明专利]伺服电机的故障智能诊断系统及其诊断方法

权利要求书

1.一种伺服电机的故障智能诊断系统，其特征在于，包括：

振动信号采集模块，用于获取待诊断伺服电机的振动信号；

频域特征提取模块，用于基于傅里叶变换将所述待诊断伺服电机的振动信号转化到频域以得到多个频域统计特征；

频域特征编码模块，用于将所述多个频域统计特征通过联合编码器的序列编码器以得到频域特征向量，所述序列编码器为包含嵌入层的上下文编码器；

振动波形图编码模块，用于将所述待诊断伺服电机的振动信号的波形图通过所述联合编码器的图像编码器以得到振动特征向量，所述图像编码器为卷积神经网络模型；

联合编码模块，用于使用所述联合编码器的联合编码模块对所述振动特征向量和所述频域特征向量进行跨域联合编码以得到分类特征矩阵；

诊断结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生故障预警提示；

其中，所述联合编码模块，包括：

数据密度修正单元，用于基于所述振动特征向量对所述频域特征向量进行基于注意力机制的数据密集修正以得到修正后频域特征向量，其中，所述基于所述振动特征向量对所述频域特征向量进行基于注意力机制的数据密集修正基于所述频域特征向量通过分类器得到的概率值、所述频域特征向量和所述振动特征向量之间的按位置点乘所得到的特征向量，以及，所述频域特征向量和所述振动特征向量之间距离来进行；以及

关联编码单元，用于计算所述修正后频域特征向量和所述振动特征向量的转置向量之间的向量乘积以得到所述分类特征矩阵；

其中，所述数据密度修正单元，包括：

修正系数计算子单元，用于以如下公式来计算所述频域特征向量相对于所述振动特征向量的数据密集簇修正因数；

其中，所述公式为：

其中，V₁是所述频域特征向量，V₂是所述振动特征向量，且softmax(·)表示特征向量通过分类器得到的概率值，⊙表示点乘，softmax(·)表示特征向量通过分类器得到的概率值，d(·,·)表示特征向量之间的距离，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，特征向量除以参数表示以特征向量中各个位置的特征值分别除以参数；以及

加权修正子单元，用于以所述数据密集簇修正因数作为加权权重对所述频域特征向量进行加权以得到所述修正后频域特征向量。

2.根据权利要求1所述的伺服电机的故障智能诊断系统，其中，所述频域特征编码模块，包括：

向量嵌入化单元，用于使用所述序列编码器的嵌入层分别将所述多个频域统计特征转化为输入向量以获得嵌入向量的序列；

上下文编码单元，用于使用所述序列编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到多个统计特征向量；

特征向量级联单元，用于将所述多个统计特征向量进行级联以生成所述频域特征向量。

3.根据权利要求2所述的伺服电机的故障智能诊断系统，其中，所述振动波形图编码模块，进一步用于使用所述卷积神经网络模型的各层在层的正向传递中分别进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述卷积神经网络模型的最后一层的输出为所述振动特征向量，所述卷积神经网络模型的第一层的输入为所述待诊断伺服电机的振动信号的波形图。

4.根据权利要求3所述的伺服电机的故障智能诊断系统，其中，所述诊断结果生成模块，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W₁至W_n为各层全连接层的权重矩阵，B₁至B_n表示各层全连接层的偏置矩阵。