[发明专利]伺服电机的故障智能诊断系统及其诊断方法

说明书

本申请涉及故障智能诊断的领域，其具体地公开了一种伺服电机的故障智能诊断系统及其诊断方法，其通过傅里叶变换和上下文编码器提取出待诊断伺服电机的振动信号的多个频域统计特征的全局性频域关联特征，并且利用卷积神经网络模型对所述待诊断伺服电机的振动信号的波形图进行局部的深层次的隐含特征的挖掘，在融合这两者的特征信息时，进一步对所述频域关联特征进行基于注意力机制的数据密集修正，以基于分类器的概率表达来使得分类概率具有对不同数据密集度的特征向量的自适应依赖，这样，就提升了联合编码后获得的分类特征矩阵对于分类目标函数的参数自适应性，也就提高了分类准确性以及伺服电机故障诊断的能力。

技术领域

本发明涉及故障智能诊断的领域，且更为具体地，涉及一种伺服电机的故障智能诊断系统及其诊断方法。

背景技术

直流伺服电机由于其较高的过载能力、平稳的调节特征和良好的速度控制性而广泛应用于航空航天、军工制造、智能机器人、电力设备和车窗等多个领域。当直流伺服电机发生故障时，不仅会造成严重的经济损失，甚至会造成严重的环境污染或人员伤亡等重大安全事故。

传统的用于直流伺服电机的故障诊断的方案，例如，传统的机器学习诊断模型虽然在一些应用场景下具有较好的识别效果，但特征提取和特征降维需要人工经验进行选取和优化，随着设备工况复杂和数据量变大，传统的故障诊断方案已不再能满足应用需求。

因此，期待一种更为优化的用于伺服电机的故障智能诊断方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种伺服电机的故障智能诊断系统及其诊断方法，其通过傅里叶变换和上下文编码器提取出待诊断伺服电机的振动信号的多个频域统计特征的全局性频域关联特征，并且利用卷积神经网络模型对所述待诊断伺服电机的振动信号的波形图进行局部的深层次的隐含特征的挖掘，在融合这两者的特征信息时，进一步对所述频域关联特征进行基于注意力机制的数据密集修正，以基于分类器的概率表达来使得分类概率具有对不同数据密集度的特征向量的自适应依赖，这样，就提升了联合编码后获得的分类特征矩阵对于分类目标函数的参数自适应性，也就提高了分类准确性以及伺服电机故障诊断的能力

根据本申请的一个方面，提供了一种伺服电机的故障智能诊断系统，其包括：

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；以及

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。

在上述伺服电机的故障智能诊断系统中，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。