论文部分内容阅读
直流伺服电机以其带负载能力强、运行可靠和效率高等特点广泛应用于工农业生产及日常生活中。作为现代工业的主要动力来源之一，一旦电机发生故障，则会导致机械系统瘫痪甚至威胁生命安全。《中国制造2025》指出，中国正处于实现制造业强国目标的关键时期，对航天装备、电力装备和农机装备等要实现智能化故障诊断。因此，实现直流伺服电机智能化状态监测和故障诊断具有重要意义。
研究表明，机械振动信号蕴含丰富的时频特征信息，因而基于振动信号的旋转机械故障诊断一直是国内外专家研究的热点。为此，本文利用振动信号采集系统采集了正常状态、滚动体故障、外圈故障和内圈故障四种振动信号数据。针对直流伺服电机故障的诊断问题，研究内容如下:
(1)针对EMD、EEMD等方法在处理连续非线性电机故障信号时存在端点效应和模态混叠问题，本文研究分析了VMD算法原理并进行相应的仿真实验。VMD分解效果要优于传统分解方法，但是存在参数K难以预先设定的问题。针对K值选取问题，本文提出一种基于瞬时频率均值优化VMD方法，采用瞬时频率均值曲线确定VMD最佳模态数K，与传统VMD算法对比分析可得，本文所提算法在克服模态混叠和端点效应的同时，简化了K值的确定过程。
(2)针对分类模型由于数据量偏大导致运行时间过长等问题，选用SVD算法对IMF矩阵作降维处理，与传统降维方法相比，经SVD降维后的矩阵能更好的表达信号的时频特性。同时选用多尺度排列熵构建IMF矩阵的特征向量，相比于样本熵，多尺度排列熵能够反映振动信号在多个尺度上的特征信息，使信号的特征提出更加准确。
(3)针对传统卷积神经网络由于网络层数加深而导致的收敛速度慢等问题，本文将残差学习与卷积神经网络相结合，提出一种基于残差学习的卷积神经网络(R-W DCNN)模型用于故障分类。对比传统的卷积神经网络，R-WDCNN算法实现了更高的识别精度和更快的收敛速度。同时选用t-SNE算法对R-WDCNN模型作可视化分析。
(4)为验证训练样本数量不同情况下的R-WDCNN模型性能，本文选用基于粒子群算法的支持向量机机器学习模型进行对比分析，粒子群算法具有较快的收敛速度，实现了支持向量机最优参数的选取。实验结果表明，R-WDCNN模型在不同数据量的训练集下，均实现了较高的识别精度。
研究表明，机械振动信号蕴含丰富的时频特征信息，因而基于振动信号的旋转机械故障诊断一直是国内外专家研究的热点。为此，本文利用振动信号采集系统采集了正常状态、滚动体故障、外圈故障和内圈故障四种振动信号数据。针对直流伺服电机故障的诊断问题，研究内容如下:
(1)针对EMD、EEMD等方法在处理连续非线性电机故障信号时存在端点效应和模态混叠问题，本文研究分析了VMD算法原理并进行相应的仿真实验。VMD分解效果要优于传统分解方法，但是存在参数K难以预先设定的问题。针对K值选取问题，本文提出一种基于瞬时频率均值优化VMD方法，采用瞬时频率均值曲线确定VMD最佳模态数K，与传统VMD算法对比分析可得，本文所提算法在克服模态混叠和端点效应的同时，简化了K值的确定过程。
(2)针对分类模型由于数据量偏大导致运行时间过长等问题，选用SVD算法对IMF矩阵作降维处理，与传统降维方法相比，经SVD降维后的矩阵能更好的表达信号的时频特性。同时选用多尺度排列熵构建IMF矩阵的特征向量，相比于样本熵，多尺度排列熵能够反映振动信号在多个尺度上的特征信息，使信号的特征提出更加准确。
(3)针对传统卷积神经网络由于网络层数加深而导致的收敛速度慢等问题，本文将残差学习与卷积神经网络相结合，提出一种基于残差学习的卷积神经网络(R-W DCNN)模型用于故障分类。对比传统的卷积神经网络，R-WDCNN算法实现了更高的识别精度和更快的收敛速度。同时选用t-SNE算法对R-WDCNN模型作可视化分析。
(4)为验证训练样本数量不同情况下的R-WDCNN模型性能，本文选用基于粒子群算法的支持向量机机器学习模型进行对比分析，粒子群算法具有较快的收敛速度，实现了支持向量机最优参数的选取。实验结果表明，R-WDCNN模型在不同数据量的训练集下，均实现了较高的识别精度。