基于仿真驱动和子域适应的机电伺服系统故障诊断方法

本发明涉及机电伺服系统故障诊断，尤其涉及一种基于仿真驱动和子域适应的机电伺服系统故障诊断方法。

背景技术：

1、机电伺服系统是机械、电气、电子技术相互作用的复杂控制系统，是一种重要的电传飞控作动器，在航空航天领域中得到了广泛的关注和应用。由于长期工作在变负载、变转速等工况复杂的工作环境中，容易发生故障，而一旦发生故障，就可能导致严重的后果，甚至危及飞行器和乘员的安全。总之，机电伺服系统的安全性和可靠性决定了飞行器运行的安全性和可靠性。因此，开展故障诊断方法研究，实现机电伺服系统故障的自动识别，对于保证机电伺服系统的安全性和可靠性具有重要意义。

2、深度学习强大的特征提取能力和非线性表征能力，使其在故障诊断领域得到了广泛的应用。例如卷积神经网络(cnn)在处理图像数据时具有较强的空间特征提取能力；循环神经网络(rnn)、长时间记忆单元(lstm)和门控循环单元(gru)在处理序列数据时具有较强的记忆能力和上下文依赖关系的捕捉能力。但是深度学习方法需要大量的数据来训练模型，如果训练样本少，会严重影响模型的诊断率。然而在实际中，机电伺服系统故障实验成本高，危险性大，故障数据样本少。通过建立仿真模型得到仿真数据来扩充数据集是解决少样本的常用方法，例如发动机、轴承等设备的仿真建模，解决了实际中样本缺失的问题。虽然通过仿真模型扩充数据集的方法解决了少样本问题，但是仿真数据和实验数据之间存在着分布差异，同样会降低模型的诊断率。而域适应作为迁移学习的分支，可以用来解决分布差异的问题。通过学习领域不变的特征来减少分布的差异。例如通过mmd、coral等距离度量和对抗网络方法来减少特征分布差异。虽然迁移学习在故障诊断领域得到了广泛的应用，但是应用在机电伺服系统中，仍然存在以下问题：

3、(1)目前关于机电伺服系统仿真模型的参考资料较少，较难建立高准确度的仿真模型。

4、(2)基于迁移学习的故障诊断方法大多采用cnn作为特征提取器，但是cnn只关注信号的局部空间特征，无法捕捉时间序列的时间依赖关系，会丢失时间序列重要的时间信息。

5、(3)目前用于机械设备的故障诊断方法，大部分都是针对单一振动信号，而机电伺服系统传感器较多，这类方法会丢失大量的有用信息。

技术实现思路

1、有鉴于此，本发明的目的是提供一种基于仿真驱动和子域适应的机电伺服系统故障诊断方法，能同时提取机电伺服系统多传感器信号的局部空间特征和全局时序特征，并自适应融合多传感器信号特征，解决了cnn不能捕获信号时间信息问题和目前大部分故障诊断算法只用于处理单一振动信号的问题。

2、本发明解决技术问题采用如下技术方案：

3、一种基于仿真驱动和子域适应的机电伺服系统故障诊断方法，包括如下步骤：

4、步骤s1，构建机电伺服系统仿真模型；

5、步骤s2，设置机电伺服系统仿真模型参数，保证机电伺服系统仿真数据与实验台实验数据趋势一致且幅值误差小，从而得到高准确度机电伺服系统仿真模型；在此基础上进行故障机理分析，实现故障注入，得到大量仿真故障数据集；

6、步骤s3，将仿真故障数据集输入到sdctf方法中实现故障分类，得到预训练模型；

7、步骤s4，得到的预训练模型基础上，输入实验数据，将仿真数据作为源域，实验数据作为目标域，基于局部最大均值差异距离度量方法来最小化源域和目标域不同子域之间的分布差异，微调模型参数，实现对实验数据的故障诊断。

8、进一步的，步骤s1中，通过模块化建模策略将机电伺服系统划分为永磁同步电机、行星滚柱丝杠、控制器、驱动器和弹簧负载五个模块，并对五个模块分别进行数学建模，并在simulink中完成设计，最后将所有模块按照逻辑关系连接得到机电伺服系统仿真模型。

9、进一步的，永磁同步电机建模包括三相定子电压方程、电磁转矩方程和电机机械运动方程三部分，输入为三相电压，输出为电机转速，电磁转矩、三相电流。

10、进一步的，步骤s2的具体方法包括：

11、步骤s21，根据实验台中电机、丝杠和负载弹簧的固有参数，包括电机绕组电阻，电机绕组电感，电机绕组互感，电机转动惯量，电机阻尼系数，永磁体磁链，丝杠转动惯量，丝杠阻尼系数，弹性系数，初始化模型的固有参数；

12、步骤s22，设置实验台与仿真模型的输入指令一致，基于信号趋势一致性和幅值一致性两个标准，通过三闭环由内向外，先比例后积分的顺序，调节三闭环pi参数，使得仿真数据与实验数据有着相同的趋势，并且幅值误差小；

13、步骤s23，重复步骤s22，直到趋势一致且幅值误差小，此时得到机电伺服系统高准确度的仿真模型，通过故障机理分析，对仿真模型注入故障，得到仿真故障数据集。

14、进一步的，步骤s3中，将仿真故障数据集输入到sdctf故障诊断方法中实现故障分类，得到预训练模型的方法为：

15、步骤s31，对于单传感器信号，经过维度转换，将一维时间序列转为二维数据；

16、步骤s32，多个传感器的二维数据组合成三维数据，通过2d-cnn提取多传感器信号的局部空间特征；

17、步骤s33，对于单传感器信号的二维数据，将每一行的数据经过线性处理转为语义向量，然后通过位置编码，将位置信息映射到语义向量中，保留数据的位置信息；

18、步骤s34，将包含位置信息的语义向量输入到transformer encoder层来提取全局时序特征；

19、步骤s35，通过se自适应融合transformer encoder提取的多传感器信号的全局时序特征；

20、步骤s36，将全局时序特征与局部空间特征进行拼接，并输入到全连接层实现特征降维，最后输入到分类器中实现故障分类，得到预训练模型。

21、进一步的，步骤s4中，通过计算源域与目标域经验核均值之间的平方距离作为lmmd的估计值，计算公式如下：

22、

23、式中，c为标签类别总数，和分别为源域和目标域，ns和nt分别为源域和目标域的样本数，和分别为源域和目标域中标签为k的样本权重系数，h是使用核k的rkhs，φ(*)是rkhs的映射；

24、权重系数计算如下：

25、

26、

27、式中，ds为源域数据，dt为目标域数据，为源域中第i个样本属于标签c的概率，为源域中第j个样本属于标签c的概率，为目标域中第i个样本属于标签c的预测概率，为目标域中第j个样本属于标签c的预测概率。

28、本发明公开的一种基于仿真驱动和子域适应的机电伺服系统故障诊断方法，具有以下有益效果：

29、本发明通过模块化建模策略，在matlab中建立了高准确度机电伺服系统仿真模型，并通过故障机理分析实现故障注入，生成大量仿真故障数据，扩充了训练数据集，解决了机电伺服系统故障样本少的问题。

30、本发明提出的sdctf故障诊断方法相比传统的基于cnn的迁移学习故障诊断方法，本发明能同时提取机电伺服系统多传感器信号的局部空间特征和全局时序特征，并自适应融合多传感器信号特征，解决了cnn不能捕获信号时间信息问题和目前大部分故障诊断算法只用于处理单一振动信号的问题。