(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111360639.7 (22)申请日 2021.11.17 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 彭朝琴　孙郑义　董锟宇　平自龙　 关鹏宇　黄旭聪　 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06F 30/27(2020.01) G06N 3/08(2006.01) (54)发明名称 一种机电伺服系统故障诊断方法 (57)摘要 本发明涉及故障诊断领域， 公开了一种基于 虚拟仿真模型和深度学习的机电伺服系统故障 诊断方法。 分析机电伺服系统各部分的工作原 理， 建立数学模型， 进而获得系统的虚拟仿真模 型； 在时频域上验证仿真模型的可靠性后， 研究 不同故障的故障机理， 并向仿真模 型中注入对应 故障， 对所生成的数据进行预处理后得到数据 集； 在数据集的基础上搭建并训练深度学习模 型， 将该模型用于故障诊断； 采集少量实际故障 数据输入诊断模 型中， 通过对比模 型输出和实际 系统状态， 验证该深度学习模型的有效性和本发 明所提出方法的可行性。 本发明提出的故障诊断 方法具有诊断率高、 步骤简便等优点， 能够在仅 有少量实际故障数据的情况下有效地进行机电 伺服系统的故障诊断。 权利要求书1页 说明书4页 附图5页 CN 114330412 A 2022.04.12 CN 114330412 A 1.一种基于虚拟仿真模型和深度学习的机电伺服系统故障诊断方法， 其特征在于， 该 方法适用于不 易获取大量的实际故障数据的情况。 2.如权利要求1所述的一种基于虚拟仿真模型和深度学习的机电伺 服系统故障诊断方 法， 其特征在于， 包括如下步骤： 1)本发明所针对的机电伺服系统 的主要组成部分为永磁同步电机、 行星滚柱丝杠和控 制电路。 分别对各 组成部分的工作 原理进行分析， 建立数学模 型， 进而获得系统的虚拟 仿真 模型。 2)向仿真模型输入指令信号， 在时域和频域下对比仿真模型和实际系统对给定信号的 响应， 以证明所建立的仿真模型能够比较准确地模拟实际系统的工作状态。 3)以“机电伺服系统失效 ”作为顶事件， 将各部件故障作为中间事件， 逐步展开至各故 障的根本原因作为底事件， 建立机电伺服系统的故障树。 依据故障树逐个分析每种故障的 机理， 向仿真模型注入故障， 生成相应的故障数据。 4)对仿真数据进行数据预处理， 选取一段时间序列数据， 并以对应的系统状态作为标 签生成数据集， 然后按照一定的比例将数据集分为训练集、 测试集和验证集。 5)将时间序列数据作为输入， 系统状态作为输出， 搭建并训练基于GRU(Gated   Recurrent  Unit)和Co ‑Attention机制的深度学习模型。 在训练模型的过程中， 采用反向传 播算法进行梯度和参数 更新， 采用交叉熵和L2正则化作为损失函数。 6)采集少量的实际故障数据输入至深度 学习模型中， 通过对比模型输出与实际的系统 状态， 以验证深度学习模型的有效性和本发明所提出 方法的可 行性。权　利　要　求　书 1/1 页 2 CN 114330412 A 2一种机电伺服系统故障诊断方 法 技术领域 [0001]本发明涉及故障诊断领域， 属于一种机电伺服系统故障诊断方法， 具体为基于虚 拟仿真模型和深度学习的机电伺服系统故障诊断方法。 背景技术 [0002]伺服系统是以小功率指令信号控制 大功率负载， 使输出机械位移或位移速度、 加 速度等信号精确 地跟踪指令信号的一种自动控制系统。 按照使用能源的不同， 伺服系统一 般可以分为三类： 电液伺服系统、 机电伺服系统和气动伺服系统。 相对于电液伺服系统和气 动伺服系统， 机电伺服系统在控制与调节的环节均以电作为媒介， 在控制和测试方面有明 显的优势， 因此得到了越来越广泛的应用。 为了保证系统的平稳运行， 开展机电伺服系统故 障诊断方法研究至关重要。 [0003]一般来说， 机电伺服系统可以分为执行电机、 传动机构和驱动控制电路三大部分。 其中执行电机、 传动系统和各种传感器常被设计为一个机械整体， 称为机电作动器(EMA)。 应用较为广泛的是直 驱式机电作动器(D EMA)， 其电机直接带动行星滚柱丝杠副输出直线运 动。 相对于传统的减速式机电作动器(GEMA)， D EMA省去了减速器环节， 减小了整机重量和体 积， 集成度高， 避免了减速器的齿轮间隙对系统精度造成影响。 同时降低了卡死可能性， 系 统整体可靠性得以提高。 [0004]当前， 机电伺服系统的故障数据较少。 如果通过人为破坏系统来模拟故障的发生， 不仅可能会对实验设备造成不可逆的损坏， 同时也可能对实验者的人身安全造成威胁。 因 此， 如何在故障数据较少的情况下对机电伺服系统进 行故障诊断， 是目前亟待解决 的问题。 机电伺服系统故障诊断方法一般分为基于信号处理的方法和基于人工智能的方法两大类。 近年来， 经验模态分解、 小波包分解等经典时频域信号处理方法应用广泛， 但诊断准确率相 对较低， 且故障特征提取过程复杂。 而采用深度神经网络、 支持向量机等人工智能方法可以 自动提取 特征， 简化研究过程， 逐渐开始取代基于信号处 理的方法， 用于故障诊断领域。 发明内容 [0005]本发明提出一种基于虚拟仿真模型和深度学习的机电伺服系统故障诊断方法， 旨 在解决仅有少量实际故障数据情况 下机电伺服系统的故障诊断 问题。 [0006]本发明的技 术方案是： [0007]一种基于虚拟仿真模型和深度学习的机电伺服系统故障诊断方法， 其特征在于步 骤如下： [0008]步骤1： 本发明所针对的机电伺服系统的主要组成部分为永磁同步电机、 行星滚柱 丝杠和控制电路。 分别对各组成部 分的工作 原理进行分析， 建立数学模型， 进而获得系统的 虚拟仿真模型。 [0009]步骤2： 向仿真模型输入指令信号， 在时域和频域下对比仿真模型和实际系统对给 定信号的响应， 以证明所建立的仿真模型能够比较准确地模拟实际系统的工作状态。说　明　书 1/4 页 3 CN 114330412 A 3