CN118311951A - 基于仿真驱动和子域适应的机电伺服系统故障诊断方法 - Google Patents

Abstract

本发明公开了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：构建机电伺服系统仿真模型；设置机电伺服系统仿真模型参数，得到高准确度机电伺服系统仿真模型；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；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；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。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，自适应融合多传感器信号特征。

Description

基于仿真驱动和子域适应的机电伺服系统故障诊断方法

技术领域

本发明涉及机电伺服系统故障诊断技术领域，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

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。

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：

(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。

(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。

(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。

发明内容

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。

本发明解决技术问题采用如下技术方案：

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：

步骤S1，构建机电伺服系统仿真模型；

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；

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；

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。

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。

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。

进一步的，步骤S2的具体方法包括：

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；

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；

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。

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：

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；

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；

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；

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；

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；

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。

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：

式中，C为标签类别总数，和分别为源域和目标域，n_s和n_t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；

权重系数计算如下：

式中，D_s为源域数据，D_t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。

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：

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。

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。

附图说明

图1为基于仿真驱动和子域适应的机电伺服系统故障诊断方法流程图；

图2是本发明中机电伺服系统整体仿真模型结构图；

图3是本发明中机电伺服系统中永磁同步电机仿真模型结构图；

图4是本发明中机电伺服系统中行星滚柱丝杠仿真模型结构图；

图5是丝杠与螺母的相对运动示意图；

图6是SDCTF方法网络结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了克服上述现有技术存在的问题，本发明提出了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。

为了解决机电伺服系统故障样本少且仿真建模研究较少的问题。本发明在simulink中建立高准确度的仿真模型，并仿真得到大量故障数据，扩充训练数据集。

为了解决基于CNN的迁移学习故障诊断算法不能捕获时间序列的时间信息且大部分用来处理单一振动信号的问题。本发明融合二维卷积网络(2D-CNN)、Transformer和多通道注意力机制SE方法，利用Transformer来解决CNN不能捕获信号时间信息问题；并利用SE自适应融合多传感器信号的特征来解决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。

参考图1，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，包括如下步骤：

步骤S1，构建机电伺服系统仿真模型；

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；

步骤S3，将仿真故障数据集输入到SDCTF方法中实现故障分类，如图6所示，得到预训练模型；

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。

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，如图2所示。

进一步的，如图3所示，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；

三相定子电压方程建模方法如下：

永磁同步电机的三相电压方程和磁链方程为：

Ψ_3s＝L_3si_3s+ψ_fF_3s(θ_e) (2)

式中，Ψ_3s为三相绕组的总磁链，u_3s、R_3s、i_3s分别为三相绕组的相电压、电阻、电流，L_3s为三相绕组的电感，ψ_f为永磁体磁链，F_3s(θ_e)为三相绕组产生的磁链，θ_e为转子位置角，且满足：

式中，i_a、i_b和i_c为A相电流、B相电流和C相电流，R为绕组电阻，ψ_a、ψ_b和ψ_c为A相磁链、B相磁链和C相磁链，u_a、u_b和u_c为A相电压、B相电压和C相电压，，L_aa、L_bb和L_cc为定子绕组自感，M_ab、M_ac、M_ba、M_bc、M_ca和M_cb为三相定子绕组之间的互感；

实验台采用的永磁同步电机属于面装式，因此绕组的自感与互感和转子的位置无关，则有，

式中，L_m为定子绕组自感，M_m为三相定子绕组的互感。

实验台采用的永磁同步电机的三相绕组之间采用星型连接，则有

带入磁链方程得：

带入电压方程得：

式中，E_a、E_b和E_c分别为永磁体产生的反电动势在定子绕组中的分量，且满足：

式中，w_e为电机的电角速度。

电磁转矩方程建模的方法如下：

由于在永磁同步电机中，定子磁链、转子磁链之间的夹角都不是90，耦合性强，根本无法对磁场和电磁转矩进行独立控制。因此通过Clark和Park坐标变化，将自然坐标系abc转为同步坐标系dq；Clark变化和Park变换公式如下：

式中，f_a、f_a和f_a为自然坐标系下的A轴变量、B轴变量和C轴变量，f_α、f_β和f₀为静止坐标系下的α轴变量、β轴变量和0轴变量，f_d和f_q为同步坐标系下d轴变量和q轴变量。

在同步旋转坐标系下，三相电压方程在d轴和q轴方向均等效为电阻电感和电压源的串联，实现了完全的解耦，从而得到在同步旋转坐标系dq下的系统的电功率为：

式中，i_d、i_q为同步坐标系下d轴电流和q轴电流，u_d、u_q为同步坐标系下d轴电压和q轴电压。

由于Park变换过程采用了恒幅值变换，因此电功率变为了实际系统的2/3；同时上式中前三项均为电气系统进行的能量转换，不会转换到实际的机械系统，因此得到实际的电机输出的转矩功率为：

其中，P_m为电机系统转矩功率；

最终得到电磁转矩方程写为

式中，ω_m为电机转子速度，T_e为电机电磁转矩，p为电机磁极对数，ψ_f为永磁体磁链，i_q为q轴电流；

电机机械运动方程如下：

式中，J为电机转动惯量，T_L为负载转矩，B为电机阻尼系数；且满足：

进一步的，如图4所示，行星滚柱丝杠建模的方法为：

建立丝杠与螺母之间的运动学方程，将电机的转速信号作为输入，将螺母的轴向位移作为输出，具体过程如下：

滚柱丝杠中，丝杠的轴向输出位移只由丝杠的旋转产生，和丝杠的旋转角度线性相关，与滚柱运动无关，即

式中，l_s为丝杠螺距，v_s为丝杠轴向位移速度，R_s为丝杠啮合点半径，β_s为丝杠螺旋角；

因此在建模过程中将滚柱丝杠进行简化，仅考虑丝杠与螺母的相对运动。

滚柱丝杠中，丝杠的螺旋角为β_s，滚柱和螺母的螺旋角为β_n，由于β_s和β_n接近于0，即cosβ_s≈cosβ_n，因此在垂直于滚道的方向上，丝杠与滚柱、滚柱与螺母之间的滚道的正压力都近似为F_Ncosβ_s，其中F_N为弹簧负载力；将丝杠与滚柱、滚柱与螺母之间的间隙简化为丝杠与螺母之间的间隙，将滚柱丝杠内的摩擦简化为丝杠与螺母相对运动产生的摩擦，即丝杠通过垂直于滚道方向进行承载，通过平行于滚道方向进行摩擦的计算，同时不考虑滚柱旋转产生的转动惯量；

电机输入带动丝杠旋转，丝杠的周向线速度V_ts为：

V_ts＝ω_m×R_s (17)

丝杠与螺母的模型及相对运动示意图如图5所示。丝杠转动一圈，螺母沿轴向移动一个螺距的距离，即螺母沿着丝杠螺旋升角的方向移动；丝杠相对于螺母平行于丝杠滚道的速度V_ps和垂直于滚道的速度V_vs为

V_ps＝V_ts×cosβ_s (18)

V_vs＝V_ts×sinβ_s (19)

丝杠垂直于滚道的速度V_vs经过丝杠与螺母的间隙后，驱动螺母沿垂直于滚道的速度为V_vr，从而得到螺母沿轴向的运动速度V_ar和沿滚道的运动速度V_pr为：

V_ar＝V_vr×(1/cosβ_s) (20)

V_pr＝V_ar×sinβ_s (21)

螺母沿轴向的运动速度V_ar通过对时间的积分得到螺母的轴向位移；

丝杠平行于丝杠滚道的速度V_ps和螺母沿滚道的运动速度V_pr速度相反，两者绝对值相加得到相对运动速度，即

V_prs＝|V_ps|+|V_pr| (22)

丝杠与螺母的相对运动会产生摩擦力，摩擦力被模拟为相对速度的函数，并假设是Stribeck(斯特里贝克)、库仑和粘性分量的总和。Stribeck摩擦是在低速度下发生的负斜率特性。库仑摩擦时在任何速度下产生恒定的力。粘性摩擦是以与相对速度成正比的力阻碍运动。在零速度附近，库仑摩擦和Stribeck摩擦的总和通常称为滑动摩擦，同时可认为此摩擦为静摩擦。摩擦力用以下方程近似：

F_brk＝μ_brk·N·sign(v)

F_C＝μ_C·N·sign(v)

v_Coul＝v_brk/10 (23)

式中，F为摩擦力，F_C为库仑摩擦，F_brk为滑动摩擦，v_brk为滑动摩擦速度，N为正压力，μ_brk为滑动摩擦系数，μ_C为库仑摩擦系数，v_St为Stribeck速度阈值，v_Coul为库仑速度阈值，v为相对速度，f为粘性摩擦系数。

进一步的，控制器建模的方法为：

控制算法采用位移、转速、电流三闭环PI控制算法，其中电流环采用i_d＝0的控制策略，由于d轴的阻尼绕组是会产生磁通的，与永磁体的磁通共同构成电机的磁场；i_d变化的同时，总的磁通变化，会产生耦合关系；当i_d＝0时，磁通完全由永磁体来提供，实现电机的解耦。

进一步的，驱动器建模的方法如下：

驱动器由SVPWM算法和三相逆变器构成；控制电流信号经过SVPWM算法处理得到PWM波，通过PWM的占空比来控制三相IGBT管的通断切换，进而输出控制电压信号驱动电机旋转；

SVPWM算法的实现方式主要包括参考电压矢量的扇区判断、各个扇区非零矢量和零矢量作用时间的计算以及各个扇区矢量切换点的确定，最后使用一定频率的三角载波信号与各个扇区矢量切换点进行比较，从而产生变换器所需的PWM脉冲信号；在simulink中通过function编程的方式实现参考电压矢量的扇区判断、各个扇区非零矢量和零矢量作用时间的计算以及各个扇区矢量切换点的计算。

进一步的，弹簧负载建模的方法如下：

根据胡克弹性定律得知，弹簧在发生弹性形变时，弹簧的弹力和弹簧的伸长量成正比，即满足：

F＝-kx (24)

式中，x为形变量，k为弹性系数。

进一步的，步骤S2的具体方法包括：

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；

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；

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。

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：

步骤S31，输入传感器信号为一维时间序列X∈R^L×1×1，L为信号长度。通过维度转换转为二维数据X∈R^W×H×1，W、H分别为二维数据的行数与列数。

步骤S32，将多个传感器的二维数据组合成三维数据X∈R^W×H×C，C为传感器数量。通过2D-CNN提取多传感器信号X∈R^W×H×C的局部空间特征。2D-CNN网络包括三个卷积层，三个Relu激活层，两个Dropout层，一个Flatten层。多传感器信号X∈R^W×H×C经过2D-CNN输出空间特征X_s∈^S×1，其中S为局部空间特征的长度。

步骤S33，对于单传感器信号X∈R^W×H×1，将每一行的数据X∈R^1×H×1经过线性处理转为语义向量Z∈R^1×N×1，其中N为语义向量的长度，最终得到语义矩阵Z∈R^W×N×1。然后通过位置编码，将位置信息映射到语义向量中，位置编码可以告诉transformer模型数据在序列中的位置，保留数据的位置信息。位置编码公式如下：

式中，PE代表位置编码，pos代表当前数据在序列中的位置，d_model为当前数据的维度。

步骤S34，将包含位置信息的语义矩阵Z∈R^W×N×1输入到Transformer Encoder层中来提取全局时序特征X_T∈R^W×M×1，其中M为隐特征的长度。多头注意力机制是TransformerEncoder的核心，计算过程如下：

X_MHSA＝LayerNorm(A_n(X_T)+X_T)

式中，H_i为第i个头注意力的输出结果，Q_i、K_i和V_i为第i个头注意力中查询矩阵、键矩阵和值矩阵，W⁰为多头连接的线性投影，H_n为第n个头注意力的输出结果，X_T为全局时序特征，A_n(X_T)为多头注意力的输出结果，为归一化层，X_MHSA为经过残差连接和归一化后多头自注意力机制的输出。

多头注意力机制的输出经过两层全连接的前馈网络，得到：

FF(X_MHSA)＝δ(0,W₁X_MHSA+b₁)W₂+b₂

X_T＝LayerNorm(FF(X_MHSA)+X_MHSA)

式中，W₁、W₂为前馈网络的权重，b₁、b₁为前馈网络的偏置，δ为ReLU激活函数，FF(X_MHSA)为前馈网络的输出。

步骤S35，通过SE自适应融合TransformerEncoder提取的多传感器信号的全局时序特征X_MT∈R^W×M×S。SE首先对输入的多通道全局特征进行压缩操作，通过全局平均池化对单通道特征进行压缩，通过平均计算将特征空间内所有数据点的信息压缩成一个实数，以代表整个通道的整体信息。挤压操作的计算过程如下：

式中，Z_c为压缩操作后的输出结果；X_MT,c为第c个传感器通道的全局特征。

再通过两个全连接层来自动分析不同通道之间的相关性，得到每个通道的权重值，具体计算过程如下：

O_c＝σ(K₁δ(K₀(Z_c)))

式中，σ和δ分别为Sigmoid激活函数和ReLU激活函数；K₀、K₁为全连接权重系数，O_c为通道权重系数，Y_MT,c为加权后的第c个传感器通道的全局特征。

将加权后的多通道全局时序特征Y_MT∈R^W×M×S通过展平层得到最终的全局时序特征Y_MT∈R^T×1，其中T为全局时序特征的长度。

步骤S36，将全局时序特征Y_MT∈R^T×1与局部空间特征X_s∈^S×1进行拼接，由于维度较可能较高，因此通过输入全连接层实现特征降维，最后通过分类器中实现故障分类，得到预训练模型。

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：

式中，C为标签类别总数，和分别为源域和目标域，n_s和n_t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；

权重系数计算如下：

式中，D_s为源域数据，D_t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。

本发明提供的基于仿真驱动和子域适应的机电伺服系统故障诊断方法流程首先对机电伺服系统进行机理分析，在simulink中建立仿真模型；接着通过初始化模型固有参数和调整控制参数来获得高准确度仿真模型，并进行故障机理分析实现故障注入得到大量仿真故障数据；然后将仿真数据集输入到故障诊断算法中实现模型的预训练；最后输入实验数据，基于域适应实现模型迁移。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。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。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一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，其特征在于，包括如下步骤：

步骤S1，构建机电伺服系统仿真模型；

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；

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；

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。

2.根据权利要求1所述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，其特征在于，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。

3.根据权利要求2所述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，其特征在于，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。

4.根据权利要求3所述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，其特征在于，步骤S2的具体方法包括：

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；

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；

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。

5.根据权利要求4所述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，其特征在于，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：

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；

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；

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；

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；

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；

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。

6.根据权利要求5所述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，其特征在于，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：

式中，C为标签类别总数，和分别为源域和目标域，n_s和n_t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；

权重系数计算如下：

式中，D_s为源域数据，D_t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。