买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安工业大学;善诚科技发展(上海)有限公司

摘要：本发明公开了一种机电作动器多故障模式预测方法，首先对EMA的多维传感器信号进行了可视化分析，选择出能够反映出机电作动器发生不同故障时特征变化趋势的信号。随后，构建了SCINet神经网络以预测特征未来的变化趋势，并建立了BiGRU‑Attention分类器来对故障进行分类。为提高多故障预测的准确率，引入了麻雀优化算法对BiGRU‑Attention分类器进行了超参数优化。本发明方法与现有方法相比具有更强大功能，不仅能提前预测出设备故障，还能预测出设备发生何种故障。

主权项：1.一种机电作动器多故障模式预测方法，其特征在于，包括如下步骤：步骤1：对EMA传感器信号进行分析，获取目标参数；机载电机作动器FLEA包括数据采集系统和处理器以及载荷输入接口，其中载荷输入接口能够获取机电作动器的数据；FLEA执行机构包含作动器X、作动器Y以及作动器Z，其中作动器X用于模拟不同的故障，作动器Y为动态负载作动器，作动器Z为没有注入任何故障的作动器；在测试过程中，FLEA与选定两个作动器，其中一个保持正常，另一个注入故障；通过电磁耦合，将正常的作动器切换到注入故障的作动器，从而完成仿真；数据采集部分包括中央计算机、DataAcquisition系统和传感器；采集低频数据，具体内容如表1所示：表1数据项以及数据项含义 选择电压参数MotorYvoltage作为目标参数进行相关性分析，相关性分析采用皮尔逊相关系数法，将MotorYvoltage参数与其它12个属性特征分别做皮尔逊相关分析，则MotorYvoltage参数x△与其它12个特征yi，i＝1,2,…,12之间的相关性，即相关系数的定义为式1： 式中，R△,i为皮尔逊相关系数，m为当前数据的序号，xm,△为第m个x△，ym,i为第m个yi，M为特征的数据量；选择相关系数大于0.4的特征，共6个分别为ActuatorZPosition、MotorZCurrent、MotorYTemperature、MotorZTemperature、NutYTemperature、AmbientTemperature以及MotorYVoltage参数，作为时序预测模型的输入；步骤2：构建SCINet神经网络用于预测特征未来的变化趋势；采用长序列预测模型SCINet神经网络预测MotorYVoltage参数；所述SCINet神经网络，由多个SCI-Block模块构建，为一种树状结构框架；SCI-Block模块首先对输入的机电作动器多维特征序列F进行下采样处理，从而得到奇数子序列Fodd和偶数子序列Feven；随后，利用不同的卷积操作，从Fodd和Feven两个子序列中提取时序信息；交互学习采用了两个一维卷积模块ψ和φ，分别将Fodd和Feven输入和隐藏状态映射为以e为底的指数函数；通过这种映射，两个子序列之间通过Hadamard乘积实现Fodd和Feven交互，交互过程如式2和式3： 接下来，将和分别与卷积η和ρ进一步映射到另外两个隐藏状态，并通过子序列加减操作后得到输出F′odd和F′even，如式4和5所示；SCINet-Block提取了两个子序列中具有的局部和全局的时间信息； 每次经过SCI-Block时，机电作动器多维时间序列都会被分解为两个子序列；随着SCINet树型结构的层数增加，子序列的分辨率会越来越低，从而各个子序列提取出长短期依赖关系；然后把所有的子序列进行组合，并且通过残差连接添加到原始序列中，最后通过全连接得到长度为m的预测结果模型损失函数根据SCINet输出的预测值与真实值之间的平均绝对误差来计算，即式6： 其中，表示输出的预测值，xi表示真实值，m为预测步长；模型训练时，首先从机电作动器多维时序序列的起点提取固定长度的输入序列，然后通过滑动窗口的方式生成多个同样的序列；接着，利用反向传播和小批量梯度下降法来优化模型参数，逐步调整网络权重，使模型输出逐渐接近真实的MotorYVoltage参数；步骤3：建立BiGRU-Attention分类器对故障进行分类；使用BiGRU网络学习目标参数多维时域特征的长期依赖信息；为了获得既包含上下文时序又消除冗余的特征序列，引入了时间注意力模块；采用基于注意力的网络模型，将注意力融入到BiGRU网络中；步骤3-1：BiGRU网络；GRU网络单元结构由重置门rt和更新门zt组成，在t时刻网络各个参数更新如式7～10所示：rt＝σWrxt+Urht-1+br7zt＝σWzxt+Uzht-1+br8 其中，xt为当前时刻网络的输入，ht为当前时刻网络的隐藏状态，ht-1为上时刻网络的隐藏状态，σ是sigmoid激活函数，Wr、Wz、Wc、Ur、Uz、Uc为权重矩阵，br、bz、bc为偏置；BiGRU网络它结合了前向和后向两个方向的信息，通过同时处理输入序列的前向和后向信息来捕捉序列中的上下文关系；前向GRU按时间顺序处理输入，后向GRU则按相反的时间顺序处理输入；在t时刻的隐层状态是由其前向隐层状态和反向隐层状态经过加权求和计算得出的；计算如式11-式13所示： 步骤3-2：时间注意力机制；使用时间注意力机制了解每个时间窗口中隐藏状态的影响，通过时间注意力机制对不同时间窗口的隐藏状态进行加权计算，进一步提高BiGRU对时间维度上的动态特征敏感性；时间注意力机制中，当前时刻多维变量的时间注意力权重依赖于BiGRU上下时刻单元状态kt-1、kt+1和隐藏层状态ht-1、ht+1，同时也受当前时刻BiGRU单元的隐藏层状态hγ，γ＝1,2,…,n的影响，其中计算公式如式14所示： 式中，tanh·为双曲正切激活函数，Q和W为时间注意力机制中的多层感知机权重矩阵，L为偏置项；为了使时间注意力权重系数权重之和为1，使用softmax函数进行处理，计算公式如下所示： 式15量化了第γ隐含层变量特征在当前时刻对机电作动器故障分类的重要程度通过将所有权重与对应隐含层状态加权求和，得到时间序列状态特征的综合信息Ct，计算公式如式16所示： 提取的多维关联变量的局部空间特征mt和Ct，在经过融合处理后，作为输入数据传递给BiGRU单元网络； 式中，为BiGRU单元的权重，为BiGRU单元的偏置；引入时间注意力机制后，得到t时刻隐含层状态如式18所示： 其中，f为BiGRU网络单元，输入数据已转变为原始数据与不同故障间关联权重的加权特征，而非单纯的原始数据提取信息；步骤3-3：BiGRU-Attention故障预测模型；BiGRU-Attention故障预测模型由4部分组成：①BiGRU层：以多维时序数据作为输入，BiGRU网络获取输出数据的长短期依赖；②时间注意力机制：运用时间注意力机制聚焦于多维时序数据，赋予特征不同的权重；③全连接层：捕获时间注意力机制的输出的特征；④Softmax层：利用Softmax函数回归之后的交叉熵损失函数得到最终分类结果，从而输出预测值，其表达式19： 式中，zi作为第i个节点的输出，经过Softmax函数处理，能够转换成在[0，1]之间且和为1的概率分布，用于表示C个分类类别的概率；步骤4：模型优化；引入麻雀搜索算法SSA进行超参数选择，获得优化的模型结构；首先定义麻雀的种群，如式20： 式中，X代表麻雀种群，x为麻雀个体，n为麻雀的数量，d等于种群的维数，也等同于BiGRU-Attention网络待优化的超参数数量；其次定义适应度矩阵，如式21： 其中，g为麻雀的适应度函数，通过某轮迭代中预测的1-Accuracy进行计算；每一轮迭代结束后，可以计算出每只麻雀的适应度，以及当前全局最优适应度；随之，整个种群根据适应度进行位置更新；发现者进行位置更新的计算公式如式22： 式中，iter为当前迭代轮次，itermax为最大迭代次数，Xi,j表示为第i个在第j维的位置j＝1,2,3,…,d，设定预警值R2和安全值ST，R2∈0,1]，ST∈[0.5,1]，α∈0,1]；此外，引入一个服从正态分布的随机数Q，以及L为1×d所有元素均为1的矩阵；一旦发现捕食者，麻雀会立即发出报警信号以警示同伴，如果报警信号的强度超过了预设的安全阈值，发现者将根据式22调整自己的位置以躲避危险；否则，它将维持原有的搜索方式，继续寻找食物或进行其他活动；加入者进行位置更新的计算公式如式23： 式中，定义了当前发现者占据的最优位置Xp、全局最差位置Xworst以及一个随机赋值1或-1的矩阵A，A+＝ATAAT-1；在麻雀种群中，有些个体能够随机产生并发现危险信号，其位置不受限制，这些被称为侦察者；侦察者的位置更新遵循特定的计算公式，即式24： 式中，定义了当前全局最优位置Xbest；步长参数β，服从N0,1分布；第i只麻雀的适应度值fi，全局最佳和最差适应值fg和fw，以及为避免分母为零而设置的常数ε，K∈[-1,1]；发现者和加入者首先经过随机初始化，随后依据式24的规则展开食物资源的争夺，并不断更新各自的位置；这一过程将持续进行，直至达到事先设定的最大迭代次数；最终，全局适应度值最高的麻雀将被选定为整体的最优解决方案；步骤6：针对SCINet时序预测结果采用平均绝对误差和均方根误差两个指标来进行评价；针对BiGRU-Attention分类结果采用Accuracy来进行评价；计算公式如252627：MAE：平均绝对误差，衡量预测值与真实值之间距离的平均误差幅度； 式中，为预测值，yi为真实值，n为样本数；RMSE：均方根误差、参数估计值与参数真值之差平方的期望值，在模型中表示预测值相对于真实值的偏差，描述误差大小； 式中，为预测值，yi为真实值，n为样本数；Accuracy：准确率，预测正确的比例构成了所有预测的总和； 式中，M为预测总数，Nacc为正确预测数。

全文数据：

权利要求：

百度查询： 西安工业大学 善诚科技发展(上海)有限公司 一种机电作动器多故障模式预测方法