[发明专利]基于卷积神经网络的行波超声电机寿命预测方法及系统

说明书

本发明提供一种基于卷积神经网络的行波超声电机剩余寿命预测方法及系统，包括：基于预设的数据采集模板对待测电机进行数据采集，获取输入数据；将输入数据输入神经网络模型中，获取的待测电机的剩余寿命的预测值。本发明的基于卷积神经网络的行波超声电机寿命预测方法，将电机的多种属性按时间刻度记录，对记录的数据预处理后，输入神经网络模型，使用神经网络模型强非线性拟合能力，构建属性和寿命间的隐性关系，最终使用训练好的模型去预测电机寿命，从超声电机整个系统出发，具有很强的拟合，可以针对超声电机系统整体运行出发，进行精确的寿命预测。

技术领域

本发明涉及卷积神经网络技术领域，特别涉及一种基于卷积神经网络的行波超声电机寿命预测方法及系统。

背景技术

超声电机是一种通过静摩擦来传递动力的新型微电机，具有无线圈抗干扰、低速扭矩大、启停响应快、断电自锁等优点被广泛用于高端设备，而超声电机寿命很大影响其高端设备的整体可靠性，所以电机的寿命预测显得十分重要。传统的寿命预测是建立数学模型得出摩擦材料法向力、定转子间相对滑动速度等，最终带入公式得到单位时间摩擦材料的磨损体积，将磨损体积在时间上的变化关系用曲线描述出来，拟合出的变化曲线就是剩余寿命。但这种方法所建立的数学模型大多具有片面性，每一个超声电机在生产、装配过程中或多或少都会产生微小误差，这些误差的累加到整个超声电机系统就会影响很大，进而预测的寿命会发生很大的偏差。

发明内容

本发明目的之一在于提供了一种基于卷积神经网络的行波超声电机寿命预测方法，将电机的多种属性按时间刻度记录，对记录的数据预处理后，输入神经网络模型，使用神经网络模型强非线性拟合能力，构建属性和寿命间的隐性关系，最终使用训练好的模型去预测电机寿命，从超声电机整个系统出发，具有很强的拟合，可以针对超声电机系统整体运行出发，进行精确的寿命预测。

本发明实施例提供的一种基于卷积神经网络的行波超声电机寿命预测方法，包括：

基于预设的数据采集模板对待测电机进行数据采集，获取输入数据；

将输入数据输入神经网络模型中，获取的待测电机的剩余寿命的预测值。

优选的，基于预设的数据采集模板对待测电机进行数据采集，获取输入数据，包括：

以待测电机的运行状态数据为属性、时间为序数，采集预设维度的数据，作为待处理数据；

将待处理数据中同一属性的数据进行归一化处理；归一化处理公式如下：

其中，D′_i为归一化处理后同一属性的数据中第i个数据值；D_i为归一化处理前同一属性的数据中第i个数据值；D_max为归一化处理前同一属性的数据中的最大值；D_min为归一化处理前同一属性的数据中的最小值；

将归一化处理后的数据，以同一序数的数据为行、以同一属性的数据为列，构建数据矩阵；

获取数据采集模板；

确定数据矩阵的各个数据和数据采集模板各个空白区域对应的关系；

确定数据矩阵的各个数据对应的灰度值；

为数据采集模板中与数据矩阵的各个数据对应的空白区域填充灰度值所对应颜色，形成一组输入数据。

优选的，运行状态数据包括：转速、驱动电流、激励电压、电压相位、驱动频率、温度、振动幅度、负载扭矩其中一种或多种结合。

优选的，神经网络模型通过如下步骤训练：

获取多个与待测电机同一型号的电机的全寿命数据；

解析全寿命数据进行处理，获取多组训练数据；