针对传统的支持向量机(SVM)算法参数往往根据经验设定,难以建立最优模型以准确地检测出伺服电机滚动轴承早期故障的问题,研究一种基于多目标和声搜索优化SVM的伺服电机滚动轴承性能退化评估方法。首先提取轴承振动信号的时域、时频域特征作为原始特征集,采用堆叠稀疏自编码器对原始特征集进行更深层次的特征提取,得到最终的特征向量。之后以轴承退化曲线的趋势性和单调性作为适应度函数,采用多目标和声搜索算法对SVM的参数进行优化,建立最优评估模型,得到轴承的性能退化指标。实验结果表明:该方法能准确地检测出轴承的早期故障,相比于传统的轴承SVM性能退化评估方法具备更好的趋势性和单调性。

针对交流伺服系统的综合性能难以定量评估的问题,提出一种基于和声搜索算法与模糊层次分析法的交流伺服系统综合性能评估方法。根据交流伺服系统控制性能与电机本体设计两方面的指标,采用模糊层次分析法,构造模糊判断矩阵;将模糊判断矩阵的一致性检验与元素值修正难题转化为非线性约束问题,并利用和声搜索算法求解,得到交流伺服系统综合性能指标权重值;采用模糊逻辑将不同量纲的性能指标值进行归一化,并通过对归一化后的性能指标值进行加权计算,定量评估交流伺服系统综合性能;采用MATLAB仿真,将定性问题用统一的标准模型进行定量评估。结果表明,所提出算法能对交流伺服系统进行定量的综合性能评估。

针对基于浅层学习的轴承寿命预测模型非线性学习能力差、预测精度低的问题,提出一种基于堆叠门控循环神经网络(SGRU)的伺服电机滚动轴承剩余寿命预测方法。首先对轴承振动信号进行时域和时频域特征提取,将常用的时域特征参数和经过集合经验模态分解得到的时频域特征参数作为原始特征集,然后采用相似度度量方法选取最能反映轴承退化性能的特征。之后通过堆叠两层GRU隐层来构建一种深层的寿命预测网络,并以训练集的退化特征参数为输入对网络进行训练,不断优化网络参数。最后在FEMTO数据集上与单层长短期记忆网络(LSTM)方法进行对比。结果表明,该方法相比于单层LSTM方法具有更高的预测精度。