CN108932581A - 多物理域信息融合的自主感知方法及系统 - Google Patents

Abstract

本发明公开了一种多物理域信息融合的自主感知方法及系统。间隔预置采样时间采集多个物理域数据，利用预先构建的决策级融合模型分别对多个物理域数据进行决策处理，并进行融合得到决策融合结果，利用特征级融合模型分别对多个物理域数据进行特征处理，并进行融合得到特征融合结果，决策融合结果和特征融合结果均包括状态识别、健康评估和故障诊断，对比决策融合结果和特征融合结果，确定自主感知结果。该方法具有针对多个物理域实时采集的特点，能够解决离线检测存在故障发现不及时的问题，且最终对比的是决策融合结果和特征融合结果，而决策融合结果和特征融合结果均包括状态识别、健康评估和故障诊断，因此检测对象具有多样化。

Description

多物理域信息融合的自主感知方法及系统

技术领域

本发明涉及智能加工领域，尤其涉及一种多物理域信息融合的自主感知方法及系统。

背景技术

20世纪60年代以来，随着人民生活质量提高，消费者对产品的需求向着私人订制、多元化方向发展，使得产品的加工制造环境与工艺日益复杂，因此，适用于大批量生产的传统自动化生产方式开始不能满足现代产品加工工艺的需要，智能加工机器将是智能制造系统的核心部分，同时也是研究难点。

目前的智能加工系统，只针对某一个物理域特征，如温度物理域。而实际上，在智能加工系统中，除温度物理域外，还包括机械、位移等物理场。此外，在机械加工中，对机器实行实时监控是非常重要的，目前的技术大多为离线检测，不能做到实时监控，容易导致故障发现不及时，并且检测对象较为单一。

发明内容

本发明的主要目的在于提供一种多物理域信息融合的自主感知方法及系统，可以解决现有技术中，智能加工系统只针对单一物理域、检测对象较为单一，且离线检测存在故障发现不及时的技术问题。

为实现上述目的，本发明第一方面提供一种多物理域信息融合的自主感知方法，其特征在于，所述方法包括：

间隔预置采样时间采集多个物理域数据，多个所述物理域数据包括振动数据、温度数据、转速数据、声发射数据和压力数据；

利用预先构建的决策级融合模型分别对多个所述物理域数据进行决策处理，并进行融合得到决策融合结果，所述决策融合结果包括状态识别、健康评估和故障诊断；

利用特征级融合模型分别对多个所述物理域数据进行特征处理，并进行融合得到特征融合结果，所述特征融合结果包括状态识别、健康评估和故障诊断；

对比所述决策融合结果和所述特征融合结果，确定自主感知结果。

为实现上述目的，本发明第二方面提供一种多物理域信息融合的自主感知系统，其特征在于，所述系统包括：

采集装置，用于间隔预置采样时间采集多个物理域数据，多个所述物理域数据包括振动数据、温度数据、转速数据、声发射数据和压力数据；

决策融合模块，用于利用预先构建的决策级融合模型分别对多个所述物理域数据进行决策处理，并进行融合得到决策融合结果，所述决策融合结果包括状态识别、健康评估和故障诊断；

特征融合模块，用于利用特征级融合模型分别对多个所述物理域数据进行特征处理，并进行融合得到特征融合结果，所述特征融合结果包括状态识别、健康评估和故障诊断；

对比确定模块，用于对比所述决策融合结果和所述特征融合结果，确定自主感知结果。

本发明提供一种多物理域信息融合的自主感知方法及系统。由于间隔预置采样时间采集多个物理域数据，因此该方法及系统具有针对多个物理域实时采集的特点，能够解决离线检测存在故障发现不及时的问题。又由于最终对比的是决策融合结果和特征融合结果，而决策融合结果和特征融合结果均包括状态识别、健康评估和故障诊断，因此检测对象具有多样化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明第一实施例中一种多物理域信息融合的自主感知方法的流程示意图；

图2为本发明第一实施例中步骤101的细化步骤的流程示意图；

图3为本发明第一实施例中步骤102的细化步骤的流程示意图；

图4为本发明第一实施例中利用决策级融合模型对多个物理域数据进行处理的流程示意图；

图5为本发明第一实施例中步骤103的细化步骤的流程示意图；

图6为本发明第一实施例中利用特征级融合模型对多个物理域数据进行处理的流程示意图；

图7为本发明第二实施例中一种多物理域信息融合的自主感知系统的结构示意图；

图8为本发明第二实施例中采集装置201的细化装置的结构示意图；

图9为本发明第二实施例中决策融合模块202的细化模块的结构示意图；

图10为本发明第二实施例中特征融合模块203的细化模块的结构示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域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。

由于现有技术中存在智能加工系统只针对单一物理域、检测对象较为单一，且离线检测存在故障发现不及时的技术问题。

为了解决上述技术问题，本发明提出一种多物理域信息融合的自主感知方法及系统。由于间隔预置采样时间采集多个物理域数据，因此该方法及系统具有针对多个物理域实时采集的特点，能够解决离线检测存在故障发现不及时的问题。又由于最终对比的是决策融合结果和特征融合结果，而决策融合结果和特征融合结果均包括状态识别、健康评估和故障诊断，因此检测对象具有多样化。

请参阅图1，为本发明第一实施例中一种多物理域信息融合的自主感知方法的流程示意图。具体的：

步骤101：间隔预置采样时间采集多个物理域数据，多个物理域数据包括振动数据、温度数据、转速数据、声发射数据和压力数据；

需要说明的是，请参阅图2，为本发明第一实施例中步骤101的细化步骤的流程示意图。具体的：

步骤1011：间隔预置采样时间采集机械设备的工作数据，工作数据至少包括振动数据、设备温度数据、转速数据、声发射数据、压力数据、切削力数据和工作视频数据；

步骤1012：间隔采样时间采集环境的状态数据，状态数据至少包括环境温度数据、湿度数据、烟雾数据、二氧化碳数据和噪声数据。

本发明可以面向智能加工机器的CPS-Agent模型。根据CPS-Agent模型的特性构建相应的智能加工机器模型。智能加工机器CPS-Agent模型利用Agent的交互性、自主感知性来进行判断、推理决策并与物理信息交互融合，利用传感器与执行器作用感知对象，通过传感器感知物理环境信息，通过通信功能与其他Agent进行交互、协同运用具备的经验知识解决问题。利用CPS-Agent对典型智能加工机器系统进行建模，实现了对自身、环境与其他Agent的状态感知，实现实时准确预测、评估与决策。

本发明中采集的多物理域数据包括但不限于机械设备的设备温度数据(包括主轴箱温度数据、各轴承温度数据、各滚珠温度数据刀具温度数据和导轨温度数据等)、切削力大小数据(包括道具切削力数据等)、振动数据(包括各轴振动数据、刀具振动数据和工作台振动数据等)、速度数据(包括各轴转速数据和导轨速度数据等)、加速度数据(包括各轴加速度数据和导轨加速度数据等)和视频数据(包括加工过程视频数据等)，及环境的环境温度数据、湿度数据、烟雾数据、二氧化碳数据和噪声数据。

数据融合技术属于人类对物理世界认知的扩展，人类对感知对象的认知是通过人体五官的感知信息在大脑中融合结果而产生的。而智能加工机器要实现自主感知须将通过传感器系统采集的信息进行融合，才能更加准确的实现对自身状态的监测、感知、识别以及决策，进而提高系统的感知精度和可靠性。要更好的实现自主感知需要进行多物理域信息融合，通过对数控机床加工中心等加工机器的研究发现，一个典型的智能加工机器的多物理场系统通常包含机械、位移、温度等多个物理场，并且这些物理场之间相互耦合，其中，温度场是对智能加工机器影响最大、最广的，而且温度对其他场都存在或多或少的影响，因此解决多物理场耦合问题的关键就是解决温度场与其他场的耦合。在一定工作条件下，热源(电机、切削、摩擦等发热和环境温度)产生的热量传递给智能加工机器，使其各部位产生温升，各零部件发生热膨胀，使得与精度有关的部位发生相对移动，智能加工机器的加工精度也随之下降。研究表明，在众多影响机器加工精度的因素中，最大的误差源由加工机器外部环境和内部热源引起的加工热误差。

因此，本发明通过采集机械设备中包括设备温度数据、振动数据、转速数据、声发射数据、压力数据、切削力数据和工作视频数据等的工作数据，及环境中包括环境温度数据、湿度数据、烟雾数据、二氧化碳数据和噪声数据等的状态数据，能够最大的保证最终得到的自主感知结果是精确的。

步骤102：利用预先构建的决策级融合模型分别对多个物理域数据进行决策处理，并进行融合得到决策融合结果，决策融合结果包括状态识别、健康评估和故障诊断；

需要说明的是，请参阅图3，为本发明第一实施例中步骤102的细化步骤的流程示意图。具体的：

决策级融合模型包括高斯混合模型-隐马尔可夫链模型和D-S证据理论模型；

步骤1021：分别对多个物理域数据进行信息处理，所述信息处理包括滤波处理、清洗处理、时域处理和频域处理；

步骤1022：利用高斯混合模型-隐马尔可夫链模型分别对已信息处理的多个物理域数据进行决策处理，得到多个决策结果，决策结果包括状态识别、健康评估和故障诊断；

步骤1023：利用D-S证据理论模型对多个决策结果进行融合，得到决策融合结果。

进一步的，请参阅图4，为本发明第一实施例中利用决策级融合模型对多个物理域数据进行处理的流程示意图。利用传感器系统从智能加工机器上或者智能加工机器的工作环境中采集多个物理域数据(包括振动数据、温度数据、转速数据、声发射数据和压力数据)等。分别对每个物理域数据进行信息处理，利用高斯混合模型-隐马尔可夫链模型对已信息处理的每个物理域数据进行决策处理，得到与各物理域数据对应的决策结果，利用D-S证据理论模型对多个决策结果进行融合，得到一个决策融合结果，该决策融合结果包括状态识别、健康评估和故障诊断等。

步骤103：利用特征级融合模型分别对多个物理域数据进行特征处理，并进行融合得到特征融合结果，特征融合结果包括状态识别、健康评估和故障诊断；

需要说明的是，请参阅图5，为本发明第一实施例中步骤103的细化步骤的流程示意图。具体的：

特征级融合模型为深度神经网络模型，且深度神经网络模型包括长短期记忆网络、全连接神经网络和softmax函数层；

步骤1031：利用长短期记忆网络分别对多个物理域数据进行特征提取，得到多个物理特征，特征处理包括降维处理与聚类处理；

步骤1032：利用全连接神经网络对多个物理特征进行融合，得到初步融合结果；

步骤1033：利用softmax函数层对初步融合结果进行处理，得到特征融合结果。

进一步的，请参阅图6，为本发明第一实施例中利用特征级融合模型对多个物理域数据进行处理的流程示意图。利用传感器系统从智能加工机器上或者智能加工机器的工作环境中采集多个物理域数据(包括振动数据、温度数据、转速数据、声发射数据和压力数据)等。利用长短期记忆网络分别对每个物理域数据进行特征提取，得到与各物理域数据对应的物理特征，利用全连接神经网络对各个物理特征进行融合，得到初步融合结果，利用softmax函数层对初步融合结果进行处理，得到特征融合结果。

步骤104：对比决策融合结果和特征融合结果，确定自主感知结果。

进一步的，本方法还包括：利用自主感知结果对特征级融合模型进行训练，更新特征级融合模型。

需要说明的是，决策融合结果、特征融合结果及自主感知结果，均包括但不限于状态识别(包括机器非启动状态、机器启动状态、机器正常运行状态、机器非正常运行状态、机器加工状态等)、故障诊断(包括：机械部分故障诊断、电气部分故障诊断和数控部分故障诊断等，其中，机械部分故障诊断包括主轴故障诊断、导轨故障诊断、丝杆故障诊断和刀具故障诊断等)和健康评估(包括健康、亚健康、正常、劣化和故障等)。

决策级融合模型和特征级融合模型分别对多个物理域数据进行处理，最后对比两个模型处理得到的包括状态识别、健康评估和故障诊断在内的结果，确定自主感知结果，不仅使得检测对象具有多样化，还使得最终得到的结果更可靠精确。同时，通过使用自主感知结果对特征级融合模型进行训练，不断的优化更新特征级融合模型，使得深度神经网络模型不断的贴合当前环境条件，确保了得到的特征融合结果的精确度。即为了保证实时监测的精确度，通过深度神经网络模型的不断优化更新来实现。

在本发明实施例中，由于间隔预置采样时间采集多个物理域数据，因此该方法及系统具有针对多个物理域实时采集的特点，能够解决离线检测存在故障发现不及时的问题。又由于最终对比的是决策融合结果和特征融合结果，而决策融合结果和特征融合结果均包括状态识别、健康评估和故障诊断，因此检测对象具有多样化。

请参阅图7，为本发明第二实施例中一种多物理域信息融合的自主感知系统的结构示意图。具体的：

采集装置201，用于间隔预置采样时间采集多个物理域数据，多个所述物理域数据包括振动数据、温度数据、转速数据、声发射数据和压力数据；

其中，请参阅图8，为本发明第二实施例中采集装置201的细化装置的结构示意图。具体的：

第一采集装置2011，用于间隔预置采样时间采集机械设备的工作数据，所述工作数据至少包括振动数据、设备温度数据、转速数据、声发射数据、压力数据、切削力数据和工作视频数据；

第二采集装置2012，用于间隔所述采样时间采集环境的状态数据，所述状态数据至少包括环境温度数据、湿度数据、烟雾数据、二氧化碳数据和噪声数据。

决策融合模块202，用于利用预先构建的决策级融合模型分别对多个所述物理域数据进行决策处理，并进行融合得到决策融合结果，所述决策融合结果包括状态识别、健康评估和故障诊断；

其中，请参阅图9，为本发明第二实施例中决策融合模块202的细化模块的结构示意图。决策级融合模型包括高斯混合模型-隐马尔可夫链模型和D-S证据理论模型，具体的，决策融合模块202包括：

信息处理模块2021，用于分别对多个所述物理域数据进行信息处理，所述信息处理包括滤波处理、清洗处理、时域处理和频域处理；

决策处理模块2022，用于利用高斯混合模型-隐马尔可夫链模型分别对已信息处理的多个所述物理域数据进行决策处理，得到多个决策结果，所述决策结果包括状态识别、健康评估和故障诊断；

第一融合模块2023，用于利用所述D-S证据理论模型对多个所述决策结果进行融合，得到决策融合结果。

特征融合模块203，用于利用特征级融合模型分别对多个所述物理域数据进行特征处理，并进行融合得到特征融合结果，所述特征融合结果包括状态识别、健康评估和故障诊断；

其中，请参阅图10，为本发明第二实施例中特征融合模块203的细化模块的结构示意图。特征级融合模型为深度神经网络模型，且深度神经网络模型包括长短期记忆网络、全连接神经网络和softmax函数层，具体的，特征融合模块203包括：

特征提取模块2031，用于利用长短期记忆网络分别对多个物理域数据进行特征提取，得到多个物理特征，特征处理包括降维处理与聚类处理；

第二融合模块2032，用于利用全连接神经网络对多个物理特征进行融合，得到初步融合结果；

处理得到模块2033，用于利用softmax函数层对初步融合结果进行处理，得到特征融合结果。

对比确定模块204，用于对比所述决策融合结果和所述特征融合结果，确定自主感知结果。

进一步的，本系统还包括：

训练更新模块205(说明书附图中未标示)，用于利用自主感知结果对特征级融合模型进行训练，更新特征级融合模型。

本发明有关第二实施例的相关说明请参阅本发明中有关第一实施例的相关说明，这里不再赘述。

在本发明实施例中，由于间隔预置采样时间采集多个物理域数据，因此该方法及系统具有针对多个物理域实时采集的特点，能够解决离线检测存在故障发现不及时的问题。又由于最终对比的是决策融合结果和特征融合结果，而决策融合结果和特征融合结果均包括状态识别、健康评估和故障诊断，因此检测对象具有多样化。

本发明在实验室条件下模拟步骤为：

1、硬件连接测试：电机实验对象与多物理传感器及其硬件相连接，再通过电缆线连接传感器、信号调理仪以及研华PCI-1715U数据采集卡连接，再将PCI-1715U采集卡插入台式电脑插槽，即计算机。组成一个硬件与软件相互通信，构成整个试验系统的数据获取与存储子系统。

2、多物理域信号采集测试：设置采样频率为5000Hz，每次同步获取并存储多通道的传感器数据，为防止过载，设置幅值范围为±10V。设置信息存储表的信息，每组采样数据除各物理域的初始数据，还包括采样时间、采样点数、和幅值范围等数据的元信息，全部保存到数据库。自动保存采集的每组数据，每组数据的样本点长度为2n。试验中对智能加工机器的5种状态(即机器非启动状态、机器启动状态、机器正常运行状态、机器非正常运行状态、机器加工状态)分别获取60组数据，尽可能多的收集样本数据。

3、多物理域信息特征提取测试：对获取的每组数据进行提取时频域特征，按照原始数据的存储方式对多物理域特征数据进行分组存储。

4、试验系统多物理域多模式决策融合与自主感知测试：将提取的特征输入到高斯混合模型-隐马尔可夫链模型，然后在D-S证据理论模型中进行决策融合实现试验系统的自主感知。同样的将多物理域数据输入到深度学习网络模型中进行系统的自主感知测试。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，装置或模块的连接，可以是电性、网络(包括有线与无线)或其它的形式。

另外，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本发明所提供的一种多物理域信息融合的自主感知方法及系统的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种多物理域信息融合的自主感知方法，其特征在于，所述方法包括：

间隔预置采样时间采集多个物理域数据，多个所述物理域数据包括振动数据、温度数据、转速数据、声发射数据和压力数据；

利用预先构建的决策级融合模型分别对多个所述物理域数据进行决策处理，并进行融合得到决策融合结果，所述决策融合结果包括状态识别、健康评估和故障诊断；

利用特征级融合模型分别对多个所述物理域数据进行特征处理，并进行融合得到特征融合结果，所述特征融合结果包括状态识别、健康评估和故障诊断；

对比所述决策融合结果和所述特征融合结果，确定自主感知结果。

2.根据权利要求1所述的方法，其特征在于，所述间隔预置采样时间采集多个物理域数据的步骤包括：

间隔预置采样时间采集机械设备的工作数据，所述工作数据至少包括振动数据、设备温度数据、转速数据、声发射数据、压力数据、切削力数据和工作视频数据；

间隔所述采样时间采集环境的状态数据，所述状态数据至少包括环境温度数据、湿度数据、烟雾数据、二氧化碳数据和噪声数据。

3.根据权利要求1所述的方法，其特征在于，所述决策级融合模型包括高斯混合模型-隐马尔可夫链模型和D-S证据理论模型；

则所述利用预先构建的决策级融合模型分别对多个所述物理域数据进行决策处理，并进行融合得到决策融合结果的步骤包括：

分别对多个所述物理域数据进行信息处理，所述信息处理包括滤波处理、清洗处理、时域处理和频域处理；

利用高斯混合模型-隐马尔可夫链模型分别对已信息处理的多个所述物理域数据进行决策处理，得到多个决策结果，所述决策结果包括状态识别、健康评估和故障诊断；

利用所述D-S证据理论模型对多个所述决策结果进行融合，得到决策融合结果。

4.根据权利要求1所述的方法，其特征在于，所述特征级融合模型为深度神经网络模型，且所述深度神经网络模型包括长短期记忆网络、全连接神经网络和softmax函数层；

则所述利用特征级融合模型分别对多个所述物理域数据进行特征处理，并进行融合得到特征融合结果的步骤包括：

利用长短期记忆网络分别对多个所述物理域数据进行特征提取，得到多个物理特征，所述特征处理包括降维处理与聚类处理；

利用所述全连接神经网络对多个所述物理特征进行融合，得到初步融合结果；

利用所述softmax函数层对所述初步融合结果进行处理，得到特征融合结果。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：

利用所述自主感知结果对所述特征级融合模型进行训练，更新所述特征级融合模型。

6.一种多物理域信息融合的自主感知系统，其特征在于，所述系统包括：

采集装置，用于间隔预置采样时间采集多个物理域数据，多个所述物理域数据包括振动数据、温度数据、转速数据、声发射数据和压力数据；

决策融合模块，用于利用预先构建的决策级融合模型分别对多个所述物理域数据进行决策处理，并进行融合得到决策融合结果，所述决策融合结果包括状态识别、健康评估和故障诊断；

特征融合模块，用于利用特征级融合模型分别对多个所述物理域数据进行特征处理，并进行融合得到特征融合结果，所述特征融合结果包括状态识别、健康评估和故障诊断；

对比确定模块，用于对比所述决策融合结果和所述特征融合结果，确定自主感知结果。

7.根据权利要求6所述的系统，其特征在于，所述采集装置包括：

第一采集装置，用于间隔预置采样时间采集机械设备的工作数据，所述工作数据至少包括振动数据、设备温度数据、转速数据、声发射数据、压力数据、切削力数据和工作视频数据；

第二采集装置，用于间隔所述采样时间采集环境的状态数据，所述状态数据至少包括环境温度数据、湿度数据、烟雾数据、二氧化碳数据和噪声数据。

8.根据权利要求6所述的系统，其特征在于，所述决策级融合模型包括高斯混合模型-隐马尔可夫链模型和D-S证据理论模型；

则所述决策融合模块包括：

信息处理模块，用于分别对多个所述物理域数据进行信息处理，所述信息处理包括滤波处理、清洗处理、时域处理和频域处理；

决策处理模块，用于利用高斯混合模型-隐马尔可夫链模型分别对已信息处理的多个所述物理域数据进行决策处理，得到多个决策结果，所述决策结果包括状态识别、健康评估和故障诊断；

第一融合模块，用于利用所述D-S证据理论模型对多个所述决策结果进行融合，得到决策融合结果。

9.根据权利要求6所述的系统，其特征在于，所述特征级融合模型为深度神经网络模型，且所述深度神经网络模型包括长短期记忆网络、全连接神经网络和softmax函数层；

则所述特征融合模块包括：

特征提取模块，用于利用长短期记忆网络分别对多个所述物理域数据进行特征提取，得到多个物理特征，所述特征处理包括降维处理与聚类处理；

第二融合模块，用于利用所述全连接神经网络对多个所述物理特征进行融合，得到初步融合结果；

处理得到模块，用于利用所述softmax函数层对所述初步融合结果进行处理，得到特征融合结果。

10.根据权利要求6至9任意一项所述的系统，其特征在于，所述系统还包括：

训练更新模块，用于利用所述自主感知结果对所述特征级融合模型进行训练，更新所述特征级融合模型。