CN109271705B - 一种基于深度学习的机器预测性维护方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的机器预测性维护方法，包括以下步骤：用振动传感器从丝杆上采集到其运行时的振动信号；用滑动框架以固定长度的采集信号；随机选择样本以构建训练集和测试集数据库，标记为脉冲响应与非脉冲响应；训练数据集和测试数据及用于训练和测试稀疏自动编码器层和误差反向传播神经网络层的学习模型；根据脉冲响应随时间推移确定丝杆的动态性能；使用基于动态性能相似度的指标来指示和监测丝杆的寿命状态；根据寿命的情况对最高速度、加速度等进行限制。本发明首先对寿命为进行预测，并以此为基础对丝杆的最高转速、最高负载等进行限制，通过限制其最高转速或者加速度等方式，达到延长寿命，提高利用率的目的。

Description

一种基于深度学习的机器预测性维护方法

技术领域

本发明属于机器维护技术领域，涉及一种基于深度学习的机器预测性维护方法。

背景技术

近年来，对产品质量要求高加工精度情况越来越多，设备复杂性越来越高，设备价格也越来越昂贵，因此对设备有效的维护受到很多关注，但是其大多数的重点都集中在故障的预测分类上，然而对于使用了一定的年限，寿命有了一定消耗，如何提高其使用寿命，达到最大限度的利用资源很少提及，丝杠作为数控机床的重要零件，而目前大多数机床生成厂家对其寿命的预估都是基于额定寿命，到了一定年限就更换。对于尚且可用并未失效的丝杆来说，这种做法存在巨大的浪费，因此本发明基于深度学习算法对寿命为进行预测，并以此为基础对丝杆进行最高转速、最高负载等进行限制，以延长寿命，提高利用率。

发明内容

本发明要解决的问题是延长丝杠寿命，提高利用率，尤其是当丝杆使用了一定年限，虽然寿命损耗到一定程度，却没有达到报废的状态。本发明的目的在于提供一种基于深度学习的机器预测性维护方法。该方法首先对寿命为进行预测，并以此为基础对丝杆的最高转速、最高负载等进行限制，通过限制其最高转速或者加速度等方式，达到延长寿命，提高利用率的目的。

其具体技术方案为：

一种基于深度学习的机器预测性维护方法，包括以下步骤：

S1、用振动传感器从丝杆上采集到其运行时的振动信号

S2、用滑动框架以固定长度的采集信号

S3、随机选择样本以构建训练集和测试集数据库，标记为脉冲响应与非脉冲响应。

S4、训练数据集和测试数据及用于训练和测试稀疏自动编码器(SAE)层和误差反向传播(BP)神经网络(BPNN)层的学习模型。

S5根据脉冲响应随时间推移确定丝杆的动态性能。

使用状态空间模型根据脉冲响应来估计动态性能，空间模型是构建输入输出数据的结构子空间，利用奇异值分解或者QR分解的方法，辨识状态空间模型的参数矩阵。首先，先对数据进行预处理，然后对时变空间的模型参数进行辨识。

S6使用基于动态性能相似度的指标来指示和监测丝杆的寿命状态。

特征向量之间的相似性以余弦距离作为的度量方法，余弦距离是用是利用向量之间的夹角的大小的确定相似度的。夹角为零则，则相同，两条向量夹角余弦等于1时，说明此时寿命为初始寿命；两条向量夹角余弦接近0时，说明寿命剩余寿命较低，使用百分比表示剩余寿命。

S7根据寿命的情况对最高速度、加速度等进行限制。

当余弦距离低于阈值Ma₁但是高于阈值Ma₂时，就开始对丝杆的一些性能限制，例如限制最高速度，以及最高加速度，这个可以是预先设定，也可以根据深度学习的推荐值，但当低于阈值Ma₂，意味着丝杆寿命剩余寿命过低，为了保证加工质量会直接对机器进行停止并警告建议更换。数值控制装置中包含速度控制部分和电流控制部分，当它们收到指令后，即对电动机的转速进行控制。

进一步，步骤S4具体为：

S4.1、稀疏自动编码器原理

自动编码器(AE)是非监督的神经网络，高纬度的数据通过编码网络变成低维的数据矢量，低维的数据矢量通过解码网络再变回高纬度的数据矢量，输出与输入相同。

给定一个无标签的机械状况样本集

编码网络通过编码函数f_θ将每一个训练样本x^m变换为编码矢量h^m。

h^m＝f_θ(x^m)＝s_f(Wx^m+b) (1)

(1)式中，s_f为编码网络的激活函数；θ为编码网络的参数集合，且θ＝{W,b}。然后编码矢量h_m通过解码函数g_θ′反向变换为x^m的一种重构表示

(2)式中，s_g为解码网络的激活函数；θ′为解码网络的参数集合，且θ′＝{W′,d}。公式(1)、(2)两个参数集合中的参数W、W′被限制满足如下关系W＝W′。最后通过不断修改θ和θ′使得平均重构误差L达到最小化。

如果编码矢量h^m能很好地重构x^m，那么认为它保留了训练样本数据中所含有的大部分信息。

但是简单的自动编码不足以让编码器学到一种有用的特征表示。因此需要给自动编码一定的约束使它能够学习一种更为复杂的非线性函数。稀疏编码算法(SAE)其核心是为了高效表示样本数据去找到一组基向量表示样本数据。

(4)式中φ_i为基向量组，a_i为系数，X为输入向量

有m个输入向量的稀疏编码代价函数定义为：

(5)式中

为稀疏代价函数，它对远大于零的a_i进行”惩罚”，常量λ是变化量，控制式中两部分的相对重要性。

S4.2、深度学习与反向误差调整

DNN预训练的算法核心是无监督方法将多个SAE层层叠形成DNN的隐层结构，首先使用样本x^m训练SAE₁的参数，并将x^m编码为

然后使用/>

训练SAE₂，并将输入编码为/>

重复这个过程，直到SAE_N训练完毕/>

预训练将多个SAE相互连接起来，组成DNN隐层结构，实现信息的层层提取。

进一步，步骤S6具体为：

特征向量之间的相似性以余弦距离作为的度量方法，余弦距离是用是利用向量之间的夹角的大小的确定相似度的。

其中m^模型是寿命模型特征的n维向量，p^实时是当前状态的实时寿命特征的n维向量，

表示m^模型的第i个值，/>

表示p^实时第i个值。当θ＝0时，表示此时，p^实时与m^模型完全相同，及此时的寿命状态为Ma_总，当θ＝1时，表明p^实时与m^模型完全不同，即此时已经处于随时失效状态，此时的寿命状态为小于或等于Ma₂。

与现有技术相比，本发明的有益效果：

本发明首先对寿命为进行预测，并以此为基础对丝杆的最高转速、最高负载等进行限制，通过限制其最高转速或者加速度等方式，达到延长寿命，提高利用率的目的。

本发明通过深度学习获取丝杆的寿命方式，与传统采用额定寿命方式相比较而言，更具有准确性。传统方法判定丝杠的额定寿命，到了一定年限就维修或者更换，受保养方式、加工过程的不确定因素影响，并不具有针对性，因此在使用过程中会存在很大的变数，经常会遇到寿命没有结束就进行更换，或者还没到更换时期寿命就已经结束的情况，对加工会造成影响。比较它其维护方案而言，本方案是基于深度学习在了解寿命变化的基础上，针对性的实施方案，如图4所示：当丝杆在使用了一段时间后或者一定年限，丝杆的寿命有较大的消耗，此时消耗状态下的寿命总值Ma_总小于出厂时的寿命Ma_出厂，本方法基于深度学习方法建立消耗状态下的寿命模型Ma_总，当寿命继续消耗到警戒阈值Ma₁时，说明此时丝杆处于要进入有将要失效趋势的范围，但是还没有达到真正失效Ma₂。造成这种状态的原因可以是丝杆寿命即将耗尽的正常失效状态，也可以使用过程的异常原因导致进入失效状态。

在保证加工质量的前提下，为了充分发挥发挥丝杆的使用价值，并对丝杆进行预维护；当处于寿命低于警戒阈值Ma₁时，对其最高速度、加速度、最高负载等进行限制，能在保证加工质量前提下，延长寿命、提前预维护、充分发挥处于将要失效却没有失效状态的丝杠最大经济效益。对于企业而言这将节省一笔不小的开支，有一定的经济价值。

附图说明

图1为本发明基于深度学习对丝杆实时寿命预维护实施步骤流程图；

图2为AE模型结构图；

图3为DNN的预训练过程；

图4为说明丝杠寿命状态的示意图；

图5为说明实时寿命预维护的速度限制实施流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步详细地说明。

如图1所示，一种基于深度学习的机器预测性维护方法，包括以下步骤：

S1、用振动传感器从丝杆上采集到其运行时的振动信号

S2、用滑动框架以固定长度的采集信号

S3、随机选择样本以构建训练集和测试集数据库，标记为脉冲响应与非脉冲响应。

S4、训练数据集和测试数据及用于训练和测试稀疏自动编码器(SAE)层和误差反向传播(BP)神经网络(BPNN)层的学习模型。

S4.1、稀疏自动编码器原理

自动编码器(AE)是非监督的神经网络，如图2，高纬度的数据通过编码网络变成低维的数据矢量，低维的数据矢量通过解码网络再变回高纬度的数据矢量，输出与输入相同。

给定一个无标签的机械状况样本集

编码网络通过编码函数f_θ将每一个训练样本x^m变换为编码矢量h^m。

h^m＝f_θ(x^m)＝s_f(Wx^m+b) (1)

(2)式中，s_f为编码网络的激活函数；θ为编码网络的参数集合，且θ＝{W,b}。然后编码矢量h_m通过解码函数g_θ′反向变换为x^m的一种重构表示

(2)式中，s_g为解码网络的激活函数；θ′为解码网络的参数集合，且θ′＝{W′,d}。公式(1)、(2)两个参数集合中的参数W、W′被限制满足如下关系W＝W′。最后通过不断修改θ和θ′使得平均重构误差L达到最小化。

如果编码矢量h^m能很好地重构x^m，那么认为它保留了训练样本数据中所含有的大部分信息。

但是简单的自动编码不足以让编码器学到一种有用的特征表示。因此需要给自动编码一定的约束使它能够学习一种更为复杂的非线性函数。稀疏编码算法(SAE)其核心是为了高效表示样本数据去找到一组基向量表示样本数据。

(5)式中φ_i为基向量组，a_i为系数，X为输入向量

有m个输入向量的稀疏编码代价函数定义为：

(6)式中

为稀疏代价函数，它对远大于零的a_i进行”惩罚”，常量λ是变化量，控制式中两部分的相对重要性。

S4.2、深度学习与反向误差调整

DNN预训练的算法核心是无监督方法将多个SAE层层叠形成DNN的隐层结构，首先使用样本x^m训练SAE₁的参数，并将x^m编码为

然后使用/>

训练SAE₂，并将输入编码为/>

重复这个过程，直到SAE_N训练完毕/>

预训练将多个SAE相互连接起来，组成DNN隐层结构，实现信息的层层提取，然后利用误差反向传播对整个网络进行参数微调，从而使DNN能够从原始的数据中提取到一些本质的特征属性。

S5根据脉冲响应随时间推移确定丝杆的动态性能。

使用状态空间模型根据脉冲响应来估计动态性能，空间模型是构建输入输出数据的结构子空间，利用奇异值分解或者QR分解的方法，辨识状态空间模型的参数矩阵。首先，先对数据进行预处理，然后对时变空间的模型参数进行辨识。

S6使用基于动态性能相似度的指标来指示和监测丝杆的寿命状态。

特征向量之间的相似性以余弦距离作为的度量方法，余弦距离是用是利用向量之间的夹角的大小的确定相似度的。

其中m^模型是寿命模型特征的n维向量，p^实时是当前状态的实时寿命特征的n维向量，

表示m^模型的第i个值，/>

表示p^实时第i个值。当θ＝0时，表示此时，p^实时与m^模型完全相同，及此时的寿命状态为Ma_总，当θ＝1时，表明p^实时与m^模型完全不同，即此时已经处于随时失效状态，此时的寿命状态为小于或等于Ma₂。

S7根据寿命的情况对最高速度、加速度等进行限制。

当余弦距离低于阈值Ma₁但是高于阈值Ma₂时，如图4所示意，就开始对丝杆的一些性能限制，例如限制最高速度，以及最高加速度，这个可以是预先设定，也可以根据深度学习的推荐值，但当低于阈值Ma₂，意味着丝杆寿命剩余寿命过低，为了保证加工质量和安全的因素会直接对机器进行停止并警告建议更换。数值控制装置中包含速度控制部分和电流控制部分，当它们收到指令后，即对电动机的转速进行控制。

如图5所示、101表示当低于阈值Ma₁时，102中对是否达到Ma₂进行判断，当小于Ma₂时，此图未显示，表示丝杆寿命已经达到最低，发出警报提醒对其进行更换。107表示寿命当大于Ma₂，随后在Ma₁与Ma₂区间内还将进行第二轮判断。Ma₁与Ma₂之间将会以等分的形式分成N等分，其中每等分为一个评判点，由于每等分的寿命区间是均等的，我们取每个点消耗的时间作为评判依据，相同每个点的运行时间T_n与T_标预设的均方差

成为评判寿命下降速率正常与否的指标。103处，对/>

进行判断，当/>

寿命消耗处于正常水平，即通过104时，通过数值控制装置进行第一级别的限制，即丝杆等零件的最高速度以及加速度等限制。当/>

即105处，在在第一级别的限制模式下，进行第二级别的限制，即对此时的速度及加速度再进行调整操作等操作，防止异常状况对机器造成故障，保证丝杠的正常运行。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (3)

1.一种基于深度学习的机器预测性维护方法，其特征在于，包括以下步骤：

S1、用振动传感器从丝杆上采集到其运行时的振动信号

S2、用滑动框架以固定长度的采集信号

S3、随机选择样本以构建训练集和测试集数据库，标记为脉冲响应与非脉冲响应；

S4、训练数据集和测试数据及用于训练和测试稀疏自动编码器SAE层和误差反向传播BP神经网络BPNN层的学习模型；

S5、根据脉冲响应随时间推移确定丝杆的动态性能；

使用状态空间模型根据脉冲响应来估计动态性能，空间模型是构建输入输出数据的结构子空间，利用奇异值分解或者QR分解的方法，辨识状态空间模型的参数矩阵；首先，先对数据进行预处理，然后对时变空间的模型参数进行辨识；

S6、使用基于动态性能相似度的指标来指示和监测丝杆的寿命状态；

特征向量之间的相似性以余弦距离作为的度量方法，余弦距离是用是利用向量之间的夹角的大小的确定相似度的；夹角为零则，则相同，两条向量夹角余弦等于1时，说明此时寿命为初始寿命；两条向量夹角余弦接近0时，说明寿命剩余寿命较低，使用百分比表示剩余寿命；

S7、根据寿命的情况对最高速度、加速度的进行限制；

当余弦距离低于阈值Ma₁但是高于阈值Ma₂时，就开始对丝杆的一些性能限制，限制最高速度，以及最高加速度，这个是预先设定，或者根据深度学习的推荐值，但当低于阈值Ma₂，意味着丝杆寿命剩余寿命过低，为了保证加工质量会直接对机器进行停止并警告建议更换；数值控制装置中包含速度控制部分和电流控制部分，当它们收到指令后，即对电动机的转速进行控制。

2.根据权利要求1所述的基于深度学习的机器预测性维护方法，其特征在于，步骤S4具体为：

S4.1、稀疏自动编码器原理

自动编码器(AE)是非监督的神经网络，高纬度的数据通过编码网络变成低维的数据矢量，低维的数据矢量通过解码网络再变回高纬度的数据矢量，输出与输入相同；

给定一个无标签的机械状况样本集

编码网络通过编码函数f_θ将每一个训练样本x^m变换为编码矢量h^m；

h^m＝f_θ(x^m)＝s_f(Wx^m+b) (1)

(1)式中，s_f为编码网络的激活函数；θ为编码网络的参数集合，且θ＝{W,b}；然后编码矢量h_m通过解码函数g_θ′反向变换为x^m的一种重构表示

(2)式中，s_g为解码网络的激活函数；θ′为解码网络的参数集合，且θ′＝{W′,d}；公式(1)、(2)两个参数集合中的参数W、W′被限制满足如下关系W＝W′；最后通过不断修改θ和θ′使得平均重构误差L达到最小化；

如果编码矢量h^m能很好地重构x^m，那么认为它保留了训练样本数据中所含有的大部分信息；

但是简单的自动编码不足以让编码器学到一种有用的特征表示；因此需要给自动编码一定的约束使它能够学习一种更为复杂的非线性函数；稀疏编码算法SAE其核心是为了高效表示样本数据去找到一组基向量表示样本数据；

(4)式中φ_i为基向量组，a_i为系数，X为输入向量

有m个输入向量的稀疏编码代价函数定义为：

(5)式中|φ_i||²≤C,

为稀疏代价函数，它对远大于零的a_i进行”惩罚”，常量λ是变化量，控制式中两部分的相对重要性；

S4.2、深度学习与反向误差调整

DNN预训练的算法核心是无监督方法将多个SAE层层叠形成DNN的隐层结构，首先使用样本x^m训练SAE₁的参数，并将x^m编码为

然后使用

训练SAE₂，并将输入编码为

重复这个过程，直到SAE_N训练完毕

预训练将多个SAE相互连接起来，组成DNN隐层结构，实现信息的层层提取，然后利用误差反向传播对整个网络进行参数微调，从而使DNN能够从原始的数据中提取到一些本质的特征属性。

3.根据权利要求1所述的基于深度学习的机器预测性维护方法，其特征在于，步骤S6具体为：

特征向量之间的相似性以余弦距离作为的度量方法，余弦距离是用是利用向量之间的夹角的大小的确定相似度的；

其中m^模型是寿命模型的n维向量，p^实时是当前状态的实时寿命的n维向量，

表示m^模型的第i个值，

表示p^实时第i个值；当θ＝0时，表示此时，p^实时与m^模型完全相同，即此时的寿命状态为Ma_总，当θ＝1时，表明p^实时与m^模型完全不同，即此时已经处于随时失效状态，此时的寿命状态为小于或等于Ma₂。

Images