CN110405537A - 一种基于深度学习的导轨精度预测模型的建立方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的导轨精度预测模型的建立方法，包括以下步骤：S1、声音信号采集装置采集导轨运行的声音，并将声音送入已训练好的声音处理模型1；S2、同时振动信号采集装置采集振动运行的状态数据，并将振动数据送入振动数据模型2进行处理；S3、结合模型1与模型2的状态数据对导轨的精度状态进行判断；S4、根据导轨的状态进行相应的决策。本发明结合声音和振动两种信号，并运用了深度学习算法，对导轨的精度进行检测以维持导轨的精度，具有自适应好，鲁棒性较高，能够自适应、自我学习、自我诊断，以具有较高的应用价值。

Description

一种基于深度学习的导轨精度预测模型的建立方法

技术领域

本发明属于机械制造技术领域，涉及一种基于深度学习的导轨精度预测模型的建立方法。

背景技术

我国制造业快速发展，机床作为制造领域的主要设备发挥着巨大的作用，导轨做为机床的重要部分，对加工零件的精度影响重大，现有的技术对于导轨表面主要集中在于仿用真模拟、激光扫描图像等对导轨表面的磨损进行识别。虽然到达一定的效果，但是机床在切削过程中的环境是实时变化的，在面对导轨杂粒磨损、氧化磨损、润滑不良等现象方面，及时的保养维护和及时的修复，可以有效避免导轨精磨损严重、寿命降低等对精度造成影响。

发明内容

本发明的目的在于提供一种基于深度学习的导轨精度预测模型的建立方法，对导轨进行预维护来保护导轨精度，本发明采集机器运行声音信号，经过由卷积神经网络训练好的模型进行识别，并同时对导轨采集的瞬时的振动号进行标记，并将标记后的振动信号作为训练集进行训练，最终得到导轨精度保持的模型。

其具体技术方案为：

一种基于深度学习的导轨精度预测模型，包括导轨、数据采集部分、数据处理部分和导轨状态判断与执行部分；

所述导轨用于提供待检测数据的来源；

所述数据采集部分包含了声音采集部分，与振动采集部分；

所述数据处理部分包含了音频数据的处理部分与振动数据的处理部分；

所述导轨状态判断与执行部分，包含了对于导轨运行状态的判定，与最终的需要执行的结果。

一种基于深度学习的导轨精度预测模型的建立方法，包括以下步骤：

S1、声音信号采集装置采集导轨运行的声音，并将声音送入已训练好的声音处理模型1；

S2、同时振动信号采集装置采集振动运行的状态数据，并将振动数据送入振动数据模型2进行处理；

S3、结合模型1与模型2的状态数据对导轨的精度状态进行判断；

S4、根据导轨的状态进行相应的决策。

进一步，步骤S1中，通过声音信号采集装置，麦克风、拾音器、测声器等对导轨运行时的声音进行采集，其中已经训练好的声音处理模型1为训练好的卷积神经网络算法，该算法通过前期训练可以对磨损状态以及一些常见的故障类型进行识别。当声音处理模型1识别出为故障类别时，或者载荷突然增大造成的磨损时，声音识别模块将识别到的数据传递到图1中4部分：导轨状态判定与执行部分。

进一步，S1中，声音处理模型1训练方法具体包括以下步骤：

(1)在导轨运行时，利用声音采集装置采集声音，按运行状况将音频进行分类标签，如：故障F0、F1、F2······；磨损W1、W2、W3······；正常、其他；

(2)按照Tms每帧，Nms帧移，对音频消耗对每种信号进行截取，转化为频谱图，

(3)通过卷积层频谱图进行提取特征：利用激活层增加非线性因素，池化层降低数据尺寸

(4)重复步骤(3)，

(5)最后全连接层完成分类，经过训练后，

训练时，在全连接层使用随机失活的方法防止过拟合函数，为了防止权值更新过慢，使用交叉熵代价函数作为损失函数，

此模型在导轨运行的时候可以对剥离损伤、导轨杂粒磨损、氧化磨损等状态进行识别。

进一步，步骤S2中，在导轨振动测量中，振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，因此振动中包含着具体的故障细节。当振动信号采集装置采集到振动信号时，同时声音处理模型1通过导轨运行的声音对实时状态情况进行了分类识别；

其中如图3，S2的中的振动处理模型2的训练过程为：

S2.1、预处理，为了便于计算，将振动信号统一成未定的大小或者长度，如：每一小段取值长度为T。

S2.2、对数据集进行训练

将预处理后的长度为T的片段送入深度置信网络中受限玻尔兹曼机(RBM)中，训练第1个RBM，使其达到稳定状态

将上一个RBM的(即第1个)得到的输出作为下一个(即第2个)RBM的可视层的输入，直至稳定状态。

(3)、重复步骤(2)直到最后一个RBM训练完成。

(4)、用反向传播算法微调各层层数，使整个网络找到最优的参数{W,a,b}。

训练完成模型之后，就可以对导轨的运行状态进行在线判断了，首先提取实时信号的特征，让测试信号通过RMB前几层，将其作为特征提取器提取特征，再通过主成分分析法(PAC)提取导轨状态的关键特征，并计算特征向量间的相似度，相似度计算用:

d越小表示导轨的状态越好,越大表示状态越差。根据相似度可以画出导轨状运行状态的劣化曲线，至此完成了导轨运行状态的曲线图。

进一步，步骤S3具体为：

S3部分分为判断与决策两部分，其中判断部分由振动与声音声音状态共同的结果得出；

其中振动部分：根据振动数据劣化曲线可以知道导轨的运行状态变化趋势，可以在曲线图上通过设置阈值来保证导轨的精度，也可以结合磨损深度设置阈值,当超过阈值时进行相应的决策。

结合磨损深度设置阈值,当超过阈值时进行相应的决策。磨损深度设置阈值具体过程：

在导轨中对精度影响比较大的是直线度，而导轨的直线度A可用磨损深度度h_m表示，通过计算导轨的劣化曲线的趋势，可以得到导轨的精度衰减变化Δh，因此可用每次采用磨损Δh_ij累加计算，Δh_ij表示第i次采样点的第j次磨损的累加为计算导轨的直线度用公式，即：

h_基为初始磨损的基准。

其中声音部分：声音处理模型可以根据声音信号对机器的运行状态进行判断，可以直接分类得出机器目前的状态：故障F0、F1、F2······；磨损W1、W2、W3······；正常、其他；

进一步S4的最后决策部分如表1：

其中表1中1，在声音中表示正常状态；在振动中表示直线度A小于预设的阈值，即正常状态；表中0，在声音中，表示除正常以外的其他声音，包括振动突然增大的造成的磨损、以及导轨其他异常造成的磨损、以及突然故障等；

如表1，当处于状态1时，表示从声音与振动检测的结果都是正常状态，导轨保持继续运动；当处于状态2时，表示从振动方面已经检测到导轨处于磨损状态，因为振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，但是此时音声方面没有检测到，为了保证精度进行警告提醒；当处于状态3时，表明声音已经检测到导轨有异常状态，可能是磨损、故障、其他等问题，但是振动没有检测出来，此时不会停止运行，但会发出提醒警告，并显示具体问题类别；当处于状态4时，由声音和振动方面都检测到异常，说明目前的磨损已经比较严重，精度已经不能保证，最后的进行停止运行。

与现有技术相比，本发明的有益效果：

现有的关于导轨精度保持模型相关的技术方案主要集中在运用统计学规律、基于Archard模型、运用动力学特性的理论模型等方法，与现有方法相比，本发明运用了深度学习算法，实现了自主学习，通过卷积神经网络构建对声音识别的声音处理模型1，实时掌握运行过程中的磨损情况，并结合振动信号，通过神经网络拟合出导轨的磨损情况，综合两者的信号最后做出决策，具有自适应好，鲁棒性较高，能够自适应、自我学习、自我诊断，具有较高的应用价值。

附图说明

图1为本发明一个基于深度学习的导轨精度保持模型方法的流程示意图；

图2为本发明本训练声音处理模型1的卷积神经网络原理图；

图3为振动处理模型2的中受限玻尔兹曼机(RBM)结构；

图4为振动处理模型2的原理图；

图5为表面磨损与直线度的关系示意图。

具体实施方式

下面结合附图和具体实施方案对本发明的技术方案作进一步详细地说明。

如图1所示，导轨1用于提供待检测数据的来源；数据采集部分2包含了声音采集部分，与振动采集部分；数据处理部分3包含了音频数据的处理部分与振动数据的处理部分；导轨状态判断与执行部分4包含了对于导轨运行状态的判定，与最终的需要执行的结果。

一种基于深度学习的导轨精度预测模型的建立方法，包括以下步骤：

S1、声音信号采集装置采集导轨运行的声音，并将声音送入已训练好的声音处理模型1；

S1.1、一般线导轨有轻微的剥离损伤，都会发出异常音和不规则音，因此本发明通过声音信号采集装置，可以是麦克风、测声器、拾音器等对导轨运行时的声音进行采集，其中已经训练好的声音处理模型1为训练好的卷积神经网络算法，当声音处理模型1是识别出轻微的故障，例如轻微的异物进入、导轨润滑不足等没有出现磨损时，该算法通过前期训练可以对磨损状态以及一些常见的故障类型进行识别。当声音处理模型1识别出为故障类别时，或者载荷突然增大造成的磨损时，声音识别模块将识别到的数据传递到图1中4部分：导轨状态判定与执行部分。

S1.2、如图2，S1中，声音处理模型1训练方法具体包括以下步骤：

(1)在导轨运行时，利用声音采集装置采集声音，按运行状况将音频进行分类标签，如：故障F0、F1、F2······；磨损W1、W2、W3······；正常、其他；

(2)按照Tms每帧，Nms帧移，对音频消耗对每种信号进行截取，转化为频谱图，

(3)通过卷积层频谱图进行提取特征：利用激活层增加非线性因素，池化层降低数据尺寸

(4)重复步骤(3)，

(6)最后全连接层完成分类，经过训练后，

训练时，在全连接层使用随机失活的方法防止过拟合函数，为了防止权值更新过慢，使用交叉熵代价函数作为损失函数，

此模型在导轨运行的时候可以对剥离损伤、导轨杂粒磨损、氧化磨损等状态进行识别。

进一步，步骤S2中，在导轨振动测量中，振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，因此振动中包含着具体的故障细节。当振动信号采集装置采集到振动信号时，同时声音处理模型1通过导轨运行的声音对实时状态情况进行了分类识别；

S2、同时振动信号采集装置采集振动运行的状态数据，并将振动数据送入振动数据模型2进行处理；

S2.1、预处理，为了便于计算，将振动信号统一成未定的大小或者长度，如：每一小段取值长度为T。

S2.2、对数据集进行训练

(1)将预处理后的长度为T的片段送入深度置信网络中受限玻尔兹曼机(RBM)中，训练第1个RBM，使其达到稳定状态，如图3所示：

RBM由隐可视层V和隐藏层组H成，其中a_n为可视层第n单元的偏置，b_n为隐藏层第n单元的偏置，W可视层V和隐藏层组H链接的权重向量。

当训练样本V₁＝(v₁₁,v₁₂,v₁₃…v_1n-1,v_1n)输入到可视层V时，通过Gibbs采样得到隐藏层H的输出H₁＝(h₁₁,h₁₂,h₁₃…h_1n-1,h_1n)，其中h_1n＝Gibas(f_s(a_n+∑_iw_inv_n))，f_s是s型激活函数，且f_s产生的值需(0,1)之间，如果大于1取1，小于0取0.

(2)、计算RBM中的{W,a,b}，如图3，在第一个RBM中，即：

W＝uW+ε(h′₁v₁-h′₂v₂)

a＝μa+∑(v₁-v₂)′

b＝μb+∑(h₁-h₂)′

其中μ是为了克服训练陷入局部极小值，引入的为力学习率一般取0.5～0.9之间，ε是学习率，数值代表每次调节的步长，一般取0.005～0.200之间。

用均方误差评判RBM的训练精度，即：

其中，v₁为可视层的输入，v₂为可视层的重构输出

将上一个RBM的(即第1个)得到的输出H₁＝(h₁₁,h₁₂,h₁₃…h_1n-1,h_1n)作为下一个(即第2个)RBM的可视层的输入，如图3：在第二个RBM中，H₁相当于第一个RBM的V，输出H₂相当于第一个RBM的中H₁，并计算第二个RBM中的{W,a,b}。

(3)、重复步骤(2)直到最后一个RBM训练完成。

(4)、用反向传播算法微调各层层数，使整个网络找到最优的参数{W,a,b}。

如图4的联想记忆两层中，顶层用于层数拟合，其中标签神经元用于进行有监督学习，以便于对于整个网络进行微调。

训练完成模型之后，就可以对导轨的运行状态进行在线判断了，首先提取实时信号的特征，让测试信号通过RMB前几层，将其作为特征提取器提取特征，再通过主成分分析法(PAC)提取导轨状态的关键特征，并计算特征向量间的相似度，相似度计算用:

d越小表示导轨的状态越好,越大表示状态越差。根据相似度可以画出导轨状运行状态的劣化曲线，至此完成了导轨运行状态的曲线图。

S3、结合模型1与模型2的状态数据对导轨的精度状态进行判断；

S3.1、其中声音处理模型1由声音信号得出的结果：声音处理模型可以根据声音信号对机器的运行状态进行判断，可以直接分类得出机器目前的状态：故障F0、F1、F2······；磨损W1、W2、W3······；正常；将最后识别出来的正常状态标记为1，其他的状态标记为0；

S3.2、其中振动处理模型2由振动得到的信号结果：导轨直线度的变化对加工工件的尺寸与表面精度影响较大，根据劣化曲线可以知道导轨的运行状态变化趋势，可以在曲线图上通过设置阈值来保证导轨的精度，也可以结合磨损深度设置阈值,当超过阈值时进行相应的决策。磨损深度设置阈值具体过程：如图5所示，导轨的直线度A可用磨损深度度h_m表示，通过计算导轨的劣化曲线的趋势，可以得到导轨的精度衰减变化Δh，因此可用导轨每次磨损磨损Δh_ij的累加值计算，Δh_ij表示第i次采样点的第j次磨损，最终导轨的直线度可以表示为h_基为初始磨损的基准，设置阈值A_max，当A＜A_max，表示导轨精度在安全范围之内，用状1表示，否则用0表示，通过A-A_max可得到此时导轨的有效的精度寿命，。

S4、根据导轨的状态进行相应的决策。

其中表1中1，在声音中表示正常状态；在振动中表示直线度A小于预设的阈值，即正常状态；表中0，在声音中，表示除正常以外的其他声音，包括振动突然增大的造成的磨损、以及导轨其他异常造成的磨损、以及突然故障等；

如表1，当处于状态1时，表示从声音与振动检测的结果都是正常状态，导轨保持继续运动；当处于状态2时，表示从振动方面已经检测到导轨处于磨损状态，因为振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，但是此时音声方面没有检测到，为了保证精度进行警告提醒；当处于状态3时，表明声音已经检测到导轨有异常状态，可能是磨损、故障、其他等问题，但是振动没有检测出来，此时不会停止运行，但会发出提醒警告，并显示具体问题类别；当处于状态4时，由声音和振动方面都检测到异常，说明目前的磨损已经比较严重，精度已经不能保证，最后的进行停止运行。

表1决策判定表

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 (7)

1.一种基于深度学习的导轨精度预测模型，其特征在于，包括导轨、数据采集部分、数据处理部分和导轨状态判断与执行部分；

所述导轨用于提供待检测数据的来源；

所述数据采集部分包含了声音采集部分，与振动采集部分；

所述数据处理部分包含了音频数据的处理部分与振动数据的处理部分；

所述导轨状态判断与执行部分，包含了对于导轨运行状态的判定，与最终的需要执行的结果。

2.一种权利要求1所述基于深度学习的导轨精度预测模型的建立方法，其特征在于，包括以下步骤：

S1、声音信号采集装置采集导轨运行的声音，并将声音送入已训练好的声音处理模型1；

S2、同时振动信号采集装置采集振动运行的状态数据，并将振动数据送入振动数据模型2进行处理；

S3、结合模型1与模型2的状态数据对导轨的精度状态进行判断；

S4、根据导轨的状态进行相应的决策。

3.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S1中，通过声音信号采集装置，麦克风、拾音器、测声器对导轨运行时的声音进行采集，其中已经训练好的声音处理模型1为训练好的卷积神经网络算法，该算法通过前期训练对磨损状态以及一些常见的故障类型进行识别；当声音处理模型1识别出为故障类别时，或者载荷突然增大造成的磨损时，声音识别模块将识别到的数据传递到图1中4部分：导轨状态判定与执行部分。

4.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，S1中，声音处理模型1训练方法具体包括以下步骤：

(1)在导轨运行时，利用声音采集装置采集声音，按运行状况将音频进行分类标签；

(2)按照Tms每帧，Nms帧移，对音频消耗对每种信号进行截取，转化为频谱图，

(3)通过卷积层频谱图进行提取特征：利用激活层增加非线性因素，池化层降低数据尺寸

(4)重复步骤(3)，

(5)最后全连接层完成分类，经过训练后，

训练时，在全连接层使用随机失活的方法防止过拟合函数，为了防止权值更新过慢，使用交叉熵代价函数作为损失函数，

此模型在导轨运行的时候对剥离损伤、导轨杂粒磨损、氧化磨损的状态进行识别。

5.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S2中，在导轨振动测量中，振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，因此振动中包含着具体的故障细节；当振动信号采集装置采集到振动信号时，同时声音处理模型1通过导轨运行的声音对实时状态情况进行了分类识别。

6.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，S2的中的振动处理模型2的训练过程为：

S2.1、预处理，为了便于计算，将振动信号统一成未定的大小或者长度，如：每一小段取值长度为T；

S2.2、对数据集进行训练

将预处理后的长度为T的片段送入深度置信网络中受限玻尔兹曼机RBM中，训练第1个RBM，使其达到稳定状态

将上一个RBM的得到的输出作为下一个RBM的可视层的输入，直至稳定状态；

(3)、重复步骤(2)直到最后一个RBM训练完成；

(4)、用反向传播算法微调各层层数，使整个网络找到最优的参数{W,a,b}；

训练完成模型之后，对导轨的运行状态进行在线判断了，首先提取实时信号的特征，让测试信号通过RMB前几层，将其作为特征提取器提取特征，再通过主成分分析法PAC提取导轨状态的关键特征，并计算特征向量间的相似度，相似度计算用:

d越小表示导轨的状态越好,越大表示状态越差；根据相似度画出导轨状运行状态的劣化曲线，至此完成了导轨运行状态的曲线图。

7.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S3具体为：

S3部分分为判断与决策两部分，其中判断部分由振动与声音状态共同的结果得出；

其中振动部分：根据振动数据劣化曲线知道导轨的运行状态变化趋势，在曲线图上通过设置阈值来保证导轨的精度，或者结合磨损深度设置阈值,当超过阈值时进行相应的决策；

结合磨损深度设置阈值,当超过阈值时进行相应的决策；磨损深度设置阈值具体过程：

在导轨中对精度影响比较大的是直线度，而导轨的直线度A用磨损深度h_m表示，通过计算导轨的劣化曲线的趋势，得到导轨的精度衰减变化Δh，每次采用磨损Δh_ij累加计算，Δh_ij表示第i次采样点的第j次磨损的累加为计算导轨的直线度用公式，即：

h_基为初始磨损的基准；

其中声音部分：声音处理模型根据声音信号对机器的运行状态进行判断，直接分类得出机器目前的状态。