CN110516659A - 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 - Google Patents
滚珠丝杠退化阶段识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110516659A CN110516659A CN201910850938.5A CN201910850938A CN110516659A CN 110516659 A CN110516659 A CN 110516659A CN 201910850938 A CN201910850938 A CN 201910850938A CN 110516659 A CN110516659 A CN 110516659A
- Authority
- CN
- China
- Prior art keywords
- ball
- screw
- data
- detection data
- catagen phase
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种滚珠丝杠退化阶段识别方法、装置、设备及存储介质,方法包括:获取用于检测滚珠丝杠工作状态的传感器的多通道检测数据;对所述多通道检测数据进行信号降噪处理,得到处理后的检测数据;将所述处理后的检测数据输入到预先训练得到的多层卷积神经网络中,利用所述多层卷积神经网络识别所述滚珠丝杠工作状态,输出识别结果;利用滑窗判断法对所述识别结果进行判断,以确定出所述滚珠丝杠是否处于真正退化阶段。本发明利用训练好的多层卷积神经网络来对滚珠丝杠的工作状态进行检测识别,能够提高对滚珠丝杠的退化检测的准确率;再利用滑窗判断对其进行退化阶段的判断,减少干扰因素导致的退化阶段误报,降低退化阶段的误报率。
Description
技术领域
本发明涉及教育领域,具体涉及一种滚珠丝杠退化阶段识别方法、装置、设备及存储介质。
背景技术
滚珠丝杠是数控机床等设备的重要传动部件,其健康状态对于设备安全运行有着重要的影响。滚珠丝杠的备货周期一般比较长,为了保证工厂的生产效率,有必要对丝杠进行退化阶段识别,以提前进行滚珠丝杠的备货,保证设备安全有效的运行。
滚珠丝杠退化状态的识别主要是通过算法自动判断滚珠丝杠位于退化的哪个阶段。目前基于数据驱动的滚珠丝杠退化阶段识别主要是根据健康评估曲线进行人工识别,或者通过自适应阈值检测的方法,或者根据特征提取与传统机器学习相结合的方法。人工识别通过观察健康评估曲线的走势来判断丝杠现在处在哪个运行阶段。自适应阈值通过统计学的方法判断退化临界点。传统方法通过对原始信号,进行特征提取、特征选择并通过机器学习的方法对退化阶段进行识别。此外,大多数的研究是基于单通道振动传感器数据展开的,由于单源信号非集成模型受单源结构、单一方法的约束,且传感器性能的局限,难以反映出设备的真实退化状态。
总之,现有技术中对于滚珠丝杠的退化检测存在检测准确率低、误报率高的问题。
发明内容
本发明要解决现有技术中对于滚珠丝杠的退化检测存在检测准确率低、误报率高的问题,从而提供一种滚珠丝杠退化阶段识别方法、装置、设备及存储介质。
本发明的一方面,提供了一种滚珠丝杠退化阶段识别方法,包括:获取用于检测滚珠丝杠工作状态的传感器的多通道检测数据 ;对所述多通道检测数据进行信号降噪处理,得到处理后的检测数据;将所述处理后的检测数据输入到预先训练得到的多层卷积神经网络中,利用所述多层卷积神经网络识别所述滚珠丝杠工作状态,输出识别结果,所述识别结果包括所述滚珠丝杠的正常阶段和/或退化阶段;利用滑窗判断法对所述识别结果进行判断,以确定出所述滚珠丝杠是否处于真正退化阶段。
可选地,利用滑窗判断法对所述识别结果进行判断,以确定出所述滚珠丝杠是否处于真正退化阶段,包括:利用预先设置的滑窗大小确定出当前时间段内所述多层卷积神经网络识别出的所述滚珠丝杠所处的阶段数量,所述阶段数量包括正常阶段数量和退化阶段数量;基于所述正常阶段数量和退化阶段数量确定所述滚珠丝杠是否处于真正退化阶段。
可选地,所述多层卷积神经网络包括第三卷积层,其中,第一卷积层用于对所述多通道检测数据进行融合和提取特征;第二卷积层与所述第三卷积层的核函数大小相等,滑动步长相等。
可选地,在获取用于检测滚珠丝杠工作状态的传感器的多通道检测数据之前,还包括:获取滚珠丝杠的训练样本数据,所述训练样本数据包括训练集和测试集;利用所述训练样本数据对预先构建的多层卷积神经网络模型进行训练,得到训练后的所述多层卷积神经网络。
可选地,获取滚珠丝杠的训练样本数据,包括:获取滚珠丝杠的全生命周期的多组多通道检测数据;对所述多组多通道检测数据进行降噪处理,得到处理后的多组多通道检测数据;对所述多组多通道检测数据进行阶段划分,划分出正常阶段和退化阶段,并对正常阶段的数据和退化阶段的数据分别进行标记;从标记后的多组多通道检测数据中选择至少一组作为测试集,其他组数据作为训练集,得到所述训练样本数据。
可选地,所述多通道检测数据为所述滚珠丝杠的振动数据;对所述多组多通道检测数据进行阶段划分,包括:计算所述多组多通道检测数据的能量值;采用能量值来对所述多组多通道检测数据进行阶段划分。
可选地,所述多通道检测数据为三通道检测数据,通过以下公式计算能量值h:
其中,为滚珠丝杠振动数据的均方根值,,,分别为丝杠三个通道数据在t时刻的经过降噪后的数据。
本发明实施例的另一方面,提供了一种滚珠丝杠退化阶段识别装置,包括:获取模块,用于获取用于检测滚珠丝杠工作状态的传感器的多通道检测数据 ;降噪模块,用于对所述多通道检测数据进行信号降噪处理,得到处理后的检测数据;识别模块,用于将所述处理后的检测数据输入到预先训练得到的多层卷积神经网络中,利用所述多层卷积神经网络识别所述滚珠丝杠工作状态,输出识别结果,所述识别结果包括所述滚珠丝杠的正常阶段和/或退化阶段;判断模块,用于利用滑窗判断法对所述识别结果进行判断,以确定出所述滚珠丝杠是否处于真正退化阶段。
本发明实施例的另一方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述滚珠丝杠退化阶段识别方法的步骤。
本发明实施例的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序:所述计算机程序被处理器执行时实现所述滚珠丝杠退化阶段识别方法的步骤。
根据本发明实施例,通过获取滚珠丝杠的多通道检测侧数据,经过降噪处理后,利用训练好的多层卷积神经网络来对滚珠丝杠的工作状态进行检测识别,从而能够提高对滚珠丝杠的退化检测的准确率;对于多层卷积神经网络的识别结果,再利用滑窗判断对其进行判断以确定出所述滚珠丝杠是否处于真正退化阶段,从而减少一些干扰因素导致的退化阶段误报,降低退化阶段的误报率。
本发明实施例中,将小波降噪后的原始数据直接输入到多层卷积神经网络D-CNN中,无需进行特征提取、特征选择等操作,简化了设计思路;此外将传感器多通道数据利用D-CNN进行有效融合,提高了数据的可信度,将多层卷积神经网络的输出通过滑窗处理的方法设置报警因子,实现退化过程自动识别报警,有利于降低误报警几率。
根据本发明实施例,通过利用全生命周期的滚珠丝杠的数据作为训练样本数据来训练多层卷积神经网络模型,使得训练得到的多层卷积神经网络模型能够准确地识别出处于正常阶段和退化阶段的数据,从而实现对滚珠丝杠的退化检测识别,提高退化检测识别的准确率。
本发明实施例采用一种识别方法,相比于传统方法,所设计的模型操作简单,省去了通过经验设计特征、选择特征的不足,并且为了克服单通道数据无法全面反映设备退化状态的局限性,引入了多源数据融合的方法,根据实验对比,该方法在准确率上优于传统的机器学习识别方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,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为本发明实施例中滚珠丝杠退化阶段识别方法的流程图;
图2为本发明实施例中滑窗判断法的原理示意图;
图3为本发明实施例中多层卷积神经网络的结构示意图;
图4为本发明实施例中滚珠丝杠退化阶段识别方法与现有的支持向量机的识别曲线对比图;
图5为本发明实施例中滚珠丝杠退化阶段识别装置的示意图;
图6为本发明实施例计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种滚珠丝杠退化阶段识别方法,如图1所示,方法包括:
步骤S101,获取用于检测滚珠丝杠工作状态的传感器的多通道检测数据。该多通道检测数据可以是通过传感器检测到的三通道的振动信号,属于原始时序信号数据。由于瞬时数据无法准确地反映出滚珠丝杠的真正状态,本发明实施例中所述的多通道检测数据可以是一段时间内的检测数据。
步骤S102,对所述多通道检测数据进行信号降噪处理,得到处理后的检测数据。
对于每一通道的原始时序信号数据,需要进行相应的信号降噪处理,以实现对数据的预处理。具体地,可以是进行小波降噪处理,小波基函数选择为“db4”对原始信号进行4层小波分解,用给定参数选择独立的阈值对信号进行降噪。
步骤S103,将所述处理后的检测数据输入到预先训练得到的多层卷积神经网络中,利用所述多层卷积神经网络识别所述滚珠丝杠工作状态,输出识别结果,所述识别结果包括所述滚珠丝杠的正常阶段和/或退化阶段。
本发明实施例中所述的多层卷积神经网络是以大量的滚珠丝杠的全生命周期的数据作为训练样本数据来训练所建立的神经网络模型得到的神经网络,其具体训练过程后文将着重进行介绍。本发明实施例中,利用预先训练得到的多层卷积神经网络来对降噪处理后的检测数据进行识别,从而识别出滚珠丝杠的工作状态,例如哪些时间段属于正常阶段,哪些时间段属于退化阶段。这里所述的正常阶段表示识别出的滚珠丝杠的工作状态处理正常的工作范围;退化阶段则表示识别出的滚珠丝杠处于退化阶段。对于识别出的退化阶段则包含两种情况,其一为滚珠丝杠本身确实已经处于退化阶段,因此,从数据特征上识别出的结果符合实际情况;其二,则是由于一些干扰因素导致数据特征上呈现出退化阶段,但是滚珠丝杠本身仍处于正常阶段,例如当有异物进入时导致滚珠丝杠的工作参数呈现出与退化阶段相一致的情况,可以称之为“伪退化阶段”。
步骤S104,利用滑窗判断法对所述识别结果进行判断,以确定出所述滚珠丝杠是否处于真正退化阶段。
本发明实施例中,在利用多层卷积神经网络识别出滚珠丝杠的识别结果之后,仍需要对其做进一步判断,如前所述,需要剔除掉“伪退化阶段”的识别结果。本发明实施例中主要利用滑窗判断法来对一定时间段内滚珠丝杠的识别结果进行逐个窗口的判断,然后再确定出处于真正退化阶段的范围,从而减少退化阶段的误报率。
根据本发明实施例,通过获取滚珠丝杠的多通道检测侧数据,经过降噪处理后,利用训练好的多层卷积神经网络来对滚珠丝杠的工作状态进行检测识别,从而能够提高对滚珠丝杠的退化检测的准确率;对于多层卷积神经网络的识别结果,再利用滑窗判断对其进行判断以确定出所述滚珠丝杠是否处于真正退化阶段,从而减少一些干扰因素导致的退化阶段误报,降低退化阶段的误报率。
本发明实施例中,对于最终识别出的真正退化阶段,需要进行报警,本发明采用滑窗判断法设定自动报警方法,目的是为了避免出现在未出现真正退化时出现的误报警,这种情况常见于异物进入的异常情况并非真正的退化阶段。本发明上述实施例的步骤S104,利用滑窗判断法对所述识别结果进行判断,以确定出所述滚珠丝杠是否处于真正退化阶段,包括:利用预先设置的滑窗大小确定出当前时间段内所述多层卷积神经网络识别出的所述滚珠丝杠所处的阶段数量,所述阶段数量包括正常阶段数量和退化阶段数量;基于所述正常阶段数量和退化阶段数量确定所述滚珠丝杠是否处于真正退化阶段。
对于上述滑窗判断法如图2所示,采用滑窗大小为,滑窗步长设置为,滑窗内的正常阶段的数据个数为,退化阶段的数据个数为,其中滑窗大小和步长均可以根据需要或者实验结果来确定。由于检测到的多通道检测数据为一段时间段的数据,图2是以全生命周期的数据进行举例说明滑窗判断法的原理,并没有不当限定。对于滑窗内的识别结果,通过设置报警因子p进行相应的判断,其计算公式如下:
当时为正常阶段;当为退化阶段。其中的范围可以是0.7-0.8。
本发明实施例中,所述多层卷积神经网络包括第三卷积层,其中,第一卷积层用于对所述多通道检测数据进行融合和提取特征;第二卷积层与所述第三卷积层的核函数大小相等,滑动步长相等。
具体地,多层卷积神经网络如图3所示,不同于二维卷积神经网络,本发明实施例从一维原始数据出发,采用一维卷积神经网络。该网络共包含7层,分别为输入层、3个一维卷积层,1个flatten层,1个全连接层,以及一个输出层。第一层卷积神经网络初步将三个通道的振动信号进行融合,并提取基本特征,该网络的核函数大小,每次滑动的步长为1,过滤器的个数为10;第二层卷积神经网络的核函数大小,每次滑动的步长为4,过滤器的个数为20;第三次层卷积神经网络的核函数大小,每次滑动的步长为4,过滤器的个数为30;在这三个卷积层中, 均设置为,激活函数均为。
全连接层中的隐藏节点个数设置为100,输出层激活函数为softmax。
本发明实施例中,将小波降噪后的原始数据直接输入到多层卷积神经网络D-CNN中,无需进行特征提取、特征选择等操作,简化了设计思路;此外将传感器多通道数据利用D-CNN进行有效融合,提高了数据的可信度,将多层卷积神经网络的输出通过滑窗处理的方法设置报警因子,实现退化过程自动识别报警,有利于降低误报警几率。
本发明实施例中,对于多层卷积神经网络的训练过程具体包括:
S1,获取滚珠丝杠的训练样本数据,所述训练样本数据包括训练集和测试集。
其中,获取滚珠丝杠的训练样本数据,包括:获取滚珠丝杠的全生命周期的多组多通道检测数据;对所述多组多通道检测数据进行降噪处理,得到处理后的多组多通道检测数据;对所述多组多通道检测数据进行阶段划分,划分出正常阶段和退化阶段,并对正常阶段的数据和退化阶段的数据分别进行标记;从标记后的多组多通道检测数据中选择至少一组作为测试集,其他组数据作为训练集,得到所述训练样本数据。
本发明以5组滚珠丝杠全生命周期的数据为例,每组数据采集的为加速度传感器三个通道上的数据。记通道1、2、3的数据分别为a1、a2、a3.则作为模型输入的数据为a=[a1a2 a3]。整个全生命周期的数据包含正常阶段与退化阶段。本发明实施例所采用的深度融合与识别模型为多层卷积神经网络记为D-CNN,本发明的五组数据分别记为d1,d2,d3,d4,d5。
对每个通道的原始时序数据进行小波降噪处理,小波基函数选择为“db4”对原始信号进行4层小波分解,用给定参数选择独立的阈值对信号进行降噪。
对于正常阶段的数据和退化阶段的数据,将正常阶段的数据标签设置为0,退化阶段的数据标签设置为1。
在训练阶段将五组数据中的四组数据用作训练,其余的一组作为测试数据,为了验证算法的可行性,可能的数据组合设计为5种。
将训练数据划分为训练部分与验证部分,并将训练数据输入到设计的多层卷积神经网络中,对模型中的学习率,训练批次进行调优,根据训练数据的准确率,验证数据的准确率进行参数调优。
结合所有训练样本所构建的损失函数为交叉熵损失函数:
其中表示样本个数,为模型的期望输出,为模型的实际输出,为每个输入样本。
S2,利用所述训练样本数据对预先构建的多层卷积神经网络模型进行训练,得到训练后的所述多层卷积神经网络。
根据本发明实施例,通过利用全生命周期的滚珠丝杠的数据作为训练样本数据来训练多层卷积神经网络模型,使得训练得到的多层卷积神经网络模型能够准确地识别出处于正常阶段和退化阶段的数据,从而实现对滚珠丝杠的退化检测识别,提高退化检测识别的准确率。
本发明实施例中,对于训练样本数据中需要对数据进行清洗和标记,从而划分出正常阶段和退化阶段的数据,本发明实施例采用信号的能量值来进行数据划分,具体地,所述多通道检测数据为所述滚珠丝杠的振动数据;对所述多组多通道检测数据进行阶段划分,包括:计算所述多组多通道检测数据的能量值;采用能量值来对所述多组多通道检测数据进行阶段划分。所述多通道检测数据为三通道检测数据,通过以下公式计算能量值h:
其中, 为滚珠丝杠振动数据的均方根值,,,分别为丝杠三个通道数据在t时刻的经过降噪后的数据。
本发明实施例中,由于训练样本数据的数据量有限,并且需要准确地划分出正常阶段和退化阶段,通过采用能量值计算出每段数据的能量来划分出正常阶段和退化阶段的数据,其划分的准确性高,进而使得作为训练样本训练出的多层卷积神经网络识别的准确率更高。
为了验证本发明实施例识别方法的有效性,将本发明所采用的多层卷积神经网络与传统的机器学习方法支持向量机(SVM)的方式进行对比,将三个通道的数据经过小波降噪处理输入到SVM中对模型进行训练,SVM的核函数选择为linear函数,训练完成的模型用于退化阶段的识别。
所采用的训练样本数据如表一所示,该全生命周期的数据一共五组每组中包含正常样本与退化样本。
表一:样本数据
为了验证本发明的可行性与稳定性,设计了五种实验情况,如情况1:d1.d2.d3.d4->d5,表示采用1.2.3.4组数据进行训练,并用第5组数据进行测试。
表二:实验情况
表3:D-CNN识别准确率
通过表3可以发现,本发明实施例提出的方法在整体退化阶段上的平均准确率为98.04%,该方法高于传统机器学习方法支持向量机的识别准确率。图4中的曲线表示的是实际退化曲线,线段值为0的表示正常阶段,线段值为1表示的是退化阶段。
本发明实施例采用一种识别方法,相比于传统方法,所设计的模型操作简单,省去了通过经验设计特征、选择特征的不足,并且为了克服单通道数据无法全面反映设备退化状态的局限性,引入了多源数据融合的方法,根据实验对比,该方法在准确率上优于传统的机器学习识别方法。
本发明实施例还提供了一种滚珠丝杠退化阶段识别装置,如图5所示,该装置包括:
获取模块501,用于获取用于检测滚珠丝杠工作状态的传感器的多通道检测数据。
降噪模块502,用于对所述多通道检测数据进行信号降噪处理,得到处理后的检测数据。
识别模块503,用于将所述处理后的检测数据输入到预先训练得到的多层卷积神经网络中,利用所述多层卷积神经网络识别所述滚珠丝杠工作状态,输出识别结果,所述识别结果包括所述滚珠丝杠的正常阶段和/或退化阶段。
判断模块504,用于利用滑窗判断法对所述识别结果进行判断,以确定出所述滚珠丝杠是否处于真正退化阶段。
根据本发明实施例,通过获取滚珠丝杠的多通道检测侧数据,经过降噪处理后,利用训练好的多层卷积神经网络来对滚珠丝杠的工作状态进行检测识别,从而能够提高对滚珠丝杠的退化检测的准确率;对于多层卷积神经网络的识别结果,再利用滑窗判断对其进行判断以确定出所述滚珠丝杠是否处于真正退化阶段,从而减少一些干扰因素导致的退化阶段误报,降低退化阶段的误报率。
可选地,判断模块具体用于利用预先设置的滑窗大小确定出当前时间段内所述多层卷积神经网络识别出的所述滚珠丝杠所处的阶段数量,所述阶段数量包括正常阶段数量和退化阶段数量;基于所述正常阶段数量和退化阶段数量确定所述滚珠丝杠是否处于真正退化阶段。
可选地,所述多层卷积神经网络包括第三卷积层,其中,第一卷积层用于对所述多通道检测数据进行融合和提取特征;第二卷积层与所述第三卷积层的核函数大小相等,滑动步长相等。
可选地,装置还包括:训练模块用于获取滚珠丝杠的训练样本数据,所述训练样本数据包括训练集和测试集;利用所述训练样本数据对预先构建的多层卷积神经网络模型进行训练,得到训练后的所述多层卷积神经网络。
可选地,获取滚珠丝杠的训练样本数据,包括:获取滚珠丝杠的全生命周期的多组多通道检测数据;对所述多组多通道检测数据进行降噪处理,得到处理后的多组多通道检测数据;对所述多组多通道检测数据进行阶段划分,划分出正常阶段和退化阶段,并对正常阶段的数据和退化阶段的数据分别进行标记;从标记后的多组多通道检测数据中选择至少一组作为测试集,其他组数据作为训练集,得到所述训练样本数据。
可选地,所述多通道检测数据为所述滚珠丝杠的振动数据;对所述多组多通道检测数据进行阶段划分,包括:计算所述多组多通道检测数据的能量值;采用能量值来对所述多组多通道检测数据进行阶段划分。
可选地,所述多通道检测数据为三通道检测数据,通过以下公式计算能量值h:
其中, 为滚珠丝杠振动数据的均方根值,,,分别为丝杠三个通道数据在t时刻的经过降噪后的数据。
具体描述参见上述方法实施例,这里不再赘述。
本实施例还提供一种计算机设备,如可以执行程序的台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于:可通过系统总线相互通信连接的存储器21、处理器22,如图6所示。需要指出的是,图6仅示出了具有组件21-22的计算机设备20,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备20的内部存储单元,例如该计算机设备20的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备20的外部存储设备,例如该计算机设备20上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件,例如实施例所述的滚珠丝杠退化阶段识别装置的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行滚珠丝杠退化阶段识别装置,以实现实施例的滚珠丝杠退化阶段识别方法。
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储滚珠丝杠退化阶段识别装置,被处理器执行时实现实施例的滚珠丝杠退化阶段识别方法。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请的保护范围之中。
Claims (10)
1.一种滚珠丝杠退化阶段识别方法,其特征在于,包括:
获取用于检测滚珠丝杠工作状态的传感器的多通道检测数据 ;
对所述多通道检测数据进行信号降噪处理,得到处理后的检测数据;
将所述处理后的检测数据输入到预先训练得到的多层卷积神经网络中,利用所述多层卷积神经网络识别所述滚珠丝杠工作状态,输出识别结果,所述识别结果包括所述滚珠丝杠的正常阶段和/或退化阶段;
利用滑窗判断法对所述识别结果进行判断,以确定出所述滚珠丝杠是否处于真正退化阶段。
2.根据权利要求1所述的滚珠丝杠退化阶段识别方法,其特征在于,利用滑窗判断法对所述识别结果进行判断,以确定出所述滚珠丝杠是否处于真正退化阶段,包括:
利用预先设置的滑窗大小确定出当前时间段内所述多层卷积神经网络识别出的所述滚珠丝杠所处的阶段数量,所述阶段数量包括正常阶段数量和退化阶段数量;
基于所述正常阶段数量和退化阶段数量确定所述滚珠丝杠是否处于真正退化阶段。
3.根据权利要求1所述的滚珠丝杠退化阶段识别方法,其特征在于,所述多层卷积神经网络包括第三卷积层,其中,第一卷积层用于对所述多通道检测数据进行融合和提取特征;第二卷积层与所述第三卷积层的核函数大小相等,滑动步长相等。
4.根据权利要求1所述的滚珠丝杠退化阶段识别方法,其特征在于,在获取用于检测滚珠丝杠工作状态的传感器的多通道检测数据之前,还包括:
获取滚珠丝杠的训练样本数据,所述训练样本数据包括训练集和测试集;
利用所述训练样本数据对预先构建的多层卷积神经网络模型进行训练,得到训练后的所述多层卷积神经网络。
5.根据权利要求4所述的滚珠丝杠退化阶段识别方法,其特征在于,获取滚珠丝杠的训练样本数据,包括:
获取滚珠丝杠的全生命周期的多组多通道检测数据;
对所述多组多通道检测数据进行降噪处理,得到处理后的多组多通道检测数据;
对所述多组多通道检测数据进行阶段划分,划分出正常阶段和退化阶段,并对正常阶段的数据和退化阶段的数据分别进行标记;
从标记后的多组多通道检测数据中选择至少一组作为测试集,其他组数据作为训练集,得到所述训练样本数据。
6.根据权利要求5所述的滚珠丝杠退化阶段识别方法,其特征在于,所述多通道检测数据为所述滚珠丝杠的振动数据;对所述多组多通道检测数据进行阶段划分,包括:
计算所述多组多通道检测数据的能量值;
采用能量值来对所述多组多通道检测数据进行阶段划分。
7.根据权利要求6所述的滚珠丝杠退化阶段识别方法,其特征在于,所述多通道检测数据为三通道检测数据,通过以下公式计算能量值h:
其中,为滚珠丝杠振动数据的均方根值,,,分别为丝杠三个通道数据在t时刻的经过降噪后的数据。
8.一种滚珠丝杠退化阶段识别装置,其特征在于,包括:
获取模块,用于获取用于检测滚珠丝杠工作状态的传感器的多通道检测数据 ;
降噪模块,用于对所述多通道检测数据进行信号降噪处理,得到处理后的检测数据;
识别模块,用于将所述处理后的检测数据输入到预先训练得到的多层卷积神经网络中,利用所述多层卷积神经网络识别所述滚珠丝杠工作状态,输出识别结果,所述识别结果包括所述滚珠丝杠的正常阶段和/或退化阶段;
判断模块,用于利用滑窗判断法对所述识别结果进行判断,以确定出所述滚珠丝杠是否处于真正退化阶段。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850938.5A CN110516659A (zh) | 2019-09-10 | 2019-09-10 | 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850938.5A CN110516659A (zh) | 2019-09-10 | 2019-09-10 | 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516659A true CN110516659A (zh) | 2019-11-29 |
Family
ID=68631778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910850938.5A Pending CN110516659A (zh) | 2019-09-10 | 2019-09-10 | 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516659A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024147A (zh) * | 2019-12-26 | 2020-04-17 | 玳能科技(杭州)有限公司 | 基于CNNs的元件安装检测方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046322A (zh) * | 2015-07-03 | 2015-11-11 | 西南交通大学 | 一种丝杠故障诊断方法 |
CN105718876A (zh) * | 2016-01-18 | 2016-06-29 | 上海交通大学 | 一种滚珠丝杠健康状态的评估方法 |
CN108063698A (zh) * | 2017-12-15 | 2018-05-22 | 东软集团股份有限公司 | 设备异常检测方法和装置、程序产品及存储介质 |
-
2019
- 2019-09-10 CN CN201910850938.5A patent/CN110516659A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046322A (zh) * | 2015-07-03 | 2015-11-11 | 西南交通大学 | 一种丝杠故障诊断方法 |
CN105718876A (zh) * | 2016-01-18 | 2016-06-29 | 上海交通大学 | 一种滚珠丝杠健康状态的评估方法 |
CN108063698A (zh) * | 2017-12-15 | 2018-05-22 | 东软集团股份有限公司 | 设备异常检测方法和装置、程序产品及存储介质 |
Non-Patent Citations (1)
Title |
---|
唐旭: ""基于卷积神经网络的数控机床滚珠丝杠副故障诊断研究"", 《煤矿机械》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024147A (zh) * | 2019-12-26 | 2020-04-17 | 玳能科技(杭州)有限公司 | 基于CNNs的元件安装检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN105512799B (zh) | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 | |
WO2019214309A1 (zh) | 模型测试的方法及装置 | |
CN109739904B (zh) | 一种时间序列的标记方法、装置、设备和存储介质 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN106203637A (zh) | 一种基于马氏距离和健康指数的机载系统健康评估方法 | |
CN111796233A (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
CN103902798B (zh) | 数据预处理方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN110516659A (zh) | 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 | |
CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
US11449781B2 (en) | Plant abnormality prediction system and method | |
CN114756420A (zh) | 故障预测方法及相关装置 | |
CN116992362A (zh) | 一种基于夏普利值的变压器故障表征特征量筛选方法和装置 | |
CN109886288A (zh) | 一种用于电力变压器的状态评价方法及装置 | |
CN109816028A (zh) | 一种部分特征迁移的非平衡数据集分类模型融合方法 | |
CN115510998A (zh) | 交易异常值检测方法及装置 | |
CN114398940A (zh) | 一种面向车联网的设备故障诊断方法及系统 | |
CN113962216A (zh) | 文本处理方法、装置、电子设备及可读存储介质 | |
US9665795B2 (en) | Method and apparatus for identifying root cause of defect using composite defect map | |
CN112379656A (zh) | 工业系统异常数据的检测的处理方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |