CN110554657A - 一种数控机床运行状态健康诊断系统及诊断方法 - Google Patents

Abstract

本发明公开了一种数控机床运行状态健康诊断系统及诊断方法。该系统包括边缘数据采集模块、云平台和客户端；云平台分别与边缘数据采集模块和客户端连接；所述云平台包括预测性诊断模块、信息管理及存储模块和应用服务器；所述预测性诊断模块包括实时诊断模块、加工后诊断模块和综合诊断模块。本系统使用具有诊断功能的云平台替代上位机，极大地提升了可扩展性，只需在机床上部署对应的传感器，连接到云平台即可完成诊断与预测任务，通过云平台集中管理机床实时状态数据，以及基于神经网络的诊断技术对机床的健康状况进行评估预测。本诊断方法更加精简，健康诊断准确性高。

Description

一种数控机床运行状态健康诊断系统及诊断方法

技术领域

本发明涉及智能制造技术领域，具体是一种数控机床运行状态健康诊断系统及诊断方法。

背景技术

随着大数据、物联网、云计算等技术的推动，各国对于智能制造的发展愈发重视。新一代智能制造是新一代人工智能技术与先进制造技术的深度融合，贯穿于产品设计、制造、服务全生命周期的各个环节及相应系统的优化集成。数字化车间作为智能制造的核心单元，涉及信息技术、自动化技术、机械制造、物流管理等多个技术领域，对推进智能制造高质量发展具有重要意义。

数控机床作为“工作母机”，是制造业的基石，柔性化、高效能的自动化数控机床代表了现代机床控制技术的发展方向。在数控机床的运行过程中，需要实时对机床状态进行诊断，确保其出现故障前可以预测到将要出现的故障并立即得到解决，防止影响整个生产线的运行。传统的方法缺乏对机床运行状态全面、持续的全生命周期的监测和预测。在日常维修中，当遇到数控机床主轴方面有问题，传统方法只能凭经验进行逐一排除，往往需要检查每一个环节，甚至需要对数控机床主轴内部结构拆卸来检测和分析，工作量大。同时通常一副轴承拆卸后是不能重新使用的，需用特定的安装工艺装配新的轴承，从时间和备件上都是极大的浪费，维修周期长，严重影响数控机床主轴维修进度，增加了维修成本。因此，对数控机床运行状态进行健康诊断具有十分重要的意义。

现阶段，健康诊断主要有基于模型的诊断方法、基于统计的诊断方法和基于深度学习理论的诊断方法。基于模型的诊断方法一般利用系统精确的数学模型和可观测输入输出量构造残差信号来反映系统健康状态与实际运行状态之间的不一致，然后基于对残差信号的分析进行健康诊断，该方法适用于可以从物理系统中构建精确数学模型的领域。但是，基于模型的方法在应用之前，需要对系统充分了解，建立较精确的物理和数学模型。为了获得更准确地诊断结果，往往需要建立更复杂的模型，该方法此时存在一定的局限性。基于统计的诊断方法需从大量组件样本中收集系统运行过程数据并进行统计分析，形成健康状态标准数据样本与异常状态数据样本，依此利用多变量之间的相关性对系统运行过程健康状态进行诊断，此方法不需要对系统的结构和原理有深入的了解，也无需建立系统精确模型，完全取决于系统运行过程中传感器的测量数据，算法简单易于实现，但该方法诊断结果很大程度上依赖于样本数据及采集数据，数据的缺失极有可能导致结果的不准确。基于深度学习的健康诊断方法一般通过大量样本以非监督学习的方式逐层训练深度学习网络，充分挖掘反映健康状态数据的特征，并使深度学习模型具有提取健康特征的能力，训练完成后，在增加相应的分类器的基础上，以监督学习的方式对深度学习网络进行反向微调，保障深度学习网络能更好地实现健康特征的表达及健康诊断。基于深度学习理论的诊断方法的优势在于能够将故障特征提取与故障诊断有机融合，摆脱了传统浅层故障诊断方法对大量信号处理技术与诊断经验的依赖，但其诊断结果很大程度上取决于训练样本，一般与训练样本的数量成正相关关系。

申请号201210346785.9的文献公开了一种数控机床主轴状态检测方法。该方法需将得到的故障特征参数分别通过专家系统、人工神经网络系统和支持向量机进行处理，得出三个故障诊断结果，再将三个故障诊断结果通过遗传算法进行融合，检测相当复杂，诊断结果容易出现误差，故障诊断准确性较低，且无法实现机床主轴故障的预测，增大了机床主轴的维护成本。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种数控机床运行状态健康诊断系统及诊断方法。

本发明解决所述系统技术问题的技术方案是，提供一种数控机床运行状态健康诊断系统，其特征在于该系统包括边缘数据采集模块、云平台和客户端；云平台分别与边缘数据采集模块和客户端连接；

所述云平台包括预测性诊断模块、信息管理及存储模块和应用服务器；所述应用服务器与边缘数据采集模块单向连接，用于边缘数据采集模块向应用服务器传输实时基础数据；应用服务器与预测性诊断模块双向连接；预测性诊断模块接收应用服务器转发的实时基础数据，对机床的实时健康状况进行诊断，得到实时诊断数据并发送给应用服务器；预测性诊断模块接收应用服务器转发的来自客户端的处理后零件表面纹理图像与加工基本信息，生成加工后诊断数据；预测性诊断模块根据加工后诊断数据和实时诊断数据生成综合诊断数据发送给应用服务器；应用服务器与信息管理及存储模块双向连接，用于应用服务器向信息管理及存储模块传输实时诊断数据、综合诊断数据、处理后零件表面纹理图像、实时基础数据和加工基本信息并且信息管理及存储模块对其进行分类存储，以及信息管理及存储模块接收应用服务器转发的来自客户端的调取历史诊断数据请求后向应用服务器传输历史诊断数据；应用服务器与客户端双向连接，用于应用服务器向客户端传输实时基础数据、实时诊断数据、综合诊断数据、历史诊断数据和诊断结果，以及客户端向应用服务器传输处理后零件表面纹理图像、加工基本信息和调取历史诊断数据请求。

本发明解决所述方法技术问题的技术方案是，提供一种数控机床运行状态健康诊断方法，其特征在于该方法包括以下步骤：

步骤1、系统的安装：

(1)将数据采集设备中的各个部分安装到数控机床的适当位置；

(2)安装数据初步处理模块，并与数据采集设备的各个部分连接；

(3)将云平台的各个部分部署到指定位置并与边缘数据采集模块连接，且预测性诊断模块已经训练完成；

(4)部署客户端并将客户端与云平台连接；

步骤2、对数控机床运行状态进行健康诊断：

(1)数据采集设备采集机床的各项状态数据和正在执行的加工指令，得到原始实时数据；再将原始实时数据发送至数据初步处理模块；

(2)数据初步处理模块对原始实时数据进行数据运算，并支持边缘计算以及数据打包和压缩处理，得到实时基础数据，然后发送至应用服务器；

(3)应用服务器将实时基础数据转发给实时诊断模块、信息管理及存储模块和客户端；

(4)实时诊断模块使用递归神经网络或其变种的神经网络对实时基础数据进行分析处理，得到实时诊断数据；然后将实时诊断数据发送至应用服务器和综合诊断模块；应用服务器再将实时诊断数据发送至信息管理及存储模块和客户端；

(5)在加工完成后，工作人员利用客户端得到加工后零件表面纹理图像，再对图像进行预处理，得到处理后零件表面纹理图像；再将处理后零件表面纹理图像和加工基本信息传输至应用服务器；

(6)应用服务器将处理后零件表面纹理图像和加工基本信息发送至加工后诊断模块和信息管理及存储模块；

(7)加工后诊断模块使用卷积神经网络或其变种的神经网络对处理后零件表面纹理图像和加工基本信息进行分析处理，得到加工后诊断数据，并发送至综合诊断模块；

(8)综合诊断模块使用多层感知机对加工后诊断数据和实时诊断数据进行分析处理，得到综合诊断数据并发送至应用服务器；

(9)应用服务器将综合诊断数据发送至客户端和信息管理及存储模块；工作人员查看实时诊断数据、处理后零件表面纹理图像、加工基本信息、综合诊断数据和诊断结果，实现对系统的健康诊断。

与现有技术相比，本发明有益效果在于：

(1)本系统使用具有诊断功能的云平台替代上位机，极大地提升了可扩展性，只需在机床上部署对应的传感器，连接到云平台即可完成诊断与预测任务，通过云平台集中管理机床实时状态数据，以及基于神经网络的诊断技术对机床的健康状况进行评估预测。而且本诊断方法更加精简，健康诊断准确性高。

(2)本系统对机床进行健康诊断而非故障诊断，健康诊断执行在故障发生之前，可以对机床关键部件(例如主轴系统、进给系统甚至是刀具)的健康状况和剩余使用寿命进行诊断和预测，而以往的故障诊断则是执行在故障发生之后，健康诊断较之于故障诊断，可以大大降低维护成本，提高加工质量。

(3)使用神经网络处理机床的各项实时状态数据以及处理后零件表面纹理图像，相比以往使用人工特征工程(例如小波变换、傅立叶变换等)处理机床实时状态，无需人工介入分析数据特征，可以极大地降低人工工作量，同时也可以做到在线学习。

(4)引入对加工指令、被加工材料、刀具信息的处理，机床的实时状态数据往往会随着加工指令、被加工材料以及刀具改变而改变，所以引入对这些信息的处理与加工，可以获得更全面的信息，从而使诊断与预测的结果更加准确。

(5)利用云平台对机床的实时基础数据和诊断信息进行管理与存储，对机床运行状态进行全面、持续的全生命周期的监测和预测，可实现远程的健康诊断及维护。通过云平台可以实现多客户端、多机床的统一监控，构建一个可以用于数字化车间的机床运行状态健康诊断云平台，相比以往每个机床配备一台计算机，可以更方便地监控每一台机床的健康状况。

(6)将健康诊断功能集成到云平台上，健康诊断通常需要较大的计算量来完成对机床实时状态数据的处理，以往通常将计算设备安装到机床上，这样会导致机床附加设备过多，安装难度加大，也导致了计算力冗余，不利于后期的扩展与维护。本系统将云平台应用到这一领域，可以极大地降低机床附加设备的数量，降低安装难度，同时也将计算力集中，节约安装与维护成本。

附图说明

图1为本发明一种实施例的系统整体框架图；

图2为本发明一种实施例的边缘数据采集模块的框架图；

图3为本发明一种实施例的云平台的框架图；

图4为本发明一种实施例的全相联神经网络结构图；

图5为本发明一种实施例的递归神经网络结构图；

图6为本发明一种实施例的卷积神经网络结构图；

图中：1、边缘数据采集模块；2、云平台；3、客户端；

11、数据采集设备；12、数据初步处理模块；

111、主轴系统传感器组；112、进给系统传感器组；113、加工指令采集设备；

1111、主轴转速传感器；1112、主轴加速度传感器；1113、主轴驱动电流传感器；1114、主轴驱动电压传感器；1115、主轴温度传感器；

1121、进给系统加速度传感器；1122、进给驱动电流传感器；1123、进给驱动电压传感器；

21、预测性诊断模块；22、信息管理及存储模块；23、应用服务器；

211、实时诊断模块；212、加工后诊断模块；213、综合诊断模块；

R1为原始实时数据；R2为实时基础数据；R3为处理后零件表面纹理图像；R4为加工基本信息；R5为调取历史诊断数据请求；D1为实时诊断数据；D2为加工后诊断数据；D3为综合诊断数据；D4为历史诊断数据；

具体实施方式

下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请权利要求的保护范围。

本发明提供了一种数控机床运行状态健康诊断系统(简称系统，参见图1-3)，其特征在于该系统包括边缘数据采集模块1、云平台2和客户端3；云平台2分别与边缘数据采集模块1和客户端3连接；

所述边缘数据采集模块1包括数据采集设备11和数据初步处理模块12；数据采集设备11和数据初步处理模块12连接；数据采集设备11采集机床的各项状态数据和正在执行的加工指令，得到原始实时数据R1；数据初步处理模块12对原始实时数据R1进行数据运算，并支持边缘计算以及数据打包和压缩处理，得到实时基础数据R2；

所述数据采集设备11包括主轴系统传感器组111、进给系统传感器组112和加工指令采集设备113；主轴系统传感器组111、进给系统传感器组112和加工指令采集设备113分别与数据初步处理模块12连接；主轴系统传感器组111和进给系统传感器组112用于采集机床的各项状态数据；所述加工指令采集设备113用于获取机床正在执行的加工指令；

所述主轴系统传感器组111包括主轴转速传感器1111、主轴加速度传感器1112、主轴驱动电流传感器1113、主轴驱动电压传感器1114和主轴温度传感器1115；对于使用伺服电主轴的机床，主轴转速传感器1111连接到伺服电主轴的转速信号输出端来获取伺服电主轴自身测量的主轴转速数据；对于使用普通无伺服功能的主轴的机床，主轴转速传感器1111安装于主轴输出轴旁，使转速传感器的测量部分对准主轴输出轴，用于测量主轴转速；主轴加速度传感器1112紧固于主轴前端敏感位置处，测量时主轴带动加速度传感器运动，测量主轴在运行过程中主轴本体的加速度数据；主轴驱动电压传感器1114和主轴驱动电流传感器1113均与主轴输入信号端连接，用于测量主轴驱动电压和驱动电流；主轴温度传感器1115的测量部分紧贴主轴靠近电机处的内表面，用于测量主轴本体运行过程中的温度数据；

所述进给系统传感器组112包括进给系统加速度传感器1121、进给驱动电流传感器1122和进给驱动电压传感器1123；进给系统加速度传感器1121安装于工作台，用于测量进给轴运行过程中运动部件的加速度；进给驱动电流传感器1122和进给驱动电压传感器1123均安装于进给系统驱动器信号输出端，用于测量进给电机驱动电流和驱动电压；

可用振动传感器替换主轴系统传感器组111和进给系统传感器组112中的加速度传感器，得到相应的振动数据来替代加速度数据；

所述云平台2包括预测性诊断模块21、信息管理及存储模块22和应用服务器23；所述应用服务器23与边缘数据采集模块1的数据初步处理模块12单向连接，用于数据初步处理模块12向应用服务器23传输实时基础数据R2；应用服务器23与预测性诊断模块21双向连接；预测性诊断模块21接收应用服务器23转发的来自数据初步处理模块12的实时基础数据R2，对机床的实时健康状况进行诊断，得到实时诊断数据D1并发送给应用服务器23；预测性诊断模块21接收应用服务器23转发的来自客户端3的处理后零件表面纹理图像R3与加工基本信息R4，生成加工后诊断数据D2；预测性诊断模块21根据加工后诊断数据D2和实时诊断数据D1生成综合诊断数据D3发送给应用服务器23；应用服务器23与信息管理及存储模块22双向连接，用于应用服务器23向信息管理及存储模块22传输实时诊断数据D1、综合诊断数据D3、处理后零件表面纹理图像R3、实时基础数据R2和加工基本信息R4并且信息管理及存储模块22对其进行分类存储，以及信息管理及存储模块22接收应用服务器23转发的来自客户端3的调取历史诊断数据请求R5后向应用服务器23传输历史诊断数据D4，实现对机床全生命周期的数据进行分类储存和管理；应用服务器23与客户端3双向连接，用于应用服务器23向客户端3传输实时基础数据R2、实时诊断数据D1、综合诊断数据D3、历史诊断数据D4和诊断结果(诊断结果可以是性能完好、性能退化或故障等评价等级和结论)，以及客户端3向应用服务器23传输处理后零件表面纹理图像R3、加工基本信息R4和调取历史诊断数据请求R5；

应用服务器23的作用是：接收来自边缘数据采集模块1的实时基础数据R2并转发到实时诊断模块211、信息管理及存储模块22和客户端3；接收来自实时诊断模块211的实时诊断数据D1并转发到信息管理及存储模块22和客户端3；接收来自综合诊断模块213的综合诊断数据D3并转发到信息管理及存储模块22和客户端3；接收来自客户端3的处理后零件表面纹理图像R3和加工基本信息R4并转发到加工后诊断模块212和信息管理及存储模块22；接收来自客户端3的调取历史诊断数据请求R5并转发到信息管理及存储模块22，同时接收信息管理及存储模块22响应的历史诊断数据D4并转发到客户端3；

所述客户端3为安装有能够访问云平台2的可执行文件的计算机、智能手机或嵌入式设备等可以执行计算机程序的设备，以及能够通过网页浏览器访问云平台的设备；用户可通过客户端3在加工进行过程中实时查看来自应用服务器23发来的实时基础数据R2与实时诊断数据D1；在加工完毕后，用户通过客户端3上传处理后零件表面纹理图像R3和加工基本信息R4到云平台2，待云平台2分析诊断完毕后，用户可以在客户端3查看综合诊断数据D3和诊断结果；用户也可以通过客户端3调取存储在云平台2的历史诊断数据D4在客户端3查看；

所述预测性诊断模块21包括实时诊断模块211、加工后诊断模块212和综合诊断模块213；所述应用服务器23与实时诊断模块211双向连接，用于应用服务器23向实时诊断模块211传输实时基础数据R2，以及实时诊断模块211向应用服务器23传输实时诊断数据D1；应用服务器23与加工后诊断模块212单向连接，用于应用服务器23向加工后诊断模块212传输处理后零件表面纹理图像R3和加工基本信息R4；实时诊断模块211与综合诊断模块213单向连接，用于实时诊断模块211向综合诊断模块213传输实时诊断数据D1；加工后诊断模块212与综合诊断模块213单向连接，用于加工后诊断模块212向综合诊断模块213传输加工后诊断数据D2；应用服务器23与综合诊断模块213单向连接，用于综合诊断模块213向应用服务器23传输综合诊断数据D3；

本发明同时提供了一种数控机床运行状态健康诊断方法(简称方法)，其特征在于该方法包括以下步骤：

步骤1、系统的安装：

(1)将数据采集设备11中的各个部分安装到数控机床的适当位置；

(2)安装数据初步处理模块12，并与数据采集设备11的各个部分连接；

(3)将云平台2的各个部分部署到指定位置并与边缘数据采集模块1连接，且预测性诊断模块21已经训练完成；

(4)部署客户端3并将客户端3与云平台2连接；

步骤2、对数控机床运行状态进行健康诊断：

(1)数据采集设备11采集机床的各项状态数据和正在执行的加工指令，得到原始实时数据R1；再将原始实时数据R1发送至数据初步处理模块12；所述原始实时数据R1包括主轴的转速、主轴敏感位置处的三向振动或三向加速度、主轴驱动电流、主轴驱动电压、主轴敏感位置处温度、进给系统敏感位置处三向振动或三向加速度数据、进给系统驱动电流、进给系统驱动电压以及正在执行的加工指令；

(2)数据初步处理模块12对原始实时数据R1进行数据运算，并支持边缘计算以及数据打包和压缩处理，得到实时基础数据R2，然后发送至应用服务器23；

(3)应用服务器23将实时基础数据R2转发给实时诊断模块211、信息管理及存储模块22和客户端3；

(4)实时诊断模块211使用递归神经网络或其变种的神经网络对实时基础数据R2进行分析处理，得到实时诊断数据D1；然后将实时诊断数据D1发送至应用服务器23和综合诊断模块213；应用服务器23再将实时诊断数据D1发送至信息管理及存储模块22和客户端3；

(5)在加工完成后，工作人员利用客户端3拍摄加工后零件表面纹理图像；再对图像进行裁剪、图像增强、图像滤波和压缩等图像预处理，得到处理后零件表面纹理图像R3；再将处理后零件表面纹理图像R3和填写的加工基本信息R4传输至应用服务器23；所述加工后零件表面纹理图像是指被加工零件每个工艺步骤对应的表面纹理图像；所述加工基本信息R4包括被加工材料以及每个工艺步骤所使用的刀具型号、材料和工艺参数；

(6)应用服务器23将处理后零件表面纹理图像R3和加工基本信息R4发送至加工后诊断模块212和信息管理及存储模块22；

(7)加工后诊断模块212使用卷积神经网络或其变种的神经网络对处理后零件表面纹理图像R3和加工基本信息R4进行分析处理，间接判定此次加工过程机床的健康状况，得到加工后诊断数据D2，并发送至综合诊断模块213；

(8)综合诊断模块213使用多层感知机(包括全相联神经网络或其变种的神经网络)对加工后诊断数据D2和实时诊断数据D1进行分析处理，综合对比此次加工过程的实时诊断数据D1和加工后诊断数据D2，对此次加工过程机床的健康状况进行进一步综合诊断，得到综合诊断数据D3并发送至应用服务器23；

(9)应用服务器23将综合诊断数据D3发送至客户端3和信息管理及存储模块22；工作人员查看实时诊断数据D1、处理后零件表面纹理图像R3、加工基本信息R4、综合诊断数据D3和客户端3显示的诊断结果，实现对系统的健康诊断。

优选地，当需要调取历史诊断数据D4时，工作人员通过客户端3向应用服务器23发送调取历史诊断数据请求R5；然后应用服务器23从信息管理及存储模块22中调取历史诊断数据D4，并发送至客户端3，供工作人员查看。

历史诊断数据D4包括实时诊断数据D1和综合诊断数据D3；

预测性诊断模块21训练的具体方法是：

由于预测性诊断模块21使用神经网络进行诊断与预测，所以预测性诊断模块21需要进行训练；首先准备足够多(具体数量因实施时需要而确定)的训练数据，然后向实时诊断模块211、加工后诊断模块212和综合诊断模块213中使用的神经网络中输入训练数据，使用反向传播算法对神经网络进行训练，调整神经网络内部的结构和参数，使得神经网络的输出值与期望的输出值的差异最小；反向传播算法是：对于每个输入数据和给定的期望输出，通过计算神经网络在给定输入下的输出与期望输出的差异，以及神经网络各层的梯度函数，从输出层到输入层逐层调整神经网络各层中各个神经元的参数，使在给定的输入数据下，神经网络的输出值与期望的输出值的差异最小，达到对整个神经网络进行训练的目的；

所述训练数据包括实时基础数据R2、处理后零件表面纹理图像R3、加工基本信息R4以及这些数据的人工诊断结果；人工诊断结果能够量化评估数控机床主轴、进给系统、刀具的健康状况，即由本领域技术人员通过经验、数学模型或其他方式(人工标定)获取的实时诊断数据D1、加工后诊断数据D2和综合诊断数据D3等；

由于神经网络的变种异常丰富，结构也非常多样化，导致每一种神经网络的训练在具体实施时都有一定的差异，因此通过一个实施例来描述训练过程。

本实施例的训练过程为：先训练卷积神经网络和递归神经网络(这两者的训练不分先后，也可同时)，然后训练多层感知机。

使用的多层感知机采用全相联神经网络，其结构见图4；全相联神经网络包含一个隐含层、一个输入层和一个输出层，其中隐含层包含40个神经元，输入层包含20个神经元，输出层包含10个神经元；对于全相联神经网络，使用反向传播法即可完成训练；对于全相联神经网络，在输入标号为第k代样本时，实时诊断数据D1表示为X_r,k与加工后诊断数据D2表示为X_p,k做向量拼接得到的结果传递给输入层通过相应的运算，得到输入层输出O_i,k；再将输入层输出O_i,k传递给隐含层通过相应的运算，得到隐含层输出O_h,k；再将隐含层输出O_h,k传递给输出层通过相应的运算，得到实际输出为Y_k；隐含层、输入层和输出层为使用Sigmoid激活函数的神经元；

上述过程的具体的公式表示如式1)-式3)所示：

O_h,k＝σ(W_hO_i,k+b_h) 2)

Y_k＝σ(W_oO_h,k+b_o) 3)

式1)-式3)中，X_r,k为实时诊断数据D1输入；X_p,k为加工后诊断数据D2输入；为向量拼接操作；O_i,k为输入层输出；O_h,k为隐含层输出；Y_k为神经网络在输入X_r,k和X_p,k时的实际输出；下标k表示训练样本的编号，即第k个样本；W_i和b_i分别表示输入层的权重矩阵和偏置矩阵；W_h和b_h分别表示隐含层的权重矩阵和偏置矩阵；W_o和b_o分别表示输出层的权重矩阵和偏置矩阵；σ(·)函数表示Sigmoid函数，为该神经网络的激活函数；

定义全相联神经网络的误差e_k如式4)所示：

e_k＝(Y′_k-Y_k)² 4)

式4)中，Y为神经网络的实际输出，Y′_k为神经网络的期望输出；

则训练全相联神经网络的过程是求e_k对式1)-式3)中的各个参数的梯度，并利用这些梯度调整各个参数以最小化e_k的过程；各个参数指W_i、b_i、W_h、b_h、W_o和b_o；

使用的递归神经网络采用LSTM网络，其结构见图5；对于LSTM网络，在输入标号为第k代样本时，当前实时基础数据R2表示为X_r,t,k与上步实时诊断数据h_t-1,k做向量拼接得到总体输入X_t,k；总体输入X_t,k分别传递给以遗忘门、输入门、新记忆元和输出门通过相应的运算，得到遗忘门输出f_t,k、输入门输出i_t,k、新记忆元输出c′_t,k以及输出门输出o_t,k；遗忘门输出f_t,k与上步的LSTM内部状态c_t-1,k相乘*，以确定对之前的记忆是否选择遗忘(即之前的记忆是否将对此时的操作产生影响)，得到的结果为长期记忆m；输入门输出i_t,k与新记忆元输出c′_t,k相乘，得到的结果为短期记忆m′；短期记忆m′与长期记忆m相加，传递到最终记忆元，由最终记忆元通过相应的运算产生该步的LSTM内部状态c_t,k；将该步的LSTM内部状态c_t,k与输出门输出o_t,k相乘*，得到该步的实时诊断数据h_t,k；遗忘门、输入门和输出门为使用Sigmoid激活函数的神经元；新记忆元和最终记忆元为使用tanh激活函数的神经元；

上述过程的具体的公式表示如式5)-13)所示：

i_t,k＝σ(W_iX_t,k+b_i) 6)

f_t,k＝σ(W_fX_t,k+b_f) 7)

o_t,k＝σ(W_oX_t,k+b_o) 8)

c′_t,k＝tanh(W_cX_t,k+b_c) 9)

m＝f_t,k*c_t-1,k 10)

m′＝i_t,k*c′_t,k 11)

c_t,k＝tanh(m+m′) 12)

h_t,k＝o_t,k*c_t,k 13)

式5)-式13)中，X_r,t,k表示当前实时基础数据R2输入；h_t-1,k为上步实时诊断数据输入；下标k表示训练样本的编号，即第k个样本；X_t,k为总体输入；f_t,k为遗忘门输出，i_t,k为输入门输出；o_t,k为输出门输出；c′_t,k为新记忆元输出；c_t-1,k为上步的LSTM内部状态；m为长期记忆输出；m′为短期记忆输出；c_t,k为该步的LSTM内部状态；h_t,k为该步的实时诊断数据输出；*为Hadamard积；+为向量加操作；为向量拼接操作；tanh(·)为tanh激活函数；σ(·)为Sigmoid激活函数；W_i与b_i分别表示输入门的权重矩阵和偏置矩阵；W_f与b_f分别表示遗忘门的权重矩阵和偏置矩阵；W_c与b_c分别表示新记忆元的权重矩阵和偏置矩阵；W_o与b_o分别表示输出门的权重矩阵和偏置矩阵；

定义LSTM网络的误差e_t,k为如式14)所示：：

e_t,k＝(h′_t,k-h_t,k)² 14)

式14)中，h′_t,k为神经网络的期望输出；h_t,k为神经网络的实际输出；

则训练递归神经网络的过程是求e_t对式5)-式13)中的各个参数的梯度，并利用这些梯度调整各个参数以最小化e_t的过程；各个参数指W_i、W_f、W_o、W_c、b_i、b_f、b_o和b_c；

使用的卷积神经网络采用LeNet-5网络，其结构见图6；将处理后零件表面纹理图像R3输入第一卷积层中；第一卷积层使用6个特征图，卷积核大小为5*5，步长为1，输出特征图大小为28*28，激活函数为ReLU；第一池化层使用6个特征图，卷积核大小为2*2，步长为2，输出特征图大小为14*14，池化方法为求和；第二卷积层使用16个特征图，卷积核大小为5*5，步长为1，输出特征图大小为10*10，激活函数为ReLU；第二池化层使用16个特征图，卷积核大小为2*2，步长为2，输出特征图大小5*5，池化方法为求和；将加工基本信息R4输入第三卷积层中；第三卷积层使用150个特征图，其中120个特征图来自第二池化层，30个特征图来自加工基本信息R4，卷积核大小为5*5，步长为2，输出特征图大小为1×1，激活函数为ReLU；第一全相联层为一个普通的隐含层，包含84个神经元；第二全相联层为一个使用了10个神经元的输出层；

对于LeNet-5网络，由于卷积神经网络包括卷积层、池化层和全相联层；全相联层的训练方法与全相联神经网络相同，下面只介绍池化层和卷积层的训练方法；

对于池化层，从该层的输出误差反向推导其输入误差的公式为：

e^l-1＝upsample(e^l)*o^l-1 15)

式15)中，o^l-1为前一层的输出；e^l-1为前一层的误差；*为Hadamard积；upsample(·)为上采样函数，在本例中，池化方法为求和，所以此处的上采样函数为平均函数，即将e^l分四平均，得到一个2*2矩阵；e^l为该层的误差；由于池化层通常不设置任何激活函数，所以在池化层仅将误差进行反向传播；

对于卷积层，其输入误差与输出误差之间的关系为：

e^l-1＝e^l*rot180(W^l)*o^l-1 16)

式16)中，W^l为该层的卷积核；rot180(·)函数为旋转函数，它将输入矩阵做一次水平翻转和一次竖直翻转；训练卷积层的过程为更新卷积核的过程，即调整W^l以最小化e的过程；

本发明未述及之处适用于现有技术。

Claims (10)

1.一种数控机床运行状态健康诊断系统，其特征在于该系统包括边缘数据采集模块、云平台和客户端；云平台分别与边缘数据采集模块和客户端连接；

所述云平台包括预测性诊断模块、信息管理及存储模块和应用服务器；所述应用服务器与边缘数据采集模块单向连接，用于边缘数据采集模块向应用服务器传输实时基础数据；应用服务器与预测性诊断模块双向连接；预测性诊断模块接收应用服务器转发的实时基础数据，对机床的实时健康状况进行诊断，得到实时诊断数据并发送给应用服务器；预测性诊断模块接收应用服务器转发的来自客户端的处理后零件表面纹理图像与加工基本信息，生成加工后诊断数据；预测性诊断模块根据加工后诊断数据和实时诊断数据生成综合诊断数据发送给应用服务器；应用服务器与信息管理及存储模块双向连接，用于应用服务器向信息管理及存储模块传输实时诊断数据、综合诊断数据、处理后零件表面纹理图像、实时基础数据和加工基本信息并且信息管理及存储模块对其进行分类存储，以及信息管理及存储模块接收应用服务器转发的来自客户端的调取历史诊断数据请求后向应用服务器传输历史诊断数据；应用服务器与客户端双向连接，用于应用服务器向客户端传输实时基础数据、实时诊断数据、综合诊断数据、历史诊断数据和诊断结果，以及客户端向应用服务器传输处理后零件表面纹理图像、加工基本信息和调取历史诊断数据请求。

2.根据权利要求1所述的数控机床运行状态健康诊断系统，其特征在于所述预测性诊断模块包括实时诊断模块、加工后诊断模块和综合诊断模块；所述应用服务器与实时诊断模块双向连接，用于应用服务器向实时诊断模块传输实时基础数据，以及实时诊断模块向应用服务器传输实时诊断数据；应用服务器与加工后诊断模块单向连接，用于应用服务器向加工后诊断模块传输处理后零件表面纹理图像和加工基本信息；实时诊断模块与综合诊断模块单向连接，用于实时诊断模块向综合诊断模块传输实时诊断数据；加工后诊断模块与综合诊断模块单向连接，用于加工后诊断模块向综合诊断模块传输加工后诊断数据；应用服务器与综合诊断模块单向连接，用于综合诊断模块向应用服务器传输综合诊断数据。

3.根据权利要求1所述的数控机床运行状态健康诊断系统，其特征在于所述边缘数据采集模块包括数据采集设备和数据初步处理模块；数据采集设备和数据初步处理模块连接；数据采集设备采集机床的各项状态数据和正在执行的加工指令，得到原始实时数据；数据初步处理模块对原始实时数据进行数据运算，并支持边缘计算以及数据打包和压缩处理，得到实时基础数据；数据初步处理模块与应用服务器单向连接，用于数据初步处理模块向应用服务器传输实时基础数据。

4.根据权利要求3所述的数控机床运行状态健康诊断系统，其特征在于所述数据采集设备包括主轴系统传感器组、进给系统传感器组和加工指令采集设备；主轴系统传感器组、进给系统传感器组和加工指令采集设备分别与数据初步处理模块连接；主轴系统传感器组和进给系统传感器组用于采集机床的各项状态数据；所述加工指令采集设备用于获取机床正在执行的加工指令。

5.根据权利要求4所述的数控机床运行状态健康诊断系统，其特征在于所述主轴系统传感器组包括主轴转速传感器、主轴加速度传感器、主轴驱动电流传感器、主轴驱动电压传感器和主轴温度传感器；对于使用伺服电主轴的机床，主轴转速传感器连接到伺服电主轴的转速信号输出端来获取伺服电主轴的主轴转速数据；对于使用无伺服功能的主轴的机床，主轴转速传感器安装于主轴输出轴旁，使转速传感器的测量部分对准主轴输出轴，用于测量主轴转速；主轴加速度传感器紧固于主轴前端敏感位置处，测量时主轴带动加速度传感器运动，测量主轴在运行过程中主轴本体的加速度数据；主轴驱动电压传感器和主轴驱动电流传感器均与主轴输入信号端连接，用于测量主轴驱动电压和驱动电流；主轴温度传感器的测量部分紧贴主轴靠近电机处的内表面，用于测量主轴本体运行过程中的温度数据；

所述进给系统传感器组包括进给系统加速度传感器、进给驱动电流传感器和进给驱动电压传感器；进给系统加速度传感器安装于工作台，用于测量进给轴运行过程中运动部件的加速度；进给驱动电流传感器和进给驱动电压传感器均安装于进给系统驱动器信号输出端，用于测量进给电机驱动电流和驱动电压。

6.根据权利要求5所述的数控机床运行状态健康诊断系统，其特征在于用振动传感器替换主轴系统传感器组和进给系统传感器组中的加速度传感器，得到相应的振动数据来替代加速度数据。

7.一种数控机床运行状态健康诊断方法，其特征在于该方法包括以下步骤：

步骤1、系统的安装：

(1)将数据采集设备中的各个部分安装到数控机床的适当位置；

(2)安装数据初步处理模块，并与数据采集设备的各个部分连接；

(3)将云平台的各个部分部署到指定位置并与边缘数据采集模块连接，且预测性诊断模块已经训练完成；

(4)部署客户端并将客户端与云平台连接；

步骤2、对数控机床运行状态进行健康诊断：

(1)数据采集设备采集机床的各项状态数据和正在执行的加工指令，得到原始实时数据；再将原始实时数据发送至数据初步处理模块；

(2)数据初步处理模块对原始实时数据进行数据运算，并支持边缘计算以及数据打包和压缩处理，得到实时基础数据，然后发送至应用服务器；

(3)应用服务器将实时基础数据转发给实时诊断模块、信息管理及存储模块和客户端；

(4)实时诊断模块使用递归神经网络或其变种的神经网络对实时基础数据进行分析处理，得到实时诊断数据；然后将实时诊断数据发送至应用服务器和综合诊断模块；应用服务器再将实时诊断数据发送至信息管理及存储模块和客户端；

(5)在加工完成后，工作人员利用客户端得到加工后零件表面纹理图像，再对图像进行预处理，得到处理后零件表面纹理图像；再将处理后零件表面纹理图像和加工基本信息传输至应用服务器；

(6)应用服务器将处理后零件表面纹理图像和加工基本信息发送至加工后诊断模块和信息管理及存储模块；

(7)加工后诊断模块使用卷积神经网络或其变种的神经网络对处理后零件表面纹理图像和加工基本信息进行分析处理，得到加工后诊断数据，并发送至综合诊断模块；

(8)综合诊断模块使用多层感知机对加工后诊断数据和实时诊断数据进行分析处理，得到综合诊断数据并发送至应用服务器；

(9)应用服务器将综合诊断数据发送至客户端和信息管理及存储模块；工作人员查看实时诊断数据、处理后零件表面纹理图像、加工基本信息、综合诊断数据和诊断结果，实现对系统的健康诊断。

8.根据权利要求7所述的数控机床运行状态健康诊断方法，其特征在于当需要调取历史诊断数据时，工作人员通过客户端向应用服务器发送调取历史诊断数据请求；然后应用服务器从信息管理及存储模块中调取历史诊断数据并发送至客户端，供工作人员查看。

9.根据权利要求7所述的数控机床运行状态健康诊断方法，其特征在于预测性诊断模块训练的具体方法是：首先准备足够多的训练数据，然后向实时诊断模块、加工后诊断模块和综合诊断模块中使用的神经网络中输入训练数据，使用反向传播算法对神经网络进行训练，调整神经网络内部的结构和参数，使得神经网络的输出值与期望的输出值的差异最小；

反向传播算法是：对于每个输入数据和给定的期望输出，通过计算神经网络在给定输入下的输出与期望输出的差异，以及神经网络各层的梯度函数，从输出层到输入层逐层调整神经网络各层中各个神经元的参数，使在给定的输入数据下，神经网络的输出值与期望的输出值的差异最小，达到对整个神经网络进行训练的目的。

10.根据权利要求7所述的数控机床运行状态健康诊断方法，其特征在于多层感知机采用全相联神经网络；全相联神经网络包含一个隐含层、一个输入层和一个输出层，其中隐含层包含40个神经元，输入层包含20个神经元，输出层包含10个神经元；对于全相联神经网络，在输入标号为第k代样本时，实时诊断数据表示为X_r,k与加工后诊断数据表示为X_p,k做向量拼接⊕，得到的结果传递给输入层通过相应的运算，得到输入层输出O_i,k；再将输入层输出O_i,k传递给隐含层通过相应的运算，得到隐含层输出O_h,k；再将隐含层输出O_h,k传递给输出层通过相应的运算，得到实际输出为Y_k；隐含层、输入层和输出层为使用Sigmoid激活函数的神经元；

上述过程的具体的公式表示如式1)-式3)所示：

O_i,k＝σ(W_i(X_r,k⊕X_p,k)+b_i) 1)

O_h,k＝σ(W_hO_i,k+b_h) 2)

Y_k＝σ(W_oO_h,k+b_o) 3)

式1)-式3)中，X_r,k为实时诊断数据输入；X_p,k为加工后诊断数据输入；⊕为向量拼接操作；O_i,k为输入层输出；O_h,k为隐含层输出；Y_k为神经网络在输入X_r,k和X_p,k时的实际输出；下标k表示训练样本的编号，即第k个样本；W_i和b_i分别表示输入层的权重矩阵和偏置矩阵；W_h和b_h分别表示隐含层的权重矩阵和偏置矩阵；W_o和b_o分别表示输出层的权重矩阵和偏置矩阵；σ(·)函数表示Sigmoid函数，为该神经网络的激活函数；

定义全相联神经网络的误差e_k如式4)所示：

e_k＝(Y′_k-Y_k)² 4)

式4)中，Y为神经网络的实际输出，Y′_k为神经网络的期望输出；

则训练全相联神经网络的过程是求e_k对式1)-式3)中的各个参数的梯度，并利用这些梯度调整各个参数以最小化e_k的过程；各个参数指W_i、b_i、W_h、b_h、W_o和b_o；

递归神经网络采用LSTM网络；对于LSTM网络，在输入标号为第k代样本时，当前实时基础数据表示为X_r,t,k与上步实时诊断数据h_t-1,k做向量拼接⊕，得到总体输入X_t,k；总体输入X_t,k分别传递给以遗忘门、输入门、新记忆元和输出门通过相应的运算，得到遗忘门输出f_t,k、输入门输出i_t,k、新记忆元输出c′_t,k以及输出门输出o_t,k；遗忘门输出f_t,k与上步的LSTM内部状态c_t-1,k相乘*，以确定之前的记忆是否将对此时的操作产生影响，得到的结果为长期记忆m；输入门输出i_t,k与新记忆元输出c′_t,k相乘，得到的结果为短期记忆m′；短期记忆m′与长期记忆m相加，传递到最终记忆元，由最终记忆元通过相应的运算产生该步的LSTM内部状态c_t,k；将该步的LSTM内部状态c_t,k与输出门输出o_t,k相乘*，得到该步的实时诊断数据h_t,k；遗忘门、输入门和输出门为使用Sigmoid激活函数的神经元；新记忆元和最终记忆元为使用tanh激活函数的神经元；

上述过程的具体的公式表示如式5)-13)所示：

X_t,k＝X_r,t,k⊕h_t-1,k 5)

i_t,k＝σ(W_iX_t,k+b_i) 6)

f_t,k＝σ(W_fX_t,k+b_f) 7)

o_t,k＝σ(W_oX_t,k+b_o) 8)

c′_t,k＝tanh(W_cX_t,k+b_c) 9)

m＝f_t,k*c_t-1,k 10)

m′＝i_t,k*c′_t,k 11)

c_t,k＝tanh(m+m′) 12)

h_t,k＝o_t,k*c_t,k 13)

式5)-式13)中，X_r,t,k表示当前实时基础数据输入；h_t-1,k为上步实时诊断数据输入；下标k表示训练样本的编号，即第k个样本；X_t,k为总体输入；f_t,k为遗忘门输出，i_t,k为输入门输出；o_t,k为输出门输出；c′_t,k为新记忆元输出；c_t-1,k为上步的LSTM内部状态；m为长期记忆输出；m′为短期记忆输出；c_t,k为该步的LSTM内部状态；h_t,k为该步的实时诊断数据输出；*为Hadamard积；+为向量加操作；⊕为向量拼接操作；tanh(·)为tanh激活函数；σ(·)为Sigmoid激活函数；W_i与b_i分别表示输入门的权重矩阵和偏置矩阵；W_f与b_f分别表示遗忘门的权重矩阵和偏置矩阵；W_c与b_c分别表示新记忆元的权重矩阵和偏置矩阵；W_o与b_o分别表示输出门的权重矩阵和偏置矩阵；

定义LSTM网络的误差e_t,k为如式14)所示：：

e_t,k＝(h′_t,k-h_t,k)² 14)

式14)中，h′_t,k为神经网络的期望输出；h_t,k为神经网络的实际输出；

则训练递归神经网络的过程是求e_t对式5)-式13)中的各个参数的梯度，并利用这些梯度调整各个参数以最小化e_t的过程；各个参数指W_i、W_f、W_o、W_c、b_i、b_f、b_o和b_c；

卷积神经网络为LeNet-5网络；将处理后零件表面纹理图像输入第一卷积层中；第一卷积层使用6个特征图，卷积核大小为5*5，步长为1，输出特征图大小为28*28，激活函数为ReLU；第一池化层使用6个特征图，卷积核大小为2*2，步长为2，输出特征图大小为14*14，池化方法为求和；第二卷积层使用16个特征图，卷积核大小为5*5，步长为1，输出特征图大小为10*10，激活函数为ReLU；第二池化层使用16个特征图，卷积核大小为2*2，步长为2，输出特征图大小5*5，池化方法为求和；将加工基本信息输入第三卷积层中；第三卷积层使用150个特征图，其中120个特征图来自第二池化层，30个特征图来自加工基本信息，卷积核大小为5*5，步长为2，输出特征图大小为1×1，激活函数为ReLU；第一全相联层为一个普通的隐含层，包含84个神经元；第二全相联层为一个使用了10个神经元的输出层；

对于LeNet-5网络，由于卷积神经网络包括卷积层、池化层和全相联层；全相联层的训练方法与全相联神经网络相同，下面介绍池化层和卷积层的训练方法；

对于池化层，从该层的输出误差反向推导其输入误差的公式为：

e^l-1＝upsample(e^l)*o^l-1 15)

式15)中，o^l-1为前一层的输出；e^l-1为前一层的误差；*为Hadamard积；upsample(·)为上采样函数，上采样函数为平均函数，将e^l分四平均，得到一个2*2矩阵；e^l为该层的误差；在池化层仅将误差进行反向传播；

对于卷积层，其输入误差与输出误差之间的关系为：

e^l-1＝e^l*rot180(W^l)*o^l-1 16)

式16)中，W^l为该层的卷积核；rot180(·)函数为旋转函数，它将输入矩阵做一次水平翻转和一次竖直翻转；训练卷积层的过程为更新卷积核的过程，即调整W^l以最小化e的过程。