CN110909782A - 一种基于多特征结合深度学习对机床主轴故障的诊断方法 - Google Patents

Abstract

本发明实施例公开了一种基于多特征结合深度学习对机床主轴故障的诊断方法，通过对机床装置所出现的故障进行故障分类、故障原因分析、提取故障特征的影响因素，并选取可量化的故障因素作为模型的输入，再对输入数据进行预处理，通过建立LSTM网络建立数控机床的多变量时间序列诊断模型，将输出的诊断结果与DS证据理论结合针，最终达到故障诊断的目的，从而得到一种关于数控机床故障诊断的方法，本发明采用LSTM网络为诊断模型能有效的监察出数控机床在一段时间前后发生故障的可能性及有效性，并使用DS证据理论对模型输出的结果进行融合，得出诊断结果。提高了机床的可靠性与诊断的精确性。

Description

一种基于多特征结合深度学习对机床主轴故障的诊断方法

技术领域

本发明属于机械数控机床领域，涉及故障诊断技术，具体为一种基于多特征结合深度学习对机床主轴的故障诊断方法。

背景技术

随着制造业在我国不断的蓬勃发展，大量的机械加工及机械制造被广泛的需求。数控机床被称为“工业母机”，在航天构件、大型机器零件制造中，起着决定性作用。从目前数控机床的配置及技术发展的趋势来看，数控机床正在向电气化、高速化方向发展。在数控机床加工工艺中，对机床主轴、车刀、系统要求更高，加工中所需要的转速更高，扭矩更大，需要更准确的精度，更复杂的走刀，并且在工艺过程中，机床需要就有良好的刚性、抗震性和热稳定性。

一方面数控机床的使用量与需求量不断增大，另一方面数控机床在工艺过程中所处的环境较为恶劣，加工强度高，力度大，持续时间长，使得数控机床的稳定性、安全性、可靠性受到严峻挑战，当机床的稳定性、安全性、可靠性受到威胁时，其机床的故障率也随之增加，故障的出现可能会导致机床加工物件的质量、运行的可靠性和安全性能降低。随着社会对数控机床的要求越来越高，如果机床出现故障而未能够及时发现，则机床加工的速率及效率容易下降，机床加工的物品容易出现精度和质量的下降，更有可能使工件报废，造成巨大经济损失。这对数控机床的监测和智能诊断技术提出了新的要求。能够精确的诊断出故障的发生位置及时进行方案整治，就能够减少机床的故障时间，提高工作效率与机床的可靠性。

迄今为止，随着时代与技术的发展，目前有许多的数控机床监测技术都有相应的加强与改进。与传统的故障诊断相比，经典的神经网络在故障诊断领域有广泛的运用。许多学者们将深度学习中神经网络强大的特征提取能力运用于各大行业中，并取得了重大成果。深度学习在故障诊断领域也被学者们加以利用起来。经典的神经网络如：堆叠自编码器(SAE)、卷积神经网络(CNN)、循环神经网络(RNN)等多个深度学习模型在故障诊断领域被提出且运用。

然而，经典深度学习模型的故障诊断方法通常只考虑样本在空间领域上的依赖，然而大多数故问题往往具有潜在性和连带性，是具有时间效益的，所以，在机床的故障上必须在时间与空间双重域上进行特征提取。循环神经网络在时域上考虑了相关特性，但是难以提取数据长期的依赖特征，记忆能力非常有限。

发明内容

为此，本发明实施例提供一种基于多特征结合深度学习对机床主轴故障的诊断方法，以解决现有技术中的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

一种基于多特征结合深度学习对机床主轴故障的诊断方法，包括如下步骤：

步骤100、采集数控机床时间序列的原始数据；

步骤200、将以往数控机床所出现的问题故障根据其组成模块及实际故障情况进行具体分类，记M类；

步骤300、对M类故障分别进行故障分析，得出故障出现的原因及进行故障特征提取；

步骤400、对提取的故障特征进行数据预处理，并训练构建序贯检验的长短时记忆循环网络故障模型；

步骤500、对构建出来的序贯检验的长短时记忆循环网络故障模型进行单向特征输入；

步骤600、将各项单向特征的输出结果与理论证据融合，判定出故障结果。

作为本发明的一种优选方案，在步骤100中，数控机床的时间序列包括数控机床工作的电压、电流、功率、转速、温度多个状态的原始时间序列数据。

作为本发明的一种优选方案，每个状态的原始时间序列数据括主轴的振动信号、机床的各相电流、主轴温度。

作为本发明的一种优选方案，在步骤300中，对故障分析和故障特征提取的具体方法为滑动平均等信号分析法。

作为本发明的一种优选方案，在步骤400中，对采集的数据需进行预处理的具体步骤为：根据所采集数据的不同量纲进行归一化处理，并对输入层的输出数据进行相同的标准化。

作为本发明的一种优选方案，步骤600进一步包括：

(1)M代表数控机床预设的M种故障状态数控机床的故障状态，建立识别框架Θ{M1,M2,…,Mn}，其中M1，M2，…，Mn；

Q为输入的特征向量种类；

i为将测试样本输入序贯检验的长短时记忆循环网络故障模型网络得出的对应M种故障状态的可行度；

(2)对应输入样本中不同特征向量中使得序贯检验的长短时记忆循环网络故障模型网络得出的故障结果概率，其理论证据融合规则如下：

先进行归一化系数：

归一化：

其次组合规则如下：

本发明的实施方式具有如下优点：

(1)与以往传统的深度学习故障诊断相比，大多数深度学习诊断技术是基于单样本且没有考虑时间上的连续性，本发明长短时记忆循环神经网络，考虑了故障的多样性和时间的连续性，并融合DS证据进行故障诊断更具有诊断的精确性与科学性；

(2)本发明所用的诊断方法对故障先验知识依赖小，且准确率和可靠性高。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明长短时记忆循环神经网络预测方法的工作流程图；

图2为本发明LSTM单元基础结构图；

图3为本发明多层LSTM神经网络结构图；

图4为本发明LSTM时间序列模型图；。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。

如图1所示，本发明基于长短时神经网络与DS证据理论对数控机床的可靠性预测提供了一种基于多特征结合深度学习对机床主轴故障的诊断方法，包括如下步骤：

步骤100、采集数控机床时间序列的原始数据；

步骤200、将以往数控机床所出现的问题故障根据其组成模块及实际故障情况进行具体分类，记M类；

步骤300、对M类故障分别进行故障分析，得出故障出现的原因及进行故障特征提取，对故障分析和故障特征提取的具体方法为滑动平均等信号分析法；

步骤400、对提取的故障特征进行数据预处理，并训练构建序贯检验的长短时记忆循环网络故障模型；

步骤500、对构建出来的序贯检验的长短时记忆循环网络故障模型进行单向特征输入；

步骤600、将各项单向特征的输出结果与理论证据融合，判定出故障结果。

优选的，LSTM网络与RNN网络相比，使用cell结构使LSTM网络结构具有学习时间序列数据长期依赖特征。图2是LSTM单元基础结构图，通过引入特殊的cell结构具有输入门、输出门和遗忘门。使其具有学习时间序列数据长期依赖特征。所述的cell结构具有输入门、输出门和遗忘门。

其中输入门的值：

遗忘门的值：

输出门：

Cell的值：

计算LSTM单元的值：

由各单元进行相应连接构成图3多层LSTM神经网络结构图。

在本实施方式中建立LSTM模型，须采集数控机床中的变量为状态变量，以作为故障参数，因此在步骤100中，数控机床的时间序列包括数控机床工作的电压、电流、功率、转速、温度多个状态的原始时间序列数据，每个状态的原始时间序列数据括主轴的振动信号、机床的各相电流、主轴温度。

t时刻时间序列状态变量：X(t)＝[u(t)i(t)p(t)n(t)c(t)]。

如图4所示，时间序列模型保留输入层、网络层、分类层，其中将状态变量X作为LSTM网络的输入，节点数为状态变量的维数即故障种类数。分类层LSTM网络提取的特征作为输入。

对上述所建立的LSTM模型进行离线训练，确定诊断模型，输出LSTM神经网络上分类层结果与DS证据理论融合，通过DS证据理论得出故障类型，从而达到故障诊断的目的。

使用LSTM网络的故障分类记k类，作为DS证据理论中的假设空间，将样本输入LSTM模型中的输出故障结果来对应基本概率分配函数并使用DS证据理论来得到诊断结果。

分类层LSTM网络提取的特征作为输入，采用softmax函数作为故障分类器，将网络层的输出作为softmax的输入，接受提取到的特征数据，并完成多分类任务。

分类层输出如下：

其中，k表示维度，xⁱ表述t时刻第i层的网络输出，θ表示softmax的权值参数。

选定交叉熵为损失函数，定义函数：

其中，x表示网络输入样本，m表示样本数。

依据上述得出损失函数，需要对损失值进行模型参数优化，采用梯度下降法对每个参数进行优化。定义权重更新表述：

输出层的结果对应着M类故障的概率情况，将分类层的输出结果与DS证据理论融合。在步骤400中，对采集的数据需进行预处理的具体步骤为：根据所采集数据的不同量纲进行归一化处理，并对输入层的输出数据进行相同的标准化。

步骤600进一步包括：

(1)M代表数控机床预设的M种故障状态数控机床的故障状态，建立识别框架Θ{M1,M2,…,Mn}，其中M1，M2，…，Mn；

Q为输入的特征向量种类；

i为将测试样本输入序贯检验的长短时记忆循环网络故障模型网络得出的对应M种故障状态的可行度；

(2)对应输入样本中不同特征向量中使得序贯检验的长短时记忆循环网络故障模型网络得出的故障结果概率，其理论证据融合规则如下：

先进行归一化系数：

归一化：

其次组合规则如下：

最后，通过DS证据计算得出的最高数值则定义为本次诊断的故障结果。

本发明通过对机床装置所出现的故障进行故障分类、故障原因分析、提取故障特征的影响因素，并选取可量化的故障因素作为模型的输入，再对输入数据进行预处理，该基于LSTM网络建立数控机床的故障诊断模型，并引入DS证据理论方法进行多样本故障诊断，建立LSTM的故障预测模型并对故障的性能进行检验分析，从而得到一种关于数控机床故障预测的方法，即能有效的预测出数控机床在一段时间前后发生故障的有效性，提高了机床诊断的可靠性与精确性。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (6)

1.一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，包括如下步骤：

步骤100、采集数控机床时间序列的原始数据；

步骤200、将以往数控机床所出现的问题故障根据其组成模块及实际故障情况进行具体分类，记M类；

步骤300、对M类故障分别进行故障分析，得出故障出现的原因及进行故障特征提取；

步骤400、对提取的故障特征进行数据预处理，并训练构建序贯检验的长短时记忆循环网络故障模型；

步骤500、对构建出来的序贯检验的长短时记忆循环网络故障模型进行单向特征输入；

步骤600、将各项单向特征的输出结果与理论证据融合，判定出故障结果。

2.根据权利要求1所述的一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，在步骤100中，数控机床的时间序列包括数控机床工作的电压、电流、功率、转速、温度多个状态的原始时间序列数据。

3.根据权利要求2所述的一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，每个状态的原始时间序列数据括主轴的振动信号、机床的各相电流、主轴温度。

4.根据权利要求1所述的一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，在步骤300中，对故障分析和故障特征提取的具体方法为滑动平均等信号分析法。

5.根据权利要求1所述的一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，在步骤400中，对采集的数据需进行预处理的具体步骤为：根据所采集数据的不同量纲进行归一化处理，并对输入层的输出数据进行相同的标准化。

6.根据权利要求1所述的一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，步骤600进一步包括：

(1)M代表数控机床预设的M种故障状态数控机床的故障状态，建立识别框架Θ{M1,M2,…,Mn}，其中M1，M2，…，Mn；

Q为输入的特征向量种类；

i为将测试样本输入序贯检验的长短时记忆循环网络故障模型网络得出的对应M种故障状态的可行度；

(2)对应输入样本中不同特征向量中使得序贯检验的长短时记忆循环网络故障模型网络得出的故障结果概率，其理论证据融合规则如下：

先进行归一化系数：

归一化：

其次组合规则如下：

Images