CN113569685A

CN113569685A - 机床主轴轴承故障诊断模型建立、故障诊断方法和系统

Info

Publication number: CN113569685A
Application number: CN202110819403.9A
Authority: CN
Inventors: 轩建平; 王子胜; 章明慧
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2021-07-20
Filing date: 2021-07-20
Publication date: 2021-10-29

Abstract

本发明公开了机床主轴轴承故障诊断模型建立、故障诊断方法和系统，属于机床主轴故障诊断领域。采集机床主轴轴承工作时的信号，构建少量有标签样本数据集，生成随机噪声样本；建立生成对抗网络，其中的判别器仅在输入有标签样本时结合Actor‑Critic算法；训练过程包括：将随机噪声样本输入生成器后输出生成样本，计算与无标签样本的分布距离作为生成器的损失，将生成样本和无标签样本输入判别器计算其无监督损失，将有标签样本输入判别器后，根据Actor‑Critic算法计算其有监督损失；根据生成器的损失和判别器的无监督损失与有监督损失之和更新生成对抗网络参数；训练结束后，将判别器作为机床主轴故障诊断模型。本发明旨在使用半监督训练方式减少手工标记样本的成本。

Description

机床主轴轴承故障诊断模型建立、故障诊断方法和系统

技术领域

本发明属于机床主轴故障诊断领域，更具体地，涉及机床主轴轴承故障诊断模型建立、故障诊断方法和系统。

背景技术

机床是现代智能制造工厂中不可或缺的一部分。在机床加工零件的过程中，机床的主轴的性能极大地影响被加工零件的质量。如果在加工过程中，机床主轴突然发生故障，智能制造系统可能被迫停止运行，甚至发生严重的安全事故。因此，近十年，越来越多的研究者着力于研究智能算法实时监测机床主轴故障状态，保障智能制造系统的安全和高效率。

当前在机床主轴故障智能诊断领域，研究者们主要是先获取机床主轴中的滚动轴承的振动信号，再手动标记所有振动信号的故障标签去训练提出的模型，最后将训练好的模型应用在实际的故障诊断任务中。然而，实际的故障诊断研究中，由于数据的数量非常大，人工标记所有样本的工作成本难以承受。例如，专利CN112417771A公开了机床主轴故障诊断模型建立方法及机床主轴故障诊断方法，其采用神经网络、Actor-Critic算法等先进的人工智能技术进行故障诊断与预测，通过结合卷积神经网络和强化学习算法的深度强化学习方法实时分析从多通道传感器传送来的测量数据。

该专利文献公开的数控机床主轴状态方法，在训练模型前，需要先将所有采集的信号人工标记相应的状态标签，之后对模型进行有监督训练，显然，这里没有充分地考虑实际应用的情形，有两个不足：第一，在工业现场中，如果手动标记大量的数据，该过程是非常耗时且耗财力的；第二，没有经过预处理，工业现场获得的信号有很多的噪声，模型很难预测准确。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种机床主轴轴承故障诊断模型建立、故障诊断方法和系统，旨在构建基于半监督训练方式的生成对抗网络，再结合强化学习算法Actor-Critic添加决策能力，使网络可使用少量的有标签样本和大量的无标签样本作为训练数据，提高故障诊断结果的精确性，减少手工标记样本的人力和时间成本。

为实现上述目的，本发明的第一方面提供了一种机床主轴轴承故障诊断模型建立方法，包括以下步骤：

从采集到的机床主轴工作时径向方向的振动信号中预设有标签样本和无标签样本，与随机噪声样本一起构建训练数据集；

构建生成对抗网络，所述生成对抗网络包括生成器和判别器；所述生成器用于根据随机噪声样本进行无监督训练；所述判别器用于根据输入的样本类型不同分为无监督训练和有监督训练；

以训练数据集中的无标签样本和随机噪声样本作为生成器和判别器的无监督训练数据，训练过程包括：将随机噪声样本输入生成器输出生成样本，计算生成样本和无标签样本之间的分布距离，并将其作为生成器的损失函数；再将生成样本和无标签样本同时输入判别器进行无监督训练，在判别器的中间层L输出相应的故障分布l，计算判别器的无监督损失；所述故障概率分布l表示无标签样本和生成样本属于各预设故障类型的故障概率分布；

所述生成对抗网络的生成器根据随机噪声和无标签样本进行无监督模式训练；所述生成对抗网络的判别器根据输入的样本类型不同分为无监督模式训练和有监督模式训练，其中，判别器根据输入的无标签样本和生成样本进行无监督模式训练，判别器根据输入的有标签样本进行有监督模式训练；

以训练数据集中的有标签样本作为判别器的有监督训练数据，此时判别器同时作为Actor-Critic算法的Actor模块和Critic模块，对于每一个有标签样本，所述Actor-Critic算法的训练过程包括：将有标签样本作为当前状态输入至所述Actor模块，以由所述Actor模块输出当前时刻的策略分布π；计算依照当前时刻的策略分布执行动作后下一个时刻的状态；将当前状态和下一个时刻的状态输入至所述Critic模块，以由所述Critic模块输出针对当前状态和下一个状态的评估值V；根据Actor-Critic算法计算判别器的有监督损失；所述策略分布π表示输入有标签样本属于各预设故障类型的概率分布，所述评估值V表示对所述策略分布π对应的状态的评价；

由无监督训练和有监督训练构成一次迭代训练，在每次迭代训练结束后，根据所述生成器的损失更新生成对抗网络的参数，由判别器的无监督损失与有监督损失的和更新判别器的参数；重复迭代训练，直至满足预设的迭代终止条件；迭代终止后，将所述判别器作为机床主轴故障诊断模型。

优选地，将采集到的机床主轴工作时径向方向的振动信号进行分割，使用小波包提取RGB三通道时频图，再灰度化，得到灰度时频图，所述灰度时频图X″的计算公式为：

其中，X′_R表示时频图在R通道的值，X′_G表示时频图在G通道的值，X′_B表示时频图在B通道的值。

优选地，每一次迭代的训练中，所使用的损失函数包括生成器的损失函数Loss_Generator(θ)、判别器的损失函数Loss_{Discriminator}(θ′)：

Loss_Generator(θ)＝(l(x)-l(G(Z)))²

Loss_{Discriminator}(θ′)＝Loss_supervised(θ′)+Loss_unspervised(θ′)

其中，θ表示生成器模型参数，θ′表示判别器模型参数，l(x)表示判别器在输入无标签样本后中间层L输出的故障概率分布，l(G(Z))表示判别器在输入生成样本后中间层L输出的故障概率分布，Loss_supervised(θ′)表示由有标签样本输入判别器得到的有监督损失，Loss_unspervised(θ′)表示由无标签样本和生成样本输入判别器得到的无监督损失，E表示训练回合总数，e表示训练回合序号，

和

分别表示第e个训练回合中所述Actor模块和所述Critic模块的损失，λ表示损失权重参数，T表示一个回合的最大时间步数，K表示预设故障类型的数量，k表示预设故障类型序号。

优选地，随机噪声样本Z输入生成器g_θ，输出生成样本G(Z)，

G(Z)＝g_θ(z),z∈Z

无标签样本x输入判别器f_θ′，在判别器的中间层L输出相应的故障概率分布l(x)，

l(x)＝f_θ′(x)

生成样本G(Z)输入判别器f_θ′，在判别器的中间层L输出相应的故障概率分布l(G(Z))，

l(G(Z))＝f_θ′(G(Z))

其中，π(a_t|s_t)表示t时刻的策略分布，a_t表示从策略分布π(a_t|s_t)中选取的动作；A(s_t,a_t)表示优势函数，A(s_t,a_t)＝r_t+γV_t+1-V_t，r_t表示执行动作a_t之后获得的奖励，V_t和V_t+1分别表示针对t时刻和t+1时刻的状态的评估值，γ表示每个回合的折扣因子。

优选地，训练数据集中，有标签样本的占比为2％～20％。

优选地，随机噪声样本的数量与无标签样本的数量相等；概率分布l中的元素数量与预设故障类型数量相等；策略分布π中的元素数量与预设故障类型数量相等。

本发明第二方面提供了一种机床主轴轴承故障诊断方法，包括：

采集机床主轴工作时径向方向的振动信号，将其处理为待测样本；将所述待测样本输入由本发明第一方面所述的机床主轴轴承故障诊断模型建立方法得到的机床主轴轴承故障诊断模型，以由所述机床主轴轴承故障诊断模型输出对应的策略分布，将该策略分布中概率最大的故障类型确定为所述机床主轴轴承的故障类型。

本发明第三方面提供了一种机床主轴轴承故障诊断系统，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行本发明第二方面所述的方法。

通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：

(1)本发明提出了一种机床主轴轴承故障诊断模型建立、故障诊断方法和系统，属于半监督式深度强化学习模型，通过构建半监督生成对抗网络作为Actor-Critic算法的网络模型，使该方法可以同时训练少量有标签样本和大量无标签样本，提高了故障诊断系统开发的效率，减少了开发成本。

(2)本发明采用一种灰度化小波包提取的时频图的数据预处理方式，不仅有利于模型提取故障特征信息，而且减少了时频图的RGB信息，从而减少了模型训练时的计算量。

附图说明

图1为本发明实施例提供的机床主轴轴承故障诊断模型建立方法示意图；

图2为本发明实施例提供的振动信号处理示意图；

图3是本发明实施例提供的机床主轴轴承故障诊断模型建立方法实现的伪代码示意图；

图4是本发明实施例提供的生成对抗网络的生成器的示意图；

图5是本发明实施例提供的生成对抗网络的判别器的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间不构成冲突就可以相互组合。

本发明的提供了一种机床主轴轴承故障诊断模型建立方法，包括以下步骤：

由无监督训练和有监督训练构成一次迭代训练，计算判别器的有监督损失；在每次迭代训练结束后，根据所述生成器的损失更新生成对抗网络的参数，由判别器的无监督损失与有监督损失的和更新判别器的参数；重复迭代训练，直至满足预设的迭代终止条件；迭代终止后，将所述判别器作为机床主轴故障诊断模型。

本方法的关键在于对机床主轴诊断方法的创新，半监督深度强化学习既保留了深度强化学习的有效探索能力，又适用于少标签样本数据集，而且使用灰度化小波包提取的时频图作为数据预处理方式，这些改进可提高诊断结果的精确度和可靠性，并减少模型训练时间。

表1

故障状态	序号
		轴承滚珠故障	1
轴承内圈故障	2
		轴承内圈故障	3
轴承无故障	4

如图1所示，本发明这里仅采集一种信号做训练信号，故障种类为4种，实际可适用于任何信号类型，任何故障类型数量，本发明的主要步骤如下：采用加速度传感器采集机床主轴工作时径向方向的振动信号，将采集到的信号首先进行分割成4096个点，然后使用小波包提取RGB三通道时频图，再灰度化三通道时频图，具体处理方式如下：

如图2所示，将获取的信号分割成多个4096个点的样本X，对于每一个样本，然后使用小波包F提取RGB三通道时频图，可使用如下公式计算：

X′_R,X′_G,X′_B＝F(X)

X′_R表示时频图在R通道的值，X′_G表示时频图在G通道的值，X′_B表示时频图在B通道的值。再灰度化处理RGB三通道时频图，得到灰度时频图X″，计算公式如下所示：

从而得到多个灰度时频图。

从所述多个灰度时频图设置少量有标签样本数据集，其中，有标签样本为100个，无标签样本5000个。如图3所示，再利用半监督深度强化学习算法在这些样本上训练模型，具体方式如下：

构建生成对抗网络的生成器，如图4所示，将随机噪声样本100z输入5层反卷积网络层，利用二维反卷积的方法上采样信息，输出生成样本，计算生成样本和无标签样本之间的分布距离，并将其作为生成器的损失函数；

构建生成对抗网络的判别器，如图5所示，将生成样本、无标签样本、有标签样本分别输入4层卷积层和3层全连接层，利用二维卷积的方法下采样信息；当输入生成样本和无标签样本时，在中间层L输出相应的故障概率分布l，计算判别器的无监督损失；当输入有标签样本时，输出策略分布π和评估值V，根据Actor-Critic算法计算判别器的有监督损失；

根据半监督损失公式构建判别器f_θ′损失函数和生成器g_θ损失函数，设置超参数，优化生成对抗网络的判别器损失函数和生成器损失函数。

随机噪声样本Z输入生成器g_θ，输出生成样本G(Z)，

G(Z)＝g_θ(z),z∈Z

l(x)＝f_θ′(x)

l(G(Z))＝f_θ′(G(Z))

生成器损失函数：

Loss_Generator(θ)＝(l(x)-l(G(Z)))²

判别器损失函数：

Loss_{Discriminator}(θ′)＝Loss_supervised(θ′)+Loss_unspervised(θ′)

和

分别表示第e个训练回合中所述Actor模块和所述Critic模块的损失，λ表示损失权重参数，T表示一个回合的最大时间步数，K表示预设故障类型的数量，k表示预设故障类型序号；π(a_t|s_t)表示t时刻的策略分布，a_t表示从策略分布π(a_t|s_t)中选取的动作；A(s_t,a_t)表示优势函数，A(s_t,a_t)＝r_t+γV_t+1-V_t，r_t表示执行动作a_t之后获得的奖励，V_t和V_t+1分别表示针对t时刻和t+1时刻的状态的评估值，γ表示每个回合的折扣因子。

本实施例在每一次迭代训练结束，都会基于上述损失函数对生成对抗网络的参数进行更新，该损失函数同时包含了生成器的损失和判别器的无监督损失与有监督损失，其中判别器的有监督损失包含Actor模块和Critic模块的损失，进一步保证了生成对抗网络中判别器模型的自我评价和自我改进功能。

总体而言，本实施例所建立的机床主轴故障诊断模型，属于半监督式模型，生成对抗网络中的判别器根据输入的样本类型不同分为无监督训练和有监督训练，使该方法可以同时训练少量有标签样本和大量无标签样本，提高了故障诊断系统开发的效率，减少了开发成本；生成对抗网络中的判别器在训练有标签样本时结合Actor-Critic算法使其拥有决策能力，优化了神经网络算法，提高了故障诊断的可靠性和鲁棒性；采用灰度化时频图的方式构建训练数据集，不仅有利于模型提取故障特征信息，而且减少了时频图的RGB信息，从而减少了模型训练时的计算量。

将训练好的判别器网络模型植入诊断装置，去现场诊断机床主轴故障情况，显示诊断结果。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种机床主轴轴承故障诊断模型建立方法，其特征在于，包括以下步骤：

以训练数据集中的无标签样本和随机噪声样本作为生成器和判别器的无监督训练数据，训练过程包括：将随机噪声样本输入生成器输出生成样本，计算生成样本和无标签样本之间的分布距离，并将其作为生成器的损失；再将生成样本和无标签样本同时输入判别器进行无监督训练，在判别器的中间层L输出相应的故障分布l，计算判别器的无监督损失；所述故障概率分布l表示无标签样本和生成样本属于各预设故障类型的故障概率分布；

由无监督训练和有监督训练构成一次迭代训练，在每次迭代训练结束后，根据生成器的损失更新生成对抗网络的参数，由判别器的无监督损失与有监督损失之和更新判别器的参数；重复迭代训练，直至满足预设的迭代终止条件；迭代终止后，将所述判别器作为机床主轴故障诊断模型。

2.如权利要求1所述的方法，其特征在于，将采集到的机床主轴工作时径向方向的振动信号进行分割，使用小波包提取RGB三通道时频图，再灰度化，得到灰度时频图，所述灰度时频图X″的计算公式为：

3.如权利要求1所述的方法，其特征在于，每一次迭代的训练中，所使用的损失函数包括生成器的损失函数Loss_Generator(θ)、判别器的损失函数Loss_{Discriminator}(θ′)：

Loss_Generator(θ)＝(l(x)-l(G(Z)))²

Loss_{Discriminator}(θ′)＝Loss_supervised(θ′)+Loss_unspervised(θ′)

和

4.如权利要求3所述的方法，其特征在于，

随机噪声样本Z输入生成器g_θ，输出生成样本G(Z)，

G(Z)＝g_θ(z),z∈Z

l(x)＝f_θ′(x)

l(G(Z))＝f_θ′(G(Z))。

5.如权利要求3所述的方法，其特征在于，

其中，π(a_t|s_t)表示t时刻的策略分布，a_t表示从策略分布π(a_t|s_t)中选取的动作；A(s_t,a_t)表示优势函数，A(s_t,a_t)＝r_t+γV_t+1-V_t，r_t表示执行动作a_t之后获得的奖励，V_t和V_t+1分别表示针对t时刻和t+1时刻的状态的评估值，γ表示每个回合的折扣因子，T表示一个回合的最大时间步数。

6.如权利要求1所述的方法，其特征在于，训练数据集中，有标签样本的占比为2％～20％。

7.如权利要求1所述的方法，其特征在于，随机噪声样本的数量与无标签样本的数量相等；概率分布l中的元素数量与预设故障类型数量相等；策略分布π中的元素数量与预设故障类型数量相等。

8.一种机床主轴轴承故障诊断方法，其特征在于，包括：

采集机床主轴工作时径向方向的振动信号，将其处理为待测样本；将所述待测样本输入由权利要求1-7任一项所述的机床主轴轴承故障诊断模型建立方法得到的机床主轴轴承故障诊断模型，以由所述机床主轴轴承故障诊断模型输出对应的策略分布，将该策略分布中概率最大的故障类型确定为所述机床主轴轴承的故障类型。

9.一种机床主轴轴承故障诊断系统，其特征在于，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求8所述的方法。