CN113935403A - 基于多标签多分类的主轴轴承与刀具复合故障诊断方法 - Google Patents

基于多标签多分类的主轴轴承与刀具复合故障诊断方法 Download PDF

Info

Publication number
CN113935403A
CN113935403A CN202111119436.9A CN202111119436A CN113935403A CN 113935403 A CN113935403 A CN 113935403A CN 202111119436 A CN202111119436 A CN 202111119436A CN 113935403 A CN113935403 A CN 113935403A
Authority
CN
China
Prior art keywords
label
machine tool
fault
fault diagnosis
probability
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
Application number
CN202111119436.9A
Other languages
English (en)
Inventor
轩建平
王子胜
徐龙
汪春雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202111119436.9A priority Critical patent/CN113935403A/zh
Publication of CN113935403A publication Critical patent/CN113935403A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于多标签多分类的主轴轴承与刀具复合故障诊断方法及系统，属于机床主轴故障诊断技术领域,本发明以一个样本对应多个故障标签的方式标记采集到的机床主轴加工时的振动信号，再将标记后的多标签样本输入多标签多分类模型，得到每个故障类别的概率；基于各故障类别的概率计算多标签多分类模型的损失函数，以该损失函数训练多标签多分类模型，并利用训练好的多标签多分类模型实现机床主轴复合故障诊断。如此，本发明能够减少样本标记时的健康情况数量，降低问题的复杂度和模型训练的计算量。此外，本发明还提供了一种加权计算健康指数的方式，其考虑了不同部件对于机床主轴性能的影响程度，评定结果更全面、科学和可靠。

Description

基于多标签多分类的主轴轴承与刀具复合故障诊断方法
技术领域
本发明属于机床主轴故障诊断技术领域，更具体地，涉及一种基于多标签多分类的主轴轴承与刀具复合故障诊断方法及系统。
背景技术
机床是智能制造系统中不可缺少的设备。其中，机床主轴是带动工件或刀具旋转的轴，机床的制造性能和机床主轴的质量息息相关。由于工业现场的环境较为复杂，机床主轴在加工过程中可能同时存在多种故障，即出现复合故障情况，维护人员在监测机床主轴的故障情况时需要考虑多个部件的健康情况。如果不能及时诊断出机床主轴的故障情况，后续的制造过程会加剧零件的故障损坏程度直至停机。很显然，这种情形很容易影响到机床加工中的产品质量，影响机床的工作效率和零件的合格率，严重的情况甚至会引发机床的重要零部件损坏和人员安全事故。而且，在自动化工厂中，某个执行重要工序的加工设备在停机后可能会导致整个生产线被迫全部停止。因此，近些年，随着大数据技术和硬件计算能力的不断突破，高校、企业等机构开始研究可以实时地、自动地监测机床主轴故障情况的智能系统。
当前，在机床主轴故障诊断中主要是基于深度学习的神经网络层，构建单标签多分类模型来训练单标签故障信号样本。单标签多分类模型的输入样本在训练时都被标记了单个标签，每个标签代表一种健康情况。然而，机床主轴是由多个零件(包括主轴轴承、刀具)组成的，每个零部件又可能发生多个故障，振动信号通常是在复合故障的情况下被采集到的。所以，单标签多分类模型面对复杂的工业现场有四个不足，第一，复杂的故障条件会导致标记的健康情况过多，例如有些样本可能只有一种故障，有些样本可能有多种故障，此时故障问题变得更加复杂；第二，不同故障之间会存在关联性，利用多个分类器一一识别的方案会忽略这种相关性，导致诊断精度不高；第三，由于单标签标记时的健康情况过多，其模型搭建时分类器的神经元数量过多，模型训练时计算量较大；第四，由于每种健康状态同时包含多种故障情况，单标签标记方式很难根据每种故障情况的程度综合评定机床主轴的健康状态。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于多标签多分类的主轴轴承与刀具复合故障诊断方法及系统，旨在解决单标签多分类模型面对复杂的工业现场的不足。
为实现上述目的，本发明提供了一种基于多标签多分类的主轴轴承与刀具复合故障诊断方法，包括以下步骤：
S1，采集机床主轴工作时的振动信号，并对采集的振动信号进行预处理得到样本集；以多标签的形式标记所述样本集中的样本，得到训练数据集；
S2，将所述训练数据集输入多标签多分类模型，得到每个故障类别的概率；基于各所述故障类别的概率计算所述多标签多分类模型的损失函数；
S3，基于所述损失函数训练所述多标签多分类模型，并利用训练好的多标签多分类模型实现机床主轴复合故障诊断。
进一步地，所述多标签多分类模型包括依次连接的卷积层、全连接层和输出层；其中，所述全连接层包括Relu激活函数和Dropout网络层，所述输出层的激活函数为Sigmoid函数。
进一步地，在训练数据集输入所述卷积层获得高维特征向量δ后，所述方法还包括：在所述高维特征向量δ后嵌入七个指标，嵌入方式如下：
Figure BDA0003276485460000031
Figure BDA0003276485460000032
Figure BDA0003276485460000033
Figure BDA0003276485460000034
Figure BDA0003276485460000035
Figure BDA0003276485460000036
Figure BDA0003276485460000037
Figure BDA0003276485460000038
其中，concate(·)函数代表将七个指标值依次拓展到特征向量δ之后，
Figure BDA0003276485460000039
为平均值，(X′rms)2为均方值，IP为峰值，Cf为脉冲指标，Ce为裕度指标，Cw为歪度指标，Cq为峭度指标；X′代表原始一维信号样本，x′j代表原始一维信号样本中第j个数据点，N代表原始一维信号样本中数据点总数，X′P为原始一维信号样本中绝对值最大的10个数的算术平均值。
进一步地，所述训练数据集依次输入所述卷积层、全连接层和输出层后，得到C维特征向量；
每个故障类别的概率为：
Figure BDA00032764854600000310
其中，μi代表C维特征向量中第i个故障类别对应元素的值，Pi代表第i个故障类别的概率，C代表所有的故障类别数量。
进一步地，所述损失函数Loss为：
Figure BDA0003276485460000041
其中，yi为第i个故障类别的真实概率。
进一步地，所述S3之后，还包括：
S4，按照机床主轴健康状态指数HI评定其健康状态；
所述机床主轴健康状态指数HI计算公式如下：
Figure BDA0003276485460000042
其中，α为轴承部件的重要程度权重，β为刀具部件的重要程度权重，且α+β＝1；P1代表模型预测轴承部件正常的概率；P4代表模型预测刀具部件正常的概率。
进一步地，所述S1中，对采集的振动信号进行预处理得到样本集，包括：将采集到的振动信号进行分割获得原始数据集，再对所述原始数据集进行归一化处理得到样本集。
为实现上述目的，本发明还提供了一种基于多标签多分类的主轴轴承与刀具复合故障诊断系统，包括：
数据采集与处理模块，用于采集机床主轴工作时的振动信号，并对采集的振动信号进行预处理得到样本集；以多标签的形式标记所述样本集中的样本，得到训练数据集；
模型训练与诊断模块，用于将所述训练数据集输入多标签多分类模型，得到每个故障类别的概率；基于各所述故障类别的概率计算所述多标签多分类模型的损失函数；以及基于所述损失函数训练所述多标签多分类模型，并利用训练好的多标签多分类模型实现机床主轴复合故障诊断。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明以一个样本对应多个故障标签的方式标记采集到的机床主轴加工时的振动信号，再将标记后的多标签样本输入多标签多分类模型，得到每个故障类别的概率；基于各故障类别的概率计算多标签多分类模型的损失函数，以该损失函数训练多标签多分类模型，并利用训练好的多标签多分类模型实现机床主轴复合故障诊断。如此，本发明由于采用多标签多分类模型对机床主轴的复合故障情况进行诊断，减少了样本标记时的健康情况数量，减少了问题的复杂度和模型训练的计算量，并且充分考虑了多个故障工况之间的关联性，提高了复合故障诊断结果的精确性和可靠性。
(2)本发明利用隐变量分析方法，从各个角度选择恰当的观测变量作为其观测指标，并将反映多维信息的综合指标嵌入在卷积层输出的高维特征向量之后，增加了更多的样本信息，从而有利于模型在训练时快速收敛，并提高其拟合能力和预测精度。
(3)本发明提供了一种加权计算健康指数的方式，其考虑了不同部件对于机床主轴性能的影响程度，相比现有技术，评定结果更具有全面性、科学性和可靠性。
(4)本发明可以通过调整参数得到对故障数量和部件重要程度权重不同的复合故障诊断模型，可以更灵活地适应不同的场景，使机床主轴的维护人员可以针对不同种类的机床主轴分别设置需求，对于实际生产应用具有非常重大的意义。
附图说明
图1为本发明实施例提供的基于多标签多分类的主轴轴承与刀具复合故障诊断方法的流程图；
图2为本发明实施实例提供的多标签多分类模型结构示意图；
图3为本发明实施例提供的基于多标签多分类的主轴轴承与刀具复合故障诊断系统的框图。
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未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明的关键在于对机床主轴复合故障诊断方法的创新，采用多标签多分类模型对机床主轴的复合故障情况进行诊断，减少了样本标记时的健康情况数量，减少了问题的复杂度和模型训练的计算量，并且充分考虑了多个故障工况之间的关联性，这些改进提高了复合故障诊断结果的精确性和可靠性。除此以外，本发明针对机床主轴复合故障新提供了一种加权计算健康指数的方式，其考虑了不同故障对于机床主轴性能的影响程度，相比现有技术，评定结果更具有全面性、科学性和可靠性。
图1为本发明实施例提供的基于多标签多分类的主轴轴承与刀具复合故障诊断方法的流程图，该检测方法包括操作S1-操作S3。
操作S1，采集机床主轴工作时的振动信号，并对采集的振动信号进行预处理得到样本集；以多标签的形式标记样本集中的样本，得到训练数据集。
操作S2，将所述训练数据集输入多标签多分类模型，得到每个故障类别的概率；基于各所述故障类别的概率计算所述多标签多分类模型的损失函数；
操作S3，基于所述损失函数训练所述多标签多分类模型，并利用训练好的多标签多分类模型实现机床主轴复合故障诊断。
具体而言，在本实施例中，采集机床主轴工作时的振动信号，包含2种零部件(轴承和刀具)，每个零部件均有3种故障类型，则共有9种健康状态，6种故障类别，如表1所示。应当说明的是，此处仅为本发明的示例性描述，不应理解为对本发明的唯一限定，根据实际的应用需求，本发明可诊断任意类型、任意数量的复合故障，也可采集任意类型、任意数量的信号完成故障诊断，只要相应的故障类型为机床主轴运行过程中实际可能出现的故障，且所采集的信号为采集自现场、与机床主轴的健康状况相关即可，更多的示例，在此将不作一一列举。
表1健康状态表
健康状况 复合故障 轴承部件故障标签 刀具部件故障标签
1 轴承正常且刀具正常磨损 1 1
2 轴承正常且刀具中度磨损 1 2
3 轴承正常且刀具严重磨损 1 3
4 轴承内圈故障和刀具正常磨损 2 1
5 轴承内圈故障和刀具中度磨损 2 2
6 轴承内圈故障和刀具严重磨损 2 3
7 轴承外圈故障和刀具正常磨损 3 1
8 轴承外圈故障和刀具中度磨损 3 2
9 轴承外圈故障和刀具重度磨损 3 3
如图2所示，样本以64×64大小的RGB图片形式输入构建的多标签多分类模型，该模型结合了ResNet-50模型的卷积层、一个包含256个神经元的全连接层和一个包含6个神经元的输出层。其中，全连接层后使用Relu激活函数和Dropout网络层，输出层使用Sigmoid函数分别对每个神经元做激活操作。
模型训练和应用流程如下：
A、多标签标记的样本(X,Y)以64×64大小的RGB图片形式输入模型，在ResNet-50模型的卷积层后获得的高维特征向量δ，其计算方式如下：
δ＝f(X)
其中，X代表输入的样本，f(·)代表ResNet-50模型的卷积层的特征提取功能。
B、在高维特征向量δ后嵌入7种指标(平均值
Figure BDA0003276485460000081
均方值(X′rms)2，峰值IP，脉冲指标Cf，裕度指标Ce，歪度指标Cw，峭度指标Cq)，嵌入方式如下：
Figure BDA0003276485460000082
7种指标的计算方法如下：
Figure BDA0003276485460000083
Figure BDA0003276485460000084
Figure BDA0003276485460000085
Figure BDA0003276485460000086
Figure BDA0003276485460000087
Figure BDA0003276485460000088
Figure BDA0003276485460000089
其中，concate(·)函数代表将七个指标值依次拓展到特征向量δ之后，
Figure BDA00032764854600000810
为平均值，(X′rms)2为均方值，IP为峰值，Cf为脉冲指标，Ce为裕度指标，Cw为歪度指标，Cq为峭度指标；X′代表原始一维信号样本，x′j代表原始一维信号样本中第j个数据点，N代表原始一维信号样本中数据点总数，X′P为原始一维信号样本中绝对值最大的10个数的算术平均值。
C、将嵌入操作后获得的特征向量Δ输入全连接层，并使用Relu激活函数和Dropout网络层，得到256维的高维特征向量ρ，其计算方式如下：
ρ＝g(Δ)
其中，g(·)代表全连接层、Relu激活函数和Dropout网络层的特征提取功能。
D、将获得的256维特征向量ρ输入输出层，得到6维特征向量μ，其计算方式如下：
Figure BDA0003276485460000091
其中，
Figure BDA0003276485460000092
代表输出层的特征提取功能，6代表所有的故障类别数量，可随不同任务按需设置。
E、输出层的激活函数使用Sigmoid函数,得到每个类别的概率分布，并使每个故障类别的概率分布跟其他类别相互独立，其计算方式如下：
Figure BDA0003276485460000093
其中，μi代表6维特征向量μ中第i个元素的值，Pi代表第i个故障类别的概率。
F、由所有故障类别的概率计算多标签多分类模型的损失函数，其计算方式如下：
Figure BDA0003276485460000094
其中，样本真实概率分布为Y＝[y1,y2,…,yC],C代表所有的故障类别数量，C的值在这里设置为6，y1代表轴承部件正常，y2代表轴承部件内圈故障，y3代表轴承部件外圈故障，y4代表刀具部件正常磨损，y5代表刀具部件中度磨损，y6代表刀具部件重度磨损。
G、使用多标签多分类模型的损失函数训练多标签多分类模型，待训练完成后，将训练好的模型系统植入诊断装置，去现场实时诊断机床主轴复合故障情况，显示诊断结果和机床主轴健康状态指数。
机床主轴健康状态指数HI计算公式如下：
Figure BDA0003276485460000101
其中，α为轴承部件的重要程度权重；β为刀具部件的重要程度权重，由于轴承损坏时更换较为麻烦，而刀具可随时较易更换刀具，所以这里设置α＝70％，β＝30％；所有部件的权重参数之和应等于1，α+β＝1；P1代表模型预测轴承部件正常的概率；P4代表模型预测刀具部件正常的概率。
HI是一个0～1之间的数值，HI值越大，表明机床主轴健康状态越趋向于正常，HI值越小，表面机床主轴健康状态趋向于故障。
图3为本发明实施例提供的基于多标签多分类的主轴轴承与刀具复合故障诊断系统的框图。参阅图3，该系统300包括数据采集与处理模块310和模型训练与诊断模块320。
数据采集与处理模块310例如执行操作S1，用于采集机床主轴工作时的振动信号，并对采集的振动信号进行预处理得到样本集；以多标签的形式标记所述样本集中的样本，得到训练数据集。
模型训练与诊断模块320例如执行操作S2和S3，用于将所述训练数据集输入多标签多分类模型，得到每个故障类别的概率；基于各所述故障类别的概率计算所述多标签多分类模型的损失函数；以及基于所述损失函数训练所述多标签多分类模型，并利用训练好的多标签多分类模型实现机床主轴复合故障诊断。
系统300用于执行上述图1所示实施例中的方法。本实施例未尽之细节，请参阅前述图1所示实施例中的方法，此处不再赘述。
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 (8)

1.一种基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，包括以下步骤：
S1，采集机床主轴工作时的振动信号，并对采集的振动信号进行预处理得到样本集；以多标签的形式标记所述样本集中的样本，得到训练数据集；
S2，将所述训练数据集输入多标签多分类模型，得到每个故障类别的概率；基于各所述故障类别的概率计算所述多标签多分类模型的损失函数；
S3，基于所述损失函数训练所述多标签多分类模型，并利用训练好的多标签多分类模型实现机床主轴复合故障诊断。
2.根据权利要求1所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，所述多标签多分类模型包括依次连接的卷积层、全连接层和输出层；其中，所述全连接层包括Relu激活函数和Dropout网络层，所述输出层的激活函数为Sigmoid函数。
3.根据权利要求2所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，在训练数据集输入所述卷积层获得高维特征向量δ后，所述方法还包括：在所述高维特征向量δ后嵌入七个指标，嵌入方式如下：
Figure FDA0003276485450000011
Figure FDA0003276485450000012
Figure FDA0003276485450000013
Figure FDA0003276485450000014
Figure FDA0003276485450000021
Figure FDA0003276485450000022
Figure FDA0003276485450000023
Figure FDA0003276485450000024
其中，concate(·)函数代表将七个指标值依次拓展到特征向量δ之后，
Figure FDA0003276485450000025
为平均值，(X′rms)2为均方值，IP为峰值，Cf为脉冲指标，Ce为裕度指标，Cw为歪度指标，Cq为峭度指标；X′代表原始一维信号样本，x′j代表原始一维信号样本中第j个数据点，N代表原始一维信号样本中数据点总数，X′P为原始一维信号样本中绝对值最大的10个数的算术平均值。
4.根据权利要求2或3所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，所述训练数据集依次输入所述卷积层、全连接层和输出层后，得到C维特征向量；
每个故障类别的概率为：
Figure FDA0003276485450000026
其中，μi代表C维特征向量中第i个故障类别对应元素的值，Pi代表第i个故障类别的概率，C代表所有的故障类别数量。
5.根据权利要求4所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，所述损失函数Loss为：
Figure FDA0003276485450000027
其中，yi为第i个故障类别的真实概率。
6.根据权利要求4所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，所述S3之后，还包括：
S4，按照机床主轴健康状态指数HI评定其健康状态；
所述机床主轴健康状态指数HI计算公式如下：
Figure FDA0003276485450000031
其中，α为轴承部件的重要程度权重，β为刀具部件的重要程度权重，且α+β＝1；P1代表模型预测轴承部件正常的概率；P4代表模型预测刀具部件正常的概率。
7.根据权利要求1所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，所述S1中，对采集的振动信号进行预处理得到样本集，包括：将采集到的振动信号进行分割获得原始数据集，再对所述原始数据集进行归一化处理得到样本集。
8.一种基于多标签多分类的主轴轴承与刀具复合故障诊断系统，其特征在于，包括：
数据采集与处理模块，用于采集机床主轴工作时的振动信号，并对采集的振动信号进行预处理得到样本集；以多标签的形式标记所述样本集中的样本，得到训练数据集；
模型训练与诊断模块，用于将所述训练数据集输入多标签多分类模型，得到每个故障类别的概率；基于各所述故障类别的概率计算所述多标签多分类模型的损失函数；以及基于所述损失函数训练所述多标签多分类模型，并利用训练好的多标签多分类模型实现机床主轴复合故障诊断。
CN202111119436.9A 2021-09-24 2021-09-24 基于多标签多分类的主轴轴承与刀具复合故障诊断方法 Pending CN113935403A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111119436.9A CN113935403A (zh) 2021-09-24 2021-09-24 基于多标签多分类的主轴轴承与刀具复合故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111119436.9A CN113935403A (zh) 2021-09-24 2021-09-24 基于多标签多分类的主轴轴承与刀具复合故障诊断方法

Publications (1)

Publication Number Publication Date
CN113935403A true CN113935403A (zh) 2022-01-14

Family

ID=79276629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111119436.9A Pending CN113935403A (zh) 2021-09-24 2021-09-24 基于多标签多分类的主轴轴承与刀具复合故障诊断方法

Country Status (1)

Country Link
CN (1) CN113935403A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115129019A (zh) * 2022-08-31 2022-09-30 合肥中科迪宏自动化有限公司 生产线故障分析模型的训练方法及生产线故障分析方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115129019A (zh) * 2022-08-31 2022-09-30 合肥中科迪宏自动化有限公司 生产线故障分析模型的训练方法及生产线故障分析方法

Similar Documents

Publication Publication Date Title
CN111709448B (zh) 一种基于迁移关系网络的机械故障诊断方法
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN109781411B (zh) 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法
DE102022201761A1 (de) Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen
CN111222458A (zh) 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法
CN109186973A (zh) 一种无监督深度学习网络的机械故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN102498445A (zh) 用于机器状态监测的、使用规则生成的样本的监督故障学习
CN110110768A (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN113378725A (zh) 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质
CN112860183B (zh) 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法
CN112488179A (zh) 一种基于gru的旋转机械故障诊断方法
CN108393744B (zh) 一种刀具状态多传感监测方法
CN114997211A (zh) 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法
CN113935403A (zh) 基于多标签多分类的主轴轴承与刀具复合故障诊断方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN114564987A (zh) 一种基于图数据的旋转机械故障诊断方法及系统
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN116861343A (zh) 一种轴承故障诊断方法
CN115879915B (zh) 一种用于发电厂的跨平台标准化检修方法
CN112763215A (zh) 一种基于模块化联邦深度学习的多工况在线故障诊断方法
CN116380466A (zh) 基于增强事件视觉数据的滚动轴承智能故障诊断方法及系统
CN111523557A (zh) 基于大数据的风电智能化故障诊断方法
CN115638965A (zh) 一种基于一维注意力机制和卷积神经网络的旋转机械故障诊断方法
CN114139598A (zh) 基于深度代价敏感卷积网络的故障诊断方法及诊断框架

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