CN115647933A - 主轴偏摆异常检测方法、装置以及存储介质 - Google Patents
主轴偏摆异常检测方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN115647933A CN115647933A CN202211364853.4A CN202211364853A CN115647933A CN 115647933 A CN115647933 A CN 115647933A CN 202211364853 A CN202211364853 A CN 202211364853A CN 115647933 A CN115647933 A CN 115647933A
- Authority
- CN
- China
- Prior art keywords
- time domain
- domain feature
- vector
- machine
- model
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000005856 abnormality Effects 0.000 title claims description 24
- 239000013598 vector Substances 0.000 claims abstract description 124
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 39
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请实施例提出了一种主轴偏摆异常检测方法、装置以及存储介质，涉及数字化机械检测技术领域；能够快速准确检测CNC机台主轴是否偏摆异常。包括：采集正常机台的主轴自转预设时间段内的振动数据集；将所述振动数据集转换成相对应的时域特征向量集；利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型，并得到机台正常工作状态下的所述模型输出值的阈值范围；实时采集待测机台主轴的振动数据并转换为相对应的时域特征向量；将所述时域特征向量输入至所述侦测模型得到预测数值，判断该预测数值是否在所述阈值范围内，如否，则判断所述待测机台的所述主轴偏摆异常。
Description
【技术领域】
本申请实施例涉及数字化机械检测技术领域，尤其涉及一种主轴偏摆异常检测方法、装置以及存储介质。
【背景技术】
传统检测机械设备是否正常运行的方式需要大量人工投入，例如，CNC机台发生异常生产后，停止机台运作，通过拆卸刀具安装检测工具等人工操作方式实现，耗费时间，检测结果误差，存在导致损坏设备性能寿命的几率增大的风险。
随着人工智能和机器学习的发展，相关领域提出在线检测机械设备故障的方法，例如基于博弈算法使得生成网络和判别网络达到纳什平衡，以平衡点作为判断阈值检测机械设备；对机械设备振动数据进行处理得到振动信号的频谱图，通过分析频谱图检测机械设备。现有自动检测机械设备的方法计算复杂准确率低。
【发明内容】
本申请实施例提供了一种主轴偏摆异常检测方法、装置以及存储介质，能够快速准确检测CNC机台主轴是否偏摆异常。
第一方面，本申请实施例提供一种主轴偏摆异常检测方法，所述方法包括：采集正常机台的主轴自转预设时间段内的振动数据集；将所述振动数据集转换成相对应的时域特征向量集；利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型，并得到机台正常工作状态下的所述模型输出值的阈值范围；实时采集待测机台主轴的振动数据并转换为相对应的时域特征向量；将所述时域特征向量输入至所述侦测模型得到预测数值，判断该预测数值是否在所述阈值范围内，如否，则判断所述待测机台的所述主轴偏摆异常。
本申请实施例采用正常机台的主轴自转的振动数据训练变分自编码器模型，使得输入数据是正常机台的主轴自转的振动数据时，变分自编码器模型能够基于输入数据重构出与输入数据几乎相同的数据；输入数据是非正常机台的主轴自转的振动数据时，变分自编码器无法重构出输入数据，或者重构出的数据与输入数据相差较大，多次训练后得到准备重构正常机台主轴振动数据的侦测模型；鉴于此，本申请实施例还基于训练变分自编码器模型过程中的数据，获得变分自编码器重构输入数据的误差极值，得到机台正常工作状态下的所述模型输出值的阈值范围。在侦测模型应用阶段，只需要将机台主轴振动数据输入侦测模型，判断侦测模型重构的数据与振动数据的差值是否超过阈值范围，就能判断机台主轴偏摆是否异常。上述方法采集正常机台的主轴振动数据作为训练数据，无需进行人工标注，基于变分自编码器模型的特性，无监督学习方式训练变分自编码器模型重构正常机台的主轴振动数据的能力，训练方法简单；应用中，通过变分自编码器模型重构输入数据的情况，检测主轴偏摆是否异常，处理简单并且准确。
其中一种可能的实现方式中，得到机台正常工作状态下的阈值范围的步骤包括：
计算所述时域特征集中的每一时域特征输入至所述侦测模型得到生成向量，并计算所述生成向量与所述时域特征向量的误差向量；
在所述误差向量中找到极限值作为所述阈值范围。
其中一种可能的实现方式中，利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型步骤包括：
基于所述变分自编码器对输入的时域特征集进行编码、解码操作，以对解码后的数据进行重建，得到与所述时域特征集相似的生成向量，基于所述生成向量以及所述时域特征向量集，构建所述侦测模型。
其中一种可能的实现方式中，对输入的时域特征集进行编码、解码操作，以对解码后的数据进行重建，得到与所述时域特征集相似的重现向量的步骤包括：对所述时域特征集进行编码后，得到代表概率分布的参数，从所述分布中采样潜向量，再经过解码器返回与所述时域特征相似的生成向量。
其中一种可能的实现方式中，所述代表概率分布的参数包括均值与方差值，对所述时域特征集进行编码的步骤包括，输入时域特征集，经过神经网络学习输出所述均值和方差值。
其中一种可能的实现方式中，得到机台正常工作下的所述模型输出值的阈值范围的步骤还包括：
采集异常机台的主轴自转预设时间段内的振动数据集并转换成相对应的时域特征向量集；
将所述时域特征向量集输出至所述侦测模型以优化所述阈值范围。
其中一种可能的实现方式中，将所述时域特征集使用变分自编码器模型进行训练的步骤包括，多所述时域特征集进行K-fold交叉验证,把样本数据随机分成K份，每次随机选择K-1份作为训练集，剩下的一份作为测试集，当这一轮完成后重新选择K-1份来迭代训练数据。
其中一种可能的实现方式中，基于所述生成向量以及所述时域特征向量集，构建所述侦测模型的步骤包括：
计算所述生成向量和时域特征向量集的损失函数；
对包括所述损失函数的目标函数进行梯度反向传播，直至所述目标函数收敛；所述目标函数包含所述变分自编码器的参数集合。
其中一种可能的实现方式中，所述目标函数为：
其中，x表示时域特征向量，
表示所述变分自编码器模型中解码器输出的生成向量；N(0,1)表示正态分布，μx表示时域特征向量的平均值，σx表示时域特征向量的方差的方根。
第二方面，本申请实施例提供一种主轴偏摆异常检测装置，所述装置包括：
传感器，设于所述主轴，用于实时采集待测机台主轴的振动数据并转换为相对应的时域特征向量；
处理器，耦接于所述传感器；
存储器，所述存储器中存储有多个程序模块；
所述处理器用于加载所述多个程序模块并执行如第一方面所述的主轴偏摆异常的检测方法。第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的方法。
应当理解的是，本申请实施例的第二～三方面与本申请实施例的第一方面的技术方案一致，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。
【附图说明】
为了更清楚地说明本申请实施例的技术方案，下面将对实施例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本说明书的一些实施例，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它的附图。
图1是本申请实施例提出的主轴偏摆异常检测方法步骤流程图；
图2是本申请实施例获得侦测模型训练的变分自编码器模型结构图；
图3是本申请一种示例训练变分自编码器模型的信息流程图；
图4所示出了本实施例提供的模型训练时得出的阈值范围示意图；
图5是本申请实施例提出的主轴偏摆异常检测装置的结构示意图。
【具体实施方式】
为了更好的理解本说明书的技术方案，下面结合附图对本申请实施例进行详细描述。
应当明确，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本说明书保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本申请实施例主轴偏摆异常检测方法可以应用于电子设备或服务器，例如计算机集群、终端、云计算机等，电子设备或服务器与CNC机台连接或通信连接。
图1是本申请实施例提出的主轴偏摆异常检测方法步骤流程图，所述步骤包括：
步骤S101：采集正常机台的主轴自转预设时间段内的振动数据集。
本实施例中，振动数据由设置在主轴外表面或者内部的加速度传感器测得。可以理解的是，传感器预设时间段内测得的值为一系列的振动数据(例如当预设时间段为10秒，采样频率为500赫兹，则振动数据有500组)，每组振动数据包括两个或三个或者更多维度(例如由三轴传感器或者六轴传感器采集)的振动数据的值。因此，采集到的不同类别的CNC机台的主轴的振动数据15秒的数据为多组振动数据并构成振动数据集。本实施例中的预设时间段可以为5-30秒等。
步骤S102：将所述振动数据集转换成相对应的时域特征向量集。
转换振动数据集转得到对应的时域特征向量可以包括峰值因子、脉冲因子、裕度因子、波形因子、峭度因子以及偏度因子中的至少一种。
提取所述振动数据样本集中的时域特征集可以是执行特征工程操作，以将原始数据转化成更好的表达问题本质的特征的过程，使得将这些特征运用到预测模型中能提高对不可见数据的模型预测精度。
峰度因子：亦称尖度，在统计学中衡量实数随机变数概率分布的峰态。峰度高就意味着方差增大是由低频度的大于或小于平均值的极端差值引起的。
脉冲因子是信号峰值与整流平均值(绝对值的平均值)的比值。脉冲因子和峰值因子的区别在分母上，由于对于同一组数据整流平均值小于有效值，所以脉冲因子大于峰值因子。脉冲因子也同样用以检测信号中是否存在冲击。
裕度因子是信号峰值与方根幅值的比值。与峰值因子类似，方根幅值和均方根值(有效值)是对应的，均方根的公式是信号平方和的平均值的算术平方根，方根幅值是算术平方根的平均值的平方。裕度因子可以用于检测机械设备的磨损情况。
波型因子是有效值(RMS)与整流平均值的比值。在电子领域其物理含义可以理解为直流电流相对于等功率的交流电流的比值，其值大于等于1。说到这儿也许你已经发现了，波形因子＝脉冲因子/峰值因子。
峭度因子是表示波形平缓程度的，用于描述变数的分布。正态分布的峭度等于3，峭度小于3时，分布的曲线会较“平”，大于3时分布的曲线较“陡”。
偏度因子：偏度也叫偏斜度、偏态。偏度和峭度是有一定的相关性的，峭度因子是四阶中心矩和标准偏差的四次方的比值；偏度因子是三阶中心矩和标准偏差的三次方的比值。偏度与峭度相同，描述的是分布。物理含义简单理解的话，对于单峰分布，负偏度代表分布图线的“头”在右侧，“尾”在左侧；正偏度反之。
步骤S103：利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型，并得到机台正常工作状态下的所述模型输出值的阈值范围。
图2是本申请实施例获得侦测模型训练的变分自编码器模型结构图，如图2所示，变分自编码器模型包括编码器(encoder)、解码器(decoder)和隐空间(Latent Space)；encoder的作用是对输入样本降维，将输入样本的数据空间Rn映射到另一个隐变量空间Rd；而decoder处理数据的过程与encoder处理数据的过程相反，用于将接收隐变量并且将其重新映射到原样本空间上去，完成数据的重构。变分自编码器模型是一种无监督的模型，因此在数据采集时无需采集机台的偏摆半径数据，只需要采集振动数据作为模型是输入数据即可。
模型的隐空间可以是概率分布，训练采用时域特征向量训练变分自编码器模型，训练变分自编码器模型的隐空间形成关于时域特征向量稳定的正态分布。
本实施例中，利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型步骤包括：基于所述变分自编码器对输入的时域特征集进行编码、解码操作，以对解码后的数据进行重建，得到与所述时域特征集相似的生成向量，基于所述生成向量以及所述时域特征向量集，构建所述侦测模型。
在本申请一种示例中，上述训练自编码器模型的过程可以是：
将所述时域特征向量集输入所述变分自编码器，以通过所述变分自编码器基于对所述时域特征向量编码结果重构得到生成向量；变分自编码器的encoder对时域特征向量编码，映射到低维数据空间，减少数据计算量；
计算所述生成向量和时域特征向量集的损失函数；
对包括所述损失函数的目标函数进行梯度反向传播，直至所述目标函数收敛；所述目标函数包含所述变分自编码器的参数集合。
本实施例还提出：对输入的时域特征集进行编码、解码操作，以对解码后的数据进行重建，得到与所述时域特征集相似的重现向量的步骤包括：对所述时域特征集进行编码后，得到代表概率分布的参数，从所述分布中采样潜向量，再经过解码器返回与所述时域特征相似的生成向量。训练的次数越多，解码器返回的生成向量与输入的时域特征向量差值越小。
所述代表概率分布的参数包括均值与方差值，对所述时域特征集进行编码的步骤包括，输入时域特征集，经过神经网络学习输出所述均值和方差值。常见的神经网络模型有感知器网络，按照误差逆传播算法训练的多层前馈网络，玻尔兹曼机(BoltzmannMachine)，卷积神经网络(Convolutional Neural Network，CNN)等。
基于所述生成向量以及所述时域特征向量集，构建所述侦测模型的步骤包括：
计算所述生成向量和时域特征向量集的损失函数；
对包括所述损失函数的目标函数进行梯度反向传播，直至所述目标函数收敛；所述目标函数包含所述变分自编码器的参数集合。
目标函数包括损失函数、变分自编码器模型的参数集合以及正则化项。正则化项用于避免对损失函数反向传播过程中，目标函数的过度拟化。
其中损失函数包括先验分布，先验分布为正态分布，计算损失函数包括计算变分自编码器模型重构的生成向量和时域特征向量的差值，以及计算先验分布和当前次训练中编码时域特征向量得到的概率分布的散度，通过对损失函数的多次迭代，可以使散度趋于最小值，使得概率分布逼近先验的正态分布。
本实施例中，上述目标函数为最小化的损失函数，其中目标函数为：
其中，x表示时域特征向量，
表示所述变分自编码器模型中解码器输出的生成向量；N(0,1)表示正态分布，μx表示输入为x的均值，σx表示输入为x的方差的方根。N(μx,σx)表示基于μx,σx的概率分布，当N(μx,σx)趋于正态分布，可以确定分自编码器模型训练至可以重构出几乎相同的输入数据。
其中，KL(Kullback-Leibler divergence，简称KLD)表示散度，在讯息系统中称为相对熵(relative entropy)，在连续时间序列中称为随机性KL散度是两个机率分布P和Q差别的非对称性的度量。KL散度是用来度量使用基于Q的分布来编码服从P的分布的样本所需的额外的平均比特数。典型情况下，P表示数据的真实分布，Q表示数据的理论分布、估计的模型分布、或P的近似分布。本实施例中，KL[N(μx,σx),N(0,1)]即表示概率分布N(μx,σx)与正态分布N(0,1)差别的度量。
KL值越小，表示预先设置的正态分布与变分自编码器模型对时域特征向量编码得到的概率分布相差越小。
图3是本申请一种示例训练变分自编码器模型的信息流程图，如图3所示，均值方差计算模块对真实样本[X1、X2、X3、X4、X5、X6]编码，Xi为时域特征向量集中的元素，得到时域特征向量的均值和方差，根据Xi的均值和方差确定概率分布，解码器再基于概率分布重构输入数据；重构数据的过程可以是，所述概率分布中采样潜向量[Z1、Z2、Z3、Z4、Z5、Z6]，通过生成器对潜向量计算，得到生成向量[Y1、Y2、Y3、Y4、Y5、Y6]；计算生成向量和真实样本的损失函数，损失函数包括预先设置的正态分布和概率分布，对损失函数进行反向传播，以对模型参数进行优化。
经过多次训练，达到损失函数最小化，可以看做是训练达到概率分布逼近正态分布，变分自编码器模型能够对采集自正常机台的主轴振动数据进行编码、解码，重构得到机台主轴振动数据。输入变分自编码器模型之前，可以对机台主轴振动处理，得到时域特征向量作为变分自编码器模型的输入。将上述能够对采集自正常机台的主轴振动数据进行编码、解码，重构得到机台主轴振动数据的变分自编码器模型，作为侦测模型。
本申请另一种实施例提出训练变分自编码器模型过程中，获得机台正常工作状态下的所述模型输出值的阈值范围的步骤：
步骤S103-1：计算所述时域特征集中的每一时域特征输入至所述侦测模型得到生成向量，并计算所述生成向量与所述时域特征向量的误差向量。
步骤S103-2：在所述误差向量中找到极限值作为所述阈值范围。
或者，获得机台正常工作状态下的所述模型输出值的阈值范围的步骤：
步骤S103-1：计算所述时域特征集中的每一时域特征输入至所述侦测模型得到生成向量。
步骤S103-2：计算所述时域特征集中的每一时域特征输入训练中的变分自编码器模型得到检验向量；
步骤S103-3：计算检验向量和生成向量的误差向量；
步骤S103-4：在所述误差向量中找到极限值作为所述阈值范围。
阈值范围表示侦测模型输出结果与输入时域特征向量相比，可以接受的误差范围；可以理解的是，侦测模型重构输入数据可以接受的误差范围，超过阈值范围表示侦测模型无法基于输入数据重构，输入数据不是正常机台主轴振动数据转换得到，机台主轴振动数据有异，机台主轴偏摆异常。
在一种实施方式中，本实施例中，得到机台正常工作下的所述模型输出值的阈值范围的步骤还包括：
采集异常机台的主轴自转预设时间段内的振动数据集并转换成相对应的时域特征向量集；
将所述时域特征向量集输出至所述侦测模型以优化所述阈值范围。
如图4示出了本实施例在模型训练时得出的阈值范围示意图，横坐标表示训练次数，纵坐标表示模型训练后的侦测模型输出值。其中黑点表示正常机台经过侦测模型的输出值的分布情况，白点表示异常机台经过侦测模型输出的值的分布情况。由图所示，正常机台的振动数据经过侦测模型的输出值范围为小于4，异常机台的振动数据经过侦测模型的输出值范围为大于5，因此，若输出值小于4，则为正常机台，若大于5则为异常机台，若在4与5之间，则结果可商榷。根据这些输出值，可以进一步限定阈值范围或者给出阈值范围的参考范围。
此外，利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型的步骤还包括对时域特征集进行K-fold交叉验证(K-fold Cross-Validation，又称循环验证)，把样本数据随机分成K份，每次随机选择K-1份作为训练集，剩下的一份作为测试集，当这一轮完成后重新选择K-1份来迭代训练数据。当测试集中侦测模型的输出值与实际值越接近，则说明侦测模型拟合的越好。采用该K-fold交叉验证可以避免过拟合的现象，进而提高模型精度。
步骤S104：实时采集待测机台主轴的振动数据并转换为相对应的时域特征向量。
上述训练得到侦测模型，实时采集待测机台主轴的振动数据，转换得到时域特征向量输入侦测模型，通过检测侦测模型对实时振动数据对应时域特征向量的重构情况进行检测，判断实时此采集的振动数据是否异常，从而判断机台主轴是否异常偏摆。
步骤S105：将所述时域特征向量输入至所述侦测模型得到预测数值。
该侦测模型在步骤S103中已获得，此时得出的预测数值经时域特征向量输入至该侦测模型后输出得到。
步骤S106：判断该预测数值是否在所述阈值范围内。如是，则进行步骤S107，如否，则进行步骤S108。
步骤S107：基于该预测数值在阈值范围内，则判断机台的主轴偏摆正常。
步骤S108：基于该预测数值在阈值范围外，则判断机台的主轴偏摆异常。
将所述时域特征向量输入至所述侦测模型，如果侦测模型因无法重构得到预测数值或者预测数值不在阈值范围内，则判断所述待测机台的所述主轴偏摆异常。
需要说明的是，本实施例所说的正常机台，指的是偏摆半径在正常范围内的机台，异常机台则为偏摆半径在正常范围之外的机台，此时正常、异常的分界点可以为0，当然也可约定偏摆半径正常或者异常的其他分界点。例如当分界点为0.02毫米，则在偏摆半径小于0.02毫米时可以约定为正常机台，大于0.02毫米时可以约定为异常机台。
总的来说，本实施例执行主轴偏摆异常检测方法包括下述步骤：
K11：设备主轴安装传感器-选定偏摆标准下正常机台(主轴振动半径范围是0～0.03mm)在主轴上安装振动传感器。
K12：采集大量正常设备自转数据-正常机台拆卸刀具后，大量采集机台主轴自转15秒振动数据。
K13：特征工程-将振动数据转换成相对应的时域特征向量(峰度，峭度，峰峰值，裕度等)。
K14：区分交叉验证数据集-对数据进行K-fold交叉验证，把样本数据随机分成K份，每次随机选择K-1份作为训练集，剩下的一份作为测试集，当这一轮完成后重新选择K-1份来迭代训练数据，以提升模型精准度。
K15：VAE建立训练模型-使用深度学习架构变分自编码器(Variational Auto-Encoders，VAE)进行模型训练。将时域特征向量输入变分自编码器，变分自编码器对时域特征向量编码，得到概率分布，对概率分布解码重构输入的时域特征向量。
K16：最适预测模型-使用训练跌代完之模型参数建立最适异常侦测模型。
K17：实时采集设备振动数据-将待诊断机台进行实时采集15秒主轴自转振动数据。
K18：实时数据预处理-把采集到的15秒振动主轴运行振动参数加载特征工程预处理模型，得到实时振动数据对应时域特征向量，使其保证训练数据集与实时数据一致性。
K19：使用异常侦测模型预测推估-把预处理后数据特征加载异常侦测模型，以通过异常侦测模型尝试重构输入的时域特征向量，根据异常侦测模型对输入数据的重构情况进行机台主轴是否偏摆异常进行预测推估。
K20：侦测设备异常-实时诊断模型结果是否为异常设备。
K21：发出预警信号-发出预警信号，派遣设备维修人员现场排查异常。
图5是本申请实施例提出的主轴偏摆异常检测装置的结构示意图，用于对CNC机台的主轴进行偏摆异常诊断预警，如图5所示，所述装置包括：
传感器51，设于所述主轴，用于实时采集待测机台主轴的振动数据并转换为相对应的时域特征向量，本实施例中的传感器可以为三轴传感器或者六轴传感器等，传感器设于主轴的外表面或者内表面，以实时采集主轴的振动数据。
处理器52，耦接于所述传感器51，例如通过有线或者无线的方式连接于传感器51。
存储器53，所述存储器中存储有多个程序模块并用于存储所建立的预测分类模型、更新模块，以及传感器所采集的主轴偏摆的振动数据，其中更新模块用于随着历史数据不断的增多而不断的更新预测分类模型。
所述处理器52用于加载所述多个程序模块并执行说明书图1至图4所示方法实施例的技术方案所述的主轴偏摆异常的检测方法。
传感器51连接或通信连接处理器52和存储器53，处理器52与存储器53连接或通信连接。
本申请一种示例中，处理器52和存储器53可以设置于电子设备中。
上述所示实施例提供的装置用于执行上述所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述，在此不再赘述。
上述所示实施例提供的装置例如可以是：芯片或者芯片模组。上述所示实施例提供的装置用于执行上述所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述，在此不再赘述。
本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本说明书图1～图4所示实施例提供的主轴偏摆异常检测方法。计算机可读存储介质可以指非易失性计算机存储介质。
上述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(readonly memory，ROM)、可擦式可编程只读存储器(erasable programmable read onlymemory，EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、射频(radio frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本说明书操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(local areanetwork，LAN)或广域网(wide area network，WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本申请实施例的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，在本说明书的描述中，“多个”的含义是至少两个，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本说明书的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本说明书的实施例所属技术领域的技术人员所理解。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(processor)执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。
Claims (11)
1.一种主轴偏摆异常检测方法，其特征在于，所述方法包括：
采集机台正常的主轴自转预设时间段内的振动数据集；
将所述振动数据集转换成相对应的时域特征向量集；
利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型，并得到机台主轴正常工作状态下的所述侦测模型输出值的阈值范围；
实时采集待测机台主轴的振动数据并转换为相对应的时域特征向量；
将所述时域特征向量输入至所述侦测模型得到预测数值，判断该预测数值是否在所述阈值范围内，如否，则判断所述待测机台的所述主轴偏摆异常。
2.如权利要求1所述的主轴偏摆异常检测方法，其特征在于，得到机台正常工作状态下的所述侦测模型输出值的阈值范围的步骤包括：
将所述时域特征集中的每一时域特征输入至所述侦测模型，得到所述侦测模型输出值的生成向量，并计算所述生成向量与所述时域特征向量的误差向量；
在所述误差向量中找到极限值作为所述阈值范围。
3.如权利要求2所述的主轴偏摆异常检测方法，其特征在于，利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型步骤包括：
基于所述变分自编码器对输入的时域特征集进行编码、解码操作，以对解码后的数据进行重建，得到与所述时域特征集相似的生成向量，基于所述生成向量以及所述时域特征向量集，构建所述侦测模型。
4.如权利要求3所述的主轴偏摆异常检测方法，其特征在于，对输入的时域特征集进行编码、解码操作，以对解码后的数据进行重建，得到与所述时域特征集相似的生成向量的步骤包括：对所述时域特征集进行编码后，得到代表概率分布的参数，从所述分布中采样潜向量，再经过解码器返回与所述时域特征相似的生成向量。
5.如权利要求4所述的主轴偏摆异常检测方法，其特征在于，对所述时域特征集进行编码的步骤包括，输入时域特征集，经过神经网络学习输出均值和方差值，所述代表概率分布的参数包括所述均值与方差值。
6.如权利要求1所述的主轴偏摆异常检测方法，其特征在于，得到机台正常工作下的所述模型输出值的阈值范围的步骤还包括：
采集异常机台的主轴自转预设时间段内的振动数据集并转换成相对应的时域特征向量集；
将所述时域特征向量集输出至所述侦测模型以优化所述阈值范围。
7.如权利要求1所述的主轴偏摆异常检测方法，其特征在于，将所述时域特征集使用变分自编码器模型进行训练的步骤包括，多所述时域特征集进行K-fold交叉验证,把样本数据随机分成K份，每次随机选择K-1份作为训练集，剩下的一份作为测试集，当这一轮完成后重新选择K-1份来迭代训练数据。
8.如权利要求3所述的主轴偏摆异常检测方法，其特征在于，基于所述生成向量以及所述时域特征向量集，构建所述侦测模型的步骤还包括：
计算所述生成向量和时域特征向量集的损失函数；
对包括所述损失函数的目标函数进行梯度反向传播，直至所述目标函数收敛；所述目标函数包含所述变分自编码器的参数集合；
根据收敛后的目标函数，构建所述侦测模型。
9.如权利要求8所述的主轴偏摆异常检测方法，其特征在于，所述目标函数为：
其中，x表示时域特征向量，
表示所述变分自编码器模型中解码器输出的生成向量；N(0,1)表示正态分布，μx表示时域特征向量的平均值，σx表示时域特征向量的方差的方根，KL为散度，N(μx,σx)表示基于μx,σx的概率分布。
10.一种主轴偏摆异常检测装置，其特征在于，所述主轴偏摆异常检测装置包括：
传感器，设于所述主轴，用于实时采集待测机台主轴的振动数据；
存储器，所述存储器中存储有多个程序模块；
处理器，耦接于所述传感器以及所述存储器，
所述处理器用于加载所述多个程序模块并执行如权利要求1至9中任一项所述的主轴偏摆异常的检测方法。
11.一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令使所述计算机执行如权利要求1至9任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211364853.4A CN115647933B (zh) | 2022-11-02 | 2022-11-02 | 主轴偏摆异常检测方法、装置以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211364853.4A CN115647933B (zh) | 2022-11-02 | 2022-11-02 | 主轴偏摆异常检测方法、装置以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115647933A true CN115647933A (zh) | 2023-01-31 |
| CN115647933B CN115647933B (zh) | 2023-10-27 |
Family
ID=84996190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211364853.4A Active CN115647933B (zh) | 2022-11-02 | 2022-11-02 | 主轴偏摆异常检测方法、装置以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115647933B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978379A (zh) * | 2019-03-28 | 2019-07-05 | 北京百度网讯科技有限公司 | 时序数据异常检测方法、装置、计算机设备和存储介质 |
| EP3719711A2 (en) * | 2020-07-30 | 2020-10-07 | Institutul Roman De Stiinta Si Tehnologie | Method of detecting anomalous data, machine computing unit, computer program |
| CN112149757A (zh) * | 2020-10-23 | 2020-12-29 | 新华三大数据技术有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
| CN112926505A (zh) * | 2021-03-24 | 2021-06-08 | 重庆大学 | 基于dtc-vae神经网络的旋转机械健康指标构建方法 |
| CN113344099A (zh) * | 2021-06-22 | 2021-09-03 | 华中科技大学 | 一种基于变分自编码器的机械设备退化点识别方法和系统 |
| CN113673346A (zh) * | 2021-07-20 | 2021-11-19 | 中国矿业大学 | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 |
| CN114354184A (zh) * | 2021-12-28 | 2022-04-15 | 哈尔滨工业大学 | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 |
| CN114707577A (zh) * | 2022-03-14 | 2022-07-05 | 重庆邮电大学 | 一种基于自对抗变分自编码器的异常检测方法及系统 |
| WO2022149569A1 (ja) * | 2021-01-08 | 2022-07-14 | ファナック株式会社 | 工作機械を備える加工システム、加工システムにおけるパラメータを修正するパラメータの修正方法、加工プログラムを修正するプログラム修正システム、およびプログラムの修正方法 |
| CN114922806A (zh) * | 2022-04-27 | 2022-08-19 | 北京天玛智控科技股份有限公司 | 柱塞泵的异常检测方法和装置 |
-
2022
- 2022-11-02 CN CN202211364853.4A patent/CN115647933B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978379A (zh) * | 2019-03-28 | 2019-07-05 | 北京百度网讯科技有限公司 | 时序数据异常检测方法、装置、计算机设备和存储介质 |
| EP3719711A2 (en) * | 2020-07-30 | 2020-10-07 | Institutul Roman De Stiinta Si Tehnologie | Method of detecting anomalous data, machine computing unit, computer program |
| CN112149757A (zh) * | 2020-10-23 | 2020-12-29 | 新华三大数据技术有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
| WO2022149569A1 (ja) * | 2021-01-08 | 2022-07-14 | ファナック株式会社 | 工作機械を備える加工システム、加工システムにおけるパラメータを修正するパラメータの修正方法、加工プログラムを修正するプログラム修正システム、およびプログラムの修正方法 |
| CN112926505A (zh) * | 2021-03-24 | 2021-06-08 | 重庆大学 | 基于dtc-vae神经网络的旋转机械健康指标构建方法 |
| CN113344099A (zh) * | 2021-06-22 | 2021-09-03 | 华中科技大学 | 一种基于变分自编码器的机械设备退化点识别方法和系统 |
| CN113673346A (zh) * | 2021-07-20 | 2021-11-19 | 中国矿业大学 | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 |
| CN114354184A (zh) * | 2021-12-28 | 2022-04-15 | 哈尔滨工业大学 | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 |
| CN114707577A (zh) * | 2022-03-14 | 2022-07-05 | 重庆邮电大学 | 一种基于自对抗变分自编码器的异常检测方法及系统 |
| CN114922806A (zh) * | 2022-04-27 | 2022-08-19 | 北京天玛智控科技股份有限公司 | 柱塞泵的异常检测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115647933B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
| Udmale et al. | Application of spectral kurtosis and improved extreme learning machine for bearing fault classification | |
| Ma et al. | Discriminative deep belief networks with ant colony optimization for health status assessment of machine | |
| Wen et al. | Convolutional neural network with automatic learning rate scheduler for fault classification | |
| CN112766342A (zh) | 一种电气设备的异常检测方法 | |
| CN110555247A (zh) | 一种基于多点传感器数据和BiLSTM的结构损伤预警方法 | |
| CN110398384A (zh) | 旋转机械的机器健康监测 | |
| CN113138005B (zh) | 基于特征提取和神经网络的车辆随机载荷模式识别系统 | |
| KR102373827B1 (ko) | 표준 운용 수준 평가 기반 산업 설비 운용 제어 장치 및 그 동작 방법 | |
| Jarwar et al. | NEAT: A resilient deep representational learning for fault detection using acoustic signals in IIoT environment | |
| Liu et al. | A novel health prognosis method for system based on improved degenerated Hidden Markov model | |
| CN115647933B (zh) | 主轴偏摆异常检测方法、装置以及存储介质 | |
| Minervini et al. | Transfer learning technique for automatic bearing fault diagnosis in induction motors | |
| CN113458873A (zh) | 一种刀具磨损量和剩余寿命预测的方法 | |
| Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
| Nunes et al. | Acoustic structural integrity assessment of ceramics using supervised machine learning and uncertainty-based rejection | |
| CN116090216A (zh) | 一种基于典型相关分析的发电功率预测方法和系统 | |
| CN111914490B (zh) | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 | |
| He et al. | A Convolutional Neural Network-Based Recognition Method of Gear Performance Degradation Mode | |
| Bodo et al. | Feature ranking under industrial constraints in continuous monitoring applications based on machine learning techniques | |
| CN115716217B (zh) | 主轴偏摆异常的检测方法、装置以及存储介质 | |
| Li et al. | An Approach of Rolling Bearing Remaining Useful Life Prediction based on Adaptive Ensemble Model | |
| CN116705055B (zh) | 一种变电站噪声监测方法、系统、设备和存储介质 | |
| CN116907586B (zh) | 一种基于云计算的超声设备运行状态管理系统及方法 | |
| CN115658371B (zh) | 基于案例学习与可诊断性分析的诊断算法量化推荐方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |