一种基于在线学习的智能制造故障预测方法及装置制造方法及图纸

本发明专利技术涉及机器学习技术领域，具体涉及一种基于在线学习的智能制造故障预测方法及装置，通过收集并提取历史数据，采用自组织映射神经网络，构建出能够评估关键部件健康状态趋势的模型，进而获取关键部件的健康特征指数，将所述健康特征指数作为量化关键部件状态的量值，通过实时采集关键部件产生的数据作为输入数据，获得故障预测结果，本发明专利技术提供了一种高效的故障特征提取和检测途径。

【技术实现步骤摘要】
一种基于在线学习的智能制造故障预测方法及装置
本专利技术涉及机器学习
，具体涉及一种基于在线学习的智能制造故障预测方法及装置。
技术介绍
在机器学习领域，在线学习(Online-learning)指每次通过一个训练实例学习模型的学习方法，在线学习的目的是正确预测训练实例的标注。在线学习最重要的一个特点是，当一次预测完成时，其正确结果便被获得，这一结果可直接用来修正模型。在在线学习算法中，我们不假设训练数据来自于某个概率分布或者随机过程。当训练实例过来时，我们利用分类器对其进行分类，在线算法对数据的要求更加宽松，因此它是更实用的算法；同时，它也是更实用的训练算法。而预测制造质量是质量管理的关键措施之一，准确的预测与制造过程的特征学习密切相关，因此，如何利用大数据在智能制造中提供一种高效的故障检测途径成为值得解决的问题。
技术实现思路
本专利技术提供一种基于在线学习的智能制造故障预测方法及装置，能够在智能制造中提供一种高效的故障特征提取和检测途径。本专利技术提供的一种基于在线学习的智能制造故障预测方法，包括以下步骤：步骤S1、对智能制造过程中关键部件产生的历史数据进行收集；步骤S2、将所述历史数据作为样本集{xi}，进行预测特征提取；步骤S3、采用自组织映射神经网络，构建出能够评估关键部件健康状态趋势的模型；步骤S4、获取关键部件的健康特征指数，将所述健康特征指数作为量化关键部件状态的量值；步骤S5、实时采集关键部件产生的数据，将所述数据作为输入数据，获得故障预测结果。进一步，所述步骤S2具体包括：步骤S21、提取每个数据向量xi的K个邻居数据点；步骤S22、计算通过邻居数据点重构xi的最优权重Wij，即求解一个带约束的最小二乘，求解公式如下：令重构误差ε(W)最小，得出最优权重Wij；步骤S23、基于Wij计算最优的重构低维数据向量yi，即令如下重构误差φ(Y)最小，计算公式如下：计算得到yi，构成低维特征数据集{yi}。进一步，所述步骤S3具体包括：步骤S31、随机排列映射中数据向量xi的权值向量Wij；步骤S32、从xi中选取任一输入向量，在映射中遍历每个节点；步骤S33、使用欧氏距离公式得到输入向量和映射节点的权值向量之间的距离；步骤S34、选取距离最小的节点，所述节点即为最佳匹配单元；步骤S35、更新最佳匹配单元的节点，将所述最佳匹配单元邻域内的节点作为输入向量，所述更新最佳匹配单元的节点的计算公式如下：WV(s+1)＝WV(s)+θ(u，v，s)α(s)(D(t)-WV(s))其中s为步长指数，i是训练样本的指数，xi是输入向量，u是xi的最佳匹配单元指数，α(s)是一个单调递减的学习系数，θ(u，v，s)是在步长为s下给出神经元u和神经元v之间距离的邻近函数；步骤S36、增加步长指数s并跳转到步骤S32，直至特征映射趋于稳定。本专利技术提供的一种基于在线学习的智能制造故障预测装置，包括：收集模块，用于对智能制造过程中关键部件产生的历史数据进行收集；第一提取模块，用于将所述历史数据作为样本集{xi}，进行预测特征提取；构建模块，用于采用自组织映射神经网络，构建出能够评估关键部件健康状态趋势的模型；量化模块，用于获取关键部件的健康特征指数，将所述健康特征指数作为量化关键部件状态的量值；第一预测模块，用于实时采集关键部件产生的数据，将所述数据作为输入数据，获得故障预测结果。进一步，所述第一提取模块具体包括：第二提取模块，用于提取每个数据向量xi的K个邻居数据点；第一计算模块，用于计算通过邻居数据点重构xi的最优权重Wij，即求解一个带约束的最小二乘，求解公式如下：令重构误差ε(W)最小，得出最优权重Wij；第二计算模块，用于用于基于Wij计算最优的重构低维数据向量yi，即令如下重构误差φ(Y)最小，计算公式如下：计算得到yi，构成低维特征数据集{yi}。进一步，所述构建模块具体包括：排列模块，用于随机排列映射中数据向量xi的权值向量Wij；选取模块，用于从xi中选取任一输入向量，在映射中遍历每个节点；第三计算模块，用于使用欧氏距离公式得到输入向量和映射节点的权值向量之间的距离；第二选取模块，用于选取距离最小的节点，所述节点即为最佳匹配单元；更新模块，用于更新最佳匹配单元的节点，将所述最佳匹配单元邻域内的节点作为输入向量，所述更新最佳匹配单元的节点的计算公式如下：WV(s+1)＝WV(s)+θ(u，v，s)α(s)(D(t)-WV(s))其中s为步长指数，i是训练样本的指数，xi是输入向量，u是xi的最佳匹配单元指数，α(s)是一个单调递减的学习系数，θ(u，v，s)是在步长为s下给出神经元u和神经元v之间距离的邻近函数；稳定模块，用于增加步长指数s并执行选取模块，直至特征映射趋于稳定。本专利技术的有益效果是：本专利技术公开一种基于在线学习的智能制造故障预测方法及装置，通过收集历史数据，采用自组织映射神经网络，构建出能够评估关键部件健康状态趋势的模型，从而实时采集关键部件产生的数据作为输入数据，获得故障预测结果，本专利技术提供了一种高效的故障特征提取和检测途径。附图说明下面结合附图和实例对本专利技术作进一步说明。图1是本专利技术实施例一种基于在线学习的智能制造故障预测方法的流程图；图2是本专利技术实施例一种基于在线学习的智能制造故障预测方法步骤S2的流程图；图3是本专利技术实施例一种基于在线学习的智能制造故障预测方法步骤S3中的流程图。具体实施方式参考图1～3，本专利技术实施例提供的一种基于在线学习的智能制造故障预测方法，包括以下步骤：步骤S1、对智能制造过程中关键部件产生的历史数据进行收集；步骤S2、将所述历史数据作为样本集{xi}，进行预测特征提取；步骤S3、采用自组织映射神经网络，构建出能够评估关键部件健康状态趋势的模型；步骤S4、获取关键部件的健康特征指数，将所述健康特征指数作为量化关键部件状态的量值；步骤S5、实时采集关键部件产生的数据，将所述数据作为输入数据，获得故障预测结果。进一步，所述步骤S2具体包括：步骤S21、提取每个数据向量xi的K个邻居数据点；步骤S22、计算通过邻居数据点重构xi的最优权重Wij，即求解一个带约束的最小二乘，求解公式如下：令重构误差ε(W)最小，得出最优权重Wij；步骤S23、基于Wij计算最优的重构低维数据向量yi，即令如下重构误差φ(Y)最小，计算公式如下：计算得到yi，构成低维特征数据集{yi}。进一步，所述步骤S3具体包括：步骤S31、随机排列映射中数据向量xi的权值向量Wij；步骤S32、从xi中选取任一输入向量，在映射中遍历每个节点；步骤S33、使用欧氏距离公式得到输入向量和映射节点的权值向量之间的距离；步骤S34、选取距离最小的节点，所述节点即为最佳匹配单元；步骤S35、更新最佳匹配单元的节点，将所述最佳匹配单元邻域内的节点作为输入向量，所述更新最佳匹配单元的节点的计算公式如下：WV(s+1)＝WV(s)+θ(u，v，s)α(s)(D(t)-WV(s))其中s为步长指数，i是训练样本的指数，xi是输入向量，u是xi的最佳匹配单元指数，α(s)是一个单调递减的学习系数，θ(u，v，s)是在步长为s下给出神经元u和神经元v之间距离的邻近函数；步骤S36、增加步长指数s并跳转到步骤本文档来自技高网...

【技术保护点】
1.一种基于在线学习的智能制造故障预测方法，其特征在于，包括以下步骤：步骤S1、对智能制造过程中关键部件产生的历史数据进行收集；步骤S2、将所述历史数据作为样本集{xi}，进行预测特征提取；步骤S3、采用自组织映射神经网络，构建出能够评估关键部件健康状态趋势的模型；步骤S4、获取关键部件的健康特征指数，将所述健康特征指数作为量化关键部件状态的量值；步骤S5、实时采集关键部件产生的数据，将所述数据作为输入数据，获得故障预测结果。

【技术特征摘要】
1.一种基于在线学习的智能制造故障预测方法，其特征在于，包括以下步骤：步骤S1、对智能制造过程中关键部件产生的历史数据进行收集；步骤S2、将所述历史数据作为样本集{xi}，进行预测特征提取；步骤S3、采用自组织映射神经网络，构建出能够评估关键部件健康状态趋势的模型；步骤S4、获取关键部件的健康特征指数，将所述健康特征指数作为量化关键部件状态的量值；步骤S5、实时采集关键部件产生的数据，将所述数据作为输入数据，获得故障预测结果。2.根据权利要求1所述的一种基于在线学习的智能制造故障预测方法，其特征在于，所述步骤S2具体包括：步骤S21、提取每个数据向量xi的K个邻居数据点；步骤S22、计算通过邻居数据点重构xi的最优权重Wij，即求解一个带约束的最小二乘，求解公式如下：令重构误差ε(W)最小，得出最优权重Wij；步骤S23、基于Wij计算最优的重构低维数据向量yi，即令如下重构误差φ(Y)最小，计算公式如下：计算得到yi，构成低维特征数据集{yi}。3.根据权利要求1所述的一种基于在线学习的智能制造故障预测方法，其特征在于，所述步骤S3具体包括：步骤S31、随机排列映射中数据向量xi的权值向量Wij；步骤S32、从xi中选取任一输入向量，在映射中遍历每个节点；步骤S33、使用欧氏距离公式得到输入向量和映射节点的权值向量之间的距离；步骤S34、选取距离最小的节点，所述节点即为最佳匹配单元；步骤S35、更新最佳匹配单元的节点，将所述最佳匹配单元邻域内的节点作为输入向量，所述更新最佳匹配单元的节点的计算公式如下：WV(s+1)＝WV(s)+θ(u，v，s)α(s)(D(t)-WV(s))其中s为步长指数，i是训练样本的指数，xi是输入向量，u是xi的最佳匹配单元指数，α(s)是一个单调递减的学习系数，θ(u，v，s)是在步长为s下给出神经元u和神经元v之间距离的邻近函数；步骤S36、增加步长指数s并跳转到步骤S32，直至特征映射趋于稳定。4.一种基于在线学习的智能制造...

【专利技术属性】
技术研发人员：张彩霞，郭静，王向东，王新东，胡绍林，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东,44