一种基于深度学习的混合智能健康状态诊断方法及装置制造方法及图纸

本公开提供一种基于深度学习的混合智能健康状态诊断方法及装置，有效利用大量数控机床在传感器监测中的无标签数据和数控机床故障的实验数据进行训练，并以概率形式给出故障诊断结果，具有更优的故障判别性能，实现了在智能制造过程中的数控机床的状态可显示、故障可诊断、性能可预报，形成监测信息、诊断结论和实时控制方案策略的统一，进而达到高精、高效加工的目的。

A Hybrid Intelligent Health Status Diagnosis Method and Device Based on Deep Learning

The present disclosure provides a hybrid intelligent health condition diagnosis method and device based on in-depth learning, which effectively utilizes a large number of labeled data of NC machine tool in sensor monitoring and experimental data of NC machine tool faults to train, and gives the fault diagnosis results in probability form, so as to achieve better fault discrimination performance. In the process of intelligent manufacturing, the state of NC machine tools can be displayed, the fault can be diagnosed, and the performance can be predicted, forming the unification of monitoring information, diagnosis conclusion and real-time control strategy, thus achieving the goal of high precision and high efficiency processing.

【技术实现步骤摘要】
一种基于深度学习的混合智能健康状态诊断方法及装置
本公开涉及故障诊断
，特别涉及一种基于深度学习的混合智能健康状态诊断方法及装置。
技术介绍
随着智能制造技术对制造质量要求的不断提高，以高速、高精度的数控机床结构复杂、影响因素众多的特点，如果不能及时准确地对加工状态中的器质性故障和精度误差源进行诊断，将无法保障制造质量和精度，会导致废品增加、生产率下降，甚至造成机床报废等重大损失。这就对于动态测控与智能诊断技术提出了更高的要求，智能制造过程在运行过程中进行辨识加工状态异常和智能维护。在数控机床中应用的传感器主要有光电编码器、直线光栅、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、旋转数控机床、感应同步器、速度传感器等，主要用来检测位置、直线位移和角位移、速度、压力、温度等。在数控机床发生故障时温度传感器、电压传感器、压力传感器的监测数据无标签，工程现场往往会得到大量无标签故障样本，而传统的故障诊断方法在对数控机床故障类型进行判别时往往无法充分利用这些无标签故障样本,从而使故障不可显示、故障无法诊断，进而使制造的精度低、加工低效。
技术实现思路
针对上述技术问题，本公开提供一种基于深度学习的混合智能健康状态诊断方法及装置，基于深度学习神经网络构建相应的分类模型，有效利用大量数控机床在传感器监测中的无标签数据和数控机床故障的实验数据进行训练，并以概率形式给出故障诊断结果，具有更优的故障判别性能，能够为数控机床的检修提供更为准确的参考信息。所述一种基于深度学习的混合智能健康状态诊断方法具体包括以下步骤：步骤1，构建深度学习分类神经网络；步骤2，实时采集样本数据；步骤3，提取样本数据的特征变量；步骤4，初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；步骤5，使用特征变量对深度学习分类神经网络进行训练；步骤6，通过训练好的网络对采用样本数据进行诊断。进一步地，在步骤1中，所述深度学习分类神经网络为3层的神经网络，包括输入层、输出层、隐含层，其中输出层与输入层具有相同的规模，将输入层到隐含层的变换过程称为编码，将隐含层到输出层的变换过程称为解码，神经网络的编码公式模型为f(x)＝Sf(WX+p)，解码公式模型为g(h)＝Sg(WTh+q)，式中:Sf和Sg为sigmoid函数，W表示输入层与隐含层之间的权值矩阵，WTh表示隐含层与输出层之间的权值矩阵，p表示隐含层的偏置向量，q表示输出层的偏置向量。进一步地，在步骤2中，所述样本数据为传感器实时获取到的数据，所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器，用于检测位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据，所述样本数据包括传感器编号、采集物理量、采集时间。进一步地，在步骤3中，所述提取样本数据的特征变量数据的方法为，采用公式对传感器实时采集样本数据的各物理量特征的进行标准化获取标准化数据x'作为特征变量，式中，x'为标准化后传感器的物理量值即特征变量，x为传感器采集的原始物理量值；μ为最近1小时的物理量均值；σ为最近1小时的物理量的标准差值，其中，传感器实时采集样本数据的各物理量包括位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据这些特征物理量。进一步地，在步骤4中，所述随机生成的高斯分布的参数的生成方法为，通过Box-Muller方法随机抽出两个从[0,1]均匀分布的双精度浮点数u和v，然后通过公式计算得到高斯随机参数z。进一步地，在步骤5中，使用特征变量对深度学习分类神经网络进行训练的方法为，步骤5.1，读取特征变量；步骤5.2，对特征变量中每一种物理量进行计算；步骤5.3，前向计算隐含层、输出层各神经元的输出；步骤5.4，计算期望输出与网络输出的误差；步骤5.5，反向计算修正网络权值和阈值；步骤5.6，若满足精度要求则结束训练，否则转步骤5.3；步骤5.7，结果分析与输出。本专利技术还提供了一种基于深度学习的混合智能健康状态诊断装置，所述装置包括：神经网络构建单元，用于构建深度学习分类神经网络；样本数据单元，用于实时采集样本数据；特征变量提取单元，用于提取样本数据的特征变量；参数生成单元，用于初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；网络训练单元，用于使用特征变量对深度学习分类神经网络进行训练；数据诊断单元，用于通过训练好的网络对采用样本数据进行诊断。本公开的有益效果为：本公开提供了一种基于深度学习的混合智能健康状态诊断方法及装置，有效利用大量数控机床在传感器监测中的无标签数据和数控机床故障的实验数据进行训练，并以概率形式给出故障诊断结果，具有更优的故障判别性能，实现了在智能制造过程中的数控机床的状态可显示、故障可诊断、性能可预报，形成监测信息、诊断结论和实时控制方案策略的统一，进而达到高精、高效加工的目的。附图说明通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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他的附图，在附图中：图1所示为本公开的一种基于深度学习的混合智能健康状态诊断方法工作流程图；图2所示为本公开的一种基于深度学习的混合智能健康状态诊断装置模块架构图。具体实施方式以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。如图1所示为根据本公开的一种基于深度学习的混合智能健康状态诊断方法及装置工作流程图，下面结合图1来阐述根据本公开的用户偏好分析方法。本公开提出一种基于深度学习的混合智能健康状态诊断方法，具体包括以下步骤：步骤1，构建深度学习分类神经网络；步骤2，实时采集样本数据；步骤3，提取样本数据的特征变量；步骤4，初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；步骤5，使用特征变量对深度学习分类神经网络进行训练；步骤6，通过训练好的网络对采用样本数据进行诊断。进一步地，在步骤1中，所述深度学习分类神经网络为3层的神经网络，包括输入层、输出层、隐含层，其中输出层与输入层具有相同的规模，将输入层到隐含层的变换过程称为编码，将隐含层到输出层的变换过程称为解码，神经网络的编码公式模型为f(x)＝Sf(WX+p)，解码公式模型为g(h)＝Sg(WTh+q)，式中:Sf和Sg为sigmoid函数，W表示输入层与隐含层之间的权值矩阵，WTh表示隐含层与输出层之间的权值矩阵，p表示隐含层的偏置向量，q表示输出层的偏置向量。进一步地，在步骤2中，所述样本数据为传感器实时获取到的数据，所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器，用于检测位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据，所述样本数据包括传感器编号、采集物理量、采集时间。进一步地，在步骤3中，所述提取样本本文档来自技高网...

【技术保护点】
1.一种基于深度学习的混合智能健康状态诊断方法，其特征在于，所述方法包括：步骤1，构建深度学习分类神经网络；步骤2，实时采集样本数据；步骤3，提取样本数据的特征变量；步骤4，初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；步骤5，使用特征变量对深度学习分类神经网络进行训练；步骤6，通过训练好的网络对采用样本数据进行诊断。

【技术特征摘要】
1.一种基于深度学习的混合智能健康状态诊断方法，其特征在于，所述方法包括：步骤1，构建深度学习分类神经网络；步骤2，实时采集样本数据；步骤3，提取样本数据的特征变量；步骤4，初始化深度学习分类神经网络参数为随机生成的高斯分布的参数；步骤5，使用特征变量对深度学习分类神经网络进行训练；步骤6，通过训练好的网络对采用样本数据进行诊断。2.根据权利要求1所述的一种基于深度学习的混合智能健康状态诊断方法，其特征在于，在步骤1中，所述深度学习分类神经网络为3层的神经网络，包括输入层、输出层、隐含层，其中输出层与输入层具有相同的规模，将输入层到隐含层的变换过程称为编码，将隐含层到输出层的变换过程称为解码，神经网络的编码公式模型为f(x)＝Sf(WX+p)，解码公式模型为g(h)＝Sg(WTh+q)，式中:Sf和Sg为sigmoid函数，W表示输入层与隐含层之间的权值矩阵，WTh表示隐含层与输出层之间的权值矩阵，p表示隐含层的偏置向量；q表示输出层的偏置向量。3.根据权利要求1所述的一种基于深度学习的混合智能健康状态诊断方法，其特征在于，在步骤2中，所述样本数据为传感器实时获取到的数据，所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器，用于检测位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据，所述样本数据包括传感器编号、采集物理量、采集时间。4.根据权利要求1所述的一种基于深度学习的混合智能健康状态诊断方法，其特征在于，在步骤3中，所述提取样本数据的特征变量数据的方法为，采用公式对传感器实时采集样本数据...

【专利技术属性】
技术研发人员：张彩霞，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