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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。