【技术实现步骤摘要】
一种基于深度学习的机器预测性维护方法
本专利技术属于机器维护
，涉及一种基于深度学习的机器预测性维护方法。
技术介绍
近年来，对产品质量要求高加工精度情况越来越多，设备复杂性越来越高，设备价格也越来越昂贵，因此对设备有效的维护受到很多关注，但是其大多数的重点都集中在故障的预测分类上，然而对于使用了一定的年限，寿命有了一定消耗，如何提高其使用寿命，达到最大限度的利用资源很少提及，丝杠作为数控机床的重要零件，而目前大多数机床生成厂家对其寿命的预估都是基于额定寿命，到了一定年限就更换。对于尚且可用并未失效的丝杆来说，这种做法存在巨大的浪费，因此本专利技术基于深度学习算法对寿命为进行预测，并以此为基础对丝杆进行最高转速、最高负载等进行限制，以延长寿命，提高利用率。
技术实现思路
本专利技术要解决的问题是延长丝杠寿命，提高利用率，尤其是当丝杆使用了一定年限，虽然寿命损耗到一定程度，却没有达到报废的状态。本专利技术的目的在于提供一种基于深度学习的机器预测性维护方法。该方法首先对寿命为进行预测，并以此为基础对丝杆的最高转速、最高负载等进行限制，通过限制其最高转速或者加速度等方...
【技术保护点】
1.一种基于深度学习的机器预测性维护方法，其特征在于，包括以下步骤：S1、用振动传感器从丝杆上采集到其运行时的振动信号S2、用滑动框架以固定长度的采集信号S3、随机选择样本以构建训练集和测试集数据库，标记为脉冲响应与非脉冲响应；S4、训练数据集和测试数据及用于训练和测试稀疏自动编码器SAE层和误差反向传播BP神经网络BPNN层的学习模型；S5根据脉冲响应随时间推移确定丝杆的动态性能；使用状态空间模型根据脉冲响应来估计动态性能，空间模型是构建输入输出数据的结构子空间，利用奇异值分解或者QR分解的方法，辨识状态空间模型的参数矩阵；首先，先对数据进行预处理，然后对时变空间的模型参...
【技术特征摘要】
1.一种基于深度学习的机器预测性维护方法，其特征在于，包括以下步骤：S1、用振动传感器从丝杆上采集到其运行时的振动信号S2、用滑动框架以固定长度的采集信号S3、随机选择样本以构建训练集和测试集数据库，标记为脉冲响应与非脉冲响应；S4、训练数据集和测试数据及用于训练和测试稀疏自动编码器SAE层和误差反向传播BP神经网络BPNN层的学习模型；S5根据脉冲响应随时间推移确定丝杆的动态性能；使用状态空间模型根据脉冲响应来估计动态性能，空间模型是构建输入输出数据的结构子空间，利用奇异值分解或者QR分解的方法，辨识状态空间模型的参数矩阵；首先，先对数据进行预处理，然后对时变空间的模型参数进行辨识；S6使用基于动态性能相似度的指标来指示和监测丝杆的寿命状态；特征向量之间的相似性以余弦距离作为的度量方法，余弦距离是用是利用向量之间的夹角的大小的确定相似度的；夹角为零则，则相同，两条向量夹角余弦等于1时，说明此时寿命为初始寿命；两条向量夹角余弦接近0时，说明寿命剩余寿命较低，使用百分比表示剩余寿命；S7根据寿命的情况对最高速度、加速度的进行限制；当余弦距离低于阈值Ma1但是高于阈值Ma2时，就开始对丝杆的一些性能限制，例如限制最高速度，以及最高加速度，这个是预先设定，或者根据深度学习的推荐值，但当低于阈值Ma2，意味着丝杆寿命剩余寿命过低，为了保证加工质量会直接对机器进行停止并警告建议更换；数值控制装置中包含速度控制部分和电流控制部分，当它们收到指令后，即对电动机的转速进行控制。2.根据权利要求1所述的基于深度学习的机器预测性维护方法，其特征在于，步骤S4具体为：S4.1、稀疏自动编码器原理自动编码器(AE)是非监督的神经网络，高纬度的数据通过编码网络变成低维的数据矢量，低维的数据矢量通过解码网络再变回高纬度的数据矢量，输出与输入相同；给定一个无标签的机械状况样本集编码网络通过编码函数fθ将每一个训练样本xm变换为编码矢量hm；hm＝fθ(xm)＝sf(Wxm+b)(1)(3)式...
【专利技术属性】
技术研发人员：吴继春，方海国，周会成，王笑江，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：湖南,43
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。