基于深度学习的机床异常识别方法、系统及终端设备技术方案

本发明专利技术提供的基于深度学习的机床异常识别方法、系统、终端设备及计算机可读存储介质，通过对振动信号的采集和数据处理，并基于深度学习，利用神经网络模型，识别机床异常及异常种类，为机床维护保养人员提供详细的指导信息，进而帮助机床维护保养人员更精确更高效地维护保养机床，提升机床使用寿命。

Method, System and Terminal Equipment of Machine Tool Anomaly Recognition Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的机床异常识别方法、系统及终端设备
本专利技术涉及工业检测
，特别涉及一种基于深度学习的机床异常识别方法、系统及终端设备。
技术介绍
在工业企业内，机床在长期的使用过程中，不可避免地会因为磨损、疲劳剥落、断裂、变形、腐蚀、断裂和老化等等原因造成设备性能的劣化以至出现故障。在传统的工业企业中，机床的故障往往突发，故障发生之时，机床已经出现较大的异常，严重影响生产甚至导致停工，究其原因，在于机械故障发生的缓慢过程无法得到及时有效的识别。一些富有经验的一线产业工人和维护人员能够通过听取机械工作时产生的震动响声来辅助判断机床异常，提前识别机械故障风险，但是，由于人体听力极限、人员经验可靠性以及过分依赖人员经验等等因素，依靠人工来识别机械异常存在很多局限性。对于机床的故障预判，如果判断不准可能会提前更换设备，会缩短设备寿命，如果没有及时发现故障，可能会导致机床严重损坏，引起巨大停机，造成产能损失，出现重大故障后的维修还会产生极高的维修费用。鉴于上述现实情况，市场中出现了一些辅助或者替代人工识别机械异常的检测设备，这类检测设备通常采用的检测方法是：采集机床的振动信号，将振动信号本文档来自技高网...

【技术保护点】
1.一种基于深度学习的机床异常识别方法，其特征在于，所述方法包括：采集机床的振动数据；对所述振动数据进行滤波处理以获取有效数据；对所述有效数据进行变换处理以提取信号特征；将所述信号特征输入预先训练好的神经网络模型，所述神经网络模型基于所述信号特征输出多维向量，每一维所述向量表征一类异常以及该类异常发生的概率；根据所述多维向量以及异常发生概率的预设阈值，输出异常种类。

【技术特征摘要】
1.一种基于深度学习的机床异常识别方法，其特征在于，所述方法包括：采集机床的振动数据；对所述振动数据进行滤波处理以获取有效数据；对所述有效数据进行变换处理以提取信号特征；将所述信号特征输入预先训练好的神经网络模型，所述神经网络模型基于所述信号特征输出多维向量，每一维所述向量表征一类异常以及该类异常发生的概率；根据所述多维向量以及异常发生概率的预设阈值，输出异常种类。2.根据权利要求1所述的基于深度学习的机床异常识别方法，其特征在于：所述异常种类包括：腐蚀、变形、断裂、磨损和老化。3.根据权利要求1所述的基于深度学习的机床异常识别方法，其特征在于：所述滤波处理采用数学形态变换方法，所述数学形态变换方法包括腐蚀、膨胀、开运算和闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析和流域变换的一种或多种。4.根据权利要求1所述的基于深度学习的机床异常识别方法，其特征在于：当所述有效数据为平稳信号时，所述变换处理采用的方式包括：傅里叶变换或者短时傅里叶变换；当所述有效数据为非平稳信号时，所述变换处理采用的方式包括：小波分析、盲源分离、Vigner-Ville分布或者Hibert-Huang变换处理。5.根据权利要求1所述的基于深度学习的机床异常识别方法，其特征在于：在对所述有效数据进行变换处理以提取信号特征之前，对所述有效数据进行归一化处理。6.根据权利要求1所述的基于深度学习的机床异常识别方法，其特征在于：所述神经网络模型采用RNN模型，所述RNN模型具有输入单元、多个隐藏单元以及输出单元，所述隐藏单元采用LSTM长短时记忆子单元，所述LSTM长短时记...

【专利技术属性】
技术研发人员：黄光刊，谭兆杰，王星泽，
申请(专利权)人：合刃科技武汉有限公司，
类型：发明
国别省市：湖北,42