一种基于深度学习算法的机床导轨健康状态识别方法技术

本发明专利技术公开了一种基于深度学习算法的机床导轨健康状态识别方法，测量获取数控机床导轨在各种健康状态的运行状态下的测量数据，形成导轨运行信号数据集X＝{x₁,x₂,...,xk}，其中k＝1,2,...,n，n为测量数据的个数。通过采用本发明专利技术提供的健康状态识别方法，提出了通过广义区间概率来解决数据机床加工中导轨健康状态时，信息处理中出现的不确定性问题，识别准确率显著，而且能够对导轨电机的转速、转矩和电流进行数据挖掘；通过计算与正常状态下模板曲线的距离作为特征，并使用主成分分析对其降维，去除冗余信息，获得分类性能较好的低维特征；然后使用分层亚健康状态识别模型由粗到细对各种亚健康数据逐层进行识别。

【技术实现步骤摘要】
一种基于深度学习算法的机床导轨健康状态识别方法
本专利技术涉及数控机床
，具体为一种基于深度学习算法的机床导轨健康状态识别方法。
技术介绍
数控机床是数字控制机床的简称，是一种装有程序控制系统的自动化机床，能够根据已编好的程序，使机床动作并加工零件，综合了机械、自动化、计算机、测量、微电子等最新技术，基本组成包括加工程序载体、数控装置、伺服驱动装置、机床主体和其他辅助装置；数控机床解决了复杂、精密、小批量、多品种的零件加工问题，是一种柔性的、高效能的自动化机床，代表了现代机床控制技术的发展方向，是一种典型的机电一体化产品，在现代工业中已经被大范围的使用，极大的提高了企业的生产效率；导轨亚健康状态是介于导轨正常运行和故障之间的中间状态，对其进行识别存在着重要的意义，在导轨打开和关闭运动过程中最重要的驱动部件就是电机，电机工作状态可以直接或间接反应出导轨整体的工作状态，采集到的电机数据为时间序列相关数据，是我们进行亚健康状态识别的依据。
技术实现思路
本专利技术的目的在于提供一种基于深度学习算法的机床导轨健本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法的机床导轨健康状态识别方法，其特征在于：包括如下步骤：/n（一）、数据采集：/n测量获取数控机床导轨在各种健康状态的运行状态下的测量数据，形成导轨运行信号数据集X＝{x

【技术特征摘要】
1.一种基于深度学习算法的机床导轨健康状态识别方法，其特征在于：包括如下步骤：
（一）、数据采集：
测量获取数控机床导轨在各种健康状态的运行状态下的测量数据，形成导轨运行信号数据集X＝{x1,x2,...,xk}，其中k＝1,2,...,n，n为测量数据的个数；
（二）、采集数据区间化：

将所述数据集X中的每个元素转换成区间形式，即则数据集X转换为区间数据集
（三）、对采集信号进行小波包分解，具体为：
a、对所述数据集X＝{x1,x2,...,xk}，进行小波包分解，获得各频段的能量百分比；
b、对区间数据集X'进行小波包分解，即分别对X'各元素的上下界分别进行小波包分解，得到相应各频段的上界小波包系数和下界小波包系数；
步骤四、获取多观察序列：
a、对数据集X进行小波包分解后得到各频段能量百分比进行区间化，然后将区间化了的各频段的能量百分比的上下界分别进行量化和编码，得到编码后的能量百分比的上界序列O1和下界序列

b、对各频段的上界小波包系数和下界小波包系数，求得相应的上界小波包系数的均方根值和下界小波包系数的均方根值，从而得到上界的均方根值序列O2和下界的均方根值序列
c、组合步骤a和b的序列，得到多观察序列
（五）、模型训练：
将所述多观察序列作为输入，代入数控机床的广义隐马尔科夫初始模型中，逐步训练改进初始模型参数，直至多观察序列在模型中的区间概率p(O|λ)的上、下界都收敛为止，即可得到导轨在各个磨损状态相应的最优广义隐马尔科夫模型λi＝(Ai,Bi,πi)，并构成最优模型库λ＝(λ1,,λn)，其中，i为最优广义隐马尔科夫模型序号，代表机床导轨健康状态类型，且i＝1,2,…,m，m为导轨健康状态数；
（六）、导轨健康状态识别：

把待识别运行导轨的健康状态信号数据，经...

【专利技术属性】
技术研发人员：谢筱萍，孙淑琴，陳山鹏，
申请(专利权)人：南京星合精密智能制造研究院有限公司，南京欣达梦科技有限公司，
类型：发明
国别省市：江苏;32