机床主轴故障诊断模型建立方法及机床主轴故障诊断方法技术

本发明专利技术公开了一种机床主轴故障诊断模型建立方法及机床主轴故障诊断方法，属于机床主轴故障诊断领域，包括：采集与机床主轴的健康状况相关的信号，以构建训练数据集，并划分为多个训练子集；建立一个卷积神经网络，同时作为Actor

【技术实现步骤摘要】
机床主轴故障诊断模型建立方法及机床主轴故障诊断方法


[0001]本专利技术属于机床主轴故障诊断领域，更具体地，涉及一种机床主轴故障诊断模型建立方法及机床主轴故障诊断方法。

技术介绍

[0002]机床是工业领域非常重要的工作母机。其中，机床主轴是机床的重要组成部分。在加工过程中，突然发生故障的机床主轴，轻者会影响到加工零件的质量，降低机床的工作效率和零件的合格率，提高制造成本，重者会导致机床发生断刀、撞击等现象，损害机床其它的高价值零部件，甚至可能会危害新手操作者的人身安全。在无法长时间停机的工厂，没有丰富经验的操作者在面对突然发生故障的机床主轴时，一方面不能快速发现故障原因而降低工作效率，另一方面又容易导致更严重的事故而增加成本或危险。因此，近些年，随着人工智能技术的突破，无需机床操作者参与的机床主轴智能诊断系统一直在不断发展中。
[0003]在机床主轴故障诊断领域，现有的智能诊断方法主要是通过传感器收集故障信号，手动提取故障特征参数，然后使用基于深度学习的神经网络模型去训练故障特征参数。例如，公开号为CN 105081879A，公开日为2015年11月25日的中国专利文献公开了一种数控机床主轴的故障诊断与预测的方法，其采用神经网络、专家系统和支持向量机等先进的人工智能技术进行故障诊断与预测，通过混合推理模型迅速分析从高精度激光位移传感器、红外温度传感器和加速度传感器传送来的测量数据。
[0004]该专利文献公开的数控机床主轴状态检测方法，需先提取故障特征参数，然后将故障参数作为神经网络的训练数据训练模型，最后网络分析机床运行的数据给出故障结果，显然，这里有四个不足：第一，基于人工提取特征的方法，容易丢失数据的很多信息，对操作者的经验有很高的要求；第二，在该方法的数据处理过程中，采集的多种信号没有一个数据融合的处理，没有充分利用数据的信息；第三，没有对神经网络优化，基于简单人工智能技术的神经网络极易限于局部最优，导致诊断模型仅仅对训练数据有高精度的诊断结果，缺乏泛化能力；第四，没有计算出主轴当前状态的一个健康状态指标，让操作者对当前机床主轴的健康状态没有清晰地了解。

技术实现思路

[0005]针对现有技术的缺陷和改进需求，本专利技术提供了一种机床主轴故障诊断模型建立方法及机床主轴故障诊断方法，其目的在于，通过构建可自主识别故障特征的深层网络，在训练神经网络时结合强化学习算法Actor-Critic添加决策能力，以优化网络对全局最优的搜索能力，减少对专家经验的依赖程度，提高故障诊断结果的精确性和鲁棒性。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种机床主轴故障诊断模型建立方法，包括：
[0007]采集与机床主轴的健康状况相关的信号，以构建训练数据集；将训练数据集划分为多个训练子集；
[0008]建立一个卷积神经网络，同时作为Actor-Critic算法的Actor模块和Critic模块；卷积神经网络用于将高维信息压缩为低维信息，输出策略分布π和评估值V，策略分布π表示输入信号属于各预设故障类型的概率，评估值V表示对策略分布π对应的状态的评价；
[0009]以一个训练子集中的训练样本作为Actor-Critic算法一个回合的训练数据，对于每一个训练样本，Actor-Critic算法的训练过程包括：将训练样本作为当前状态输入至Actor模块，以由Actor模块输出当前时刻的策略分布；计算依照当前时刻的策略分布执行动作后下一个时刻的状态；将当前状态和下一个时刻的状态输入至Critic模块，以由Critic模块输出针对当前状态和下一个状态的评估值；
[0010]由所有回合的训练构成一次迭代训练；在每次迭代训练结束后，根据Actor模块和Critic模块的损失更新卷积神经网络的参数；
[0011]重复迭代训练，直至满足预设的迭代终止条件；迭代终止后，将Actor模块作为机床主轴故障诊断模型。
[0012]本专利技术所建立的机床主轴故障诊断模型，完全由数据驱动完后机床主轴故障诊断，避免了对专家经验的依赖，提高了故障诊断系统开发的效率，减少了开发成本；并且，本专利技术在建立机床主轴故障诊断模型时，以同一个卷积神经网络同时作为Actor-Critic算法的Actor模块和Critic模块，使得神经网络具有了自我评价和自我改进的功能，结合Actor-Critic算法中当前选择对未来奖励的影响，使神经网络可以探索出全局最优，避免陷入局部最优，提高了泛化能力，从而保证了故障诊断结果的精确性和鲁棒性。
[0013]进一步地，每一次迭代的训练中，所使用的损失函数为：
[0014][0015]其中，Loss(θ)表示总体损失，L表示训练回合总数，l表示训练回合序号，和分别表示第l个训练回合中Actor模块和Critic模块的损失，λ表示损失权重参数，θ表示模型参数。
[0016]本专利技术在每一次迭代训练结束，都会对卷积神经网络的参数进行更新，所使用的损失函数同时包含了Actor模块和Critic模块的损失，进一步保证了卷积神经网络的自我评价和自我改进功能。
[0017]进一步地，
[0018]其中，T表示一个回合的最大时间步数；π(a
t
|s
t
)表示t时刻的策略分布，a
t
表示从策略分布π(a
t
|s
t
)中选取的动作；A(s
t
,a
t
)表示优势函数，A(s
t
,a
t
)＝r
t
+γV
t+1-V
t
，r
t
表示执行动作a
t
之后获得的奖励，V
t
和V
t+1
分别表示针对t时刻和t+1时刻的状态的评估值，γ表示每个回合的折扣因子。
[0019]进一步地，
[0020]其中，表示未来奖励的累积和。
[0021]进一步地，各训练子集中，训练样本的数量大于1。
[0022]本专利技术在结合Actor-Critic算法进行模型训练时，在每一个回合中使用多个训练样本，由此能够在训练过程中保留当前的动作对后续动作产生的影响，提高模型训练效果。
[0023]进一步地，各训练子集中，训练样本的数量与预设故障类型的数量相等。
[0024]本专利技术在结合Actor-Critic算法进行模型训练时，在每一个回合中使用的训练样本数量与故障类型数量相同，由此能够获得最好的模型训练效果。
[0025]进一步地，采集与机床主轴的健康状况相关的信号，以构建训练数据集，包括：
[0026]按照相同的采样率采集多种与机床主轴的健康状况相关的信号，将所采集到的信号进行归一化处理；
[0027]对归一化处理之后的信号进行同步分割，同一时间段内的多种信号用于构造一条训练样本；各训练样本包含多个数据点，且每个数据点由同一采样点处的多种信号依序堆叠而成；由所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机床主轴故障诊断模型建立方法，其特征在于，包括：采集与所述机床主轴的健康状况相关的信号，以构建训练数据集；将所述训练数据集划分为多个训练子集；建立一个卷积神经网络，同时作为Actor-Critic算法的Actor模块和Critic模块；所述卷积神经网络用于将高维信息压缩为低维信息，输出策略分布π和评估值V，所述策略分布π表示输入信号属于各预设故障类型的概率，所述评估值V表示对所述策略分布π对应的状态的评价；以一个训练子集中的训练样本作为Actor-Critic算法一个回合的训练数据，对于每一个训练样本，所述Actor-Critic算法的训练过程包括：将所述训练样本作为当前状态输入至所述Actor模块，以由所述Actor模块输出当前时刻的策略分布；计算依照当前时刻的策略分布执行动作后下一个时刻的状态；将当前状态和下一个时刻的状态输入至所述Critic模块，以由所述Critic模块输出针对当前状态和下一个状态的评估值；由所有回合的训练构成一次迭代训练；在每次迭代训练结束后，根据所述Actor模块和所述Critic模块的损失更新所述卷积神经网络的参数；重复迭代训练，直至满足预设的迭代终止条件；迭代终止后，将所述Actor模块作为机床主轴故障诊断模型。2.如权利要求1所述的机床主轴故障诊断模型建立方法，其特征在于，每一次迭代的训练中，所使用的损失函数为：其中，Loss(θ)表示总体损失，L表示训练回合总数，l表示训练回合序号，和分别表示第l个训练回合中所述Actor模块和所述Critic模块的损失，λ表示损失权重参数，θ表示模型参数。3.如权利要求2所述的机床主轴故障诊断模型建立方法，其特征在于，其中，T表示一个回合的最大时间步数；π(a
t
|s
t
)表示t时刻的策略分布，a
t
表示从策略分布π(a
t
|s
t
)中选取的动作；A(s
t
,a
t
)表示优势函数，A(s
t
,a
t
)＝r
t
+γV
t+1-V
t
，r
t<...

【专利技术属性】
技术研发人员：轩建平，王子胜，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：