【技术实现步骤摘要】
机床主轴轴承故障诊断模型建立、故障诊断方法和系统
[0001]本专利技术属于机床主轴故障诊断领域,更具体地,涉及机床主轴轴承故障诊断模型建立、故障诊断方法和系统。
技术介绍
[0002]机床是现代智能制造工厂中不可或缺的一部分。在机床加工零件的过程中,机床的主轴的性能极大地影响被加工零件的质量。如果在加工过程中,机床主轴突然发生故障,智能制造系统可能被迫停止运行,甚至发生严重的安全事故。因此,近十年,越来越多的研究者着力于研究智能算法实时监测机床主轴故障状态,保障智能制造系统的安全和高效率。
[0003]当前在机床主轴故障智能诊断领域,研究者们主要是先获取机床主轴中的滚动轴承的振动信号,再手动标记所有振动信号的故障标签去训练提出的模型,最后将训练好的模型应用在实际的故障诊断任务中。然而,实际的故障诊断研究中,由于数据的数量非常大,人工标记所有样本的工作成本难以承受。例如,专利CN112417771A公开了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,其采用神经网络、Actor
‑
Critic算法等先进的人工智能技术进行故障诊断与预测,通过结合卷积神经网络和强化学习算法的深度强化学习方法实时分析从多通道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方法,在训练模型前,需要先将所有采集的信号人工标记相应的状态标签,之后对模型进行有监督训练,显然,这里没有充分地考虑实际应用的情形,有两个不足:第一,在工业现场中,如果手动标记大量的数据,该过程是非常耗时且耗财力 ...
【技术保护点】
【技术特征摘要】
1.一种机床主轴轴承故障诊断模型建立方法,其特征在于,包括以下步骤:从采集到的机床主轴工作时径向方向的振动信号中预设有标签样本和无标签样本,与随机噪声样本一起构建训练数据集;构建生成对抗网络,所述生成对抗网络包括生成器和判别器;所述生成器用于根据随机噪声样本进行无监督训练;所述判别器用于根据输入的样本类型不同分为无监督训练和有监督训练;以训练数据集中的无标签样本和随机噪声样本作为生成器和判别器的无监督训练数据,训练过程包括:将随机噪声样本输入生成器输出生成样本,计算生成样本和无标签样本之间的分布距离,并将其作为生成器的损失;再将生成样本和无标签样本同时输入判别器进行无监督训练,在判别器的中间层L输出相应的故障分布l,计算判别器的无监督损失;所述故障概率分布l表示无标签样本和生成样本属于各预设故障类型的故障概率分布;以训练数据集中的有标签样本作为判别器的有监督训练数据,此时判别器同时作为Actor
‑
Critic算法的Actor模块和Critic模块,对于每一个有标签样本,所述Actor
‑
Critic算法的训练过程包括:将有标签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π;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V;根据Actor
‑
Critic算法计算判别器的有监督损失;所述策略分布π表示输入有标签样本属于各预设故障类型的概率分布,所述评估值V表示对所述策略分布π对应的状态的评价;由无监督训练和有监督训练构成一次迭代训练,在每次迭代训练结束后,根据生成器的损失更新生成对抗网络的参数,由判别器的无监督损失与有监督损失之和更新判别器的参数;重复迭代训练,直至满足预设的迭代终止条件;迭代终止后,将所述判别器作为机床主轴故障诊断模型。2.如权利要求1所述的方法,其特征在于,将采集到的机床主轴工作时径向方向的振动信号进行分割,使用小波包提取RGB三通道时频图,再灰度化,得到灰度时频图,所述灰度时频图X
″
的计算公式为:其中,X
′
R
表示时频图在R通道的值,X
′
G
表示时频图在G通道的值,X
′
B
表示时频图在B通道的值。3.如权利要求1所述的方法,其特征在于,每一次迭代的训练中,所使用的损失函数包括生成器的损失函数Loss
Generator
(θ)、判别器的损失函数Loss
Discriminator
(θ
′
):Loss
Generator
(θ)=(l(x)
‑
l(G(Z)))2Loss
Discriminator
(θ
′
)=Loss
supervised
(θ
′
)+Loss
unspervised
(θ
′
)
其中,θ表示生成器模型参数,θ
′
表示判别器模型参数,l(...
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。