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方案

本发明专利技术公开了机床主轴轴承故障诊断模型建立、故障诊断方法和系统，属于机床主轴故障诊断领域。采集机床主轴轴承工作时的信号，构建少量有标签样本数据集，生成随机噪声样本；建立生成对抗网络，其中的判别器仅在输入有标签样本时结合Actor

【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的；第二，没有经过预处理，工业现场获得的信号有很多的噪声，模型很难预测准确。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术的目的在于提供一种机床主轴轴承故障诊断模型建立、故障诊断方法和系统，旨在构建基于半监督训练方式的生成对抗网络，再结合强化学习算法Actor
‑
Critic添加决策能力，使网络可使用少量的有标签样本和大量的无标签样本作为训练数据，提高故障诊断结果的精确性，减少手工标记样本的人力和时间成本。
[0006]为实现上述目的，本专利技术的第一方面提供了一种机床主轴轴承故障诊断模型建立方法，包括以下步骤：
[0007]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；
[0008]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；
[0009]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函数；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；
[0010]所述生成对抗网络的生成器根据随机噪声和无标签样本进行无监督模式训练；所述生成对抗网络的判别器根据输入的样本类型不同分为无监督模式训练和有监督模式训练，其中，判别器根据输入的无标签样本和生成样本进行无监督模式训练，判别器根据输入的有标签样本进行有监督模式训练；
[0011]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；
[0012]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，根据所述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的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。
[0013]优选地，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：
[0014][0015]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。
[0016]优选地，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
′
)：
[0017]Loss
Generator
(θ)＝(l(x)
‑
l(G(Z)))2[0018]Loss
Discriminator
(θ
′
)＝Loss
supervised
(θ
′
)+Loss
unspervised
(θ
′
)
[0019][0020][0021]其中，θ表示生成器模型参数，θ
′
表示判别器模型参数，l(x)表示判别器在输入无标签样本后中间层L输出的故障概率分布，l(G(Z))表示判别器在输入生成样本后中间层L输出的故障概率分布，Loss
supervised
(θ
′
)表示由有标签样本输入判别器得到的有监督损失，Loss
unspervised
(θ
′
)表示由无标签样本和生成样本输入判别器得到的无监督损失，E表示训练回合总数，e表示训练回合序号，和分别表示第e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，T表示一个回合的最大时间步数，K表示预设故障类型的数量，k表示预设故障类型序号。
[0022]优选地，随机噪声样本Z输入生成器g
θ
，输出生成样本G(Z)，
[0023]G(Z)＝g
θ
(z),z∈Z
[0024]无标签样本x输入判别器f
θ
′
，在判别器的中间层L输出相应的故障概率分布本文档来自技高网...

【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(...

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