【技术实现步骤摘要】
一种基于多尺度图模型的平面并联机构状态诊断方法
[0001]本专利技术属于旋转机械
，涉及一种平面并联机构状态诊断方法，具体涉及一种基于多尺度图模型的平面并联机构状态诊断方法。
技术介绍
[0002]作为现代机构学的常用机构，并联机构因其具备精度高、刚度大、易于重构和便于实现模块化设计等诸多优势，在现代机构学的研究与应用中占据重要地位。而平面并联机构作为并联机构中的重要分支而广泛应用于实际生产中。
[0003]随着现代工业设备智能化和精密性的不断提高，对于平面并联机构的高效、稳定和安全的运行提出了更高的要求。然而，在实际运行工况下，平面并联机构往往因多种因素的影响而呈现出性能衰退，直至发生故障，这往往会造成一定的经济损失乃至人员伤亡。因此，针对平面并联机构在服役过程中的状态诊断极为必要，也进一步为其维修与保养工作方面提供决策依据。
[0004]平面并联机构的状态诊断主要是通过对平面并联机构运行时产生的一些动态信号进行分析处理，如温度、振动、压力等，进而获得表征平面并联机构状态的特征，从而实现状态的诊断。...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度图模型的平面并联机构状态诊断方法，其特征在于，包括以下步骤：(1)获取平面并联机构在不同状态下的运行信号，并执行标准化处理，得到标准化数据集；(2)基于所述标准化数据集，构建训练样本集和测试样本集；(3)构建无监督卷积自编码模型；(4)采用所述训练样本集，根据BP算法，对无监督卷积自编码模型进行训练，获得所述训练样本集的编码特征和所述测试样本集的编码特征；(5)基于Pearson相关系数，对所述训练样本集的编码特征和所述测试样本集的编码特征进行相关性度量，获得邻接矩阵；(6)构建含注意力机制的多尺度图模型；(7)采用所述训练样本集和邻接矩阵，根据BP算法，对含注意力机制的多尺度图模型进行训练，获得训练后的含注意力机制的多尺度图模型；(8)根据所述训练后的含注意力机制的多尺度图模型，实现平面并联机构的状态诊断。2.根据权利要求1所述的一种基于多尺度图模型的平面并联机构状态诊断方法，其特征在于，所述执行标准化处理表达式为：其中，x为平面并联机构在不同状态下的运行信号，为标准化数据集，max(x)为运行信号的最大值，min(x)为运行信号的最小值。3.根据权利要求1所述的一种基于多尺度图模型的平面并联机构状态诊断方法，其特征在于，所述构建训练样本集和测试样本集，其具体包括：(2a)构建所述训练样本集其中为所述训练样本集对应的平面并联机构状态类别标签，N
tr
为所述训练样本集的样本数量；为训练样本集中的第i个样本；(2b)构建所述测试样本集其中为所述测试样本集对应的平面并联机构状态类别标签，N
te
为所述测试样本集的样本数量，为测试样本集中的第i个样本。4.根据权利要求1所述的一种基于多尺度图模型的平面并联机构状态诊断方法，其特征在于，所述无监督卷积自编码模型编码器和解码器；所述编码器用于对所述样本输入层中的样本进行深度表征特征提取，获得编码特征；所述解码器用于对所述编码特征进行解码操作，获得重构输出。5.根据权利要求4所述的一种基于多尺度图模型的平面并联机构状态诊断方法，其特征在于，无监督卷积自编码模型的训练包括以下步骤：(a)采用所述训练样本集，并结合所述无监督卷积自编码模型中的编码器，实现所述训练样本集的深度表征特征提取，获得所述训练样本集的编码特征：其中，为训练样本集中的第i个样本，为训练样本集中第i个样本的编码特征，encoder(
·
)为编码器的深度表征特征提取过程；
(b)根据所述解码器，对所述训练样本集的编码特征进行解码操作，获得所述训练样本集的重构输出，其实现过程的具体表达式为：其中，为训练样本集中第i个样本的编码特征，为训练样本集中第i个样本的重构输出，decoder(
·
)为解码操作；(c)根据所述训练样本集和所述训练样本集的重构输出，获得所述无监督卷积自编码模型的重构误差：其中，J
UCAE
(X
tr
)为所述无监督卷积自编码模型在所述训练样本集X
tr
上的重构误差，B为批量样本数，λ为惩罚系数，θ
UCAE
为所述无监督卷积自编码模型的内部参数；(d)根据所述无监督卷积自编码模型的重构误差，结合BP算法，更新所述无监督卷积自编码模型的内部参数，获得训练后的无监督卷积自编码模型；(e)根据所述训练后的无监督卷积自编码模型，再次对所述训练样本集和所述测试样本集分别进行深度表征特征提取，分别获得所述训练样本集的编码特征和所述测试样本集的编码特征6.根据权利要求1所述的一种基于多尺度图模型的平面并联机构状...
【专利技术属性】
技术研发人员：张宪民，赵博，詹镇辉，吴琪强，袁雷，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
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。