一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法技术方案

本发明专利技术涉及数控系统维管技术领域，具体地说，涉及一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法。包括如下步骤：建立激光切割数控系统数字孪生模型；进行故障模拟，构建数据故障分类器；构建迁移学习，利用深度迁移学习将之前训练的诊断模型从虚拟空间迁移到物理空间。本发明专利技术设计可以挖掘切割过程的潜在问题并直观显示，与激光切割数控设备进行交互协作，实现同步监控和预测分析的效果，有效解决实际应用中训练数据不足、分布不均匀的问题；同时解决激光切割数控系统数据利用率低、缺乏高效深度发掘和分析的问题，为其提供及时、可靠、有效的故障诊断方法。有效的故障诊断方法。有效的故障诊断方法。

【技术实现步骤摘要】
一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法


[0001]本专利技术涉及数控系统维管
，具体地说，涉及一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法。

技术介绍

[0002]激光加工技术一直是国家重点支持和推动应用的一项高新技术，特别是政府强调要振兴制造业，这就给激光加工技术应用带来发展机遇。在国家制定中长远发展规划时，又将激光加工列为关键支撑技术，因为它涉及国家安全、国防建设、高新技术的产业化和科技前沿的发展，这就把激光加工提升到很高的重视程度，激光加工设备的安全和升级带来很大的挑战。
[0003]在激光切割数控系统走向高度自动化和智能化的同时，其可靠性和安全性带来新的挑战。激光切割加工过程中发生的故障是由硬件和软件两方面因素同时导致，因而系统的故障诊断变的更加复杂。不可否认的是这些故障都有可能带来不可弥补的损失。在大数据时代，故障诊断采用了多种先进的技术和方法，如贝叶斯网络、深度学习、支持向量机、极限学习机等，显著提高了诊断的准确性和效率。然而，这些智能诊断方法大多在以下两个假设条件下工作良好：(1)训练数据涵盖了全面的诊断信息；(2)训练数据和测试数据具有相同的特征分布。然而，在实际制造时，只有在正常条件下才容易获得大量的数据，很难收集全面、广泛的故障数据来充分训练诊断模型。另外，切割加工环境条件不断变化，导致上一阶段训练的模型可能并不适用于现阶段。而且从头开始训练模型需要大量的时间和其他计算成本，这是对时间和知识的浪费。
[0004]鉴于此，本专利技术提出了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，旨在使故障诊断更适用于日益自主化和复杂化的应用场景。

技术实现思路

[0005]本专利技术的目的在于提供一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述技术问题的解决，本专利技术的目的之一在于，提供了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，包括如下步骤：
[0007]S1、构建激光切割数控系统数字孪生模型：对激光数控系统进行可视化模型建立；
[0008]S2、虚拟空间中激光切割数控系统潜在的故障分析：建立虚拟故障诊断分类器，根据激光数控系统数字孪生模型，通过模拟不同故障工况下的切割加工过程来探索潜在的故障模式，在无先验经验的情况下，从大量未被标记的仿真数据中提取故障特征；
[0009]S3、激光切割数控系统主动维护阶段的故障预测：通过物理实体的实时监控数据改善激光切割数控系统数字孪生模型，并利用深度迁移学习将之前训练的虚拟故障诊断分类器从虚拟空间迁移到物理空间，构建实体故障诊断与预测模型；
[0010]S4、实时运行过程中故障诊断：通过实时采集激光切割系统中运行数据，在实体故障诊断与预测模型中做出预测和诊断，并制定激光切割系统的维护措施。
[0011]作为本技术方案的进一步改进，所述S1中，构建激光切割数控系统数字孪生模型的具体方法包括如下步骤：
[0012]S1.1、构建虚拟激光数控系统多维模型：为实现激光数控系统多维模型融合，必须构建几何、物理、行为、规则等多维度的激光数控系统模型，从几何形状、物理属性、行为响应及规律规则等多方面对激光数控系统进行真实刻画和描述建模；
[0013]S1.2、激光数控系统多维模型评估与验证：模型确定后，必须保证模型的有效性和正确性，即基于验证与认证对所构建的多维模型进行验证，包括对模型演绎过程中的输入和输出准确度的验证、仿真置信度的验证、灵敏度与仿真精度的验证等；
[0014]S1.3、激光数控系统多维模型关联关系与映射机制：为实现多维模型的融合，在构建正确模型的基础上，必须研究并分析各维模型间的关联与映射关系，并通过建立激光数控系统各层模型间的关联关系，从结构和功能两方面对这模型进行集成与融合，形成激光数控系统综合模型，并以统一的三维表现形式支持该模型的可视化呈现与仿真运行；
[0015]S1.4、激光数控系统多维模型一致性理论与方法：使虚拟激光数控系统模型与物理激光数控器及其复杂生产活动保持真实镜像和同步，保证几何、物理、行为、规则等各维模型与其所刻画的实际对象的一致性，以及同一实际对象对应的不同维度模型的一致性。
[0016]作为本技术方案的进一步改进，所述S1.3中，各维模型间的关联与映射关系包括但不限于：几何模型与物理模型是对激光切割器异构要素的描述；行为模型是在此基础上加入驱动及扰动因素，使各要素具备行为特征、响应机制以及进行复杂行为的能力；规则模型是对激光数控系统及其模型在几何、物理、行为多个层面上反映的规律规则进行刻画，并将其映射到相应的模型上，使各模型具备评估、演化、推理等能力。
[0017]作为本技术方案的进一步改进，所述S2中，利用大量数字孪生模型产生的故障仿真数据，采用无监督的深度学习方法训练虚拟故障分类器，其具体方法包括如下步骤：
[0018]S2.1、利用数字孪生模型模拟各种故障工程，得到大量的故障仿真数据，利用非线性编码器函数学习输入层的显著特征，输出层利用非线性解码器函数从隐藏层中恢复输出；
[0019]S2.2、进行堆叠稀疏自编码采用贪婪分层的方式进行训练，每次只训练一个隐藏层，每层训练的参数初始化整个网络中相应的层值；
[0020]S2.3、提取的特征作为下一个稀疏自编码器的输入，同时固定前几层的参数，通过最小化损失函数，依次学习每一层的参数集；
[0021]S2.4、在训练了N个隐藏层之后，下一步将实现softmax分类器；
[0022]S2.5、通过微调来更新激光数控系统深度神经网络模型中的所有权值。
[0023]其中，所述S2.1中，构建虚拟故障分类器需要大量故障数据。
[0024]其中，将堆叠稀疏自编码器作为一个整体来对待，可以大大提高稀疏自编码器的性能，从而完全可以建立一个从虚拟空间中积累了丰富知识的诊断模型。
[0025]作为本技术方案的进一步改进，所述S2.1中，进行堆叠稀疏自编码采用贪婪分层的方式进行训练，第一隐藏层的编码器网络和解码器网络的输出如下所示：
[0026]输入数据集表示为它来自于虚拟空间，是虚拟空间的样本数；
设(W1，b1)是第一个编码器网络的参数，(W
′1，b
′1)是第一个解码器网络的参数，则：
[0027]H
v1
＝f(W1X
v
+b)
ꢀꢀꢀ
(1)
[0028][0029]其中，式(1)中，是第一隐藏层中的编码器矢量，表示从输入数据中提取的特征，j是特征向量的个数；式(2)中，是第一个隐藏层的解码器矢量映射；进而同样地，为从N
‑
1层中提取的N隐含层的特征，k是隐层N中特征向量的个数；f(*)表示编码器函数，而g(*)表示重构函数；其中f(*)和g(*)均为sigmoid函数。
[0030]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：包括如下步骤：S1、构建激光切割数控系统数字孪生模型：对激光数控系统进行可视化模型建立；S2、虚拟空间中激光切割数控系统潜在的故障分析：建立虚拟故障诊断分类器，根据激光数控系统数字孪生模型，通过模拟不同故障工况下的切割加工过程来探索潜在的故障模式，在无先验经验的情况下，从大量未被标记的仿真数据中提取故障特征；S3、激光切割数控系统主动维护阶段的故障预测：通过物理实体的实时监控数据改善激光切割数控系统数字孪生模型，并利用深度迁移学习将之前训练的虚拟故障诊断分类器从虚拟空间迁移到物理空间，构建实体故障诊断与预测模型；S4、实时运行过程中故障诊断：通过实时采集激光切割系统中运行数据，在实体故障诊断与预测模型中做出预测和诊断，并制定激光切割系统的维护措施。2.根据权利要求1所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S1中，构建激光切割数控系统数字孪生模型的具体方法包括如下步骤：S1.1、构建虚拟激光数控系统多维模型：为实现激光数控系统多维模型融合，必须构建几何、物理、行为、规则等多维度的激光数控系统模型，从几何形状、物理属性、行为响应及规律规则等多方面对激光数控系统进行真实刻画和描述建模；S1.2、激光数控系统多维模型评估与验证：模型确定后，必须保证模型的有效性和正确性，即基于验证与认证对所构建的多维模型进行验证，包括对模型演绎过程中的输入和输出准确度的验证、仿真置信度的验证、灵敏度与仿真精度的验证等；S1.3、激光数控系统多维模型关联关系与映射机制：为实现多维模型的融合，在构建正确模型的基础上，必须研究并分析各维模型间的关联与映射关系，并通过建立激光数控系统各层模型间的关联关系，从结构和功能两方面对这模型进行集成与融合，形成激光数控系统综合模型，并以统一的三维表现形式支持该模型的可视化呈现与仿真运行；S1.4、激光数控系统多维模型一致性理论与方法：使虚拟激光数控系统模型与物理激光数控器及其复杂生产活动保持真实镜像和同步，保证几何、物理、行为、规则等各维模型与其所刻画的实际对象的一致性，以及同一实际对象对应的不同维度模型的一致性。3.根据权利要求2所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S1.3中，各维模型间的关联与映射关系包括但不限于：几何模型与物理模型是对激光切割器异构要素的描述；行为模型是在此基础上加入驱动及扰动因素，使各要素具备行为特征、响应机制以及进行复杂行为的能力；规则模型是对激光数控系统及其模型在几何、物理、行为多个层面上反映的规律规则进行刻画，并将其映射到相应的模型上，使各模型具备评估、演化、推理等能力。4.根据权利要求2所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S2中，利用大量数字孪生模型产生的故障仿真数据，采用无监督的深度学习方法训练虚拟故障分类器，其具体方法包括如下步骤：S2.1、利用数字孪生模型模拟各种故障工程，得到大量的故障仿真数据，利用非线性编码器函数学习输入层的显著特征，输出层利用非线性解码器函数从隐藏层中恢复输出；S2.2、进行堆叠稀疏自编码采用贪婪分层的方式进行训练，每次只训练一个隐藏层，每
层训练的参数初始化整个网络中相应的层值；S2.3、提取的特征作为下一个稀疏自编码器的输入，同时固定前几层的参数，通过最小化损失函数，依次学习每一层的参数集；S2.4、在训练了N个隐藏层之后，下一步将实现softmax分类器；S2.5、通过微调来更新激光数控系统深度神经网络模型中的所有权值。5.根据权利要求4所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S2.1中，进行堆叠稀疏自编码采用贪婪分层的方式进行训练，第一隐藏层的编码器网络和解码器网络的输出如下所示：输入数据集表示为它来自于虚拟空间，是虚拟空间的样本数；设(W1，b1)是第一个编码器网络的参数，(W
′1，b
′1)是第一个解码器网络的参数，则：H
v1
＝f(W1X
v
+b) (1)其中，式(1)中，是第一隐藏层中的编码器矢量，表示从输入数据中提取的特征，j是特征向量的个数；式(2)中，是第一个隐藏层的解码器矢量映射；进而同样地，为从N
‑
1层中提取的N隐含层的特征，k是隐层N中特征向量的个数；f(*)表示编码器函数，而g(*)表示重构函数；其中f(*)和g(*)均为sigmoid函数。6.根据权利要求5所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S2.3中，依次学习每一层的参数集的方法如下所示：...

【专利技术属性】
技术研发人员：上官端森，
申请(专利权)人：苏州华光智控电子科技有限公司，
类型：发明
国别省市：