一种基于SOM-AO的机床设备故障预警方法技术

本发明专利技术公开一种基于SOM

【技术实现步骤摘要】
一种基于SOM
‑
AO的机床设备故障预警方法


[0001]本专利技术公开一种基于SOM
‑
AO的机床设备故障预警方法，属于计算机模型的


技术介绍

[0002]近些年来，由于现有机床的机械结构、数控系统和控制部分之间存在复杂的耦合性，并且加工强度高、使用需求日益提升等原因，导致机床的可靠性与稳定性面临巨大挑战，其故障发生率也不断提高。从经济角度上看，数控机床因故障停止生产或因性能退化而造成加工质量下降，都会带来一定的经济损失。从安全角度上看，机床故障可能会引发安全生产事故。因此，及早发现机床的异常情况就能提前发现机床中存在的故障，进而避免企业与员工因机床而造成重大损失。
[0003]目前对数控机床故障预警的方法主要是通过对比大量正常工作时的数据来判断数据是否异常。还有根据机床单因素信息评估机床的现有状态，进而判断预警的方法。但以上的方法对现在的机床而言不是很有效，其原因在于：现在的数控机床与以前的相比，在结构与功能上变得更加复杂，导致机床出现故障的因素也变得越来越多。常见的故障有机械故障、电气本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SOM
‑
AO的机床设备故障预警方法，其特征在于，包括：1)设置初始的神经元向量，包括正常运转状态下数控机床的电流上下界、电压上下界和温度上下界；2)使用改良的AO优化模型训练数据，然后利用所述训练数据优化初始的神经元向量，最终的目的是获取最优向量；3)通过SOM神经网络与训练数据训练神经元，进而获得预警神经元及其预警距离；4)搭建预警模型，并使用测试数据进行测试：在测试过程中，首先计算测试数据与所有神经元之间的欧式距离，取出最小值对应的神经元为该测试数据对应的获胜神经元；其次获胜神经元与测试数据之间的欧式距离就是用于后面比较的欧式距离；再将所述欧氏距离与神经元的预警距离进行对比，最终得到异常对比值，即所述欧式距离与所述神经元的预警距离的比值；最后，再与预警模型中的阈值进行比较：若异常对比值超过阈值，则代表测试数据有异常情况，需要报警；否则，不报警。2.根据权利要求1所述的一种基于SOM
‑
AO的机床设备故障预警方法，其特征在于，在步骤1)之前还包括初始化数据：1
‑
3)将采集到的数据集x＝{x1,x2,x3}，x1、x2、x3分别是电流、电压、温度值，随机划分成三份：一份是用于改良的AO优化模型的训练数据、一份是用于搭建SOM神经网络过程中的训练数据、在数控机床的历史数据中选择出一些异常数据；将异常数据与正常数据组成预警的测试数据；1
‑
2)对所述三份数据进行归一化处理：归一化的公式如下：在公式(I)中，μ为每条数据的均值，σ为每条数据的方差，x*是指归一化处理后的数据。3.根据权利要求1所述的一种基于SOM
‑
AO的机床设备故障预警方法，其特征在于，步骤1)中设置初始的神经元向量的具体步骤：电流、电压、温度数据的上下界分别分别为[V
min
,V
max
]、[I
min
,I
max
]、[T
min
,T
max
]；根据SOM神经网络模型所需神经元个数随机相同数量的初始神经元向量；每个神经元向量包括a＝{a1,a2,a3}，a1、a2、a3分别是电流、电压、温度值。4.根据权利要求1所述的一种基于SOM
‑
AO的机床设备故障预警方法，其特征在于，步骤2)具体的步骤包括：所述改良的AO优化模型包含改良的AO算法与适应值函数、归一化函数，优化初始神经元的过程如下：2
‑
1)初始化神经元适应值集合every_fitness＝{f1,f2,....,f
81
}、最优神经元best_v＝{b1,b2,b3}以及其适应值best_fitness；每一个适应值刚开始的时候都为0将所有初始神经元迭代一遍，获取其对应的适应值；若当前神经元的适应值大于最优神经元的适应值，就将当前神经元的数据赋给最优神经元，同时当前神经元的适应值也赋给最优适应值best_fitness；
适应值函数如下：在公式(II)中，o是输入的神经元向量；y
i
(i＝1,
…
,n)是用于训练的数据；归一化函数如下：在公式(III)中，μ为每条数据的均值，σ为每条数据的方差；2
‑
2)开始训练迭代的过程分为2/3与1/3的过程；每一次迭代过程是先对神经元向量进行优化，然后计算每个神经元的适应值，直至最后得出适应值最大的神经元及其适应值；适应值函数如下所示：在公式(IV)中，x是输入的神经元向量，y
i
(i＝1,
…
,n)是用于训练的数据；当处于2/3过程中时，每次迭代在AO算法的基础上加上柯西变异函数；在柯西变异函数中首先要生成一个与训练数据相同结构的随机数据a；然后将随机数据a输入到柯西分布函数中得到一个变异因子b；最后获得一个新的神经元数据即a*b；将上述新的神经元数据替代原来的最优神经元的数据，进入下一次迭代；其中，柯西分布函数如下：在公式(V)中，x
s
是输入的神经元数据；优化函数包括：优化函数1：优化函数1：在公式(VI)中，F1(t+1)是由第一种函数生成的第t+1次迭代的神经元向量；X
best
(t)是在第t次迭代之前获得的最优神经元向量；X
M
(t)是在第t次迭代时所有神经元向量的平均值；X
i
(t)是在第t次迭代时每一个神经元向量；rand是介于0和1之间的随机值；t和T分别表示当前迭代和最大迭代次数，N是神经元的数量；优化函数2：F2(t+1)＝X
best
(t)
×
Levy()+X
R
(t)+(y
r
‑
x
r
)
×
rand(VII)在公式(VII)中，F2(t+1)是由第二种函数生成的第t+1次迭代的神经元向量；X
best
(t)是在第t次迭代之前获得的最佳神经元向量；Levy()是Levy飞行分布函数；X
R
(t)是在第t次迭代时在[1,N]范围内获得的随机神经元向量；rand是介于0和1之间的随机值；N是神经元的数量；下面是Levy飞行分布函数：
在公式(VIII)中，u和v分别为服从N(0,ρ2)和N(0,1)的高斯分布随机数，ρ计算如下所示；在公式(IX)中，β＝1.5，Γ是伽玛函数；在第二种函数的公式中有y
r
和x
r
，计算如下：y
r
＝r
×
cos(θ)x
r
＝r
×
sin(θ)r＝r1+U
×
D1r1取1到20之间的值，用于固定搜索周期数；U是固定为0.00565的值；D1是从1到搜索空间维数(Dim＝3)的整数；ω是固定为0.005的值；优化函数3：F3(...

【专利技术属性】
技术研发人员：丁青艳，郭卫孟，张让勇，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：