一种基于数模联动的多轴运动控制系统异常检测方法技术方案

一种基于数模联动的多轴运动控制系统异常检测方法，首先，采集多轴运动控制系统的工况信息，并提取工况信息中的时频特征；其次，构建表征多轴运动控制系统健康状态的复合指标；然后，采用随机过程模型建模该复合指标时变演化趋势，并求解复合指标边界阈值来实现异常检测；进而，基于标签预测值和系统实际值的偏差，构建表征异常检测效果的优化目标函数；最后，对多源传感融合函数和随机过程模型中设定的阈值进行反向优化调整，形成复合指标提取和随机过程建模之间的闭环反馈控制，实现复合指标提取与随机过程建模间的有效交叉联动。本发明专利技术能够实现多轴运动控制系统发生异常的准确检测，无需了解系统模型的先验知识，可在系统模型完全未知的情况下进行异常检测。型完全未知的情况下进行异常检测。型完全未知的情况下进行异常检测。

【技术实现步骤摘要】
一种基于数模联动的多轴运动控制系统异常检测方法


[0001]本专利技术属于人工智能
，具体涉及一种基于数模联动的多轴运动控制系统异常检测方法。

技术介绍

[0002]随着现代工业信息技术的迅猛发展，多轴运动控制系统日趋智能化和复杂化，设备的研发和制造，尤其是维护成本也随之增加。在实际工业场景中，由于变环境、多工况以及强扰动等各种因素的影响，系统的关键部件性能会发生退化，进而导致设备出现异常，破坏系统的稳定性,严重时将带来极大的人员伤亡和经济损失。因此，研究多轴运动控制系统的异常检测问题，对于切实保障其安全性、可靠性以及经济性具有重要意义。
[0003]现有的多轴运动控制系统异常检测方法主要包括基于知识的方法、基于模型的方法和基于数据驱动的方法。基于知识的方法需要已知系统相应的过程知识或专家经验，但随着多轴运动控制系统的日益复杂，规则的冗余和规则间的矛盾进一步成为基于知识的异常检测方法迫切需要解决的问题。基于模型方法需要较为严谨的数理建模过程，但运动控制系统大多是非线性的且模型复杂，通常难以建立其精确的数学模型。基于数据驱动的异常检测方法无需机理模型、过程知识和专家经验，但该方法存在过分依赖训练数据、计算量大和可解释性差等缺陷。

技术实现思路

[0004]为了克服现有多轴运动控制系统异常检测方法的不足，本专利技术提供了一种基于数模联动的多轴运动控制系统异常检测方法。
[0005]首先，本专利技术采集多轴运动控制系统的工况信息，并利用快速傅里叶变换方法提取工况信息中的时频特征；其次，基于获得的时频特征信息，通过多源传感信息加权融合构建复合指标，用来表征多轴运动控制系统健康状态；然后，采用随机过程模型建模该复合指标时变演化趋势，并求解复合指标边界阈值来实现异常检测；进而，基于标签预测值和系统实际值的偏差，构建表征异常检测效果的优化目标函数；最后，通过最小化目标函数，对多源传感融合函数和随机过程模型中设定的阈值进行反向优化调整，形成复合指标提取和随机过程建模之间的闭环反馈控制，实现复合指标提取与随机过程建模间的有效交叉联动。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]一种基于数模联动的多轴运动控制系统异常检测方法，所述方法包括以下步骤：
[0008]1)获取a个传感器下C个周期的数据集为{U
α
(j)|0≤α≤a,0≤j≤C
×
L}；其中，L为每个周期的数据长度，C个周期中包含K个正常周期，R个异常周期，R＝C
‑
K；
[0009]2)针对步骤1)获得的时域信息，利用快速傅里叶变换得到其相应N维的频域信息；较于正常工况，选择异常情况下差异性较大的信息作为特征，可表示为x
i
(t')，其中1≤i≤N,0≤t'≤C；
[0010]3)运用加权方法处理特征x
i
(t')，得到多轴运动控制系统复合指标Z(t')：
[0011][0012]其中，x
i
(t')为t'时刻的第i个特征，w
i
为第i个特征的融合系数；
[0013]进一步，在正常工况下，设定系统对应监测时刻t＝{t1,t2,...,t
k
,...,t
K
}，则复合指标对应的观测数据为Z(t)＝{z(t1),z(t2),...,z(t
k
),...,z(t
K
)}，其中k＝1,2,...,K；
[0014]4)利用平稳过程刻画多轴运动控制系统复合指标的时变演化趋势：
[0015]Z(t)＝z(t1)+σ
×
B(Λ(t)) (2)
[0016]其中z(t1)为初始时刻的复合指标量，σ为扩散系数，B(
·
)表示标准布朗运动，Λ(t)是时间t的单调递增函数，Z(t)具有独立增量，其增量Δz(t)＝z(t+Δt)
‑
z(t)服从均值为0，方差为σ2×
(Λ(t+Δt)
‑
Λ(t))的正态分布；
[0017]进而，基于多源传感数据构建的复合指标对应的观测数据集Z(t)的增量数据集可表示为ΔZ(t)＝{Δz(t2),Δz(t3),...,Δz(t
k
),...,Δz(t
K
)}；其中Δz(t
k
)＝z(t
k
)
‑
z(t
k
‑1)；取Λ(t+Δt)
‑
Λ(t)＝Δt，Δz(t)服从均值为0，方差为σ2×
Δt的正态分布，则Δz(t)的概率密度函数可表示为：
[0018][0019]5)针对步骤4)得到的关于Δz(t)的概率密度函数，进一步求解其似然函数的对数形式：
[0020][0021]6)根据极大似然估计方法，对ln(L(σ2))求偏导并令偏导为零，可得σ2的极大似然估计：
[0022][0023]7)正常工况下的随机平稳过程建模完成后，通过设定阈值v实现异常检测，针对两种不同情况，设置分段函数S(t')：
[0024][0025]其中，y(t')为实际值标签，y(t')＝1时，系统处于正常工况；y(t')＝
‑
1时，系统发生了异常：若s(t')≥0，则预测多轴运动控制系统是正常；若s(t')＜0，则预测多轴运动控制系统是异常；
[0026]8)构建基于改进huber损失函数，构建表征预测效果的优化目标函数，对融合系数和失效阈值进行反向优化调整，根据步骤7)构建下式优化目标函数：
[0027][0028][0029]9)利用拟牛顿算法最小化J(W,v)得到最优解{W
*
,v
*
}，对多源数据融合系数和随机建模中失效阈值进行迭代优化调整,实现特征提取与随机过程建模的交互联动、交叉融合。
[0030]本专利技术的优点在于：1)区别于传统的残差阈值异常检测角度，借鉴数模联动思想，从时频域信息层面提出了一种多轴运动控制系统异常检测新思想；2)通过构造最小化损失函数，反向优化调整复合指标融合系数和随机平稳过程建模中的异常阈值，保证特征提取的有效性和异常检测的精确性，且闭环反馈也能对不确定干扰起到有效抑制作用；3)该方法无需了解系统模型先验知识，可在系统模型完全未知的情况下进行异常检测，方便了此方法在实际应用中的推广；4)检测方法的理论框架简单，易于实现且具有良好的泛化能力。
附图说明
[0031]图1为随机平稳过程建模和异常检测的阈值构造之间的数模联动闭环反馈图；
[0032]图2为多轴雕刻机系统实验装置图；
[0033]图3为采集的多轴雕刻机系统实验装置数据图；
[0034]图4为正常工况下双轴速度、位置和力矩的频域图；
[0035]图5为异常情况下双轴速度、位置和力矩的频域图；
[0036]图6为不同迭代次数情况下两类算法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数模联动的多轴运动控制系统异常检测方法，其特征在于，包括以下步骤：1)获取a个传感器下C个周期的数据集为{U
α
(j)|0≤α≤a,0≤j≤C
×
L}；其中，L为每个周期的数据长度，C个周期中包含K个正常周期，R个异常周期，R＝C
‑
K；2)针对步骤1)获得的时域信息，利用快速傅里叶变换得到其相应N维的频域信息；较于正常工况，选择异常情况下差异性较大的信息作为特征，可表示为x
i
(t')，其中1≤i≤N,0≤t'≤C；3)运用加权方法处理特征x
i
(t')，得到多轴运动控制系统复合指标Z(t')：其中，x
i
(t')为t'时刻的第i个特征，w
i
为第i个特征的融合系数；4)利用平稳过程刻画多轴运动控制系统复合指标的时变演化趋势：Z(t)＝z(t1)+σ
×
B(Λ(t))
ꢀꢀꢀꢀ
(2)其中z(t1)为初始时刻的复合指标量，σ为扩散系数，B(
·
)表示标准布朗运动，Λ(t)是时间t的单调递增函数，Z(t)具有独立增量，其增量Δz(t)＝z(t+Δt)
‑
z(t)服从均值为0，方差为σ2×
(Λ(t+Δt)
‑
Λ(t))的正态分布；5)针对步骤4)得到的关于Δz(t)的概率密度函数，进一步求解其似然函数的对数形式：6)根据极大似然估计方法，对ln(L(σ2))求偏导并令偏导为零，可得σ2的极大似然估计：7)正常工况下的随机平稳过程建模完成后，通过设定阈值v实现异常检测，针对两种不同情况，设置分段函数S(t')：其中，y(t')为实际值标签，y(t')＝1时，系统处...

【专利技术属性】
技术研发人员：仇翔，陈威，张宝康，吴麒，张文安，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：