基于机器学习的数控机床自动故障诊断系统技术方案

本发明专利技术涉及数据处理技术领域，具体涉及基于机器学习的数控机床自动故障诊断系统，包括：将属于异常信号的震动信号数据转换为测试信号；根据测试信号获得所有异常等级及其异常特征范围；获得每个IMF分量的每个异常等级序列及其复杂特征值序列；根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度计算每个IMF分量的敏感程度；根据每个IMF分量的敏感程度获得最优分解层级数量；根据最优分解层级数量对下一个周期的震动信号数据进行分解，获得震动信号数据的异常增加程度；根据异常增加程度判断机床主轴故障的类型。本发明专利技术在保证准确性的同时，避免端点效应同时抑制边界效应，降低计算量。降低计算量。降低计算量。

【技术实现步骤摘要】
基于机器学习的数控机床自动故障诊断系统


[0001]本专利技术涉及数据处理
，具体涉及基于机器学习的数控机床自动故障诊断系统。

技术介绍

[0002]数控机床在工业生产中扮演着重要的角色，但由于其复杂的结构和高度的自动化程度，一旦发生故障，往往需要专业技术人员进行检修和维修，这不仅耗费时间和人力成本，还可能导致生产线的停工和损失。
[0003]使用自动故障诊断系统可以快速准确地判断机床故障的类型和位置，及时发现机床故障，避免机床故障对工人的伤害，给维修人员检查和维修提供先期情报，节省检修时间。
[0004]自动故障诊断系统大多是基于专业技术和算法开发的，所以用户或操作员需要具备一定的技术知识和操作技能，才能使用这类系统高效地进行故障诊断和维修处理。目前很多自动诊断系统存在响应时间较长的问题，需要进一步优化系统的时间损耗，优化诊断系统的实时性。

技术实现思路

[0005]本专利技术提供基于机器学习的数控机床自动故障诊断系统，以解决现有的问题。
[0006]本专利技术的基于机器学习的数控机床自动故障诊断系统采用如下技术方案：本专利技术提供了基于机器学习的数控机床自动故障诊断系统，所述系统包括：震动信号数据获取模块，获得机床的一个周期的震动信号数据；最优分解层级数量获取模块，将属于异常信号的震动信号数据转换为测试信号；根据测试信号划分的窗口的异常特征值进行聚类，获得所有异常等级及其异常特征范围；将测试信号分解为若干个IMF分量；根据所有异常等级及其异常特征范围获得每个IMF分量的每个异常等级序列及其复杂特征值序列；根据IMF分量的所有异常等级序列的复杂特征值序列的分布情况，计算IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度；根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度，计算每个IMF分量的敏感程度；根据每个IMF分量的敏感程度，获得最优分解层级数量；异常增加程度获取模块，根据最优分解层级数量对机床的下一个周期的震动信号数据进行分解，获得震动信号数据的异常增加程度；主轴故障类型判断模块，根据震动信号数据的异常增加程度判断机床主轴故障的类型。
[0007]进一步地，所述将属于异常信号的震动信号数据转换为测试信号，包括的具体步骤如下：震动信号数据包括：机床在径向x轴方向的震动信号数据、径向y轴方向的震动信
号数据和轴向方向的震动信号数据；通过训练好的支持向量机判断震动信号数据是否为异常信号，如果震动信号数据是正常信号，获取机床的下一个周期的震动信号数据，重复上述操作，直至获得的机床的一个周期的震动信号数据是异常信号；对于属于异常信号的震动信号数据，将三个方向的震动信号数据作为相互独立的成分，利用独立成分分析算法对相互独立的三个方向的震动信号数据进行信号数据复原，得到一个合并后的信号数据，记为测试信号。
[0008]进一步地，所述根据测试信号划分的窗口的异常特征值进行聚类，获得所有异常等级及其异常特征范围，包括的具体步骤如下：通过K均值聚类算法根据窗口的异常特征值对所有窗口进行聚类，其中，K均值聚类算法初始时的类簇数量为预设数量K，分析每个类簇是否满足停止聚类条件，如果存在不满足条件的类簇，则通过K均值聚类算法将该类簇分为两个新的类簇，重复上述操作，直至所有类簇均满足停止聚类条件，将此时获得的所有类簇记为类别，获得所有类别以及每个类别的聚类中心，其中，停止聚类条件为：类簇中所有窗口的异常特征值与类簇中心的距离均小于该类簇中所有窗口的异常特征值的标准差的二倍；按照类别的聚类中心的异常特征值从小到大的顺序将所有类别依此作为第一异常等级到第C异常等级，C为所有类别的数量，将每个异常等级作为每个异常等级对应的类别中的所以窗口的异常等级，将每个异常等级对应的所以窗口的异常特征值的最小值和最大值组成的范围记为每个异常等级的异常特征范围。
[0009]进一步地，所述窗口的异常特征值的获取方法具体如下：获得测试信号的周期长度；对测试信号进行窗口划分，获得每个窗口的异常特征值，具体为：将周期长度的二倍作为窗口长度，根据窗口长度将测试信号划分为若干个不重叠的窗口，将最后一个不满足窗口长度的部分也作为一个窗口；获得测试信号中的所有峰值，将测试信号中所有峰值的标准差记为整体标准差，将每个窗口中的所有峰值的标准差记为每个窗口的标准差；将每个窗口的标准差与整体标准差的比值记为每个窗口的异常特征值。
[0010]进一步地，所述获得每个IMF分量的每个异常等级序列及其复杂特征值序列，包括的具体步骤如下：通过经验模态分解对测试信号进行分解，直到剩余的信号不能再分解为止，将测试信号分解为若干个IMF分量和剩余分量，按照获得顺序对IMF分量进行排序；根据测试信号的窗口划分方法将每个IMF分量划分为若干个分量窗口，将测试信号中每个窗口的异常等级作为每个IMF分量中相同位置的分量窗口的异常等级；对于任意一个IMF分量，将该IMF分量的所有分量窗口中异常等级相同的分量窗口划分为一个集合，共获得预设数量C个集合，记为该IMF分量的第一异常等级集合到第C异常等级集合；将该IMF分量的每个异常等级集合中所有分量窗口按照对应的IMF分量的获取顺序进行排列作为该IMF分量的每个异常等级序列，记为该IMF分量的第一异常等级序列到第C异常等级序列；将每个分量窗口的排列熵记为每个分量窗口的复杂特征值，将该IMF分量的每个异常等级序列中所有分量窗口的复杂特征值组成的序列记为该IMF分量的每个异常等级序列的复杂特征值序列，将该IMF分量的每个异常等级序列的复杂特征值序列中所有复杂特征值的
均值记为该IMF分量的每个异常等级序列的整体复杂特征值。
[0011]进一步地，所述计算IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度，包括的具体步骤如下：式中，L1表示IMF分量的异常等级序列间复杂特征值分布度，C表示预设数量，也表示IMF分量的异常等级序列的数量，表示IMF分量的第i异常等级序列的整体复杂特征值差异，，其中，和分别表示IMF分量的第i异常等级序列和第i+1异常等级序列的整体复杂特征值，表示取绝对值，表示IMF分量的所有异常等级序列的整体复杂特征值差异的均值，表示以自然常数为底的指数函数；式中，L2表示IMF分量的异常等级序列内复杂特征值分布度，C表示预设数量，也表示IMF分量的异常等级序列的数量，表示IMF分量的第c异常等级序列中分量窗口的数量，表示IMF分量的第c异常等级序列的复杂特征值序列中的第m个复杂特征值，表示IMF分量的第c异常等级序列的整体复杂特征值。
[0012]进一步地，所述计算每个IMF分量的敏感程度，包括的具体步骤如下：式中，S表示IMF分量的敏感程度，L1表示IMF分量的异常等级序列间复杂特征值离散度，L2表示IMF分量的异常等级序列内复杂特征值离散度，表示以自然常数为底的指数函数。
[0013]进一步地，所述获得最优分解层级数量，包括的具体步骤如下：对于排序后的所有IMF分量，将每个IMF分量的敏感程度与后一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的数控机床自动故障诊断系统，其特征在于，所述系统包括：震动信号数据获取模块，获得机床的一个周期的震动信号数据；最优分解层级数量获取模块，将属于异常信号的震动信号数据转换为测试信号；根据测试信号划分的窗口的异常特征值进行聚类，获得所有异常等级及其异常特征范围；将测试信号分解为若干个IMF分量；根据所有异常等级及其异常特征范围获得每个IMF分量的每个异常等级序列及其复杂特征值序列；根据IMF分量的所有异常等级序列的复杂特征值序列的分布情况，计算IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度；根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度，计算每个IMF分量的敏感程度；根据每个IMF分量的敏感程度，获得最优分解层级数量；异常增加程度获取模块，根据最优分解层级数量对机床的下一个周期的震动信号数据进行分解，获得震动信号数据的异常增加程度；主轴故障类型判断模块，根据震动信号数据的异常增加程度判断机床主轴故障的类型。2.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统，其特征在于，所述将属于异常信号的震动信号数据转换为测试信号，包括的具体步骤如下：震动信号数据包括：机床在径向x轴方向的震动信号数据、径向y轴方向的震动信号数据和轴向方向的震动信号数据；通过训练好的支持向量机判断震动信号数据是否为异常信号，如果震动信号数据是正常信号，获取机床的下一个周期的震动信号数据，重复上述操作，直至获得的机床的一个周期的震动信号数据是异常信号；对于属于异常信号的震动信号数据，将三个方向的震动信号数据作为相互独立的成分，利用独立成分分析算法对相互独立的三个方向的震动信号数据进行信号数据复原，得到一个合并后的信号数据，记为测试信号。3.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统，其特征在于，所述根据测试信号划分的窗口的异常特征值进行聚类，获得所有异常等级及其异常特征范围，包括的具体步骤如下：通过K均值聚类算法根据窗口的异常特征值对所有窗口进行聚类，其中，K均值聚类算法初始时的类簇数量为预设数量K，分析每个类簇是否满足停止聚类条件，如果存在不满足条件的类簇，则通过K均值聚类算法将该类簇分为两个新的类簇，重复上述操作，直至所有类簇均满足停止聚类条件，将此时获得的所有类簇记为类别，获得所有类别以及每个类别的聚类中心，其中，停止聚类条件为：类簇中所有窗口的异常特征值与类簇中心的距离均小于该类簇中所有窗口的异常特征值的标准差的二倍；按照类别的聚类中心的异常特征值从小到大的顺序将所有类别依此作为第一异常等级到第C异常等级，C为所有类别的数量，将每个异常等级作为每个异常等级对应的类别中的所以窗口的异常等级，将每个异常等级对应的所以窗口的异常特征值的最小值和最大值组成的范围记为每个异常等级的异常特征范围。4.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统，其特征在于，所述窗口的异常特征值的获取方法具体如下：
获得测试信号的周期长度；对测试信号进行窗口划分，获得每个窗口的异常特征值，具体为：将周期长度的二倍作为窗口长度，根据窗口长度将测试信号划分为若干个不重叠的窗口，将最后一个不满足窗口长度的部分也作为一个窗口；获得测试信号中的所有峰值，将测试信号中所有峰值的标准差记为整体标准差，将每个窗口中的所有峰值的标准差记为每个窗口的标准差；将每个窗口的标准差与整体标准差的比值记为每个窗口的异常特征值。5.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统，其特征在于，所述获得每个IMF分量的每个异常等级序列及其复杂特征值序列，包括的具体步骤如下：通过经验模态分解对测试信号进行分解，直到剩余的信号不能再分解为止，将测试信号分解为若干个IMF分量和剩余分量，按照获得顺序对IMF分量进行排序；根据测试信号的窗口划分方法将每个IMF分量划分为若干个分量窗口，将测试信号中每个窗口的异常等级作为每个IMF分量中相同位置的分量窗口的异常等级；对于任意一个IMF分量，将该IMF分量的所有分量窗口中异常等级相同的分量窗口划分为一个集合，共获得预设数量C个集合，记为该IMF分量的第一异常等级集合到第C异常等级集合；将该IMF分量的每个异常等级集合中所有分量窗口按照对应的IMF分量的获取顺序进行排列作为该IMF分量的每个异常等级序列，记为该IMF分量的第一异常等级序列到第C异常等级序列；将每个分量窗口的排列熵记为每个分量窗口...

【专利技术属性】
技术研发人员：李艳春，
申请(专利权)人：无锡惠星智能化设备有限公司，
类型：发明
国别省市：