【技术实现步骤摘要】
本专利技术涉及一种数控机床故障诊断，特别是关于一种基于多域特征和doubleensemble-lightgbm的数控机床进给系统故障诊断方法、系统、存储介质及设备。
技术介绍
1、数控机床进给系统机械故障维护主要依赖于定期巡检和人工故障诊断，存在故障预警不及时和维护成本高的问题。因此，数控机床进给系统故障诊断是指采用数据采集技术、信息科技和人工智能技术对数控机床进给系统的故障进行智能诊断，首先通过传感器获取监测信号，然后，采用信息处理技术获取故障特征，最后基于故障诊断模型进行故障模式自动识别。目前，多数故障诊断方法采用单一传感数据或单一域的特征来描述其故障状态，数控机床进给系统是一个多机械部件耦合的复杂系统，仅凭借单一域内的特征来描述其故障状态无法全面地反映进给系统健康状态。
2、因此，针对数控机床进给系统这一复杂系统人工故障定位难的问题成为目前亟需解决的技术问题。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种数控机床进给系统故障诊断方法、系统、存储介质及设备，其解决数控机床进给系统人工故障定位难的问题，实现数控机床进给系统的智能故障诊断。
2、为实现上述目的，本专利技术采取以下技术方案：一种数控机床进给系统故障诊断方法，其包括：通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；将多维混合域特征集合输入do
3、进一步，部署外置传感器和数控系统内的进给伺服信号，包括：
4、振动传感器和噪声传感器，两种传感器的监测位置设置在电机端轴承座附近和丝杠螺母副附近；
5、电流传感器，布置在进给伺服电机的三相输出电缆上；
6、数控系统内的进给伺服信号基于tcp/ip协议调用动态链接库读取数控系统中进给速度、进给位置和跟随误差所需信息。
7、进一步，对多传感器信号进行预处理，包括：奇异点剔除，趋势项消除和降噪处理；
8、降噪处理采用基于小波变换的非线性降噪方法，包括：
9、将含有噪声的原始信号进行小波分解，再对各层细节分量进行阈值收缩处理以实现信号的降噪；
10、将处理后的细节分量与近似分量通过小波逆变换进行组合重构，得到降噪后的信号。
11、进一步，多维混合域特征集合，包括：
12、时域特征包含无量纲和有量纲指标；
13、频域特征反映频率成分的分布与变化；
14、时频域特征是在经过自适应噪声集合经验模态分解后，提供各固有模态分量imf的熵值。
15、进一步，doubleensemble-lightgbm故障诊断模型的构建，包括：
16、由多维混合域特征集合构成训练数据(x，y)，其中x为特征矩阵，y为标签向量，并设置子模型数量k、子模型权重向量a＝(a1,···,ak)、初始样本权重w1及初始特征集合f1；
17、基于训练数据(x，y)、初始样本权重w1及初始特征集合f1训练第1个lightgbm子模型m1，后续k-1个lightgbm子模型mk-1采用更新的样本权重wk+1和更新的特征集合fk+1进行训练，基于子模型权重向量a＝(a1,···,ak)对训练后的k个lightgbm子模型mk进行加权集成，得到最终doubleensemble-lightgbm故障诊断模型
18、其中，根据当前集成模型的损失lk以及lightgbm子模型mk的损失曲线ck获取更新的样本权重wk+1，以当前集成模型x，y获取更新的特征集合fk+1。
19、进一步，根据当前集成模型的损失lk以及lightgbm子模型mk的损失曲线ck获取更新的样本权重wk+1，包括：采用基于学习轨迹的样本重加权方法得到更新的样本权重wk+1；
20、分别对ck和lk进行了排序归一化处理，基于ck和lk计算出每个样本的h值，计算是逐元素进行的；
21、对所有样本的h值进行排序，将所有样本划分为b个子集，并给相同子集中的样本分配相同的权重，不同子集中的样本分配不同的权重。
22、进一步，以当前集成模型x，y获取更新的特征集合fk+1，包括：采用基于特征选择方法得到更新的特征集合fk+1；
23、对于特征f，打乱其在特征矩阵x中的排列，得到新的特征矩阵xf，以计算特征f失效时的集成模型损失
24、通过集成模型损失和正常的集成模型损失lk计算得到特征f的g值，并将特征集合fk中的所有特征按照其g值从高到低排序；
25、根据预设的特征采样比r％，保留前r％的特征，组成筛选后的敏感特征集合，作为更新特征集合fk+1。
26、一种数控机床进给系统故障诊断方法，其包括：预处理模块，通过部署外置传感器和数控系统内的进给伺服信号，获取数控机床多传感器信号，并对多传感器信号进行预处理；特征集合构建模块，将预处理后的信号进行特征提取，包括时域特征、频域特征和时频域特征，构建多维混合域特征集合；智能故障诊断模块，将多维混合域特征集合输入doubleensemble-lightgbm故障诊断模型，以进行数控机床进给系统的智能故障诊断；其中，doubleensemble-lightgbm故障诊断模型是通过融合进给系统机械故障诊断的基础模型lightgbm和可实现敏感特征自动筛选的doubleensemble模型构建的。
27、一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
28、一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
29、本专利技术由于采取以上技术方案，其具有以下优点：
30、1、本专利技术实现了数控机床进给系统这一多机械部件耦合的复杂系统的精确的智能故障诊断。
31、2、本专利技术提出了基于多传感信号融合和多维混合域特征来表征进给系统的故障信息，为解决数控机床进给系统监测信号易受环境影响的问题，准确地描述了进给系统的健康与故障状态。
32、3、本专利技术提出了基于doubleensemble-lightgbm模型的智能故障诊断模型，解决了敏感特征难以筛选、非线性诊断模型建立等问题，显著提升了故障诊断的精度，具有更强的鲁棒性和泛化性。
本文档来自技高网...【技术保护点】
1.一种数控机床进给系统故障诊断方法，其特征在于，包括：
2.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，部署外置传感器和数控系统内的进给伺服信号，包括：
3.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，对多传感器信号进行预处理，包括：奇异点剔除，趋势项消除和降噪处理；
4.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，多维混合域特征集合，包括：
5.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，DoubleEnsemble-LightGBM故障诊断模型的构建，包括：
6.如权利要求5所述数控机床进给系统故障诊断方法，其特征在于，根据当前集成模型的损失Lk以及LightGBM子模型Mk的损失曲线Ck获取更新的样本权重wk+1，包括：采用基于学习轨迹的样本重加权方法得到更新的样本权重wk+1；
7.如权利要求5所述数控机床进给系统故障诊断方法，其特征在于，以当前集成模型X，y获取更新的特征集合fk+1，包括：采用基于特征选择方法得到更新的特征集合fk+1；p>
8.一种数控机床进给系统故障诊断方法，其特征在于，包括：
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
...【技术特征摘要】
1.一种数控机床进给系统故障诊断方法，其特征在于，包括：
2.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，部署外置传感器和数控系统内的进给伺服信号，包括：
3.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，对多传感器信号进行预处理，包括：奇异点剔除，趋势项消除和降噪处理；
4.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，多维混合域特征集合，包括：
5.如权利要求1所述数控机床进给系统故障诊断方法，其特征在于，doubleensemble-lightgbm故障诊断模型的构建，包括：
6.如权利要求5所述数控机床进给系统故障诊断方法，其特征在于，根据当前集成模型的损失lk以及lightgbm子模型mk的损失曲线ck获取更新的样本权重wk+1...
【专利技术属性】
技术研发人员：李一鸣，王逸泽，陆刘炜，陈露萌，黄民，周俊莹，邵晨曦，
申请(专利权)人：北京信息科技大学，
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。