【技术实现步骤摘要】
本专利技术涉及工业智能领域，特别涉及一种主轴故障识别模型的训练方法、识别方法、系统及设备。
技术介绍
1、作为现代机械制造过程中，最重要也是应用最广泛的加工设备之一，机床的运行状态会影响整个制造系统的工作效率。由于频繁的使用率、复杂的机械结构、以及恶劣的工作环境，机床设备，尤其是作为机床核心部件且长期保持高速旋转的主轴系统，通常难以通过传统的物理模型，对各类故障(如主轴失衡、主轴摩擦等)进行精准地定位与预测，且一旦发生故障，极有可能造成重大的财产损失与严重的后果。
2、近年来，随着人工智能与机器学习技术的发展与普及，有不少学者与研发人员尝试将基于数据驱动的算法模型，应用于故障预测与诊断领域，并获得了一定的成果。这些方法的核心思想，在于通过大量采集单一信号正常及故障状态下的设备运行数据，充分训练机器学习模型，使训练完的模型能够根据输入的设备运行数据，识别并定位故障。
3、然而，对于机床的主轴系统，在实际生产过程中，是一个动态运行的整体，由于受到恶劣的环境因素影响，单一传感器采集的数据无法表征不同位置不同类型的故障信息，无法准确捕捉系统的整体变化情况，如当主轴轴承出现磨损时，可通过振动信号在对应频谱上的冲击相位进行定位与识别；当有杂质进入主轴系统内之后，可通过声音信号的噪音强度进行识别。且不同来源的传感信号由于存在时间不同步，模态不统一等问题，无法直接作为传统机器学习模型的输入。
4、具体地，传统用于机床主轴系统故障识别的机器学习方法，模型需要输入同一维度、同一时间的传感数据，无法同时将不同来源的
技术实现思路
1、本专利技术要解决的技术问题是为了克服现有技术中主轴的不同来源的传感信号由于存在时间不同步，模态不统一等问题，无法直接作为传统机器学习模型的输入的缺陷，提供一种主轴故障识别模型的训练方法、识别方法、系统及设备。
2、本专利技术是通过下述技术方案来解决上述技术问题：
3、本专利技术提供一种主轴故障识别模型的训练方法，所述训练方法包括：
4、获取所述主轴的多维度运行数据；
5、将所述多维度运行数据输入到所述主轴故障识别模型的对应的子模型中；所述主轴故障识别模型用于各子模型的多维数据特征展平合并为一维数据特征，并基于所述一维数据特征进行故障识别；
6、对所述主轴故障识别模型进行训练，以得到目标主轴故障识别模型。
7、较佳地，在所述获取所述主轴的多维度运行数据的步骤之后，所述训练方法还包括：
8、通过时间窗将所述多维度运行数据切成预设数量的数据样本，并结合时间戳进行标签化处理，以形成在时间轴上统一的数据集；
9、所述时间窗基于所述多维度运行数据的采集频率确定。
10、较佳地，所述通过时间窗将所述多维度运行数据切成预设数量的数据样本，并结合时间戳进行标签化处理的步骤包括：
11、构建宽度为所述多维度运行数据的最小采集频率的预设倍数的时间窗，将所述多维度运行数据切成预设数量的数据样本；
12、基于所述数据样本的信号长度的分位数确定所述数据样本的标准长度；
13、根据所述标准长度对所述数据样本进行过滤；
14、将过滤后的数据样本结合时间戳进行标签化处理，得到在时间轴上长度统一、时间同步、带有标签的数据集。
15、较佳地，所述多维度运行数据包括若干类型的多维度运行数据；
16、在所述将所述多维度运行数据输入到所述主轴故障识别模型的对应的子模型中的步骤之前，所述训练方法还包括：
17、根据所述多维度运行数据的类型构建所述对应的子模型；
18、将所述子模型的输出层分别连接扁平层以形成一维数据特征，并将所述扁平层依次连接全连接层和分类层以将所述子模型融合成所述主轴故障识别模型；
19、所述分类层用于识别所述主轴是否存在故障及故障类型。
20、较佳地，所述根据所述多维度运行数据的类型构建所述对应的子模型的步骤包括：
21、根据所述多维度运行数据的物理含义或信号标准长度调整所述子模型的层数和神经元连接方式；和/或，
22、所述若干类型的多维度运行数据包括振动数据、声音数据和温度数据；所述子模型包括振动子模型、声音子模型和温度子模型；
23、所述将所述子模型的输出层分别连接扁平层以形成一维数据特征，并将所述扁平层依次连接全连接层和分类层以将所述子模型融合成所述主轴故障识别模型的步骤包括：
24、所述温度子模型直接通过全连接层融入所述主轴故障识别模型；所述振动子模型和声音子模型分别经过若干卷积的特征映射和池化层的下采样处理后通过扁平层融入所述主轴故障识别模型。
25、较佳地，所述对所述主轴故障识别模型进行训练的步骤包括：
26、使用线性整流函数作为激活函数，以减少过拟合现象；
27、使用均方根传播梯度下降法作为模型优化器更新模型参数，以保证模型分类的精度；
28、以识别准确率作为训练指标，使用多分类损失函数作为损失函数，当识别准确率达到收敛条件时停止模型训练。
29、本专利技术还提供一种主轴故障的识别方法，所述识别方法包括：
30、获取所述主轴的多维度运行数据；
31、将所述多维度运行数据输入到利用如上所述的主轴故障识别模型的训练方法得到的主轴故障识别模型中，以得到主轴故障识别结果。
32、本专利技术还提供一种主轴故障识别模型的训练系统，所述训练系统包括：
33、运行数据获取模块，用于获取所述主轴的多维度运行数据；
34、识别模型构建模块，用于将所述多维度运行数据输入到所述主轴故障识别模型的对应的子模型中；所述主轴故障识别模型用于各子模型的多维数据特征展平合并为一维数据特征，并基于所述一维数据特征进行故障识别；
35、识别模型训练模块，用于对所述主轴故障识别模型进行训练，以得到目标主轴故障识别模型。
36、较佳地，所述训练系统还包括：
37、样本切分模块，用于通过时间窗将所述多维度运行数据切成预设数量的数据样本，并结合时间戳进行标签化处理，以形成在时间轴上统一的数据集；
38、所述时间窗基于所述多维度运行数据的采集频率确定。
39、较佳地，所述样本切分模块具体用于构建宽度为所述多维度运行数据的最小采集频率的预设倍数的时间窗，将所述多维度运行数据切成预设数量的数据样本；
40、所述样本切分模块具体本文档来自技高网...
【技术保护点】
1.一种主轴故障识别模型的训练方法，其特征在于，所述训练方法包括：
2.如权利要求1所述的训练方法，其特征在于，在所述获取所述主轴的多维度运行数据的步骤之后，所述训练方法还包括：
3.如权利要求2所述的训练方法，其特征在于，所述通过时间窗将所述多维度运行数据切成预设数量的数据样本，并结合时间戳进行标签化处理的步骤包括：
4.如权利要求1所述的训练方法，其特征在于，所述多维度运行数据包括若干类型的多维度运行数据；
5.如权利要求4所述的训练方法，其特征在于，所述根据所述多维度运行数据的类型构建所述对应的子模型的步骤包括：
6.如权利要求1所述的训练方法，其特征在于，所述对所述主轴故障识别模型进行训练的步骤包括：
7.一种主轴故障的识别方法，其特征在于，所述识别方法包括：
8.一种主轴故障识别模型的训练系统，其特征在于，所述训练系统包括：
9.一种主轴故障的识别系统，其特征在于，所述识别系统包括：
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机
...【技术特征摘要】
1.一种主轴故障识别模型的训练方法，其特征在于，所述训练方法包括：
2.如权利要求1所述的训练方法，其特征在于，在所述获取所述主轴的多维度运行数据的步骤之后，所述训练方法还包括：
3.如权利要求2所述的训练方法，其特征在于，所述通过时间窗将所述多维度运行数据切成预设数量的数据样本，并结合时间戳进行标签化处理的步骤包括：
4.如权利要求1所述的训练方法，其特征在于，所述多维度运行数据包括若干类型的多维度运行数据；
5.如权利要求4所述的训练方法，其特征在于，所述根据所述多维度运行数据的类型构建所述对应的子模型的步骤包括...
【专利技术属性】
技术研发人员：李喆，许伟，
申请(专利权)人：上海电气集团股份有限公司，
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。