【技术实现步骤摘要】
本专利技术属于故障预警检测特定计算机模型的，更具体地，涉及一种基于数字孪生的机床设备故障预警方法及系统。
技术介绍
1、随着信息技术的发展，中国制造业开启了数字化转型阶段。作为制造业的基础装备，数控机床必然要向智能化方向发展。在这种情况下，机床的可靠性自然成为了企业关注的焦点。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,并且工作环境恶劣、使用需求日益提升，导致机床的可靠性面临巨大挑战。与此同时，机床的结构复杂程度也在不断提高，导致其故障隐蔽性变得越来越高。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生产质量下降,都会给企业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事故。因此，及时提醒工作人员发现机床的异常部位就能避免企业与员工因机床而造成重大损失。
2、中国专利技术专利cn115511008a公布了一种基于som-ao的机床设备故障预警方法，首先，通过改进的ao算法优化：用于搭建som神经网络的神经元向量，使得神经元向量更加优秀；然后，通过som神经网络去进一步优化预警所用的神经元向量，同时得到该神经元的预警范围；最后，通过实际数据获取相应的异常对比值，与自适应阈值进行比较，最终得出被测机床是否异常的预测结果。
3、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，现在的数控机床与以前的相比，在智能化水平与结构复杂度
技术实现思路
1、本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种基于数字孪生的机床设备故障预警方法及系统，以解决现有技术中多因素引发的缓变故障，进而造成机床故障的漏报警与误报警的情况等问题。
2、本专利技术详细的技术方案如下：
3、所述一种基于数字孪生的机床设备故障预警方法具体包括：
4、s1、采集数控机床产生的历史数据作为异常数据检测模型训练的数据源；
5、s2、构建基于oneclasssvm算法的异常数据检测模型，从数据源中获取所需数据对基于oneclasssvm算法的异常数据检测模型进行训练；
6、s3、初始化som神经网络的神经元向量，训练som神经网络的神经元，获取预警神经元及其预警距离，生成预警模型；
7、s4、构建故障预警模型，所述故障预警模块包括预警模型、预警接口，从数据源中获取所需数据对基于oneclasssvm算法的异常数据检测模型进行训练故障预警模块进行训练；
8、所述预警接口包括预警阈值的生成算法以及预警阈值；
9、s5、将采集到的实时数据输入基于oneclasssvm算法的异常数据检测模型以及故障预警模块实时检测。
10、所述s2具体包括：
11、s21、从设备的历史数据中选择所需数量的异常状态的数据作为训练集；再从历史数据中随机选择所需数量的数据作为测试集，用于模型检测；所述测试集包括异常状态的数据和非异常状态的数据；
12、s22、判断是否获取最优参数：若获取最优参数，则直接进行s23；
13、具体的，默认参数被设置为0.5，然而，为了获得更高的检测准确率，我们需要寻找最优的参数，其检测准确率应该高于参数0.5所对应的检测准确率；
14、判断的依据是
15、1.要高于参数0.5所对应的检测准确率。
16、2.在寻优过程中，要高于其他参数(这个参数是指由莱维飞行策略生成的参数)。
17、若没有获取最优参数，则使用改进的线性搜索算法对基于oneclasssvm算法的异常数据检测模型进行参数v的寻优；
18、oneclasssvm算法只使用异常状态的数据进行训练，而不需要其他状态的数据。它通过构建一个超平面来将异常状态的数据映射到高维空间中，并尽可能地将其他状态的数据远离该超平面。
19、oneclasssvm算法的核心内容如下：
20、假设给定一组数据样本p＝(t1,t2,...,tm),tm∈rd。为了能够在高维空间中划分样本集，oneclasssvm算法使用核函数来找到一个超平面，使得数据样本与原点以最大间隔距离分开，这样使得原本线性不可分的数据产生出线性可分的性质，其优化目标如下式所示：
21、
22、s.t(ω·φ(ti))≥ρ-εi (12)；
23、其中εi≥0，i＝1,2,…,m；ρ是指超平面的截距，属于常数，εi是指松弛变量，主要用于消除一定范围内的分类误差，适当地降低超平面对异常数据的敏感度。v的取值范围是0到1之间，其主要用来控制样本点密集区域到最大间隔超平面的距离以及原点到最大间隔超平面之间的距离，使得数据样本尽可能地处于超平面的范围之内。这个参数对于整个算法的泛化能力具有很重要的影响。为了能够充分发挥出oneclasssvm算法的效果，本专利技术使用改进的线性搜索算法进行参数v的寻优，以达到获取参数v的最优值的目的。
24、所述使用改进的线性搜索算法对基于oneclasssvm算法的异常数据检测模型进行参数v的寻优具体包括：
25、s221、已知参数v的取值范围是(0,1]，因此确定参数v的初始搜索范围为(0,1]，确定搜索步长t＝0.05，确定迭代次数为1000次以及初始最优参数r＝0.5；
26、s222、根据参数v的取值范围，利用莱维飞行策略获取新参数vi，式(1)为莱维飞行公式，在获取新参数后，以新参数vi为中心，确定新的搜索范围为[vi-t,vi+t]；
27、
28、式(1)中u和e分别为服从n(0,σ2)和n(0,1)的高斯分布随机数，σ的计算公式如式(2)所示，其中ζ＝1.5；
29、
30、s223、得到新的搜索范围后，将训练集作为样本，计算参数搜索范围内端点的样本检测准确率；
31、每次迭代时计算每个端点的检测准确率的具体过程为：根据新的搜索范围确定最左端为出发点，每向右移动一个步长t，得到一个端点值，计算出每个端点值对应的检测准确率，从所有端点对应的检测准确率中选择数值最高的端点值作为当前最优参数rt；
32、s224、将当前最优参数rt与初始最优参数r进行比较，得到检测准确率较高值，将较高值对应的参数替换初始最优参数r的值；
33、s224、判断是否达到最大训练次数，若没有，跳转到s222继续寻找最优参数；
34、若已经到达要求的次数，则停止训练，得到参数v的最优值。
35、s2本文档来自技高网...
【技术保护点】
1.一种基于数字孪生的机床设备故障预警方法，其特征在于，包括；
2.根据权利要求1所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述S2具体包括：
3.根据权利要求1所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述对基于OneClassSVM算法的异常数据检测模型进行参数v的寻优使用改进的线性搜索算法，具体包括：
4.根据权利要求1所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述S3具体包括：
5.根据权利要求3所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述预警阈值的生成算法具体为：
6.根据权利要求3所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述S5具体包括：
7.一种基于数字孪生的机床设备故障预警系统，其特征在于，包括数据采集模块、数字孪生模块、故障预警训练模块和故障预警模块；
【技术特征摘要】
1.一种基于数字孪生的机床设备故障预警方法，其特征在于，包括；
2.根据权利要求1所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述s2具体包括：
3.根据权利要求1所述的一种基于数字孪生的机床设备故障预警方法，其特征在于，所述对基于oneclasssvm算法的异常数据检测模型进行参数v的寻优使用改进的线性搜索算法，具体包括：
4.根据权利要求1所述的一种基于数字孪生...
【专利技术属性】
技术研发人员：丁青艳，郭卫孟，张让勇，郑婉，潘雨，董学成，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
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。