[發明專利]一種基于多特征結合深度學習對機床主軸故障的診斷方法

在審

• 申請號: 201911116235.6
• 申請日: 2019-11-15
• 公開（公告）號: CN110909782A
• 公開（公告）日: 2020-03-24
• 發明（設計）人: 吳繼春;陽廣興;方海國
• 申請（專利權）人: 湘潭大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q50/04
• 代理公司: 北京和信華成知識產權代理事務所(普通合伙) 11390
• 代理人: 焦海峰

本發明實施例公開了一種基于多特征結合深度學習對機床主軸故障的診斷方法，通過對機床裝置所出現的故障進行故障分類、故障原因分析、提取故障特征的影響因素，并選取可量化的故障因素作為模型的輸入，再對輸入數據進行預處理，通過建立LSTM網絡建立數控機床的多變量時間序列診斷模型，將輸出的診斷結果與DS證據理論結合針，最終達到故障診斷的目的，從而得到一種關于數控機床故障診斷的方法，本發明采用LSTM網絡為診斷模型能有效的監察出數控機床在一段時間前后發生故障的可能性及有效性，并使用DS證據理論對模型輸出的結果進行融合，得出診斷結果。提高了機床的可靠性與診斷的精確性。

技術領域

本發明屬于機械數控機床領域，涉及故障診斷技術，具體為一種基于多特征結合深度學習對機床主軸的故障診斷方法。

背景技術

隨著制造業在我國不斷的蓬勃發展，大量的機械加工及機械制造被廣泛的需求。數控機床被稱為“工業母機”，在航天構件、大型機器零件制造中，起著決定性作用。從目前數控機床的配置及技術發展的趨勢來看，數控機床正在向電氣化、高速化方向發展。在數控機床加工工藝中，對機床主軸、車刀、系統要求更高，加工中所需要的轉速更高，扭矩更大，需要更準確的精度，更復雜的走刀，并且在工藝過程中，機床需要就有良好的剛性、抗震性和熱穩定性。

一方面數控機床的使用量與需求量不斷增大，另一方面數控機床在工藝過程中所處的環境較為惡劣，加工強度高，力度大，持續時間長，使得數控機床的穩定性、安全性、可靠性受到嚴峻挑戰，當機床的穩定性、安全性、可靠性受到威脅時，其機床的故障率也隨之增加，故障的出現可能會導致機床加工物件的質量、運行的可靠性和安全性能降低。隨著社會對數控機床的要求越來越高，如果機床出現故障而未能夠及時發現，則機床加工的速率及效率容易下降，機床加工的物品容易出現精度和質量的下降，更有可能使工件報廢，造成巨大經濟損失。這對數控機床的監測和智能診斷技術提出了新的要求。能夠精確的診斷出故障的發生位置及時進行方案整治，就能夠減少機床的故障時間，提高工作效率與機床的可靠性。

迄今為止，隨著時代與技術的發展，目前有許多的數控機床監測技術都有相應的加強與改進。與傳統的故障診斷相比，經典的神經網絡在故障診斷領域有廣泛的運用。許多學者們將深度學習中神經網絡強大的特征提取能力運用于各大行業中，并取得了重大成果。深度學習在故障診斷領域也被學者們加以利用起來。經典的神經網絡如：堆疊自編碼器(SAE)、卷積神經網絡(CNN)、循環神經網絡(RNN)等多個深度學習模型在故障診斷領域被提出且運用。

然而，經典深度學習模型的故障診斷方法通常只考慮樣本在空間領域上的依賴，然而大多數故問題往往具有潛在性和連帶性，是具有時間效益的，所以，在機床的故障上必須在時間與空間雙重域上進行特征提取。循環神經網絡在時域上考慮了相關特性，但是難以提取數據長期的依賴特征，記憶能力非常有限。

發明內容

為此，本發明實施例提供一種基于多特征結合深度學習對機床主軸故障的診斷方法，以解決現有技術中的問題。

為了實現上述目的，本發明的實施方式提供如下技術方案：

一種基于多特征結合深度學習對機床主軸故障的診斷方法，包括如下步驟：

步驟100、采集數控機床時間序列的原始數據；

步驟200、將以往數控機床所出現的問題故障根據其組成模塊及實際故障情況進行具體分類，記M類；

步驟300、對M類故障分別進行故障分析，得出故障出現的原因及進行故障特征提取；

步驟400、對提取的故障特征進行數據預處理，并訓練構建序貫檢驗的長短時記憶循環網絡故障模型；

步驟500、對構建出來的序貫檢驗的長短時記憶循環網絡故障模型進行單向特征輸入；

步驟600、將各項單向特征的輸出結果與理論證據融合，判定出故障結果。