[發明專利]一種基于增量學習的數控設備健康狀態診斷裝置及方法

有效

• 申請號: 202011195855.6
• 申請日: 2020-10-31
• 公開（公告）號: CN112328703B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 陸劍峰;趙子杰;胡覺成;楊越
• 申請（專利權）人: 同濟大學
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F16/215;G06N20/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 翁惠瑜

本發明涉及一種基于增量學習的數控設備健康狀態診斷裝置及方法，所述裝置包括依次連接的云平臺、邊緣設備和智能傳感器，云平臺包括數據倉庫和模型庫管理模塊；所述邊緣設備包括概念漂移檢測模塊、邊緣模型模塊和健康狀態診斷模塊，邊緣模型模塊用于存儲基模型，檢測到概念漂移時，從云平臺獲取更新的基模型，并將歷史模型上傳至云平臺，否則，基于智能傳感器的實時采集數據采用增量學習方法更新本地的基模型；健康狀態診斷模塊基于當前基模型的輸出結果對數控設備進行健康狀態診斷。與現有技術相比，本發明具有避免對數據的重復學習、訓練速度快等優點。

技術領域

本發明涉及數控設備故障診斷技術領域，尤其是涉及一種基于增量學習的數控設備健康狀態診斷裝置及方法。

背景技術

隨著現代工業和科學技術的發展，數控設備的結構變得越來越復雜。在數控設備的運行過程中，設備由于自身或者外界的各種運行因素，如部件磨損、高溫高壓、化學腐蝕、外部沖擊等的影響，數控設備的性能會隨運行時間而退化，故障問題也會時有產生。設備一旦出現故障，輕則影響工業生產，重則導致安全事故的發生。因此，綜合利用各種故障診斷與預測技術對設備的狀態進行監測與預警，及時發現并處理問題，為維護保養計劃提供決策依據，保證設備的運行的可靠性非常必要。

數控設備的故障一般包括三個子系統的故障，電氣系統故障、數控系統故障以及機械系統的故障。人們對故障和異常的處理方法也從一開始的被動反應，到主動預防，再到事先預測與規劃管理，即從事后維修發展到定期維修再到視情維修。同時，隨著智能制造，工業互聯網，物聯網的發展，工業大數據的采集和存儲變得越來越方便，工業大數據背景下，如何利用好數據，從中獲取有價值的知識，具有重要的應用價值。

人工智能的興起提供了一種有效的解決方案，機器學習對數據的學習能力很強，數據驅動的故障診斷和預測技術不需要研究對象的先驗知識，只需要利用數據分析的相關方法，挖掘數據中的隱含信息，建立機器學習模型，實現對設備的故障診斷和預測，如專利申請CN110108431A公開的一種基于機器學習分類算法的機械設備故障診斷方法。但是，現在大部分數據驅動的故障診斷與預測模型均采用離線工作的方式，一般建立在對大量歷史數據的綜合離線分析建模的基礎上，模型的動態更新能力差，而且不能實時利用工業現場的實時數據流。

對于數控設備的人工智能故障診斷，專利申請CN109933004A介紹了一種基于邊緣計算和云協同的機床故障預測與診斷方法及系統，其主要特征是云平臺將結果返回，客戶端在接收到結果后，需要專家對故障診斷進行反饋與標注，發送至云平臺，云平臺基于標注數據再次訓練并更新模型。該專利申請中涉及的邊緣設備和云平臺之間基本以數據通信為主，主要的計算功能都由云平臺完成，需要人工在邊緣段對數據進行標注，增加了一定的使用成本。另外，針對設備性能退化中可能出現的數據分布可能發生變化的問題，模型預測失效的情況缺少相應的應對策略，并且在模型的更新上，采用完全重新訓練的方法，占用資源多，訓練慢，成本高。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種避免對數據的重復學習、訓練速度快的基于增量學習的數控設備健康狀態診斷裝置及方法。

本發明的目的可以通過以下技術方案來實現：

一種基于增量學習的數控設備健康狀態診斷裝置，包括依次連接的云平臺、邊緣設備和智能傳感器，所述智能傳感器與數控設備連接，

所述云平臺包括：

數據倉庫，以數據塊方式存儲訓練數據；

模型庫管理模塊，存儲有集成模型，所述集成模型由多個基模型組成，所述多個基模型利用所述數據倉庫中的數據塊進行批處理訓練，并以基于數據塊的增量學習方式更新集成模型；

所述邊緣設備包括：

概念漂移檢測模塊，基于智能傳感器的實時采集數據進行是否檢測概念漂移的判斷；