[發明專利]一種數控機床多工況下故障診斷優化方法、系統及設備

有效

• 申請號: 202011502534.6
• 申請日: 2020-12-18
• 公開（公告）號: CN112650146B
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 黃祖廣;王金江;薛瑞娟;常開順;蔣崢;張鳳麗
• 申請（專利權）人: 國家機床質量監督檢驗中心
• 主分類號: G05B19/4065
• 分類號: G05B19/4065
• 代理公司: 濟南舜源專利事務所有限公司 37205
• 代理人: 趙陽

1.一種數控機床多工況下故障診斷優化方法，其特征在于，包括如下步驟：

S1：利用有效獨立法對數控機床的傳感器位置進行優化計算，形成具有數控機床傳感器優化布置方案；

S2：使用數控機床優化布置方案為數控機床布置傳感器，通過傳感器在線采集用于描述數控機床運行狀態的特征參數，利用改進多尺度熵對采集到的特征參數在不同尺度因子下進行數據處理，獲得表征數控機床深層次特征信息；

S3：使用基于信息理論度量學習的數據重構方法對表征數控機床深層次特征信息進行度量學習，通過度量學習后完成原始特征空間的重構，生成數控機床的多工況數據；使用ITML-K均值聚類方法對數控機床多工況數據進行聚類辨識，生成工控辨識后的樣本數據；

S4：將工控辨識后的已知故障類型的數控機床樣本數據輸入數控機床長短時記憶網絡故障診斷模型進行訓練，并引入基于熵的正則化函數優化成本函數，利用誤差梯度下降方法更新模型參數來最小化誤差，誤差收斂后的模型即為優化后的數控機床的故障診斷模型。

2.根據權利要求1所述的數控機床多工況下故障診斷優化方法，其特征在于，所述步驟S1包括：

假設所有可能布置傳感器位置數量為m，想要布置的傳感器數量為s，那么結構的響應表示為式(1.1)：

u_s＝Φ_sq+ω (1.1)

其中為結構模態矩陣，Φ_I＝(φ_1I,φ_2I……φ_sI)^T表示第i階模態向量，q＝(q₁,q₁……q_s)為廣義坐標，ω為方差σ²的高斯白噪聲；模態坐標的最小二乘估計表示為式(1.2)：

得到q＝(q₁,q₁……q_s)估計誤差的協方差為式(1.3)：

令Q＝(Φ^T_sΦ_s)，Q稱之為Fisher信息矩陣；

Q可以表示為式(1.4)：

其中，Qⁱ表示第i個自由度對矩陣Q獨立性的貢獻；

解矩陣Q的特征方程：

(Q-λI)Ψ＝0 (1.5)

Ψ^TQΨ＝λ，Ψ^TΨ＝I (1.6)

則：

Ψ^Tλ^-1Ψ＝Q^-1 (1.7)

其中，λ為Q的特征值，Ψ為Q的特征值為λ的特征向量；

構造矩陣E如式(1.8)所示；

E＝Φ_sΨλ^-1(Φ_sΨ)^T＝Φ_sQ^-1Φ^T_s (1.8)

因為E²＝E，所以E是冪等矩陣，其特征量為1或0，其對角線上的第i元素表示第i個自由度對矩陣的秩的貢獻，也就是對矩陣Q的貢獻；

E的對角線元素代表相應傳感器位置對模態識別中的貢獻；如果E_ii＝1，那么表示該傳感器位置應該保留；反之，如果E_ii＝0，表示該位置應該被刪去。

3.根據權利要求1所述的數控機床多工況下故障診斷優化方法，其特征在于，所述步驟S2中，利用改進多尺度熵對采集到的特征參數在不同尺度因子下進行數據處理，獲得表征數控機床深層次特征信息具體包括：

對于給定長度為N的一維時間序列{x₁,x₂,...,x_n}，選取不同長度尺度因子τ，對以尺度因子為窗長的非重疊窗口內的值進行平均，構成粗粒度時間序列：

利用基于時間延遲尺度因子構建移動時間序列：

其中，τ是尺度因子，1≤j≤N-τ+1。