[發(fā)明專利]一種機(jī)床軸承故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110302398.4
• 申請(qǐng)日: 2021-03-22
• 公開（公告）號(hào): CN113128561A
• 公開（公告）日: 2021-07-16
• 發(fā)明（設(shè)計(jì)）人: 唐敦兵;劉長春;朱海華;聶慶瑋;王立平;宋家燁;張毅
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/00;G06N3/04;G06N3/08;G01M13/04;G01M13/045
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 蘇一幟

1.一種機(jī)床軸承故障診斷方法，其特征在于，包括：

建立數(shù)字孿生車間，并在所述數(shù)字孿生車間加載機(jī)床的加工任務(wù)，其中，數(shù)字孿生車間對(duì)應(yīng)現(xiàn)實(shí)車間；

采集所述機(jī)床的加工任務(wù)運(yùn)行過程中的機(jī)床的故障數(shù)據(jù)，并根據(jù)所采集的故障數(shù)據(jù)生成第一類故障診斷模型，其中，所述第一類故障診斷模型包括：數(shù)字孿生車間中的機(jī)床軸承的故障診斷模型；

對(duì)所生成的故障診斷模型進(jìn)行變工況遷移學(xué)習(xí)訓(xùn)練，并得到第二類故障診斷模型，其中，所述第二類故障診斷模型包括：所述現(xiàn)實(shí)車間中的機(jī)床軸承的故障診斷的模型；

利用所述第二類故障診斷模型檢測(cè)所述現(xiàn)實(shí)車間中的機(jī)床軸承的故障。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在建立數(shù)字孿生車間之前，還包括：

通過安裝在所述現(xiàn)實(shí)車間中的三維激光掃描儀，獲取采集所述現(xiàn)實(shí)車間的點(diǎn)云數(shù)據(jù)，其中，所述三維激光掃描儀所掃描的對(duì)象，至少包括：所述現(xiàn)實(shí)車間中安裝的機(jī)床；

利用所述現(xiàn)實(shí)車間的點(diǎn)云數(shù)據(jù)，建立數(shù)字孿生模型，其中，所述數(shù)字孿生模型所表示的對(duì)象，至少包括了：所述現(xiàn)實(shí)車間中安裝的機(jī)床的整體結(jié)構(gòu)和內(nèi)部元件，所述內(nèi)部元件包括：機(jī)床的軸承。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述利用所述現(xiàn)實(shí)車間的點(diǎn)云數(shù)據(jù)，建立數(shù)字孿生模型中，包括：

通過OPC UA通訊構(gòu)架讀取所述現(xiàn)實(shí)車間中的機(jī)床設(shè)備的實(shí)時(shí)運(yùn)行數(shù)據(jù)；

將所述實(shí)時(shí)運(yùn)行數(shù)據(jù)存入數(shù)據(jù)庫并作為Unity數(shù)據(jù)驅(qū)動(dòng)引擎的源數(shù)據(jù)，所述Unity數(shù)據(jù)驅(qū)動(dòng)引擎用于驅(qū)動(dòng)所述數(shù)字孿生模型。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述采集所述機(jī)床的加工任務(wù)運(yùn)行過程中的機(jī)床的故障數(shù)據(jù)，并根據(jù)所采集的故障數(shù)據(jù)生成第一類故障診斷模型，包括：

將所述機(jī)床的加工任務(wù)導(dǎo)入所述數(shù)字孿生車間進(jìn)行模擬仿真，并采集仿真故障數(shù)據(jù)作為源域數(shù)據(jù)；

對(duì)所得到的源域數(shù)據(jù)進(jìn)行預(yù)處理后，導(dǎo)入深度殘差學(xué)習(xí)算法進(jìn)行訓(xùn)練，當(dāng)訓(xùn)練的準(zhǔn)確率達(dá)到100％時(shí)，得到所述第一類故障診斷模型。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述導(dǎo)入深度殘差學(xué)習(xí)算法進(jìn)行訓(xùn)練，包括：

利用dropout網(wǎng)絡(luò)結(jié)構(gòu)對(duì)所述故障數(shù)據(jù)進(jìn)行預(yù)處理，其中，所述故障數(shù)據(jù)包括所述機(jī)床的振動(dòng)數(shù)據(jù)；

在完成預(yù)處理后，對(duì)所述故障診斷模型進(jìn)行參數(shù)結(jié)構(gòu)設(shè)定；

加載所設(shè)定的參數(shù)并對(duì)所述故障診斷模型進(jìn)行訓(xùn)練。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，在對(duì)所述故障診斷模型進(jìn)行訓(xùn)練的過程中，包括：

加載改進(jìn)的深度殘差學(xué)習(xí)算法進(jìn)行訓(xùn)練，其中所述改進(jìn)的深度殘差學(xué)習(xí)算法包括：

r_i⁽ⁱ⁾～Bernoulli(p) (3)

y′^(l)＝r^(l)×y^(l) (4)

其中，在進(jìn)行訓(xùn)練的過程中，在每個(gè)神經(jīng)元進(jìn)行概率性關(guān)停，f表示激活函數(shù)，y表示輸出值，z表示神經(jīng)元求和之后的值，i表示神經(jīng)元的個(gè)數(shù)，r表示神經(jīng)元關(guān)停的概率，w表示權(quán)重，b_i表示第i個(gè)神經(jīng)元的偏置，w_i表示第i個(gè)神經(jīng)元的權(quán)重，z_i表示第i個(gè)神經(jīng)元的權(quán)重和第i個(gè)神經(jīng)元的偏置相加之和，y_i表示輸入信號(hào)，y’表示dropout處理后的輸入信號(hào)，z_i’表示dropout處理后的神經(jīng)元求和之后的值，l表示殘差神經(jīng)網(wǎng)絡(luò)的恒等映射層的層數(shù)。

7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述對(duì)所述故障診斷模型進(jìn)行參數(shù)結(jié)構(gòu)設(shè)定，包括：

設(shè)定訓(xùn)練代數(shù)設(shè)置為30代，訓(xùn)練次數(shù)設(shè)置為180次，學(xué)習(xí)率為0.001，并在訓(xùn)練完成后將所設(shè)定的參數(shù)結(jié)構(gòu)進(jìn)行存儲(chǔ)。