[發(fā)明專利]一種基于數(shù)字孿生和深度遷移學習的激光切割數(shù)控系統(tǒng)故障診斷方法

在審

• 申請?zhí)枺?/td>: 202111545374.8
• 申請日: 2021-12-15
• 公開（公告）號: CN114201920A
• 公開（公告）日: 2022-03-18
• 發(fā)明（設計）人: 上官端森
• 申請（專利權）人: 蘇州華光智控電子科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F119/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于數(shù)字孿生和深度遷移學習的激光切割數(shù)控系統(tǒng)故障診斷方法，其特征在于：包括如下步驟：

S1、構建激光切割數(shù)控系統(tǒng)數(shù)字孿生模型：對激光數(shù)控系統(tǒng)進行可視化模型建立；

S2、虛擬空間中激光切割數(shù)控系統(tǒng)潛在的故障分析：建立虛擬故障診斷分類器，根據(jù)激光數(shù)控系統(tǒng)數(shù)字孿生模型，通過模擬不同故障工況下的切割加工過程來探索潛在的故障模式，在無先驗經(jīng)驗的情況下，從大量未被標記的仿真數(shù)據(jù)中提取故障特征；

S3、激光切割數(shù)控系統(tǒng)主動維護階段的故障預測：通過物理實體的實時監(jiān)控數(shù)據(jù)改善激光切割數(shù)控系統(tǒng)數(shù)字孿生模型，并利用深度遷移學習將之前訓練的虛擬故障診斷分類器從虛擬空間遷移到物理空間，構建實體故障診斷與預測模型；

S4、實時運行過程中故障診斷：通過實時采集激光切割系統(tǒng)中運行數(shù)據(jù)，在實體故障診斷與預測模型中做出預測和診斷，并制定激光切割系統(tǒng)的維護措施。

2.根據(jù)權利要求1所述的基于數(shù)字孿生和深度遷移學習的激光切割數(shù)控系統(tǒng)故障診斷方法，其特征在于：所述S1中，構建激光切割數(shù)控系統(tǒng)數(shù)字孿生模型的具體方法包括如下步驟：

S1.1、構建虛擬激光數(shù)控系統(tǒng)多維模型：為實現(xiàn)激光數(shù)控系統(tǒng)多維模型融合，必須構建幾何、物理、行為、規(guī)則等多維度的激光數(shù)控系統(tǒng)模型，從幾何形狀、物理屬性、行為響應及規(guī)律規(guī)則等多方面對激光數(shù)控系統(tǒng)進行真實刻畫和描述建模；

S1.2、激光數(shù)控系統(tǒng)多維模型評估與驗證：模型確定后，必須保證模型的有效性和正確性，即基于驗證與認證對所構建的多維模型進行驗證，包括對模型演繹過程中的輸入和輸出準確度的驗證、仿真置信度的驗證、靈敏度與仿真精度的驗證等；

S1.3、激光數(shù)控系統(tǒng)多維模型關聯(lián)關系與映射機制：為實現(xiàn)多維模型的融合，在構建正確模型的基礎上，必須研究并分析各維模型間的關聯(lián)與映射關系，并通過建立激光數(shù)控系統(tǒng)各層模型間的關聯(lián)關系，從結構和功能兩方面對這模型進行集成與融合，形成激光數(shù)控系統(tǒng)綜合模型，并以統(tǒng)一的三維表現(xiàn)形式支持該模型的可視化呈現(xiàn)與仿真運行；

S1.4、激光數(shù)控系統(tǒng)多維模型一致性理論與方法：使虛擬激光數(shù)控系統(tǒng)模型與物理激光數(shù)控器及其復雜生產(chǎn)活動保持真實鏡像和同步，保證幾何、物理、行為、規(guī)則等各維模型與其所刻畫的實際對象的一致性，以及同一實際對象對應的不同維度模型的一致性。

3.根據(jù)權利要求2所述的基于數(shù)字孿生和深度遷移學習的激光切割數(shù)控系統(tǒng)故障診斷方法，其特征在于：所述S1.3中，各維模型間的關聯(lián)與映射關系包括但不限于：幾何模型與物理模型是對激光切割器異構要素的描述；行為模型是在此基礎上加入驅(qū)動及擾動因素，使各要素具備行為特征、響應機制以及進行復雜行為的能力；規(guī)則模型是對激光數(shù)控系統(tǒng)及其模型在幾何、物理、行為多個層面上反映的規(guī)律規(guī)則進行刻畫，并將其映射到相應的模型上，使各模型具備評估、演化、推理等能力。

4.根據(jù)權利要求2所述的基于數(shù)字孿生和深度遷移學習的激光切割數(shù)控系統(tǒng)故障診斷方法，其特征在于：所述S2中，利用大量數(shù)字孿生模型產(chǎn)生的故障仿真數(shù)據(jù)，采用無監(jiān)督的深度學習方法訓練虛擬故障分類器，其具體方法包括如下步驟：

S2.1、利用數(shù)字孿生模型模擬各種故障工程，得到大量的故障仿真數(shù)據(jù)，利用非線性編碼器函數(shù)學習輸入層的顯著特征，輸出層利用非線性解碼器函數(shù)從隱藏層中恢復輸出；

S2.2、進行堆疊稀疏自編碼采用貪婪分層的方式進行訓練，每次只訓練一個隱藏層，每層訓練的參數(shù)初始化整個網(wǎng)絡中相應的層值；

S2.3、提取的特征作為下一個稀疏自編碼器的輸入，同時固定前幾層的參數(shù)，通過最小化損失函數(shù)，依次學習每一層的參數(shù)集；

S2.4、在訓練了N個隱藏層之后，下一步將實現(xiàn)softmax分類器；

S2.5、通過微調(diào)來更新激光數(shù)控系統(tǒng)深度神經(jīng)網(wǎng)絡模型中的所有權值。