[發明專利]一種基于數字孿生和深度遷移學習的激光切割數控系統故障診斷方法

在審

• 申請號: 202111545374.8
• 申請日: 2021-12-15
• 公開（公告）號: CN114201920A
• 公開（公告）日: 2022-03-18
• 發明（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

本發明涉及數控系統維管技術領域，具體地說，涉及一種基于數字孿生和深度遷移學習的激光切割數控系統故障診斷方法。包括如下步驟：建立激光切割數控系統數字孿生模型；進行故障模擬，構建數據故障分類器；構建遷移學習，利用深度遷移學習將之前訓練的診斷模型從虛擬空間遷移到物理空間。本發明設計可以挖掘切割過程的潛在問題并直觀顯示，與激光切割數控設備進行交互協作，實現同步監控和預測分析的效果，有效解決實際應用中訓練數據不足、分布不均勻的問題；同時解決激光切割數控系統數據利用率低、缺乏高效深度發掘和分析的問題，為其提供及時、可靠、有效的故障診斷方法。

技術領域

本發明涉及數控系統維管技術領域，具體地說，涉及一種基于數字孿生和深度遷移學習的激光切割數控系統故障診斷方法。

背景技術

激光加工技術一直是國家重點支持和推動應用的一項高新技術，特別是政府強調要振興制造業，這就給激光加工技術應用帶來發展機遇。在國家制定中長遠發展規劃時，又將激光加工列為關鍵支撐技術，因為它涉及國家安全、國防建設、高新技術的產業化和科技前沿的發展，這就把激光加工提升到很高的重視程度，激光加工設備的安全和升級帶來很大的挑戰。

在激光切割數控系統走向高度自動化和智能化的同時，其可靠性和安全性帶來新的挑戰。激光切割加工過程中發生的故障是由硬件和軟件兩方面因素同時導致，因而系統的故障診斷變的更加復雜。不可否認的是這些故障都有可能帶來不可彌補的損失。在大數據時代，故障診斷采用了多種先進的技術和方法，如貝葉斯網絡、深度學習、支持向量機、極限學習機等，顯著提高了診斷的準確性和效率。然而，這些智能診斷方法大多在以下兩個假設條件下工作良好：(1)訓練數據涵蓋了全面的診斷信息；(2)訓練數據和測試數據具有相同的特征分布。然而，在實際制造時，只有在正常條件下才容易獲得大量的數據，很難收集全面、廣泛的故障數據來充分訓練診斷模型。另外，切割加工環境條件不斷變化，導致上一階段訓練的模型可能并不適用于現階段。而且從頭開始訓練模型需要大量的時間和其他計算成本，這是對時間和知識的浪費。

鑒于此，本發明提出了一種基于數字孿生和深度遷移學習的激光切割數控系統故障診斷方法，旨在使故障診斷更適用于日益自主化和復雜化的應用場景。

發明內容

本發明的目的在于提供一種基于數字孿生和深度遷移學習的激光切割數控系統故障診斷方法，以解決上述背景技術中提出的問題。

為實現上述技術問題的解決，本發明的目的之一在于，提供了一種基于數字孿生和深度遷移學習的激光切割數控系統故障診斷方法，包括如下步驟：

S1、構建激光切割數控系統數字孿生模型：對激光數控系統進行可視化模型建立；

S2、虛擬空間中激光切割數控系統潛在的故障分析：建立虛擬故障診斷分類器，根據激光數控系統數字孿生模型，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，在無先驗經驗的情況下，從大量未被標記的仿真數據中提取故障特征；

S3、激光切割數控系統主動維護階段的故障預測：通過物理實體的實時監控數據改善激光切割數控系統數字孿生模型，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中運行數據，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的維護措施。

作為本技術方案的進一步改進，所述S1中，構建激光切割數控系統數字孿生模型的具體方法包括如下步驟：

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