一种数控机床多工况下故障诊断优化方法、系统及设备

技术领域

本发明涉及数控机床监测技术领域，更具体的说是涉及一种数控机床多工况下故障诊断优化方法、系统及设备。

背景技术

数字控制机床(Computer numerical control machine tools)，简称“数控机床”，是一种装有程序控制系统的自动化机床。数控机床的出现大大提高了机床加工的能力和效率，目前己经在制造业中被广泛的应用。数控机床作为金属切削减材制造的关键设备，其结构复杂，工况环境多变，故障形式多样，失效根源较难追溯，运转状况的好坏直接关系到车间加工水平和加工效率的高低，因此，研究数控机床的状态监测及故障诊断有利于及时掌握设备劣化状态，从而减少由于数控机床故障引起的作业停滞时间，提高工厂车间的生产效益。

随着对数控机床进行整体全面诊断的需求不断增加，大多都会对机床部署多个传感器来对数控机床表征状态信息进行收集，而传感器的布置通常都是根据现场人员的经验来确定。而在后续多工况故障诊断阶段，往往采用聚类方法来进行工况的辨识，随着深度学习的不断进步，基于时间的长短时记忆网络算法也被用到了数控机床的故障诊断中去。

但目前利用上述技术来进行数控机床状态监测及故障诊断主要面临以下四个问题：1、首先，由于大量不同型号不同类别传感器的布置导致所采集到的状态表征参数众多，极大增加了后续数据处理的难度，如果大范围减少传感器的数量，则难以确保采集的状态参数能够最大限度的描述数控机床的实时运转情况。导致传感器出现冗余，同时传感器的布置通常按照现场经验来布置。2、传统的数据处理得到的特征数据不利于深层次的特征信息挖掘。3、在传统的工况识别方法中，通常是使用聚类方法来进行辨识，虽然聚类算法能够有效的实现工况的辨识，但是，在机床实际运行状态下，工况变化复杂，并且很多加工工况之间的监测信息差别可能会很小，利用距离来进行度量区分不同工况的聚类方法，在遇到工况差别不大，或者是工况边界模糊时出现辨识效果差的问题。4、在使用深度学习长短时记忆网络进行数控机床的故障诊断时，为了能够达到深度挖掘数据以及诊断的效果，在隐藏层往往会包含多个神经网络单元，但多个神经网络单元的存在往往会存在训练数据分类效果良好，而测试数据出现效果差，导致模型出现过拟合的问题，进而导致数控机床的故障诊断模型的泛化性不高，数控机床故障诊断率不佳。

发明内容

针对以上问题，本发明的目的在于提供一种数控机床多工况下故障诊断优化方法、系统及设备，以克服传统数控机床监测传感器布置通常利用现场经验来确定，导致采集数据利用率低的问题，数据处理中，传统特征信息差异化不明显，导致工况辨识以及故障诊断的特征信息质量差问题以及传统聚类方面在多工况边界模糊下的辨识效果差的缺陷，以及利用数据驱动的数控机床故障诊断模型泛化性低，诊断率不高的问题。

本发明为实现上述目的，通过以下技术方案实现：一种数控机床多工况下故障诊断优化方法，包括如下步骤：

S1：利用有效独立法(EI)对数控机床的传感器位置进行优化计算，形成具有数控机床传感器优化布置方案；

S2：使用数控机床优化布置方案为数控机床布置传感器，通过传感器在线采集用于描述数控机床运行状态的特征参数，利用改进多尺度熵对采集到的特征参数在不同尺度因子下进行数据处理，获得表征数控机床深层次特征信息；

S3：使用基于信息理论度量学习(ITML)的数据重构方法对表征数控机床深层次特征信息进行度量学习，通过度量学习后完成原始特征空间的重构，生成数控机床的多工况数据；使用K均值聚类方法对数控机床多工况数据进行聚类辨识，生成工控辨识后的样本数据；

S4：将辨识后的已知故障类型的数控机床样本数据输入数控机床长短时记忆网络故障诊断模型进行训练，并引入基于熵的正则化函数优化成本函数，利用误差梯度下降方法更新模型参数来最小化误差，误差收敛后的模型即为优化后的数控机床的故障诊断模型。

进一步，所述传感器包括：用于采集主轴轴承振动信号和工作台振动信号的振动传感器，用于采集电机电流信号的电流传感器，用于采集加速度信号的速度传感器，用于采集主轴、滚珠丝杠、刀具温度值的温度传感器。

进一步，所述步骤S1包括：

假设所有可能布置传感器位置数量为m，想要布置的传感器数量为s，那么结构的响应表示为式(1.1)：

u

其中

得到q＝(q

令Q＝(Φ

Q可以表示为式(1.4)：

其中，Q

解矩阵Q的特征方程：

(Q-λI)Ψ＝0 (1.5)

Ψ

则：

Ψ

其中，λ为Q的特征值，Ψ为Q的特征值为λ的特征向量。

构造矩阵E如式(1.8)所示；

E＝Φ

因为E

E的对角线元素代表相应传感器位置对模态识别中的贡献；如果E

进一步，所述步骤S2中，利用改进多尺度熵对采集到的特征参数在不同尺度因子下进行数据处理，获得表征数控机床深层次特征信息具体包括：

对于给定长度为N的一维时间序列{x

利用基于时间延迟尺度因子构建移动时间序列：

其中，τ是尺度因子，1≤j≤N-τ+1。

进一步，所述步骤S3中，基于信息理论度量学习的数据重构方法包括：

在信息理论度量学习中，度量学习定义为公式(3.1)：

其中，x为样本数据，KL是两个对应于现有度量M

其中，u和l分别是相似(S)和不相似(D)之间的上限和下限，x

进一步，所述步骤S3中，K均值聚类方法对数控机床多工况数据进行聚类辨识包括：

设输入样本集X＝{x

其中，X

依次比较每一个样本到每一个聚类中心的距离，将样本分配到距离最近的聚类中心的类簇中，得到k个类簇{S

其中，c

定义代价函数即：

通过EM算法来迭代求解代价函数的最小值，当为最小值时迭代终止，完成工况的划分。

进一步，所述步骤S4中，所述长短时记忆网络模型包括：

任一组长短时记忆单元可由以下公式进行计算。

其中，I

遗忘门和输入门根据当前输入和先前的长短时记忆单元记忆向量C

C

和记忆向量来计算当前步骤的隐藏状态向量：

h

进一步，所述步骤S4具体包括：

将辨识后的已知故障类型的数控机床样本数据输入数控机床长短时记忆网络故障诊断模型，长短时记忆网络模型提取辨识后的样本数据的特征向量并与一个全连接层进行连接，用作最后判断的依据；

引入Softmax函数作为分类器，利用训练数据的真实标签与模型的判断结果来进行比对并用交叉熵函数来计算判断的误差；

引入熵正则化函数，将交叉熵函数与熵正则化函数进行结合，利用误差梯度下降方法更新模型参数来最小化误差，误差收敛后的模型即为数控机床的诊断模型。

进一步，所述Softmax分类器的输出表示如下：

其中，σ

σ

z

交叉熵函数的定义如下：

基于熵的正则化函数定义如下：

其中，β

综合基于熵的正则化函数和交叉函数得到最后的损失函数为：

相应的，本发明还公开了一种数控机床多工况下故障诊断优化系统，包括：传感器布置优化单元，用于利用有效独立法对数控机床的传感器位置进行优化计算，形成具有数控机床传感器优化布置方案；

数据采集及处理单元，用于使用数控机床优化布置方案为数控机床布置传感器，通过传感器在线采集用于描述数控机床运行状态的特征参数，利用改进多尺度熵对采集到的特征参数在不同尺度因子下进行数据处理，获得表征数控机床深层次特征信息；

工况识别单元，用于使用基于信息理论度量学习的数据重构方法对表征数控机床深层次特征信息进行度量学习，通过度量学习后完成原始特征空间的重构，生成数控机床的多工况数据；使用K均值聚类方法对数控机床多工况数据进行聚类辨识，生成工控辨识后的样本数据；

故障诊断优化单元，用于将辨识后的已知故障类型的数控机床样本数据输入数据驱动的数控机床长短时记忆网络数控故障诊断模型进行训练，并引入基于熵的正则化函数优化成本函数，利用误差梯度下降方法更新模型参数来最小化误差，并生成优化后的数控机床的故障诊断模型。

相应的，本发明还公开了一种数控机床多工况下故障诊断优化设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上文任一项所述的数控机床多工况下故障诊断优化方法步骤。

对比现有技术，本发明有益效果在于：本发明提出了一种数控机床多工况下故障诊断优化方法、系统及设备。通过对数控机床传感器进行布置优化，提高数据采集和利用的有效性，利用改进多尺度熵算法提取不同时间尺度的数控机床表征不同状态的特征信息，挖掘深层次的特征信息，提高不同状态之间特征的差异化；在此基础上利用ITML-K均值聚类进行数控机床工况辨识，以消除传统的聚类方法在多工况边界模糊情况下的辨识效果差的问题；最后利用基于熵的正则化函数来解决数据驱动的数控机床故障诊断模型在构建时出现的过拟合问题，以提高数控机床故障诊断模型的泛化性与准确率，实现数控机床故障诊断模型的优化。本发明对于提高数控机床运行安全性和可靠性，提高数控机床故障诊断率具有重要的帮助。

具体来说：

1.在采集数控机床的状态参数时，考虑到采集到的状态特征参数不能够最大限度的表征数控机床的运行状态，本发明提出利用有效独立法对传感器的布置进行优化计算，形成能够最大程度反映空间结构信息以及对空间结构的状态变化足够敏感的数控机床传感器布置方案，提高数据采集的有效性。

2.本发明将改进多尺度熵算法引入到数控机床监测信号的处理中来，充分利用其对信号多尺度复杂性的刻画能力，从不同时间尺度上提取数控机床不同状态的特征信息，提高不同状态特征信息的差异性，为后续工况辨识和故障诊断提供更加有效的数据。

3.在进行工况辨识时，本发明利用ITML算法有效的聚合相似样本，使不相似样本之间的差异最大化，有效解决聚类算法在复杂下的、差异化不明显的工况下各工况边界的模糊辨识问题，使模糊边界差异增大，有效提升聚类算法在工况辨识的效果，从而有效的实现工况的辨识，消除工况对诊断的干扰。

4.在进行多工况数控机床故障诊断时，本发明利用数据驱动的长短时记忆网络算法来进行故障诊断时，引入基于熵的正则化函数，以解决在数控机床故障诊断模型训练出现的过拟合问题，以提高数控机床故障诊断模型的泛化性与准确率，实现数控机床故障诊断模型的优化。

由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

附图1是本发明的方法流程图。

附图2是本发明的系统结构图。

具体实施方式

下面结合附图对本发明的具体实施方式做出说明。

如图1所示的一种数控机床多工况下故障诊断优化方法，包括如下步骤：

S1：利用有效独立法对数控机床的传感器位置进行优化计算，形成数控机床传感器优化布置方案。

本步骤的目的为实现传感器布置优化，可通过有效独立算法等优化处理方法对数控机床的传感器位置进行优化计算，使得采集到的数控机床特征参数能够尽可能的描述数控机床的运行状态。

传感器优化布置方案的生成过程是利用有效独立法(EI)对数控机床的传感器位置进行优化计算，形成具有代表性的数控机床传感器优化布置方案。有效独立法(EI)是从所有可能的测点位置出发，计算有效独立向量，按照目标模态矩阵的独立性排序，迭代依次删除对其秩贡献最小的自由度来达到测点优化目的。具体包含以下内容：

假设所有可能布置传感器位置数量为m，想要布置的传感器数量为s，那么结构的响应表示为式(1.1)：

u

其中

得到q＝(q

令Q＝(Φ

矩阵Q可以表示为式(1.4)：

Q

解矩阵Q的特征方程：

(Q-λI)Ψ＝0 (1.5)

Ψ

显然：

Ψ

其中，λ为Q的特征值，Ψ为Q的特征值为λ的特征向量。

构造矩阵E如式(1.8)所示；

E＝Φ

容易证明E

E的对角线元素代表相应传感器位置对模态识别中的贡献。如果E

S2：使用数控机床优化布置方案为数控机床布置传感器，通过传感器在线采集用于描述数控机床运行状态的特征参数，利用改进多尺度熵对采集到的特征参数在不同尺度因子下进行数据处理，获得表征数控机床深层次特征信息。

本步骤的目的在于实现数据采集及处理，根据传感器优化布置方案进行传感器的布置，采集数控机床实时运行数据，并通过改进多尺度熵对监测数据进行处理，从不同时间尺度因子上对原始数据进行粗粒化处理，对时间序列数据不同尺度因子下的复杂性和无规则程度进行度量，提取深层次的特征信息。

数据采集及处理，可利用数控机床优化布置方案布置传感器，在线采集包括主轴轴承振动、电机电流、工作台振动、加速度、主轴、滚珠丝杠、刀具温度值等传感信息，随后利用改进多尺度熵对采集到的传感信号在不同尺度因子下进行信号处理，得到表征数控机床深层次特征信息。该方法包括以下内容：

基于改进多尺度熵的深层次特征获取：

对于给定长度为N的一维时间序列{x

其中，τ是尺度因子，1≤j≤N-τ+1。

S3：使用基于信息理论度量学习的数据重构方法对表征数控机床深层次特征信息进行度量学习，通过度量学习后完成原始特征空间的重构，生成数控机床的多工况数据；使用K均值聚类方法对数控机床多工况数据进行聚类辨识，生成工控辨识后的样本数据。

本步骤的目的在于实现数控机床的工况辨识，利用ITML-K均值聚类进行数控机床工况辨识，对数控机床实际运行工况进行划分，并将不同子工况的信息进行分别存储，作为后续故障诊断的信息源，用以故障诊断分析。

工况辨识主要是利用信息理论度量学习(ITML)中度量学习通过距离将相似的样本有效的进行整合，通过度量学习后能够对原始特征空间进行重构，使得现有特征空间能够有效地将相似样本距离缩小，将不相似样本之间的距离变大，从而将多工况边界模糊问题变得清晰，利用K均值聚类方法对重构后的多工况数据进行聚类辨识。该方法具体包括以下内容：

A、基于信息理论度量学习的数据重构：

在信息理论度量学习(ITML)中，度量学习定义为(3.1)。

其中，KL是两个对应于现有度量M和已知度量M的高斯分布的相对熵，并且将距离的约束纳入度量学习中去，如公式(3.2)所示。

其中，u和l分别是相似(S)和不相似(D)之间的上限和下限。x

B、基于K均值聚类的多工况辨识：

设输入样本集X＝{x

其中，X

依次比较每一个样本到每一个聚类中心的距离，将样本分配到距离最近的聚类中心的类簇中，得到k个类簇{S

其中，c

定义代价函数即：

通过EM算法来迭代求解代价函数的最小值，当为最小值时迭代终止，完成工况的划分。

S4：将工控辨识后的已知故障类型的数控机床样本数据输入数控机床长短时记忆网络故障诊断模型进行训练，并引入基于熵的正则化函数优化成本函数，利用误差梯度下降方法更新模型参数来最小化误差，误差收敛后的模型即为优化后的数控机床故障诊断模型。

本步骤的目的在于利用基于熵的正则化长短时记忆网络来优化诊断模型，实现数控机床的故障诊断。

利用基于熵正则化长短时记忆网络进行数控机床故障诊断，将前面步骤中通过数据预处理以及工况辨识得到的已知故障类型的数控机床样本特征数据输入长短时记忆网络模型进行训练，引入基于熵的正则化函数来优化成本函数，完成数控机床的故障诊断。该方法具体包括以下内容：

A、基于长短时记忆网络的神经网络模型：

一组长短时记忆单元可由下列公式进行计算。

其中，I

遗忘门和输入门根据当前输入和先前的长短时记忆单元记忆向量C

C

通过输出门和记忆向量来计算当前步骤的隐藏状态向量：

h

B、基于熵正则化的诊断训练：

将长短时记忆网络中提取到的特征向量与一个全连接层进行连接，用作最后判断的依据，在此基础上引入Softmax函数作为分类器，利用训练数据的真实标签与模型的判断结果来进行比对并用交叉熵函数来计算判断的误差，在此基础上，引入熵正则化函数，将交叉熵函数与熵正则化函数进行结合，利用误差梯度下降方法更新模型参数来最小化误差，误差收敛后的模型即为最终的精确诊断模型。

Softmax分类器的输出表示如下：

其中σ

σ

z

交叉熵函数的定义如下：

基于熵的正则化函数定义如下：

其中，β

综合基于熵的正则化函数和交叉函数得到最后的成本函数：

通过上述方法，生成了精准的数控机床的故障诊断模型，即完成了数控机床在多工况下的状态监测及故障诊断的优化。对于待进行故障诊断的数控机床，首先实施上述方法中的步骤S1-S3，然后步骤S3生成的工控辨识后的已知故障类型的数控机床的样本数据输入到数控机床的故障诊断模型中，即可生成相应的故障诊断结果。

相应的，如图2所示，本发明还公开了一种数控机床多工况下故障诊断优化系统，包括：

传感器布置优化单元，用于利用有效独立法对数控机床的传感器位置进行优化计算，形成具有数控机床传感器优化布置方案。

数据采集及处理单元，用于使用数控机床优化布置方案为数控机床布置传感器，通过传感器在线采集用于描述数控机床运行状态的特征参数，利用改进多尺度熵对采集到的特征参数在不同尺度因子下进行数据处理，获得表征数控机床深层次特征信息。

工况识别单元，用于使用基于信息理论度量学习的数据重构方法对表征数控机床深层次特征信息进行度量学习，通过度量学习后完成原始特征空间的重构，生成数控机床的多工况数据；使用K均值聚类方法对数控机床多工况数据进行聚类辨识，生成工控辨识后的样本数据。

故障诊断优化单元，用于将辨识后的已知故障类型的数控机床样本数据输入数控机床长短时记忆网络故障诊断模型进行训练，并引入基于熵的正则化函数优化成本函数，利用误差梯度下降方法更新模型参数来最小化误差，并生成数控机床的故障诊断模型。

相应的，本发明还公开了一种数控机床多工况下故障诊断优化设备，包括：存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上文任一项所述的数控机床多工况下故障诊断优化方法步骤。

本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。

结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。