一种机床轴承故障诊断方法

技术领域

本发明涉及智能制造技术领域，尤其涉及一种机床轴承故障诊断方法。

背景技术

机床作为一种典型的制造设备，被称作工业的母机。机床中的故障如果不及时排除故障，可能会导致精度降低并影响生产效率和良品率。因此在智能制造车间中，故障诊断方法对于以轴承为关键组件的机床至关重要。

目前采用的数据驱动型故障诊断模型中，普遍使用机器学习算法和带有信号处理方法的分类器，数据驱动的方法可以直接从传感器收集的轴承振动信号中识别出故障，因此无需了解轴承的内部结构。

在实际应用中，数据驱动的故障诊断的方案已取得了一定的成就和效果。但是也存在一些缺陷，比如：带有机器学习算法的传统数据驱动方法严格要求训练和测试数据必须在相同的工作条件下并且具有相同的分布和特征空间。因此不适用于经常随时间变化的现实世界工作条件，因此很难获取数据。同时，对于这些机器学习方法，首先需要使用足够的训练数据来训练故障诊断模型；然后，在相同工作条件下的测试数据用于测试模型的性能；但是车间机床轴承的工作条件在现实世界中不可能保持不变；随着轴承工作时间的增加，故障直径变得越来越大，并且载荷不可能一直都相同。并且，规模越大、环节越多的自动化生产线，这个问题也就越突出。这就需要频繁得采集故障数据，但是实际运行中，采集故障数据也是会对实际生产造成一定程度上的破坏的，比如导致设备宕机、车间生产计划打乱等情况，这类破坏或许并不严重但是依旧会影响生产精度。由此可见，传统方法不适用于随时间变化的工作条件，存在很大的局限性。

发明内容

本发明的实施例提供一种机床轴承故障诊断方法，能够缓减为了采集故障数据而对实际机床轴承的破坏的问题。

为达到上述目的，本发明的实施例采用如下技术方案：

建立数字孪生车间，并在所述数字孪生车间加载机床的加工任务，其中，数字孪生车间对应现实车间；采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型，其中，所述第一类故障诊断模型包括：数字孪生车间中的机床轴承的故障诊断模型；对所生成的故障诊断模型进行变工况迁移学习训练，并得到第二类故障诊断模型，其中，所述第二类故障诊断模型包括：所述现实车间中的机床轴承的故障诊断的模型；利用所述第二类故障诊断模型检测所述现实车间中的机床轴承的故障。

本发明实施例提供的机床轴承故障诊断方法，本发明提出数字孪生与故障诊断融合的方法，运用数字孪生来模拟实际机床加工过程中轴承的状态变化来采集数字孪生空间中机床轴承的数据，以此来训练虚拟空间中机床轴承故障诊断的模型，缓减了为了采集故障数据而对实际机床轴承的破坏的问题。其中运用深度迁移学习将数字孪生空间中机床轴承故障诊断的模型迁移到现实车间中的机床轴承上，运用现实车间机床轴承的少量数据再次训练此模型，即可获得现实车间机床轴承的故障诊断模型。可以避免采集现实车间轴承的全生命周期数据而消耗大量的时间成本，并且避免了由于需要采集故障数据而导致设备宕机、车间生产计划打乱等情况的发生。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的基于数字孪生和深度迁移学习的机床轴承故障诊断流程图；

图2为本发明实施例数字孪生车间与现实车间对应关系图；

图3为本发明实施例提供的改进深度残差学习算法框架图；

图4为本发明实施例提供的dropout网络架构图；

图5为本发明实施例提供的基于数字孪生的过程可视化系统的示意图；

图6为本发明实施例提供的机床轴承故障诊断系统的示意图；

图7为本发明实施例提供的方法流程的示意图；

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明实施例提供一种机床轴承故障诊断方法，如图7所示，包括：

S1、建立数字孪生车间，并在所述数字孪生车间加载机床的加工任务。

其中，数字孪生车间对应现实车间。

S2、采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型。

其中，所述第一类故障诊断模型包括：数字孪生车间中的机床轴承的故障诊断模型。

S3、对所生成的故障诊断模型进行变工况迁移学习训练，并得到第二类故障诊断模型。

其中，所述第二类故障诊断模型包括：所述现实车间中的机床轴承的故障诊断的模型。

S4、利用所述第二类故障诊断模型检测所述现实车间中的机床轴承的故障。

如图1所示的，本实施例中，在数字孪生车间中仿真生成机床轴承故障数据，建立数字孪生空间中的机床轴承故障诊断模型，根据采集的现实车间中少量的机床轴承故障数据，将数字孪生空间中的机床轴承故障诊断模型进行变工况迁移学习训练，从而生成能够适应现实车间中机床轴承故障诊断的模型，对于变工况的机床轴承，无需大量故障数据，即可建立能够适应当前工况的机床轴承故障诊断模型，通过数字孪生辅助，可以在虚拟空间和现实空间全程监控轴承的健康状态。具体实现中，技术人员可以根据机床轴承所在车间的实际情况，进行车间机床及包括轴承在内的内部元件的数字孪生模型设计，该数字孪生模型能够实时采集车间机床数据并能够反应车间机床的生产状况。在所建立好的数字孪生车间中，仿真运行机床的加工任务，采集仿真运行中的机床轴承故障数据，运用深度学习对仿真数据进行预训练，得出数字孪生车间中的轴承故障诊断模型。将数字孪生空间中的机床轴承故障诊断模型进行变工况迁移学习训练，从而生成能够适应现实车间中机床轴承故障诊断的模型。

本实施例中通过在数字孪生车间中仿真生成机床轴承故障数据，建立数字孪生空间中的机床轴承故障诊断模型，根据采集的现实车间中少量的机床轴承故障数据，将数字孪生空间中的机床轴承故障诊断模型进行变工况迁移学习训练，从而生成能够适应现实车间中机床轴承故障诊断的模型，其特征在于：对于变工况的机床轴承，无需大量故障数据，即可建立能够适应当前工况的机床轴承故障诊断模型，通过数字孪生辅助，可以在虚拟空间和现实空间全程监控轴承的健康状态。

进一步的，在建立数字孪生车间之前，还包括：

S01、通过安装在所述现实车间中的三维激光扫描仪，获取采集所述现实车间的点云数据。

其中，所述三维激光扫描仪所扫描的对象，至少包括：所述现实车间中安装的机床。

S02、利用所述现实车间的点云数据，建立数字孪生模型。

其中，所述数字孪生模型所表示的对象，至少包括了：所述现实车间中安装的机床的整体结构和内部元件，所述内部元件包括：机床的轴承。

具体在S02，中利用所述现实车间的点云数据，建立数字孪生模型中，包括：

S021、通过OPC UA通讯构架读取所述现实车间中的机床设备的实时运行数据。

S022、将所述实时运行数据存入数据库并作为Unity数据驱动引擎的源数据。

其中，所述Unity数据驱动引擎用于驱动所述数字孪生模型。本实施例中所述的数据联通，可以理解为：利用三维激光扫描技术构建车间数控设备数字孪生模型,通过OPC UA通讯构架读取机床设备的实时运行数据,并转化格式后存入数据库作为指导Unity数据驱动引擎的源数据,使用Unity数据驱动引擎去驱动数字孪生模型,从而实现物理模型与数字孪生模型的同步运动，即数据联通。

现有方案中获取故障数据，以机床轴承故障为例，需要对机床轴承进行加速破坏实验。而本实施例的方案中，只需要在数字孪生模型中利用仿真数据训练后，再进行模型迁移即可。模型迁移时，需要用到实际机床的少量故障数据来训练，即可完成实际机床的模型训练。本实施例中的数据实时感知是指机床平时工作时传感器采集的数据，包括大量正常数据和少量故障数据在内，无需为了获得大量机床故障数据来破坏机床轴承。

本实施例中可以采用三维激光扫描仪从所述现实车间中采集点云数据，进行点云的预处理、配准、拼接从而建立车间机床及包括轴承在内的内部元件的数字孪生模型。数字孪生模型与现实车间的实际机床实现了数据联通，在数字孪生车间运行过程中，现实车间实际机床的所有数据会被实时感知并传送给数字孪生车间，数字孪生模型能够实时采集数据并实时显示车间实际机床的状态，通过车间实际机床与数字孪生模型的实时交互，二者能够及时地掌握彼此的动态变化并实时地做出响应，生产过程不断地得到优化。

具体的在S2中，所述采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型，包括：

S21、将所述机床的加工任务导入所述数字孪生车间进行模拟仿真，并采集仿真故障数据作为源域数据。

S22、对所得到的源域数据进行预处理后，导入深度残差学习算法进行训练，当训练的准确率达到100％时，得到所述第一类故障诊断模型。

本实施例中迁移学习训练所使用的训练数据分为“源域数据”和“目标域数据”，二者皆为机器学习领域中的常用称呼。本实施例中所仿真出的“仿真故障数据”用于迁移学习的源域数据进行训练；而机床实际采集的数据，则用于迁移学习的目标域数据进行训练。实际应用中，对源域数据的预处理包括：运用均值插补来处理缺失值以及数据归一化等手段。例如图2所示的，将大量的订单加工任务在数字孪生车间中模拟仿真运行，以便于采集数字孪生车间中机床的大量仿真故障数据，从而能够得到足够多的源域数据。然后将所采集的源域数据，即数字孪生车间中机床的大量仿真故障数据进行预处理后，导入改进的深度残差学习算法进行训练，在训练次数达到630次后，训练的准确率达到100％，从而得出了得出数字孪生车间中的轴承故障诊断模型。之后通过数字孪生车间中机床轴承故障诊断的模型给出故障诊断结果：正常数据、内圈故障、滚动体故障或中心外圈故障。

进一步的，S221中所述导入深度残差学习算法进行训练，包括：

S2211、利用dropout网络结构对所述故障数据进行预处理，其中，所述故障数据包括所述机床的振动数据。

S2212、在完成预处理后，对所述故障诊断模型进行参数结构设定。

S2213、加载所设定的参数并对所述故障诊断模型进行训练。

优选方案中，S2212中对所述故障诊断模型进行参数结构设定，包括：设定训练代数设置为30代，训练次数设置为180次，学习率为0.001，并在训练完成后将所设定的参数结构进行存储。

S2213、在对所述故障诊断模型进行训练的过程中，包括：

加载改进的深度残差学习算法进行训练，其中所述改进的深度残差学习算法包括：

r

y

其中，在进行训练的过程中，在每个神经元进行概率性关停，f表示激活函数,y表示输出值。z表示神经元求和之后的值，i表示神经元的个数，r表示神经元关停的概率(0或者1)，w表示权重，b

举例来说，本实施例可以采用如图3所示的改进深度残差学习算法框架，通过改进的深度残差学习算法训练过程包括：

在训练的时候，首先需要将所有采集到振动数据进行标准化处理，并利用原始数据拼接法进行图像转化。具体在本发明采用dropout网络结构直接利用原始数据，进行简单处理就可以进行训练和预测，整个过程不需要对信号进行任何时频域转换以及其它信号处理技术。

其次，数据预处理完成后，进行模型的参数结构设定，训练代数设置为30代，训练次数设置为180次，学习率为0.001，整个网络的训练后的参数可以保存为Matlab中的.m文件，只要训练一次后，在相同场景下都可以加载训练好的权重文件进行预测。

所保存的权重文件可以动态更新，即在当前的训练参数上重新进行训练，这样潜在的增加了模型的训练代数，当发现新的故障时，可以动态地训练模型，使模型日趋完善。

最后，当模型达到学习率0.001或最大训练次数180次后，模型训练完毕，由于模型训练的时候都是带有标签的数据，标签就是轴承的故障类型，这样，只要训练好模型，就无需依赖于操作人员的经验，模型的输出就是机床轴承的故障类型。具体的，该诊断模型的深层网络结构，如图4为本发明实施例提供的dropout网络架构图，能够更好地表征轴承振动信号与轴承状态之间的复杂非线性关系。

该改进深度残差学习算法中，dropout层的实现的计算过程即采用上述的公式(1)～(6)所示的计算过程。训练阶段需要在每个神经元进行概率性关停。式(3)用到了Bernolli函数。伯努利函数的作用就是根据概率生成一定长度的由0和1组成的随机组成的向量。另外，f代表了激活函数。y代表输出。z表示神经元求和之后的值，经过激活函数变为输出。

具体的在S3中，所述对所生成的故障诊断模型进行变工况迁移学习训练，并得到第二类故障诊断模型，包括：

S31、从所述现实车间中采集目标域数据。

S32、利用所述目标域数据进行样本迁移训练，并生成变工况条件下的第二类故障诊断模型。

对采集自现实车间中的目标域数据进行数据预处理。用少量的目标域数据进行迁移学习训练，本发明中的迁移训练选择样本迁移训练，对应的神经网络的输出标签也会自行根据目标域数据的标签进行相应调整与修改。继续运用样本迁移训练，生成变工况条件下的能够适应现实车间中机床轴承故障诊断的模型。通过现实车间中机床轴承故障诊断的模型给出故障诊断结果：正常数据、内圈故障、滚动体故障、中心外圈故障、正交外圈故障或正对外圈故障。需要说明的是，本实施例中所提及各种数据类型，包括：采集自现实车间的点云数据；现实车间中的机床设备的实时运行数据(实时运行数据中包含了正常运行的数据和故障数据)；机床的故障数据，故障数据的类型可以有多种，例如机床的振动数据，尤其是机床轴承的振动数据。实际应用中，可以如图1所示的，对不同的故障设置相应的标签；迁移学习的训练数据分为“源域数据”和“目标域数据”，其中，仿真出的“仿真故障数据”是用于迁移学习的源域数据进行训练的。而机床实际采集的数据，是用于迁移学习的目标域数据进行训练的。本实施例的主要思路在于通过用少量的目标域数据进行迁移学习训练，即是指采集的少量目标域数据，即实际机床所采集的故障数据。

进一步的在S32中，所述样本迁移训练，包括：

设定源域数据的标签为0，目标域数据的标签为1。将建模样本划分为第一部分和第二部分，利用所述第一部分进行建模并通过所述第二部分对所述第一故障诊断模型进行预测，再根据预测结果得到所述所建立的模型对于源域数据和目标域数据的区分度。即对于仿真出的数据所建立的故障诊断模型(第一故障诊断模型)，通过源域数据和目标域数据的区分度来进行迁移学习，从而将第一故障诊断模型中的参数优化成适应实际机床故障的第二类故障诊断模型。之后，对区分度大于预设程度的预测结果进行归一化处理，之后带入所述第二故障诊断模型的样本权重参数进行训练，具体的，为了提高第二故障诊断模型的精度，对区分度大于预设程度的预测结果进行归一化处理后再带入第二故障诊断模型，进行模型参数优化训练。其中，所述第一部分的数据量大于所述第二部分。例如图5所示的：

本实施例可以实现为基于数字孪生的过程可视化系统，所述S32中迁移学习的具体流程如下：

S321：定义机床轴承所采集的源域数据和目标域数据，源域的数据标签为0，目标域的数据标签为1；

S322：对S22中所训练的模型进行交叉验证建模，在给定的建模样本中，拿出大部分样本进行建模，留小部分样本用刚建立的模型进行预测，并求这小部分样本的预测误差，记录它们的平方加和，以此来判断模型对于目标域和源域的区分度；

S323：如果这小部分样本的预测误差的方加和偏小，说明本次训练的模型区分度较高，将预测结果进行归一化处理后，带入模型的样本权重参数进行训练；

S334：如果这小部分样本的预测误差的方加和偏大，说明本次训练的模型区分度有待提高，有以下两种情况导致区分度不高：如果分错的样本出现在源域，则认为和目标域的差异大，进行降权的处理；如果分错的样本出现在目标域，则认为模型学习还不够充分，要加强学习；

S335：模型的预测误差修正后，模型故障诊断的结果会在基于数字孪生的过程可视化系统直观显示出来。

再如图6所示的机床轴承故障诊断系统,图中功能按钮区域可以依次完成相应功能。“源域数据预处理”按钮按下后，将对数字孪生车间中的机床轴承数据进行预处理；“训练网络”按钮按下后，将对数字孪生车间中的机床轴承故障诊断模型进行训练；“目标域数据预处理”按钮按下后，将对实际车间中的机床轴承数据进行预处理；“迁移训练数据”按钮按下后，将对实际车间中的机床轴承故障诊断模型进行训练。

本实施例中提出一种基于数字孪生和深度迁移学习的机床轴承故障诊断方法，运用数字孪生来模拟实际机床加工过程中轴承的状态变化来采集数字孪生空间中机床轴承的数据，以此来训练虚拟空间中机床轴承故障诊断的模型，避免了为了采集故障数据而对实际机床轴承的破坏。运用深度迁移学习将数字孪生空间中机床轴承故障诊断的模型迁移到现实车间中的机床轴承上，运用现实车间机床轴承的少量数据再次训练此模型，即可获得现实车间机床轴承的故障诊断模型。本发明所提出的方法可以避免采集现实车间轴承的全生命周期数据而消耗大量的时间成本，并且避免了由于需要采集故障数据而导致设备宕机、车间生产计划打乱等情况的发生。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。