CN110405537B - 一种基于深度学习的导轨精度预测模型的建立方法 - Google Patents

一种基于深度学习的导轨精度预测模型的建立方法 Download PDF

Info

Publication number
CN110405537B
CN110405537B CN201910645915.0A CN201910645915A CN110405537B CN 110405537 B CN110405537 B CN 110405537B CN 201910645915 A CN201910645915 A CN 201910645915A CN 110405537 B CN110405537 B CN 110405537B
Authority
CN
China
Prior art keywords
guide rail
vibration
state
sound
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910645915.0A
Other languages
English (en)
Other versions
CN110405537A (zh
Inventor
吴继春
方海国
阳广兴
罗涛
胡裕栋
周会成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN201910645915.0A priority Critical patent/CN110405537B/zh
Publication of CN110405537A publication Critical patent/CN110405537A/zh
Application granted granted Critical
Publication of CN110405537B publication Critical patent/CN110405537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于深度学习的导轨精度预测模型的建立方法，包括以下步骤：S1、声音信号采集装置采集导轨运行的声音，并将声音送入已训练好的声音处理模型；S2、同时振动信号采集装置采集振动运行的状态数据，并将振动数据送入振动处理模型进行处理；S3、结合声音处理模型与振动处理模型的状态数据对导轨的精度状态进行判断；S4、根据导轨的状态进行相应的决策。本发明结合声音和振动两种信号，并运用了深度学习算法，对导轨的精度进行检测以维持导轨的精度，自适应好，能够自适应、自我学习、自我诊断，以具有较高的应用价值。

Description

一种基于深度学习的导轨精度预测模型的建立方法
技术领域
本发明属于机械制造技术领域，涉及一种基于深度学习的导轨精度预测模型的建立方法。
背景技术
我国制造业快速发展，机床作为制造领域的主要设备发挥着巨大的作用，导轨作为机床的重要部分，对加工零件的精度影响重大，现有的技术对于导轨表面主要集中在于仿用真模拟、激光扫描图像等对导轨表面的磨损进行识别，虽然达到一定的效果，但是机床在切削过程中的环境是实时变化的，在面对导轨杂粒磨损、氧化磨损、润滑不良等现象方面，及时的保养维护和及时的修复，可以有效避免导轨精磨损严重、寿命降低等对精度造成影响。
发明内容
本发明的目的在于提供一种基于深度学习的导轨精度预测模型的建立方法，对导轨进行预维护来保护导轨精度，本发明采集机器运行声音信号，经过由卷积神经网络训练好的模型进行识别，并同时对导轨采集的瞬时的振动信号进行标记，并将标记后的振动信号作为训练集进行训练，最终得到导轨精度保持的模型。
其具体技术方案为：
本发明提供一种基于深度学习的导轨精度预测模型，其特征在于，包括导轨、数据采集部分、数据处理部分和导轨状态判断与执行部分：
所述导轨用于提供待检测数据的来源；
所述数据采集部分包含了声音采集部分，与振动采集部分；
所述数据处理部分包含了音频数据的处理部分与振动数据的处理部分；所述音频数据的处理部分包括：声音处理模型；所述声音处理模型对导轨磨损状态以及故障类型进行分类识别，并将识别到的数据传递至导轨状态判断与执行部分；所述振动数据的处理部分包括：振动处理模型；所述振动处理模型用于对所述振动采集部分获取的振动数据进行训练，并获取导轨运行状态劣化曲线；
所述导轨状态判断与执行部分，包含了对于导轨运行状态的判定，与最终的需要执行的结果；所述导轨状态判断部分包括：振动状态判断部分以及声音状态判断部分；所述振动状态判断部分基于劣化曲线获取导轨运行状态变化趋势，结合磨损深度设置阈值保证导轨精度，当超过阈值执行相应决策；所述声音状态判断部分是声音处理模型以识别到的数据判断导轨运行状态，直接分类得出导轨目前状态；
所述执行部分基于所述振动状态判断部分以及声音状态判断部分共同的状态判断结果，对导轨执行相应的决策。
本发明还提供一种基于深度学习的导轨精度预测模型的建立方法，包括以下步骤：
S1、声音信号采集装置采集导轨运行的声音，并将声音送入已训练好的声音处理模型；所述声音处理模型对导轨磨损状态以及故障类型进行分类识别，并将识别到的数据传递至导轨状态判断与执行部分；
S2、同时振动信号采集装置采集振动运行的状态数据，并将振动数据送入振动处理模型进行处理；所述振动处理模型对所述振动采集部分获取的振动数据进行训练，并获取导轨运行状态劣化曲线；
S3、结合声音处理模型与振动处理模型的状态数据对导轨的精度状态进行判断；
判断部分由振动与声音状态共同的结果得出；
其中振动部分：根据振动数据劣化曲线知道导轨的运行状态变化趋势，在曲线图上通过设置阈值来保证导轨的精度，或者结合磨损深度设置阈值，当超过阈值时进行相应的决策；
磨损深度设置阈值具体过程：在导轨中对精度影响比较大的是直线度，而导轨的直线度A用磨损深度hm表示，通过计算导轨的劣化曲线的趋势，得到导轨的精度衰减变化Δh，采用每次磨损Δhij的累加值计算得到直线度A，Δhij表示第i次采样点的第j次磨损；设置阈值Amax，当A<Amax，表示导轨精度在安全范围之内，否则反之；
其中声音部分：声音处理模型根据声音信号对机器的运行状态进行判断，直接分类得出机器目前的状态；
S4、根据导轨的状态进行相应的决策。
进一步，在步骤S1中，通过声音信号采集装置，麦克风、拾音器、测声器对导轨运行时的声音进行采集，其中已经训练好的声音处理模型为训练好的卷积神经网络算法，该算法通过前期训练对磨损状态以及一些常见的故障类型进行识别；当声音处理模型识别出为故障类别时，或者载荷突然增大造成的磨损时，声音处理模型将识别到的数据传递到导轨状态判断与执行部分。
进一步，在步骤S1中，所述声音处理模型的训练方法，具体包括以下步骤：
(1)在导轨运行时，利用声音采集装置采集声音，按运行状况将音频进行分类标签；如：故障F0、F1、F2······；磨损W1、W2、W3······；正常、其他；
(2)按照Tms每帧，Nms帧移，对音频消耗对每种信号进行截取，转化为频谱图；
(3)通过卷积层频谱图进行提取特征：利用激活层增加非线性因素，池化层降低数据尺寸；
(4)重复步骤(3)；
(5)经过训练后，最后全连接层完成分类；
训练时，在全连接层使用随机失活的方法防止过拟合函数，为了防止权值更新过慢，使用交叉熵代价函数作为损失函数，此模型在导轨运行的时候对剥离损伤、导轨杂粒磨损、氧化磨损的状态进行识别。
进一步，步骤S2中，在导轨振动测量中，振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，因此振动中包含着具体的故障细节；当振动信号采集装置采集到振动信号时，同时声音处理模型通过导轨运行的声音对实时状态情况进行了分类识别。
其中如图3，步骤S2中振动处理模型的训练过程为：
S2.1、预处理，为了便于计算，将振动信号统一成未定的大小或者长度，如：每一小段取值长度为T；
S2.2、对数据集进行训练：
(1)将预处理后的长度为T的片段送入深度置信网络中受限玻尔兹曼机RBM中，训练第1个RBM，使其达到稳定状态；
(2)将上一个RBM的得到的输出作为下一个RBM的可视层的输入，直至稳定状态；
(3)重复步骤(2)直到最后一个RBM训练完成；
(4)用反向传播算法微调各层层数，使整个网络找到最优的参数{W，a，b}；
S2.3、训练完成模型之后，对导轨的运行状态进行在线判断：首先提取实时信号的特征，让测试信号通过RMB前几层，将其作为特征提取器提取特征，再通过主成分分析法PAC提取导轨状态的关键特征，并计算特征向量间的相似度，相似度计算用：
Figure GDA0003260745110000041
d越小表示导轨的状态越好，越大表示状态越差；根据相似度画出导轨运行状态的劣化曲线，至此完成了导轨运行状态的曲线图。
进一步，步骤S3具体为：判断与决策两部分，其中判断部分由振动与声音声音状态共同的结果得出；
其中振动部分：根据振动数据劣化曲线可以知道导轨的运行状态变化趋势，可以在曲线图上通过设置阈值来保证导轨的精度，也可以结合磨损深度设置阈值,当超过阈值时进行相应的决策。
结合磨损深度设置阈值，当超过阈值时进行相应的决策。磨损深度设置阈值具体过程：
在导轨中对精度影响比较大的是直线度，而导轨的直线度A可用磨损深度hm表示，通过计算导轨的劣化曲线的趋势，可以得到导轨的精度衰减变化Δh，因此可以采用每次磨损Δhij的累加值计算得到直线度A，Δhij表示第i次采样点的第j次磨损的累加为计算导轨的直线度用公式，即：
Figure GDA0003260745110000042
h基为初始磨损的基准。
其中声音部分：声音处理模型可以根据声音信号对机器的运行状态进行判断，可以直接分类得出机器目前的状态：故障F0、F1、F2······；磨损W1、W2、W3······；正常、其他。
进一步，步骤S4的最后决策部分如表1所示：
其中表1中数字“1”，在声音中表示正常状态；在振动中表示直线度A小于预设的阈值，即正常状态；表中数字“0”，在声音中，表示除正常以外的其他声音，包括振动突然增大的造成的磨损、以及导轨其他异常造成的磨损、以及突然故障等。
如表1，当处于状态1时，表示从声音与振动检测的结果都是正常状态，导轨保持继续运动；当处于状态2时，表示从振动方面已经检测到导轨处于磨损状态，因为振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，但是此时声音方面没有检测到，为了保证精度进行警告提醒；当处于状态3时，表明声音已经检测到导轨有异常状态，可能是磨损、故障、其他等问题，但是振动没有检测出来，此时不会停止运行，但会发出提醒警告，并显示具体问题类别；当处于状态4时，由声音和振动方面都检测到异常，说明目前的磨损已经比较严重，精度已经不能保证，最后的进行停止运行。
与现有技术相比，本发明的有益效果：
现有的关于导轨精度保持模型相关的技术方案主要集中在运用统计学规律、基于Archard模型、运用动力学特性的理论模型等方法，与现有方法相比，本发明运用了深度学习算法，实现了自主学习，通过卷积神经网络构建对声音识别的声音处理模型，实时掌握运行过程中的磨损情况，并结合振动信号，通过神经网络拟合出导轨的磨损情况，综合两者的信号最后做出决策，自适应好，能够自适应、自我学习、自我诊断，具有较高的应用价值。
附图说明
图1为本发明一个基于深度学习的导轨精度保持模型方法的流程示意图；
图2为本发明本训练声音处理模型的卷积神经网络原理图；
图3为振动处理模型的中受限玻尔兹曼机(RBM)结构示意图；
图4为振动处理模型的原理图；
图5为表面磨损与直线度的关系示意图。
具体实施方式
以下结合附图和具体实施方案对本发明的技术方案作进一步详细地说明。如图1所示，导轨1用于提供待检测数据的来源；数据采集部分2包含了声音采集部分，与振动采集部分；数据处理部分3包含了音频数据的处理部分与振动数据的处理部分；导轨状态判断与执行部分4包含了对于导轨运行状态的判定，与最终的需要执行的结果。
一种基于深度学习的导轨精度预测模型的建立方法，包括以下步骤：
S1、声音信号采集装置采集导轨运行的声音，并将声音送入已训练好的声音处理模型；
S1.1、一般线导轨有轻微的剥离损伤，都会发出异常音和不规则音，因此本发明通过声音信号采集装置，可以是麦克风、测声器、拾音器等对导轨运行时的声音进行采集，其中已经训练好的声音处理模型为训练好的卷积神经网络算法，当声音处理模型是识别出轻微的故障，例如轻微的异物进入、导轨润滑不足等没有出现磨损时，该算法通过前期训练可以对磨损状态以及一些常见的故障类型进行识别。当声音处理模型识别出为故障类别时，或者载荷突然增大造成的磨损时，声音识别模块将识别到的数据传递到图1中4部分：导轨状态判断与执行部分。
S1.2、如图2，S1中，声音处理模型训练方法具体包括以下步骤：
(1)在导轨运行时，利用声音采集装置采集声音，按运行状况将音频进行分类标签，如：故障F0、F1、F2······；磨损W1、W2、W3······；正常、其他；
(2)按照Tms每帧，Nms帧移，对音频消耗对每种信号进行截取，转化为频谱图；
(3)通过卷积层频谱图进行提取特征：利用激活层增加非线性因素，池化层降低数据尺寸；
(4)重复步骤(3)，
(6)经过训练后，最后全连接层完成分类；
训练时，在全连接层使用随机失活的方法防止过拟合函数，为了防止权值更新过慢，使用交叉熵代价函数作为损失函数，此模型在导轨运行的时候可以对剥离损伤、导轨杂粒磨损、氧化磨损等状态进行识别。
进一步，步骤S2中，在导轨振动测量中，振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，因此振动中包含着具体的故障细节。当振动信号采集装置采集到振动信号时，同时声音处理模型通过导轨运行的声音对实时状态情况进行了分类识别；
S2、同时振动信号采集装置采集振动运行的状态数据，并将振动数据送入振动处理模型进行处理；
S2.1、预处理，为了便于计算，将振动信号统一成未定的大小或者长度，如：每一小段取值长度为T。
S2.2、对数据集进行训练
(1)、将预处理后的长度为T的片段送入深度置信网络中受限玻尔兹曼机(RBM)中，训练第1个RBM，使其达到稳定状态，如图3所示：
RBM由可视层V和隐藏层H组成，其中an为可视层第n单元的偏置，bn为隐藏层第n单元的偏置，W可视层V和隐藏层组H链接的权重向量。
当训练样本V1＝(v11,v12,v13…v1n-1,v1n)输入到可视层V时，通过Gibbs采样得到隐藏层H的输出H1＝(h11,h12,h13…h1n-1,h1n)，其中h1n＝Gibas(fs(an+∑iwinvn))，fs是s型激活函数，且fs产生的值需在(0,1)之间，如果大于1取1，小于0取0。
(2)、计算RBM中的{W,a,b}，如图3，在第一个RBM中，即：
W＝μW+ε(h′1v1-h′2v2)；
a＝μa+∑(v1-v2)′；
b＝μb+∑(h1-h2)′；
其中μ是为了克服训练陷入局部极小值，引入的为力学习率一般取值在0.5～0.9之间，ε是学习率，数值代表每次调节的步长，一般取值在0.005～0.200之间。
用均方误差评判RBM的训练精度，即：
Figure GDA0003260745110000071
其中，v1为可视层的输入，v2为可视层的重构输出。
将上一个RBM的(即第1个)得到的输出H1＝(h11,h12,h13…h1n-1,h1n)作为下一个(即第2个)RBM的可视层的输入，如图3：在第二个RBM中，H1相当于第一个RBM的V，输出H2相当于第一个RBM的中H1，并计算第二个RBM中的{W,a,b}。
(3)、重复步骤(2)直到最后一个RBM训练完成。
(4)、用反向传播算法微调各层层数，使整个网络找到最优的参数{W,a,b}。
如图4的联想记忆两层中，顶层用于层数拟合，其中标签神经元用于进行有监督学习，以便于对于整个网络进行微调。
训练完成模型之后，就可以对导轨的运行状态进行在线判断：首先提取实时信号的特征，让测试信号通过RMB前几层，将其作为特征提取器提取特征，再通过主成分分析法(PAC)提取导轨状态的关键特征，并计算特征向量间的相似度，相似度计算用：
Figure GDA0003260745110000081
d越小表示导轨的状态越好,越大表示状态越差。根据相似度画出导轨运行状态的劣化曲线，至此完成了导轨运行状态的曲线图。
S3、结合声音处理模型与振动处理模型的状态数据对导轨的精度状态进行判断；
S3.1、其中声音处理模型由声音信号得出的结果：声音处理模型可以根据声音信号对机器的运行状态进行判断，可以直接分类得出机器目前的状态：故障F0、F1、F2······；磨损W1、W2、W3······；正常；将最后识别出来的正常状态标记为1，其他的状态标记为0；
S3.2、其中振动处理模型由振动得到的信号结果：导轨直线度的变化对加工工件的尺寸与表面精度影响较大，根据劣化曲线可以知道导轨的运行状态变化趋势，可以在曲线图上通过设置阈值来保证导轨的精度，也可以结合磨损深度设置阈值，当超过阈值时进行相应的决策。
磨损深度设置阈值具体过程：如图5所示，导轨的直线度A可用磨损深度hm表示，通过计算导轨的劣化曲线的趋势，可以得到导轨的精度衰减变化Δh，因此可用导轨每次磨损Δhij的累加值计算得到直线度A，Δhij表示第i次采样点的第j次磨损，最终导轨的直线度可以表示为：
Figure GDA0003260745110000082
h基为初始磨损的基准，设置阈值Amax，当A＜Amax，表示导轨精度在安全范围之内，用状态1表示，否则用0表示，通过A-Amax可得到此时导轨的有效的精度寿命。
S4、根据导轨的状态进行相应的决策。
其中表1中数字“1”，在声音中表示正常状态；在振动中表示直线度A小于预设的阈值，即正常状态；表中数字“0”，在声音中，表示除正常以外的其他声音，包括振动突然增大的造成的磨损、以及导轨其他异常造成的磨损、以及突然故障等。
如表1，当处于状态1时，表示从声音与振动检测的结果都是正常状态，导轨保持继续运动；当处于状态2时，表示从振动方面已经检测到导轨处于磨损状态，因为振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，但是此时声音方面没有检测到，为了保证精度进行警告提醒；当处于状态3时，表明声音已经检测到导轨有异常状态，可能是磨损、故障、其他等问题，但是振动没有检测出来，此时不会停止运行，但会发出提醒警告，并显示具体问题类别；当处于状态4时，由声音和振动方面都检测到异常，说明目前的磨损已经比较严重，精度已经不能保证，最后的进行停止运行。
表1决策判定表：
Figure GDA0003260745110000091
以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (7)

1.一种基于深度学习的导轨精度预测模型，其特征在于，包括导轨、数据采集部分、数据处理部分和导轨状态判断与执行部分：
所述导轨用于提供待检测数据的来源；
所述数据采集部分包含了声音采集部分，与振动采集部分；
所述数据处理部分包含了音频数据的处理部分与振动数据的处理部分；所述音频数据的处理部分包括：声音处理模型；所述声音处理模型对导轨磨损状态以及故障类型进行分类识别，并将识别到的数据传递至导轨状态判断与执行部分；所述振动数据的处理部分包括：振动处理模型；所述振动处理模型用于对所述振动采集部分获取的振动数据进行训练，并获取导轨运行状态劣化曲线；
所述导轨状态判断与执行部分，包含了对于导轨运行状态的判定，与最终的需要执行的结果；所述导轨状态判断部分包括：振动状态判断部分以及声音状态判断部分；所述振动状态判断部分基于劣化曲线获取导轨运行状态变化趋势，结合磨损深度设置阈值保证导轨精度，当超过阈值执行相应决策；所述声音状态判断部分是声音处理模型以识别到的数据判断导轨运行状态，直接分类得出导轨目前状态；
所述执行部分基于所述振动状态判断部分以及声音状态判断部分共同的状态判断结果，对导轨执行相应的决策。
2.一种根据权利要求1所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，包括以下步骤：
S1、声音信号采集装置采集导轨运行的声音，并将声音送入已训练好的声音处理模型；所述声音处理模型对导轨磨损状态以及故障类型进行分类识别，并将识别到的数据传递至导轨状态判断与执行部分；
S2、同时振动信号采集装置采集振动运行的状态数据，并将振动数据送入振动处理模型进行处理；所述振动处理模型对所述振动采集部分获取的振动数据进行训练，并获取导轨运行状态劣化曲线；
S3、结合声音处理模型与振动处理模型的状态数据对导轨的精度状态进行判断；
判断部分由振动与声音状态共同的结果得出；
其中振动部分：根据振动数据劣化曲线知道导轨的运行状态变化趋势，在曲线图上通过设置阈值来保证导轨的精度，或者结合磨损深度设置阈值，当超过阈值时进行相应的决策；
磨损深度设置阈值具体过程：在导轨中对精度影响比较大的是直线度，而导轨的直线度A用磨损深度hm表示，通过计算导轨的劣化曲线的趋势，得到导轨的精度衰减变化Δh，采用每次磨损Δhij的累加值计算得到直线度A，Δhij表示第i次采样点的第j次磨损；设置阈值Amax，当A<Amax，表示导轨精度在安全范围之内，否则反之；
其中声音部分：声音处理模型根据声音信号对机器的运行状态进行判断，直接分类得出机器目前的状态；
S4、根据导轨的状态进行相应的决策。
3.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S1中，通过声音信号采集装置，麦克风、拾音器、测声器对导轨运行时的声音进行采集，其中已经训练好的声音处理模型为训练好的卷积神经网络算法，该算法通过前期训练对磨损状态以及一些常见的故障类型进行识别；当声音处理模型识别出为故障类别时，或者载荷突然增大造成的磨损时，声音处理模型将识别到的数据传递到导轨状态判断与执行部分。
4.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S1中，所述声音处理模型的训练方法，具体包括以下步骤：
(1)在导轨运行时，利用声音采集装置采集声音，按运行状况将音频进行分类标签；
(2)按照Tms每帧，Nms帧移，对音频消耗对每种信号进行截取，转化为频谱图；
(3)通过卷积层频谱图进行提取特征：利用激活层增加非线性因素，池化层降低数据尺寸；
(4)重复步骤(3)；
(5)经过训练后，最后全连接层完成分类；
训练时，在全连接层使用随机失活的方法防止过拟合函数，为了防止权值更新过慢，使用交叉熵代价函数作为损失函数，此模型在导轨运行的时候对剥离损伤、导轨杂粒磨损、氧化磨损的状态进行识别。
5.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S2中，在导轨振动测量中，振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，因此振动中包含着具体的故障细节；当振动信号采集装置采集到振动信号时，同时声音处理模型通过导轨运行的声音对实时状态情况进行了分类识别。
6.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S2中振动处理模型的训练过程为：
S2.1、预处理，为了便于计算，将振动信号统一成未定的大小或者长度，如：每一小段取值长度为T；
S2.2、对数据集进行训练：
(1)将预处理后的长度为T的片段送入深度置信网络中受限玻尔兹曼机RBM中，训练第1个RBM，使其达到稳定状态；
(2)将上一个RBM的得到的输出作为下一个RBM的可视层的输入，直至稳定状态；
(3)重复步骤(2)直到最后一个RBM训练完成；
(4)用反向传播算法微调各层层数，使整个网络找到最优的参数{W，a，b}；
S2.3、训练完成模型之后，对导轨的运行状态进行在线判断：首先提取实时信号的特征，让测试信号通过RMB前几层，将其作为特征提取器提取特征，再通过主成分分析法PAC提取导轨状态的关键特征，并计算特征向量间的相似度，相似度计算用：
Figure FDA0003260745100000031
d越小表示导轨的状态越好，越大表示状态越差；根据相似度画出导轨运行状态的劣化曲线，至此完成了导轨运行状态的曲线图。
7.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，所述导轨直线度A的计算公式为：
Figure FDA0003260745100000032
式中：h基—初始磨损的基准；hij—表示第i次采样点的第j次磨损。
CN201910645915.0A 2019-07-17 2019-07-17 一种基于深度学习的导轨精度预测模型的建立方法 Active CN110405537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910645915.0A CN110405537B (zh) 2019-07-17 2019-07-17 一种基于深度学习的导轨精度预测模型的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910645915.0A CN110405537B (zh) 2019-07-17 2019-07-17 一种基于深度学习的导轨精度预测模型的建立方法

Publications (2)

Publication Number Publication Date
CN110405537A CN110405537A (zh) 2019-11-05
CN110405537B true CN110405537B (zh) 2022-02-08

Family

ID=68361900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910645915.0A Active CN110405537B (zh) 2019-07-17 2019-07-17 一种基于深度学习的导轨精度预测模型的建立方法

Country Status (1)

Country Link
CN (1) CN110405537B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378045A (zh) * 2019-07-24 2019-10-25 湘潭大学 一种基于深度学习的导轨精度预维护方法
CN111274989A (zh) * 2020-02-11 2020-06-12 中国科学院上海微***与信息技术研究所 一种基于深度学习的野外车辆识别方法
CN111581425A (zh) * 2020-04-28 2020-08-25 上海鼎经自动化科技股份有限公司 一种基于深度学习的设备声音分类方法
CN112607555B (zh) * 2020-11-23 2022-12-27 西人马联合测控（泉州）科技有限公司 用于电梯导轨状态检测的模型的训练方法、检测方法
CN112814890A (zh) * 2021-02-05 2021-05-18 安徽绿舟科技有限公司 一种基于声纹和震动检测泵机故障的方法
CN114675547B (zh) * 2022-05-30 2022-09-23 华中科技大学 具有深度学习自动诊断机制的mimo主动降振控制方法及***
CN114972350B (zh) * 2022-08-01 2022-11-15 深圳市信润富联数字科技有限公司 模具异常检测方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01216749A (ja) * 1988-02-25 1989-08-30 Okuma Mach Works Ltd 工作機械の加工負荷監視装置
CN102521088A (zh) * 2011-11-15 2012-06-27 浪潮电子信息产业股份有限公司 一种基于声学探测的服务器风扇状态检测方法
TW201226101A (en) * 2010-12-28 2012-07-01 Nat Univ Chung Hsing Method and device to detect the state of cutting tool in machine tool with multiple sensors
CN205129520U (zh) * 2015-11-23 2016-04-06 四川文理学院 机床主轴故障智能诊断***
CN107052903A (zh) * 2017-04-20 2017-08-18 南通国盛智能科技集团股份有限公司 一种保证加工恒负载输出的控制方法
CN108108516A (zh) * 2016-11-24 2018-06-01 发那科株式会社 伸缩罩的异常发生推定装置以及异常发生推定方法
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN109562500A (zh) * 2016-08-10 2019-04-02 三菱重工工作机械株式会社 机床的工具的异常检测装置及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01216749A (ja) * 1988-02-25 1989-08-30 Okuma Mach Works Ltd 工作機械の加工負荷監視装置
TW201226101A (en) * 2010-12-28 2012-07-01 Nat Univ Chung Hsing Method and device to detect the state of cutting tool in machine tool with multiple sensors
CN102521088A (zh) * 2011-11-15 2012-06-27 浪潮电子信息产业股份有限公司 一种基于声学探测的服务器风扇状态检测方法
CN205129520U (zh) * 2015-11-23 2016-04-06 四川文理学院 机床主轴故障智能诊断***
CN109562500A (zh) * 2016-08-10 2019-04-02 三菱重工工作机械株式会社 机床的工具的异常检测装置及方法
CN108108516A (zh) * 2016-11-24 2018-06-01 发那科株式会社 伸缩罩的异常发生推定装置以及异常发生推定方法
CN107052903A (zh) * 2017-04-20 2017-08-18 南通国盛智能科技集团股份有限公司 一种保证加工恒负载输出的控制方法
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法

Also Published As

Publication number Publication date
CN110405537A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110405537B (zh) 一种基于深度学习的导轨精度预测模型的建立方法
CN112858473B (zh) 一种基于特征融合的道岔尖轨伤损状态监测方法
JP5145417B2 (ja) 信号判定方法、信号判定装置、プログラム、信号判定システム
Li A brief review: acoustic emission method for tool wear monitoring during turning
CN112660745B (zh) 托辊故障智能诊断方法、***及可读存储介质
CN113469060A (zh) 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN113664612A (zh) 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法
CN112504673B (zh) 基于机器学习的托辊故障诊断方法、***及存储介质
CN112766182B (zh) 一种拉削刀具磨损状态识别方法
CN112173636B (zh) 一种巡检机器人对皮带机托辊故障的检测方法
CN109141625B (zh) 一种滚珠丝杠副的在线状态监测方法
CN107844067B (zh) 一种水电站闸门在线状态监测控制方法及监测***
CN114871850B (zh) 一种基于振动信号和bp神经网络的刀具磨损状态评估方法
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、***、设备及介质
CN111783544B (zh) 加工陶瓷手机背板的金刚石铣磨头状态监测***搭建方法
CN109255201B (zh) 一种基于som-mqe的滚珠丝杠副健康评估方法
CN116778964A (zh) 一种基于声纹识别的变电设备故障监测***及方法
CN115424635B (zh) 一种基于声音特征的水泥厂设备故障诊断方法
CN116625683A (zh) 一种风电机组轴承故障识别方法、***、装置及电子设备
Pichler et al. Data-driven vibration-based bearing fault diagnosis using non-steady-state training data
CN113987905A (zh) 一种基于深度信念网络的自动扶梯制动力智能诊断***
CN111636123A (zh) 一种智能纺纱生产线故障检测***
CN113523904A (zh) 一种刀具磨损检测方法
CN112660746B (zh) 基于大数据技术的托辊故障诊断方法、***及存储介质
CN113919396A (zh) 一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191105

Assignee: Chongqing Fangding Technology Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980002285

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240228

Application publication date: 20191105

Assignee: Chongqing Qiluo Machinery Manufacturing Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980002283

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240228

Application publication date: 20191105

Assignee: CHONGQING QILUO FLUID EQUIPMENT Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980002282

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240228

EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191105

Assignee: Chongqing Yiquan Small and Medium Enterprise Service Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980002570

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240307

Application publication date: 20191105

Assignee: Youzhengyun (Chongqing) Technology Development Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980002569

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240307

Application publication date: 20191105

Assignee: Yuao Holdings Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980002568

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240307

Application publication date: 20191105

Assignee: Chongqing Qinlang Technology Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980002576

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240307

Application publication date: 20191105

Assignee: Chongqing Shuaicheng Network Technology Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980002572

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240307

Application publication date: 20191105

Assignee: Bainuo Zhongcheng (Chongqing) Electronic Technology Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980002571

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240307

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191105

Assignee: Chongqing Baiyi medical supplies Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980003000

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240319

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191105

Assignee: Chongqing Luqian Technology Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980003374

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240325

Application publication date: 20191105

Assignee: Chongqing Difeida Technology Co.,Ltd.

Assignor: XIANGTAN University

Contract record no.: X2024980003371

Denomination of invention: A method for establishing a guide rail accuracy prediction model based on deep learning

Granted publication date: 20220208

License type: Common License

Record date: 20240325

EE01 Entry into force of recordation of patent licensing contract