一种基于深度学习的智能制造过程故障分类方法及装置与流程

本公开涉及智能制造技术领域，特别涉及一种基于深度学习的智能制造过程故障分类方法及装置。

背景技术：

随着智能制造技术对制造质量要求的不断提高，由于高精密加工中的制造质量极易受到数控装备器质性故障的影响，早期故障一旦出现就会立刻引起加工精度的变化，如果不能及时准确地对加工状态中的器质性故障和精度误差源进行诊断，将无法保障制造质量和精度，会导致废品增加、生产率下降，甚至造成机床报废等重大损失。这就对于动态测控与智能诊断技术提出了更高的要求，智能制造过程在运行过程中进行辨识加工状态异常和智能维护。

此外，由于智能制造技术中故障诊断快速性和实时性的要求，在智能制造过程中所采集的数据长度或采集持续时间往往会受到限制，导致在智能制造机械的故障诊断的应用中，无法采集到故障数据的样本无法辨识到加工的异常状态，引发智能制造设备故障的发生从而造成停产损失和严重的安全隐患问题。

技术实现要素：

针对上述技术问题，本公开提供一种基于深度学习的智能制造过程故障分类方法及装置，利用样本数据建立了故障支持向量机分类器模型，这种诊断方法的显著优点是只需要少量的时域样本数据来训练故障分类器，不必进行信号预处理就能够提取特征量，便可实现多故障的识别和诊断。

所述一种基于深度学习的智能制造过程故障分类方法具体包括以下步骤：

步骤1，通过传感器实时采集样本数据；

步骤2，根据样本数据构建故障支持向量机分类器模型；

步骤3，提取样本数据的特征变量数据；

步骤4，通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数；

步骤5，将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。

进一步地，在步骤1中，所述样本数据为传感器实时获取到的数据，所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器，用于检测位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据，所述样本数据包括传感器编号、采集物理量、采集时间。

进一步地，在步骤2中，所述根据样本数据构建故障支持向量机分类器模型的方法包括以下步骤，

步骤2.1，根据样本数据构建对数据样本集(xi,yi)，i＝1,…,n，xi为样本数据，xi∈r，r为数据量，yi为类别号，yi∈{+1,-1}。

步骤2.2，根据数据样本集求解支持向量机模型的优化系数，根据公式求解优化系数αi，其中，常数c控制着对错分样本惩罚的程度，是平衡因子，反映第一项与第二项之间的权衡默认为0.01，是样本的权系数向量，取值为-1～1之间；ξi为大于0的松弛变量，ξi反映了实际指示值类别号yi与支持向量机输出之间的距离，取值范围为0到1，i＝1,…,n；

步骤2.3，根据优化系数构建故障支持向量机分类器模型，对于给定的测试样本xi，故障支持向量机分类器模型的形式为：

i＝1,…,n，sgn()函数为符号函数是绝对值函数的导数，k(xi,yi)为核函数，αi为优化系数；

所述核函数包括多项式核函数、径向基核函数、sigmoid核函数、线性核函数其中任意一种。

多项式核模型为：k(xi,yi)＝[(xi×yi)+αi]ⁿ；

径向基核模型为：k(xi,yi)＝exp(-ξi|xi-yi|²)；

sigmoid核模型为：k(xi,yi)＝tanh(ξi(xi×yi)+αi)；

线性核模型为：k(xi,yi)＝(xi,yi)。

进一步地，在步骤3中，所述提取样本数据的特征变量数据的方法为，采用公式对传感器实时采集样本数据的各物理量特征的进行标准化获取标准化数据x'作为特征变量，式中，x'为标准化后传感器的物理量值即特征变量，x为传感器采集的原始物理量值；μ为最近1小时的物理量均值；σ为最近1小时的物理量的标准差值，其中，传感器实时采集样本数据的各物理量包括位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据这些特征物理量。

进一步地，在步骤4中，所述通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数的方法包括以下步骤：根据公式求解归一均方误差ρ，式中：xi为传感器数据；x1'为特征变量，i＝1,…,n，多项式的阶数为2，根据特征变量数据依次检验多项式核函数、径向基核函数、sigmoid核函数、线性核函数，其中归一均方误差ρ最小的即为最优核函数。

进一步地，在步骤5中，所述样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果的方法包括以下步骤：

步骤5.1，将样本数据分为3个时域共18个故障数据样本；

步骤5.2，将每一种故障数据样本通过最优核函数的支持向量机分类器模型；

步骤5.3，输出该种故障的故障分类结果。

本发明还提供了一种基于深度学习的智能制造过程故障分类装置，所述装置包括：

样本数据采集单元，用于通过传感器实时采集样本数据；

分类模型构建单元，用于根据样本数据构建故障支持向量机分类器模型；

特征变量提取单元，用于提取样本数据的特征变量数据；

核函数测试单元，用于通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数；

故障分类输出单元，用于将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。

本公开的有益效果为：本公开提供了一种基于深度学习的智能制造过程故障分类方法及装置，构建故障支持向量机分类器模型，实现了在智能制造过程中的数控机床的状态可显示、故障可诊断、性能可预报，形成监测信息、诊断结论和实时控制方案策略的统一，进而达到高精、高效加工的目的。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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他的附图，在附图中：

图1所示为本公开的一种基于深度学习的智能制造过程故障分类方法工作流程图；

图2所示为本公开的一种基于深度学习的智能制造过程故障分类装置模块架构图。

具体实施方式

以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1所示为根据本公开的一种基于深度学习的智能制造过程故障分类方法及装置工作流程图，下面结合图1来阐述根据本公开的用户偏好分析方法。

本公开提出一种基于深度学习的智能制造过程故障分类方法，具体包括以下步骤：

步骤1，通过传感器实时采集样本数据；

步骤2，根据样本数据构建故障支持向量机分类器模型；

步骤3，提取样本数据的特征变量数据；

步骤4，通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数；

步骤5，将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。

进一步地，在步骤1中，所述样本数据为传感器实时获取到的数据，所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器，用于检测位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据，所述样本数据包括传感器编号、采集物理量、采集时间。

进一步地，在步骤2中，所述根据样本数据构建故障支持向量机分类器模型的方法包括以下步骤，

步骤2.1，根据样本数据构建对数据样本集(xi,yi)，i＝1,…,n，xi为样本数据，xi∈r，r为数据量，yi为类别号，yi∈{+1,-1}。

步骤2.2，根据数据样本集求解支持向量机模型的优化系数，根据公式求解优化系数αi，其中，常数c控制着对错分样本惩罚的程度，是平衡因子，反映第一项与第二项之间的权衡默认为0.01，是样本的权系数向量，取值为-1～1之间；ξi为大于0的松弛变量，ξi反映了实际指示值类别号yi与支持向量机输出之间的距离，取值范围为0到1，i＝1,…,n；

步骤2.3，根据优化系数构建故障支持向量机分类器模型，对于给定的测试样本xi，故障支持向量机分类器模型的形式为：

i＝1,…,n，sgn()函数为符号函数是绝对值函数的导数，k(xi,yi)为核函数，αi为优化系数；

所述核函数包括多项式核函数、径向基核函数、sigmoid核函数、线性核函数其中任意一种。

多项式核模型为：k(xi,yi)＝[(xi×yi)+αi]ⁿ；

径向基核模型为：k(xi,yi)＝exp(-ξi|xi-yi|²)；

sigmoid核模型为：k(xi,yi)＝tanh(ξi(xi×yi)+αi)；

线性核模型为：k(xi,yi)＝(xi,yi)。

进一步地，在步骤3中，所述提取样本数据的特征变量数据的方法为，采用公式对传感器实时采集样本数据的各物理量特征的进行标准化获取标准化数据x'作为特征变量，式中，x'为标准化后传感器的物理量值即特征变量，x为传感器采集的原始物理量值；μ为最近1小时的物理量均值；σ为最近1小时的物理量的标准差值，其中，传感器实时采集样本数据的各物理量包括位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据这些特征物理量。

进一步地，在步骤4中，所述通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数的方法包括以下步骤：

根据以下公式，求解归一均方误差ρ，

式中：xi为传感器数据；x1'为特征变量，i＝1,…,n，多项式的阶数为2，根据特征变量数据依次检验多项式核函数、径向基核函数、sigmoid核函数、线性核函数，其中归一均方误差ρ最小的即为最优核函数。

进一步地，在步骤5中，所述样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果的方法包括以下步骤：

步骤5.1，将样本数据分为3个时域共18个故障数据样本；

步骤5.2，将每一种故障数据样本通过最优核函数的支持向量机分类器模型；

步骤5.3，输出该种故障的故障分类结果。

本发明还提供了一种基于深度学习的智能制造过程故障分类装置，如图2所示，所述装置包括：

样本数据采集单元，用于通过传感器实时采集样本数据；

分类模型构建单元，用于根据样本数据构建故障支持向量机分类器模型；

特征变量提取单元，用于提取样本数据的特征变量数据；

核函数测试单元，用于通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数；

故障分类输出单元，用于将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。

以智能制造关键设备(例如机床)为例子诊断对象，根据故障诊断的经验和收集到的资料，按照该设备常见的故障在频域和时域的特点，对每种故障模拟,故障样本作为训样练本，建立多故障分类器。故障样本的采样频率为3000hz，时域幅值在-0.250mm之间，样本由不同幅值的50hz的工频以及工频的0.23倍的倍频信号叠加而成，样本的初始相位在0～2π之间，样本长度为256点，也就是每种故障样本含有该故障的基本信息。

为了验证多故障分类器的效果，对每一种故障模拟3个时域共18个数据样本进行测试。当训练和测试样本都不含噪声时，故障分类正确在机械故障诊断中，从实际运行的设备上采集的故障数据样本都含有噪声干扰，给训练样本和测试样本加入白噪声信号，测试其分类性能，最终的测试分类结果与没有加入噪声时的结果相同，尽管在样本含有噪声时，分类函数式的最终分类结果与样本不含噪声时的相同，符号函数括号里面的值是不同的，虽然带括号的数值与相应的不带括号的数值符号相同，但除极少数数值外，绝大多数带括号数值的绝对值比相应的不带括号数值的绝对值小，说明在样本中加入噪声后，样本到分类面的距离变小，分类器的总体分类性能有所下降测试结果表明，不管样本中是否含有一定量的噪声，分类器均可正确地分类多种故障，因而能实现多故障的在线分类通过试验比较还表明，两类分类器排列的先后顺序并不影响多故障分类的结果，只要测试样本含有该种故障的基本信息，也就是测试样本的时域波形与训练样本中的某一类相近或相似，就能正确分类。

这些针对不同故障对象的诊断研究表明：将支持向量机模型应用在故障诊断方面，其性能优于许多已有的方法。对于小样本，诊断精度高于神经网络方法；对于高维样本，诊断速度比神经网络快。

所述一种基于深度学习的智能制造过程故障分类装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于深度学习的智能制造过程故障分类装置可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于深度学习的智能制造过程故障分类装置的示例，并不构成对一种基于深度学习的智能制造过程故障分类装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于深度学习的智能制造过程故障分类装置还可以包括输入输出设备、网络接入设备、总线等。所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于深度学习的智能制造过程故障分类装置运行装置的控制中心，利用各种接口和线路连接整个一种基于深度学习的智能制造过程故障分类装置可运行装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于深度学习的智能制造过程故障分类装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。