一种智能制造设备的在线故障诊断方法及装置与流程

本发明涉及故障诊断技术领域，具体涉及一种智能制造设备的在线故障诊断方法及装置。

背景技术：

故障诊断方法通常可分为基于模型驱动的故障诊断、基于知识判决的故障诊断和基于数据驱动的故障诊断三大类，相对于基于模型驱动的和基于知识判决的故障诊断方法，基于数据驱动的故障诊断方法是直接利用监控系统的数据或状态，采用数据分析、统计决策、深度学习等技术进行故障诊断，不仅可以达到故障检测的目的，而且还有望在完成故障检测后，对故障模式、故障特征以及故障属性进行有效分析，从而实现故障的识别。

故障问题驱动的系统建模与诊断本身是一个良性互动的过程，当在复杂制造系统发生故障后，要及时诊断故障确保复杂制造系统的运行安全，如何及时确认是否发生了故障、何处发生了故障、发生了什么级别或多大幅度的故障，以便在安全管理过程中赢得时间，及时实施维修或故障处理，成为值得解决的关键问题。

技术实现要素：

本发明提供一种智能制造设备的在线故障诊断方法及装置，提高了对数控设备在线故障的诊断能力。

本发明提供的一种智能制造设备的在线故障诊断方法，其特征在于，包括以下步骤：

步骤s1、采集数控设备的历史数据，获取用于故障诊断的检验阈值；

步骤s2、建立故障模式数据库；

步骤s3、实时采集数控设备的运行数据；

步骤s4、对运行数据进行故障判断和故障模式诊断。

进一步，所述步骤s1具体包括以下步骤：

步骤s11、采集数控设备的历史数据，提取用于故障诊断的平稳残差；

令历史数据y＝(y1,y2,...ym)，其中ny为输出数据维数，m为样本容量，将y分解为非平稳趋势项和平稳残差项，

其中，为非平稳趋势项，为平稳残差项；

步骤s12、记和分别为和的第i列，计算平稳残差项的协方差矩阵，

其中，为的转置矩阵；

步骤s13、计算历史数据y的检测残差

其中，为y的转置矩阵；

步骤s14、构造统计量t²，

其中，为的转置矩阵；

令检测显著性水平为α，则对应的检验阈值为：

其中，fα(ny，m-ny)为显著性水平为α的历史数据。

进一步，所述步骤s2具体包括：

令f为历史数据y的故障模式，f0表示运行数据为正常的模式，f＝{fi，i＝1，2，...，nf}表示具有nf类不同故障模式的历史故障模式库，fi表示第i类历史故障；将采集的历史数据与检测的故障模式建立一一映射关系，从而建立已知故障模式库。

进一步，所述步骤s1中数控设备的运行数据包括：数控设备运行的功率y1、温度y2、湿度y3、压力y4、位移y5、转速y6。

进一步，所述步骤s11中提取用于故障诊断的平稳残差具体方法为：利用稳态判定方法获取最终诊断模型参数对应的历史样本数据在各时间段内的稳态因子，设定稳态容忍度，剔除稳态因子小于所述稳态容忍度的数据，得到各时间段的平稳残差。

进一步，所述步骤s4具体包括：

步骤s41、对运行数据进行故障检测，若则f∈{f0}，运行数据y为正常数据；否则，运行数据y为异常数据；

步骤s42、计算异常数据与所有故障模式fi之间的偏离度，将偏离度最小的故障模式判别为异常数据的故障模式。

进一步，所述步骤s42具体包括：

记rij(j＝1,2,...,ni)为运行故障相应的样本方向，其中，

则运行故障特征方向rij与样本方向的关系为：

其中，ri为对应于故障模式fi的特征方向，i＝1,2,...,nj；

记θ(r,ti)为运行故障方向rij和已知故障模式库中的第i个故障模式fi对应的特征方向ri的方向夹角，则

θ(r,ri)＝arccos[|r^tri|/||r||·||ri||]

若运行故障方向rij与第i个故障模式所对应的特征方向ri的夹角最小，则当前故障判别为第i种故障模式。

一种智能制造设备的在线故障诊断装置，所述装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当所述计算机程序指令被所述处理器执行时，触发所述装置执行上述任一所述的方法。

本发明的有益效果是：本发明公开一种智能制造设备的在线故障诊断方法及装置，通过采集数控设备的历史数据，获取用于故障诊断的检验阈值，并建立不同故障模式下的故障模式数据库；通过实时采集数控设备的运行数据，并对运行数据进行故障判断和故障模式诊断，从而提高对数控设备在线故障的诊断能力。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是本发明实施例一种智能制造设备的在线故障诊断方法的流程示意图。

具体实施方式

参考图1，本发明提供的一种智能制造设备的在线故障诊断方法，其特征在于，包括以下步骤：

步骤s1、采集数控设备的历史数据，获取用于故障诊断的检验阈值；

步骤s2、建立故障模式数据库；

步骤s3、实时采集数控设备的运行数据；

步骤s4、对运行数据进行故障判断和故障模式诊断。

进一步，所述步骤s1具体包括以下步骤：

步骤s11、采集数控设备的历史数据，提取用于故障诊断的平稳残差；

令历史数据y＝(y1,y2,...ym)，其中ny为输出数据维数，m为样本容量，将y分解为非平稳趋势项和平稳残差项，

其中，为非平稳趋势项，为平稳残差项；

步骤s12、记和分别为和的第i列，计算平稳残差项的协方差矩阵，

其中，为的转置矩阵；

步骤s13、计算历史数据y的检测残差

其中，为y的转置矩阵；

步骤s14、构造统计量t²，

其中，为的转置矩阵；

运行数据服从多元正态分布，其检测显著性水平为α，则对应的检验阈值为：

其中，fα(ny，m-ny)为显著性水平为α的历史数据。

进一步，所述步骤s2具体包括：

令f为历史数据y的故障模式，f0表示运行数据为正常的模式，f＝{fi，i＝1，2，...，nf}表示具有nf类不同故障模式的历史故障模式库，fi表示第i类历史故障；将采集的历史数据与检测的故障模式建立一一映射关系，从而建立已知故障模式库。

进一步，所述步骤s1中数控设备的运行数据包括：数控设备运行的功率y1、温度y2、湿度y3、压力y4、位移y5、转速y6。

进一步，所述步骤s11中提取用于故障诊断的平稳残差具体方法为：利用稳态判定方法获取最终诊断模型参数对应的历史样本数据在各时间段内的稳态因子，设定稳态容忍度，剔除稳态因子小于所述稳态容忍度的数据，得到各时间段的平稳残差。

进一步，所述步骤s4具体包括：

步骤s41、对运行数据进行故障检测，若则f∈{f0}，运行数据y为正常数据；否则，运行数据y为异常数据；

步骤s42、计算异常数据与所有故障模式fi之间的偏离度，将偏离度最小的故障模式判别为异常数据的故障模式。

经过故障检测后，得到当前故障的样本方向rij，而已知故障识别就是利用检测残差的位置分布或方向分布提取故障特征，用于构建故障识别的偏离度。利用方向信息作为构建故障识别偏离度的信息量。

进一步，所述步骤s42具体包括：

记rij(j＝1,2,...,ni)为运行故障相应的样本方向，其中，

则运行故障特征方向rij与样本方向的关系为：

其中，ri为对应于故障模式fi的特征方向，i＝1,2,...,nj；

记θ(r,ti)为运行故障方向rij和已知故障模式库中的第i个故障模式fi对应的特征方向ri的方向夹角，则

θ(r,ri)＝arccos[|r^tri|/||r||·||ri||]

若运行故障方向rij与第i个故障模式所对应的特征方向ri的夹角最小，则当前故障判别为第i种故障模式。

本发明提供的一种智能制造设备的在线故障诊断方法及装置，所述装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当所述计算机程序指令被所述处理器执行时，触发所述装置执行上述任一所述的方法。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。