一种基于深度学习的导轨精度预维护方法与流程

本发明实施例涉及机床技术领域，具体涉及一种基于深度学习的导轨精度预维护方法。

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，导轨做为机床的重要部分，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。虽然到达一定的效果，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。

技术实现要素：

为此，本发明实施例提供一种基于深度学习的导轨精度预维护方法，既能提高生产质量，又能避免导轨由于磨损问题造成的精度下降产生不良品的问题，保证企业生产的质量，以解决现有技术中不能实时监测导致导轨精度磨损等对精度影响的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

一种基于深度学习的导轨精度预维护方法，包括如下步骤：

步骤100、通过传感器采集导轨正常运行状态下的数据信号，并对数据信号进行预处理；

步骤200、用深度学习的深度置信网络对预处理后数据信号进行预训练，并建立计算模型；

步骤300、深度学习算法对导轨运行的状态进行在线实时判断，完成导轨运行状态的曲线图；

步骤400、根据导轨运行状态的曲线图对导轨磨损进行提前预维护。

作为本发明的一种优选方案，在步骤100中，对数据信号预处理的具体步骤为：将振动信号统一成指定的大小或者长度。

作为本发明的一种优选方案，在步骤200中，对数据信号进行预训练的具体步骤为：

步骤201、将经过预处理的数据信号片段送入深度置信网络中的受限玻尔兹曼机中，训练第1个rbm，使其达到稳定状态；

步骤202、将上一个rbm得到的结果输出作为下一个rbm可视层的输入，直至稳定状态；

步骤203、重复步骤202直到最后一个rbm训练完成；

步骤204、用反向传播算法调整各层层数，使整个网络找到最优的参数，并通过训练建立计算模型。

作为本发明的一种优选方案，在步骤300中，对导轨运行状态的在线实时判断具体步骤为：

步骤301、接收传感器采集导轨正常运行状态下的数据信号；

步骤302、让测试信号通过计算模型的前若干层，并将其结果作为特征提取器的提取特征；

步骤303、通过主成分分析法提取导轨状态的特征向量，并计算特征向量之间的相似度；

步骤304、根据计算得到的相似度画出导轨运行状态的劣化曲线，完成导轨运行状态的曲线图。

作为本发明的一种优选方案，在步骤303中，特征向量之间的相似度计算方法为：

其中，d(v模，v测试)为特征向量之间的相似度，v模n为计算模型的特征向量，v测试n为通过主成分分析法提取的特征向量，i、n表示个数。

作为本发明的一种优选方案，在步骤400中，根据导轨运行状态曲线图上的变化趋势，在曲线图上设置阈值，当检测数据信号超过阈值时对导轨磨损进行提前预维护。

作为本发明的一种优选方案，所述阈值的设置根据劣化趋势或磨损深度确定。

作为本发明的一种优选方案，根据磨损深度确定阈值的具体步骤为：

设定导轨的直线度a用磨损深度度hm表示；

根据导轨的劣化曲线的趋势，计算得到导轨的精度衰减变化△h，再通过对导轨精度衰减变化进行累加计算，计算公式为：

其中，△hij表示第i次采样点的第j次磨损，h基为初始磨损的基准。

本发明的实施方式具有如下优点：

本发明运用了深度学习算法，实现了自主学习，自主提取特征，通过神经网络进行拟合，实时掌握运行过程中的磨损情况，具有自适应好，鲁棒性较高的优点，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

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施方式中的流程框图；

图2为本发明实施方式的预训练流程示意图；

图3为本发明实施方式的磨损深度结构示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种基于深度学习的导轨精度预维护方法，包括如下步骤：

步骤100、通过传感器采集导轨正常运行状态下的数据信号，并对数据信号进行预处理；

步骤200、用深度学习的深度置信网络对预处理后数据信号进行预训练，并建立计算模型；

步骤300、深度学习算法对导轨运行的状态进行在线实时判断，完成导轨运行状态的曲线图；

步骤400、根据导轨运行状态的曲线图对导轨磨损进行提前预维护。

一方面在本发明中，主要是通过传感器采集导轨的数据信号，并将数据信号进行预处理，在经过预处理后便于数据的计算。本发明以采集数据本身的一部分作为训练目标形成特征向量，再计算特征向量之间的相似度，即无需认为进行设置和干预，可以直接通过采集数据在模型中进行训练和处理，以生成特征向量作为计算的目标，从而达到自适应和自我学习的目的。

另一方面，本发明中通过建立计算模型，对导轨的运行状态进行在线实时判断，完成导轨运行状态的曲线图，由曲线图可知其在接下来一段时间内的变化区域，并且在这个区域中设置示警用的阈值，当超过阈值时将示警进行相应的决策，以达到自我诊断的目的。

本发明通过上述维护方法实现自动根据采集数据的特征来自主提取特征，并通过神经网络拟合实时掌握导轨运行过程中的状态，能够自主适应不同的导轨，无需人工干预即可自主将采集的参数导入神经网络中进行计算和监测。

在本发明中由于振动信号包含了大量导轨在运行过程中的状态信息。因此可用传感器采集导轨正常运行过程中的振动信号，并标记为正常，其他信号原理相似。

为了便于计算和数据的处理，在步骤100中，首先对数据信号进行预处理，具体步骤为将振动信号统一成指定的大小或者长度。在本实施方式中，如将每一小段的信号数据长度取值为t。

标准的受限玻尔兹曼机由隐藏层和可见层组成，如图2所示，在图2中c1、c2、c3、…、cn均为可见层，在步骤200中，对数据信号进行预训练的具体步骤为：

步骤201、将经过预处理，且长度为t的数据信号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；

步骤202、将上一个rbm得到的结果输出作为下一个rbm可视层的输入，直至稳定状态；

步骤203、重复步骤202直到最后一个rbm训练完成；

步骤204、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}，并通过训练建立计算模型。

本发明的特征在于直接对经过预处理的数据进行神经网络的训练，在这个训练的过程中无需考虑数据的来源和准确性，是直接对原始数据的训练，并且将训练的结果直接应用于下一个训练周期，直至完成所有的训练建立其计算模型。该方式的优点在于对数据的自主适应能力强，在计算的过程中无需人为的干预和引导处理，即可直接对原始数据进行处理并作出相应的决策。

在上述步骤中，设定具体的参数进一步说明上述训练的过程：

设定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是可视层v和隐藏层h链接的权重向量。

第一步，当训练样本v1＝(v11,v12,v12,…,v1(n-1),v1n)输入到可视层v时，通过gibas采样得到隐藏层h的输出h1＝(h11,h12,h12,…,h1(n-1),h1n)，其中h1n＝gibas(fs(an+∑iwinvin))，fs是s型激活函数，且fs产生的值需(0，1)之间，如果大于1取1，小于0取0。

第二步，计算rbm中的{w，a，b}，如图2，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，引入的学习率，一般取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0.005～0.200之间。

第三步，用均方误差评判rbm的训练精度，即：

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,h12,…,h1(n-1),h1n)，

作为下一个(即第2个)rbm的可视层的输入，如图2：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中的参数{w，a，b}。

如图1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。在步骤300中，实时判断的具体步骤为：

步骤301、接收传感器采集导轨正常运行状态下的数据信号；

步骤302、让测试信号通过计算模型的前若干层，并将其结果作为特征提取器的提取特征；

步骤303、通过主成分分析法提取导轨状态的特征向量，并计算特征向量之间的相似度；

步骤304、根据计算得到的相似度画出导轨运行状态的劣化曲线，完成导轨运行状态的曲线图。

其中，在步骤303中，特征向量之间的相似度计算方法为：

其中，d(v模，v测试)为特征向量之间的相似度，v模n为计算模型的特征向量，v测试n为通过主成分分析法提取的特征向量，i、n表示个数。

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。

具体在步骤400中，根据导轨运行状态曲线图上的变化趋势，在曲线图上设置阈值，当检测数据信号超过阈值时进行相应的决策，其中阈值的设置根据劣化趋势或磨损深度确定。

如图3所示，根据磨损深度确定阈值的具体步骤为：

设定导轨的直线度a可用磨损深度度hm表示；

根据导轨的劣化曲线的趋势，计算得到导轨的精度衰减变化△h，通过每次磨损△hij累加计算，计算公式为：

其中，a为最终导轨的直线度，△hij表示第i次采样点的第j次磨损，h基为初始磨损的基准。根据上述公式确定最终的阈值amax，当a＜amax时表示导轨精度在安全范围之内，可通过a-amax得到此时导轨的有效精度寿命，根据剩余的精度或阈值做相应的决策。

在上述中，磨损深度时一个定值，可以直接确定，而在本发明中如何根据劣化趋势来确定其阈值则是关键。也就是说此时的劣化程度是根据不同次采样点的实际磨损来确定，它是一个动态变化的过程，结合本发明中的自主学习方法，它在动态变化的过程中来限定具体最大的阈值，并且根据实时测量的直线度和阈值之间的差值来做出相应的决定。

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，与其相比，本发明运用了深度学习算法，实现了自主学习，自主提取特征，通过神经网络进行拟合，实时掌握运行过程中的磨损情况，具有自适应好，鲁棒性较高，能够自适应、自我学习、自我诊断，具有较高的应用价值。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。