一種絲杠故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于機(jī)械故障診斷技術(shù)領(lǐng)域，特別涉及滾珠絲杠故障診斷。
【背景技術(shù)】
[0002] 隨著科學(xué)技術(shù)的進(jìn)步和工業(yè)需求的發(fā)展，滾珠絲杠一方面不斷向復(fù)雜、高速、高 效、輕型、微型或大型的方向發(fā)展，另一方面卻又面臨更加苛刻的工作和運(yùn)行環(huán)境。在滿(mǎn)足 設(shè)備要求的同時(shí)，絲杠發(fā)生故障的潛在可能性和方式也在相應(yīng)增加，并且絲杠一旦發(fā)生故 障，就可能破壞整臺(tái)設(shè)備甚至影響整個(gè)生產(chǎn)過(guò)程，造成巨大的經(jīng)濟(jì)損失，還可能導(dǎo)致災(zāi)難性 的人員傷亡和形成嚴(yán)重的社會(huì)影響。因此，對(duì)滾珠絲杠實(shí)行在線監(jiān)控，進(jìn)行設(shè)備故障機(jī)理研 究，建立有效、準(zhǔn)確的故障診斷系統(tǒng)顯得十分重要。
[0003] 目前絲杠故障診斷與狀態(tài)監(jiān)測(cè)方法較少，《西南交通大學(xué)學(xué)報(bào)》2010, 45(5)公開(kāi) 了基于人工智能的絲杠壽命預(yù)測(cè)技術(shù)，采用B樣條模糊神經(jīng)網(wǎng)絡(luò)建立絲杠壽命預(yù)測(cè)模型。 《機(jī)械科學(xué)與技術(shù)》2013, 5:003.公開(kāi)了提取小波包分解后的各階功率譜作為特征參數(shù)，利 用BP神經(jīng)網(wǎng)絡(luò)建立絲杠性能退化評(píng)估模型。這些方法主要針對(duì)絲杠的性能退化預(yù)測(cè)，且其 應(yīng)用的方法不具有特征學(xué)習(xí)能力。
[0004] 近年來(lái)興起的特征學(xué)習(xí)可以很好的解決特征提取的問(wèn)題。特征學(xué)習(xí)是一類(lèi)可以將 原始輸入數(shù)據(jù)轉(zhuǎn)換為能夠有效進(jìn)行監(jiān)督學(xué)習(xí)的特征表示的機(jī)器學(xué)習(xí)問(wèn)題，這是一種數(shù)據(jù)驅(qū) 動(dòng)的特征提取方法，學(xué)習(xí)過(guò)程不需要人類(lèi)的先驗(yàn)知識(shí)的參與，因此此類(lèi)特征學(xué)習(xí)的方法具 有自適應(yīng)強(qiáng)、魯棒性強(qiáng)等特點(diǎn)。將特征學(xué)習(xí)的方法應(yīng)用于機(jī)械設(shè)備故障診斷系統(tǒng)，可以把現(xiàn) 場(chǎng)產(chǎn)生的大量原始數(shù)據(jù)轉(zhuǎn)化為有價(jià)值的特征表示，為識(shí)別系統(tǒng)提供有價(jià)值的特征值。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種絲杠故障診斷方法，它能有效地解決現(xiàn)有絲杠智能故障 診斷系統(tǒng)人工提取特征困難和應(yīng)用淺層網(wǎng)絡(luò)非線性表達(dá)能力有限的問(wèn)題。
[0006] 本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：設(shè)計(jì)一種可以實(shí)現(xiàn)具有特征學(xué)習(xí)能 力的，具有多層網(wǎng)絡(luò)結(jié)構(gòu)的滾珠絲杠故障診斷方法，其步驟如下：
[0007] -、建立具有特征學(xué)習(xí)能力的網(wǎng)絡(luò)結(jié)構(gòu)
[0008] 1、確定診斷模型的結(jié)構(gòu)
[0009] 本發(fā)明采用稀釋自編碼深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的識(shí)別模型選用Softmax回歸分 類(lèi)器，確定網(wǎng)絡(luò)結(jié)構(gòu)隱含層數(shù)量。
[0010] 2 :確定故障診斷模型的輸入端數(shù)量
[0011] 設(shè)故障診斷模型有m個(gè)輸入端節(jié)點(diǎn)，m個(gè)節(jié)點(diǎn)輸入信號(hào)構(gòu)成了一個(gè)輸入端向量X， 表示如下：
[0012] X = (X1, x2,…，xm)
[0013] 式中，Xi為模型的第i個(gè)輸入端節(jié)點(diǎn)，i = 1，2,…，m。
[0014] 3、確定故障診斷模型的輸出端數(shù)量
[0015] 故障診斷輸出端的數(shù)量由絲杠故障類(lèi)型數(shù)量所確定，設(shè)絲杠有η種不同類(lèi)型的故 障，模型的輸出端向量y為：
[0016] y = (y1; y2,…，yn)
[0017] 式中，y]為絲杠故障診斷模型的第j個(gè)輸出信號(hào)，j = 1，2,…，η。
[0018] 二、訓(xùn)練故障診斷模型
[0019] 1、準(zhǔn)備訓(xùn)練樣本集
[0020] 對(duì)每一種絲杠故障類(lèi)型，采用不低于100組的數(shù)據(jù)構(gòu)成各自訓(xùn)練樣本集。
[0021] 2、預(yù)訓(xùn)練
[0022] 用原始信號(hào)作為第一層網(wǎng)絡(luò)輸入信號(hào)I1= X，第一層網(wǎng)絡(luò)的中間層作為第二層網(wǎng) 絡(luò)的輸入層I2= Hi1, I2指第二層網(wǎng)絡(luò)的輸入層，!!^指第一層網(wǎng)絡(luò)的中間層。每層網(wǎng)絡(luò)先分別 訓(xùn)練，在訓(xùn)練每一層參數(shù)的時(shí)候，固定其它各層參數(shù)保持不變，再依次疊加成為多層網(wǎng)絡(luò)。 每層網(wǎng)絡(luò)訓(xùn)練分為編碼過(guò)程和解碼過(guò)程，每層網(wǎng)絡(luò)編碼步驟為：
[0023] a1= X
[0024] Z2= W (1V+b(1)
[0025] a2= f (z 2)
[0026] 式中，a1為第一層網(wǎng)絡(luò)輸入的值即為輸入信號(hào)值，W (1)是第一層的權(quán)重值，b (1)是第 一層的偏置值，Z2是第二層的輸入值，a 2是第二層的激活值，f( ·)是激活函數(shù)。解碼步驟 為編碼步驟的反過(guò)程：
的逆向量；z 3為第三層的輸入值，a 3為第三層 (輸出層）的激活值。
[0030] 3、微調(diào)訓(xùn)練
[0031] 預(yù)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)頂層加入輸出層Ici，在上述預(yù)訓(xùn)練過(guò)程完成之后，通過(guò)反向傳播 算法同時(shí)調(diào)整所有層的參數(shù)以改善結(jié)果，定義為微調(diào)訓(xùn)練；微調(diào)訓(xùn)練為有監(jiān)督學(xué)習(xí)過(guò)程，輸 入樣本集合T = (Xt，Yt)，其中Xt為樣本輸入信號(hào)，Y ,為輸入信號(hào)對(duì)應(yīng)的標(biāo)簽數(shù)據(jù)即故障類(lèi) 型，確定微調(diào)訓(xùn)練的誤差值ε，當(dāng)模型滿(mǎn)足下式時(shí)，即誤差范圍小于或等于誤差值時(shí)，訓(xùn)練 停止。
[0032] 三、測(cè)試故障診斷模型
[0033] 1、準(zhǔn)備故障診斷模型測(cè)試樣本集
[0034] 用不同于訓(xùn)練樣本集的包含所有故障類(lèi)型的數(shù)據(jù)段構(gòu)成測(cè)試樣本集，根據(jù)測(cè)試樣 本集的排列順序，對(duì)應(yīng)一張絲杜狀態(tài)輸出表，這里稱(chēng)為故障診斷模型的理想輸出表；表中 的每一行對(duì)應(yīng)測(cè)試樣本集中相應(yīng)行所表示的故障狀態(tài)輸出，也就是故障診斷模型的理想輸 出。
[0035] 2、測(cè)試故障診斷模型的故障診斷性能
[0036] 依次連續(xù)輸入測(cè)試樣本集中的數(shù)據(jù)段，記錄模型的輸出量，得到模型的實(shí)際輸出 表，將模型的理想輸出表與設(shè)計(jì)輸出表進(jìn)行對(duì)比，即得故障診斷模型的故障性能測(cè)試與評(píng) 價(jià)結(jié)果。
[0037] 本發(fā)明與現(xiàn)有技術(shù)相比具有以下有益效果：
[0038] I、本方法具有特征學(xué)習(xí)能力
[0039] 本發(fā)明提出了一種基于特征學(xué)習(xí)的深度學(xué)習(xí)神經(jīng)學(xué)習(xí)網(wǎng)絡(luò)的絲杠故障診斷模型。 模型采用了深度學(xué)習(xí)網(wǎng)絡(luò)，具有特征學(xué)習(xí)能力。深度學(xué)習(xí)網(wǎng)絡(luò)通過(guò)組合低層特征形成更加 抽象的高層表示屬性類(lèi)別或者特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。這種結(jié)構(gòu)保證了絲杠 振動(dòng)信號(hào)本質(zhì)特征的學(xué)習(xí)和提取，為保證判別不同絲杠的故障類(lèi)型提供條件。
[0040] 2、本方法多層網(wǎng)絡(luò)結(jié)構(gòu)的具有很好的收斂性
[0041] 本發(fā)明故障診斷的模型訓(xùn)練采用了無(wú)監(jiān)督預(yù)訓(xùn)練每層網(wǎng)絡(luò)這種訓(xùn)練方法，為多層 網(wǎng)絡(luò)結(jié)構(gòu)的有效收斂提供了條件。本發(fā)明采用了具有特征學(xué)習(xí)能力的深度學(xué)習(xí)網(wǎng)絡(luò)，深度 學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練的核心思路為：無(wú)監(jiān)督學(xué)習(xí)用于每一層網(wǎng)絡(luò)的預(yù)訓(xùn)練；每次用無(wú)監(jiān)督 學(xué)習(xí)只訓(xùn)練一層，將其訓(xùn)練結(jié)果作為其高一層的輸入；用自頂而下的監(jiān)督算法微調(diào)所有層。 無(wú)監(jiān)督分別預(yù)訓(xùn)練每層網(wǎng)絡(luò)，使得每層網(wǎng)絡(luò)的參數(shù)具有一個(gè)初始值，在這個(gè)初始值基礎(chǔ)上 再通過(guò)有監(jiān)督的微調(diào)訓(xùn)練，可以求得整個(gè)網(wǎng)絡(luò)的最優(yōu)解，達(dá)到收斂。
[0042] 3、本方法具有更好的故障識(shí)別能力。
[0043] 本發(fā)明采用模型能夠提取絲杠振動(dòng)數(shù)據(jù)的本質(zhì)特征，且深度學(xué)習(xí)網(wǎng)絡(luò)的非線性表 達(dá)能力強(qiáng)，使其判別能力更強(qiáng)。這樣提高了故障診斷模型的故障識(shí)別能力。
【附圖說(shuō)明】：
[0044] 圖1是本發(fā)明的流程圖；
[0045] 圖2是本發(fā)明特征學(xué)習(xí)網(wǎng)絡(luò)示意圖；
【具體實(shí)施方式】：
[0046] 下面結(jié)合圖示對(duì)本發(fā)明進(jìn)行進(jìn)一步地描述。一種基于特征學(xué)習(xí)的絲杠故障診斷模 型，包括如下步驟：
[0047] -、建立具有特征學(xué)習(xí)能力的網(wǎng)絡(luò)結(jié)構(gòu)
[0048] 1、確定診斷模型的結(jié)構(gòu)
[0049] 采用稀釋自編碼深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的識(shí)別模型選用Softmax回歸分類(lèi)器， 網(wǎng)絡(luò)的隱含層選用二層。
[0050] 2 :確定故障診斷模型的輸入端數(shù)量
[0051] 故障診斷模型有m個(gè)輸入端節(jié)點(diǎn)，m個(gè)節(jié)點(diǎn)輸入信號(hào)構(gòu)成了一個(gè)輸入端向量X，表 示如下：
[0052] X = (X1, x2,…，xm)
[0053] 式中，Xi為模型的第i個(gè)輸入端節(jié)點(diǎn)，i = 1，2,…，m ;
[0054] 本例中，輸入端節(jié)點(diǎn)數(shù)m為12。分別為時(shí)域特征值：均方根值X1，峰值因子X(jué) 2，脈 沖因子X(jué)3，波形因子X(jué)4，裕度因子X(jué)5，峰-峰值X 6，連續(xù)小波變換能量特征值X7，連