一种机床轴承故障诊断方法技术

本发明专利技术实施例公开了一种机床轴承故障诊断方法，涉及智能制造技术领域，能够缓减为了采集故障数据而对实际机床轴承的破坏的问题。本发明专利技术包括：建立数字孪生车间，并在所述数字孪生车间加载机床的加工任务，其中，数字孪生车间对应现实车间；采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型；对所生成的故障诊断模型进行变工况迁移学习训练，并得到第二类故障诊断模型，其中，所述第二类故障诊断模型包括：所述现实车间中的机床轴承的故障诊断的模型；利用所述第二类故障诊断模型检测所述现实车间中的机床轴承的故障。本发明专利技术适用于机床车间监控。机床车间监控。机床车间监控。

【技术实现步骤摘要】
一种机床轴承故障诊断方法


[0001]本专利技术涉及智能制造
，尤其涉及一种机床轴承故障诊断方法。

技术介绍

[0002]机床作为一种典型的制造设备，被称作工业的母机。机床中的故障如果不及时排除故障，可能会导致精度降低并影响生产效率和良品率。因此在智能制造车间中，故障诊断方法对于以轴承为关键组件的机床至关重要。
[0003]目前采用的数据驱动型故障诊断模型中，普遍使用机器学习算法和带有信号处理方法的分类器，数据驱动的方法可以直接从传感器收集的轴承振动信号中识别出故障，因此无需了解轴承的内部结构。
[0004]在实际应用中，数据驱动的故障诊断的方案已取得了一定的成就和效果。但是也存在一些缺陷，比如：带有机器学习算法的传统数据驱动方法严格要求训练和测试数据必须在相同的工作条件下并且具有相同的分布和特征空间。因此不适用于经常随时间变化的现实世界工作条件，因此很难获取数据。同时，对于这些机器学习方法，首先需要使用足够的训练数据来训练故障诊断模型；然后，在相同工作条件下的测试数据用于测试模型的性能；但是车间机床轴承的工作条件在现实世界中不可能保持不变；随着轴承工作时间的增加，故障直径变得越来越大，并且载荷不可能一直都相同。并且，规模越大、环节越多的自动化生产线，这个问题也就越突出。这就需要频繁得采集故障数据，但是实际运行中，采集故障数据也是会对实际生产造成一定程度上的破坏的，比如导致设备宕机、车间生产计划打乱等情况，这类破坏或许并不严重但是依旧会影响生产精度。由此可见，传统方法不适用于随时间变化的工作条件，存在很大的局限性。

技术实现思路

[0005]本专利技术的实施例提供一种机床轴承故障诊断方法，能够缓减为了采集故障数据而对实际机床轴承的破坏的问题。
[0006]为达到上述目的，本专利技术的实施例采用如下技术方案：
[0007]建立数字孪生车间，并在所述数字孪生车间加载机床的加工任务，其中，数字孪生车间对应现实车间；采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型，其中，所述第一类故障诊断模型包括：数字孪生车间中的机床轴承的故障诊断模型；对所生成的故障诊断模型进行变工况迁移学习训练，并得到第二类故障诊断模型，其中，所述第二类故障诊断模型包括：所述现实车间中的机床轴承的故障诊断的模型；利用所述第二类故障诊断模型检测所述现实车间中的机床轴承的故障。
[0008]本专利技术实施例提供的机床轴承故障诊断方法，本专利技术提出数字孪生与故障诊断融合的方法，运用数字孪生来模拟实际机床加工过程中轴承的状态变化来采集数字孪生空间中机床轴承的数据，以此来训练虚拟空间中机床轴承故障诊断的模型，缓减了为了采集故
障数据而对实际机床轴承的破坏的问题。其中运用深度迁移学习将数字孪生空间中机床轴承故障诊断的模型迁移到现实车间中的机床轴承上，运用现实车间机床轴承的少量数据再次训练此模型，即可获得现实车间机床轴承的故障诊断模型。可以避免采集现实车间轴承的全生命周期数据而消耗大量的时间成本，并且避免了由于需要采集故障数据而导致设备宕机、车间生产计划打乱等情况的发生。
附图说明
[0009]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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本专利技术的一些实施例，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它的附图。
[0010]图1为本专利技术实施例提供的基于数字孪生和深度迁移学习的机床轴承故障诊断流程图；
[0011]图2为本专利技术实施例数字孪生车间与现实车间对应关系图；
[0012]图3为本专利技术实施例提供的改进深度残差学习算法框架图；
[0013]图4为本专利技术实施例提供的dropout网络架构图；
[0014]图5为本专利技术实施例提供的基于数字孪生的过程可视化系统的示意图；
[0015]图6为本专利技术实施例提供的机床轴承故障诊断系统的示意图；
[0016]图7为本专利技术实施例提供的方法流程的示意图；
具体实施方式
[0017]为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。下文中将详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0018]本专利技术实施例提供一种机床轴承故障诊断方法，如图7所示，包括：
[0019]S1、建立数字孪生车间，并在所述数字孪生车间加载机床的加工任务。
[0020]其中，数字孪生车间对应现实车间。
[0021]S2、采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型。
[0022]其中，所述第一类故障诊断模型包括：数字孪生车间中的机床轴承的故障诊断模型。
[0023]S3、对所生成的故障诊断模型进行变工况迁移学习训练，并得到第二类故障诊断模型。
[0024]其中，所述第二类故障诊断模型包括：所述现实车间中的机床轴承的故障诊断的模型。
[0025]S4、利用所述第二类故障诊断模型检测所述现实车间中的机床轴承的故障。
[0026]如图1所示的，本实施例中，在数字孪生车间中仿真生成机床轴承故障数据，建立数字孪生空间中的机床轴承故障诊断模型，根据采集的现实车间中少量的机床轴承故障数据，将数字孪生空间中的机床轴承故障诊断模型进行变工况迁移学习训练，从而生成能够适应现实车间中机床轴承故障诊断的模型，对于变工况的机床轴承，无需大量故障数据，即可建立能够适应当前工况的机床轴承故障诊断模型，通过数字孪生辅助，可以在虚拟空间和现实空间全程监控轴承的健康状态。具体实现中，技术人员可以根据机床轴承所在车间的实际情况，进行车间机床及包括轴承在内的内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机床轴承故障诊断方法，其特征在于，包括：建立数字孪生车间，并在所述数字孪生车间加载机床的加工任务，其中，数字孪生车间对应现实车间；采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型，其中，所述第一类故障诊断模型包括：数字孪生车间中的机床轴承的故障诊断模型；对所生成的故障诊断模型进行变工况迁移学习训练，并得到第二类故障诊断模型，其中，所述第二类故障诊断模型包括：所述现实车间中的机床轴承的故障诊断的模型；利用所述第二类故障诊断模型检测所述现实车间中的机床轴承的故障。2.根据权利要求1所述的方法，其特征在于，在建立数字孪生车间之前，还包括：通过安装在所述现实车间中的三维激光扫描仪，获取采集所述现实车间的点云数据，其中，所述三维激光扫描仪所扫描的对象，至少包括：所述现实车间中安装的机床；利用所述现实车间的点云数据，建立数字孪生模型，其中，所述数字孪生模型所表示的对象，至少包括了：所述现实车间中安装的机床的整体结构和内部元件，所述内部元件包括：机床的轴承。3.根据权利要求2所述的方法，其特征在于，所述利用所述现实车间的点云数据，建立数字孪生模型中，包括：通过OPC UA通讯构架读取所述现实车间中的机床设备的实时运行数据；将所述实时运行数据存入数据库并作为Unity数据驱动引擎的源数据，所述Unity数据驱动引擎用于驱动所述数字孪生模型。4.根据权利要求1所述的方法，其特征在于，所述采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型，包括：将所述机床的加工任务导入所述数字孪生车间进行模拟仿真，并采集仿真故障数据作为源域数据；对所得到的源域数据进行预处理后，导入深度残差学习算法进行训练，当训练的准确率达到100％时，得到所述第一类故障诊断模型。5.根据权利要求4所述的方法，其特征在于，所述导入深度残差学习算法进行训练，包括：利用dropout网络结构对所述故障数据进行预处理，其中，所述故障数据包括所述机床的振动数据；在完成预处理后，对所述故障诊断模型进行参数结构设定；加载所设定的参数并对所述故障诊断模型进行训练。6.根据权利要求5所述的方法，其特征在于，在对所述故障诊断模型进行训练的过程中，包括：加载改进的深度...

【专利技术属性】
技术研发人员：唐敦兵，刘长春，朱海华，聂庆玮，王立平，宋家烨，张毅，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：