本申请实施例提出了一种主轴偏摆异常检测方法、装置以及存储介质，涉及数字化机械检测技术领域；能够快速准确检测CNC机台主轴是否偏摆异常。包括：采集正常机台的主轴自转预设时间段内的振动数据集；将所述振动数据集转换成相对应的时域特征向量集；利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型，并得到机台正常工作状态下的所述模型输出值的阈值范围；实时采集待测机台主轴的振动数据并转换为相对应的时域特征向量；将所述时域特征向量输入至所述侦测模型得到预测数值，判断该预测数值是否在所述阈值范围内，如否，则判断所述待测机台的所述主轴偏摆异常。异常。异常。
【技术实现步骤摘要】
主轴偏摆异常检测方法、装置以及存储介质
[0001]本申请实施例涉及数字化机械检测
，尤其涉及一种主轴偏摆异常检测方法、装置以及存储介质。
技术介绍
[0002]传统检测机械设备是否正常运行的方式需要大量人工投入，例如，CNC机台发生异常生产后，停止机台运作，通过拆卸刀具安装检测工具等人工操作方式实现，耗费时间，检测结果误差，存在导致损坏设备性能寿命的几率增大的风险。
[0003]随着人工智能和机器学习的发展，相关领域提出在线检测机械设备故障的方法，例如基于博弈算法使得生成网络和判别网络达到纳什平衡，以平衡点作为判断阈值检测机械设备；对机械设备振动数据进行处理得到振动信号的频谱图，通过分析频谱图检测机械设备。现有自动检测机械设备的方法计算复杂准确率低。
技术实现思路
[0004]本申请实施例提供了一种主轴偏摆异常检测方法、装置以及存储介质，能够快速准确检测CNC机台主轴是否偏摆异常。
[0005]第一方面，本申请实施例提供一种主轴偏摆异常检测方法，所述方法包括：采集正常机台的主轴自转预设时间段内的振动数据集；将所述振动数据集转换成相对应的时域特征向量集；利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型，并得到机台正常工作状态下的所述模型输出值的阈值范围；实时采集待测机台主轴的振动数据并转换为相对应的时域特征向量；将所述时域特征向量输入至所述侦测模型得到预测数值，判断该预测数值是否在所述阈值范围内，如否，则判断所述待测机台的所述主轴偏摆异常。
[0006]本申请实施例采用正常机台的主轴自转的振动数据训练变分自编码器模型，使得输入数据是正常机台的主轴自转的振动数据时，变分自编码器模型能够基于输入数据重构出与输入数据几乎相同的数据；输入数据是非正常机台的主轴自转的振动数据时，变分自编码器无法重构出输入数据，或者重构出的数据与输入数据相差较大，多次训练后得到准备重构正常机台主轴振动数据的侦测模型；鉴于此，本申请实施例还基于训练变分自编码器模型过程中的数据，获得变分自编码器重构输入数据的误差极值，得到机台正常工作状态下的所述模型输出值的阈值范围。在侦测模型应用阶段，只需要将机台主轴振动数据输入侦测模型，判断侦测模型重构的数据与振动数据的差值是否超过阈值范围，就能判断机台主轴偏摆是否异常。上述方法采集正常机台的主轴振动数据作为训练数据，无需进行人工标注，基于变分自编码器模型的特性，无监督学习方式训练变分自编码器模型重构正常机台的主轴振动数据的能力，训练方法简单；应用中，通过变分自编码器模型重构输入数据的情况，检测主轴偏摆是否异常，处理简单并且准确。
[0007]其中一种可能的实现方式中，得到机台正常工作状态下的阈值范围的步骤包括：
[0008]计算所述时域特征集中的每一时域特征输入至所述侦测模型得到生成向量，并计算所述生成向量与所述时域特征向量的误差向量；
[0009]在所述误差向量中找到极限值作为所述阈值范围。
[0010]其中一种可能的实现方式中，利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型步骤包括：
[0011]基于所述变分自编码器对输入的时域特征集进行编码、解码操作，以对解码后的数据进行重建，得到与所述时域特征集相似的生成向量，基于所述生成向量以及所述时域特征向量集，构建所述侦测模型。
[0012]其中一种可能的实现方式中，对输入的时域特征集进行编码、解码操作，以对解码后的数据进行重建，得到与所述时域特征集相似的重现向量的步骤包括：对所述时域特征集进行编码后，得到代表概率分布的参数，从所述分布中采样潜向量，再经过解码器返回与所述时域特征相似的生成向量。
[0013]其中一种可能的实现方式中，所述代表概率分布的参数包括均值与方差值，对所述时域特征集进行编码的步骤包括，输入时域特征集，经过神经网络学习输出所述均值和方差值。
[0014]其中一种可能的实现方式中，得到机台正常工作下的所述模型输出值的阈值范围的步骤还包括：
[0015]采集异常机台的主轴自转预设时间段内的振动数据集并转换成相对应的时域特征向量集；
[0016]将所述时域特征向量集输出至所述侦测模型以优化所述阈值范围。
[0017]其中一种可能的实现方式中，将所述时域特征集使用变分自编码器模型进行训练的步骤包括，多所述时域特征集进行K
‑
fold交叉验证,把样本数据随机分成K份，每次随机选择K
‑
1份作为训练集，剩下的一份作为测试集，当这一轮完成后重新选择K
‑
1份来迭代训练数据。
[0018]其中一种可能的实现方式中，基于所述生成向量以及所述时域特征向量集，构建所述侦测模型的步骤包括：
[0019]计算所述生成向量和时域特征向量集的损失函数；
[0020]对包括所述损失函数的目标函数进行梯度反向传播，直至所述目标函数收敛；所述目标函数包含所述变分自编码器的参数集合。
[0021]其中一种可能的实现方式中，所述目标函数为：
[0022][0023]其中，x表示时域特征向量，表示所述变分自编码器模型中解码器输出的生成向量；N(0,1)表示正态分布，μ
x
表示时域特征向量的平均值，σ
x
表示时域特征向量的方差的方根。
[0024]第二方面，本申请实施例提供一种主轴偏摆异常检测装置，所述装置包括：
[0025]传感器，设于所述主轴，用于实时采集待测机台主轴的振动数据并转换为相对应的时域特征向量；
[0026]处理器，耦接于所述传感器；
[0027]存储器，所述存储器中存储有多个程序模块；
[0028]所述处理器用于加载所述多个程序模块并执行如第一方面所述的主轴偏摆异常的检测方法。第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的方法。
[0029]应当理解的是，本申请实施例的第二～三方面与本申请实施例的第一方面的技术方案一致，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。
【附图说明】
[0030]为了更清楚地说明本申请实施例的技术方案，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说明书的一些实施例，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。
[0031]图1是本申请实施例提出的主轴偏摆异常检测方法步骤流程图；
[0032]图2是本申请实施例获得侦测模型训练的变分自编码器模型结构图；
[0033]图3是本申请一种示例训练变分自编码器模型的信息流程图；
[0034]图4所示出了本实施例提供的模型训练时得出的阈值范围示意图；
[0035]图5是本申请实施例提出的主轴偏摆异常检测装置的结构示意图。
【具体实施方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种主轴偏摆异常检测方法，其特征在于，所述方法包括：采集机台正常的主轴自转预设时间段内的振动数据集；将所述振动数据集转换成相对应的时域特征向量集；利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型，并得到机台主轴正常工作状态下的所述侦测模型输出值的阈值范围；实时采集待测机台主轴的振动数据并转换为相对应的时域特征向量；将所述时域特征向量输入至所述侦测模型得到预测数值，判断该预测数值是否在所述阈值范围内，如否，则判断所述待测机台的所述主轴偏摆异常。2.如权利要求1所述的主轴偏摆异常检测方法，其特征在于，得到机台正常工作状态下的所述侦测模型输出值的阈值范围的步骤包括：将所述时域特征集中的每一时域特征输入至所述侦测模型，得到所述侦测模型输出值的生成向量，并计算所述生成向量与所述时域特征向量的误差向量；在所述误差向量中找到极限值作为所述阈值范围。3.如权利要求2所述的主轴偏摆异常检测方法，其特征在于，利用所述时域特征向量集对变分自编码器模型进行训练得到适配的侦测模型步骤包括：基于所述变分自编码器对输入的时域特征集进行编码、解码操作，以对解码后的数据进行重建，得到与所述时域特征集相似的生成向量，基于所述生成向量以及所述时域特征向量集，构建所述侦测模型。4.如权利要求3所述的主轴偏摆异常检测方法，其特征在于，对输入的时域特征集进行编码、解码操作，以对解码后的数据进行重建，得到与所述时域特征集相似的生成向量的步骤包括：对所述时域特征集进行编码后，得到代表概率分布的参数，从所述分布中采样潜向量，再经过解码器返回与所述时域特征相似的生成向量。5.如权利要求4所述的主轴偏摆异常检测方法，其特征在于，对所述时域特征集进行编码的步骤包括，输入时域特征集，经过神经网络学习输出均值和方差值，所述代表概率分布的参数包括所述均值与方差值。6.如权利要求1所述的主轴偏摆异常检测方法，其特征在于，得到机台正常工作下的所述模型输出值的阈值范围的步骤还包括：采集异常机台的主轴自转预设时间段内的振动数据集...
【专利技术属性】
技术研发人员：吴振廷，吕亦宸，罗名涛，谢丰，叶小明，张清平，陈明宪，王雷博，许兵，朱鸿杰，
申请(专利权)人：富联裕展科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。