【技术实现步骤摘要】
本专利技术涉及一种接合装配设备健康管理技术，尤其是一种接合装配设备的健康状态评估技术，具体地说是一种基于mc-iwdcnn-lstm的接合装配设备健康状态评估方法。
技术介绍
1、随着工业智能化的快速发展，接合装配作为生产制造中的核心环节，接合装配设备中带噪振动信号健康状态的精准评估已成为确保生产效率和作业安全的重要研究方向。然而，现有技术在健康状态评估领域仍存在以下不足：在对接装配设备运行的实际工况条件下，带噪振动信号来源所处的环境非常复杂，有很多因素都会导致轴承的原始振动信号产生误差，从而影响轴承故障诊断效果。主要包括由机构运动部件之间接触、摩擦和振动引起的机械噪声和结构共振现象，其通常具有较高的频率和随机性的特点；来自周围环境的震动、声音和电磁辐射，其具有频率范围广的特点；来自调姿机构中的电机、传感器、电子设备的电器噪声和液压系统的压力脉冲引起的振幅波动；以及由采集传感器自身引入的测量噪声，包括非线性特性、放大电路的噪声和采样率限制等。
2、本专利技术为得到抗噪声干扰能力较强、鲁棒性好的带噪振动信号的健康状态评估模型，提出了一种基于注意力机制的多通道处理神经网络模型(mc-iwdcnn-lstm)。该模型输入模拟实际工况的带噪声数据，利用双通道对噪声数据进行特征提取，每个通道分别学习不同的特征，通过利用注意力机制对两个处理通道自适应分配权重，以突出有效特征并抑制无效特征，最终在合并层通过特征组合和参数共享，得到更全面、丰富、深层次的特征信息，增加模型的复杂度和灵活性，从而降低在实际工况中噪声干扰带来的影响，提高
技术实现思路
1、本专利技术的目的是针对目前在健康状态评估领域存在因为在对接装配设备运行的实际工况条件下，带噪振动信号来源所处的环境非常复杂，有很多因素都会导致轴承的原始振动信号产生误差，从而影响轴承故障诊断效果的问题，专利技术一种基于mc-iwdcnn-lstm的接合装配设备健康状况评估方法，通过建立mc-iwdcnn-lstm模型，提升健康评估精度，为设备的健康管理和维护决策提供决策支持。
2、本专利技术的技术方案是：
3、一种基于mc-iwdcnn-lstm的接合装配设备健康状况评估方法，其特征在于围绕接合装配设备健康关键指标，采集并处理与接合装配设备健康状况相关的带噪振动信号，建立mc-iwdcnn-lstm特征提取模型，采用测试集对特征提取模型进行性能评估和调参，实现接合装配设备带噪振动信号的特征提取，最后结合模糊数学理论，基于mc-iwdcnn-lstm模型的输出特征值和隶属度函数，计算得到健康度评分。通过该方法，可以评估接合装配设备的健康状态，为维修团队提供决策支持，确保设备作业的安全性和稳定性。
4、步骤1：围绕接合装配设备健康关键指标，采集并处理与接合装配设备健康状况相关的带噪振动信号；
5、步骤2：建立mc-iwdcnn-lstm特征提取模型；
6、步骤3：采用测试集对特征提取模型进行性能评估和调参，实现接合装配设备带噪振动信号的特征提取；
7、步骤4：结合模糊数学理论，基于mc-iwdcnn-lstm模型的输出特征值和隶属度函数，计算得到健康度评分。
8、进一步，所述步骤1中，接合装配设备由底盘运动系统、主动感知系统和调姿机构系统组成，实现“存取、运输、调姿、对接、分离、更换”流程的智能化运行。底盘运动系统中主要包括轮组、悬架系统的减震器、电机驱动单元、和轮组间连接的滚动轴承等；主动感知系统包含对准测量模块、激光雷达、rfc感应装置、磁导航感应装置以及各类传感器；调姿机构系统的核心零部件包括轮组、减速器、控制器、电机驱动单元、轮组间连接的滚动轴承及其控制器信号等。这些零部件的健康状态需要根据特定的健康指标参数来进行监测和诊断，其中有许多参数为带噪振动信号。例如，电机驱动单元的健康状态可以通过监测其振动信号来判断，振动信号中可能包含带噪声的高频成分，尤其是当电机温度过高时，伴随的异常振动信号可能预示电机过载或散热故障；
9、采集接合装配设备振动信号，由于这些数据可能存在异常值、缺失数据以及量纲不一致等问题，需要对其进行预处理，例如，短时间内电流突增或突降至不合理范围，这可能由外部干扰引起；同时，也可能因通信问题导致数据缺失。数据预处理包括清洗异常值、补全缺失数据以及归一化处理，确保数据的一致性和完整性；
10、进一步，所述步骤(2)中，采用一种基于注意力机制的多通道处理神经网络模型(mc-iwdcnn-lstm)，该模型输入实际工况条件下带噪声的振动信号，利用双通道进行特征提取，每个通道分别学习不同的特征，最终利用注意力机制对两个处理通道自适应分配权重，突出有效特征并抑制无效特征，并在合并层通过特征组合与参数共享，得到更全面、丰富、深层次的特征信息，增加模型的复杂度和灵活性，从而降低在实际工况中噪声干扰带来的影响，提高模型预测的准确率。
11、mc-iwdcnn-lstm模型分别由首层特征提取模块、注意力模块、多通道处理模块、全连接模块构成。在设计模型结构时，部分参考了目前应用较为广泛的二维卷积神经网络，例如vggnet、resnet、以及谷歌的inceptionv4，这三种网络结构均多次使用堆叠式的3×3卷积核，在获得较大感受野的同时，仅利用较少的参数就能够实现抑制过拟合的效果。但对于一维数据而言，由于两层3×1卷积的结构付出了6个权值的代价却仅得到5×1的感受野，导致原本二维下的优势，在一维中成为了劣势，所以不能完全按照二维卷积网络的结构照搬。同时，也部分参考了原wdcnn模型的思路，首层设置大卷积核，实现短时傅里叶变换的效果，以提取短时特征；首层以外，其余层的卷积核大小均设为3×1，有利于加深网络，抑制过拟合现象。
12、mc-iwdcnn-lstm模型具体神经网络结构如下，首层特征提取模块中选取的大卷积核有利于提取时序性特征并增强模型对噪声干扰的鲁棒性；注意力模块自适应调整注意力权重和提取到的特征，提高模型的训练速率及分类效果；多通道处理模块分别采用iwdcnn模型和lstm模型进行特征提取，综合了二者的优势；左通道的四层小卷积核有利于加深网络，提取深层次特征，并且抑制过拟合现象；右通道的lstm能够高效利用时序性特征，提高预测准确率；最后通过合并层将特征合并，利用dropout抑制过拟合，经过全连接后通过softmax进行分类，输出的数量n为要分类的健康状态类别数量；本专利技术模型中在每个卷积激活层之后还采用了批量归一化层(bn)以降低内部协变量的转移，提高模型的泛化能力，增强神经网络的训练速度和效率。全连接dense层的节点数量通常设置为softmax数量的5至20倍时效果较好。
13、进一步，所述步骤3中，采用测试集对模型的预测准确性、训练速度进行性能评估，并对模型进行合理调参来提升模型性能，实现带噪振动信号的特征提取。
14、进一步，所述步骤4中，结合模糊数学理论，基于mc-iwdcnn-lstm模型本文档来自技高网...
【技术保护点】
1.一种基于MC-IWDCNN-LSTM的接合装配设备健康状况评估方法，其特征在于，围绕接合装配设备健康关键指标，采集并处理与接合装配设备健康状况相关的带噪振动信号，建立MC-IWDCNN-LSTM特征提取模型，采用测试集对特征提取模型进行性能评估和调参，实现接合装配设备带噪振动信号的特征提取，最后结合模糊数学理论，基于MC-IWDCNN-LSTM模型的输出特征值和隶属度函数，计算得到健康度评分，从而评估接合装配设备的健康状态，为维修团队提供决策支持，确保设备作业的安全性和稳定性。
2.根据权利要求1所述的方法，其特征在于，它包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，在所述步骤1中：
4.根据权利要求2所述的方法，其特征在于，在所述步骤2中：
5.根据权利要求4所述的方法，其特征在于，所述通道注意力机制首先利用最大池化层和平均池化层聚合空间特征信息，通过具有隐藏层的多层感知器(MLP)合并平均池化层和最大池化层的数据，得到通道注意力权值，具体的公式如下：
6.根据权利要求4所述的方法，其特征在于，所述多通
7.根据权利要求2所述的方法，其特征在于，在所述步骤3中：采用测试集对模型的预测准确性、训练速度进行性能评估，并对模型进行合理调参来提升模型性能，实现带噪振动信号的特征提取。
8.根据权利要求2所述的方法，其特征在于，在所述步骤4中：将带噪振动信号输入模型得到的输出值与模糊数学理论相结合，得到健康度评分。
...【技术特征摘要】
1.一种基于mc-iwdcnn-lstm的接合装配设备健康状况评估方法，其特征在于，围绕接合装配设备健康关键指标，采集并处理与接合装配设备健康状况相关的带噪振动信号，建立mc-iwdcnn-lstm特征提取模型，采用测试集对特征提取模型进行性能评估和调参，实现接合装配设备带噪振动信号的特征提取，最后结合模糊数学理论，基于mc-iwdcnn-lstm模型的输出特征值和隶属度函数，计算得到健康度评分，从而评估接合装配设备的健康状态，为维修团队提供决策支持，确保设备作业的安全性和稳定性。
2.根据权利要求1所述的方法，其特征在于，它包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，在所述步骤1中：
4.根据权利要求2所述的方法，其特征在于，在所述步骤2中：
5.根据权...
【专利技术属性】
技术研发人员：薛善良，项禹东，陈琪玮，周东萍，王辉，许心怡，刘国辉，
申请(专利权)人：南京航空航天大学，
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。