本技術(shù)屬于機械設(shè)備生產(chǎn)加工過程狀態(tài)監(jiān)測領(lǐng)域，特別涉及一種面向時變工況的機床電主軸健康監(jiān)測方法與系統(tǒng)。
背景技術(shù)：
1、數(shù)控機床作為現(xiàn)在工業(yè)制造的基礎(chǔ)單元，廣泛應(yīng)用于汽車、航空、船舶等高端制造行業(yè)里。然而，由于大型機械設(shè)備件結(jié)構(gòu)日趨復(fù)雜，對數(shù)控機床的要求更高，推動數(shù)控機床更復(fù)雜化、智能化發(fā)展，隨之也給系統(tǒng)的安全性、可靠性和經(jīng)濟型帶來巨大的挑戰(zhàn)。在工業(yè)生產(chǎn)過程中，一旦機床的任何一個部件發(fā)生故障，都會導(dǎo)致機床加工質(zhì)量的降低甚至大面積停產(chǎn)。因此，實現(xiàn)對數(shù)控機床及時準(zhǔn)確的進行故障預(yù)警與狀態(tài)監(jiān)測，成為目前研究的熱點問題。
2、數(shù)控機床設(shè)備結(jié)構(gòu)復(fù)雜，多個子系統(tǒng)之間相互耦合，直接對機床進行狀態(tài)監(jiān)測精度不高且難以實現(xiàn)。機床電主軸是數(shù)控機床的關(guān)鍵子系統(tǒng)，其運行過程中的健康狀態(tài)將直接影響機床的加工狀態(tài)與生產(chǎn)效率。機床電主軸運行過程中時刻伴隨著振動、溫度、聲音等特征信息的產(chǎn)生，實時反映機床電主軸的運行狀態(tài)，比如主軸系統(tǒng)自身的振動特性、機械結(jié)構(gòu)故障和主軸系統(tǒng)性能退化等。在不同運行工況下，一旦發(fā)生與當(dāng)前運行信息不同的異常表現(xiàn)，都會對生產(chǎn)工件產(chǎn)生影響。因此對機床電主軸進行故障預(yù)警與狀態(tài)監(jiān)測，是實現(xiàn)數(shù)控機床整體運行狀態(tài)監(jiān)測的行之有效的方法。
3、傳統(tǒng)的面向時變工況的機床電主軸健康監(jiān)測技術(shù)中，常見的方法如基于閾值的監(jiān)測方法，需要預(yù)先設(shè)定固定的閾值來判斷設(shè)備是否處于異常狀態(tài)。然而，在實際復(fù)雜的生產(chǎn)加工過程中，機床的工況時刻處于變化之中，這種固定閾值的方式難以適應(yīng)工況的動態(tài)變化，容易出現(xiàn)誤報或漏報的情況。例如，當(dāng)加工工藝調(diào)整、負(fù)載變化或轉(zhuǎn)速改變等工況變動時，電主軸的振動、溫度等監(jiān)測數(shù)據(jù)的統(tǒng)計特性也會相應(yīng)改變，但固定閾值無法隨之動態(tài)調(diào)整，從而導(dǎo)致監(jiān)測準(zhǔn)確性大幅下降。
4、另一種常用的方法是基于單一模型的監(jiān)測技術(shù)，如使用神經(jīng)網(wǎng)絡(luò)進行建模。雖然神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)數(shù)據(jù)中的一些模式，但在面對時變工況時，其缺乏有效的機制來分離工況信息和設(shè)備健康狀態(tài)信息，使得模型在不同工況下的泛化能力較弱，難以準(zhǔn)確地捕捉設(shè)備真實的健康狀態(tài)變化，無法滿足高精度的健康監(jiān)測需求。
5、因此，需要一種能夠適應(yīng)時變工況的監(jiān)測技術(shù)，以提高變工況下機床電主軸狀態(tài)監(jiān)測的泛化性和魯棒性。
技術(shù)實現(xiàn)思路
1、本技術(shù)的目的是提供了一種面向時變工況的機床電主軸健康監(jiān)測方法與系統(tǒng)，以解決現(xiàn)有的監(jiān)測方式難以適應(yīng)工況變化的問題。
2、本技術(shù)的技術(shù)方案是：一方面，設(shè)計了一種面向時變工況的機床電主軸健康監(jiān)測方法，包括：
3、獲取時變工況下機床電主軸正常工作下的多源監(jiān)測數(shù)據(jù)以及工況信息數(shù)據(jù)，多源監(jiān)測數(shù)據(jù)為當(dāng)前編碼的工況信息下進行工作產(chǎn)生的數(shù)據(jù)；根據(jù)獲得的多源監(jiān)測數(shù)據(jù)與對應(yīng)的工況信息數(shù)據(jù)建立網(wǎng)絡(luò)訓(xùn)練集；
4、將網(wǎng)絡(luò)訓(xùn)練集輸入條件變分自動編碼器的特征提取器cvae中，條件變分自動編碼器通過一個線性變換層提取潛在變量 z，將潛在變量 z中與健康狀態(tài)關(guān)聯(lián)的均值特征作為解除工況信息后的加工狀態(tài)信息，對特征提取器cvae的輸出變量進行過程重構(gòu)；而后基于重構(gòu)完成的特征提取器cvae生成若干組隨機數(shù)分布；
5、建立生成對抗網(wǎng)絡(luò)，生成對抗網(wǎng)絡(luò)包括生成器模型g和判別器模型d，通過生成對抗網(wǎng)絡(luò)接收若干組隨機數(shù)分布；生成器模型g接收一組滿足正態(tài)分布的隨機數(shù)據(jù) y作為輸入，同時生成與歷史健康數(shù)據(jù)維度相同的生成數(shù)據(jù)；
6、將生成數(shù)據(jù)與歷史健康數(shù)據(jù)輸入判別器模型d，分別得到判別器模型d輸出結(jié)果，包括：判別器真實數(shù)據(jù)和判別器生成數(shù)據(jù)；循環(huán)交替運行生成器模型 g和判別器模型d，直至判別器模型d輸出的判別器真實數(shù)據(jù)和判別器生成數(shù)據(jù)收斂；
7、利用weibull分布對判別器模型d輸出的與健康狀態(tài)關(guān)聯(lián)的均值特征的概率分布進行擬合，而后根據(jù)最佳的分布參數(shù)確定weibull分布中區(qū)分正常與異常數(shù)據(jù)的臨界值，并將該臨界值作為判別器模型d評估輸出數(shù)據(jù)時的決策閾值，得到訓(xùn)練完成的特征提取器模型cvae；
8、將在線數(shù)據(jù)輸入至訓(xùn)練完成的特征提取器模型cvae和判別器模型d中，實現(xiàn)加工狀態(tài)在線監(jiān)測。
9、優(yōu)選地，所述特征提取器cvae中存在四個變量，輸入變量，條件信息，輸出變量，潛在變量；對于給定的輸入變量和條件信息，先從先驗分布中采樣得到潛在變量，潛在變量中包含了一個消除工況信息后只與健康狀態(tài)關(guān)聯(lián)的均值特征，輸出變量根據(jù)均值特征從編碼器中生成過程。
10、優(yōu)選地，得到生成過程的具體方法為：
11、變分近似過程由編碼器，工況編碼器以及可微變換組成；將監(jiān)測數(shù)據(jù)與編碼的工況信息均輸入到編碼器中，再通過一個線性變換層得到表征輸入的潛在變量分布的均值和方差,；
12、將潛在變量的均值從工況信息中解耦出來，得到與健康狀態(tài)關(guān)聯(lián)的均值特征，并將工況信息通過工況編碼器被編碼成潛在特征；
13、均值特征與潛在特征通過可微變換進行重采樣，得到最終的潛在變量；
14、特征提取器cvae中通過工況編碼器結(jié)合生成過程表達式得到生成過程，而后基于生成過程建立重構(gòu)誤差和kl散度，再通過重構(gòu)誤差和kl散度建立特征提取器cvae的總體損失函數(shù)，通過總體損失函數(shù)完成對輸出變量的過程重構(gòu)。
15、優(yōu)選地，所述線性變換層的變換過程表達式為：
16、；其中與為線性變換層的權(quán)重和偏置；
17、潛在變量表達式如下：
18、，；式中，為采樣數(shù)據(jù)；
19、輸出變量表達式為：
20、；
21、重構(gòu)誤差表示為：
22、；
23、kl散度表達式為：
24、；
25、其中：與分別為特征，的維度和索引；
26、特征提取器cvae的總體損失函數(shù)為：
27、；
28、其中：，為損失平衡參數(shù)。
29、優(yōu)選地，所述生成與歷史健康數(shù)據(jù)維度相同的生成數(shù)據(jù)的具體步驟為：
30、假設(shè)真實數(shù)據(jù)樣本數(shù)為，每個樣本存在維的特征，，組成訓(xùn)練數(shù)據(jù)分布，則輸入相同維度的隨機數(shù)據(jù) y為，組成隨機數(shù)分布；將隨機數(shù)據(jù) y輸入生成器模型g；
31、生成器模型g接受隨機數(shù)據(jù) y輸入，得到生成數(shù)據(jù)。
32、優(yōu)選地，所述生成對抗網(wǎng)絡(luò)具體設(shè)計為：
33、假設(shè)經(jīng)過神經(jīng)網(wǎng)絡(luò)第 k層隱藏層的線性變換后輸出為z，非線性變換后輸出為a，權(quán)重為w，偏差為b，則神經(jīng)網(wǎng)絡(luò)隱藏層的傳播公式為：
34、；
35、式中，上標(biāo)為第 k層；為激活函數(shù)，選用sigmoid函數(shù)，如下式：
36、。
37、優(yōu)選地，所述判別器模型d輸出的判別器真實數(shù)據(jù)和判別器生成數(shù)據(jù)收斂的具體設(shè)計方法為：
38、將多源監(jiān)測數(shù)據(jù)與生成數(shù)據(jù)輸入判別器模型d，獲得接近于1的輸出判別器真實數(shù)據(jù)和接近于0的輸出判別器生成數(shù)據(jù)；
39、通過生成對抗網(wǎng)絡(luò)定義優(yōu)化目標(biāo)函數(shù)，通過優(yōu)化目標(biāo)函數(shù)和梯度下降優(yōu)化算法更新生成器模型參數(shù)，優(yōu)化生成器模型g；通過優(yōu)化目標(biāo)函數(shù)和反向傳播算法更新判別器模型d參數(shù)，優(yōu)化判別器模型d；
40、循環(huán)交替運行生成器模型 g和判別器模型d，直至判別器模型d輸出判別器真實數(shù)據(jù)和判別器生成數(shù)據(jù)均收斂至0.5，則訓(xùn)練完成。
41、優(yōu)選地，所述優(yōu)化目標(biāo)函數(shù)為：
42、；
43、其中，表示均值，表示來自隨機數(shù)據(jù)，表示來自多源監(jiān)測數(shù)據(jù)；
44、訓(xùn)練過程中，將優(yōu)化目標(biāo)函數(shù)分別執(zhí)行：
45、。
46、優(yōu)選地，所述weibull分布中區(qū)分正常與異常數(shù)據(jù)的臨界值的具體方法為：利用weibull分布的概率密度函數(shù)來擬合判別器模型d對歷史健康數(shù)據(jù)輸出的概率分布，并采用極大似然估計方法來確定分布參數(shù)，從而獲得最佳的weibull分布參數(shù)配置；
47、weibull分布的概率密度函數(shù)為：
48、；
49、基于概率密度函數(shù)建立對應(yīng)的累積概率分布函數(shù)；
50、對應(yīng)的累積概率分布函數(shù)為：
51、；
52、式中為概率密度函數(shù)；為累積概率分布函數(shù)；為待估計參數(shù)。
53、另一方面，設(shè)計了一種面向時變工況的機床電主軸健康監(jiān)測系統(tǒng)，包括數(shù)據(jù)獲取模塊、預(yù)處理模塊、特征提取器模塊、特征生成器模塊、判別器模塊、數(shù)據(jù)分布擬合模塊和閾值處理模塊；
54、所述數(shù)據(jù)獲取模塊獲取時變工況下機床電主軸正常工作下的多源監(jiān)測數(shù)據(jù)以及工況信息數(shù)據(jù)，多源監(jiān)測數(shù)據(jù)為當(dāng)前編碼的工況信息下進行工作產(chǎn)生的數(shù)據(jù)；根據(jù)獲得的多源監(jiān)測數(shù)據(jù)與對應(yīng)的工況信息數(shù)據(jù)建立網(wǎng)絡(luò)訓(xùn)練集；
55、所述預(yù)處理模塊用于對網(wǎng)絡(luò)訓(xùn)練集進行濾波、歸一化的預(yù)處理操作；預(yù)處理完成后發(fā)送至特征提取器模塊；
56、所述特征提取器模塊將網(wǎng)絡(luò)訓(xùn)練集輸入條件變分自動編碼器的特征提取器cvae中，條件變分自動編碼器通過一個線性變換層提取潛在變量 z，將潛在變量 z中與健康狀態(tài)關(guān)聯(lián)的均值特征作為解除工況信息后的加工狀態(tài)信息，對特征提取器cvae的輸出變量進行過程重構(gòu)；而后基于重構(gòu)完成的特征提取器cvae生成若干組隨機數(shù)分布；
57、所述特征生成器模塊建立生成對抗網(wǎng)絡(luò)，生成對抗網(wǎng)絡(luò)包括生成器模型g和判別器模型d，通過生成對抗網(wǎng)絡(luò)接收若干組隨機數(shù)分布；生成器模型g接收一組滿足正態(tài)分布的隨機數(shù)據(jù) y作為輸入，同時生成與歷史健康數(shù)據(jù)維度相同的生成數(shù)據(jù)；
58、所述判別器模塊將生成數(shù)據(jù)與歷史健康數(shù)據(jù)輸入判別器模型d，分別得到判別器模型d輸出結(jié)果，包括：判別器真實數(shù)據(jù)和判別器生成數(shù)據(jù)；循環(huán)交替運行生成器模型 g和判別器模型d，直至判別器模型d輸出的判別器真實數(shù)據(jù)和判別器生成數(shù)據(jù)收斂；
59、所述數(shù)據(jù)分布擬合模塊利用weibull分布對判別器模型d輸出的與健康狀態(tài)關(guān)聯(lián)的均值特征的概率分布進行擬合；而后發(fā)送至閾值處理模塊；
60、所述閾值處理模塊根據(jù)最佳的分布參數(shù)確定weibull分布中區(qū)分正常與異常數(shù)據(jù)的臨界值，并將該臨界值作為判別器模型d評估輸出數(shù)據(jù)時的決策閾值，得到訓(xùn)練完成的特征提取器模型cvae，進行在線監(jiān)測。
61、本技術(shù)的面向時變工況的機床電主軸健康監(jiān)測方法與系統(tǒng)，具有如下優(yōu)點：
62、充分考慮到復(fù)雜結(jié)構(gòu)件加工過程面臨的復(fù)雜工況問題，提出的條件變分編碼器能夠適應(yīng)不同工況下的數(shù)據(jù)變化，通過特征解耦和生成對抗學(xué)習(xí)提高健康監(jiān)測的準(zhǔn)確性和魯棒性。此外，本發(fā)明提出的生成對抗學(xué)習(xí)網(wǎng)絡(luò)框架可以自主學(xué)習(xí)歷史數(shù)據(jù)分布，通過生成器和判別器循環(huán)交替訓(xùn)練出的判別器模型d可以自主判別設(shè)備健康狀態(tài)。