[发明专利]一种基于深度学习的机器预测性维护方法

权利要求书

1.一种基于深度学习的机器预测性维护方法，其特征在于，包括以下步骤：

S1、用振动传感器从丝杆上采集到其运行时的振动信号

S2、用滑动框架以固定长度的采集信号

S3、随机选择样本以构建训练集和测试集数据库，标记为脉冲响应与非脉冲响应；

S4、训练数据集和测试数据及用于训练和测试稀疏自动编码器SAE层和误差反向传播BP神经网络BPNN层的学习模型；

S5、根据脉冲响应随时间推移确定丝杆的动态性能；

使用状态空间模型根据脉冲响应来估计动态性能，空间模型是构建输入输出数据的结构子空间，利用奇异值分解或者QR分解的方法，辨识状态空间模型的参数矩阵；首先，先对数据进行预处理，然后对时变空间的模型参数进行辨识；

S6、使用基于动态性能相似度的指标来指示和监测丝杆的寿命状态；

特征向量之间的相似性以余弦距离作为的度量方法，余弦距离是用是利用向量之间的夹角的大小的确定相似度的；夹角为零则，则相同，两条向量夹角余弦等于1时，说明此时寿命为初始寿命；两条向量夹角余弦接近0时，说明寿命剩余寿命较低，使用百分比表示剩余寿命；

S7、根据寿命的情况对最高速度、加速度的进行限制；

当余弦距离低于阈值Ma₁但是高于阈值Ma₂时，就开始对丝杆的一些性能限制，限制最高速度，以及最高加速度，这个是预先设定，或者根据深度学习的推荐值，但当低于阈值Ma₂，意味着丝杆寿命剩余寿命过低，为了保证加工质量会直接对机器进行停止并警告建议更换；数值控制装置中包含速度控制部分和电流控制部分，当它们收到指令后，即对电动机的转速进行控制。

2.根据权利要求1所述的基于深度学习的机器预测性维护方法，其特征在于，步骤S4具体为：

S4.1、稀疏自动编码器原理

自动编码器(AE)是非监督的神经网络，高纬度的数据通过编码网络变成低维的数据矢量，低维的数据矢量通过解码网络再变回高纬度的数据矢量，输出与输入相同；

给定一个无标签的机械状况样本集编码网络通过编码函数f_θ将每一个训练样本x^m变换为编码矢量h^m；

h^m＝f_θ(x^m)＝s_f(Wx^m+b) (1)

(1)式中，s_f为编码网络的激活函数；θ为编码网络的参数集合，且θ＝{W,b}；然后编码矢量h_m通过解码函数g_θ′反向变换为x^m的一种重构表示(2)式中，s_g为解码网络的激活函数；θ′为解码网络的参数集合，且θ′＝{W′,d}；公式(1)、(2)两个参数集合中的参数W、W′被限制满足如下关系W＝W′；最后通过不断修改θ和θ′使得平均重构误差L达到最小化；

如果编码矢量h^m能很好地重构x^m，那么认为它保留了训练样本数据中所含有的大部分信息；

但是简单的自动编码不足以让编码器学到一种有用的特征表示；因此需要给自动编码一定的约束使它能够学习一种更为复杂的非线性函数；稀疏编码算法SAE其核心是为了高效表示样本数据去找到一组基向量表示样本数据；

(4)式中φ_i为基向量组，a_i为系数，X为输入向量

有m个输入向量的稀疏编码代价函数定义为：

(5)式中|φ_i||²≤C,为稀疏代价函数，它对远大于零的a_i进行”惩罚”，常量λ是变化量，控制式中两部分的相对重要性；

S4.2、深度学习与反向误差调整

DNN预训练的算法核心是无监督方法将多个SAE层层叠形成DNN的隐层结构，首先使用样本x^m训练SAE₁的参数，并将x^m编码为然后使用训练SAE₂，并将输入编码为重复这个过程，直到SAE_N训练完毕

预训练将多个SAE相互连接起来，组成DNN隐层结构，实现信息的层层提取，然后利用误差反向传播对整个网络进行参数微调，从而使DNN能够从原始的数据中提取到一些本质的特征属性。

3.根据权利要求1所述的基于深度学习的机器预测性维护方法，其特征在于，步骤S6具体为：

特征向量之间的相似性以余弦距离作为的度量方法，余弦距离是用是利用向量之间的夹角的大小的确定相似度的；

其中m^模型是寿命模型的n维向量，p^实时是当前状态的实时寿命的n维向量，表示m^模型的第i个值，表示p^实时第i个值；当θ＝0时，表示此时，p^实时与m^模型完全相同，即此时的寿命状态为Ma_总，当θ＝1时，表明p^实时与m^模型完全不同，即此时已经处于随时失效状态，此时的寿命状态为小于或等于Ma₂。