[发明专利]基于深度学习的智能制造设备故障的诊断方法及装置

权利要求书

1.基于深度学习的智能制造设备故障的诊断方法，其特征在于，包括以下步骤：

步骤S1、采集智能制造设备的原始振动数据；

步骤S2、根据所述原始振动数据获取归一化处理后的振动频谱信号；

步骤S3、对归一化处理后的振动频谱信号进行深度学习，获取频谱信号特征；

步骤S4、提取所述原始振动数据的时域统计特征，将所述时域统计特征与所述谱信号特征结合，作为粒子群支持向量机的输入进行分类，从而完成故障诊断。

2.根据权利要求1所述的基于深度学习的智能制造设备故障的诊断方法，其特征在于，所述步骤S1具体包括：

利用加速度传感器分别测取智能制造设备的机械臂在各种状态下的原始振动数据X；

所述各种状态包括正常、磨损、断开、裂纹、偏心；所述原始振动数据X包括原始振动信号、原始振动时域信号与原始振动频域信号。

3.根据权利要求2所述的基于深度学习的智能制造设备故障的诊断方法，其特征在于，所述步骤S2具体包括：

以所述齿轮的原始振动数据X作为输入样本，对其进行快速傅里叶变换，得到样本频谱信号X₁；

通过线性归一化方法，对所述样本频谱信号X₁进行归一化处理得到振动频谱信号X₂，设所述样本频谱信号X₁的数据长度为n，则有

其中，为振动频谱信号X₂的第i个数据点，i＝1，2，...，n；x_i为振动频谱信号X₁的第i个数据点；x_min为振动频谱信号X₁中的最小值；x_max为振动频谱信号X₁中的最大值。

4.根据权利要求3所述的基于深度学习的智能制造设备故障的诊断方法，其特征在于，所述步骤S3具体包括：

将振动频谱信号X₂输入深度学习神经网络，对齿轮频谱特征进行深度学习。

5.根据权利要求4所述的基于深度学习的智能制造设备故障的诊断方法，其特征在于，所述深度学习神经网络具体通过以下步骤形成：

步骤S31、构建深度学习神经网络，所述深度学习神经网络包括神经元n个，隐层神经元m个，节点间的连接只存在层与层之间；

步骤S32、建立深度学习神经元的能量函数，所述能量函数的计算公式为：

其中，v_i和h_j分别是可视层第i个单元和隐含层第j个单元的随机状态；a_i和b_j是对应的偏置；w_ij是2个单元间的权值；

步骤S33、以v＝h₀作为输入，训练第1个深度学习神经元，使其达到稳定状态；

步骤S34、将第1个深度学习神经学习元到外界输入的联合概率分布当作第2个深度学习神经元的可视层输入，直至稳定状态；

步骤S35、跳转到步骤B3，直到最后一个深度学习神经元；

步骤S36、将最大似然函数作为目标函数，对各层参数进行微调，使输出值E(v,h)达到最小，从而得到所述深度学习神经网络的最优参数{w，a，b}；

步骤S37、将最优参数更新到所述深度学习神经元；

步骤S38、将参数更新后的深度学习神经元依次堆叠组成深度学习神经网络。

6.根据权利要求1所述的基于深度学习的智能制造设备故障的诊断方法，其特征在于，所述步骤S3具体包括：

提取所述原始振动数据的时域统计特征，将所述时域统计特征与所述谱信号特征结合，输入支持向量机进行训练，利用粒子群算法对支持向量机参数进行优化，对测试样本进行测试，从而完成对齿轮的故障诊断。

7.基于深度学习的智能制造设备故障的诊断装置，其特征在于，所述装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当所述计算机程序指令被所述处理器执行时，触发所述装置执行权利要求1至6中任一项所述的方法。