[发明专利]一种基于多特征结合深度学习对机床主轴故障的诊断方法

权利要求书

1.一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，包括如下步骤：

步骤100、采集数控机床时间序列的原始数据；

步骤200、将以往数控机床所出现的问题故障根据其组成模块及实际故障情况进行具体分类，记M类；

步骤300、对M类故障分别进行故障分析，得出故障出现的原因及进行故障特征提取；

步骤400、对提取的故障特征进行数据预处理，并训练构建序贯检验的长短时记忆循环网络故障模型；

步骤500、对构建出来的序贯检验的长短时记忆循环网络故障模型进行单向特征输入；

步骤600、将各项单向特征的输出结果与理论证据融合，判定出故障结果。

2.根据权利要求1所述的一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，在步骤100中，数控机床的时间序列包括数控机床工作的电压、电流、功率、转速、温度多个状态的原始时间序列数据。

3.根据权利要求2所述的一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，每个状态的原始时间序列数据括主轴的振动信号、机床的各相电流、主轴温度。

4.根据权利要求1所述的一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，在步骤300中，对故障分析和故障特征提取的具体方法为滑动平均等信号分析法。

5.根据权利要求1所述的一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，在步骤400中，对采集的数据需进行预处理的具体步骤为：根据所采集数据的不同量纲进行归一化处理，并对输入层的输出数据进行相同的标准化。

6.根据权利要求1所述的一种基于多特征结合深度学习对机床主轴故障的诊断方法，其特征在于，步骤600进一步包括：

(1)M代表数控机床预设的M种故障状态数控机床的故障状态，建立识别框架Θ{M1,M2,…,Mn}，其中M1，M2，…，Mn；

Q为输入的特征向量种类；

i为将测试样本输入序贯检验的长短时记忆循环网络故障模型网络得出的对应M种故障状态的可行度；

(2)对应输入样本中不同特征向量中使得序贯检验的长短时记忆循环网络故障模型网络得出的故障结果概率，其理论证据融合规则如下：

先进行归一化系数：

归一化：

其次组合规则如下：