[发明专利]一种机床轴承故障诊断方法

说明书

本发明实施例公开了一种机床轴承故障诊断方法，涉及智能制造技术领域，能够缓减为了采集故障数据而对实际机床轴承的破坏的问题。本发明包括：建立数字孪生车间，并在所述数字孪生车间加载机床的加工任务，其中，数字孪生车间对应现实车间；采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型；对所生成的故障诊断模型进行变工况迁移学习训练，并得到第二类故障诊断模型，其中，所述第二类故障诊断模型包括：所述现实车间中的机床轴承的故障诊断的模型；利用所述第二类故障诊断模型检测所述现实车间中的机床轴承的故障。本发明适用于机床车间监控。

技术领域

本发明涉及智能制造技术领域，尤其涉及一种机床轴承故障诊断方法。

背景技术

机床作为一种典型的制造设备，被称作工业的母机。机床中的故障如果不及时排除故障，可能会导致精度降低并影响生产效率和良品率。因此在智能制造车间中，故障诊断方法对于以轴承为关键组件的机床至关重要。

目前采用的数据驱动型故障诊断模型中，普遍使用机器学习算法和带有信号处理方法的分类器，数据驱动的方法可以直接从传感器收集的轴承振动信号中识别出故障，因此无需了解轴承的内部结构。

在实际应用中，数据驱动的故障诊断的方案已取得了一定的成就和效果。但是也存在一些缺陷，比如：带有机器学习算法的传统数据驱动方法严格要求训练和测试数据必须在相同的工作条件下并且具有相同的分布和特征空间。因此不适用于经常随时间变化的现实世界工作条件，因此很难获取数据。同时，对于这些机器学习方法，首先需要使用足够的训练数据来训练故障诊断模型；然后，在相同工作条件下的测试数据用于测试模型的性能；但是车间机床轴承的工作条件在现实世界中不可能保持不变；随着轴承工作时间的增加，故障直径变得越来越大，并且载荷不可能一直都相同。并且，规模越大、环节越多的自动化生产线，这个问题也就越突出。这就需要频繁得采集故障数据，但是实际运行中，采集故障数据也是会对实际生产造成一定程度上的破坏的，比如导致设备宕机、车间生产计划打乱等情况，这类破坏或许并不严重但是依旧会影响生产精度。由此可见，传统方法不适用于随时间变化的工作条件，存在很大的局限性。

发明内容

本发明的实施例提供一种机床轴承故障诊断方法，能够缓减为了采集故障数据而对实际机床轴承的破坏的问题。

为达到上述目的，本发明的实施例采用如下技术方案：

建立数字孪生车间，并在所述数字孪生车间加载机床的加工任务，其中，数字孪生车间对应现实车间；采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型，其中，所述第一类故障诊断模型包括：数字孪生车间中的机床轴承的故障诊断模型；对所生成的故障诊断模型进行变工况迁移学习训练，并得到第二类故障诊断模型，其中，所述第二类故障诊断模型包括：所述现实车间中的机床轴承的故障诊断的模型；利用所述第二类故障诊断模型检测所述现实车间中的机床轴承的故障。

本发明实施例提供的机床轴承故障诊断方法，本发明提出数字孪生与故障诊断融合的方法，运用数字孪生来模拟实际机床加工过程中轴承的状态变化来采集数字孪生空间中机床轴承的数据，以此来训练虚拟空间中机床轴承故障诊断的模型，缓减了为了采集故障数据而对实际机床轴承的破坏的问题。其中运用深度迁移学习将数字孪生空间中机床轴承故障诊断的模型迁移到现实车间中的机床轴承上，运用现实车间机床轴承的少量数据再次训练此模型，即可获得现实车间机床轴承的故障诊断模型。可以避免采集现实车间轴承的全生命周期数据而消耗大量的时间成本，并且避免了由于需要采集故障数据而导致设备宕机、车间生产计划打乱等情况的发生。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。