[发明专利]面向自适应调度与无人生产线协同的智能诊断方法和系统

说明书

本发明提供一种面向自适应调度与无人生产线协同的智能诊断方法和系统，涉及智能制造技术领域。本发明通过基于参数共享的迁移学习方法，来解决因数据量少所导致的过拟合问题，缓解SMOTE采样所带来的分布扰动等问题，帮助提高故障诊断准确度；此外，提出基于KLIEP的数据选择方法，来降低不同工件故障诊断数据的分布差异，从而帮助进一步提高诊断结果准确度。

技术领域

本发明涉及智能制造技术领域，具体涉及一种面向自适应调度与无人生产线协同的智能诊断方法和系统。

背景技术

随着科技革命与产业变革不断地孕育兴起，制造业由电气化、信息化向智能化的不断过渡，而生产模式也从单一品种产品的大规模定制生产，逐渐演变成多品种、小批量的敏捷定制生产，从而快速响应市场的个性化需求。多品种、小批量的生产模式要求一条流水生产线能够同时生产多种结构相似的产品，从而大幅缩短生产周期，降低库存，增强对市场变化的适应力。然而在实际生产过程中，由于生产需求存在差异，部分工件存在生产批量较小的情况。此外，由于加工过程中所发生故障机理不同，不同故障类型发生的概率也存在差异，所得工件故障诊断数据通常也存在一定的数据不平衡问题。在这种情况下，采用传统分类方法，一方面会存在过拟合的问题，无法较好的捕捉真实数据分布的特征；另一方面，数据的不平衡特征也会导致分类方法倾向于多数类，因此所得诊断预测准确度较低。

为了应对上述问题，学者提出了基于SMOTE的Deep Neural Network(SMOTE-DNN)方法，通过利用SMOTE方法增加少数类数据集样本数的方法来平衡数据集类别，提高数据量，并在此基础上，利用DNN对平衡后的数据集进行学习。

虽然SMOTE-DNN利用SMOTE方法可一定程度上增加训练的数据量，但在SMOTE算法中，新样本的合成取决于对少数类样本以及邻近样本的选择。若所选样本处于少数类样本类别边缘，则由SMOTE算法所合成的样本也会接近这个边缘，且会使少数类样本整体更加边缘化。同时，若所选择样本混入噪声样本，则所合成样本可能落入多数类样本区域，从而扰乱数据集的原本分布。因此，当数据量较小时，现有基于SMOTE-DNN的智能诊断方法仅能一定程度上满足DNN对样本量的需求，对准确度的提升较为有限。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种面向自适应调度与无人生产线协同的智能诊断方法和系统，解决了现有智能诊断方法诊断结果准确度低的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种面向自适应调度与无人生产线协同的智能诊断方法，包括：

S1、预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据；

S2、根据第二工件对应的标准化故障诊断数据，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据；

S3、根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型；

S4、过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据；

S5、根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。

优选的，所述步骤S2具体包括：

S21、根据所述第一、第二工件对应的标准化故障诊断数据及各自对应的诊断数据密度，获取第一工件故障诊断数据的权重；

S22、根据所述权重和预设的筛选比例，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据。