[发明专利]一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法

说明书

本发明涉及数控系统维管技术领域，具体地说，涉及一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法。包括如下步骤：建立激光切割数控系统数字孪生模型；进行故障模拟，构建数据故障分类器；构建迁移学习，利用深度迁移学习将之前训练的诊断模型从虚拟空间迁移到物理空间。本发明设计可以挖掘切割过程的潜在问题并直观显示，与激光切割数控设备进行交互协作，实现同步监控和预测分析的效果，有效解决实际应用中训练数据不足、分布不均匀的问题；同时解决激光切割数控系统数据利用率低、缺乏高效深度发掘和分析的问题，为其提供及时、可靠、有效的故障诊断方法。

技术领域

本发明涉及数控系统维管技术领域，具体地说，涉及一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法。

背景技术

激光加工技术一直是国家重点支持和推动应用的一项高新技术，特别是政府强调要振兴制造业，这就给激光加工技术应用带来发展机遇。在国家制定中长远发展规划时，又将激光加工列为关键支撑技术，因为它涉及国家安全、国防建设、高新技术的产业化和科技前沿的发展，这就把激光加工提升到很高的重视程度，激光加工设备的安全和升级带来很大的挑战。

在激光切割数控系统走向高度自动化和智能化的同时，其可靠性和安全性带来新的挑战。激光切割加工过程中发生的故障是由硬件和软件两方面因素同时导致，因而系统的故障诊断变的更加复杂。不可否认的是这些故障都有可能带来不可弥补的损失。在大数据时代，故障诊断采用了多种先进的技术和方法，如贝叶斯网络、深度学习、支持向量机、极限学习机等，显著提高了诊断的准确性和效率。然而，这些智能诊断方法大多在以下两个假设条件下工作良好：(1)训练数据涵盖了全面的诊断信息；(2)训练数据和测试数据具有相同的特征分布。然而，在实际制造时，只有在正常条件下才容易获得大量的数据，很难收集全面、广泛的故障数据来充分训练诊断模型。另外，切割加工环境条件不断变化，导致上一阶段训练的模型可能并不适用于现阶段。而且从头开始训练模型需要大量的时间和其他计算成本，这是对时间和知识的浪费。

鉴于此，本发明提出了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，旨在使故障诊断更适用于日益自主化和复杂化的应用场景。

发明内容

本发明的目的在于提供一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，以解决上述背景技术中提出的问题。

为实现上述技术问题的解决，本发明的目的之一在于，提供了一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，包括如下步骤：

S1、构建激光切割数控系统数字孪生模型：对激光数控系统进行可视化模型建立；

S2、虚拟空间中激光切割数控系统潜在的故障分析：建立虚拟故障诊断分类器，根据激光数控系统数字孪生模型，通过模拟不同故障工况下的切割加工过程来探索潜在的故障模式，在无先验经验的情况下，从大量未被标记的仿真数据中提取故障特征；

S3、激光切割数控系统主动维护阶段的故障预测：通过物理实体的实时监控数据改善激光切割数控系统数字孪生模型，并利用深度迁移学习将之前训练的虚拟故障诊断分类器从虚拟空间迁移到物理空间，构建实体故障诊断与预测模型；

S4、实时运行过程中故障诊断：通过实时采集激光切割系统中运行数据，在实体故障诊断与预测模型中做出预测和诊断，并制定激光切割系统的维护措施。

作为本技术方案的进一步改进，所述S1中，构建激光切割数控系统数字孪生模型的具体方法包括如下步骤：

S1.1、构建虚拟激光数控系统多维模型：为实现激光数控系统多维模型融合，必须构建几何、物理、行为、规则等多维度的激光数控系统模型，从几何形状、物理属性、行为响应及规律规则等多方面对激光数控系统进行真实刻画和描述建模；