[发明专利]一种基于深度学习的机器预测性维护方法

摘要

本发明公开了一种基于深度学习的机器预测性维护方法，包括以下步骤：用振动传感器从丝杆上采集到其运行时的振动信号；用滑动框架以固定长度的采集信号；随机选择样本以构建训练集和测试集数据库，标记为脉冲响应与非脉冲响应；训练数据集和测试数据及用于训练和测试稀疏自动编码器层和误差反向传播神经网络层的学习模型；根据脉冲响应随时间推移确定丝杆的动态性能；使用基于动态性能相似度的指标来指示和监测丝杆的寿命状态；根据寿命的情况对最高速度、加速度等进行限制。本发明首先对寿命为进行预测，并以此为基础对丝杆的最高转速、最高负载等进行限制，通过限制其最高转速或者加速度等方式，达到延长寿命，提高利用率的目的。

主权项

1.一种基于深度学习的机器预测性维护方法，其特征在于，包括以下步骤：S1、用振动传感器从丝杆上采集到其运行时的振动信号S2、用滑动框架以固定长度的采集信号S3、随机选择样本以构建训练集和测试集数据库，标记为脉冲响应与非脉冲响应；S4、训练数据集和测试数据及用于训练和测试稀疏自动编码器SAE层和误差反向传播BP神经网络BPNN层的学习模型；S5根据脉冲响应随时间推移确定丝杆的动态性能；使用状态空间模型根据脉冲响应来估计动态性能，空间模型是构建输入输出数据的结构子空间，利用奇异值分解或者QR分解的方法，辨识状态空间模型的参数矩阵；首先，先对数据进行预处理，然后对时变空间的模型参数进行辨识；S6使用基于动态性能相似度的指标来指示和监测丝杆的寿命状态；特征向量之间的相似性以余弦距离作为的度量方法，余弦距离是用是利用向量之间的夹角的大小的确定相似度的；夹角为零则，则相同，两条向量夹角余弦等于1时，说明此时寿命为初始寿命；两条向量夹角余弦接近0时，说明寿命剩余寿命较低，使用百分比表示剩余寿命；S7根据寿命的情况对最高速度、加速度的进行限制；当余弦距离低于阈值Ma1但是高于阈值Ma2时，就开始对丝杆的一些性能限制，例如限制最高速度，以及最高加速度，这个是预先设定，或者根据深度学习的推荐值，但当低于阈值Ma2，意味着丝杆寿命剩余寿命过低，为了保证加工质量会直接对机器进行停止并警告建议更换；数值控制装置中包含速度控制部分和电流控制部分，当它们收到指令后，即对电动机的转速进行控制。