一种基于多源信息深度耦合的主轴状态评估方法及系统

1.本发明属于数控机床智能化加工技术领域，具体涉及一种基于多源信息深度耦合的主轴状态评估方法及系统。


背景技术：

2.主轴作为机床的核心部件，具有高精度、高刚度、高转速等特点，其性能及可靠性直接影响到数控机床加工精度以及生产加工的效率和产品性能。为了提高主轴的可靠性，一方面可以通过提高主轴性能，直接从根本上加强主轴的力学性能和稳定性；另一方面可以对主轴进行健康状态评估监测研究，在主轴运转过程中及时发现其故障状态并对其实施预防性的维护，从而避免故障和加工事故，减少停机次数，实现生产成本的节约和可靠性的提升。
3.对于智能主轴状态监测系统的研发，目前已有不少进展，但其均有一些难以解决的问题，例如传感器安装受限较大，与机床数控系统无法集成，无法智能处理采集到的信号等。最近几年，我国在主轴监测方面取得了不小的进步，然而和国外先进企业相比，我们的机床和主轴仍然有很大的差距，尤其是在精度和可靠性方面，在寿命方面也落后很多。整体仍然处于探索阶段。主轴状态评估技术的进步能够为及时发现主轴潜在故障，并判别其健康退化趋势提供便利，从而实现基于主轴状态的维护，在此基础上提高数控系统的维护和管理水平，延长主轴和其他部件的寿命，避免目前主流的可靠性不足和稳定性不足等问题。研发合适的主轴监测系统，将研究得到的主轴状态评估技术集成到监测系统软件中有利于工厂加工实际过程中的进一步应用。使用多个传感器数据对主轴进行状态识别需要较强的处理性能和计算能力，开发合适的监测软件能够满足计算性能的要求。同时能够在此基础上开发和制造配套的传感器嵌入式智能主轴，提高主轴监测的准确度和快速性。另外友好的人机界面开发和功能丰富的状态监测系统设计能够很大程度上推动主轴监测的广泛应用，提高加工效率。
4.目前主流的主轴状态监测往往采用振动单信号进行状态判别，但随着机床和主轴结构日益复杂，故障耦合的程度也不断加深，单个传感器信号无法提供完整准确的状态信息，在未来的状态监测过程中需要多种多个传感器共同协作，深度融合判别主轴状态，如何进行同种传感器信息的互补性融合和不同传感器的协同融合是研究的重点和难点。


技术实现要素：

5.本发明的目的在于提供一种基于多源信息深度耦合的主轴状态评估方法及系统，以克服现有技术的不足，本发明具有高精度、高鲁棒性的主轴状态评估方法，同时其能够应用于不同工况、不同类型的主轴状态评估。
6.一种基于多源信息深度耦合的主轴状态评估方法，包括以下步骤：
7.s1，采集待评价主轴振动信号以及对应主轴电机的电流信号，对采集到的主轴振动信号和电机的电流信号分别进行预处理；
8.s2，采用快速傅里叶变换对预处理后的振动信号及电流信号进行处理得到振动信号及电流信号的频谱特征向量；
9.s3，采用二代小波变换方法处理预处理后的电流信号得到二代小波谱；
10.s4，采用预训练的深度耦合网络对得到的频谱特征向量和二代小波谱进行特征提取及特征耦合，得到多源信息融合的结果，根据多源信息融合的结果实现主轴状态评估。
11.进一步的，对采集到的振动信号进行去噪、标准化预处理。
12.进一步的，对电机的电流信号进行滤波、标准化预处理。
13.进一步的，将采集到的振动信号分为1000个长度为1024的数据段；同时采用基础数据去均值、-1-1标准化进行数据处理；同时使用移动时窗对振动信号重叠抽样，以时间顺序为标准划分训练数据集及测试数据集；
14.对划分后的样本向量的子样本信号进行快速傅里叶变换得到频谱z，同时对其进行归一化处理得到频谱特征向量：
[0015][0016]
其中为处理后的频谱向量，u为频谱信号的均值，s为频谱信号的方差。
[0017]
进一步的，对预处理后电流信号的子样本信号根据其对应的轴承的状态，以one-hot编码的形式添加类别标签q，采用标签平滑正则化方法更新所有子样本信号的类别标签q：
[0018][0019]
其中为平滑因子，一般取0.1，u为引入的固定概率分布，一般取全1向量作为噪声。
[0020]
进一步的，预训练的深度耦合网络通过以下步骤获得：
[0021]
a，分别构建深度耦合网络的分支网络和中间特征耦合层；
[0022]
b，采用预训练样本对分支网络和中间特征耦合层进行训练直至网络收敛，即可得到深度耦合网络。
[0023]
进一步的，使用二代inception模块为主体，构建具有自适应特征提取功能的传感信号分支网络。
[0024]
进一步的，对分支网络经过池化层得到的代表性特征t进行标准化处理：
[0025][0026]
式中为标准化处理后的特征，不同类型的传感信号经过标准化后能够进行耦合操作。
[0027]
进一步的，分支网络对单个传感器的特征信息进行独立提取，中心耦合网络将每一步提取到的特征信息进行耦合，并分别分离出耦合特征与原始特征进行叠加：
[0028]hk 1
＝hk am[0029]
其中hk为分支网络提取得到的独立特征，h
k 1
为叠加后的特征，am为耦合后得到的特征，m为信号类型标记，在分支网络对耦合特征进行多次信息提取后，使用全连接层将最后一次提取得到的特征向量进行整理，并输出最终的评估结果。
[0030]
一种基于多源信息深度耦合的主轴状态评估系统，包括数据采集模块、预处理模块和评估模块；
[0031]
数据采集模块用于采集待评价主轴振动信号以及对应主轴电机的电流信号，并将采集到的信号传输至预处理模块；
[0032]
预处理模块用于对采集到的主轴振动信号和电机的电流信号分别进行预处理；采用快速傅里叶变换对预处理后的振动信号及电流信号进行处理得到振动信号及电流信号的频谱特征向量；采用二代小波变换方法处理预处理后的电流信号得到二代小波谱；
[0033]
评估模块用于对得到的频谱特征向量和二代小波谱进行特征提取及特征耦合，得到多源信息融合的结果，根据多源信息融合的结果实现主轴状态评估。
[0034]
与现有技术相比，本发明具有以下有益的技术效果：
[0035]
本发明一种基于多源信息深度耦合的主轴状态评估方法，采用快速傅里叶变换对预处理后的振动信号及电流信号进行处理得到振动信号及电流信号的频谱特征向量；采用二代小波变换方法处理预处理后的电流信号得到二代小波谱；采用预训练的深度耦合网络对得到的频谱特征向量和二代小波谱进行特征提取及特征耦合，得到多源信息融合的结果，根据多源信息融合的结果实现主轴状态评估，本发明将耦合特征及原始特征结合起来，保证评估时能够综合考虑不同传感器本身的置信度以及传感器之间容和特征的权重，从而得到更全面的信息。
[0036]
进一步的，使用二代inception卷积模块训练深度耦合网络，所提出的网络能够自适应地对不同类型的传感信号进行分析并提取特征，有效解决了人工处理信号的主观性与不准确性。
[0037]
本发明对于信息特征耦合方式，能够自适应的提取不同大小、不同种类信号之间的特征耦合关系，实现深层次的多信号融合，提高主轴状态识别的鲁棒性。通过构建基于二代inception模块和注意力耦合机制的多源信息深度耦合网络，由网络的分支提取单信号的特征，网络的耦合层提取信号之间的耦合特征，最终输出主轴状态的评估结果。本发明构造的深度耦合网络通过深入挖掘多个类型传感信号之间的耦合关系，避免了单传感器信号的不准确性，同时综合考虑多个传感信号的信息，提高了主轴状态评估的鲁棒性。同时多个传感器信号协同判别，能够提高变工况及变设备情况下的状态识别准确性。
[0038]
本发明一种基于多源信息深度耦合的主轴状态评估系统，能够通过简单的通道拓展实现多个不同类别传感器信号特征的相互融合，同时在最终评估状态时给出主轴状态参数，实现主轴的状态准确识别，给出具有鲁棒性的识别结果，能够应用于不同工况、不同类型的主轴状态评估。
附图说明
[0039]
图1为本发明实施例中深度耦合网络的主轴状态识别方法流程图。
[0040]
图2为本发明实施例中所构建的深度耦合网络框架示意图。
[0041]
图3为本发明实施例中中心耦合层结构示意图。
具体实施方式
[0042]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的
附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0043]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0044]
结合图1及图2，本发明所述基于多源信息深度耦合的主轴状态评估方法，首先完成对振动信号以及电机的电流信号的采集，接着对采集到的信号分别进行预处理，具体对振动信号进行去噪、标准化预处理，对电机的电流信号进行滤波、标准化预处理；之后再采用快速傅里叶变换对振动信号及电流信号进行处理，得到其频谱特征向量，同时使用二代小波变换处理电流信号，进一步得到二代小波谱；接着将得到的特征向量输入到深度耦合网络中，进行不同信号的特征提取及特征耦合，以多源信息融合的结果作为主轴状态判定依据，综合评估主轴的运行状态。
[0045]
结合图3，本发明所述的深度耦合网络包括分支网络特征提取层、中心特征耦合层及结果输出层。本发明多源信息深度耦合网络的主轴状态评估方法需要振动信号、电流信号能体现主轴运转状态的、信息含量丰富的信号，同样地，扭矩信号、力信号等信号均可作为评估依据，并能够结合深度耦合网络进一步融合。
[0046]
本发明基于多源信息深度耦合的主轴状态评估方法，包括以下步骤：
[0047]
s1：在主轴上安装振动传感器及电流传感器，获取网络所需的振动信号及电流信号，为了得到较为准确的主轴状态评估结果，需保证所测信号的信息含量足够丰富；本技术针对主轴的振动信号、电机的电流信号进行描述。
[0048]
s2：将采集到的振动信号分为1000个长度为1024的数据段；同时采用基础数据去均值、-1-1标准化进行数据前处理。
[0049]
同时使用移动时窗对信号重叠抽样，以时间顺序为标准划分训练数据集及测试数据集。
[0050]
划分样本向量后的振动信号的子样本信号进行快速傅里叶变换得到频谱z，同时对其进行归一化处理得到频谱特征向量：
[0051][0052]
其中z为处理后的频谱向量，u为频谱信号的均值，s为频谱信号的方差。经过处理后的信号可以直接作为网络的输入数据。
[0053]
对振动信号及电流信号均做同样的处理。
[0054]
对预处理后电流信号的子样本信号根据其对应的轴承的状态，以one-hot编码的形式添加类别标签q，采用标签平滑正则化方法更新所有子样本信号的类别标签q：
[0055][0056]
其中为平滑因子，一般取0.1，u为引入的固定概率分布，一般取全1向量作为噪声，使用正则化提高交叉熵的损失熵值能够进一步提高网络的泛化能力。
[0057]
s3：构建基于多源信息融合的深度耦合网络：
[0058]
(1)构建分支网络，使用二代inception模块为主体，构建具有自适应特征提取功能的传感信号分支网络；
[0059]
首先使用不同大小的卷积核堆叠得到inception模块，使用3
×
3及5
×
5尺寸的卷积核堆叠的方式，使inception模块的感受野提高到7
×
7，同时减少了28％的参数量。其他通道的卷积模块也使用1
×
1卷积核降低维度来减少参数量，从而达到提高网络鲁棒性的效果。
[0060]
堆叠inception模块后，使用池化层对inception模块的结果进行处理，提取更加具有代表性的特征。
[0061]
(2)构建中间特征耦合层，其具体步骤如图3所示：
[0062]
首先对分支网络经过池化层得到的代表性特征t进行标准化处理：
[0063][0064]
式中为标准化处理后的特征，不同类型的传感信号经过标准化后能够进行耦合操作。接着将标准化处理后的特征进行池化处理，将不同的传感信号特征修改为同一长度：
[0065][0066]
w＝[w1,w2,w3...wn]
[0067]
式中wi为池化后的振动特征向量元素，w为池化后得到的振动特征向量。同样地，对分支网络经过池化层得到的代表性特征信号进行标准化及池化处理后，得到电流特征向量v。接着对w及v执行耦合操作，即：
[0068]
sim＝v*w
t
[0069]
其中sim为电流信号耦合振动信号后得到的权值矩阵。接着使用柔性最大值方法将sim进行优化，便于最终融合计算：
[0070][0071]
式中simi为每个特征向量对应的权值，为了避免归一化算法产生的权值消失问题，使用进行指数级归一化，从而得到更加稳定的权值矩阵。接着将权值矩阵与电流特征信号矩阵w做点积运算，求得耦合振动特征信息后的电流特征矩阵：
[0072][0073]
其中，a即所求融合后的电流特征矩阵。将a返回给分支网络的下一个inception层进行进一步的特征提取，并继续执行耦合过程，最终前向传播通过全连接层输出主轴状态评估的结果。
[0074]
(3)深度耦合网络构建及参数设置，整体网络如图2所示，由两层(1)中所述的分支
网络及一层(2)中所述的中心耦合层构成。
[0075]
分支网络对单个传感器的特征信息进行独立提取，中心耦合网络将每一步提取到的特征信息进行耦合，并分别分离出耦合特征与原始特征进行叠加：
[0076]hk 1
＝hk am[0077]
其中hk为分支网络提取得到的独立特征，h
k 1
为叠加后的特征，am为耦合后得到的特征，m为信号类型标记，在所演示网络中代表了振动或电流信号，也可根据需求替换为扭矩等其他信号，或多个同类型的信号。
[0078]
在分支网络对耦合特征进行多次信息提取后，使用全连接层将最后一次提取得到的特征向量进行整理，并输出最终的评估结果。
[0079]
得到两个分支网络的输出后，计算损失函数lossi，最终loss为各分支网络的损失加权和：
[0080]
loss＝θ1loss1 θ2loss2 ... θmlossm[0081]
其中
[0082][0083]
式中，lossm为单个分支网络的损失值，θm为网络损失对应的权值系数，表示更新后的真实标签向量，p表示归一化后的预测概率向量；
[0084]
接着使用反向传播算法，更新网络参数直到网络收敛，训练的次数epoch为200，训练batch-size为64，初始学习率为0.001,学习率优化算法选用指数优化，网络优化器为adam。网络构建完成后，需使用步骤2中所述的样本向量进行网络训练，训练后的网络即可进行主轴的状态评估。