[发明专利]一种基于神经网络的数控装备远程诊断系统

权利要求书

1.一种基于神经网络的数控装备远程诊断系统，其特征在于：包括服务器，所述服务器包括以下模块：

参数采集模块：用于获取数控机床的型号参数和运行参数；

初步诊断模块：用于根据运行参数进行数控机床的初步诊断，分析数控机床是正常或故障，并在初步诊断出数控机床为故障时，将所述运行参数标记为故障运行参数；

深度诊断模块：用于将故障运行参数导入到建立的神经网络故障诊断模型中进行诊断，并输出故障诊断结果；所述诊断结果包括数控机床正常、数控机床故障的故障类型；所述神经网络故障诊断模型基于BP神经网络进行构建，从故障数据库中采集数据样本集，并将采集的数据样本集导入到神经网络故障诊断模型中进行迭代训练，然后进行测试，测试完成后输出训练成功的神经网络故障诊断模型；所述BP神经网络由三层神经元组成，分别为输入层神经元、隐层神经元和输出层神经元，故障运行参数作为输入信息传送至输入层神经元，经过隐层神经元的计算对故障的存在与否进行判断，并在判断分析为存在故障时对故障类型进行分类，将分类结果由输出层神经元处理后获得诊断结果，所述诊断结果包括无故障和故障类型；所述神经网络故障诊断模型的构建方法如下：

步骤1：确定输入、输出向量：

根据布尔矩阵的构造原理，定义在故障诊断中，特征参数有m个，即输入特征向量P＝(s1,s2,…,sm)，待识别的故障类型有n个，即输出特征向量Q＝(r1,r2,…,rn)；

步骤2：选取网络层数：采用三层BP神经网络，分别为输入层、隐含层、输出层；根据步骤1所述的输入特征向量、输出特征向量，确定输入层神经元个数为a，其中a＝m，输出层神经元个数为b，其中b＝n；

步骤3：计算隐含层神经元个数：隐含层神经元个数由公式确定，x是一个常数，取值在[1,10]之间；

步骤4：设定连接权值：设定连接权值为[-1,1]之间的随机数值；

步骤5：设定阈值：设定阈值为[0.01,0.8]之间的随机数值；

步骤6：采用粒子群算法对BP神经网络的连接权值和阈值进行优化，避免后续的网络学习陷入局部极小值，

粒子群算法属于进化算法，通过不停迭代来调整整个过程的适应度，并选择最优解；在粒子群算法中存在局部极值和全局极值两个解；在找到这两个最优值时，粒子会更新自己的速度和位置，迭代更新的公式为：

其中，c₁，c₂是学习因子，ω为惯性因子；r1和r2为[0，1]范围内的均匀随机数；和分别为粒子i在第k次迭代中第d维的速度和位置；为粒子i在第d维的个体极值的最优位置；为群体在第d维的最优位置；i＝1,2,...,D，v_i是粒子的速度，v_i∈[-v_max,v_max]，v_max是常数，由用户设定用来限制粒子的速度；具体包括以下步骤：

步骤6.1：采用粒子群算法优化BP神经网络模型的连接权值和阈值，对输入层的神经元进行粒化处理，得到相应的粒子群，并随机初始化粒子群；其中，设定粒子群个数、最大迭代数、局部学习因子和全局学习因子大小，然后，在初始值范围内随机取得粒子的初始位置和初始速度；

步骤6.2：将隐含层的输出函数作为适应度函数，计算出每个粒子的适应度值，并选取最优的适应度值作为群体历史最优值；

步骤6.3：利用每个粒子的历史最优值根据迭代公式进行迭代更新，更新每个粒子的历史最优位置和速度；

步骤6.4：若该适应度值满足最优适应度，则将步骤6.3得到种群个体作为最优的个体输出到BP神经网络作为连接权值和阈值，进入步骤6.5，否则继续进行步骤6.3的操作；

步骤6.5：判断粒子群算法是否达到了设定的最大进化代数，若达到则输出最优解作为BP神经网络的连接权值和阈值，进入步骤7，否则转到步骤6.3；

步骤7：特征向量分组，将输入特征向量P分为两组，一组作为学习样本数据进行网络学习，用XP表示，另一组作为诊断分析数据，用YP表示；

步骤8：网络学习，包括以下步骤：

步骤8.1：将步骤6.4和步骤6.5得到的连接权值、阈值和学习样本数据XP输入BP神经网络的输入层，计算隐含层、输出层各神经元的输出；

步骤8.2：计算输出层期望输出值与实际输出值的偏差EP；

步骤8.3：若EP满足训练误差条件，则网络学习结束，进入步骤9，反之，则调整输出层和隐含层的权值，返回步骤8.1继续学习，依此类推，直至偏差Ep符合条件；

步骤8.4：将网络学习得出的最终权值作为后续诊断分析的对应权值，并得到诊断分析的算法模型；

步骤9：诊断分析：将诊断分析数据YP输入步骤8.3得出的算法模型进行诊断分析；

方案筛选模块：用于根据数控机床的型号参数和故障类型在设置的故障数据库中查找故障的解决技术方案；

故障信息反馈模块：用于通过设置的通信模块将故障类型的检测结果和解决技术方案远程发送至机床现场检修人员。