[发明专利]一种机床轴承故障诊断方法

权利要求书

1.一种机床轴承故障诊断方法，其特征在于，包括：

建立数字孪生车间，并在所述数字孪生车间加载机床的加工任务，其中，数字孪生车间对应现实车间；

采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型，其中，所述第一类故障诊断模型包括：数字孪生车间中的机床轴承的故障诊断模型；

对所生成的故障诊断模型进行变工况迁移学习训练，并得到第二类故障诊断模型，其中，所述第二类故障诊断模型包括：所述现实车间中的机床轴承的故障诊断的模型；

利用所述第二类故障诊断模型检测所述现实车间中的机床轴承的故障。

2.根据权利要求1所述的方法，其特征在于，在建立数字孪生车间之前，还包括：

通过安装在所述现实车间中的三维激光扫描仪，获取采集所述现实车间的点云数据，其中，所述三维激光扫描仪所扫描的对象，至少包括：所述现实车间中安装的机床；

利用所述现实车间的点云数据，建立数字孪生模型，其中，所述数字孪生模型所表示的对象，至少包括了：所述现实车间中安装的机床的整体结构和内部元件，所述内部元件包括：机床的轴承。

3.根据权利要求2所述的方法，其特征在于，所述利用所述现实车间的点云数据，建立数字孪生模型中，包括：

通过OPC UA通讯构架读取所述现实车间中的机床设备的实时运行数据；

将所述实时运行数据存入数据库并作为Unity数据驱动引擎的源数据，所述Unity数据驱动引擎用于驱动所述数字孪生模型。

4.根据权利要求1所述的方法，其特征在于，所述采集所述机床的加工任务运行过程中的机床的故障数据，并根据所采集的故障数据生成第一类故障诊断模型，包括：

将所述机床的加工任务导入所述数字孪生车间进行模拟仿真，并采集仿真故障数据作为源域数据；

对所得到的源域数据进行预处理后，导入深度残差学习算法进行训练，当训练的准确率达到100％时，得到所述第一类故障诊断模型。

5.根据权利要求4所述的方法，其特征在于，所述导入深度残差学习算法进行训练，包括：

利用dropout网络结构对所述故障数据进行预处理，其中，所述故障数据包括所述机床的振动数据；

在完成预处理后，对所述故障诊断模型进行参数结构设定；

加载所设定的参数并对所述故障诊断模型进行训练。

6.根据权利要求5所述的方法，其特征在于，在对所述故障诊断模型进行训练的过程中，包括：

加载改进的深度残差学习算法进行训练，其中所述改进的深度残差学习算法包括：

r_i⁽ⁱ⁾～Bernoulli(p) (3)

y′^(l)＝r^(l)×y^(l) (4)

其中，在进行训练的过程中，在每个神经元进行概率性关停，f表示激活函数，y表示输出值，z表示神经元求和之后的值，i表示神经元的个数，r表示神经元关停的概率，w表示权重，b_i表示第i个神经元的偏置，w_i表示第i个神经元的权重，z_i表示第i个神经元的权重和第i个神经元的偏置相加之和，y_i表示输入信号，y’表示dropout处理后的输入信号，z_i’表示dropout处理后的神经元求和之后的值，l表示残差神经网络的恒等映射层的层数。

7.根据权利要求5所述的方法，其特征在于，所述对所述故障诊断模型进行参数结构设定，包括：

设定训练代数设置为30代，训练次数设置为180次，学习率为0.001，并在训练完成后将所设定的参数结构进行存储。