[发明专利]基于多标签多分类的主轴轴承与刀具复合故障诊断方法

权利要求书

1.一种基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，包括以下步骤：

S1，采集机床主轴工作时的振动信号，并对采集的振动信号进行预处理得到样本集；以多标签的形式标记所述样本集中的样本，得到训练数据集；

S2，将所述训练数据集输入多标签多分类模型，得到每个故障类别的概率；基于各所述故障类别的概率计算所述多标签多分类模型的损失函数；

S3，基于所述损失函数训练所述多标签多分类模型，并利用训练好的多标签多分类模型实现机床主轴复合故障诊断。

2.根据权利要求1所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，所述多标签多分类模型包括依次连接的卷积层、全连接层和输出层；其中，所述全连接层包括Relu激活函数和Dropout网络层，所述输出层的激活函数为Sigmoid函数。

3.根据权利要求2所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，在训练数据集输入所述卷积层获得高维特征向量δ后，所述方法还包括：在所述高维特征向量δ后嵌入七个指标，嵌入方式如下：

其中，concate(·)函数代表将七个指标值依次拓展到特征向量δ之后，为平均值，(X′_rms)²为均方值，I_P为峰值，C_f为脉冲指标，C_e为裕度指标，C_w为歪度指标，C_q为峭度指标；X′代表原始一维信号样本，x′_j代表原始一维信号样本中第j个数据点，N代表原始一维信号样本中数据点总数，X′_P为原始一维信号样本中绝对值最大的10个数的算术平均值。

4.根据权利要求2或3所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，所述训练数据集依次输入所述卷积层、全连接层和输出层后，得到C维特征向量；

每个故障类别的概率为：

其中，μ_i代表C维特征向量中第i个故障类别对应元素的值，P_i代表第i个故障类别的概率，C代表所有的故障类别数量。

5.根据权利要求4所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，所述损失函数Loss为：

其中，y_i为第i个故障类别的真实概率。

6.根据权利要求4所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，所述S3之后，还包括：

S4，按照机床主轴健康状态指数HI评定其健康状态；

所述机床主轴健康状态指数HI计算公式如下：

其中，α为轴承部件的重要程度权重，β为刀具部件的重要程度权重，且α+β＝1；P₁代表模型预测轴承部件正常的概率；P₄代表模型预测刀具部件正常的概率。

7.根据权利要求1所述的基于多标签多分类的主轴轴承与刀具复合故障诊断方法，其特征在于，所述S1中，对采集的振动信号进行预处理得到样本集，包括：将采集到的振动信号进行分割获得原始数据集，再对所述原始数据集进行归一化处理得到样本集。

8.一种基于多标签多分类的主轴轴承与刀具复合故障诊断系统，其特征在于，包括：

数据采集与处理模块，用于采集机床主轴工作时的振动信号，并对采集的振动信号进行预处理得到样本集；以多标签的形式标记所述样本集中的样本，得到训练数据集；

模型训练与诊断模块，用于将所述训练数据集输入多标签多分类模型，得到每个故障类别的概率；基于各所述故障类别的概率计算所述多标签多分类模型的损失函数；以及基于所述损失函数训练所述多标签多分类模型，并利用训练好的多标签多分类模型实现机床主轴复合故障诊断。