[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

说明书

本发明公开了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及系统，属于机床主轴故障诊断技术领域,本发明以一个样本对应多个故障标签的方式标记采集到的机床主轴加工时的振动信号，再将标记后的多标签样本输入多标签多分类模型，得到每个故障类别的概率；基于各故障类别的概率计算多标签多分类模型的损失函数，以该损失函数训练多标签多分类模型，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。如此，本发明能够减少样本标记时的健康情况数量，降低问题的复杂度和模型训练的计算量。此外，本发明还提供了一种加权计算健康指数的方式，其考虑了不同部件对于机床主轴性能的影响程度，评定结果更全面、科学和可靠。

技术领域

本发明属于机床主轴故障诊断技术领域，更具体地，涉及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及系统。

背景技术

机床是智能制造系统中不可缺少的设备。其中，机床主轴是带动工件或刀具旋转的轴，机床的制造性能和机床主轴的质量息息相关。由于工业现场的环境较为复杂，机床主轴在加工过程中可能同时存在多种故障，即出现复合故障情况，维护人员在监测机床主轴的故障情况时需要考虑多个部件的健康情况。如果不能及时诊断出机床主轴的故障情况，后续的制造过程会加剧零件的故障损坏程度直至停机。很显然，这种情形很容易影响到机床加工中的产品质量，影响机床的工作效率和零件的合格率，严重的情况甚至会引发机床的重要零部件损坏和人员安全事故。而且，在自动化工厂中，某个执行重要工序的加工设备在停机后可能会导致整个生产线被迫全部停止。因此，近些年，随着大数据技术和硬件计算能力的不断突破，高校、企业等机构开始研究可以实时地、自动地监测机床主轴故障情况的智能系统。

当前，在机床主轴故障诊断中主要是基于深度学习的神经网络层，构建单标签多分类模型来训练单标签故障信号样本。单标签多分类模型的输入样本在训练时都被标记了单个标签，每个标签代表一种健康情况。然而，机床主轴是由多个零件(包括主轴轴承、刀具)组成的，每个零部件又可能发生多个故障，振动信号通常是在复合故障的情况下被采集到的。所以，单标签多分类模型面对复杂的工业现场有四个不足，第一，复杂的故障条件会导致标记的健康情况过多，例如有些样本可能只有一种故障，有些样本可能有多种故障，此时故障问题变得更加复杂；第二，不同故障之间会存在关联性，利用多个分类器一一识别的方案会忽略这种相关性，导致诊断精度不高；第三，由于单标签标记时的健康情况过多，其模型搭建时分类器的神经元数量过多，模型训练时计算量较大；第四，由于每种健康状态同时包含多种故障情况，单标签标记方式很难根据每种故障情况的程度综合评定机床主轴的健康状态。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了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及系统，旨在解决单标签多分类模型面对复杂的工业现场的不足。

为实现上述目的，本发明提供了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，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。

进一步地，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。

进一步地，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：