[发明专利]主轴偏摆异常的检测方法、装置以及存储介质

权利要求书

1.一种主轴偏摆异常的检测方法，用于对CNC机台的主轴进行诊断预警，其特征在于，所述方法包括：

采集多个不同类别的CNC机台的主轴在多次自转预设时间段的振动数据样本集以及每个所述主轴的偏摆半径；所述不同类别的CNC机台包括主轴偏摆半径范围对应0mm至0.02mm的机台类别、主轴偏摆半径范围对应0.02～0.03mm的机台类别以及主轴偏摆半径大于0.03mm的机台类别；

提取所述振动数据样本集中的时域特征集以构成训练样本集，所述训练样本集包括多个训练样本单元，所述训练样本单元包括振动数据对应的时域特征以及对应的偏摆半径；

对所述训练样本集利用梯度提升树算法进行模型训练，得到预测分类模型，所述模型训练包括：将所述训练样本单元输入基于损失函数以及所述梯度提升树算法所确定的模型，并进行预设轮次的迭代以更新模型参数，根据所述模型参数确定所述预测分类模型；

实时采集所述主轴的实时振动数据，并提取对应的时域特征；

将所述实时振动数据对应的时域特征加载至所述预测分类模型，以得出当前所述主轴的偏摆半径，从而预测所述主轴的偏摆级别；

其中，将所述训练样本单元输入基于损失函数以及所述梯度提升树算法所确定的模型，并进行预设轮次的迭代以更新模型参数的步骤包括：

基于所述梯度提升树算法，对所述时域特征构建决策树；

经过第t-1次的迭代，基于所述损失函数形成学习器f_t-1(x),其中t为迭代轮数，且2≤t≤T，T为预设轮数，x为所述训练样本单元中的所述时域特征中的特征元；

经过第t次的迭代，当满足预设条件，所述决策树建立完毕，在所述学习器f_t-1(x)的基础上更新以形成学习器f(x)，并更新所述模型参数。

2.根据权利要求1所述的检测方法，其特征在于，经过第t次的迭代，当满足预设条件，所述决策树建立完毕，在所述学习器f_t-1(x)的基础上更新以形成学习器f(x)的步骤包括：

基于当前训练样本单元对当前t轮数的损失函数求解一阶导数、二阶导数并代入损失函数得到当前损失函数的值；所述当前t轮数的损失函数为前一次迭代输出的学习器f_t-1(x)；

基于当前节点尝试再次分裂决策树，所述决策树包括多个叶子节点，默认当前分数为0，将当前分数与当前损失函数对应的值进行比较，两者较大的所述叶子节点进一步分裂子树，当较大的值为0时，则所述决策树建立完毕，在所述学习器f_t-1(x)的基础上更新以形成学习器f(x)。

3.根据权利要求2所述的检测方法，其特征在于，所述分裂决策树的步骤还包括：

在所述当前训练样本单元中的时域特征中随机选取s个特征元，将所述s个特征元按照从小到大的顺序排列并放入所述决策树的左子树和右子树以分裂所述决策树。

4.根据权利要求1所述的检测方法，其特征在于，进行预设轮次的迭代以更新模型参数的步骤还包括：使用随机搜索算法优化所述预设轮次，以优化所述模型参数。

5.根据权利要求1所述的检测方法，其特征在于，所述时域特征包括所述振动数据的峰值因子、脉冲因子、裕度因子、波形因子、峭度因子以及偏度因子中的至少一种。

6.根据权利要求1所述的检测方法，其特征在于，根据所述模型参数确定所述预测分类模型的步骤之前还包括：对所述训练样本集进行K-fold交叉验证，并将所述训练样本集分成K份，每次选择K-1份作为训练集，剩下的一份作为测试集以得到所述预测分类模型；再次重新选择K-1份进行作为训练集，剩下的一份作为测试集以优化所述预测分类模型。

7.根据权利要求1所述的检测方法，其特征在于，所述方法还包括：

在当前时间预测的所述主轴偏摆半径的偏摆级别低于该主轴在当前时间之前的偏摆级别时，则判定所述主轴偏摆异常，并对所述CNC机台给出预警指令。