买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏大学

摘要：本发明公开了一种基于故障机理与迁移学习的数控加工故障诊断方法，包括以下步骤：采集相同加工工况下的原始加工数据；基于刀具磨损机理和故障机理构建功率增量分析模型；利用功率增量分析模型对加工数据进行标记分类；构建数控加工故障诊断模型；对新加工条件的加工数据，基于迁移学习训练数控加工故障诊断模型。本发明在充分考虑的刀具磨损所致加工故障以及其他加工故障对加工功率影响的前提下，基于功率变化识别加工过程中机器或刀具状态发生重大变化的异常能量模式，能够有效指导数据标记分类，提升数据诊断的准确性及鲁棒性；构建基于迁移学习的深度学习算法模型，能够有效提高其训练精度及效率。

主权项：1.一种基于故障机理与迁移学习的数控加工故障诊断方法，其特征在于，包括以下步骤：S1、采集相同加工工况下的原始加工数据，所述原始加工数据至少包括加工功率、加工参数、切削刀具图像及工件表面质量图像，所述加工工况至少包括切削加工参数及工件类型；S2、通过切削刀具的磨损曲线，将切削刀具加工生命周期划定为磨合期、稳态期、失效期三个区间，针对磨合期和稳态期，建立刀具磨损与刀具切削力关联模型，所述刀具磨损与刀具切削力关联模型为： 其中，i为切削刀具加工生命周期中第i个刀具磨损状态，Ai为第i个刀具磨损状态下的磨损量，其通过图像分析获得，Fi为第i个刀具磨损数据对应的切削力，F0为切削刀具的初始切削力，a、b是基于切削刀具的磨损曲线确定的常数；针对工件表面质量图像，通过灰度化处理获得灰度图像，计算灰度图像的灰度曲面分形维数，通过不同大小的盒子去覆盖图像的灰度平面，计算覆盖整个灰度曲面所需的盒子数，然后通过最小二乘法拟合得到分形维数，将获得的分形维数进行归一化处理后得到工件表面粗造度，将表面粗糙度大于预设阈值σ的对应的加工数据剔除；采用Matlab软件对加工生命周期中的切削力进行估算，分析切削刀具磨损量与切削力增量的非线性关联，定义刀具老化系数Kcutter，Kcutter求解模型为： 其中，Kcutter为刀具老化系数，c、d为模型参数；基于原始加工数据，建立刀具磨损功率增量模型：ΔPik＝Pi·fKcutter 其中，ΔPik为第k个刀具磨损状态与第i个刀具磨损状态之间的加工功率增量，Pi为第i个刀具磨损状态下的加工功率，fKcutter是关于刀具老化系数的函数，g、h、n为模型参数；获取其他不同工况的加工数据，对所述刀具磨损功率增量模型进行验证，并优化模型参数；针对刀具磨损之外的其他加工故障状态，采集加工数据，建立故障机理功率增量模型：ΔPyik＝Pyi·fLy 其中，ΔPyik为第k个加工状态与第i个加工状态之间的加工功率增量，Pyi为第i个加工状态下的加工功率，fLy是关于故障因素的函数，Ly是故障因素的数值表征，u、v、m为模型参数；将刀具磨损功率增量模型与故障机理功率增量模型进行模型融合，获得功率增量分析模型；S3、针对不同加工工况下的加工数据，利用所述功率增量分析模型进行数据标记，每项加工数据具有一分类标签，所述分类标签包括刀具磨损程度标签、加工故障类别标签，将打过标签的数据作为源域数据；S4、基于源域数据，建立算法模型并进行训练，获得数控加工故障诊断模型，所述数控加工故障诊断模型利用长短期记忆神经网络结合卷积神经网络实现；S5、对输入的加工数据进行监控并判断加工工况是否发生变化，若否则采用步骤S4得到的数控加工故障诊断模型进行学习训练，若是则将输入的数据作为目标域数据，构建基于迁移学习的深度学习算法模型，分析源域数据和目标域数据的特征分布差异，引入对齐权重进行数据对齐以实现数据的跨域转移，采用Tensorflow深度学习架构构建深度学习算法进行正向计算训练，采用参数迁移学习并保留大部分训练参数，进行反向传播计算来优化特征分布，利用最大平均差异衡量源域与目标域之间概率分布的差异，结合深度学习训练交叉熵表征训练误差结果，运用正则化最大平均差异及交叉熵，构建算法的优化目标，训练后获得最终的数控加工故障诊断模型，用于在加工过程中进行实时加工故障诊断。

全文数据：

权利要求：

百度查询： 江苏大学 一种基于故障机理与迁移学习的数控加工故障诊断方法