[0001]
本發(fā)明屬于數(shù)控機(jī)床領(lǐng)域，具體涉及一種數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算方法及裝置。

背景技術(shù)：

[0002]
數(shù)控機(jī)床的性能退化過程是一種不可逆的單調(diào)退化過程，如何判斷數(shù)控機(jī)床的性能在長時(shí)間使用后的變化對(duì)企業(yè)生產(chǎn)具有重要意義。
[0003]
現(xiàn)有技術(shù)中心，數(shù)控機(jī)床隨著使用時(shí)間的增長，會(huì)出現(xiàn)性能退化的過程，當(dāng)性能退化到一定程度，其生產(chǎn)出來的產(chǎn)品就不能滿足企業(yè)的生產(chǎn)標(biāo)準(zhǔn)，從而會(huì)導(dǎo)致大量的不良產(chǎn)品的產(chǎn)出。
[0004]
上述問題是目前亟待解決的。

技術(shù)實(shí)現(xiàn)要素：

[0005]
本發(fā)明所要解決的技術(shù)問題是提供一種數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算方法及裝置。
[0006]
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：提供了一種數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算方法，所述方法包括：
[0007]
獲取多通道傳感器數(shù)據(jù)；
[0008]
將多通道傳感器數(shù)據(jù)輸入到預(yù)先建立的健康模型中，從而得出系統(tǒng)的綜合健康指數(shù)。
[0009]
進(jìn)一步的，所述健康模型的建立方法包括：
[0010]
獲取樣本集；
[0011]
將樣本集輸入到堆疊稀疏自動(dòng)編碼器進(jìn)行特征提取；
[0012]
將堆疊稀疏性自動(dòng)編碼器最后一層提取的特征與全連接神經(jīng)網(wǎng)絡(luò)相連接，獲得初始模型；
[0013]
對(duì)初始模型進(jìn)行訓(xùn)練得到健康模型。
[0014]
進(jìn)一步的，將堆疊稀疏性自動(dòng)編碼器最后一層提取的特征與全連接神經(jīng)網(wǎng)絡(luò)相連接，獲得初始模型的方法包括：
[0015]
將樣本集輸入到自動(dòng)編碼器獲得編碼特征；
[0016]
將編碼特征輸入到稀疏自編碼器中獲得通過稀疏性限制后的編碼特征；
[0017]
將多個(gè)稀疏自編碼器堆疊形成堆疊稀疏自編碼；
[0018]
將堆疊稀疏自編碼的最后一層的編碼特征與全連接神經(jīng)網(wǎng)絡(luò)相連接獲得初始模型。
[0019]
進(jìn)一步的，將樣本集輸入到自動(dòng)編碼器獲得編碼特征的方法包括：
[0020]
將樣本集傳遞到自動(dòng)編碼器的隱藏層中；
[0021]
通過解碼網(wǎng)絡(luò)將隱藏層進(jìn)行解碼重構(gòu)；
[0022]
計(jì)算輸入數(shù)據(jù)與輸出數(shù)據(jù)的誤差，并通過梯度下降算法調(diào)整自動(dòng)編碼器的權(quán)值得到自動(dòng)編碼器的最終的模型參數(shù)；
[0023]
將最終的模型參數(shù)輸入到自編碼器得到目標(biāo)函數(shù)；
[0024]
將樣本集輸入到目標(biāo)函數(shù)中得出的隱藏層為編碼特征。
[0025]
進(jìn)一步的，所述將編碼特征輸入到稀疏自編碼器中獲得通過稀疏性限制后的編碼特征的方法包括：
[0026]
定義隱藏層神經(jīng)元的活躍度；
[0027]
在目標(biāo)函數(shù)中加入基于kullback-leibler散度的懲罰因子；
[0028]
獲得總體的目標(biāo)函數(shù)；
[0029]
將編碼特征輸入到總體的目標(biāo)函數(shù)中；
[0030]
通過總體的目標(biāo)函數(shù)對(duì)編碼特征進(jìn)行稀疏性限制后得出限制后的編碼特征。
[0031]
進(jìn)一步的，對(duì)初始模型進(jìn)行訓(xùn)練得到健康模型的方法，即，通過大量的數(shù)控機(jī)床歷史退化數(shù)據(jù)可以對(duì)模型進(jìn)行訓(xùn)練，從而得到最優(yōu)權(quán)重和偏移的模型參數(shù)，將最優(yōu)權(quán)重和偏移的模型參數(shù)帶入初始模型從而獲得健康模型。
[0032]
本發(fā)明還提供了一種數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算裝置，所述裝置包括：
[0033]
數(shù)據(jù)獲取模塊，適于獲取多通道傳感器數(shù)據(jù)；
[0034]
健康指數(shù)計(jì)算模塊，適于將多通道傳感器數(shù)據(jù)輸入到預(yù)先建立的健康模型中，從而得出系統(tǒng)的綜合健康指數(shù)。
[0035]
進(jìn)一步的，所述健康模型的建立方法包括：
[0036]
獲取樣本集；
[0037]
將樣本集輸入到堆疊稀疏自動(dòng)編碼器進(jìn)行特征提??；
[0038]
將堆疊稀疏性自動(dòng)編碼器最后一層提取的特征與全連接神經(jīng)網(wǎng)絡(luò)相連接，
[0039]
獲得初始模型；
[0040]
對(duì)初始模型進(jìn)行訓(xùn)練得到健康模型。
[0041]
本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有一個(gè)或一個(gè)以上的指令，所述一個(gè)或一個(gè)以上的指令內(nèi)的健康指數(shù)計(jì)算裝置的處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述的數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算方法。
[0042]
本發(fā)明還提供了一種電子設(shè)備，包括：存儲(chǔ)器和處理器；所述存儲(chǔ)器中存儲(chǔ)有至少一條程序指令；所述處理器，通過加載并執(zhí)行所述至少一條程序指令以實(shí)現(xiàn)如上述的數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算方法。
[0043]
本發(fā)明的有益效果是：本發(fā)明通過將多通道數(shù)據(jù)特征提取得到的矢量特征信息映射到一個(gè)單維的系統(tǒng)綜合健康指數(shù)hi中。hi的數(shù)值代表系統(tǒng)健康狀況，其取值范圍為0～1，其中1表示系統(tǒng)的狀態(tài)完全正常，0表示系統(tǒng)已經(jīng)失效。通過構(gòu)建hi，建立系統(tǒng)的健康狀態(tài)與多通道傳感數(shù)據(jù)的關(guān)系模型，就可以根據(jù)數(shù)控機(jī)床的傳感數(shù)據(jù)，對(duì)數(shù)控機(jī)床的健康狀況進(jìn)行評(píng)估。
附圖說明
[0044]
下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。
[0045]
圖1是本發(fā)明實(shí)施例所提供的數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算方法的流程圖。
[0046]
圖2是圖1中步驟s120的部分步驟的流程圖。
[0047]
圖3是本發(fā)明實(shí)施例所提供的堆疊稀疏性自編碼的原理圖。
[0048]
圖4是本發(fā)明實(shí)施例所提供的數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算裝置的原理框圖。
[0049]
圖5是本發(fā)明實(shí)施例所提供的電子設(shè)備的部分原理框圖。
具體實(shí)施方式
[0050]
現(xiàn)在結(jié)合附圖對(duì)本發(fā)明作詳細(xì)的說明。此圖為簡化的示意圖，僅以示意方式說明本發(fā)明的基本結(jié)構(gòu)，因此其僅顯示與本發(fā)明有關(guān)的構(gòu)成。
[0051]
實(shí)施例1
[0052]
請(qǐng)參閱圖1，本發(fā)明提供了一種數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算方法。本發(fā)明通過將多通道數(shù)據(jù)特征提取得到的矢量特征信息映射到一個(gè)單維的系統(tǒng)綜合健康指數(shù)hi中。hi的數(shù)值代表系統(tǒng)健康狀況，其取值范圍為0～1，其中1表示系統(tǒng)的狀態(tài)完全正常，0表示系統(tǒng)已經(jīng)失效。通過構(gòu)建hi，建立系統(tǒng)的健康狀態(tài)與多通道傳感數(shù)據(jù)的關(guān)系模型，就可以根據(jù)數(shù)控機(jī)床的傳感數(shù)據(jù)，對(duì)數(shù)控機(jī)床的健康狀況進(jìn)行評(píng)估。所述方法包括：
[0053]
s110：獲取多通道傳感器數(shù)據(jù)。
[0054]
具體來說，通過多個(gè)傳感器檢測到數(shù)據(jù)信息形成多通道傳感器數(shù)據(jù)。
[0055]
s120：將多通道傳感器數(shù)據(jù)輸入到預(yù)先建立的健康模型中，從而得出系統(tǒng)的綜合健康指數(shù)。
[0056]
請(qǐng)參閱圖2，所述健康模型的建立方法包括：
[0057]
s121：獲取樣本集；
[0058]
s122：將樣本集輸入到堆疊稀疏自動(dòng)編碼器進(jìn)行特征提取；
[0059]
s123：將堆疊稀疏性自動(dòng)編碼器最后一層提取的特征與全連接神經(jīng)網(wǎng)絡(luò)相連接，獲得初始模型；
[0060]
在本實(shí)施例中，步驟s123包括：
[0061]
s1231：將樣本集輸入到自動(dòng)編碼器獲得編碼特征。
[0062]
具體來說，步驟s1231：將樣本集輸入到自動(dòng)編碼器獲得編碼特征的方法包括：
[0063]
將樣本集傳遞到自動(dòng)編碼器的隱藏層中。
[0064]
具體來說，自動(dòng)編碼器(autoencoder,ae)是一種具有輸入層、隱藏層和輸出層的無監(jiān)督神經(jīng)網(wǎng)絡(luò)，假設(shè)有輸入樣本集x＝{x1,x2,
…
,x
n
},通過使用編碼網(wǎng)絡(luò)將每個(gè)輸入樣本集傳遞到低維的隱藏層中：
[0065]
h
θ
(x)＝f(wx+b)
[0066]
式中f是激活函數(shù)，激活函數(shù)是一個(gè)總稱，具體有很多類型，例如sigmoid、relu、tanh等，具體要根據(jù)實(shí)際數(shù)據(jù)進(jìn)行選擇，θ＝{w,b}表示編碼網(wǎng)絡(luò)的參數(shù)，w是輸入層到隱藏層的權(quán)值矩陣，b為偏置項(xiàng)系數(shù)。
[0067]
通過解碼網(wǎng)絡(luò)將隱藏層進(jìn)行解碼重構(gòu)。
[0068]
具體來說，
[0069]
y＝g
θ
′
(h
θ
(x))＝
′
(w
′
h
θ
(x)+b
′
)
[0070]
式中θ
′
＝{w
′
,b
′
}是解碼網(wǎng)絡(luò)的參數(shù)矩陣，w
′
為隱藏層到輸出層的權(quán)值矩陣，b
′
為
偏置項(xiàng)系數(shù)。
[0071]
計(jì)算輸入數(shù)據(jù)與輸出數(shù)據(jù)的誤差，其重構(gòu)誤差的計(jì)算方式如下：
[0072][0073]
并通過梯度下降算法調(diào)整自動(dòng)編碼器的權(quán)值得到自動(dòng)編碼器的最終的模型參數(shù)，模型參數(shù)包括，w以及b，w是輸入層到隱藏層的權(quán)值矩陣，b為偏置項(xiàng)系數(shù)。
[0074]
將最終的模型參數(shù)輸入到自編碼器得到目標(biāo)函數(shù)；
[0075]
將樣本集輸入到目標(biāo)函數(shù)中得出的隱藏層為編碼特征。
[0076]
s1232：將編碼特征輸入到稀疏自編碼器中獲得通過稀疏性限制后的編碼特征。
[0077]
具體來說，包括：
[0078]
定義隱藏層神經(jīng)元的活躍度；
[0079]
在其中加入限制條件ρ是值接近于0的稀疏性參數(shù)，使得隱藏層大部分神經(jīng)元失效。
[0080]
在目標(biāo)函數(shù)中加入基于kullback-leibler散度的懲罰因子；
[0081][0082]
獲得總體的目標(biāo)函數(shù)；
[0083][0084]
其中，β代表稀疏性懲罰項(xiàng)的權(quán)重。
[0085]
將編碼特征輸入到總體的目標(biāo)函數(shù)中；
[0086]
通過總體的目標(biāo)函數(shù)對(duì)編碼特征進(jìn)行稀疏性限制后得出限制后的編碼特征。
[0087]
s1233：將多個(gè)稀疏自編碼器堆疊形成堆疊稀疏自編碼。
[0088]
請(qǐng)參閱圖3，具體來說，整個(gè)模型的輸入是經(jīng)處理后的高維特征數(shù)據(jù)，經(jīng)過多層稀疏自編碼器網(wǎng)絡(luò)進(jìn)行進(jìn)一步融合，每一層的輸出都連接到后續(xù)層的輸入，使輸出的低維信號(hào)在包含本質(zhì)特征的同時(shí)去除高維信號(hào)中的干擾部分,同時(shí)引入稀疏性和堆疊性增強(qiáng)模型的魯棒性。
[0089]
s1234：將堆疊稀疏自編碼的最后一層的編碼特征與全連接神經(jīng)網(wǎng)絡(luò)相連接獲得初始模型。
[0090]
具體來說，初始模型為hi＝f(w
·
(x
×
u)+b)
[0091]
式中的x表示原始的傳感器數(shù)據(jù)輸入，u表示tvp投影矩陣，tvp指的是張量到向量的投影，通過一個(gè)投影矩陣與張量相乘來實(shí)現(xiàn)階數(shù)的降低，實(shí)現(xiàn)高階到低階的投影，通過投影矩陣可以將原始的傳感器數(shù)據(jù)轉(zhuǎn)化為特征矢量，將特征矢量作為堆疊稀疏自編碼模型的輸入。w和b表示堆疊稀疏自編碼模型的權(quán)重和偏移。
[0092]
s124：對(duì)初始模型進(jìn)行訓(xùn)練得到健康模型。
[0093]
具體來說，通過大量的數(shù)控機(jī)床歷史退化數(shù)據(jù)可以對(duì)模型進(jìn)行訓(xùn)練，從而得到最優(yōu)權(quán)重和偏移的模型參數(shù)w和b，將最優(yōu)權(quán)重和偏移的模型參數(shù)帶入初始模型從而獲得健康模型。在輸入數(shù)據(jù)正向傳播過程中，經(jīng)過多層隱含層處理并傳向輸出層，得到輸出結(jié)果與實(shí)際期望值之間的誤差，其中，實(shí)際期望是我們?cè)谟?xùn)練模型前，通過實(shí)際測量、人工經(jīng)驗(yàn)得到的，用來對(duì)模型的數(shù)據(jù)進(jìn)行評(píng)判。常用的退化過程的實(shí)際期望例如設(shè)備的運(yùn)行時(shí)間等。具體如何選擇還需要根據(jù)實(shí)際設(shè)備來決定。然后對(duì)預(yù)測的誤差進(jìn)行反向傳播，逐層求出目標(biāo)函數(shù)對(duì)各神經(jīng)元權(quán)值的偏導(dǎo)數(shù)，構(gòu)成目標(biāo)函數(shù)對(duì)權(quán)值向量的梯量，作為修改權(quán)值的依據(jù)，網(wǎng)絡(luò)的學(xué)習(xí)在權(quán)值修改過程中完成。通過多次迭代更新各層網(wǎng)絡(luò)的權(quán)重和偏移參數(shù)，誤差達(dá)到期望值時(shí)學(xué)習(xí)結(jié)束。根據(jù)訓(xùn)練后的最優(yōu)權(quán)重和偏移的模型參數(shù)w和b，對(duì)于采集到的多通道傳感數(shù)據(jù)，通過健康模型可以快速計(jì)算數(shù)控機(jī)床的實(shí)時(shí)健康指數(shù)，描述數(shù)控機(jī)床的健康狀態(tài)。
[0094]
實(shí)施例2
[0095]
請(qǐng)參閱圖4，本實(shí)施例還提供了一種數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算裝置，所述裝置包括：
[0096]
數(shù)據(jù)獲取模塊，適于獲取多通道傳感器數(shù)據(jù)；
[0097]
健康指數(shù)計(jì)算模塊，適于將多通道傳感器數(shù)據(jù)輸入到預(yù)先建立的健康模型中，從而得出系統(tǒng)的綜合健康指數(shù)。
[0098]
所述健康模型的建立方法包括：
[0099]
獲取樣本集；
[0100]
將樣本集輸入到堆疊稀疏自動(dòng)編碼器進(jìn)行特征提??；
[0101]
將堆疊稀疏性自動(dòng)編碼器最后一層提取的特征與全連接神經(jīng)網(wǎng)絡(luò)相連接，獲得初始模型；
[0102]
對(duì)初始模型進(jìn)行訓(xùn)練得到健康模型。
[0103]
實(shí)施例3
[0104]
本發(fā)明實(shí)施例還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有一個(gè)或一個(gè)以上的指令，所述一個(gè)或一個(gè)以上的指令內(nèi)的健康指數(shù)計(jì)算裝置的處理器執(zhí)行時(shí)實(shí)現(xiàn)如實(shí)施例1提供的數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算方法。
[0105]
本實(shí)施方式中，在對(duì)數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)進(jìn)行計(jì)算時(shí)，獲取多通道傳感器數(shù)據(jù)；將多通道傳感器數(shù)據(jù)輸入到預(yù)先建立的健康模型中，從而得出系統(tǒng)的綜合健康指數(shù)。
[0106]
即，本領(lǐng)域技術(shù)人員可以理解，實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，該程序存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一個(gè)設(shè)備(可以是單片機(jī)，芯片等)或處理器(processor)執(zhí)行本申請(qǐng)各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：u盤、移動(dòng)硬盤、只讀存儲(chǔ)器(rom，read-only memory)、隨機(jī)存取存儲(chǔ)器(ram，random access memory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。
[0107]
實(shí)施例4
[0108]
請(qǐng)參閱圖5，本發(fā)明實(shí)施例還提供了一種電子設(shè)備，包括：存儲(chǔ)器502和處理器501；所述存儲(chǔ)器502中存儲(chǔ)有至少一條程序指令；所述處理器501，通過加載并執(zhí)行所述至少一條程序指令以實(shí)現(xiàn)如實(shí)施例1所提供的數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算方法。
[0109]
存儲(chǔ)器502和處理器501采用總線方式連接，總線可以包括任意數(shù)量的互聯(lián)的總線和橋，總線將一個(gè)或多個(gè)處理器501和存儲(chǔ)器502的各種電路連接在一起?？偩€還可以將諸如外圍設(shè)備、穩(wěn)壓器和功率管理電路等之類的各種其他電路連接在一起，這些都是本領(lǐng)域所公知的，因此，本文不再對(duì)其進(jìn)行進(jìn)一步描述。總線接口在總線和收發(fā)機(jī)之間提供接口。收發(fā)機(jī)可以是一個(gè)元件，也可以是多個(gè)元件，比如多個(gè)接收器和發(fā)送器，提供用于在傳輸介質(zhì)上與各種其他裝置通信的單元。經(jīng)處理器501處理的數(shù)據(jù)通過天線在無線介質(zhì)上進(jìn)行傳輸，進(jìn)一步，天線還接收數(shù)據(jù)并將數(shù)據(jù)傳送給處理器501。
[0110]
處理器501負(fù)責(zé)管理總線和通常的處理，還可以提供各種功能，包括定時(shí)，外圍接口，電壓調(diào)節(jié)、電源管理以及其他控制功能。而存儲(chǔ)器502可以被用于存儲(chǔ)處理器501在執(zhí)行操作時(shí)所使用的數(shù)據(jù)。
[0111]
綜上所述，本發(fā)明通過將多通道數(shù)據(jù)特征提取得到的矢量特征信息映射到一個(gè)單維的系統(tǒng)綜合健康指數(shù)hi中。hi的數(shù)值代表系統(tǒng)健康狀況，其取值范圍為0～1，其中1表示系統(tǒng)的狀態(tài)完全正常，0表示系統(tǒng)已經(jīng)失效。通過構(gòu)建hi，建立系統(tǒng)的健康狀態(tài)與多通道傳感數(shù)據(jù)的關(guān)系模型，就可以根據(jù)數(shù)控機(jī)床的傳感數(shù)據(jù)，對(duì)數(shù)控機(jī)床的健康狀況進(jìn)行評(píng)估
[0112]
以上述依據(jù)本發(fā)明的理想實(shí)施例為啟示，通過上述的說明內(nèi)容，相關(guān)的工作人員完全可以在不偏離本發(fā)明的范圍內(nèi)，進(jìn)行多樣的變更以及修改。本項(xiàng)發(fā)明的技術(shù)范圍并不局限于說明書上的內(nèi)容，必須要根據(jù)權(quán)利要求范圍來確定其技術(shù)性范圍。

相關(guān)知識(shí)

一種老人健康數(shù)據(jù)監(jiān)控分析方法及系統(tǒng)與流程
健康監(jiān)測方法、裝置及電子設(shè)備與流程
健康檢測方法、裝置、終端設(shè)備及存儲(chǔ)介質(zhì)與流程
模具企業(yè)數(shù)控電火花加工的工藝流程
一種室內(nèi)環(huán)境健康監(jiān)測與預(yù)警裝置及系統(tǒng)的制作方法
遠(yuǎn)程健康檢測與服務(wù)系統(tǒng)的制作方法
體重BMI指數(shù)的計(jì)算方法
數(shù)字健康管理系統(tǒng)
一種健康監(jiān)測系統(tǒng)及方法與流程
數(shù)控電火花加工的工藝流程

網(wǎng)址: 數(shù)控機(jī)床系統(tǒng)綜合健康指數(shù)的計(jì)算方法及裝置與流程 http://www.u1s5d6.cn/newsview921699.html