CN119472509A 一种数控机床的智能故障诊断方法 （深圳市硕方精密机械有限公司）

本申请提供一种数控机床的智能故障诊断2采集所述数控机床运行过程中多源传感器数据，所述多源传感器数据包括振动信号、在检测到数控机床运行异常时，基于所述目标机床动态模型基于所述故障预估结果，采用蒙特卡洛树搜索算法构建故障演化路构建深度学习模型架构，所述深度学习模型根据所述损失函数的计算结果，采用Adam优化器进行模型训练，并所述CNN包括依次连接的三层卷积层结构，第一层使用32个3×3卷积核进行特征提取基于所述目标机床动态模型和模型预测控制方法进行故障状态预估，得到故障预估结果，基于所述目标机床动态模型，构建递推式预测结构的状态预测器3基于所述滚动时域预测策略，对所述数控机床未来状态进行多步构建包含不同切削参数下正常运行特征分布的数计算预测状态序列与所述基准库中对应工况基准状态之间基于历史故障数据训练状态转移矩阵，结合当前状态偏差值和偏根据所述状态偏差值、偏差变化趋势和故障发展趋势，采用模糊综基于所述状态转移规则库中的规则生成子节点，并在扩展过程中4统计所述故障演化路径中各节点的访问次数，将访问次数超过总模拟次数30%的路径基于所述高概率故障演化路径生成分层故障诊断报告，包括当前故障状采用可视化方式展示故障演化树结构，使用不同颜色标识故障等级5[0004]较为先进的诊断方法采用传统机器学习算法，如支持向量机(SVM)对故障特征进从而实现故障识别。6所述CNN包括依次连接的三层卷积层结构，第一层使用32个3×3卷积核进行特征所述LSTM包括两层双向LSTM层，每层包含128个神经元，两层之间设置丢弃率为器采用20个采样点作为一个预测单元的时构建包含不同切削参数下正常运行特征分布的数预测准确度通过预测值与实际值的均方误差计算得7统计所述故障演化路径中各节点的访问次数，将访问次数超过总模拟次数30%的基于所述高概率故障演化路径生成分层故障诊断报告，包括当前故障状态描述、8理器执行时实现上述数控机床的智能故障诊断方法1.通过采集和融合多源传感器数据，提高了对机床运行状[0022]3.引入模型预测控制方法和自适应[0023]4.创新性地应用蒙特卡洛树搜9采样频率通常设置为10kHz以上，以捕获高频故障特征；温度信号的采样频率可以相对较于3个采样周期使用线性插值；对于较长时间缺失（3_10个采样周期使用三次样条插[0039]本申请采用改进的Min_Max标准化方法，将各类传感器数据统一映射到[0,1]区[0046]基于预处理后的数据，本申请构建和训练机床动态模型的过程包含多个关键环能够准确反映机床动态特性的智能模型。该模型具有较强的特征提取能力和故障识别能[0060]本申请设计了一种融合CNN和LSTM的深度学习模型架构，该架构能够同时处理机所述CNN包括依次连接的三层卷积层结构，第一层使用32个3×3卷积核进行特征[0073]所述LSTM包括两层双向LSTM层，每层包含128个神经元，两层之间设置丢弃率为[0075]CNN部分采用三层卷积结构进行空间特征提取。第一层使用32个3×3卷积核进行预测器采用20个采样点作为一个预测单元的时间[0081]基于前期训练好的目标机床动态模型，构建了具有递推式预测结构的状态预测A1.构建包含不同切削参数下正常运行特征分布的数控机床健康状态[0090]本步骤采用马氏距离计算预测状态序列与基准状态之间差值能够更准确地反映当前状态与正常状态的U={U1,U2,U3}预测准确度通过预测值与实际值的均方误差计算得校正后的预测值等于原始预测值与实际观测[0107]MCTS是一种基于采样的搜索算法，特别适合处理具有庞大状态空间的决策问题。下降等采用4层的最大扩展深度以平衡计算效率。扩展深度的动态调整基于当前节点的问次数超过总模拟次数30%的路径标识为高概率