[发明专利]一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法

权利要求书

1.一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：包括如下步骤：

S1、构建激光切割数控系统数字孪生模型：对激光数控系统进行可视化模型建立；

S2、虚拟空间中激光切割数控系统潜在的故障分析：建立虚拟故障诊断分类器，根据激光数控系统数字孪生模型，通过模拟不同故障工况下的切割加工过程来探索潜在的故障模式，在无先验经验的情况下，从大量未被标记的仿真数据中提取故障特征；

S3、激光切割数控系统主动维护阶段的故障预测：通过物理实体的实时监控数据改善激光切割数控系统数字孪生模型，并利用深度迁移学习将之前训练的虚拟故障诊断分类器从虚拟空间迁移到物理空间，构建实体故障诊断与预测模型；

S4、实时运行过程中故障诊断：通过实时采集激光切割系统中运行数据，在实体故障诊断与预测模型中做出预测和诊断，并制定激光切割系统的维护措施。

2.根据权利要求1所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S1中，构建激光切割数控系统数字孪生模型的具体方法包括如下步骤：

S1.1、构建虚拟激光数控系统多维模型：为实现激光数控系统多维模型融合，必须构建几何、物理、行为、规则等多维度的激光数控系统模型，从几何形状、物理属性、行为响应及规律规则等多方面对激光数控系统进行真实刻画和描述建模；

S1.2、激光数控系统多维模型评估与验证：模型确定后，必须保证模型的有效性和正确性，即基于验证与认证对所构建的多维模型进行验证，包括对模型演绎过程中的输入和输出准确度的验证、仿真置信度的验证、灵敏度与仿真精度的验证等；

S1.3、激光数控系统多维模型关联关系与映射机制：为实现多维模型的融合，在构建正确模型的基础上，必须研究并分析各维模型间的关联与映射关系，并通过建立激光数控系统各层模型间的关联关系，从结构和功能两方面对这模型进行集成与融合，形成激光数控系统综合模型，并以统一的三维表现形式支持该模型的可视化呈现与仿真运行；

S1.4、激光数控系统多维模型一致性理论与方法：使虚拟激光数控系统模型与物理激光数控器及其复杂生产活动保持真实镜像和同步，保证几何、物理、行为、规则等各维模型与其所刻画的实际对象的一致性，以及同一实际对象对应的不同维度模型的一致性。

3.根据权利要求2所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S1.3中，各维模型间的关联与映射关系包括但不限于：几何模型与物理模型是对激光切割器异构要素的描述；行为模型是在此基础上加入驱动及扰动因素，使各要素具备行为特征、响应机制以及进行复杂行为的能力；规则模型是对激光数控系统及其模型在几何、物理、行为多个层面上反映的规律规则进行刻画，并将其映射到相应的模型上，使各模型具备评估、演化、推理等能力。

4.根据权利要求2所述的基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法，其特征在于：所述S2中，利用大量数字孪生模型产生的故障仿真数据，采用无监督的深度学习方法训练虚拟故障分类器，其具体方法包括如下步骤：

S2.1、利用数字孪生模型模拟各种故障工程，得到大量的故障仿真数据，利用非线性编码器函数学习输入层的显著特征，输出层利用非线性解码器函数从隐藏层中恢复输出；

S2.2、进行堆叠稀疏自编码采用贪婪分层的方式进行训练，每次只训练一个隐藏层，每层训练的参数初始化整个网络中相应的层值；

S2.3、提取的特征作为下一个稀疏自编码器的输入，同时固定前几层的参数，通过最小化损失函数，依次学习每一层的参数集；

S2.4、在训练了N个隐藏层之后，下一步将实现softmax分类器；

S2.5、通过微调来更新激光数控系统深度神经网络模型中的所有权值。