[发明专利]一种基于深度学习的智能制造过程故障分类方法及装置在审
| 申请号： | 201810895953.7 | 申请日： | 2018-08-08 |
| 公开（公告）号： | CN109254577A | 公开（公告）日： | 2019-01-22 |
| 发明（设计）人： | 张彩霞;王向东;王新东;胡绍林 | 申请（专利权）人： | 佛山科学技术学院 |
| 主分类号： | G05B23/02 | 分类号： | G05B23/02;G06K9/62 |
| 代理公司： | 广州嘉权专利商标事务所有限公司 44205 | 代理人： | 王国标 |
| 地址： | 528000 广东省佛山市*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本公开提供一种基于深度学习的智能制造过程故障分类方法及装置，利用样本数据建立了故障支持向量机分类器模型，这种诊断方法的显著优点是只需要少量的时域样本数据来训练故障分类器，不必进行信号预处理就能够提取特征量，便可实现多故障的识别和诊断，构建故障支持向量机分类器模型，实现了在智能制造过程中的数控机床的状态可显示、故障可诊断、性能可预报，形成监测信息、诊断结论和实时控制方案策略的统一，进而达到高精、高效加工的目的。 | ||
| 搜索关键词： | 智能制造 诊断 支持向量机分类器 过程故障 故障分类器 信号预处理 高效加工 监测信息 时域样本 实时控制 提取特征 样本数据 数控机床 可显示 分类 构建 学习 预报 统一 | ||
【主权项】：
1.一种基于深度学习的智能制造过程故障分类方法，其特征在于，所述方法包括：步骤1，通过传感器实时采集样本数据；步骤2，根据样本数据构建故障支持向量机分类器模型；步骤3，提取样本数据的特征变量数据；步骤4，通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数；步骤5，将样本数据通过最优核函数的支持向量机分类器模型获得故障分类结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于佛山科学技术学院，未经佛山科学技术学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810895953.7/，转载请声明来源钻瓜专利网。
