申请/专利权人：西安交通大学

申请日：2020-12-03

公开（公告）日：2024-04-02

公开（公告）号：CN112434636B

主分类号：G06F18/25

分类号：G06F18/25;G06F18/23213;G06F18/213;G06F18/214;G06F18/2413;G06F18/2411;B23Q17/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.03.19#实质审查的生效;2021.03.02#公开

摘要：本发明公开了一种机床零部件健康状态监测方法及系统，基于多元特征融合的思想，对历史数据进行时域、频域、时频域多角度特征提取；对提取到的特征进行标准化后，运用K‑Means聚类分析方法对特征集进行状态划分，获得特征集所对应的状态标签；采用FisherScore特征选择方法对各特征的分类效果进行评估，将敏感特征及其所对应的状态标签输入分类器中进行训练学习，建立敏感特征与状态标签之间的映射关系；提取当前数据的敏感特征输入训练好的分类器中，得到当前时刻机床零部件的健康状态预测值。本发明能够对机床零部件健康状态的识别预测精度带来较高的提升，降低生产事故发生率，提高生产加工效率，进一步保障了生产加工精度。

主权项：1.一种机床零部件健康状态监测方法，其特征在于，对机床零部件的历史信号进行预处理；对预处理后的历史信号进行时域、频域以及时频域的特征提取；将所有特征组合形成样本特征数据集，对特征数据集进行标准化处理；使用K-Means聚类分析方法对标准化处理后的特征数据集进行划分，确定每个退化状态边界；通过对特征数据集中每个特征的健康状态分类效果进行评估，选择分类效果评估值最高的特征子集作为敏感特征；搭建分类器，并进行训练学习，建立机床零部件敏感特征与机床零部件健康状态之间的非线性映射关系；将当前数据的敏感特征传递到训练好的分类器中，输出机床零部件健康状态预测值；使用K-Means聚类算法具体为：随机选取K个对象作为初始的聚类中心；然后计算每个对象与各个聚类中心之间的距离；把每个对象分配给距离自己最近的聚类中心；聚类中心以及分配给自己的对象代表一个聚类，每分配一个样本，聚类的聚类中心根据聚类中现有的对象被重新计算，不断重复直到准则函数达到最优；每个对象与各个聚类中心之间的距离d为： 其中，X:x1,x2,…,xn，Y:y1,y2,…,yn分别表示不同对象在空间中的坐标；准则函数表示为： 其中，k是簇的个数，Ci是第i个簇的中心点，distCi,X是数据对象到与其簇中心的距离；通过FisherScore对特征值的分类效果进行评估具体为： 其中，S表示特征分类效果的评估值，c表示类别数量，nk表示第k类的样本数量，和分别对于第j个特征的第k类的均值和均方差，μj表示对于第j个特征的所有数据集的均值，表示每个类到所有数据集中心的距离，值越高表示特征更容易区分各个类别，代表每个类数据的离散程度，通常较小的值会得到较好的分类结果。

全文数据：

权利要求：

百度查询： 西安交通大学 一种机床零部件健康状态监测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD