提出基于多状态时间序列预测学习的超精密机床主轴故障诊断方法,并对该方法进行了仿真测试。通过构建DAFDC-RNN模型(Dual-stage attention and full dimension convolution based recurrent neural network,时间序列预测模型),引入注意...提出基于多状态时间序列预测学习的超精密机床主轴故障诊断方法,并对该方法进行了仿真测试。通过构建DAFDC-RNN模型(Dual-stage attention and full dimension convolution based recurrent neural network,时间序列预测模型),引入注意力、全维度卷积和时间注意力机制,生成运行状态过程中主轴间的相关性,模型输出即主轴运行故障预测值,同时去除预测数据内噪声,利用EMD-AR分析方法(Empirical mode decomposition-auto regressive,检验模态分解和谱分析结合法)分解时域信号中一阶分,并排除生成全新的信号,直至不再分解为止结束,在预测值范围内以及L-D算法帮助下对分解后信号计算求解,得出故障诊断结果。实验结果表明:本文方法的故障预测精度可达0.95~1.0,耗时可控制在10 ms以内,研究方法下主轴运行信号分解得到的正常信号分解幅值波动情况与实际结果基本吻合。展开更多
文摘提出基于多状态时间序列预测学习的超精密机床主轴故障诊断方法,并对该方法进行了仿真测试。通过构建DAFDC-RNN模型(Dual-stage attention and full dimension convolution based recurrent neural network,时间序列预测模型),引入注意力、全维度卷积和时间注意力机制,生成运行状态过程中主轴间的相关性,模型输出即主轴运行故障预测值,同时去除预测数据内噪声,利用EMD-AR分析方法(Empirical mode decomposition-auto regressive,检验模态分解和谱分析结合法)分解时域信号中一阶分,并排除生成全新的信号,直至不再分解为止结束,在预测值范围内以及L-D算法帮助下对分解后信号计算求解,得出故障诊断结果。实验结果表明:本文方法的故障预测精度可达0.95~1.0,耗时可控制在10 ms以内,研究方法下主轴运行信号分解得到的正常信号分解幅值波动情况与实际结果基本吻合。
