(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111545374.8 (22)申请日 2021.12.15 (71)申请人 苏州华光智控电子科技有限公司 地址 215000 江苏省苏州市吴江区江陵街 道长安路东侧吴江科技创业园1号楼 4 层405 (72)发明人 上官端森　 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 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 (57)摘要 本发明涉及数控系统维管技术领域， 具体地 说， 涉及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。 包括如下步骤： 建立激光切割数控系统数字孪生模 型； 进行故障 模拟， 构建数据故障分类器； 构建迁移学习， 利用 深度迁移学习将之前训练的诊断模型从虚拟空 间迁移到物理空间。 本发明设计可以挖掘切割过 程的潜在问题并直观显示， 与激光切割数控设备 进行交互协作， 实现同步监控和预测分析的效 果， 有效解决实际应用中训练数据不足、 分布不 均匀的问题； 同时解决激光切割数控系统数据利 用率低、 缺乏高效深度发掘和分析的问题， 为其 提供及时、 可靠、 有效的故障诊断方法。 权利要求书4页 说明书11页 附图7页 CN 114201920 A 2022.03.18 CN 114201920 A 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， 每权　利　要　求　书 1/4 页 2 CN 114201920 A 2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。 5.根据权利要求4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S2.1中， 进行堆叠稀疏自编码采用贪婪分层的方式进行训练， 第一 隐藏层的编码器网络和解码器网络的输出如下 所示： 输入数据集表示为 它来自于虚拟空间， 是虚拟空间的样本数； 设(W1， b1)是第一个编码器网络的参数， (W ′1， b′1)是第一个解码器网络的参数， 则： Hv1＝f(W1Xv+b) (1) 其中， 式(1)中， 是第一隐藏层中的编码器矢量， 表示从输入数据中 提取的特征， j是特征向量的个数； 式(2)中， 是第一个隐藏层的解码 器矢量映射； 进而同 样地， 为从N‑1层中提取的N隐含层的特征， k是隐层N中特征向量的个 数； f(*)表示编码器函数， 而g(*)表示重构函数； 其中f(*)和g(*)均为sigmo id函数。 6.根据权利要求5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S2.3中， 依次学习每一层的参数集的方法如下 所示： 其中： L(*)是重构误差惩罚， 表示输入x和 输出之间的差值， KL(*)是Kullback ‑ Leibler散度， 用于使隐藏层中的大多数神经元受到抑制， ρ 是一个稀疏参数， 接近于零， ρK 是隐藏单元的平均激活(为了抑制隐藏层中的大多数神经元处于不活跃状态， ρK应该接近 ρ )； 如果ρ ＝ρK， 则( ρ ||ρK)＝0， 否则KL散度将随着ρK与ρ 的偏离而增大， R(*)为重量衰减， 有 助于防止过拟合， β 和 μ分别为稀疏惩罚项和权 重衰减项的权 重。 7.根据权利要求6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S2.4中， softmax分类器可以估计每个标签的概率， 具体计算方法如 下： 给定一个带标签的数据集{(x1， y1)， ...， (xm， ym)}， 其中y1是与x1相对应的标签， m是输 入向量的数量； (x1， x2， ...， xm)是堆叠稀疏自编码器的输入， 是最后的 稀疏自编码器提取的特 征； 然后， 数据集 将被应用于训练softmax分类器以获得关于标签 的预测。 8.根据权利要求7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S 3中， 利用深度迁移学习将之前训练的诊断模 型从虚拟空间迁移到 物理空间， 具体包括以下步骤： 深度迁移学习与堆叠稀疏自编码器的不同之处在于在特征提取层和分类层之间设置权　利　要　求　书 2/4 页 3 CN 114201920 A 3