(19)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 202211358013.7 (22)申请日 2022.11.01 (71)申请人 山东省计算中心 （国家超 级计算济 南中心） 地址 250000 山东省济南市经十路东首 科 学院路19号 申请人 齐鲁工业大学 (72)发明人 丁青艳　郭卫孟　张让勇　 (74)专利代理 机构 山东竹森智壤知识产权代理 有限公司 37382 专利代理师 吕利敏 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于SOM-AO的机床设备故障预警方法 (57)摘要 本发明公开一种基于SOM ‑AO的机床设备故 障预警方法， 属于计算机模型的技术领域。 本发 明中， 首先， 通过改进的AO算法优化： 用于搭建 SOM神经网络的神经元向量， 使得神经元向量更 加优秀； 然后， 通过SOM神经网络去进一步优化预 警所用的神经元向量， 同时得到该神经元的预警 范围； 最后， 通过实际数据获取相应的异常对比 值， 与自适应阈值进行比较， 最终得出被测机床 是否异常的预测结果。 本发明通过以上的方式可 以得出数控机床比之前更加精 准的预警结果， 在 一定程度上避免机床发生重大故障,提高了机床 的整体性能。 权利要求书5页 说明书14页 附图2页 CN 115511008 A 2022.12.23 CN 115511008 A 1.一种基于SOM ‑AO的机床设备故障预警方法， 其特 征在于， 包括： 1)设置初始的神经元向量， 包括正常运转状态下数控机床的电流上下界、 电压上下界 和温度上 下界； 2)使用改良的AO优化模型训练数据， 然后利用所述训练数据优化初始的神经元向量， 最终的目的是获取最优向量； 3)通过SOM神经网络与训练数据训练神经 元， 进而获得预警神经 元及其预警距离； 4)搭建预警模型， 并使用测试数据进行测试： 在测试过程中， 首先计算测试数据与所有 神经元之间的欧式距离， 取出最小值对应的神经元为该测试数据对应的获胜神经元； 其次 获胜神经元与测试数据之 间的欧式距离就是用于后面比较的欧式距离； 再将所述欧氏距离 与神经元 的预警距离进行对比， 最终得到异常对比值， 即所述欧式距离与所述神经元 的预 警距离的比值； 最后， 再与预警模型中的阈值进行比较： 若异常对比值超过阈值， 则代 表测试数据有异常情况， 需要报警； 否则， 不报警。 2.根据权利 要求1所述的一种基于SOM ‑AO的机床设备故障预警方法， 其特征在于， 在步 骤1)之前还 包括初始化数据： 1‑3)将采集到的数据集x＝{x1,x2,x3}， x1、 x2、 x3分别是电流、 电压、 温度值， 随机划分成 三份： 一份是用于改良的AO优化模 型的训练数据、 一份是用于搭建SOM神经网络过程中的训 练数据、 在数控机床的历史数据中选择出一些异常数据； 将异常数据与正常数据 组成预警 的测试数据； 1‑2)对所述 三份数据进行归一 化处理： 归一化的公式如下： 在公式(I)中， μ为每条 数据的均值， σ 为每条 数据的方差， x*是指归一 化处理后的数据。 3.根据权利 要求1所述的一种基于SOM ‑AO的机床设备故障预警方法， 其特征在于， 步骤 1)中设置初始的神经 元向量的具体步骤： 电流、 电压、 温度数据的上 下界分别分别为[Vmin,Vmax]、 [Imin,Imax]、 [Tmin,Tmax]； 根据SOM神经网络模型 所需神经 元个数随机相同数量的初始神经 元向量； 每个神经元向量包括a＝{a1,a2,a3}， a1、 a2、 a3分别是电流、 电压、 温度值。 4.根据权利 要求1所述的一种基于SOM ‑AO的机床设备故障预警方法， 其特征在于， 步骤 2)具体的步骤 包括： 所述改良的AO优化模型包 含改良的AO算法与适应值 函数、 归一 化函数， 优化初始神经 元的过程如下： 2‑1)初始化神经元适应值集合every_fitness＝{f1,f2,....,f81}、 最优神经元best_v ＝{b1,b2,b3}以及其适应值best_fitnes s； 每一个适应值刚开始的时候都为0 将所有初始神经 元迭代一遍， 获取其对应的适应值； 若当前神经元的适应值大于最优神经元的适应值， 就将当前神经元的数据赋给最优神 经元， 同时当前神经 元的适应值 也赋给最优适应值best_fitnes s；权　利　要　求　书 1/5 页 2 CN 115511008 A 2适应值函数如下： 在公式(I I)中， o是输入的神经 元向量； yi(i＝1,…,n)是用于训练的数据； 归一化函数如下： 在公式(I II)中， μ为每条 数据的均值， σ 为每条 数据的方差； 2‑2)开始训练 迭代的过程分为2/ 3与1/3的过程； 每一次迭代过程是先对神经元向量进行优化， 然后计算每个神经元的适应值， 直至最 后得出适应值 最大的神经 元及其适应值； 适应值函数如下 所示： 在公式(IV)中， x是输入的神经 元向量， yi(i＝1,…,n)是用于训练的数据； 当处于2/ 3过程中时， 每次迭代在AO算法的基础上加上柯西变异函数； 在柯西变异函数中首 先要生成一个与训练数据相同结构的随机数据a； 然后将随机数据a输入到柯西分布函数中得到一个 变异因子b； 最后获得一个新的神经 元数据即a*b； 将上述新的神经 元数据替代 原来的最优神经 元的数据， 进入下一次迭代； 其中， 柯西分布函数如下： 在公式(V)中， xs是输入的神经 元数据； 优化函数包括： 优化函数1： 在公式(VI)中， F1(t+1)是由第一种 函数生成的第t+1次迭代的神经元向量； Xbest(t)是 在第t次迭代之前获得的最优神 经元向量； XM(t)是在第t次迭代时所有神经元向量 的平均 值； Xi(t)是在第t次迭代时每一个神经元向量； rand是介于0和1之间的随机值； t和T分别表 示当前迭代和最大迭代次数， N是神经 元的数量； 优化函数2： F2(t+1)＝Xbest(t)×Levy()+XR(t)+(yr‑xr)×rand(VII) 在公式(VII)中， F2(t+1)是由第二种函数生成的第t+1次迭代的神经元向量； Xbest(t)是 在第t次迭代之前获得的最佳神经元向量； Levy()是Levy飞行分布函数； XR(t)是在第t次迭 代时在[1,N]范围内获得的随机神经元向量； r and是介于0和1之间的随机值； N是神经元的 数量； 下面是Levy飞行分布函数：权　利　要　求　书 2/5 页 3 CN 115511008 A 3