(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111067260.7 (22)申请日 2021.09.13 (65)同一申请的已公布的文献号 申请公布号 CN 113779724 A (43)申请公布日 2021.12.10 (73)专利权人 江苏仅一联合智造有限公司 地址 212300 江苏省镇江市丹阳市开发区 前进路111号一号园 (72)发明人 陈锋　尹经天　简红英　吕渊　 张秋昕　张西良　 (74)专利代理 机构 镇江至睿专利代理事务所 (普通合伙) 3252 9 专利代理师 刘静 (51)Int.Cl. G06F 30/17(2020.01)G06F 30/27(2020.01) G06F 119/02(2020.01) (56)对比文件 CN 112765890 A,2021.0 5.07 审查员 王欣玥 (54)发明名称 一种充填包装机故障智能预测方法及其系 统 (57)摘要 本发明公开了一种充填包装机故障智能预 测方法及其系统， 包括以下步骤： 收集充填包装 机传动系统的历史振动信号与实时振动信号； 将 振动信号划分训练集， 使用滑动时间窗口划分样 本， 对样本做归一化处理； 构建DALCNN模型， 随机 初始化网络的参数， 利用训练数据训练网络； 使 用训练好的模 型对实时信号进行故障预测， 输出 传动系统下次发生故障的时间。 充分利用振动信 号的时间信息， 精确提取特征， 避免了手工选择 特征， 特征提取不精确的问题； 解决了难以获取 所有工况下的全生命周期数据， 训练数据与实时 信号分布不同， 模型故障预测 效果较差的问题， 提高了故障预测在实际生产中准确性与可实现 性。 权利要求书3页 说明书9页 附图3页 CN 113779724 B 2022.07.22 CN 113779724 B 1.一种充填包 装机故障智能预测方法， 其特 征在于： 包括以下步骤， 步骤S1： 振动信号的采集： 采集充填包 装机传动系统的历史信号和实时振动信号； 步骤S2： 振动信号的预处理： 带RUL标签的源域数据与无RUL标签的部分目标域数据作 为训练数据， 其他无RUL标签的目标域数据作为测试数据； 将振动信号使用滑动时间窗口划 分样本,然后对样本做归一 化处理； 步骤S3： 模型的构建和训练： 构建DALCNN模型， 随机初始化网络的参数， 利用训练数据 训练网络， 所述步骤S3中的DALCNN模型， 包括LSTM网络、 CNN、 域自适应层、 输出层； LSTM网络 由n个LSTM单元连接而成， 用于提取振动信号中的时序特征； CNN由卷积层与池化层间续连 接组成， 用于进一步提取局部特征并降低数据维度； 域自适应层用于对齐源域与目标域数 据， 以提取域不变特征， 输出层整合深度特征， 输出预测的结果， 所述步骤S3中的域 自适应 层全连接层中嵌入域自适应损失对齐源域与目标域数据， 提取域不变特征， 所述步骤S3中 的域自适应层的计算公式如下： 公式十三： 公式十三中， wl表示域自适应层的权重系数， ba表示域自适应层的偏置系数， zl+1表示l+ 1域自适应层神经元的输出值， 所述步骤S 3中的模型的训练是指利用训练数据训练网络， 即 可得到用于对充填包 装机传动系统进行故障预测的网络， 训练公式如下： 公式十五： 公式十六： 公式十五、 公式十六中， L表示网络的损失函数， m表示训练集的批量大小， yi和 分别是 真实RUL标签和预测RUL标签， FS， FT分别表示源域和目标域的振动信号在域自适应层输出的 特征， α 表 示平衡因子， 描述域自适应损失在损失函数中所占的比重， θ为整个网络结构的参 数， α 为学习率， θn表示训练n次的网络结构参数； 步骤S4： 模型的在线使用： 将实时采集的充填包装机传动系统振动信号进行预处理并 作为模型的输入， 模型的输出 结果即是对传动系统的健康状态预测结果。 2.根据权利要求1所述的充填包装机故障智能预测方法， 其特征在于： 所述步骤S2中的 RUL标签是指将传动系统剩余寿命占全寿命的百分比作为每个样 本的RUL标签， 其计算 公式 为： 公式一： 公式一中， yt表示传动系统在t个采样点时的RUL标签， Tend表示传动系统失效时间， Tcur 表示当前采样时间， Tl表示传动系统的寿命时长 。 3.根据权利要求1所述的充填包装机故障智能预测方法， 其特征在于： 所述步骤S2中的 滑动时间窗口划分样本是指用时间滑动窗口将连续时间的采样样本打包作为网络的输入 数据， 归一 化处理是指将振动信号映射到区间[ ‑1,1]上， 计算公式为：权　利　要　求　书 1/3 页 2 CN 113779724 B 2公式二： 公式二中， xi、 xmax、 xmin本别表示该样本中第i个数据、 最大值、 最小值。 4.根据权利要求1所述的充填包装机故障智能预测方法， 其特征在于： 所述步骤S3 中的 LSTM单元包括单元状态、 输入门、 遗忘门和输出门， 所述单元状态用于保存网络的时间信 息， 所述输入门用于控制输入信息进入LSTM单元， 遗忘门用于遗忘前一个时刻的单元状态 的cell单元信息和信号特征， 输出门用于向下一个时刻的单元和下一层同时刻的单元输出 状态信息 。 5.根据权利要求4所述的充填包装机故障智能预测方法， 其特征在于： 所述步骤S3 中的 输入门、 遗 忘门、 单元状态、 输出门的输出计算公式如下: 公式三： it＝σ(ωxixt+ωhiht‑1+bi) 公式四： ft＝σ(ωxf+ωhfht‑1+bf) 公式五： 公式六： 公式七： ot＝σ(ωxoxt+ωhoht‑1+bo) 公式八： ht＝ottanh(ct) 公式三、 公式四、 公式五、 公式六、 公式七、 公式八中： it、 ft、 ct、 ht分别为输入门、 遗忘门、 单元状态、 输出门的输出， 为计算ct过程中的中间值， ot为计算ht过程中的中间值； xt表示t 时刻的振动信号， 为一维向量； ht‑1表示t－1时刻的LSTM单元输出， ct‑1表示前一个时刻的单 元状态； σ 为sigmoid激活函数， tanh 为输出激活函数； ωxi、 ωhi分别为输入门对xt和ht‑1的权 重矩阵， ωxf、 ωhf分别为遗忘门对xt和ht‑1的权重矩阵， ωxc、 ωhc分别为cell单元对xt和ht‑1 的权重矩阵， ωxo、 ωho分别为输出门对xt和ht‑1的权重矩阵， bi、 bf、 bc、 bo分别为输入门、 遗忘 门、 单元状态、 输出门的偏置系数， ·表示矩阵的点积； σ 和tanh激活函数通过以下公式计算： 公式九： 公式十： 公式九、 公式十中： e为自然常数， z为 函数的输入。 6.根据权利要求1所述的充填包装机故障智能预测方法， 其特征在于： 所述步骤S3 中的 CNN包括两层卷积层与池化层， 所述卷积层用于和输入数据 做卷积运算以提取局部特征， 所 示池化层用于将数据转换成相应的值， 用于减少数据和参数 的数量， 筛选出数据中重要的 信息。 7.根据权利要求6所述的充填包装机故障智能预测方法， 其特征在于： 所述步骤S3 中的 卷积层与池化层的计算公式如下： 公式十一： 权　利　要　求　书 2/3 页 3 CN 113779724 B 3