具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

下面先对本发明的实施例的一种基于相关性判断的基于振动信号的3D打印机监测与诊断知识库装置进行展开描述，并对由该基于振动信号的3D打印机监测与诊断知识库装置和远程服务器组成的基于振动信号的3D打印机监测与诊断知识库系统进行展开描述；然后对本发明的实施例的一种基于深度学习的基于振动信号的3D打印机监测与诊断知识库装置进行展开描述，并对由该基于振动信号的3D打印机监测与诊断知识库装置和远程服务器组成的基于振动信号的3D打印机监测与诊断知识库系统进行展开描述。

1、基于相关性判断的基于振动信号的3D打印机监测与诊断知识库装置

本发明实施例的一种基于振动信号的3D打印机监测与诊断知识库装置，如图1所示，包括信号采集模块、信号处理模块、特征提取模块、监测模块、知识库模块；

信号采集模块，该模块包括设置于3D打印设备预设部件的振动传感器，用于采集3D打印设备运行时预设部件的振动信号；

信号处理模块，配置为将所采集到的各预设部件的振动信号由模拟信号转换为数字信号；

特征提取模块，配置为对各预设部件的振动信号的数字信号，分别进行频谱特征的提取，得到各预设部件的频谱特征；

监测模块，配置为基于各预设部件的频谱特征，通过第一比对分析模型，获取每一个预设部件的工作状态类型；其中，第一比对分析模型包含与预设部件一一对应的一个或多个判断模型，判断模型用于将预设部件提取的频谱特征分别与预设部件正常运行时的频谱特征进行相关性判断，得到对应部件工作状态类型。

知识库模块，配置为存储3D打印设备新增样本和初始样本；初始样本为已知各类故障的频谱特征信息和对应故障类别，新增样本包括打印设备运行中实时获取的新故障的频谱特征信息及其对应的故障类别。

为了更清晰地对本发明进行说明，下面结合图对本发明基于相关性判断的基于振动信号的3D打印机监测与诊断知识库装置一种实施例从组成模块、工作过程两方面进行展开详述。

1.1组成模块

基于相关性判断的基于振动信号的3D打印机监测与诊断知识库装置，如图2所示，包括信号采集模块、信号处理模块、特征提取模块、监测模块、知识库模块、故障预警模块、信息显示模块。

1.1.1信号采集模块

基于振动信号的3D打印机监测与诊断知识库装置利用振动信号进行3D打印设备的状态监测及故障诊断。振动信号由打印设备本身发出，无需另行添加信号源。3D打印设备在运行过程中，由于各运动构件与静止构件的冲击而产生振动，正常工作的3D打印设备振动水平稳定，其振动频率以一倍频、二倍频为主导；当出现故障时，设备在非正常工作状态下振动明显加大，开始出现故障振动特征频率和振动特征参数，不同故障类型有其特有的故障特征指标，有效反映了设备故障。

信号采集模块与信号处理模块连接，将采集的振动信号转换为电信号输出。信号采集模块由振动传感器组成，振动传感器根据不同要求可选择压电式振动加速度传感器或电涡流位移传感器。振动传感器可布置在3D打印设备轴承座、电机、传动部件、箱体或机架上，提取有效表征3D打印设备状态的振动信号。

1.1.2信号处理模块

信号处理模块分别与信号采集模块和特征提取模块连接，该模块包括滤波器和模拟/数字转换器。

滤波器可保留不同频带，其作用是对信号进行适当的滤波、降噪。3D打印设备故障在振动信号的不同频带上均有反映，根据所设定的不同频带范围，滤波器可以使用低通滤波器、高通滤波器、带通滤波器、或几种滤波器组合使用，以保留需要的振动频率段。

模拟/数字转换器的作用是进行振动信号从模拟到数字的转换，将信号采集模块拾取的模拟信号转变为可进行信号分析的数字信号。模拟/数字转换器的具体类型可选择积分型转换器或压频变换型转换器等。

1.1.3特征提取模块

特征提取模块分别与信号处理模块和监测模块连接，可用嵌入式处理器或微处理器将从信号处理模块接收的数字信号从时间域转换到频率域，得到所需要的数字信号频谱，为后续基于频谱分析的状态监测和故障诊断做准备。

时间域转换到频率域具体包括傅里叶变换、短时傅里叶变换、快速傅里叶变换及小波变换。通过各类型傅里叶变换可提供准确率极高的频域信息，是一种纯频域的算法；为了同时保留时间信息，明确特定信号是在何时发生的，进行时变信号的处理，采用小波变换的信号处理方法，可使处理后的信号同时具有时间和频率的双分辨率。

信号频谱分析方法包括时频分析法、功率谱分析法和倒频谱分析法。

信号在时域数字信号的基础上通过时频分析方法提取信号特征。在多变的工况和负载条件下，3D打印设备的振动信号一般为非平稳信号，时频分析法可以有效处理由于随机滑移、潜在转速波动以及载荷比的变化产生的非平稳振动信号。使用时频域相结合的分析方法同时具有时域分析法对早期故障的敏感性以及频域分析法对故障部位、故障形式判断的准确性，能够分析信号的频谱如何在时间维度上变化，基于时频谱进行3D打印设备的状态监测。具体的，对采集到的振动信号进行经验模态分解，分解得到的若干本征模态函数(IMF)分量进行希尔伯特变换，提取状态信号的特征信息并识别其状态类型。正常工作状态下的3D打印设备时频图基本是平稳的随机波形，当设备出现不同类型的故障时，其信号幅值会有不同程度的增加，波形也会依故障类型在不同频率段有所改变，出现明显的周期性或不规则冲击、毛刺；不同频段的能量显著增加，能量最聚集的位置也会改变，可依此判断3D打印设备所处状态正常与否。

功率谱分析法是对处理后的振动信号在功率谱上进行功率或能量分布情况的特征提取，可通过自相关函数的傅里叶变换对振动信号进行处理。功率分析更为清晰、特征值更为明显，因其反映的是信号幅值的平方，故处理器的计算量也更大。

倒频谱分析法又称二次频谱分析，是对处理后的振动信号在倒频谱上进行基于设备振动信号频率组成分量的比对分析，可将复杂的成族边频带简化为单根谱线，便于提取分析有效的特征参量。具体的，对振动信号功率谱的对数值进行傅里叶变换，然后进行卷积分解，将复杂的卷积关系转化为较为简单的线性叠加，提取振动信号特征。

在实际应用中还可以采用其他分析方法提取信号的特征，此处不再赘述。

本实施例中特征提取模块将信号处理模块输出的一个数字信号，分别通过时频分析方法、功率谱分析法、倒频谱分析法获取该部件振动信号的三种频谱特征。

1.1.4监测模块

监测模块分别与特征提取模块和知识库模块、故障预警模块、信息显示模块连接，通过第一比对分析模型的判断模型，获取部件的工作状态类型。具体为将同一振动信号的数字信号的三种频谱特征分别输入三个判断模型与该3D打印设备部件正常运行时的频谱特征进行相关性判断，得到该部件工作状态类型。具体判断方法为：

当相关度高于阈值时，监测模块输出工作状态正常；

当相关度低于阈值时，监测模块输出工作状态异常。

3D打印设备正常运转信息数据除了打印设备健康运行基本参数外，还包括打印设备前期正常运转时不断采集的所监测3D打印设备的个性化健康参数，以完善该台设备健康运转信息。

同一振动信号基于三种频谱特征进行相关性判断得到三个判断结果，然后对三个判断结果通过三选二表决模型进行运行状态判断，将其中两个相同的结果作为该部件的最终运行状态。

三选二表决模型是IEC61508推荐的五种安全系统中可靠性最高的一种，在系统进行分析比对时，仅仅可假设系统各算法绝对可靠，而在实际运行中必然存在出错的概率，并且会对本系统的可靠性产生决定性的影响，错误判断3D打印设备的健康状态，出现虚警、假警的情况。

三选二表决模型基于打印设备运行状态的三个判断结果，将其中两个相同的判断结果作为打印设备最终运行状态，保证在某一特征提取出错的情况下打印设备仍能正常有效工作，通过容错、校正机制提高系统的可靠程度，并且在某一结果出错的情况下仍能保证基于振动信号的3D打印机监测与诊断知识库装置对3D打印设备健康状态的准确监测，有效诊断。

当表决模型输出工作状态为工作状态异常时，监测模块进一步将所监测部件非正常状态下的频谱特征与知识库模块中该部件的故障频谱特征进行相关度判断：

当相关度高于预设的阈值时，则可判断打印设备发生该典型故障，监测模块输出故障类型；

当相关度低于预设的阈值时，则可判断出现新的故障，此时将新故障的特征信息传输到知识库模块新增样本中进行储存，方便下次发生同类型故障时能够进行精确诊断。

1.1.5知识库模块

知识库模块存储3D打印设备新增样本和初始样本；初始样本为已知各类故障的频谱特征信息和对应故障类别，新增样本包括打印设备运行中实时获取的新故障的频谱特征信息及其对应的故障类别。知识库模块分别与监测模块连接，包括用于神经网络学习的微处理器、用于储存各类型特征故障信息的SD卡。知识库模块对已知各类故障特征信息进行标注、存档，作为初始样本；同时对监测到的新故障信息进行建档，作为新增样本。通过机器故障体系的不断扩充进行基于神经网络、支持向量机的3D打印设备故障智能学习。知识库模块基于新增样本不断对初始样本进行更新。

1.1.6故障预警模块

当故障预警模块接收到监测模块输出的3D打印设备“工作状态异常”信息时即刻进行故障预警，在提醒用户的同时通过故障预警模块输出控制信息，控制3D打印设备终止打印任务，避免设备继续工作造成严重故障的发生，严重损害3D打印设备。

1.1.7信息显示模块

信息显示模块与监测模块连接，该模块包括显示器和触摸屏；其作用是将监测模块得到的结果呈现，包括故障预警、故障位置、故障类型等故障信息，用于与使用人员的人机交互，使用户知晓故障类别并提供相应的维护参考信息。

1.2工作过程

基于振动信号的3D打印机监测与诊断知识库装置工作流程，如图3所示，包括如下步骤：

步骤S11，振动信号采集。

通过合理布置在3D打印设备轴承座、电机、传动部件、箱体或机架上的振动传感器进行工作状态下打印设备的信号采集。

步骤S12，滤波、降噪。

通过滤波器对各振动信号进行滤波、降噪，在选取所需信号频带的同时提高振动信号质量。

步骤S13，模拟-数字转换。

通过模拟-数字转换器进行振动信号的模数转换，将信号采集模块拾取的模拟信号转变为可进行信号分析的数字信号。

步骤S14，特征提取：处理从模拟-数字信号转换器接收的数字信号，通过信号变换和信号分析提取各数字信号频谱特征，为后续状态监测做准备。

当通过表决模型进一步进行判断时，应该根据表决模型对一种振动信号需要提取特征信号的数量，进行相应数量特征的提取。

步骤S15，特征比对。

通过第一比对分析模型，获取部件的工作状态类型。将提前输入的部件正常运行状态频谱特征与监测到的振动信号的频谱特征通过判断模型进行比对分析，通过信号的相关性判断设备所处状态。若相关程度高于设定的阈值，则输出3D打印设备“工作状态正常”；若相关程度低于设定的阈值，则输出3D打印设备“工作状态异常”。

表决模型依据同一振动信号的2N+1种频谱特征进行相关性判断得到的2N+1个该部件工作状态，将其中大于等于N+1个相同的工作状态作为预设部件的最终工作状态类型。本实施例中N＝3，将得到的三个判断结果通过三选二表决模型进行运行状态判断，将其中两个相同的结果作为该部件的最终运行状态。

步骤S16，故障预警。

若步骤S15中监测到的特征与设备正常运行状态特征相关度低于设定的阈值，则进行故障预警，同时通过输出控制信息终止打印任务，避免设备继续工作造成严重故障的发生，严重损害3D打印设备。

步骤S17，故障诊断。

将非正常状态特征参数与知识库模块中的初始样本中的故障频谱特征进行相关度比对：若相关度高于设定的阈值，则输出故障类型并报警；若相关度低于设定的阈值，则判断为出现新故障。

步骤S18，知识库更新。

若监测到的异常状态信息不在知识库的初始样本中，则对新故障信息进行建档，更新知识库，将设备异常案例的振动信息数据记录并储存，作为认知条件输入并储存知识库。在日后监测到相似异常振动信息时直接从知识库中调取相关故障信息，有效提高识别效率和状态监测准确性。

步骤S19，数据共享。

将新增样本通过4G、5G、蓝牙、WIFI等无线数据传输方式实时上传至远程服务器，实现局域网或广域网范围的数据共享，同时获取远程服务器共享的样本作为初始样本。

2、基于振动信号的3D打印机监测与诊断知识库系统

基于振动信号的3D打印机监测与诊断知识库系统包括上述基于相关性判断的基于振动信号的3D打印机监测与诊断知识库装置、远程服务器；远程服务器包括样本数据库，样本数据库包括初始样本、新增样本；初始样本为已知各类故障的频谱特征信息和对应故障类别；新增样本为打印设备运行中实时获取的新故障的频谱特征信息及其对应的故障类别；

远程服务器与多个基于振动信号的3D打印机监测与诊断知识库装置通过无线通信链路进行通信连接。知识库中的样本数据通过网络实现共享，如图4所示，各基于振动信号的3D打印机监测与诊断知识库装置将新增样本上传至远程服务器，新增样本包括新故障的频谱特征信息及其对应的故障类别；远程服务器基于新增样本对初始样本进行更新，得到更新后的初始样本；并同步至各基于振动信号的3D打印机监测与诊断知识库装置的初始样本。

在工业大批量生产中，一个流水线可能存在执行不同打印任务的一系列3D打印设备，本系统每天都可通过数据共享采集到大量的样本数据并对其自主进行机器学习，凭借此机制，样本数据库将有长足发展。

本系统采用5G无线传输技术，借助5G网络100倍于4G网络的流量容量和网络效率，有效双向传输高密度海量的设备状态数据。

3、基于深度学习的基于振动信号的3D打印机监测与诊断知识库装置

本发明的一种基于振动信号的3D打印机监测与诊断知识库装置包括信号采集模块、信号处理模块、时域-频域变换模块、监测模块、知识库模块；

信号采集模块，该模块包括设置于3D打印设备预设部件的振动传感器，用于采集3D打印设备运行时预设部件的振动信号；

信号处理模块，配置为将所采集到的各预设部件的振动信号由模拟信号转换为数字信号；

时域-频域变换模块，配置为对各预设部件的振动信号的数字信号，分别进行时域-频域变换，得到各预设部件的时频信息数据；

监测模块，配置为基于各预设部件的时频信息数据，通过第二比对分析模型，获取每一个预设部件的工作状态类型；其中，第二比对分析模型包含与预设部件一一对应的一个或多个基于深度学习算法的分类器，用于分别基于各预设部件的振动信号对对应部件工作状态进行分类识别。

知识库模块，配置为存储3D打印设备新增样本和初始样本；初始样本为已知各类工作状态的时频信息数据和对应工作状态类别，新增样本包括打印设备运行中实时获取的新工作状态的时频信息数据及其对应的工作状态类别。

为了更清晰地对本发明进行说明，下面对本发明装置一种实施例从网络模型搭建和训练、组成模块、工作过程三方面进行展开详述。

3.1网络模型搭建和训练

网络模型基于受限玻尔兹曼机构建。将实时采集到的3D打印设备不同振动信号经信号处理得到时频信息数据作为样本数据，将数据随机分为训练样本与测试样本，用于基于受限玻尔兹曼机的训练。

样本数据中打印设备正常运转信息数据除了打印设备健康运行基本参数外，还包括打印设备前期正常运转时不断采集的所监测3D打印设备的个性化健康参数，以完善该台设备健康运转信息。

通过训练学习数据中的特征，实现多层次、非线性的特征提取，捕捉不明显的微弱信号特征，然后从整体性和相关性出发，与提前输入的不同类型故障信息做残差，通过设定阈值实现故障智能诊断。训练完成后得到的网络模型能够直接对信号时频信息数据进行自适应特征提取与健康状态的智能判断。

3.2基于振动信号的3D打印机监测与诊断知识库装置组成模块

基于振动信号的3D打印机监测与诊断知识库装置，如图5所示，包括信号采集模块、信号处理模块、时域-频域变换模块、监测模块、知识库模块、故障预警模块、比对分析模型更新模块、信息显示模块；其中信号采集模块、信号处理模块、信息显示模块与基于相关性判断的基于振动信号的3D打印机监测与诊断知识库装置的相应模块相同，此处不再展开描述；仅对时域-频域变换模块、监测模块、知识库模块、故障预警模块、比对分析模型更新模块进行描述。

3.2.1时域-频域变换模块

时域-频域变换模块分别与信号处理模块和监测模块连接，将信号处理模块输出的数字信号，通过信号变换获取该振动信号的时频信息数据。

时域-频域变换模块可用嵌入式处理器或微处理器将从信号处理模块接收的数字信号从时间域转换到频率域，得到所需要的数字信号时频谱。

时间域转换到频率域的变换方法包括短时傅里叶变换、小波变换。为了同时保留时间信息，明确特定信号是在何时发生的，进行时变信号的处理，采用短时傅里叶变换或小波变换的信号处理方法，可使处理后的信号同时具有时间和频率的双分辨率。本实施例中通过小波变换得到振动信号的时频图谱。

3.2.2监测模块

监测模块基于各部件的时频信息数据，通过第二比对分析模型，获取每一个部件的工作状态类型；其中，第二比对分析模型包含与各部件一一对应的一个或多个基于深度学习算法的分类器，用于分别基于各部件的振动信号对对应部件工作状态进行分类识别。第二比对分析模型应用深度学习的方法进行3D打印设备的状态监测与故障诊断。深度学习网络模型通过训练直接提取时频信息中的特征指标，进行打印设备运行状态的准确比对判断，最大限度地挖掘数据中的隐含特征，在特征参数离散化、不完备的情况下仍能通过精确提取特征信息进行有效比对。第二比对分析模型基于知识库模块中的新增样本进行模型进一步的优化，通过预训练和微调相结合的策略使模型不依赖所提取特征信息的好坏、在达到一个较高的判别精度之后仍可有所提高。

3.2.3知识库模块

知识库模块与监测模块连接，包括用于神经网络学习的微处理器、用于储存各类型工作状态信息的SD卡。知识库模块对已知各类工作状态的时频信息进行标注、存档，作为初始样本；同时对监测到的新工作状态信息进行建档，作为新增样本。通过机器故障体系的不断扩充进行基于神经网络、支持向量机的3D打印设备故障智能学习。第二比对分析模型基于知识库模块中的新增样本进行模型进一步的优化后，将知识库模块中的新增样本存入初始样本，对初始样本进行更新。

3.2.4故障预警模块

当故障预警模块接收到监测模块输出的3D打印设备“工作状态异常”或故障类型信息时即刻进行故障预警，在提醒用户的同时通过故障预警模块输出控制信息，控制3D打印设备终止打印任务，避免设备继续工作造成严重故障的发生，严重损害3D打印设备。

3.2.5比对分析模型更新模块

比对分析模型更新模块包括第三比对分析模型；基于知识库模块中的新增样本，第三比对分析模型进行模型优化，得到更新后的模型参数，并同步至第二比对分析模型；其中第三比对分析模型与第二比对分析模型结构一致。

3.3、基于振动信号的3D打印机监测与诊断知识库装置工作流程

基于振动信号的3D打印机监测与诊断知识库装置工作流程，如图6所示，包括如下步骤：

步骤S21，振动信号采集。

通过合理布置在3D打印设备轴承座、电机、传动部件、箱体或机架上的振动传感器进行工作状态下3D打印设备的振动信号采集。

步骤S22，信号处理。

通过滤波器对振动信号进行滤波、降噪，在选取所需信号频带的同时提高振动信号质量。通过模拟-数字转换器进行振动信号的模数转换，将信号采集模块拾取的模拟信号转变为可进行信号分析的数字信号。

步骤S23，时域-频域变换。

对各部件的振动信号的数字信号，分别进行时域-频域变换，得到各部件的时频信息数据。本实施例中通过小波变换得到振动信号的时频图谱。

步骤S24，基于深度神经网络模型进行设备运行状态及故障类型判断。

装置采用基于受限玻尔兹曼机构建的深度神经网络模型进行状态监测和故障判断，将时域-频域变换模块输出的时频信息数据输入网络模型，输出3D打印设备的运行状态和故障类型作为诊断结果。

4、基于振动信号的3D打印机监测与诊断知识库系统

本发明实施例的一种基于振动信号的3D打印机监测与诊断知识库系统，包括上述的基于振动信号的3D打印机监测与诊断知识库装置和远程服务器；远程服务器与多个基于振动信号的3D打印机监测与诊断知识库装置通过无线通信链路进行通信连接，用于获取各基于振动信号的3D打印机监测与诊断知识库装置的新增样本和对第二比对分析模型参数进行更新。

远程服务器包括样本数据库和第三比对分析模型；样本数据库包括第二比对分析模型的初始样本、新增样本；其中新增样本为打印设备运行中实时获取的新运行状态的时频信息数据及其对应的运行状态类别。

第三比对分析模型与第二比对分析模型结构一致，基于深度神经网络构建，并在样本数据库获取新增训练样本时重新进行模型训练，得到更新后的模型参数，并同步至第二比对分析模型。

基于振动信号的3D打印机监测与诊断知识库装置实时采集3D打印设备振动信号，进行打印设备运行状态检测和故障诊断；当知识库模块中有新增样本时，通过4G、5G网络、蓝牙、WIFI等无线数据传输方式上传至远程服务器的样本数据库中，从而将各独立打印设备的新增样本共享，扩大知识库特征集类型。

需要说明的是，上述实施例提供的基于振动信号的3D打印机监测与诊断知识库装置和系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方都将落入本发明的保护范围之内。