一種滾珠絲杠健康狀態(tài)的評估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于設(shè)備健康監(jiān)控領(lǐng)域，設(shè)及滾珠絲杠的性能衰退及健康狀態(tài)評估。
【背景技術(shù)】
[0002] 滾珠絲杠是直線驅(qū)動器的主要部分，在工業(yè)機械和數(shù)控機床廣泛應(yīng)用。長時間大 強度的連續(xù)加工、預(yù)緊力的下降和溫度的升高等因素都會導(dǎo)致滾珠絲杠性能衰退。對于數(shù) 控機床來說，它也是關(guān)鍵的部件之一，它的性能對加工過程也有較大影響。其中，滾珠絲杠 潛在的故障或者部件性能衰退都會影響加工效率和定位精度，甚至引起較大的加工誤差或 使工件報廢。因此，需要對滾珠絲杠進行在線監(jiān)控，研究其性能衰退趨勢，對其健康狀態(tài)作 準(zhǔn)確評價。
[0003] 經(jīng)過對現(xiàn)有技術(shù)的文獻檢索和專利的檢索發(fā)現(xiàn)常見的滾珠絲杠健康狀態(tài)評估方 法有W下幾種：
[0004] 方法1:中國專利申請?zhí)?CN2015103901409，專利名稱為:一種絲杠故障診斷方法， 該專利自述為："該方法能有效地解決現(xiàn)有絲杠智能故障診斷系統(tǒng)人工提取特征困難和應(yīng) 用淺層網(wǎng)絡(luò)非線性表達能力有限的問題。采用稀釋自編碼深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的識別 模型選用Softmax回歸分類器，確定網(wǎng)絡(luò)結(jié)構(gòu)隱含層數(shù)量;確定故障診斷模型的輸入端數(shù)量 確定故障診斷模型的輸出端數(shù)量，準(zhǔn)備訓(xùn)練樣本集、預(yù)訓(xùn)練、微調(diào)訓(xùn)練、準(zhǔn)備故障診斷模型 測試樣本集、測試故障診斷模型的故障診斷性能，依次連續(xù)輸入測試樣本集中的數(shù)據(jù)段，記 錄模型的輸出量，得到模型的實際輸出表，將模型的理想輸出表與設(shè)計輸出表進行對比，即 得故障診斷模型的故障性能測試與評價結(jié)果。"方法1側(cè)重的是對絲杠故障進行診斷，對于 性能衰退趨勢的量化評估并未設(shè)及。
[0005] 方法2:趙敏等人在《多變量灰色模型在滾珠絲杠剩余壽命預(yù)測中的應(yīng)用》中通過 模態(tài)分解方法分解選擇對絲杠性能退化最敏感的特征參數(shù)，利用多變量灰色模型建立絲杠 壽命與切削=要素、信號特征值的非線性映射關(guān)系，最終構(gòu)建了基于多變量灰色模型的絲 杠壽命預(yù)測模型，實現(xiàn)了對絲杠剩余壽命的有效評估。在滾珠絲杠副的不同位置安裝3個加 速度傳感器，實時監(jiān)測絲杠性能在不同加工條件下的變化趨勢。方法2的監(jiān)測方法主要側(cè)重 于壽命預(yù)測。
[0006] 方法3:宋平等人在《KPCA和遺傳 BP神經(jīng)網(wǎng)絡(luò)在滾珠絲杠故障診斷中的應(yīng)用研究》 中用2個測點的6個傳感器同步采集滾珠絲杠的振動信號，并進行特征提取，得到原始樣本 空間，然后利用核主元分析對原始樣本空間進行降維處理，W消除樣本間的冗余信息，引入 遺傳算法，解決了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和闊值選擇的隨機性。方法3的監(jiān)測方法側(cè)重于 對滾珠絲杠的正常狀態(tài)、絲杠彎曲、滾珠破損和滾道磨損4種狀態(tài)進行故障診斷。
[0007] 方法4:吳希犧等人在《基于超球面支持向量機的絲杠故障診斷技術(shù)》中研究了模 型參數(shù)選擇在構(gòu)造超球面支持向量機中的重要作用。將振動信號小波包分解后的頻帶能量 作為特征向量，輸入到超球面支持向量機分類器進行故障識別。方法4的監(jiān)測信號源為加速 度傳感器，采用的分類器為支持向量機。
[000引方法5:張彼辰等人在《數(shù)控機床滾珠絲杠副性能退化評估技術(shù)》中利用動態(tài)聚類 數(shù)據(jù)處理技術(shù)對采集的海量數(shù)據(jù)進行預(yù)處理，提取信號的時域、頻域及時頻域特征，通過主 分量分析方法壓縮特征數(shù)量，構(gòu)建了絲杠振動信號特征向量，采用量子遺傳算法優(yōu)化灰色 神經(jīng)網(wǎng)絡(luò)的初始化參數(shù)，將特征向量輸入到灰色神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，進而得到絲杠性能衰 退模型。方法5的監(jiān)測信號源也為振動信號，采用灰色神經(jīng)網(wǎng)絡(luò)進行評估。
[0009] 因此，本領(lǐng)域的技術(shù)人員致力于開發(fā)一種滾珠絲杠的性能衰退及健康狀態(tài)的評估 方法，避免了高維非線性性能衰退數(shù)據(jù)的處理復(fù)雜性。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提出一種滾珠絲杠的健康狀態(tài)評估方 法，基于拉普拉斯特征馬氏距離的健康評估方法，使其解決【背景技術(shù)】中存在的不足，實現(xiàn)性 能衰退的評估。本發(fā)明W流形學(xué)習(xí)方法進行特征的降維，結(jié)合距離評估方法得到不同樣本 集的降維特征間的距離，并將距離通過非線性映射規(guī)則映射為健康值，量化評估滾珠絲杠 的性能衰退程度。該方法采集的信號從設(shè)備監(jiān)控平臺中獲得，不影響數(shù)控機床的動態(tài)加工。 在提取待評估信號樣本主要時域頻域特征的環(huán)節(jié)中，通過流形學(xué)習(xí)進行維數(shù)約簡，避免了 高維非線性性能衰退數(shù)據(jù)的處理復(fù)雜性。在特征樣本空間中信號的分布與實際情況相符。 在生產(chǎn)過程中實現(xiàn)部件的智能維護，可減少因設(shè)備性能衰退帶來的產(chǎn)品質(zhì)量下降，從而提 高經(jīng)濟效益。
[0011] 本發(fā)明所述的滾珠絲杠健康狀態(tài)的評估方法，包括W下步驟：
[0012] 步驟1、采集滾珠絲杠在不同工況下的傳感器信號作為評估模型的輸入；
[0013] 步驟2、對所述傳感器信號做預(yù)處理，除去噪聲和干擾；
[0014] 步驟3、加窗提取信號的時域特征、頻域特征和時頻域特征;提取特征后，對各個特 征進行標(biāo)準(zhǔn)化;對于一個樣本，將所述樣本的所有特征放組合生成樣本數(shù)據(jù)集；
[0015] 步驟4、采用流形學(xué)習(xí)進行高維特征的降維，從觀測得到的高維信號波形的幾何信 息中得出嵌入的低維光滑流形；
[0016] 步驟5、選取全新絲杠潤滑良好的各個特征作為基線數(shù)據(jù);用數(shù)據(jù)模型來區(qū)分多個 性能衰退狀態(tài)的邊界，用距離評估方法比較各特征樣本與基線數(shù)據(jù)之間的相關(guān)性；
[0017] 步驟6、建立各個降維特征間距離與健康值的非線性關(guān)系；用闊值T來確定性能衰 退的界限，識別性能衰退的狀態(tài)。
[0018] 進一步地，所述步驟2中的所述預(yù)處理包括W下步驟：
[0019] 步驟2.1、找到信號的特征起點；
[0020] 步驟2.2、將同一樣本的不同信號對齊；
[0021] 步驟2.3、對長信號進行周期分割處理。
[0022] 進一步地，所述步驟6中的所述非線性關(guān)系為與基線的距離越小，則健康值接近于 1，代表非常健康;反之，則健康值接近于0，代表性能衰退到最低狀態(tài)。
[0023] 進一步地，所述步驟4中的所述高維特征的降維采用拉普拉斯特征值映射，具體為 [Y0，Yi，…，Yk-i]=LEM([Xi，X2,…，Xm]),其中[Xi，X2,…，Xm]為樣本數(shù)據(jù)集的m維樣本數(shù)據(jù)， [Y0，Yi，…，Yk-I]為經(jīng)過拉普拉斯特征值映射降維后的k維數(shù)據(jù)，k<m。
[0024] 進一步地，所述步驟5中的所述相關(guān)性采用馬氏距離的評估方法計算，所述馬氏距 離測量的是多元特征的距離Mdi，先求出降維特征的均值f，然后按下式計算：
[0025]
[00%]式中，Cy為協(xié)方差矩陣。
[0027] 進一步地，所述健康值的評估結(jié)果是W性能對正常狀態(tài)的偏離可信度作取值范圍 為[0，1]的量化指標(biāo)。
[0028] 進一步地，所述傳感器信號的采集不影響數(shù)控機床的動態(tài)生產(chǎn)加工過程。
[0029] 進一步地，所述傳感器信號為驅(qū)動電機的速度信號和轉(zhuǎn)矩信號。
[0030] 進一步地，將馬氏距離映射為所述健康值。
[0031 ]進一步地，所述傳感器信號直接通過TCP^P協(xié)議從數(shù)控系統(tǒng)中讀取。
[0032] 本發(fā)明所采用的解決方案如下：
[0033] 1、滾珠絲杠信號的采集
[0034] 采集滾珠絲杠在不同工況下的傳感器信號作為評估模型的輸入。考慮到實際在線 監(jiān)測的要求