CN101699359B - 故障状态监测的可视化方法 - Google Patents

Abstract

本发明涉及一种故障状态监测的可视化方法，具体步骤是：1)设定故障特征参数及矢量方向；2)确定合成矢量CF的位置；3)多个特征参数在二维平面上的可视化：由故障特征参数F＝{f₁，f₂，…，f_n}的值不同，所确定的合成矢量CF的位置的不相同来实现多个特征参数在二维平面上的可视化。本发明用于数控机床操作者监测机床的异常工作状态，解决在缺乏异常工作状态监测样本的情况下，对数控机床的状态做出正确判别的问题。并且解决多故障特征参数的可视化问题，为数控机床状态的监测提供了新方法。该方法同样适用于其它设备状态的监测问题。

Description

故障状态监测的可视化方法

技术领域

本发明涉及一种故障状态监测方法，尤其是一种监测可视化的方法。

背景技术

数控机床所具有的良好柔性、高加工精度使其成为现代生产系统中的主要装备。且随着生产系统自动化程度的提高，数控机床所起的作用也越来越大，一旦发生故障，给生产系统所造成的损失也越来越大。因此，对加工设备进行状态监测与故障诊断就变得越来越重要。对设备进行状态监测的主要目的就是要保证加工系统的安全运行，避免设备故障，保证加工质量，提高生产效率和设备利用率。为了有效监测数控机床的状态，往往需要根据多个传感器测量信号的分析与处理结果，做出数控机床工作状态的判别。然而，根据目前的故障状态监测理论，例如模式识别、模糊聚类、神经网络等理论，均需要提供数控机床正常工作状态与故障工作状态大量的样本数据，否则难以对机床的状态做出正确判别。而这一要求在实际中往往是难以满足的，由于制造与装配工艺的差异，即使是同一类数控机床，在同样的加工参数下，其测试信号也不尽相同。因此，如何在缺乏故障工作状态监测样本的情况下，对数控机床的状态做出正确判别，还缺乏成熟的理论，同时也是数控机床状态监测的一个关键技术。在这种情况下，故障状态的可视化是数控机床状态监测的一个重要手段，由于人在发现状态变化的能力方面远远胜于机器及算法，通过数控机床工作状态的可视化，可以使操作者及时发现数控机床状态的异常变化。

对于数控机床故障状态的监测，需要利用若干传感器对数控机床各关键部位进行切削力、振动、温度等物理量进行测量，并对这些测量信号进行分析，找出那些能够表征系统运行中正常/故障状态或对系统故障敏感的参数(即故障特征参数，例如X方向切削力的均值、方差等)进行监测。然而，在故障状态的可视化方面，当所监测的故障特征参数为两个时，可以通过平面坐标系观察其变化情况。当所监测的故障特征参数为三个时，则只能通过三维空间坐标系观察其变化情况，由于人对三维空间数据点位置的变化不甚敏感，将无法保证监测的有效性。当所监测的故障特征参数为四个以上时，将无法通过可视化的方法观测参数的变化情况。

发明内容

本发明是要提供一种故障状态监测的可视化方法，用于数控机床操作者监测机床的异常工作状态，解决在缺乏异常工作状态监测样本的情况下，对数控机床的状态做出正确判别问题。

本发明的技术方案是：一种故障状态监测的可视化方法，具体

步骤是：

1)设定故障特征参数及矢量方向

设故障特征参数为F＝{f₁，f₂，…，f_n}，XY平面坐标系的原点为(0，0)，每一个故障特征参数f_i(i＝1，2，…，n)使用一个起始端点为原点的矢量f_i(i＝1，2，…，n)表示，n个故障特征参数矢量方向，均匀地分布在XY平面上，其方向是固定的，而其长度取决于故障特征参数f_i(i＝1，2，…，n)的大小，当故障特征参数个数为n个时，各个故障特征参数矢量的间隔角度为360°/n，以使其均匀地分布在XY平面上；

2)确定合成矢量CF的位置

由矢量合成算法，确定其合成矢量CF的位置：

矢量f_i(i＝1，2，…，n)表示为：

f_i＝x_ii+y_ij                    (1)

与坐标轴X和Y的夹角分别为α_i和β_i，故障特征参数矢量f_i的模：

$f_i=\sqrt{x_i^2+y_i^2}---\left(2\right)$

根据矢量合成算法，n个故障特征参数矢量的合成矢量CF表示为：

CF＝f₁+f₂+…+f_n＝(x₁+x₂+…+x_n)i+(y₁+y₂+…+y_n)j    (3)

合成矢量CF的模：

$\left|\mathrm{CF}\right|=\sqrt{{(x_1+x_2+...+x_n)}^2+{(y_1+y_2+...+y_n)}^2}---\left(4\right)$

合成矢量CF与坐标轴X和Y的夹角分别为α和β，其中

$\cos \mathrm{\α}=\frac{x_1+x_2+...+x_n}{\left|\mathrm{CF}\right|}---\left(5\right)$

$\cos \mathrm{\β}=\frac{y_1+y_2+...+y_n}{\left|\mathrm{CF}\right|}---\left(6\right)$

3)多个特征参数在二维平面上的可视化

由故障特征参数F＝{f₁，f₂，…，f_n}的值不同，所确定的合成矢量CF的位置的不相同来实现多个特征参数在二维平面上的可视化。

本发明的有益效果是：

本发明用于数控机床操作者监测机床的异常工作状态，解决在缺乏异常工作状态监测样本的情况下，对数控机床的状态做出正确判别的问题。并且解决多故障特征参数的可视化问题，为数控机床状态的监测提供了新方法。该方法同样适用于其它设备状态的监测问题。

附图说明

图1是故障特征参数矢量图；

图2是故障特征参数矢量的表示图。

具体实施方式

下面结合附图与实施例对本发明作进一步的说明。

本发明的故障状态监测的可视化方法：

设故障特征参数为F＝{f₁，f₂，…，f_n}，XY平面坐标系的原点为(0，0)，每一个故障特征参数f_i(i＝1，2，…，n)使用一个起始端点为原点的矢量f_i(i＝1，2，…，n)表示，n个故障特征参数矢量方向，均匀地分布在XY平面上，其方向是固定的，而其长度取决于故障特征参数f_i(i＝1，2，…，n)的大小，如图1所示。

当故障特征参数个数为n个时，各个故障特征参数矢量的间隔角度为360°/n，以使其均匀地分布在XY平面上。而故障特征参数矢量的排列顺序，则与故障状态监测的有效性相关，存在其优化排列顺序的确定问题。一旦确定了每个故障特征参数矢量的位置，可由矢量合成算法，确定其合成矢量CF的位置。

矢量f_i(i＝1，2，…，n)可表示为：

f_i＝x_ii+y_ij                        (1)

与坐标轴X和Y的夹角分别为α_i和β_i，如图2所示。故障特征参数矢量f_i的模： $f_i=\sqrt{x_i^2+y_i^2}---\left(2\right)$

根据矢量合成算法，n个故障特征参数矢量的合成矢量CF可表示为：

CF＝f₁+f₂+…+f_n＝(x₁+x₂+…+x_n)i+(y₁+y₂+…+y_n)j    (3)

合成矢量CF的模：

$\left|\mathrm{CF}\right|=\sqrt{{(x_1+x_2+...+x_n)}^2+{(y_1+y_2+...+y_n)}^2}---\left(4\right)$

合成矢量CF与坐标轴X和Y的夹角分别为α和β，其中

$\cos \mathrm{\α}=\frac{x_1+x_2+...+x_n}{\left|\mathrm{CF}\right|}---\left(5\right)$

$\cos \mathrm{\β}=\frac{y_1+y_2+...+y_n}{\left|\mathrm{CF}\right|}---\left(6\right)$

因此，一旦确定了每个故障特征参数矢量的位置，可由矢量合成算法，确定其合成矢量CF的位置。故障特征参数F＝{f₁，f₂，…，f_n}的值不同，所确定的合成矢量CF的位置也不相同。由此，即可实现多个特征参数在二维平面上的可视化。

需要指出的是，故障特征参数矢量的排列顺序，直接影响着故障状态监测的有效性，需要确定故障特征参数矢量的优化排列顺序。根据模式识别理论，为了有效地监测数控机床的故障状态，应该使故障特征参数矢量的合成矢量位置为：当数控机床状态处于正常状态(或故障状态)时，该合成矢量位置间的距离最小，即类内距离最小；而数控机床正常状态时，故障特征参数矢量的合成矢量位置与数控机床故障状态时，故障特征参数矢量的合成矢量位置间的距离最大，即类间距离最大。设数控机床正常状态时，所采集的m个故障特征参数样本为F_i＝{f_1i，f_2i，…，f_ni}，i＝1，2，…，m，根据m个故障特征参数样本，计算得到m个故障特征参数合成矢量CF_i，i＝1，2，…，m。数控机床故障状态时，所采集的m个故障特征参数样本为F′_i＝{f′_1i，f′_2i，…，f′_ni}，i＝1，2，…，m，同样可以计算得到m个故障特征参数合成矢量CF′_i，i＝1，2，…，m。CF_i与CF′_i可分别表示为

CF_i＝X_ii+Y_ij i＝1，2，...，m                  (7)

CF′_i＝X′_ii+Y′_ij i＝1，2，...，m            (8)

故障特征参数合成矢量CF_i与CF′_i的类内距离分别为D₁₁与D₂₂，类间距离为D₁₂，根据模式识别理论，这些距离参数可以计算为：

$D_{11}=\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{(X_i-X_j)}^2+{(Y_i-Y_j)}^2}---\left(9\right)$

$D_{22}=\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{(X_i^{\′}-X_j^{\′})}^2+{(Y_i^{\′}-Y_j^{\′})}^2}---\left(10\right)$

$D_{12}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{(X_i-X_j^{\′})}^2+{(Y_i-Y_j^{\′})}^2}---\left(11\right)$

因此，可定义确定故障特征参数矢量优化排列顺序的目标函数为：

$C=\frac{D_{12}}{D_{11}+D_{22}}---\left(12\right)$

即通过遗传算法等优化算法，确定故障特征参数矢量的排列顺序，使得式(12)的C值为最大。

当缺乏故障工作状态监测样本的情况下，无法计算D₂₂及D₁₂的值，此时应该使数控机床状态处于正常状态时，该合成矢量位置间的距离最小，即定义

$C=\frac{1}{D_{11}}---\left(13\right)$

随着数控机床使用期的增加，一旦收集到故障工作状态的监测样本，应该利用式(12)计算C值，并重新确定故障特征参数矢量的排列顺序，使得C值为最大。

Claims (1)

1.一种故障状态监测的可视化方法，其特征在于，具体步骤是：

1)设定故障特征参数及矢量方向

设故障特征参数为F＝{f₁，f₂，…，f_n}，XY平面坐标系的原点为(0，0)，每一个故障特征参数fi使用一个起始端点为原点的故障特征参数矢量

来表示，其中i＝1，2，…，n；n个故障特征参数矢量方向，均匀地分布在XY平面上，其方向是固定的，而其长度取决于故障特征参数f_i的大小，其中i＝1，2，…，n，当故障特征参数个数为n个时，各个故障特征参数矢量的间隔角度为360°/n，以使其均匀地分布在XY平面上；故障特征参数矢量的排列顺序，则与故障状态监测的有效性相关，存在故障特征参数矢量优化排列顺序的确定问题，一旦确定了每个故障特征参数矢量的位置，由矢量合成算法，确定其合成矢量的位置；

2)确定合成矢量的位置

由矢量合成算法，确定其合成矢量的位置，用CF表示合成矢量：故障特征参数矢量

表示为：

${\stackrel{\‾}{f}}_i=x_{i}i+y_{i}j---\left(1\right)$ 其中i＝1，2，…，n；

与坐标轴X和Y的夹角分别为α_i和β_i，故障特征参数矢量

的模：

$f_i=\sqrt{{x_i}^2+{y_i}^2}---\left(2\right)$

根据矢量合成算法，n个故障特征参数矢量

的合成矢量CF表示为：

$\mathrm{CF}={\stackrel{\‾}{f}}_1+{\stackrel{\‾}{f}}_2+\·\·\·+{\stackrel{\‾}{f}}_n=(x_1+x_2+\·\·\·+x_n)i+(y_1+y_2+\·\·\·+y_n)j---\left(3\right)$

合成矢量CF的模：

$\left|\mathrm{CF}\right|=\sqrt{{(x_1+x_2+\·\·\·+x_n)}^2+{(y_1+y_2+\·\·\·+y_n)}^2}---\left(4\right)$

合成矢量CF与坐标轴X和Y的夹角分别为α和β，其中

$\cos \mathrm{\α}=\frac{x_1+x_2+\·\·\·+x_n}{\left|\mathrm{CF}\right|}---\left(5\right)$

$\cos \mathrm{\β}=\frac{y_1+y_2+\·\·\·+y_n}{\left|\mathrm{CF}\right|}---\left(6\right)$

3)多个故障特征参数在二维平面上的可视化

由故障特征参数F＝{f₁，f₂，…，f_n}的值不同，所确定的合成矢量CF位置的不相同来实现多个故障特征参数在二维平面上的可视化；其中，故障特征参数矢量的排列顺序，直接影响着故障状态监测的有效性，需要确定故障特征参数矢量的优化排列顺序：根据模式识别理论，为了有效地监测数控机床的故障状态，应该使故障特征参数矢量的合成矢量位置为：当数控机床状态处于正常状态或故障状态时，故障特征参数矢量的合成矢量位置间的距离最小，即类内距离最小；而数控机床正常状态时，故障特征参数矢量的合成矢量位置与数控机床故障状态时，故障特征参数矢量的合成矢量位置间的距离最大，即类间距离最大；设数控机床正常状态时，所采集的m个故障特征参数样本为F_i＝{f_1i，f_2i，…，f_ni}，i＝1，2，…，m，根据m个故障特征参数样本，计算得到m个故障特征参数合成矢量为CF_i，i＝1，2，…，m，数控机床故障状态时，所采集的m个故障特征参数样本为F′_i＝{f′_1i，f′_2i，…，f′_ni}，i＝1，2，…，m，同样计算得到m个故障特征参数合成矢量为CF′_i，i＝1，2，…，m；

CF_i与CF′_i分别表示为：

CF_i＝X_ii+Y_ij  其中i＝1，2，…，m(7)

CF′_i＝X′_ii+Y′_ij其中i＝1，2，…，m  (8)

CF_i与CF′_i的类内距离分别为D₁₁与D₂₂，类间距离为D₁₂，根据模式识别理论，这些距离参数计算为：

$D_{11}=\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{(X_i-X_j)}^2+{(Y_i-Y_j)}^2}---\left(9\right)$

$D_{22}=\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{(X_i^{\′}-X_j^{\′})}^2+{(Y_i^{\′}+Y_j^{\′})}^2}---\left(10\right)$

$D_{12}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{(X_i-X_j^{\′})}^2+{(Y_i-Y_j^{\′})}^2}---\left(11\right)$

因此，定义确定故障特征参数矢量优化排列顺序的目标函数为：

$C=\frac{D_{12}}{D_{11}+D_{22}}---\left(12\right)$

即通过包括遗传算法的优化算法，确定故障特征参数矢量的排列顺序，使得式(12)的C值为最大；

当缺乏故障工作状态监测样本的情况下，无法计算D₂₂及D₁₂的值，此时应该使数控机床状态处于正常状态时，故障特征参数合成矢量位置间的距离最小，即定义

$C=\frac{1}{D_{11}}---\left(13\right)$

随着数控机床使用期的增加，一旦收集到故障工作状态的监测样本，应该利用式(12)计算C值，并重新确定故障特征参数矢量的排列顺序，使得C值为最大。

Images