CN101770218B - 一种数控机床状态监测方法和装置 - Google Patents
一种数控机床状态监测方法和装置 Download PDFInfo
- Publication number
- CN101770218B CN101770218B CN2008101873847A CN200810187384A CN101770218B CN 101770218 B CN101770218 B CN 101770218B CN 2008101873847 A CN2008101873847 A CN 2008101873847A CN 200810187384 A CN200810187384 A CN 200810187384A CN 101770218 B CN101770218 B CN 101770218B
- Authority
- CN
- China
- Prior art keywords
- test
- frequency
- pairing
- signal characteristic
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种数控机床状态监测方法,包括:在被监测的数控机床上执行一系列传动链测试,每次测试对应一个不同的电机转频,并从中选定一个测试作为对比测试;记录每次测试过程中的测试信号,将其由时域转换到频域,得到每次测试所对应的频谱;基于所述频谱,自适应提取由于传动链状态异常所引起的特征频率;在时域中分别重构预先获取到的参考基准测试所对应的测试信号以及对比测试所对应的测试信号在每个特征频率处的信号特征分量,并计算这两类信号特征分量的总差异量百分比,判断该总差异量百分比是否大于预先设定的阈值,如果是,则进行告警。应用本发明所述的方法及对应的装置,能够方便准确地监测出数控机床中的异常状态。
Description
技术领域
本发明涉及数控机床技术,特别涉及一种数控机床状态监测方法和装置。
背景技术
数控机床的状态监测通常集中在传动链上,如电机、连轴器、变速箱、轴承、滚珠丝杠以及导轨等。这些作旋转或直线运动的机械部件在实际应用中出现的故障/异常状态通常是由如下原因引起的:润滑不良、被污染、过载、零件固有的缺陷或是机械/电气共振等。在实际应用中,可通过对从传动链上收集到的振动、电机电流、扭矩、位置或速度等信号进行分析,来确定出现故障的具体机械部件。
现有技术中,针对传动链的状态监测主要包括以下两个方面:旋转机械部件异常状态监测以及由共振所引起的异常状态监测。
其中,旋转机械部件异常状态监测的实现方法通常为:采用一些频域分析方法,如快速傅立叶变换等,将从传动链上收集到的振动、电机电流、扭矩、位置或速度等信号从时域转换到频域,得到相应的频谱;然后,基于获取到的旋转机械部件的某些物理或几何结构参数,如齿轮齿数、轴承滚珠或滚动体的个数或其它参数等,计算出理论上异常状态所引起的信号特征频率,并到频谱中进行查找,看看该理论上的信号特征频率是否确实存在,如果是,则将其确定为实际所需的信号特征频率,进而分析导致出现异常状态的具体原因。但是,这种处理方法在实际应用中会存在一定的问题,因为在很多情况下,除了数控机床的设计者以外,其他人很难获取到上述旋转机械部件的物理或几何结构参数,这样,就导致监测工作无法进行。
至于对由共振所引起的异常状态的监测,则需要确定出与共振相关的共振特征频率,但是,这在实现起来将更加困难,因为共振特征频率会随着机械部件的安装条件的改变而改变,即使机械结构相同,共振特征频率也不一定相同。所以,在频谱分析的过程中,还需要在一定程度上引入基于用户经验的主观评价,这就增加了监测过程的实施难度,并影响了监测结果的准确度。
总之,现有状态监测方法在实现起来很不方便,而且也很难保证监测结果的准确性。
发明内容
有鉴于此,本发明的主要目的在于提供一种数控机床状态监测方法,能够方便准确地监测出数控机床中的异常状态。
本发明的另一目的在于提供一种数控机床状态监测装置,能够方便准确地监测出数控机床中的异常状态。
为达到上述目的,本发明的技术方案是这样实现的:
一种数控机床状态监测方法,包括:
以一次测试对应一个电机转频的方式在被监控的数控机床上执行一系列传动链测试,并从所述一系列测试中选定一个电机转频与预先执行的参考基准测试对应的电机转频相同的测试作为对比测试;所述参考基准测试为当所述传动链运行于已知的正常状态时所进行的测试;
记录每次测试过程中的测试信号,并将所述测试信号由时域转换到频域,得到每次测试所对应的频谱;
基于所述每次测试所对应的频谱,自适应提取由于传动链状态异常所引起的特征频率,组成特征频率集;
在时域中分别重构所述参考基准测试所对应的测试信号以及所述对比测试所对应的测试信号在所述特征频率集中的每个特征频率处的信号特征分量;
计算所述参考基准测试所对应的信号特征分量以及所述对比测试所对应的信号特征分量的总差异量百分比,并判断所述总差异量百分比是否大于预先设定的阈值,如果是,则进行告警。
所述测试信号为:电机电流、扭矩、位置或速度。
所述执行一系列传动链测试包括:
基于每次测试传动链具有相同的负载,且每次测试过程中传动链具有相同的起点和终点的原则,执行所述一系列测试。
较佳地,所述自适应提取由于传动链状态异常所引起的特征频率包括:
自适应提取由于旋转机械部件状态异常所引起的信号特征频率以及由类共振所引起的类共振特征频率。
其中,所述自适应提取信号特征频率包括:
查找每次测试所对应的频谱中的峰值频率,并将查找到的峰值频率记录下来作为可能信号特征频率;
将每个测试所对应的每个可能信号特征频率分别与除自身以外的另一测试所对应的每个可能信号特征频率进行比较,如果两个可能信号特征频率的比率与这两个测试所对应的电机转频的比率相同,则将这两个可能信号特征频率确定为信号特征频率;
将所述对比测试所对应的信号特征频率加入到所述特征频率集中。
所述自适应提取类共振特征频率包括:
查找每次测试所对应的频谱中的峰值频率,并将查找到的峰值频率记录下来作为可能类共振特征频率,得到每个测试所对应的可能类共振特征频率集;
查找在每个测试所对应的可能类共振特征频率集中均存在的可能类共振特征频率,并将其作为类共振特征频率加入到所述特征频率集中。
较佳地,所述查找每次测试所对应的频谱中的峰值频率包括:
提取每次测试所对应的频谱中的频谱近似分量;
在每次测试所对应的频谱近似分量中查找所述峰值频率。
较佳地,所述计算总差异量百分比包括:
计算每个特征频率处参考基准测试所对应的信号特征分量与对比测试所对应的信号特征分量的差异量;
将每个特征频率所对应的差异量进行累加,得到总差异量;
计算所述总差异量与所述参考基准测试所对应的信号特征分量的均方差的百分比,得到总差异量百分比。
一种数控机床状态监测装置,包括:
执行单元,用于以一次测试对应一个电机转频的方式在被监控的数控机床上执行一系列传动链测试,并从所述一系列测试中选定一个电机转频与预先执行的参考基准测试对应的电机转频相同的测试作为对比测试;所述参考基准测试为当所述传动链运行于已知的正常状态时所进行的测试;
转换单元,用于记录每次测试过程中的测试信号,并将所述测试信号由时域转换到频域,得到每次测试所对应的频谱;
提取单元,用于基于所述每次测试所对应的频谱,自适应提取由于传动链状态异常所引起的特征频率,组成特征频率集;
重构单元,用于在时域中分别重构所述参考基准测试所对应的测试信号以及所述对比测试所对应的测试信号在所述特征频率集中的每个特征频率处的信号特征分量;
告警单元,用于计算所述参考基准测试所对应的信号特征分量以及所述对比测试所对应的信号特征分量的总差异量百分比,并判断所述总差异量百分比是否大于预先设定的阈值,如果是,则进行告警。
其中,所述测试信号为:电机电流、扭矩、位置或速度。
较佳地,所述提取单元包括:
第一提取子单元,用于查找每次测试所对应的频谱中的峰值频率,将其记录下来作为可能信号特征频率,并将每个测试所对应的每个可能信号特征频率分别与除自身以外的另一测试所对应的每个可能信号特征频率进行比较,如果两个可能信号特征频率的比率与这两个测试所对应的电机转频的比率相同,则将这两个可能信号特征频率确定为信号特征频率,将对比测试所对应的信号特征频率加入到所述特征频率集中;
第二提取子单元,用于查找每次测试所对应的频谱中的峰值频率,将其记录下来作为可能类共振特征频率,得到每个测试所对应的可能类共振特征频率集,并查找在每个测试所对应的可能类共振特征频率集中均存在的可能类共振特征频率,将其作为类共振特征频率加入到所述特征频率集中。
所述第二提取子单元进一步用于,提取每次测试所对应的频谱中的频谱近似分量,从所述每次测试所对应的频谱近似分量中查找所述峰值频率。
较佳地,所述告警单元包括:
计算子单元,用于计算每个特征频率处参考基准测试所对应的信号特征分量与对比测试所对应的信号特征分量的差异量,并将每个特征频率所对应的差异量进行累加,得到总差异量,计算所述总差异量与所述参考基准测试所对应的信号特征分量的均方差的百分比,得到总差异量百分比;
告警子单元,用于判断所述总差异量百分比是否大于预先设定的阈值,如果是,则进行告警。
可见,采用本发明的技术方案,根据由旋转机械部件状态异常所引起的信号特征频率随电机转频改变而改变,且与电机转频线性相关的特点,以及由类共振所引起的类共振特征频率不随电机转频改变而改变的特点,通过对不同电机转频下所获取到的一系列测试所对应的频谱进行频率相关性分析,自适应地提取出信号特征频率和类共振特征频率,并基于该提取出的信号特征频率和类共振特征频率实现对于数控机床的状态监测。与现有技术相比,本发明所述方案的实现无需依赖于旋转机械部件的具体物理参数或数控机床的具体结构信息,并且无需引入基于用户经验的主观评价,所以能够更为方便准确地监测出数控机床中的异常状态。
附图说明
下面将通过参照附图详细描述本发明的优选实施例,使本领域的普通技术人员更清楚本发明的上述及其它特征和优点,附图中:
图1为本发明数控机床监测方法实施例的流程图;
图2为本发明方法实施例中信号特征频率提取方式示意图;
图3为本发明方法实施例中类共振特征频率提取方式示意图;
图4(a)为当滚珠丝杠支撑轴承内圈多点剥蚀,且电机转频为10Hz时的扭矩信号示意图;图4(b)为图4(a)所示扭矩信号的频谱;
图5(a)为当滚珠丝杠支撑轴承内圈多点剥蚀,且电机转频为8.7Hz时的扭矩信号示意图;图5(b)为图5(a)所示扭矩信号的频谱;
图6为当电机转频为10Hz时,在76.1Hz处对扭矩信号进行时域重构后得到的信号特征分量示意图;
图7(a)为当导轨处于磨损状态,且电机转频为5.1Hz时的扭矩信号所对应的频谱;图7(b)为图7(a)所示频谱的FSAC;
图8(a)为当导轨处于磨损状态,且电机转频为7.7Hz时的扭矩信号所对应的频谱;图8(b)为图8(a)所示频谱的FSAC;
图9(a)为当旧导轨被替换为新的导轨,且电机转频为5.1Hz时的扭矩信号所对应的频谱;图9(b)为图9(a)所示频谱的FSAC;
图10(a)为当电机转频为5.1Hz,旧导轨被替换前,在类共振特征频率15.8Hz处重构出的信号特征分量示意图;如10(b)为当电机转频为5.1Hz,旧导轨被替换后,在类共振特征频率15.8Hz处重构出的信号特征分量示意图;
图11为本发明数控机床状态监测装置实施例的组成结构示意图。
具体实施方式
针对现有技术中存在的问题,本发明中提出一种基于自适应特征频率提取的数控机床监测方案,具体实现包括:首先,在被监测的数控机床上执行一系列传动链测试,每次测试对应一个不同的电机转频,并从这一系列测试中选定一个测试作为对比测试;所述对比测试对应的电机转频与预先执行的参考基准测试对应的电机转频相同,所述参考基准测试为当传动链运行于已知的正常状态时所进行的测试;记录每次测试过程中的测试信号,并将测试信号由时域转换到频域,得到每次测试所对应的频谱;然后,基于每次测试所对应的频谱,自适应地提取出由于传动链状态异常所引起的特征频率,组成特征频率集;最后,在时域中分别重构参考基准测试所对应的测试信号以及对比测试所对应的测试信号在特征频率集中的每个特征频率处的信号特征分量,并计算参考基准测试所对应的信号特征分量以及对比测试所对应的信号特征分量的总差异量百分比,判断该总差异量百分比是否大于预先设定的阈值,如果是,则进行告警。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为本发明数控机床监测方法实施例的流程图。如图1所示,包括以下步骤:
步骤101:在被监测的数控机床上执行一系列预先定义的传动链测试,并从中选定一个测试作为对比测试。
本步骤中,具体需要执行多少次测试可根据实际需要而定,并且,每次测试对应一个不同的电机转频,在每次测试的执行过程中,该电机转频保持不变。这里所提到的测试,是指控制传送链从某一位置运行到另一位置。同时,为了保证各测试结果具有可比性,在每次测试过程中,需要保证传动链具有相同的起点和终点,并且,需要保证传动链在每次测试时具有相同的负载,比如,可将负载统一设置为空。
另外,本步骤中所选定的作为对比测试的测试,其对应的电机转频需要与预先执行的参考基准测试所对应的电机转频相同,这样处理的目的同样是为了能够使两者对应的测试结果具有可比性。其中,参考基准测试是指当传动链运行于已知的正常状态时所进行的测试。
步骤102:记录每次测试过程中的测试信号。
本步骤中所提到的测试信号可以是:电机电流、扭矩、位置或速度等。通常采用电机电流或扭矩。具体记录工作可由数控机床中的数字控制单元(NCU,Numerical Control Unit)来完成,如何实现为现有技术,不再赘述。
另外,需要说明的是,在实际应用中,步骤102是与步骤101同时执行的,即在测试过程中实时记录测试信号,本实施例中将其分开介绍仅仅是为了表述方便。
步骤103:将每次测试的测试信号由时域转换到频域,得到每次测试所对应的频谱。
本步骤中,采用一定的信号处理方法,如离散傅立叶变换(DFT,Discrete Fourier Transform)等,将步骤102中所记录的每次测试的测试信号由时域转换到频域,得到每个测试所对应的频谱,每个频谱中包括若干个幅度峰值,每个幅度峰值对应一个频率,即峰值频率。
步骤104:基于每次测试所对应的频谱,自适应地提取出由于传动链状态异常所引起的特征频率,组成特征频率集。
与现有技术中相同,本实施例中针对传动链的状态监测主要集中在以下两个方面,即旋转机械部件异常状态监测以及由共振所引起的异常状态监测,所以,本步骤中所要提取的特征频率主要包括:由旋转机械部件状态异常所引起的信号特征频率以及由共振所引起的共振特征频率,具体提取方式为:
1、信号特征频率提取
因此,本发明所述方案中,可利用已知的每次测试所对应的电机转频,通过进行线性相关分析,来从每次测试所对应的频谱中提取出实际所需的信号特征频率。
图2为本发明方法实施例中的信号特征频率提取方式示意图。如图2所示,包括以下步骤:
步骤1041:查找每次测试所对应的频谱中的峰值频率,并将查找到的峰值频率记录下来作为可能信号特征频率,得到每次测试所对应的可能信号特征频率集。
本步骤中,可采用一些特征增强方法,如包络谱、幅值调制或随机共振等,来查找到频谱中的峰值频率,如何实现为本领域公知,不再赘述。然后,将查找到的峰值频率记录下来,作为可能信号特征频率。
步骤1042:基于已知的不同测试分别对应的电机转频,对不同测试所对应的可能信号特征频率集进行相关性分析,将其中呈线性关系的可能信号特征频率提取出来,作为实际所需的信号特征频率。
本步骤中,将每个测试所对应的每个可能信号特征频率分别与除自身以外的另一测试所对应的每个可能信号特征频率进行比较,如果存在两个可能信号特征频率的比率与这两个测试所对应的电机转频的比率相同,则将这两个可能信号特征频率确定为实际所需的信号特征频率。
举例说明:
假设执行了两次测试,分别为测试A和测试B,其中测试A对应的电机转频为10Hz,测试B对应的电机转频为8.7Hz;假设这两个测试所对应的可能信号特征频率集如表1所示:
电机转频(Hz) | 可能信号特征频率集(Hz) | 确定出的信号特征频率(Hz) |
fr=10Hz | 1.4、4.2、6.5、9.8、20.1、4.3、27.5、33.1、36.9、40.1、52.8、56.0、61.2、64.0、66.3、76.1、79.8、83.6、86.4、90.1、93.8、98.0、99.9、101.8、106.0、109.7、116.2、122.3、125.6、132.1、139.1、142.4、145.7、149.9、152.7、160.1、192.8、198.9、206.8、218.5、228.8、240.0 | 1.4、4.2、9.8、20.1、36.9、40.1、66.3、76.1、79.8、86.4、90.1、101.8、106.0、109.7、142.4、152.7、160.1、228.8、240.0 |
fr=8.7Hz | 1.2、3.9、6.7、8.7、11.0、13.8、17.3、20.1、23.2、25.2、31.9、34.6、43.3、54.7、57.5、60.6、63.8、66.1、69.3、70.9、74.8、78.0、 | 1.2、3.9、8.7、17.3、31.9、34.6、57.5、66.1、69.3、74.8、78.0、88.2、92.1、 |
79.1、83.5、87.0、88.2、89.8、92.1、95.3、98.0、100.4、103.9、109.8、113.0、116.1、118.1、120.1、123.6、127.6、132.3、135.8、138.6、140.9、149.6、152.4、155.9、161.8、166.5、169.3、189.8、198.4、207.9、225.2、227.2 | 95.3、123.6、132.3、138.6、198.4、207.9 |
表1测试A和B所对应的可能信号特征频率集以及确定出的信号特征频率
由于不同电机转频所对应的信号特征频率与电机转频的比率相同,所以,在得到测试A和测试B分别对应的可能信号特征频率集后,可分别计算测试A所对应的可能信号特征频率集中的每个可能信号特征频率与测试B所对应的可能信号特征频率集中的每个可能信号特征频率的比率,如果某两个可能信号特征频率的比率等于10/7.8(取近似值1.1),则将这两个可能信号特征频率提取出来,作为实际所需的信号特征频率。比如,对于测试A对应的一可能信号特征频率1.4(Hz),分别计算其与测试B对应的可能信号特征频率集中的各可能信号特征频率的比率,经计算发现,1.4与1.2的比率约为1.1,所以,将1.4确定为测试A所对应的信号特征频率,将1.2确定为测试B所对应的信号特征频率。
需要说明的是,上述仅以存在两个测试为例进行说明,在实际应用中,通常需要进行多次测试,比如测试A、测试B、测试C和测试D,那么,对于测试A所对应的可能信号特征频率1.4,可以是只要其它任一测试(测试B、测试C或测试D)中存在和1.4的比率符合要求的可能信号特征频率,即将1.4确定为测试A所对应的信号特征频率;或者,也可以是必须其它所有测试(测试B、测试C和测试D)中均存在和1.4的比率符合要求的可能信号特征频率,才将1.4确定为测试A所对应的信号特征频率。具体实现方式不限。
总之,通过步骤1401~1402所示过程,即可将每次测试所对应的信号特征频率自适应地提取出来。
步骤1043:将对比测试所对应的信号特征频率加入到特征频率集中。
2、共振特征频率的提取
共振是传动链中的机械部件出现故障(如导轨磨损)或进行了不合适的伺服控制参数设置的典型征兆。但由于传动链本身机械结构的复杂性,通常很难预先确定传动链的振动模态,所以本发明所述方案中,希望能够自适应地提取出由共振所引起的共振特征频率,以实现对于数控机床的状态监测。
通常来说,在数控机床的状态监测过程中,传动链的共振特征频率是不会随着电机转频的改变而改变的,具体表现为在不同测试所对应的频谱中,在某一固定频率处出现幅度峰值。比如,在不同测试所对应的频谱中,在15.8Hz处均出现了幅度峰值,那么,15.8Hz即可被确定为共振特征频率。另外,在实际应用中,有可能在数控机床中(传动链以外的组件)存在一些未知的激励源,这些未知的激励源可能会通过固定频率的激励力对传动链造成影响,这种影响同样表现为在不同测试所对应的频谱中的某一固定频率处出现幅度峰值。通常,可将所对应的特征频率不随电机转频改变而改变的异常状态称为类共振状态,那么相应地,则可将上述不随电机转频改变而改变的共振特征频率称为类共振特征频率。
正是因为类共振特征频率具有上述特点,所以本发明所述方案中,可在得到不同测试所对应的频谱后,通过对这些频谱进行分析,找到不随电机转频改变而改变的峰值频率,该峰值频率即为所要提取的类共振特征频率。
但是,如果采用通常的查找方法来进行类共振特征频率的查找,可能会出现错误,因为在实际的类共振特征频率周围可能会同时存在若干个由其它原因引起的峰值频率,或者,也可能类共振特征频率与电机转频的谐波频率相重合。比如,假设有两个频谱,这两个频谱所对应的电机转频分别为10Hz和20Hz,其中,在第一个频谱的20Hz处出现一个幅度峰值(为电机转频的二次谐波),在第二个频谱的20Hz处也出现了一个幅度峰值(为电机转频),那么,20Hz就会被误认为是类共振特征频率,因为在这两个频谱中,20Hz处均出现了幅度峰值。
所以,本发明所述方案中,为了能够更为准确地提取出类共振特征频率,采用低通滤波器或其它信号分解方法,如小波转换等,来对不同测试所对应的频谱进行进一步的处理。其中,处理过程中所用到的参数,如小波分解级数等可根据经验预先设定。经过处理后,可将用于反映频谱主要趋势的频谱近似分量(FSAC,Frequency Spectrum ApproximationComponent)提取出来;然后,再从不同测试所对应的FSAC中提取类共振特征频率。
图3为本发明方法实施例中的类共振特征频率提取方式示意图。如图3所示,包括以下步骤:
步骤1401’:提取每次测试所对应的频谱中的FSAC。
步骤1402’:查找每次测试所对应的FSAC中的峰值频率,并将查找到的峰值频率记录下来作为可能类共振特征频率,得到每个测试所对应的可能类共振特征频率集。
具体查找方法与步骤1401中所述相同,不再赘述。
步骤1403’:查找在每个测试所对应的可能类共振特征频率集中均存在的可能类共振特征频率,将其作为实际所需的类共振特征频率,加入到特征频率集中。
即将不随电机转频改变而改变的峰值频率作为类共振特征频率。
步骤105:在时域中分别重构参考基准测试所对应的测试信号以及对比测试所对应的测试信号在每个特征频率处的信号特征分量。
本步骤中,采用小波变换或陷波滤波器等方法,在时域中分别重构参考基准测试所对应的测试信号以及步骤101中所选定的对比测试所对应的测试信号在每个特征频率处的信号特征分量。如何重构为现有技术,不再赘述。
步骤106:计算参考基准测试所对应的信号特征分量与对比测试所对应的信号特征分量的总差异量百分比。
本步骤的具体实现包括:
首先,计算每个特征频率处的参考基准测试所对应的信号特征分量与对比测试所对应的信号特征分量的差异量:本实施例中,可采用现有任一种度量两数组间的相似性的方法,来计算该差异量,比如,可采用公式(3)所示的计算两数组间的欧几里德距离的方式:
n表示信号特征分量总数;
m表示信号特征分量的数据长度。
其中,
步骤107:判断计算得到的总差异量百分比是否大于预先设定的阈值,如果是,则执行步骤108;否则,结束流程。
即判断Ri是否大于预先设定的阈值RAlarm,如果是,则执行步骤108。RAlarm的具体取值可根据经验确定。
步骤108:触发数控机床中的异常状态告警装置,同时,及时通知相关的维修技术人员,结束流程。
本步骤的具体实现为现有技术,不再赘述。
至此,即完成了一次本发明所述的数控机床状态监测过程。后续过程中,当需要对数控机床再次进行状态监测时,重复图1所示过程即可。
下面结合具体的示例,对本发明所述方案作进一步地说明。
示例一:
图4(a)为当滚珠丝杠支撑轴承内圈多点剥蚀,且电机转频为10Hz时的扭矩信号示意图;图4(b)为图4(a)所示扭矩信号的频谱;图5(a)为当滚珠丝杠支撑轴承内圈多点剥蚀,且电机转频为8.7Hz时的扭矩信号示意图;图5(b)为图5(a)所示扭矩信号的频谱。采用本发明所述自适应特征频率提取方法后,基于已知的电机转频比率,对图4(b)和5(b)中所示的两个频谱进行频率相关性分析,得到这两个频谱分别对应的可能信号特征频率集以及实际所需的信号特征频率,如表1所示。
假设将电机转频为10Hz的测试选为对比测试,并假设在数控机床不同历史使用时期,共执行了20次测试,分别编号为1到20(其中,当进行编号为1到10的测试时,滚珠丝杠处于正常状态,当进行编号为11到20的测试时,滚珠丝杠处于异常状态);将每次测试得到的扭矩信号在76.1Hz(表1中所示的一个信号特征频率)处进行重构,得到如图6所示的重构效果图。可以看出,当滚珠丝杠处于异常状态时,在信号特征频率76.1Hz处重构出的时域信号特征分量中存在一个明显的波动。
示例二:
图7(a)为当导轨处于磨损状态,且电机转频为5.1Hz时的扭矩信号所对应的频谱;图7(b)为图7(a)所示频谱的FSAC;图8(a)为当导轨处于磨损状态,且电机转频为7.7Hz时的扭矩信号所对应的频谱;图8(b)为图8(a)所示频谱的FSAC。如图7(a)和8(a)所示,由于在实际的类共振特征频率周围存在多个峰值频率,所以如果采用通常的峰值频率查找方法,会很难正确找到所需的类共振特征频率,而采用本发明所述自适应特征频率提取方法后,首先采用小波变换方法,从7(a)和8(a)所示的频谱中分别提取出FSAC,这样,后续过程中,实际所需的类共振特征频率15.8Hz就能够被准确地提取出来。
图9(a)为当旧导轨被替换为新的导轨,且电机转频为5.1Hz时的扭矩信号所对应的频谱;图9(b)为图9(a)所示频谱的FSAC。可以看出,当旧导轨被替换为新的导轨后,异常状态所引起的峰值频率基本消失了。
图10(a)为当电机转频为5.1Hz,且旧导轨被替换前,在类共振特征频率15.8Hz处重构出的信号特征分量示意图;如10(b)为当电机转频为5.1Hz,且旧导轨被替换后,在类共振特征频率15.8Hz处重构出的信号特征分量示意图。可以看出,当发生共振时,在围绕着提取出的类共振特征频率15.8Hz处重构出的时域信号特征分量中会存在一个明显的波动。
上述两个示例证明了本发明所述自适应特征频率提取方法的可行性和有效性。
基于上述方法,图11为本发明数控机床状态监测装置实施例的组成结构示意图。如图11所示,该装置包括:
执行单元111,用于以一次测试对应一个电机转频的方式在被监控的数控机床上执行一系列传动链测试,并从所述一系列测试中选定一个电机转频与预先执行的参考基准测试对应的电机转频相同的测试作为对比测试;所述参考基准测试为当所述传动链运行于已知的正常状态时所进行的测试;
转换单元112,用于记录每次测试过程中的测试信号,并将测试信号由时域转换到频域,得到每次测试所对应的频谱;
提取单元113,用于基于每次测试所对应的频谱,自适应地提取出由于传动链状态异常所引起的特征频率,组成特征频率集;
重构单元114,用于在时域中分别重构参考基准测试所对应的测试信号以及对比测试所对应的测试信号在所述特征频率集中的每个特征频率处的信号特征分量;
告警单元115,用于计算参考基准测试所对应的信号特征分量以及对比测试所对应的信号特征分量的总差异量百分比,并判断该总差异量百分比是否大于预先设定的阈值,如果是,则进行告警。
其中,测试信号可以是:电机电流、扭矩、位置或速度。
提取单元113中可具体包括:
第一提取子单元1131,用于查找每次测试所对应的频谱中的峰值频率,将其记录下来作为可能信号特征频率,并将每个测试所对应的每个可能信号特征频率分别与除自身以外的另一测试所对应的每个可能信号特征频率进行比较,如果两个可能信号特征频率的比率与这两个测试所对应的电机转频的比率相同,则将这两个可能信号特征频率确定为实际所需的信号特征频率,并将对比测试所对应的信号特征频率加入到特征频率集中;
第二提取子单元1132,用于查找每次测试所对应的频谱中的峰值频率,将其记录下来作为可能类共振特征频率,得到每个测试所对应的可能类共振特征频率集,并查找在每个测试所对应的可能类共振特征频率集中均存在的可能类共振特征频率,将其作为实际所需的类共振特征频率加入到特征频率集中。
第二提取子单元1132可进一步用于,提取每次测试所对应的频谱中的频谱近似分量,从每次测试所对应的频谱近似分量中查找峰值频率。
告警单元115中可具体包括:
计算子单元1151,用于计算每个特征频率处参考基准测试所对应的信号特征分量与对比测试所对应的信号特征分量的差异量,并将每个特征频率所对应的差异量进行累加,得到总差异量,计算该总差异量与参考基准测试对应的信号特征分量的均方差的百分比,得到总差异量百分比;
告警子单元1152,用于判断该总差异量百分比是否大于预先设定的阈值,如果是,则进行告警。
图11所示装置实施例的具体工作流程请参照图1所示方法实施例中的相应说明,此处不再赘述。
总之,采用本发明的技术方案,根据由旋转机械部件状态异常所引起的信号特征频率随电机转频改变而改变,且与电机转频线性相关的特点,以及由类共振所引起的类共振特征频率不随电机转频改变而改变的特点,通过对不同电机转频下所获取到的一系列测试所对应的频谱进行频率相关性分析,自适应地提取出信号特征频率和类共振特征频率,并基于该提取出的信号特征频率和类共振特征频率实现对于数控机床的状态监测。与现有技术相比,本发明所述方案的实现无需依赖于旋转机械部件的具体物理参数或数控机床的具体结构信息,并且无需引入基于用户经验的主观评价,所以能够更为方便准确地监测出数控机床中的异常状态。
另外,本发明所述方案在提取类共振特征频率的过程中,首先从不同测试所对应的频谱中提取出FSAC,然后再从FSAC中提取出实际所需的类共振特征频率,从而降低了由于在实际的类共振特征频率周围可能存在多个峰值频率或由于实际的类共振特征频率可能与电机转频的谐波频率相重合而导致的类共振特征频率被错误提取的可能性。
需要说明的是,上述实施例仅用于举例说明,并不用于限制本发明的技术方案。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种数控机床状态监测方法,其特征在于,该方法包括:
以一次测试对应一个电机转频的方式在被监控的数控机床上执行一系列传动链测试,并从所述一系列传动链测试中选定一个电机转频与预先执行的参考基准测试对应的电机转频相同的测试作为对比测试;所述参考基准测试为当所述传动链运行于已知的正常状态时所进行的测试;
记录每次测试过程中的测试信号,并将所述测试信号由时域转换到频域,得到每次测试所对应的频谱;
基于所述每次测试所对应的频谱,通过自适应提取由于旋转机械部件状态异常所引起的信号特征频率和由类共振所引起的类共振特征频率来自适应提取由于传动链状态异常所引起的特征频率,组成特征频率集;
在时域中分别重构所述参考基准测试所对应的测试信号以及所述对比测试所对应的测试信号在所述特征频率集中的每个特征频率处的信号特征分量;
计算所述参考基准测试所对应的信号特征分量以及所述对比测试所对应的信号特征分量的总差异量百分比,并判断所述总差异量百分比是否大于预先设定的阈值,如果是,则进行告警;
其中,所述自适应提取信号特征频率包括:
查找每次测试所对应的频谱中的峰值频率,并将查找到的峰值频率记录下来作为可能信号特征频率;
将每个测试所对应的每个可能信号特征频率分别与除自身以外的另一测试所对应的每个可能信号特征频率进行比较,如果两个可能信号特征频率的比率与这两个测试所对应的电机转频的比率相同,则将这两个可能信号特征频率确定为信号特征频率;
将所述对比测试所对应的信号特征频率加入到所述特征频率集中;
所述自适应提取类共振特征频率包括:
查找每次测试所对应的频谱中的峰值频率,并将查找到的峰值频率记录下来作为可能类共振特征频率,得到每个测试所对应的可能类共振特征频率集;
查找在每个测试所对应的可能类共振特征频率集中均存在的可能类共振特征频率,并将其作为类共振特征频率加入到所述特征频率集中;
所述查找每次测试所对应的频谱中的峰值频率包括:
提取每次测试所对应的频谱中的频谱近似分量;
在每次测试所对应的频谱近似分量中查找所述峰值频率。
2.根据权利要求1所述的方法,其特征在于,所述测试信号为:电机电流、扭矩、位置或速度。
3.根据权利要求1所述的方法,其特征在于,所述执行一系列传动链测试包括:
基于每次测试传动链具有相同的负载,且每次测试过程中传动链具有相同的起点和终点的原则,执行所述一系列传动链测试。
4.根据权利要求1、2或3所述的方法,其特征在于,所述计算总差异量百分比包括:
计算每个特征频率处参考基准测试所对应的信号特征分量与对比测试所对应的信号特征分量的差异量;
将每个特征频率所对应的差异量进行累加,得到总差异量;
计算所述总差异量与所述参考基准测试所对应的信号特征分量的均方差的百分比,得到总差异量百分比。
5.一种数控机床状态监测装置,其特征在于,该装置包括:
执行单元(111),用于以一次测试对应一个电机转频的方式在被监控的数控机床上执行一系列传动链测试,并从所述一系列传动链测试中选定一个电机转频与预先执行的参考基准测试对应的电机转频相同的测试作为对比测试;所述参考基准测试为当所述传动链运行于已知的正常状态时所进行的测试;
转换单元(112),用于记录每次测试过程中的测试信号,并将所述测试信号由时域转换到频域,得到每次测试所对应的频谱;
提取单元(113),用于基于所述每次测试所对应的频谱,通过自适应提取由于旋转机械部件状态异常所引起的信号特征频率和由类共振所引起的类共振特征频率来自适应提取由于传动链状态异常所引起的特征频率,组成特征频率集;
重构单元(114),用于在时域中分别重构所述参考基准测试所对应的测试信号以及所述对比测试所对应的测试信号在所述特征频率集中的每个特征频率处的信号特征分量;
告警单元(115),用于计算所述参考基准测试所对应的信号特征分量以及所述对比测试所对应的信号特征分量的总差异量百分比,并判断所述总差异量百分比是否大于预先设定的阈值,如果是,则进行告警;其中,所述提取单元(113)包括:
第一提取子单元(1131),用于查找每次测试所对应的频谱中的峰值频率,将其记录下来作为可能信号特征频率,并将每个测试所对应的每个可能信号特征频率分别与除自身以外的另一测试所对应的每个可能信号特征频率进行比较,如果两个可能信号特征频率的比率与这两个测试所对应的电机转频的比率相同,则将这两个可能信号特征频率确定为信号特征频率,将对比测试所对应的信号特征频率加入到所述特征频率集中;
第二提取子单元(1132),用于查找每次测试所对应的频谱中的峰值频率,将其记录下来作为可能类共振特征频率,得到每个测试所对应的可能类共振特征频率集,并查找在每个测试所对应的可能类共振特征频率集中均存在的可能类共振特征频率,将其作为类共振特征频率加入到所述特征频率集中;
所述第二提取子单元(1132)进一步用于,提取每次测试所对应的频谱中的频谱近似分量,从所述每次测试所对应的频谱近似分量中查找所述峰值频率。
6.根据权利要求5所述的装置,其特征在于,所述测试信号为:电机电流、扭矩、位置或速度。
7.根据权利要求5所述的装置,其特征在于,所述告警单元(115)包括:
计算子单元(1151),用于计算每个特征频率处参考基准测试所对应的信号特征分量与对比测试所对应的信号特征分量的差异量,并将每个特征频率所对应的差异量进行累加,得到总差异量,计算所述总差异量与所述参考基准测试所对应的信号特征分量的均方差的百分比,得到总差异量百分比;
告警子单元(1152),用于判断所述总差异量百分比是否大于预先设定的阈值,如果是,则进行告警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101873847A CN101770218B (zh) | 2008-12-30 | 2008-12-30 | 一种数控机床状态监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101873847A CN101770218B (zh) | 2008-12-30 | 2008-12-30 | 一种数控机床状态监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101770218A CN101770218A (zh) | 2010-07-07 |
CN101770218B true CN101770218B (zh) | 2012-11-21 |
Family
ID=42503127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101873847A Expired - Fee Related CN101770218B (zh) | 2008-12-30 | 2008-12-30 | 一种数控机床状态监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101770218B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102900600B (zh) * | 2011-07-29 | 2015-09-09 | 西门子公司 | 风力发电机状态监测方法 |
CN103728919A (zh) * | 2012-10-10 | 2014-04-16 | 财团法人精密机械研究发展中心 | 机械加工设备的自发电感测装置、监控系统及其操作方法 |
GB2543521A (en) * | 2015-10-20 | 2017-04-26 | Skf Ab | Method and data processing device for severity assessment of bearing defects using vibration energy |
CN105893741B (zh) * | 2016-03-29 | 2018-11-02 | 华中科技大学 | 一种全程实时数据统计的丝杠健康保障方法 |
JP6718107B2 (ja) * | 2016-09-28 | 2020-07-08 | エヌティーエンジニアリング株式会社 | 作業機械の振動監視方法及びシステム |
CN108845204B (zh) * | 2018-06-21 | 2021-02-26 | 浙江巨磁智能技术有限公司 | 用电设备故障诊断系统及其诊断方法 |
CN109932178B (zh) * | 2019-02-01 | 2020-12-18 | 江苏大学 | 一种多级链传动机构故障诊断系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574387A (en) * | 1994-06-30 | 1996-11-12 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
CN1376905A (zh) * | 2002-04-22 | 2002-10-30 | 西安交通大学 | 提取机械动态信息的特征波形信号分解方法 |
CN1811377A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 一种定量识别滚动轴承损伤的方法 |
EP1752754A2 (en) * | 2005-08-10 | 2007-02-14 | General Electric Company | Method and apparatus for signal signature analysis for event detection in rotating machinery |
-
2008
- 2008-12-30 CN CN2008101873847A patent/CN101770218B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574387A (en) * | 1994-06-30 | 1996-11-12 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
CN1376905A (zh) * | 2002-04-22 | 2002-10-30 | 西安交通大学 | 提取机械动态信息的特征波形信号分解方法 |
EP1752754A2 (en) * | 2005-08-10 | 2007-02-14 | General Electric Company | Method and apparatus for signal signature analysis for event detection in rotating machinery |
CN1811377A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 一种定量识别滚动轴承损伤的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101770218A (zh) | 2010-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101770218B (zh) | 一种数控机床状态监测方法和装置 | |
Guo et al. | Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition | |
Tian et al. | Motor bearing fault detection using spectral kurtosis-based feature extraction coupled with K-nearest neighbor distance analysis | |
Saidi et al. | Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis | |
US9841352B2 (en) | System and method for monitoring gear and bearing health | |
Zhan et al. | Adaptive state detection of gearboxes under varying load conditions based on parametric modelling | |
Antonino-Daviu et al. | DWT analysis of numerical and experimental data for the diagnosis of dynamic eccentricities in induction motors | |
Mohanty et al. | Fault detection in a multistage gearbox by demodulation of motor current waveform | |
Wang et al. | Kurtogram manifold learning and its application to rolling bearing weak signal detection | |
Shakya et al. | Vibration-based fault diagnosis in rolling element bearings: ranking of various time, frequency and time-frequency domain data-based damage identi cation parameters | |
Omar et al. | Dynamic wavelet-based tool for gearbox diagnosis | |
Kulkarni et al. | Investigations on mother wavelet selection for health assessment of lathe bearings | |
Noman et al. | Continuous health monitoring of rolling element bearing based on nonlinear oscillatory sample entropy | |
Jain et al. | A review on vibration signal analysis techniques used for detection of rolling element bearing defects | |
Attoui et al. | Vibration-based gearbox fault diagnosis by DWPT and PCA approaches and an adaptive neuro-fuzzy inference system | |
CN107515118A (zh) | 旋转机械轴承故障诊断方法 | |
Vishwash et al. | Multiscale slope feature extraction for gear and bearing fault diagnosis using wavelet transform | |
Bendjama | Bearing fault diagnosis based on optimal Morlet wavelet filter and Teager-Kaiser energy operator | |
Wang | Autoregressive model-based diagnostics for gears and bearings | |
Mitra et al. | An automated SCADA based system for identification of induction motor bearing fault used in process control operation | |
Kanneg et al. | A wavelet spectrum technique for machinery fault diagnosis | |
Wood et al. | An Investigation Into Bearing Fault Diagnostics for Condition Based Maintenance Using Band–Pass Filtering and Wavelet Decomposition Analysis of Vibration Signals | |
KR102150425B1 (ko) | 회전기 모니터링 장치 및 회전기 모니터링 방법 | |
CN103335708A (zh) | 汽轮发电机组低频振动实时预警方法 | |
Babu et al. | Review on various signal processing techniques for predictive maintenance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121121 Termination date: 20171230 |
|
CF01 | Termination of patent right due to non-payment of annual fee |