CN101870075B - 一种基于性能退化模型的数控机床丝杠副寿命预测方法 - Google Patents

Abstract

一种基于性能退化模型的数控机床丝杠副寿命预测方法，即：采集振动信号并进行时频域分析，提取丝杠副性能退化敏感特征数据向量并以时间序列方式构成敏感特征矩阵；同时计算丝杠副负荷P_i，记录运行时间t_i；根据P_i计算额定寿命时间L_hi及丝杠副在当前工况下已运行的总时间t’和期望剩余寿命L_Di，将期望剩余寿命以时间序列方式构成期望剩余寿命向量T；再由双层动态模糊神经网络构成的退化模型对输入的敏感特征矩阵和期望剩余寿命向量之间的映射关系进行拟合并输出寿命预测结果。该方法考虑数控机床不同工况下丝杠副负荷变化对丝杠副性能退化的影响，实现丝杠副使用过程中剩余寿命的预测，预测精度高，实际使用价值高。

Description

一种基于性能退化模型的数控机床丝杠副寿命预测方法

技术领域

本发明属于机电一体化的数控制造技术领域，具体地讲，涉及数控机床丝杠副性能退化评估与寿命预测。

背景技术

数控机床是一种柔性、高效的自动化机床，是典型的机电一体化产品。数控机床的故障严重影响零件的加工质量，给企业带来巨大的经济损失。数控机床的故障包括数控系统故障、电气系统故障、机械系统故障及气动液压系统故障等，其中机械系统的性能退化不可避免，是影响产品质量的关键因素。因此，实时监测机械系统，发现机床运行过程中关键部件如丝杠副、导轨副、主轴组件等的性能退化规律，实时评估部件的剩余寿命及健康状态，有利于建立合理有效的维修计划，减少不必要的停机时间，节省大量的维护费用。

对数控机床而言，由于其加工工况的多样性、负载的动态性、疲劳损伤的不确定性、外界冲击的随机性等，导致机械系统性能退化规律更为复杂，很难建立确切的数学、物理模型来评估机床机械部件的性能退化规律。作为机床关键部件的丝杠副，其精度变化严重影响机床的加工质量，其性能随使用时间推移而退化的规律呈现动态变化，目前国内外各机床生产厂家仅限于对丝杠副在额定条件下的寿命预测与评估，而丝杠副在实际使用过程中大多数情况下均与额定条件不符，因此其寿命预测与评估结果误差大，工程实际应用价值低。

发明内容

本发明的目的就是提供一种基于性能退化模型的数控机床丝杠副寿命预测方法，该方法考虑数控机床不同工况下丝杠副负荷变化对丝杠副性能退化的影响，实现对丝杠副使用过程中剩余寿命的评估与预测，预测精度高，工程实际使用价值高。

本发明实现其发明目的所采用的技术方案是，一种基于性能退化模型的数控机床丝杠副寿命预测方法，其步骤依次是：

(1)振动信号采集  用振动传感器采集丝杠副的振动信号，振动信号经信号放大器放大后再通过采集卡送入机床PC端中控服务器进行处理；

(2)振动信号时频域分析  机床PC端中控服务器对采集的振动信号进行滤波处理，再进行时频域分析得到时频特征数据；

(3)时频特征数据提取  对得到的时频特征数据，采用主成分分析法提取出当前工况下对丝杠副性能退化敏感的特征数据向量，将当前工况及以前工况下的敏感特征数据向量以时间序列方式构成敏感特征矩阵，作为退化模型的一个输入量；

(4)丝杠副负荷计算

由加工参数计算得到当前工况下的切削力F_i：

式中，下标i表示当前工况，a_pi表示背吃刀量，f_i表示进给速度，v_i表示切削速度，K_F表示修正系数，C_F为系数，x_F、y_F、n_F为指数；

根据刀具下刀角度计算切削力在丝杠副轴向的分力：F_i’＝F_i·Φ(α_i)，式中，α_i为当前工况下的刀具下刀角度，Φ(α_i)为角度函数；并计算出丝杠副在当前工况下的轴向负荷F_ai：F_ai＝F_i’+μmg+f±ma，式中，μ为摩擦系数，m为工件与工作台总重，f为无负荷时的阻力，ma为加减速冲击，±表示丝杠副去程与返程时加减速冲击变向；同时记录当前工况下的累计运行时间t_i；

(5)丝杠副期望剩余寿命计算

将当前工况下丝杠副的负荷F_ai代入丝杠副经验寿命计算公式

求得当前工况下以转数方式表示的丝杠副的额定寿命L_i，C_a表示额定动负荷，f_w表示负荷系数；并利用公式

转换成额定寿命时间L_hi，式中，l表示丝杠副行程，l_s表示丝杠副导程，n表示每分钟往返次数；将前一工况下丝杠副已运行的时间t_i-1转换为当前工况下丝杠副已运行时间t’_i-1＝t_i-1×F_ai-1/F_ai，则丝杠副在当前工况下的已运行的总时间为t’：

其中k为工况的序号；再将当前工况下的额定寿命时间L_hi减去当前工况下的已运行总时间t’得到当前工况下的期望剩余寿命L_Di，即L_Di＝L_hi-t′；再将当前工况及以前工况下的期望剩余寿命以时间序列方式构成期望剩余寿命向量T，作为退化模型的另一输入量；

(6)丝杠副性能退化评估与剩余寿命预测

退化模型由两个动态模糊神经网络(Dynamic Fuzzy Neural Network，DFNN)构成，一个DFNN网络用来在线训练拟合特征数据与期望剩余寿命之间的映射关系并输出寿命预测结果，另一个DFNN网络用于在线学习和权值更新；即：(3)步得到的振动信号特征矩阵与(5)步得到的期望剩余寿命向量同时输入退化模型，退化模型自动选择网络1进行训练以拟合输入的振动信号特征值与期望剩余寿命之间的映射关系，网络1训练好后输出预测剩余寿命结果，此时网络2处于备用状态；

若预测剩余寿命结果与期望剩余寿命误差超过设定阈值，则将网络1的权值复制给网络2，网络1继续预测并输出预测剩余寿命结果，而网络2开始学习，快速训练网络得到新的权值，并把新的权值复制给网络1，网络1将得到的新权值覆盖原来的权值再进行寿命预测，直到预测剩余寿命结果与期望剩余寿命误差小于误差阈值，网络2即停止学习进入备用状态，网络1迅速恢复正常预测并输出预测剩余寿命结果。

与现有技术相比，本发明的有益效果是：

本发明将丝杠副的振动状态信息特征与时间变量结合起来，考虑不同工况下负荷的变化对丝杠副寿命的影响，与机床实际使用情况更符合，使其预测结果更准确；利用动态模糊神经网络构建的退化模型，能够更好的拟合丝杠副振动信号特征与寿命之间的复杂映射关系，实现对丝杠副实际使用过程中剩余寿命进行更精确的实时评估与预测；双层动态模糊神经网络能够实现边学习边预测功能，使系统抗干扰能力强，鲁棒性好。本发明有利于数控机床使用企业建立合理有效的维修计划，减少不必要的停机时间，节省大量的维护费用，工程实际使用价值高。

具体实施方式

实施例

一种基于性能退化模型的数控机床丝杠副寿命预测方法，其步骤依次是：

(1)振动信号采集  用振动传感器采集丝杠副的振动信号，振动信号经信号放大器放大后再通过采集卡送入机床PC端中控服务器进行处理；

振动传感器和信号放大器可选用各种现有的传感器，如选用丹麦B&K公司的BK4321三向加速度振动传感器、BK2365振动信号放大器。振动传感器的具体安装方式和位置可以是：在丝杠副螺母上及丝杠副两端轴承支撑座上各安装振动传感器一个，采集丝杠副三向振动信息，每个传感器输出三通道振动信号。采集卡将所有传感器全部通道振动信号传输给机床PC端中控服务器。

(2)振动信号时频域分析  机床PC端中控服务器对采集的振动信号进行滤波处理，再进行时频域分析得到时频特征数据。

本例的振动信号时频域分析的具体作法是：机床PC中控服务器将所有通道振动信号进行小波包分解，确定最优小波包基，对小波包分解系数的阈值进行量化，再对信号进行小波包重构，得到振动信号的时域图，对重构后的信号进行傅里叶变换，得到信号频域图，根据时频域信息提取包括均值、均方根值、敏感维数、盒维数、倒谱峰值、均方根率、频率标准差、波形参数、峰值因子、脉冲因子、峭度系数等时频特征分量的时频特征数据，对每个传感器的三通道信号的时频特征值进行比较，选取特征值大的通道的时频特征值作为该传感器的时频特征数据；再对上述比较所得的所有传感器的时频特征数据进行平均作为时频域分析得到的时频特征数据。

(3)时频特征数据提取  对得到的时频特征数据，采用主成分分析法提取出当前工况下对丝杠副性能退化敏感的特征数据向量，将当前工况及以前工况下的敏感特征数据向量以时间序列方式构成敏感特征矩阵，作为退化模型的一个输入量。

本例中，将累计贡献率大于0.9的时频特征分量作为对丝杠副性能退化敏感的特征数据向量。

(4)丝杠副负荷计算

由加工参数计算得到当前工况下的切削力F_i：

式中，下标i表示当前工况，a_pi表示背吃刀量，f_i表示进给速度，v_i表示切削速度，K_F表示修正系数，C_F为系数，x_F、y_F、n_F为指数；

根据刀具下刀角度计算切削力在丝杠副轴向的分力：F_i’＝F_i·Φ(α_i)，式中，α_i为当前工况下的刀具下刀角度，Φ(α_i)为角度函数；计算出丝杠副在当前工况下的轴向负荷F_ai：F_ai＝F_i’+μmg+f±ma，式中，μ为摩擦系数，m为工件与工作台总重，f为无负荷时的阻力，ma为加减速冲击，±表示丝杠副去程与返程时加减速冲击变向；这种方式计算出的丝杠副在当前工况下的轴向负荷F_ai，考虑了丝杠副运行时需克服运行方向的摩擦阻力及加减速冲击。同时记录当前工况下的累计运行时间t_i。

本例中，当前工况下切削力F_i及丝杠副负荷P_i的最终值，也即以下第(5)步使用的F_i及P_i值：为在当前工况下各采样时刻计算得出的瞬时值的平均值。

同时，本例中记录当前工况下的累计运行时间t_i的具体做法是：机床运行时，PC中控服务器或机床的数控系统中的计时器开始计时，当PC中控服务器得到的丝杠副负荷P_i瞬时值变化率大于设置的阈值(如5％)时，PC中控服务器认定新的工况出现，计时器归零，按下一个工况重新开始计时(此PC中控服务器计算出的负荷也为下一个工况的负荷)，否则计时器连续计时。

(5)丝杠副期望剩余寿命计算

将当前工况下丝杠副的负荷F_ai代入丝杠副经验寿命计算公式

求得当前工况下以转数方式表示的丝杠副的额定寿命L_i，C_a表示额定动负荷，f_w表示负荷系数；并利用公式

转换成额定寿命时间L_hi，式中，l表示丝杠副行程，l_s表示丝杠副导程，n表示每分钟往返次数；将前一工况下丝杠副已运行的时间t_i-1转换为当前工况下丝杠副已运行时间t’_i-1＝t_i-1×F_ai-1/F_ai，则丝杠副在当前工况下的已运行的总时间为t’：

其中k为工况的序号；再将当前工况下的额定寿命时间L_hi减去当前工况下的已运行总时间t’得到当前工况下的期望剩余寿命L_Di，即L_Di＝L_hi-t′；再将当前工况及以前工况下的期望剩余寿命以时间序列方式构成期望剩余寿命向量T，作为退化模型的另一输入量；

(6)丝杠副性能退化评估与剩余寿命预测

退化模型由两个动态模糊神经网络(Dynamic Fuzzy Neural Network，DFNN)构成，一个DFNN网络用来在线训练拟合特征数据与期望剩余寿命之间的映射关系并输出寿命预测结果，另一个DFNN网络用于在线学习和权值更新；即：(3)步得到的振动信号特征矩阵与(5)步得到的期望剩余寿命向量同时输入退化模型，退化模型自动选择网络1进行训练以拟合输入的振动信号特征值与期望剩余寿命之间的映射关系，网络1训练好后输出预测剩余寿命结果，此时网络2处于备用状态；

若预测剩余寿命结果与期望剩余寿命误差超过设定阈值，则将网络1的权值复制给网络2，网络1继续预测并输出预测剩余寿命结果，而网络2开始学习，快速训练网络得到新的权值，并把新的权值复制给网络1，网络1将得到的新权值覆盖原来的权值再进行寿命预测，直到预测剩余寿命结果与期望剩余寿命误差小于误差阈值，网络2即停止学习进入备用状态，网络1迅速恢复正常预测并输出预测剩余寿命结果。

Claims (1)

1.一种基于性能退化模型的数控机床丝杠副寿命预测方法，其步骤依次是：

(1)振动信号采集用振动传感器采集丝杠副的振动信号，振动信号经信号放大器放大后再通过采集卡送入机床PC端中控服务器进行处理；

(2)振动信号时频域分析机床PC端中控服务器对采集的振动信号进行滤波处理，再进行时频域分析得到时频特征数据；

(3)时频特征数据提取对得到的时频特征数据，采用主成分分析法提取出当前工况下对丝杠副性能退化敏感的特征数据向量，将当前工况及以前工况下的敏感的特征数据向量以时间序列方式构成敏感特征矩阵，作为退化模型的一个输入量；

(4)丝杠副负荷计算

由加工参数计算得到当前工况下的切削力F_i：式中，下标i表示当前工况，a_pi表示背吃刀量，f_i表示进给速度，v_i表示切削速度，K_F表示修正系数，C_F为系数，x_F、y_F、n_F为指数；

根据刀具下刀角度计算切削力在丝杠副轴向的分力：F_i’＝F_i·Φ(α_i)，式中，α_i为当前工况下的刀具下刀角度，Φ(α_i)为角度函数；并计算出丝杠副在当前工况下的轴向负荷F_ai：F_ai＝F_i’+μmg+f±ma，式中，μ为摩擦系数，m为工件与工作台总重，f为无负荷时的阻力，ma为加减速冲击，±表示丝杠副去程与返程时加减速冲击变向；同时记录当前工况下的累计运行时间t_i；

(5)丝杠副期望剩余寿命计算

将当前工况下丝杠副的负荷F_ai代入丝杠副经验寿命计算公式

求得当前工况下以转数方式表示的丝杠副的额定寿命L_i，C_a表示额定动负荷，f_w表示负荷系数；并利用公式

转换成额定寿命时间L_hi，式中，l表示丝杠副导程，l_s表示丝杠副行程，n表示每分钟往返次数；将前一工况下丝杠副已运行的时间t_i-1转换为当前工况下丝杠副已运行时间t’_i-1＝t_i-1*F_ai-1/F_ai，则丝杠副在当前工况下的已运行的总时间为t’：

其中k为工况序号；再将当前工况下的额定寿命时间L_hi减去当前工况下的已运行总时间t’得到当前工况下的期望剩余寿命L_Di，即L_Di＝L_hi-t′；再将当前工况及以前工况下的期望剩余寿命以时间序列方式构成期望剩余寿命向量T，作为退化模型的另一输入量；

(6)丝杠副性能退化评估与剩余寿命预测

退化模型由两个动态模糊神经网络(Dynamic Fuzzy Neural Network，DFNN)构成，一个动态模糊神经网络用来在线训练拟合特征数据与期望剩余寿命之间的映射关系并输出寿命预测结果，另一个动态模糊神经网络用于在线学习和权值更新；即：(3)步得到的敏感特征矩阵与(5)步得到的期望剩余寿命向量同时输入退化模型，退化模型自动选择网络1进行训练以拟合输入的振动信号特征值与期望剩余寿命之间的映射关系，网络1训练好后输出预测剩余寿命结果，此时网络2处于备用状态；

若预测剩余寿命结果与期望剩余寿命误差超过设定阈值，则将网络1的权值复制给网络2，网络1继续预测并输出预测剩余寿命结果，而网络2开始学习，快速训练网络得到新的权值，并把新的权值复制给网络1，网络1将得到的新权值覆盖原来的权值再进行寿命预测，直到预测剩余寿命结果与期望剩余寿命误差小于误差阈值，网络2即停止学习进入备用状态，网络1迅速恢复正常预测并输出预测剩余寿命结果。