CN105718876B - 一种滚珠丝杠健康状态的评估方法 - Google Patents
一种滚珠丝杠健康状态的评估方法 Download PDFInfo
- Publication number
- CN105718876B CN105718876B CN201610032369.XA CN201610032369A CN105718876B CN 105718876 B CN105718876 B CN 105718876B CN 201610032369 A CN201610032369 A CN 201610032369A CN 105718876 B CN105718876 B CN 105718876B
- Authority
- CN
- China
- Prior art keywords
- ball
- screw
- feature
- signal
- health
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000003862 health status Effects 0.000 title claims abstract description 21
- 230000036541 health Effects 0.000 claims abstract description 51
- 230000015556 catabolic process Effects 0.000 claims abstract description 37
- 238000006731 degradation reaction Methods 0.000 claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 230000007423 decrease Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000005461 lubrication Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 4
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000013507 mapping Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000003754 machining Methods 0.000 abstract description 4
- 238000011158 quantitative evaluation Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013139 quantization Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明公开了一种滚珠丝杠的性能衰退及健康状态的评估方法，属于设备健康监控领域，特别涉及滚珠丝杠的性能衰退及健康状态评估。该方法结合拉普拉斯特征降维与马氏距离分析模型，建立不同健康状态下传感器信号样本点在特征空间中与健康值的非线性映射关系，从而得到滚珠丝杠性能衰退程度的量化评估。该评估方法主要应用于生产过程中实现部件的智能维护，可减少因设备性能衰退带来的产品质量下降，从而提高经济效益。与常见方法所得结果相比，该模型能准确地反映滚珠丝杠的性能衰退趋势，鲁棒性更好。该方法可采用数控机床自带的传感器，无需改动机床整体结构，不影响其动态加工性能，可广泛应用于工业数控机床滚珠丝杠的在线实时健康状态评估。
Description
技术领域
本发明属于设备健康监控领域，涉及滚珠丝杠的性能衰退及健康状态评估。
背景技术
滚珠丝杠是直线驱动器的主要部分，在工业机械和数控机床广泛应用。长时间大强度的连续加工、预紧力的下降和温度的升高等因素都会导致滚珠丝杠性能衰退。对于数控机床来说，它也是关键的部件之一，它的性能对加工过程也有较大影响。其中，滚珠丝杠潜在的故障或者部件性能衰退都会影响加工效率和定位精度，甚至引起较大的加工误差或使工件报废。因此，需要对滚珠丝杠进行在线监控，研究其性能衰退趋势，对其健康状态作准确评价。
经过对现有技术的文献检索和专利的检索发现常见的滚珠丝杠健康状态评估方法有以下几种：
方法1：中国专利申请号：CN2015103901409，专利名称为：一种丝杠故障诊断方法，该专利自述为：“该方法能有效地解决现有丝杠智能故障诊断系统人工提取特征困难和应用浅层网络非线性表达能力有限的问题。采用稀释自编码深度神经网络结构，网络的识别模型选用Softmax回归分类器，确定网络结构隐含层数量；确定故障诊断模型的输入端数量确定故障诊断模型的输出端数量，准备训练样本集、预训练、微调训练、准备故障诊断模型测试样本集、测试故障诊断模型的故障诊断性能，依次连续输入测试样本集中的数据段，记录模型的输出量，得到模型的实际输出表，将模型的理想输出表与设计输出表进行对比，即得故障诊断模型的故障性能测试与评价结果。”方法1侧重的是对丝杠故障进行诊断，对于性能衰退趋势的量化评估并未涉及。
方法2：赵敏等人在《多变量灰色模型在滚珠丝杠剩余寿命预测中的应用》中通过模态分解方法分解选择对丝杠性能退化最敏感的特征参数，利用多变量灰色模型建立丝杠寿命与切削三要素、信号特征值的非线性映射关系，最终构建了基于多变量灰色模型的丝杠寿命预测模型，实现了对丝杠剩余寿命的有效评估。在滚珠丝杠副的不同位置安装3个加速度传感器，实时监测丝杠性能在不同加工条件下的变化趋势。方法2的监测方法主要侧重于寿命预测。
方法3：宋平等人在《KPCA和遗传BP神经网络在滚珠丝杠故障诊断中的应用研究》中用2个测点的6个传感器同步采集滚珠丝杠的振动信号，并进行特征提取，得到原始样本空间，然后利用核主元分析对原始样本空间进行降维处理，以消除样本间的冗余信息，引入遗传算法，解决了传统BP神经网络初始权值和阈值选择的随机性。方法3的监测方法侧重于对滚珠丝杠的正常状态、丝杠弯曲、滚珠破损和滚道磨损4种状态进行故障诊断。
方法4：吴希曦等人在《基于超球面支持向量机的丝杠故障诊断技术》中研究了模型参数选择在构造超球面支持向量机中的重要作用。将振动信号小波包分解后的频带能量作为特征向量，输入到超球面支持向量机分类器进行故障识别。方法4的监测信号源为加速度传感器，采用的分类器为支持向量机。
方法5：张筱辰等人在《数控机床滚珠丝杠副性能退化评估技术》中利用动态聚类数据处理技术对采集的海量数据进行预处理，提取信号的时域、频域及时频域特征，通过主分量分析方法压缩特征数量，构建了丝杠振动信号特征向量，采用量子遗传算法优化灰色神经网络的初始化参数，将特征向量输入到灰色神经网络进行训练，进而得到丝杠性能衰退模型。方法5的监测信号源也为振动信号，采用灰色神经网络进行评估。
因此，本领域的技术人员致力于开发一种滚珠丝杠的性能衰退及健康状态的评估方法，避免了高维非线性性能衰退数据的处理复杂性。
发明内容
本发明的目的在于针对现有技术的不足，提出一种滚珠丝杠的健康状态评估方法，基于拉普拉斯特征马氏距离的健康评估方法，使其解决背景技术中存在的不足，实现性能衰退的评估。本发明以流形学习方法进行特征的降维，结合距离评估方法得到不同样本集的降维特征间的距离，并将距离通过非线性映射规则映射为健康值，量化评估滚珠丝杠的性能衰退程度。该方法采集的信号从设备监控平台中获得，不影响数控机床的动态加工。在提取待评估信号样本主要时域频域特征的环节中，通过流形学习进行维数约简，避免了高维非线性性能衰退数据的处理复杂性。在特征样本空间中信号的分布与实际情况相符。在生产过程中实现部件的智能维护，可减少因设备性能衰退带来的产品质量下降，从而提高经济效益。
本发明所述的滚珠丝杠健康状态的评估方法，包括以下步骤：
步骤1、采集滚珠丝杠在不同工况下的传感器信号作为评估模型的输入；
步骤2、对所述传感器信号做预处理，除去噪声和干扰；
步骤3、加窗提取信号的时域特征、频域特征和时频域特征；提取特征后，对各个特征进行标准化；对于一个样本，将所述样本的所有特征放组合生成样本数据集；
步骤4、采用流形学习进行高维特征的降维，从观测得到的高维信号波形的几何信息中得出嵌入的低维光滑流形；
步骤5、选取全新丝杠润滑良好的各个特征作为基线数据；用数据模型来区分多个性能衰退状态的边界，用距离评估方法比较各特征样本与基线数据之间的相关性；
步骤6、建立各个降维特征间距离与健康值的非线性关系；用阈值T来确定性能衰退的界限，识别性能衰退的状态。
进一步地，所述步骤2中的所述预处理包括以下步骤：
步骤2.1、找到信号的特征起点；
步骤2.2、将同一样本的不同信号对齐；
步骤2.3、对长信号进行周期分割处理。
进一步地，所述步骤6中的所述非线性关系为与基线的距离越小，则健康值接近于1，代表非常健康；反之，则健康值接近于0，代表性能衰退到最低状态。
进一步地，所述步骤4中的所述高维特征的降维采用拉普拉斯特征值映射，具体为[Y0,Y1,…,Yk-1]＝LEM([X1,X2,…,Xm])，其中[X1,X2,…,Xm]为样本数据集的m维样本数据，[Y0,Y1,…,Yk-1]为经过拉普拉斯特征值映射降维后的k维数据，k<m。
进一步地，所述步骤5中的所述相关性采用马氏距离的评估方法计算，所述马氏距离测量的是多元特征的距离Mdi，先求出降维特征的均值然后按下式计算：
式中，CY为协方差矩阵。
进一步地，所述健康值的评估结果是以性能对正常状态的偏离可信度作取值范围为[0,1]的量化指标。
进一步地，所述传感器信号的采集不影响数控机床的动态生产加工过程。
进一步地，所述传感器信号为驱动电机的速度信号和转矩信号。
进一步地，将马氏距离映射为所述健康值。
进一步地，所述传感器信号直接通过TCP/IP协议从数控系统中读取。
本发明所采用的解决方案如下：
1、滚珠丝杠信号的采集
采集滚珠丝杠在不同工况下的传感器信号作为评估模型的输入。考虑到实际在线监测的要求，传感器信号不能影响数控机床的动态生产加工过程。对于数控机床来说，这些信号可以直接通过TCP/IP协议从数控系统中读取，并不需要额外加装传感器。
2、信号的预处理
采集到的信号为连续的信号，需要对信号做预处理，除去噪声和干扰，找到信号的特征起点，并将同一样本的不同信号对齐。对长信号进行分割处理，如周期分割。
3、信号的特征提取
采集的信号为高频信号，数据量较大，分析复杂。为了便于分析，加窗提取信号的主要时域特征、频域特征和时频域特征。这些特征应选取对于性能衰退敏感的特征，不同的性能衰退程度下，特征存在差异。提取特征后，为了消除量纲影响，对各个特征进行标准化。对于一个样本，将该样本所有特征放在一起，生成样本数据集。
4、特征降维
对信号进行特征提取后，得到高维的信号样本。由于实时性的要求，需要进行特征数据压缩。假设每种状态的特征数据分布是相对稳定的，那么特征降维后也能反映对应状态的数据分布。采用流形学习的方法进行特征的降维，如拉普拉斯特征值映射方法。拉普拉斯特征值映射是一种典型的基于流形学习的数据降维方法，目的是发现数据的内在本质特征，从观测得到的高维信号波形的几何信息中，得出嵌入的低维光滑流形。
计算方法为[Y0,Y1,…,Yk-1]＝LEM([X1,X2,…,Xm])，其中[X1,X2,…,Xm]为样本数据集的m维样本数据，[Y0,Y1,…,Yk-1]为经过拉普拉斯特征值映射降维后的k维数据，k<m。
5、特征空间距离
在此步骤中首先需要确定基线数据，可选取全新丝杠润滑良好的各个特征作为基线数据。其次用一个数据模型来区分多个性能衰退状态的边界。最后采用马氏距离评估方法，比较各特征样本与基线之间的相似度。马氏距离测量的是多元特征的距离Mdi，先求出降维特征的均值然后按下式计算：
式中，CY为协方差矩阵。
6、健康值计算
评估方法建立的是各个降维特征间马氏距离与健康值的非线性关系。其中健康值的映射规则如下：与基线的距离越小，则健康值接近于1，代表非常健康；反之，则健康值接近于0，代表性能衰退到最低状态。设w为马氏距离，v为健康值，v∈[0,1]。可取变换如下：
v＝e-ku＝e-klgw
式中，参数k的作用是调整各状态对应健康值分布的疏密程度，使得在[0，1]区间内分布均匀。
健康值计算完毕后，用阈值T来确定性能衰退的界限，既要准确地识别性能衰退的状态，又要避免误判。
本评估方法的输入为滚珠丝杠在不同工况下的传感器信号，输出为各工况下的健康评估值。其优势在于：
1)该方法针对滚珠丝杠的转速与转矩信号，这些信号具有易采集、不影响数控机床的动态加工性能、在线实时性高等特点。
2)拉普拉斯特征值映射降维得到高维特征中的内蕴低维流形，可反映滚珠丝杠的性能衰退的内在几何变化趋势。
3)通过数据降维得到各个性能衰退状态的样本在马氏特征空间的分布。马氏距离考虑了特征相关性，调整了各特征的权值，可以将各个降维特征对丝杠健康状态的影响表现出来。用健康值量化性能衰退的评估结果，使得其更加直观、有效。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1为本发明一种滚珠丝杠的性能衰退及健康状态评估方法的流程图；
图2为本发明一种滚珠丝杠的性能衰退及健康状态评估方法的一种实施实例的试验装置系统示意图；
图3为本发明一种滚珠丝杠的性能衰退及健康状态评估方法的一种实施实例的详细流程图。
具体实施方式
下面此案例中对滚珠丝杠试验台中滚珠丝杠的健康状态评估为例对本发明的内容加以说明。
1、滚珠丝杠速度、转矩信号的采集
采集滚珠丝杠在不同工况下的传感器信号，以及运行参数，作为评估模型的输入。考虑到实际在线监测的要求，不能影响数控机床的正常生产加工。如何利用有限的状态数据是评估滚珠丝杠健康状态的关键。故选择容易采集的信号，如驱动电机的速度和转矩信号。对于数控机床来说，这些信号可以直接通过TCP/IP协议从数控系统中读取，并不需要额外加装传感器。
试验装置如图2所示，S为速度传感器，M为转矩传感器。丝杠螺母固定在中间圆形的调节机构上。丝杠的一端与电机的输出连接，另一端用钢结构支撑。选用滚珠丝杠作为试验对象，其特点为噪声小，质量轻，精度高。其螺母滚道外形是哥特式的，接触角为45°。试验台可以输出驱动电机转速与转矩的信息，以电压值来表示。设定丝杠加速度为±03g，主轴转速为1000r/min，载荷为49033N。环境温度相对恒定，保持在20℃左右。
试验方案如下：对处于6种不同性能衰退程度的滚珠丝杠，对丝杠进行预热后做连续运行试验。将其健康状态定义为正常性能、性能下降、性能已衰退，分别将6中性能衰退状态标记为Ao、T15、T30、T45、T60、Ss。预热之后，对每种状态下的丝杠采集一次数据，共6次。
2、信号的预处理
对于滚珠丝杠电流来说，一般是根据系统伺服要求，按照指令进行周期性的变化。在对电流信号进行处理时，需要找到周期信号的上升起点，并对信号按照周期进行分割。转矩信号和电流信号存在对应关系，那么对电流信号的周期分割同样也适用于转矩信号的周期分割。每个状态的信号共有7个周期，可作为7个样本。
3、信号的时域频域特征提取
采集的信号为高频信号，数据量较大，分析复杂。为了便于分析，加窗分段提取信号的主要时域特征、时频域特征。润滑不足的信号特点如下：对于转矩信号，其平均值增加，峭度增加，均方差增大，转矩的增加与速度偏离给定值有对应关系。故时域特征选取为：最大值X1、最小值X2、平均值X3、峰峰值X4、标准差X5、均方根X6、偏度X7、峰值因子X8、峭度因子X9、裕度因子X10。频域特征选取为6阶Daubechies小波包三层分解子频带的能量值X11。对于一个样本，其数据为[X1,X2,…,X11]，为了消除量纲的影响，对提取的各样本的特征进行标准化。
4、特征降维
对信号进行特征提取后，得到高维的信号样本。由于实时性的要求，需要进行特征数据压缩。假设每种状态的特征数据分布是相对稳定的，那么特征降维后也能反映对应状态的数据分布。采用流形学习的方法进行特征的降维，如拉普拉斯特征值映射方法。拉普拉斯特征值映射是一种典型的基于流形学习的数据降维方法，目的是发现数据的内在本质特征，从观测得到的高维信号波形的几何信息中，得出嵌入的低维光滑流形。
计算公式为[Y0,Y1,…,Y5]＝LEM([X1,X2,…,X11])，其中[X1,X2,…,X11]为样本数据集的高维样本数据，[Y0,Y1,…,Y5]为经过拉普拉斯特征值映射降维后的低维数据。
5、特征空间马氏距离评估
在此步骤中首先需要确定基线数据，可选取全新丝杠润滑良好的各个特征作为基线数据。其次用一个数据模型来区分多个性能衰退状态的边界。最后采用马氏距离评估方法，比较各特征样本与基线之间的相似度。马氏距离测量的是多元特征的距离Mdi，先求出降维特征的均值然后按下式计算：
式中，CY为协方差矩阵。
根据前述特征提取过程，得到共42个信号样本。选择序号1中的7个样本基线状态，即滚珠丝杠为全新、润滑良好的数据为正常数据，计算其他工况与基线状态间的距离。
6、健康值映射。最后用特征空间中的距离进行计算，得到滚珠丝杠的健康值。健康值映射规则：与基线的距离越小，则健康值接近于1，代表非常健康；反之，则健康值接近于0，代表性能衰退到最低状态。设w为马氏距离，v为健康值，v∈[0,1]。可取变换如下：
v＝e-ku＝e-klgw
式中，参数k的作用是调整各状态对应健康值分布的疏密程度，使得在[0，1]区间内分布均匀。用阈值T来确定性能衰退的界限，既要准确地识别性能衰退的状态，又要避免误判。用健康值量化性能衰退的评估结果，使得其更加直观、有效。输出为各试验工况下滚珠丝杠的健康评估值。
根据所给出的公式将信号样本与基准信号的马氏距离映射为健康值。Ao状态的平均健康值为09313，则非常健康。Ss状态的平均健康值非常低，仅为08070。T15至T60状态的平均健康值趋势是下降的，分别为09011、08922、09030、08340。在本试验中，设置阈值T为09，健康值低于09时，认为性能有所衰退，影响加工精度。健康评估结果与实际情况相符，有效地反映了润滑对健康状态的影响。
通过本实例可以发现，本发明在进行滚珠丝杠性能衰退评估的时候，通过采集滚珠丝杠的电流与转矩信号，提取影响滚珠丝杠衰退的主要时域特征和时频域特征，通过拉普拉斯特征值映射有效的对高维特征进行维数约简，可将滚珠丝杠的性能衰退的内在几何变化趋势反映出来。
用马氏距离分析得到特征的相关性，有效地调整了各特征在距离计算时的权值，可以将各个降维特征对丝杠健康状态的影响表现出来，与实际情况相符。
将健康值量化在[0,1]范围内，用来量化性能衰退的评估结果，更加直观、有效。
提取的特征从速度信号方面反映运动学的特性，从转矩信号方面反映动力学的特性。滚珠丝杠运行时，随着性能衰退，速度在设定转速基础上，波动加剧。而转矩更加不平顺，运行阻力逐渐增大，速度和转矩波形之间的关系也随之而发生变化。这种性能衰退的趋势可以通过特征空间中内蕴的低维流形反映出来。因此，提出的基于拉普拉斯特征值马氏距离的滚珠丝杠健康状态评估方法可准确地进行性能衰退的评估。
上述对实例的描述可便于滚珠丝杠健康监控领域内的普通技术人员理解和应用本发明。熟悉该领域的技术人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实例中而不必经过创造性的劳动。因此，本发明不限于这里的实例，本领域技术人员根据本发明的揭示，在不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种滚珠丝杠健康状态的评估方法，其特征在于，包括以下步骤：
步骤1、采集滚珠丝杠在不同工况下的传感器信号作为评估模型的输入，所述传感器信号为驱动电机的速度信号和转矩信号；
步骤2、对所述传感器信号做预处理，除去噪声和干扰；
步骤3、加窗提取信号的时域特征、频域特征和时频域特征；提取特征后，对各个特征进行标准化；对于一个样本，将所述样本的所有特征放组合生成样本数据集；
步骤4、采用流形学习进行高维特征的降维，从观测得到的高维信号波形的几何信息中得出嵌入的低维光滑流形；
步骤5、选取全新丝杠润滑良好的各个特征作为基线数据；用数据模型来区分多个性能衰退状态的边界，用距离评估方法比较各特征样本与基线数据之间的相关性；
步骤6、建立各个降维特征间距离与健康值的非线性关系；用阈值T来确定性能衰退的界限，识别性能衰退的状态，
其中所述步骤5中的所述相关性采用马氏距离的评估方法计算，所述马氏距离测量的是多元特征的距离Mdi，先求出降维特征的均值然后按下式计算：
式中，CY为协方差矩阵，
所述步骤6中建立各个降维特征间距离与健康值的非线性关系，是通过设w为马氏距离，v为健康值，v∈[0,1]， 可取变换如下：
v＝e-ku＝e-klgw
式中，参数k的作用是调整各状态对应健康值分布的疏密程度，使得在[0，1]区间内分布均匀。
2.如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述步骤2中的所述预处理包括以下步骤：
步骤2.1、找到信号的特征起点；
步骤2.2、将同一样本的不同信号对齐；
步骤2.3、对长信号进行周期分割处理。
3.如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述步骤6中的所述非线性关系为与基线的距离越小，则健康值接近于1，代表非常健康；反之，则健康值接近于0，代表性能衰退到最低状态。
4.如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述步骤4中的所述高维特征的降维采用拉普拉斯特征值映射，具体为[Y0,Y1,…,Yk-1]＝LEM([X1,X2,…,Xm])，其中[X1,X2,…,Xm]为样本数据集的m维样本数据，[Y0,Y1,…,Yk-1]为经过拉普拉斯特征值映射降维后的k维数据，k<m。
5.如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述健康值的评估结果是以性能对正常状态的偏离可信度作取值范围为[0,1]的量化指标。
6.如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述传感器信号的采集不影响数控机床的动态生产加工过程。
7.如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，将马氏距离映射为所述健康值。
8.如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述传感器信号直接通过TCP/IP协议从数控系统中读取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610032369.XA CN105718876B (zh) | 2016-01-18 | 2016-01-18 | 一种滚珠丝杠健康状态的评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610032369.XA CN105718876B (zh) | 2016-01-18 | 2016-01-18 | 一种滚珠丝杠健康状态的评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105718876A CN105718876A (zh) | 2016-06-29 |
| CN105718876B true CN105718876B (zh) | 2018-12-25 |
Family
ID=56147275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610032369.XA Expired - Fee Related CN105718876B (zh) | 2016-01-18 | 2016-01-18 | 一种滚珠丝杠健康状态的评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105718876B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107144250B (zh) * | 2017-05-27 | 2019-04-05 | 中国石油大学(北京) | 在线测量往复机械传动链间隙量的方法及装置 |
| CN110082099B (zh) * | 2018-01-25 | 2021-03-02 | 上银科技股份有限公司 | 滚珠传动组件预压力诊断方法 |
| CN110108486B (zh) * | 2018-01-31 | 2022-07-05 | 阿里巴巴集团控股有限公司 | 轴承故障预测方法、设备及系统 |
| CN108549741B (zh) * | 2018-03-07 | 2021-06-11 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
| CN108549967B (zh) * | 2018-03-07 | 2021-05-25 | 上海交通大学 | 盾构机刀盘性能健康评估方法与系统 |
| CN108595495B (zh) | 2018-03-15 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 预测异常样本的方法和装置 |
| CN109359469A (zh) * | 2018-10-16 | 2019-02-19 | 上海电力学院 | 一种工业控制系统的信息安全风险评估方法 |
| CN109359873B (zh) * | 2018-10-24 | 2021-04-20 | 哈工大机器人（山东）智能装备研究院 | 一种基于pca-t2的滚珠丝杠副健康评估方法 |
| CN109141625B (zh) * | 2018-10-24 | 2020-10-02 | 哈工大机器人（山东）智能装备研究院 | 一种滚珠丝杠副的在线状态监测方法 |
| CN109255201B (zh) * | 2018-10-24 | 2023-07-14 | 哈工大机器人（山东）智能装备研究院 | 一种基于som-mqe的滚珠丝杠副健康评估方法 |
| CN110516659A (zh) * | 2019-09-10 | 2019-11-29 | 哈工大机器人（山东）智能装备研究院 | 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 |
| CN110781612A (zh) * | 2019-11-14 | 2020-02-11 | 哈工大机器人（山东）智能装备研究院 | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 |
| CN111259730B (zh) * | 2019-12-31 | 2022-08-23 | 杭州安脉盛智能技术有限公司 | 一种基于多变量状态估计的状态监测方法及系统 |
| CN112270095B (zh) * | 2020-10-29 | 2022-05-03 | 电子科技大学 | 一种大尺寸铝合金零件生产线健康状态评估方法 |
| CN112507479B (zh) * | 2020-11-19 | 2022-03-15 | 电子科技大学 | 一种基于流形学习和softmax的石油钻机健康状态评估方法 |
| CN113792610A (zh) * | 2020-11-26 | 2021-12-14 | 上海智能制造功能平台有限公司 | 一种谐波减速器健康评估方法及装置 |
| CN112486096A (zh) * | 2020-12-09 | 2021-03-12 | 中国兵器装备集团自动化研究所 | 一种机床运行状态的监控方法 |
| CN112621381B (zh) * | 2020-12-25 | 2022-07-26 | 上海交通大学 | 机床进给系统健康状态智能评估方法及装置 |
| CN112763056A (zh) * | 2020-12-29 | 2021-05-07 | 上海交大智邦科技有限公司 | 用于数控机床系统状态在线实时监测与评估的方法及系统 |
| CN113673371B (zh) * | 2021-07-30 | 2024-04-05 | 河南工业大学 | 基于振动信号的滚珠丝杠副正反向换向点识别方法及系统 |
| CN117451348A (zh) * | 2023-12-26 | 2024-01-26 | 宁德时代新能源科技股份有限公司 | 丝杆设备检测方法、装置、电子设备和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090097772A1 (en) * | 2007-10-12 | 2009-04-16 | Microsoft Corporation | Laplacian Principal Components Analysis (LPCA) |
| CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
-
2016
- 2016-01-18 CN CN201610032369.XA patent/CN105718876B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090097772A1 (en) * | 2007-10-12 | 2009-04-16 | Microsoft Corporation | Laplacian Principal Components Analysis (LPCA) |
| CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于拉普拉斯特征映射的滚动轴承故障识别;黄宏臣等;《振动与冲击》;20150315;第34卷(第5期);第128-134页 * |
| 基于马氏距离的液体火箭发动机稳态过程故障程度评估方法;张翔等;《计算机测量与控制》;20150830;第23卷(第8期);第2745-2748页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105718876A (zh) | 2016-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105718876B (zh) | 一种滚珠丝杠健康状态的评估方法 | |
| CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
| Xu et al. | Deep learning-based tool wear prediction and its application for machining process using multi-scale feature fusion and channel attention mechanism | |
| Deng et al. | Prognostic study of ball screws by ensemble data-driven particle filters | |
| Jin et al. | Automatic feature extraction of waveform signals for in-process diagnostic performance improvement | |
| CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
| Soualhi et al. | Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing | |
| Xue et al. | Feature extraction using hierarchical dispersion entropy for rolling bearing fault diagnosis | |
| CN103291600B (zh) | 一种基于emd-ar和mts的液压泵故障诊断方法 | |
| CN104634571A (zh) | 一种基于lcd-mf的滚动轴承故障诊断方法 | |
| CN109710955B (zh) | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 | |
| CN105033763A (zh) | 一种数控机床滚珠丝杠磨损状态的预测方法 | |
| CN112781820B (zh) | 一种滚刀性能退化趋势评估方法 | |
| Butler et al. | Condition monitoring of machine tool feed drives: A review | |
| CN115409067A (zh) | 一种数控机床组件剩余寿命预测方法 | |
| CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
| Nentwich et al. | Towards data acquisition for predictive maintenance of industrial robots | |
| Weng et al. | A novel hierarchical transferable network for rolling bearing fault diagnosis under variable working conditions | |
| Liang et al. | Prediction of spindle rotation error through vibration signal based on Bi-LSTM classification network | |
| Zhao et al. | Condition prediction based on wavelet packet transform and least squares support vector machine methods | |
| Shanling et al. | Real-time rubber quality model based on CNN-LSTM deep learning theory | |
| CN116383750A (zh) | 一种基于加窗差分健康指标的滚动轴承早期异常检测方法 | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| CN114800036A (zh) | 一种设备健康状态评估方法 | |
| Hazra et al. | Gearbox fault detection using synchro-squeezing transform |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181225 |