CN108544303A - 一种数控机床主轴故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种数控机床主轴故障诊断方法及系统，该方法包括：采集数控机床主轴不同状态信号；对所述状态信号进行窗截取分析，提取信号特征的分形维数，得到数控机床主轴各状态的特征值；利用预处理及特征提取后的状态特征作为BP神经网络的训练样本集搭建故障诊断模型；利用故障诊断模型对数控机床主轴故障进行诊断。该装置包括依次连接的：传感器、预处理及特征提取单元、故障诊断模型搭建单元以及故障诊断单元。本发明的数控机床主轴故障诊断方法及系统，实现了数控机床主轴故障的智能诊断，从而减少了机床主轴故障率，提高了经济效益。

Description

一种数控机床主轴故障诊断方法及系统

技术领域

本发明涉及故障诊断领域，特别涉及一种数控机床主轴故障诊断方法及系统。

背景技术

主轴是数控机床的重要核心部件，它支撑并带动工件或刀具完成表面成形运动，同时还起着传递运动和扭矩，承受切削力和驱动力等载荷的作用，其运行的稳定性在数控机床中占据着重要作用。在高速、高加速度和大载荷等工况下，振动冲击等因素常常会对机床主轴系统产生重大影响，并易导致轴承齿轮等部件发生故障，如不能及时正确地对其进行故障诊断及维修，将直接影响到工件的加工精度，刀具寿命与加工效率，甚至造成机床的意外停机、寿命缩短甚至报废，产生巨大经济损失。因此，有必要找到一种故障诊断方法，及时发现故障特征做出诊断与维修。

申请号为：201510533166.4的中国专利公开了一种数控机床主轴的故障诊断与预测方法，该方法将监测信号通过数据处理中心存储到数据库内，通过混合推理模型对测量数据进行时域分析和频域分析，得到主轴的特征参数点集合，通过数控机床主轴的结构形式，集合参数和设计参数建立数控机床主轴的物理模型，在结合物理模型参数与主轴的特征参数点集合进行分析，进行主轴故障诊断，诊断结果样本分类为正负样本。根据数控机床主轴的物理模型，建立个机床主轴的健康档案，混合推理模型根据正负样本和健康档案对主轴运行趋势进行判断，实现故障预测。该诊断方法阐述更多的是基于物理模型的诊断方法，在实际情况下难以建立精确的物理模型，对系统结构和参数的不确定性、时变性和干扰所造成的影响难以预料，进而会严重影响模型的故障诊断性能。

发明内容

本发明针对上述现有技术中存在的问题，提出一种数控机床主轴故障诊断方法及系统，实现了数控机床主轴故障的智能诊断，从而减少了机床主轴故障率，提高了经济效益。

为解决上述技术问题，本发明是通过如下技术方案实现的：

本发明提供一种数控机床主轴故障诊断方法，其包括以下步骤：

S11：采集数控机床主轴不同状态信号；

S12：对所述状态信号进行窗截取分析预处理，提取信号特征的分形维数，得到数控机床主轴各状态的特征值；

S13：将所述数控机床主轴各状态的特征值作为BP神经网络的训练样本集搭建故障诊断模型；

S14：利用所述故障诊断模型对数控机床主轴故障进行诊断。

较佳地，所述步骤S12具体包括：

S121：对所述状态信号进行窗截取分析；

S122：对窗截取分析后的所述状态信号采用小波分形方法提取信号特征的分形维数；

S123：对所述分形维数进行归一化，得到数控机床主轴各状态的特征值。

较佳地，所述步骤S13和步骤S14之间还包括：

S15：测试所述故障诊断模型的状态识别能力。

较佳地，所述步骤S15具体包括：

S151：准备测试样本集；

S152：将所述测试样本集输入所述故障诊断模型，得到所述故障诊断模型的实际输出，与所述故障诊断模型的理想输出进行对比，得到所述故障诊断模型的故障性能测试与评价结果。

本发明还提供一种数控机床主轴故障诊断系统，其包括传感器、预处理及特征提取单元、故障诊断模型搭建单元以及故障诊断单元；其中，

所述传感器用于采集数控机床主轴不同状态信号；

所述预处理及特征提取单元用于对所述状态信号进行预处理及特征提取；

所述故障诊断模型搭建单元用于利用预处理及特征提取后的状态特征作为BP神经网络的训练样本集搭建故障诊断模型；

所述故障诊断单元用于利用所述故障诊断模型对数控机床主轴故障进行诊断。

较佳地，所述预处理及特征提取单元包括预处理单元以及特征提取单元；其中，

所述预处理单元用于对所述状态信号进行窗截取分析；

所述特征提取单元用于对窗截取分析后的所述状态信号采用小波分形方法提取信号特征的分形维数；并对所述分形维数进行归一化，得到数控机床主轴各状态的特征值。

较佳地，还包括：测试单元，所述测试单元连接于所述故障诊断模型搭建单元与所述故障诊断单元之间；

所述测试单元用于测试所述故障诊断模型的状态识别能力。

较佳地，所述测试单元包括测试样本集准备单元以及故障性能测试单元；其中，

所述测试样本集准备单元用于准备测试样本集；

所述故障性能测试单元用于将所述测试样本集输入所述故障诊断模型，得到所述故障诊断模型的实际输出，与所述故障诊断模型的理想输出进行对比，得到所述故障诊断模型的故障性能测试与评价结果。

相较于现有技术，本发明具有以下优点：

(1)本发明的数控机床主轴故障诊断方法及系统，为基于数据驱动的故障诊断，利用BP神经网络对主轴状态特征进行训练与学习，为识别主轴的不同状态类型提供条件，实现了数控机床主轴故障的智能诊断，从而减少了机床主轴故障率，提高了经济效益；

(2)本发明的数控机床主轴故障诊断方法及系统，在故障诊断的时候，通过对不同状态信号窗截取分割，减小单个样本冗余量，增加样本总量，有利于样本的数据清理、离群值剔除，并且能够对机床主轴各状态的特征进行有效提取，减少诊断所需的信息量，提高了诊断速度和诊断精度；

(3)本发明的数控机床主轴故障诊断方法及系统，由小波分形方法获得机床主轴各状态的特征值，这种方法不仅保证了机床主轴状态信号的本质特征的提取，也使得各状态特征值有较明显的差异性，从而提高了模型的状态识别能力。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

下面结合附图对本发明的实施方式作进一步说明：

图1为本发明的实施例的数控机床主轴故障诊断方法的流程图；

图2为本发明的实施例的数控机床主轴故障诊断方法的简单工作示意图；

图3为本发明的实施例的数控机床主轴故障诊断系统的结构示意图。

标号说明：1-传感器，2-预处理及特征提取单元，3-故障诊断模型搭建单元，4-故障诊断单元。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

结合图1-2，本实施例对本发明的数控机床主轴故障诊断方法进行详细描述，其流程图如图1所示，包括以下步骤：

S11：采集数控机床主轴不同状态信号；

S12：对状态信号进行窗截取分析预处理及特征提取；

S13：利用预处理及特征提取后的状态特征作为BP神经网络的训练样本集搭建故障诊断模型；

S14：利用故障诊断模型对数控机床主轴故障进行诊断。

如图2所示为其简单工作示意图，具体地，步骤S11为：利用工控机，结合LabVIEW利用传感器对数控机床主轴不同状态信号进行采集，将采集到的模拟信号进行相应的A/D转换，处理成需要的数字信号。

具体地，步骤S12包括：

S121：对状态信号进行窗截取分析；

对信号数据窗截取分割，减小单个样本冗余量，增加样本总量，不仅有利于数据前期处理，也增加了预测结果的准确性。

S122：对窗截取分析后的状态信号采用小波分形方法提取信号特征的分形维数；

首先，对信号进行小波变换，得到不同尺度j下的细节信号coef_j，计算不同尺度下各细节信号的方差var(coef_j)，再取对数log₂[var(coef_j)]，对log₂[var(coef_j)]这些点采用最小二乘法进行直线拟合，计算直线的斜率β。

然后，利用斜率计算表征信号自相似属性的H值：H＝(β-1)/2，最后利用自相似属性H值计算出表征信号复杂程度的分形维数D：D＝2-H。

S123：对分形维数进行归一化，得到数控机床主轴各状态的特征值。

具体地，步骤S13为：将数控机床主轴各状态类型的归一化分形维数构成的训练样本作为第一层网络输入信号，采用三层BP神经网络，输出信号为状态类型对应的标签数据，确定训练误差值，当误差范围小于或等于误差值时，训练停止，得到故障诊断模型。

较佳实施例中，步骤S13和步骤S14之间还包括：S15：测试故障诊断模型的状态识别能力。

具体地，步骤S15包括：

S151：准备测试样本集

本实施例中，取测试样本数为320，其中80为正常状态样本，另外三种不同故障状态样本，每种状态80组；

S152：依次连续输入测试样本的数据段，得到故障诊断模型的实际输出，与故障诊断模型的理想输出进行对比，即得到故障诊断模型的故障性能测试与评价结果。

结合上述的技术描述，在一数控机床主轴故障诊断方法的具体应用实例中，可以参照以下操作进行，该实例仅仅是为了更好本发明所述数控机床主轴故障诊断方法，并不用来限制本发明。具体的：

1)利用工控机，结合LabVIEW对机床主轴传感器信号进行采集，将采集到的模拟信号进行相应的A/D转换，处理成需要的数字信号。

2)利用传感器采集到的机床主轴不同状态信号，对状态信号采用小波分形方法提取信号特征的分形维数。

首先，对信号进行小波变换，得到不同尺度j下的细节信号coef_j，计算不同尺度下各细节信号的方差var(coef_j)，再取对数log₂[var(coef_j)]，对log₂[var(coef_j)]这些点采用最小二乘法进行直线拟合，计算直线的斜率β。

利用斜率计算表征信号自相似属性的H值：H＝(β-1)/2，最后利用自相似属性H值计算出表征信号复杂程度的分形维数D：D＝2-H，对分形维数进行归一化，得出机床主轴各状态的特征值。

对每一种机床主轴状态类型的归一化分形维数，采用不低于120组的数据构成各自训练样本。

3)将机床主轴各状态类型的归一化分形维数构成的训练样本作为第一层网络输入信号，采用三层BP神经网络，输出信号为状态类型对应的标签数据，确定训练误差值，当误差范围小于或等于误差值时，训练停止。

4)利用神经网络建立识别模型，输入测试样本的数据段，得到模型输出值，从而确定测试集的机床主轴状态信息。

本例中，可以取测试样本数为320，其中80为正常状态样本，另外三种不同故障状态样本，每种状态80组。

测试诊断模型的状态识别能力:依次连续输入测试样本的数据段，得到模型的实际输出量，与模型的理想输出进行对比，即得到故障诊断模型的故障性能测试与评价结果。通过本列可以发现，本发明在故障诊断的时候，能够对机床主轴各状态的特征进行有效提取，各状态的特征值差异性较为显著，减少诊断所需的信息量，提高了诊断速度和诊断精度。

结合图3，对本发明的数控机床主轴故障诊断系统的一实施例进行详细描述，包括依次连接的：传感器1、预处理及特征提取单元2、故障诊断模型搭建单元3以及故障诊断单元4。其中，传感器1用于采集数控机床主轴不同状态信号；预处理及特征提取单元2用于对状态信号进行预处理及特征提取；故障诊断模型搭建单元3用于利用预处理及特征提取后的状态特征作为BP神经网络的训练样本集搭建故障诊断模型；故障诊断单元4用于利用故障诊断模型对数控机床主轴故障进行诊断。

具体地，预处理及特征提取单元2包括相互连接的：预处理单元以及特征提取单元；其中，预处理单元用于对状态信号进行窗截取分析；特征提取单元用于对窗截取分析后的状态信号采用小波分形方法提取信号特征的分形维数；并对分形维数进行归一化，得到数控机床主轴各状态的特征值。

较佳实施例中，还包括：测试单元，其连接于故障诊断模型搭建单元与故障诊断单元之间，用于测试故障诊断模型的状态识别能力。较佳地，测试单元包括相互连接的：测试样本集准备单元以及故障性能测试单元；其中，测试样本集准备单元用于准备测试样本集；故障性能测试单元用于将测试样本集输入故障诊断模型，得到故障诊断模型的实际输出，与故障诊断模型的理想输出进行对比，得到故障诊断模型的故障性能测试与评价结果。

需要说明的是，本发明提供的所述数控机床主轴故障诊断方法中的步骤，可以利用所述数控机床主轴故障诊断系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统中的实施例可理解为实现所述方法的优选例，在此不予赘述。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

需要说明的是，本发明的说明书及其附图中给出了本发明的较佳的实施方式，但是，本发明可以通过许多不同的形式来实现，并不限于本说明书所描述的实施方式，这些实施方式不作为对本发明内容的额外限制，提供这些实施方式的目的是使对本发明的公开内容的理解更加透彻全面。并且，上述各技术特征继续相互组合，形成未在上面列举的各种实施方式，均视为本发明说明书记载的范围；进一步地，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种数控机床主轴故障诊断方法，其特征在于，包括以下步骤：

S11：采集数控机床主轴不同状态信号；

S12：对所述状态信号进行窗截取分析，提取信号特征的分形维数，得到数控机床主轴各状态的特征值；

S13：将所述数控机床主轴各状态的特征值作为BP神经网络的训练样本集搭建故障诊断模型；

S14：利用所述故障诊断模型对数控机床主轴故障进行诊断。

2.根据权利要求1所述的数控机床主轴故障诊断方法，其特征在于，所述步骤S12具体包括：

S121：对所述状态信号进行窗截取分析；

S122：对窗截取分析后的所述状态信号采用小波分形方法提取信号特征的分形维数；

S123：对所述分形维数进行归一化，得到数控机床主轴各状态的特征值。

3.根据权利要求2所述的数控机床主轴故障诊断方法，其特征在于，对所述状态信号进行窗截取分析，具体为：

对信号进行小波变换，得到不同尺度j下的细节信号coef_j，计算不同尺度下各细节信号的方差var(coef_j)，再取对数log₂[var(coef_j)]，对log₂[var(coef_j)]这些点采用最小二乘法进行直线拟合，计算直线的斜率β。

4.根据权利要求3所述的数控机床主轴故障诊断方法，其特征在于，所述S122，利用斜率计算表征信号自相似属性的H值：H＝(β-1)/2，最后利用自相似属性H值计算出表征信号复杂程度的分形维数D：D＝2-H。

5.根据权利要求1所述的数控机床主轴故障诊断方法，其特征在于，所述步骤S13和步骤S14之间还包括：

S15：测试所述故障诊断模型的状态识别能力。

6.根据权利要求5所述的数控机床主轴故障诊断方法，其特征在于，所述步骤S15具体包括：

S151：准备测试样本集；

S152：将所述测试样本集输入所述故障诊断模型，得到所述故障诊断模型的实际输出，与所述故障诊断模型的理想输出进行对比，得到所述故障诊断模型的故障性能测试与评价结果。

7.一种数控机床主轴故障诊断系统，其特征在于，包括传感器、预处理及特征提取单元、故障诊断模型搭建单元以及故障诊断单元；其中，

所述传感器用于采集数控机床主轴不同状态信号；

所述预处理及特征提取单元用于对所述状态信号进行窗截取分析，提取信号特征的分形维数，得到数控机床主轴各状态的特征值；

所述故障诊断模型搭建单元用于将所述数控机床主轴各状态的特征值作为BP神经网络的训练样本集搭建故障诊断模型；

所述故障诊断单元用于利用所述故障诊断模型对数控机床主轴故障进行诊断。

8.根据权利要求7所述的数控机床主轴故障诊断系统，其特征在于，所述预处理及特征提取单元包括预处理单元以及特征提取单元；其中，

所述预处理单元用于对所述状态信号进行窗截取分析；

所述特征提取单元用于对窗截取分析后的所述状态信号采用小波分形方法提取信号特征的分形维数；并对所述分形维数进行归一化，得到数控机床主轴各状态的特征值。

9.根据权利要求7所述的数控机床主轴故障诊断系统，其特征在于，还包括：测试单元，所述测试单元连接于所述故障诊断模型搭建单元与所述故障诊断单元之间；

所述测试单元用于测试所述故障诊断模型的状态识别能力。

10.根据权利要求9所述的数控机床主轴故障诊断系统，其特征在于，所述测试单元包括测试样本集准备单元以及故障性能测试单元；其中，

所述测试样本集准备单元用于准备测试样本集；

所述故障性能测试单元用于将所述测试样本集输入所述故障诊断模型，得到所述故障诊断模型的实际输出，与所述故障诊断模型的理想输出进行对比，得到所述故障诊断模型的故障性能测试与评价结果。