CN109000924B - 一种基于k均值的滚珠丝杠副状态监测方法 - Google Patents
一种基于k均值的滚珠丝杠副状态监测方法 Download PDFInfo
- Publication number
- CN109000924B CN109000924B CN201811241646.3A CN201811241646A CN109000924B CN 109000924 B CN109000924 B CN 109000924B CN 201811241646 A CN201811241646 A CN 201811241646A CN 109000924 B CN109000924 B CN 109000924B
- Authority
- CN
- China
- Prior art keywords
- sample
- screw pair
- ball screw
- value
- monitoring
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Complex Calculations (AREA)
Abstract
一种基于K均值的滚珠丝杠副状态监测方法属于丝杠监测领域;包括采集滚珠丝杠副的原始振动信号;根据振动信号进行特征提取和特征选择;对所述特征值进行标准化;利用已有的全生命周期的丝杠历史数据进行K均值训练,模拟出的聚类中心M作为状态监测的初始凝聚点;每加入一个新样本xk,与前k‑1个样本存入Xk中,分别计算Xk与M中的每个凝聚点的距离,找出距离最小的凝聚点及其标签,将该样本归到此标签类中;更新凝聚点M,即类内点的平均值;画出每个样本所在类的标签,并用不同颜色区别不同状态,直到设备发生故障无法提取数据;本发明将分类标签作为状态监测的结果,不同的标签表示不同的健康状态,本发明克服了原始方法的数据依赖性的技术问题。
Description
技术领域
本发明属于丝杠监测领域,尤其涉及一种基于K均值的滚珠丝杠副状态监测方法。
背景技术
随着装备智能化水平的不断提高,以及人工智能技术的飞速发展,PHM系统被广泛地应用在设备的各项状态监测和健康管理中。而设备的状态监测作为定位设备状态变化的重要环节,对于后续的故障诊断和设备维护至关重要。状态监测的过程是设备自身健康状态的变化过程,一般情况下,将设备的状态分为三个阶段,健康状态、退化(过渡)状态、失效(故障)状态。健康状态的变化往往代表设备开始出现退化或者故障,需要用户提前维护或更换设备。
针对状态监测的方法很多,一般情况下的方法是基于历史数据的,通过模拟大量的历史数据储存结果,且历史数据需要包含所有状态的数据,以相似性高的数据作为匹配结果,从而达到状态监测和预测的结果;基于历史数据的状态监测方法过分依赖数据库的大小,并且通过匹配历史数据找相似性高的作为监测结果和预测方向,使得监测结果误差较大,更不能包含所有情况的结果。
发明内容
本发明克服了上述现有技术的不足,提供一种基于K均值的滚珠丝杠副状态监测方法,通过一套相同设备的历史数据训练出分类的初始凝聚点,然后以此凝聚点为起始点,每进入一个新的样本就判断其到凝聚点的距离,找出距离最近的凝聚点,然后将新样本归类并更新凝聚点坐标,本发明将分类标签作为状态监测的结果,不同的标签表示不同的健康状态。本发明克服了原始方法的数据依赖性,新增了初始凝聚点的训练过程,提高了状态监测的精度,打破了时间范围的束缚,可以实时地显示健康状态。
本发明的技术方案:
一种基于K均值的滚珠丝杠副状态监测方法,包括下列步骤:
步骤a、采集滚珠丝杠副的原始振动信号;
步骤b、根据振动信号进行特征提取,提取的特征以特征值矩阵的形式存储,通过特征选择,选出对于丝杠副退化贡献程度大的特征;
步骤c、对所述特征值进行标准化,公式如下:
步骤d、利用已有的全生命周期的丝杠历史数据进行K均值训练,模拟出的聚类中心M作为状态监测的初始凝聚点;
步骤e、每加入一个新样本xk,与前k-1个样本存入Xk中,分别计算Xk与M中的每个凝聚点的距离,找出距离最小的凝聚点及其标签,将该样本归到此标签类中;
步骤f、更新凝聚点M,更新机制为求出各个新分类的中心,即类内点的平均值;
步骤g、画出每个样本所在类的标签,并用不同颜色区别不同状态,重复步骤e和步骤f,直到设备发生故障无法提取数据。
进一步地,所述特征值矩阵包括均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。
进一步地,所述特征选择采用Fisher准则或者主成分分析。
进一步地,采集所述原始振动信号一次为一个样本,对每个新加入的样本都进行一次特征提取。
进一步地,所述K均值训练包括将提取的丝杠历史数据进行K均值聚类,聚类的结果为分成三类,对所分的三类分别求中心点,即为训练出的初始凝聚点;初始凝聚点有三个,分别为1-健康、2-退化、3-失效。
本发明相对于现有技术具有以下有益效果:
本发明提供了一种基于K均值的滚珠丝杠副状态监测方法,通过一套相同设备的历史数据训练出分类的初始凝聚点,然后以此凝聚点为起始点,每进入一个新的样本就判断其到凝聚点的距离,找出距离最近的凝聚点,然后将新样本归类并更新凝聚点坐标,本发明将分类标签作为状态监测的结果,不同的标签表示不同的健康状态。本发明克服了原始方法的数据依赖性,新增了初始凝聚点的训练过程,提高了状态监测的精度,打破了时间范围的束缚,可以实时地显示健康状态。
附图说明
图1是本发明流程图;
图2是本发明效果图。
具体实施方式
以下将结合附图对本发明进行详细说明。
一种基于K均值的滚珠丝杠副状态监测方法,如图1所示,包括下列步骤:
步骤a、采集滚珠丝杠副的原始振动信号;
步骤b、根据振动信号进行特征提取,提取的特征以特征值矩阵的形式存储,通过特征选择,选出对于丝杠副退化贡献程度大的特征;
步骤c、对所述特征值进行标准化,公式如下:
步骤d、利用已有的全生命周期的丝杠历史数据进行K均值训练,模拟出的聚类中心M作为状态监测的初始凝聚点;
步骤e、每加入一个新样本xk,与前k-1个样本存入Xk中,然后分别计算Xk与M中的每个凝聚点的距离,找出距离最小的凝聚点及其标签,最后将该样本归到此标签类中;
步骤f、更新凝聚点M,更新机制为求出各个新分类的中心,即类内点的平均值;
步骤g、画出每个样本所在类的标签,并用不同颜色区别不同状态,重复步骤e和步骤f,直到设备发生故障无法提取数据。
具体地,所述特征值矩阵包括均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。
具体地,所述特征选择采用Fisher准则或者主成分分析。
具体地,采集所述原始振动信号一次为一个样本,对每个新加入的样本都进行一次特征提取。
具体地,所述K均值训练包括将提取的丝杠历史数据进行K均值聚类,聚类的结果为分成三类,对所分的三类分别求中心点,即为训练出的初始凝聚点;初始凝聚点有三个,分别为1-健康、2-退化、3-失效。
特征提取包括利用原始振动信号通过公式求解时域特征(如均方根、方差、最大值、最小值等),通过快速傅里叶变换,将时域信号转到频域上,利用频域特征公式求出频域特征(如平均频率、中心频率、频率均方根、频率标准差等);
Fisher准则:鉴别性能较强的特征表现为类内距离尽可能小,类间距离尽可能大。这里采用Fisher得分值来作为准则,对特征进行排序,选出那些Fisher得分高的特征值,它们的鉴别性能相对较强,更能反映总体数据的信息。
主成分分析:PCA是通过对原始数据进行主成分分析,选出累计贡献率大于90%的前k个主成分,它反映了解释原始信息的能力;然后求出主成分在每个特征变量上的载荷,反映了特征变量对主成分的重要程度;最后贡献率和载荷的乘积表示每个特征值综合原始信息的能力并排序,选出最大的前几个特征值作为最有效的特征参数。
训练凝聚点使设备在经历从健康到退化再到失效的过程中,其特征值的数量值或者数量级也因为状态的改变发生较大改变,相同类型的设备在这三个阶段的特征值与训练出的凝聚点具有相同或相近的数量级,因此作为实时数据的初始凝聚点具有合理的数理意义。
由此所做的各样本的分类标签即为对各样本的实时状态监测,状态监测的结果显示了当前样本所处的健康状态,有助于用户实时监控设备的运行状态,并及时采取相应措施以应对设备退化或失效对整体工作流程的影响。
在测试的过程中,本发明采用了两套全生命周期丝杠数据,由第一套训练出初始凝聚点,再根据初始凝聚点对第二套数据实时状态监测。如图2所示,可以清晰地暗处测试结果为,当时间在700小时左右时,设备开始出现退化,当时间在970小时左右时,设备开始失效或故障,图中分成三种状态,横坐标上的线表示健康,中间的横线表示退化,最上的点表示失效或故障。
本发明提供了一种基于K均值的状态监测的方法,提取了滚珠丝杠副的振动信号,经过一系列预处理操作后得到其特征值矩阵,首先利用一组历史数据训练出初始凝聚点,然后结合实时样本数据进行K均值聚类,得到分类标签后,对新类的凝聚中心进行更新,将得到的新凝聚点作为初始凝聚点重复上述步骤,最后将各样本的分类标签逐一显示出来,从而实现了对样本的实时状态监测。
本发明一方面,克服了匹配相似度高的历史数据而造成的误差大的问题,提高了监测精度;另一方面,打破了时间域上的限制,实现了对样本的实时监测;另外,因为K均值的过程就是不断迭代与优化的过程,因此,当数据量很大时,初始凝聚点的选择直接影响到了算法的整体效率。所以,算法的设计中加入了对初始凝聚点的训练,利用丝杠的历史数据进行一次K均值聚类,将最终得到的凝聚点(类中心坐标)提取使用,有利于提高算法的整体精度和运行效率。
Claims (4)
1.一种基于K均值的滚珠丝杠副状态监测方法,其特征在于,包括下列步骤:
步骤a、采集滚珠丝杠副的原始振动信号;
步骤b、根据振动信号进行特征提取,提取的特征以特征值矩阵的形式存储,通过特征选择,选出对于丝杠副退化贡献程度大的特征;
步骤c、对所述特征值进行标准化,公式如下:
步骤d、利用已有的全生命周期的丝杠历史数据进行K均值训练,模拟出的聚类中心M作为状态监测的初始凝聚点;所述K均值训练包括将提取的丝杠历史数据进行K均值聚类,聚类的结果为分成三类,对所分的三类分别求中心点,即为训练出的初始凝聚点;初始凝聚点有三个,分别为1-健康、2-退化、3-失效;
步骤e、每加入一个新样本xk,与前k-1个样本存入Xk中,然后分别计算Xk与M中的每个凝聚点的距离,找出距离最小的凝聚点及其标签,最后将该样本归到此标签类中;
步骤f、更新凝聚点M,更新机制为求出各个新分类的中心,即类内点的平均值;
步骤g、画出每个样本所在类的标签,并用不同颜色区别不同状态,重复步骤e和步骤f,直到设备发生故障无法提取数据。
2.根据权利要求1所述一种基于K均值的滚珠丝杠副状态监测方法,其特征在于,所述特征值矩阵包括均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。
3.根据权利要求2所述一种基于K均值的滚珠丝杠副状态监测方法,其特征在于,所述特征选择采用Fisher准则或者主成分分析。
4.根据权利要求3所述一种基于K均值的滚珠丝杠副状态监测方法,其特征在于,采集所述原始振动信号一次为一个样本,对每个新加入的样本都进行一次特征提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811241646.3A CN109000924B (zh) | 2018-10-24 | 2018-10-24 | 一种基于k均值的滚珠丝杠副状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811241646.3A CN109000924B (zh) | 2018-10-24 | 2018-10-24 | 一种基于k均值的滚珠丝杠副状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109000924A CN109000924A (zh) | 2018-12-14 |
CN109000924B true CN109000924B (zh) | 2020-05-01 |
Family
ID=64590371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811241646.3A Active CN109000924B (zh) | 2018-10-24 | 2018-10-24 | 一种基于k均值的滚珠丝杠副状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109000924B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115014759A (zh) * | 2022-04-29 | 2022-09-06 | 南通市恒瑞精密机械制造有限公司 | 一种滚珠丝杠副的实时健康状态检测方法 |
CN114611633B (zh) * | 2022-05-10 | 2022-07-29 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种电磁阀的健康监测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004038622B3 (de) * | 2004-08-09 | 2006-05-18 | Siemens Ag | Ermittlungsverfahren für eine tatsächliche Absolutlage eines relativ zu einem Grundelement bewegbaren Zusatzelements, korrespondierendes Erstellverfahren für eine Korrekturwerttabelle, korrespondierende Ermittlungseinrichtung und Speichereinrichtung, in der eine Korrekturwerttabelle hinterlegt ist |
CN103234767B (zh) * | 2013-04-21 | 2016-01-06 | 苏州科技学院 | 基于半监督流形学习的非线性故障检测方法 |
CN104239900B (zh) * | 2014-09-11 | 2017-03-29 | 西安电子科技大学 | 基于k均值和深度svm的极化sar图像分类方法 |
CN105487009A (zh) * | 2015-11-19 | 2016-04-13 | 上海电机学院 | 基于k均值的RBF神经网络算法的电机故障诊断方法 |
-
2018
- 2018-10-24 CN CN201811241646.3A patent/CN109000924B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109000924A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN110503004B (zh) | 一种开关电源运行状态的在线判别方法 | |
CN102112933B (zh) | 异常检测方法及系统 | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN111367777B (zh) | 告警处理的方法、装置、设备及计算机可读存储介质 | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN109000924B (zh) | 一种基于k均值的滚珠丝杠副状态监测方法 | |
CN108256738A (zh) | 道岔动作参考曲线选取方法及其应用 | |
CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
CN109239669A (zh) | 一种基于深度学习的自进化雷达目标检测算法 | |
CN111611961A (zh) | 一种基于变点分段与序列聚类的谐波异常识别方法 | |
CN111122162A (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN112507479A (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN115273791A (zh) | 一种基于声学特征驱动的工业装备故障检测方法及装置 | |
CN111239484A (zh) | 一种非居民用户非侵入式负荷用电信息采集方法 | |
CN116304551A (zh) | 一种基于bcb模型的电机轴承故障诊断及特征提取方法 | |
CN110543675A (zh) | 一种输电线路故障识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |