CN109141625B - 一种滚珠丝杠副的在线状态监测方法 - Google Patents
一种滚珠丝杠副的在线状态监测方法 Download PDFInfo
- Publication number
- CN109141625B CN109141625B CN201811241647.8A CN201811241647A CN109141625B CN 109141625 B CN109141625 B CN 109141625B CN 201811241647 A CN201811241647 A CN 201811241647A CN 109141625 B CN109141625 B CN 109141625B
- Authority
- CN
- China
- Prior art keywords
- label
- normal
- data
- failure
- samples
- 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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种滚珠丝杠副的在线状态监测方法属于机械技术领域;包括在丝杠副系统两端轴承支座以及丝母上分别安装均为三通道的振动传感器,在线阶段,每隔1分钟采集15秒的振动信号数据,每15秒的振动信号数据为一个样本;通过小波降噪进行预处理、特征提取和降维处理;当样本数量达到10个时,输入到训练好的模型中,输出为正常样本与失效样本对应的标签;通过模型输出的正常标签与失效标签的比例来监测丝杠的运行状态;当丝杠出现临界退化或者失效时,就会触发报警系统,并定位到相对应的部件;本发明能够在线监测丝杠系统的运行状态,从而避免了设备的故障停机,保证设备安全高效的运行,提高设备的完好率以及任务的完成率,增加企业的经济效益。
Description
技术领域
本发明属于机械技术领域,尤其涉及一种滚珠丝杠副的在线状态监测方法。
背景技术
伴随着工业化水平的不断提高,以及智能制造技术的不断进步,设备的状态监测逐渐研究热点。设备的状态监测是设备健康管理与故障预测的重要组成部分。设备的状态监测能够实时监测其运行状况,从而在故障发生之前,正确反映其运行的健康状况。滚珠丝杠作为一种重要的传动部件,在数控机床以及其他工业设备中应用广泛。其安全正常运行对于加工零件的质量以及加工效率有着重要的影响。因此有必要对其健康状态进行监测。
专利“一种丝杠故障诊断的方法”采用稀释自编码深度神经网络结构,网络的识别模式选择Softmax回归分类器,通过训练好的模型实现故障的分类。该专利侧重于故障诊断,且该专利并没有设计设备在线运行过程中的状态监测方法,即每个时刻下设备是处于正常、临界退化还是失效。
发明内容
本发明克服了上述现有技术的不足,提供一种滚珠丝杠副的在线状态监测方法,通过提取丝杠副系统的振动信号,具体包括两端轴承的振动信号,中间丝母的振动信号,用丝杠的全生命周期的历史数据进行模型的训练。在线阶段,将运行数据的特征值输入到训练好的模型中,输出正常样本标签与失效样本标签的比例,来判断丝杠的运行状态。
本发明的技术方案:
一种滚珠丝杠副的在线状态监测方法,包括下列步骤:
步骤a、在丝杠副系统两端轴承支座以及丝母上分别安装振动传感器,所述振动传感器均为三通道的振动传感器,在每个振动传感器中选择一个通道的信号作为健康评估的原始信号;
步骤b、在线阶段,每隔1分钟采集15秒的振动信号数据,每15秒的振动信号数据为一个样本;对于每一个样本,通过小波降噪进行预处理;
步骤c、预处理后的信号进行特征提取,从时域与频域空间提取14个特征值;
步骤d、通过降维处理,筛选出重要特征值;
步骤e、当样本数量达到10个时,将这些样本输入到训练好的模型中,输出为正常样本与失效样本对应的标签输出每个样本的标签;
步骤f、通过模型输出的正常标签与失效标签的比例来监测丝杠的运行状态;
若正常标签与失效标签的比例p≥80%则丝杠运行状态为正常;
若正常标签与失效标签的比例20%≤p<80%则丝杠的运行状态为临界退化;
若正常标签与失效标签的比例p<20%,则丝杠的运行状态为失效;
步骤g、当丝杠出现临界退化或者失效时,就会触发报警系统,并定位到相对应的部件。
进一步地,所述选择原则为所述通道的信号能代表所述部件的退化趋势。
进一步地,在所述在线阶段前,进行离线阶段;获取丝杠副的全生命周期的数据,将所述数据划分为正常部分数据和失效部分数据,所述正常部分数据的标签设定为1,失效部分数据的标签设定为-1,用正常部分数据和失效部分数据训练支持向量机模型。
进一步地,所述划分方法为提取丝杠副全生命周期数据的均方根值,画出均方根值的曲线,并根据该曲线划分出丝杠的正常数据部分与失效数据部分。
进一步地,所述训练好的模型是指经过离线阶段的模型。
进一步地,所述14个特征值包括均方根值、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,所述重要特征值包括均方根值、标准差、最大值以及方差。
本发明相对于现有技术具有以下有益效果:
本发明提供了一种滚珠丝杠副的寿命预测方法,通过提取丝杠副系统的振动信号,具体包括两端轴承的振动信号,中间丝母的振动信号,用丝杠的全生命周期的历史数据进行模型的训练。在线阶段,将运行数据的特征值输入到训练好的模型中,输出正常样本标签与失效样本标签的比例,来判断丝杠的运行状态。
本发明能够在线监测丝杠系统的运行状态,当丝杠副系统的部件出现退化时,预警系统被触发,从而能够方便的进行部件的维修与更换;能够在丝杠丝杠的退化初期,提供预警机制,从而避免了设备的故障停机,保证设备安全高效的运行,提高设备的完好率以及任务的完成率,增加企业的经济效益。
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。
一种滚珠丝杠副的在线状态监测方法,如图1所示,包括下列步骤:
步骤a、在丝杠副系统两端轴承支座以及丝母上分别安装振动传感器,所述振动传感器均为三通道的振动传感器,在每个振动传感器中选择一个通道的信号作为健康评估的原始信号;
步骤b、在线阶段,每隔1分钟采集15秒的振动信号数据,每15秒的振动信号数据为一个样本;对于每一个样本,通过小波降噪进行预处理;
步骤c、预处理后的信号进行特征提取,从时域与频域空间提取14个特征值;
步骤d、通过降维处理,筛选出重要特征值;
步骤e、当样本数量达到10个时,将这些样本输入到训练好的模型中,输出为正常样本与失效样本对应的标签输出每个样本的标签;
步骤f、通过模型输出的正常标签与失效标签的比例来监测丝杠的运行状态;
若正常标签与失效标签的比例p≥80%则丝杠运行状态为正常;
若正常标签与失效标签的比例20%≤p<80%则丝杠的运行状态为临界退化;
若正常标签与失效标签的比例p<20%,则丝杠的运行状态为失效;
步骤g、当丝杠出现临界退化或者失效时,就会触发报警系统,并定位到相对应的部件上面。
具体地,所述选择原则为所述通道的信号能代表所述部件的退化趋势。
具体地,在所述在线阶段前,进行离线阶段;获取丝杠副的全生命周期的数据,将所述数据划分为正常部分数据和失效部分数据,所述正常部分数据的标签设定为1,失效部分数据的标签设定为-1,用正常部分数据和失效部分数据训练支持向量机模型。
具体地,所述划分方法为提取丝杠副全生命周期数据的均方根值,画出均方根值的曲线,并根据该曲线划分出丝杠的正常数据部分与失效数据部分。
具体地,所述训练好的模型是指经过离线阶段的模型。
具体地,所述14个特征值包括均方根值、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,所述重要特征值包括均方根值、标准差、最大值以及方差。
工作原理:通过滚珠丝杠副全生命周期的数据对支持向量机(SVM)模型进行训练。对采集到的振动信号进行特征提取以及特征选择选出优选的特征,然后根据全生命周期样本的均方根值曲线,选择出正常部分与失效部分的数据,这些数据将用作支持向量机(SVM)模型的训练。将训练好的模型应用到在线运行阶段,在设备的在线阶段,每隔1分钟采集15秒的数据,将这些数据作为一个样本。当样本数目达到10个时,将这10个样本优选的特征输入到训练好的支持向量机(SVM)模型中,根据模型输出的正常样本的标签与失效样本的标签的比例判断丝杠的运行状态。由于在丝杠副系统的三个部件上面各布置了一个振动传感器,因此可以监测每个部件的运行状态,方便进行维修与更换。
在丝杠副系统两端轴承支座以及丝母上面分别安装有三个通道的振动传感器,在两端轴承支座以及丝母上面分别提取一个优选的通道。将三个优选的通道信号通过小波降噪进行预处理获得处理后的信号作为特征提取的输入。
特征提取是健康评估中的关键环节,提取特征的好坏将影响着健康评估的准确性,为了全面考虑信号的信息,将从时域与频域空间提取信号的特征值。将所获得的振动信号进行预处理,并提取信号的特征值一共14个,分别为均方根值、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。
对于采集到的传感器提取到的上述的时频特征,所构成的特征向量维数较高,并且各个特征之间之间存在一定的耦合关系,这样会导致所观测的数据存在一定的重叠,如果把这些全部的特征作为滚珠丝杠副的敏感特征,则会造成信息处理量大等缺点,不利于后续实时预测算法的实现。因此需要对提取到的特征做降维处理,以选择出最优的特征进行后续的处理。本发明采用Fisher准则对提取到的丝杠副的敏感特征进行降维处理,以筛选出对于丝杠退化贡献大的特征。通过降维处理所筛选出的重要特征分别为:均方根值、标准差、最大值以及方差。
状态监测是通过采集到的传感器的数据,通过信号处理的方法提取传感器的特征值,将这些特征值输入到训练好的模型中,输出每个样本的标签。
支持向量机像多层感知器网络与径向基函数网络一样,可以用于模式分类。本发明采用支持向量机(SVM)对丝杠副的运行状态进行分类。
在训练阶段,将丝杠全生命周期的数据划分为正常部分与失效部分。并将正常部分的标签设定为1,失效部分的标签设定为-1。样本的选择方法为,提取丝杠副全生命周期数据的均方根值,画出均方根值的曲线,并根据该曲线划分出丝杠的正常数据部分与失效数据部分。用划分好的数据来训练支持向量机(SVM)模型。本发明所采用的支持向量机解决的是二分类问题,且核函数为高斯核函数。
在测试阶段,采用在线运行的方式,每隔1分钟采集15秒的数据,这些数据为一个样本。对于每一个样本,通过特征选择以及特征提取的方法得到该样本的特征值。当样本数量达到10个时,将这些样本输入到训练好模型中,
在设备的运行当中,每隔1分钟采集15秒的数据,这些数据为一个样本。对于每一个样本,通过特征选择以及特征提取的方法得到该样本的特征值。当样本数量达到10个时,将这些样本输入到训练好的模型中,输出为正常样本与失效样本对应的标签。
由于丝杠副在运行当中,工况的复杂性以及外界等干扰因素的不确定性,则可能导致支持向量机(SVM)分类的准确率达不到100%。因此,为了提高状态监测的准确性以及降低误报警的概率,本发明采用模型输出的正常标签与失效标签的比例来监测丝杠的运行状态。若正常标签与失效标签的比例p≥80%则丝杠运行状态为正常;若正常标签与失效标签的比例20%≤p<80%则丝杠的运行状态为临界退化;若正常标签与失效标签的比例p<20%,则丝杠的运行状态为失效。
当丝杠出现临界退化或者失效时,就会触发报警系统,并定位到相对应的部件上面,效果如图2所示,在运行过程中,当运行中模型输出的标签为1时表示丝杠的运行状态为正常;当运行中模型输出的标签为2时表示丝杠的运行状态为临界退化;当运行中模型输出的标签为3时表示丝杠的运行状态为失效。
Claims (7)
1.一种滚珠丝杠副的在线状态监测方法,其特征在于,包括下列步骤:
步骤a、在丝杠副系统两端轴承支座以及丝母上分别安装振动传感器,所述振动传感器均为三通道的振动传感器,在每个振动传感器中选择一个通道的信号作为健康评估的原始信号;
步骤b、在线阶段,每隔1分钟采集15秒的振动信号数据,每15秒的振动信号数据为一个样本;对于每一个样本,通过小波降噪进行预处理;
步骤c、预处理后的信号进行特征提取,从时域与频域空间提取14个特征值;
步骤d、通过降维处理,筛选出重要特征值;
步骤e、当样本数量达到10个时,将这些样本输入到训练好的模型中,输出为正常样本与失效样本对应的标签;
步骤f、通过模型输出的正常标签与失效标签的比例来监测丝杠的运行状态;
若正常标签与失效标签的比例p≥80%则丝杠运行状态为正常;
若正常标签与失效标签的比例20%≤p<80%则丝杠的运行状态为临界退化;
若正常标签与失效标签的比例p<20%,则丝杠的运行状态为失效;
步骤g、当丝杠出现临界退化或者失效时,就会触发报警系统,并定位到相对应的部件。
2.根据权利要求1所述一种滚珠丝杠副的在线状态监测方法,其特征在于,所述选择原则为所述通道的信号能代表所述部件的退化趋势。
3.根据权利要求1所述一种滚珠丝杠副的在线状态监测方法,其特征在于,在所述在线阶段前,进行离线阶段;获取丝杠副的全生命周期的数据,将所述数据划分为正常部分数据和失效部分数据,所述正常部分数据的标签设定为1,失效部分数据的标签设定为-1,用正常部分数据和失效部分数据训练支持向量机模型。
4.根据权利要求3所述一种滚珠丝杠副的在线状态监测方法,其特征在于,所述划分方法为提取丝杠副全生命周期数据的均方根值,画出均方根值的曲线,并根据该曲线划分出丝杠的正常数据部分与失效数据部分。
5.根据权利要求4所述一种滚珠丝杠副的在线状态监测方法,其特征在于,所述训练好的模型是指经过离线阶段的模型。
6.根据权利要求5所述一种滚珠丝杠副的在线状态监测方法,其特征在于,所述14个特征值包括均方根值、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。
7.根据权利要求6所述一种滚珠丝杠副的在线状态监测方法,其特征在于,所述重要特征值包括均方根值、标准差、最大值以及方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811241647.8A CN109141625B (zh) | 2018-10-24 | 2018-10-24 | 一种滚珠丝杠副的在线状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811241647.8A CN109141625B (zh) | 2018-10-24 | 2018-10-24 | 一种滚珠丝杠副的在线状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109141625A CN109141625A (zh) | 2019-01-04 |
CN109141625B true CN109141625B (zh) | 2020-10-02 |
Family
ID=64809380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811241647.8A Active CN109141625B (zh) | 2018-10-24 | 2018-10-24 | 一种滚珠丝杠副的在线状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109141625B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111323218A (zh) * | 2020-03-18 | 2020-06-23 | 软控股份有限公司 | 一种滚珠丝杠的故障监测方法及系统 |
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 |
CN117451348B (zh) * | 2023-12-26 | 2024-05-28 | 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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0462450A (ja) * | 1990-06-30 | 1992-02-27 | Kawatetsu Adobantetsuku Kk | ボールねじの異状検出方法および装置 |
JP2009198398A (ja) * | 2008-02-22 | 2009-09-03 | Nsk Ltd | 転がり直動装置の作動状態検査方法および作動状態検査装置 |
CN102661783A (zh) * | 2012-04-24 | 2012-09-12 | 北京信息科技大学 | 一种旋转机械故障趋势预测的特征提取方法 |
CN105046322A (zh) * | 2015-07-03 | 2015-11-11 | 西南交通大学 | 一种丝杠故障诊断方法 |
CN105718876A (zh) * | 2016-01-18 | 2016-06-29 | 上海交通大学 | 一种滚珠丝杠健康状态的评估方法 |
CN108195581A (zh) * | 2018-03-14 | 2018-06-22 | 宁波弘讯科技股份有限公司 | 一种滚珠丝杠的性能检测方法、装置及系统 |
-
2018
- 2018-10-24 CN CN201811241647.8A patent/CN109141625B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0462450A (ja) * | 1990-06-30 | 1992-02-27 | Kawatetsu Adobantetsuku Kk | ボールねじの異状検出方法および装置 |
JP2009198398A (ja) * | 2008-02-22 | 2009-09-03 | Nsk Ltd | 転がり直動装置の作動状態検査方法および作動状態検査装置 |
CN102661783A (zh) * | 2012-04-24 | 2012-09-12 | 北京信息科技大学 | 一种旋转机械故障趋势预测的特征提取方法 |
CN105046322A (zh) * | 2015-07-03 | 2015-11-11 | 西南交通大学 | 一种丝杠故障诊断方法 |
CN105718876A (zh) * | 2016-01-18 | 2016-06-29 | 上海交通大学 | 一种滚珠丝杠健康状态的评估方法 |
CN108195581A (zh) * | 2018-03-14 | 2018-06-22 | 宁波弘讯科技股份有限公司 | 一种滚珠丝杠的性能检测方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
基于EEMD_BP网络的滚珠丝杠副故障模式识别;李惠;《机械与电子》;20180430;第36卷(第4期);第28-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109141625A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
EP3105644B1 (en) | Method of identifying anomalies | |
CN110405537B (zh) | 一种基于深度学习的导轨精度预测模型的建立方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
EP2950177A1 (en) | Asset condition monitoring | |
KR20210125015A (ko) | 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법 | |
CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
US20210149387A1 (en) | Facility failure prediction system and method for using acoustic signal of ultrasonic band | |
CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
CN114135477A (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN109598309B (zh) | 一种金属包装冲压机的检测系统及其监测方法 | |
CN117032102A (zh) | 一种基于大数据的设备故障预测方法和系统 | |
CN110456732B (zh) | 一种带有学习功能的冲床故障监测系统 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN116502043A (zh) | 一种基于孤立森林算法的精轧电机状态分析方法 | |
CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 | |
CN117932322B (zh) | 一种面粉设备故障诊断方法及系统 | |
Bălănică et al. | A multi-model approach for anomaly detection and diagnosis using vibration signals | |
CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
CN113454553B (zh) | 用于检测和测量源自工业过程中使用的部件的信令中的异常的系统和方法 | |
EP4187340A1 (en) | A method and system for monitoring a device |
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 |