CN109909803B - 一种机床主轴异常检测方法 - Google Patents

Abstract

本申请涉及一种机床主轴异常检测方法，包括以下步骤：机床主轴变转速空载测试，数据采集，数据预处理和特征提取，模型训练和模型预测。采用变转速空载测试的数据进行数据分析和主轴健康状况建模；将数据预处理和特征提取的算法部署到边缘设备上运行；采用基于主成分分析(PCA)算法建立主轴健康状况基线模型，并通过计算模型预测值的残差(SPE)和Hotelling T2统计量(T2)来检测主轴异常。本申请提出一种机床主轴异常检测方法，能够实现对机床主轴健康状况的实时监测，准确预测主轴异常，并具有较好的可操作性和普适性。

Description

一种机床主轴异常检测方法

技术领域

本申请涉及一种机床主轴异常检测方法，尤其涉及一种基于边缘计算和变转速空载测试的机床主轴异常检测方法，适用于机床故障检测的技术领域。

背景技术

主轴是数控机床的核心部件，通常价格较为昂贵，且一旦出现损坏，维修、替换或者采购的周期较长，会导致机床长时间的故障停机，影响生产计划。对主轴进行异常检测的目的是及时检测到主轴的异常情况，从而在故障早期对主轴进行维护保养，避免发生严重故障，或者提前安排主轴的备件采购，避免长时间的机床停机。目前对主轴的异常检测一般都是基于人工实现，即机床操作人员在机床加工过程中发现主轴异响、振动过大、主轴轴承温度过高等现象。人工的方法难以发现早期微小的异常，且非常依赖人的经验。

中国专利申请CN201510533166.4采用了基于高精度激光位移传感器、红外温度传感器和加速度传感器的测量数据，并利用测量数据建立包括神经网络、专家系统和支持向量机等方法的混合推理模型进行数控机床主轴故障诊断与预测的方法。但是该方法需要较为昂贵的高精度位移传感器，提升了主轴检测系统的成本。另外，该方法需要事先收集正常样本数据和故障样本数据，其适用场景受到较大限制。

中国专利申请CN201610910651.3采用了一种基于检测主轴旋转速度的主轴异常检测方法。该方法检测主轴的旋转速度到达规定的旋转速度阈值的到达时间，并且将检测的到达时间与预先设定的到达旋转速度阈值的设定到达时间进行比较，根据其比较结果判定主轴的异常。该方法仅基于转速信息来检测主轴异常，泛化能力和普适性不强，且设定到达时间依赖先验知识，推广难度较大。

中国专利申请CN201410335945.9采用了一种基于三项瞬时功率的电主轴故障监测诊断方法。该方法仅适用电主轴的轴承磨损和转子断条故障检测，适用场景受限。

因此，急需一种成本低、适用范围广、准确性高、可操作性强的机床主轴异常检测方法。

发明内容

本申请提出一种机床主轴异常检测方法，能够实现对机床主轴健康状况的实时监测，准确预测主轴异常，并具有较好的可操作性和普适性。

根据本申请的机床主轴异常检测方法，包括以下步骤：

(1)机床主轴变转速空载测试

设定一个变转速空载测试的转速测试区间，该转速测试区间包含多个转速设定值，在空载情况下，维持主轴在每个设定转速值下恒速运行一段时间，且转速逐次上升，直到完成所有设定转速值下的测试；

(2)数据采集

将振动加速度传感器安装在主轴外壳上，采集主轴变转速空载测试时的主轴振动信号，并采集机床控制器信号；

(3)数据预处理和特征提取

运行数据预处理程序，根据机床控制器信号中的转速信息和预先设定的分段时间长度对主轴振动信号进行实时分割，得到每个转速下多段时间长度的振动信号，对每一段振动信号进行特征提取，计算特征值；

(4)模型训练

将步骤(3)得到的每个转速下每段振动信号的特征值存入数据库中，在重复多次机床主轴变转速空载测试并累积到足够量的特征值样本后，利用这些特征值样本作为训练样本进行模型训练；

(5)模型预测

执行机床主轴变转速空载测试，通过数据采集、数据预处理和特征提取，得到待预测的特征值样本；对预测样本根据转速值进行分组，将分组后的预测样本利用相应转速下的训练好的主轴异常检测模型进行检测，以判断是否出现异常。

优选地，在步骤(4)中，将训练样本根据转速进行分组，对每一组样本采用PCA算法对训练样本进行PCA变换，得到主成分分量以及原始训练样本在投影各主成分分量方向上的方差；然后根据主成分分量和方差以及预先设定的统计置信阈值分别计算SPE和T2的异常阈值；保存计算得到的各转速下的主成分分量、方差以及SPE和T2的异常阈值作为训练好的主轴异常检测模型。在步骤(5)中，将分组后的预测样本利用相应转速下的训练好的主轴异常检测模型计算预测样本的SPE和T2值，比较预测样本的SPE和T2值与SPE和T2的异常阈值。

优选地，在步骤(3)中，在边缘设备上运行数据预处理程序和特征提取程序；在步骤(4)中，先将每个转速下每段振动信号的特征值从边缘设备上传到服务器端，然后存入数据库中；在步骤(5)中，数据采集、数据预处理和特征提取均在边缘设备上进行。

优选地，转速测试区间可以覆盖实际工作的最低转速和最高转速。在步骤(3)中，计算的特征值可以包括均方根值、峰峰值、偏度值、峭度值、频谱1到10倍的转频幅值中的至少一个。优选地，所述统计置信阈值可以为0.95-0.99，分段时间长度可以为相同的时间长度。

本申请的机床主轴异常检测方法具有以下技术效果：

(1)采用变转速空载测试的数据进行数据分析和主轴健康状况建模，避免实际加工过程中工况变化对预测主轴健康状况带来的不确定性，提高预测模型的鲁棒性。

(2)将数据预处理和特征提取的算法部署到边缘设备上运行，充分利用了边缘设备的计算能力，节省了数据通信带宽和服务器计算资源，且提高了异常检测的实时性。

(3)采用基于主成分分析(PCA)算法建立主轴健康状况基线模型，并通过计算模型预测值的残差(SPE)和Hotelling T2统计量(T2)来检测主轴异常，解决了缺少故障数据样本下的建模问题，提高了该方法的普适性和易用性。其中，SPE可以用来衡量预测值和训练好的基线模型的偏差，T2可以用来衡量预测值在训练好的基线模型框架内的分布方差，这两个统计量都表征了预测值和基于PCA的基线模型的不一样的程度，所以可以作为检测主轴异常的异常值。

附图说明

图1显示了主轴振动信号的均方根值在不同转速下的分布示意图。

图2显示了主轴在线异常检测预测结果的SPE值和T2值的曲线示意图。

图3显示了本申请的机床主轴异常检测方法的示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

下面结合图3详细说明本申请的机床主轴异常检测方法，包括以下步骤：

(1)机床主轴变转速空载测试

设定一个变转速空载测试的转速测试区间，该转速测试区间包含多个转速设定值。优选地，覆盖实际工作最低转速和最高转速。在空载情况下，维持主轴在每个设定转速值下恒速运行一段时间，且转速逐次上升，直到完成所有设定转速值下的测试。

采用变转速空载测试的数据进行数据分析和主轴健康状况建模，避免实际加工过程中工况变化对预测主轴健康状况带来的不确定性，提高预测模型的鲁棒性。

(2)数据采集

将振动加速度传感器安装在主轴外壳上，可以通过例如高速数模转换采集卡将传感器采集到的振动模拟信号转换成振动数字信号。可以采用例如高性能边缘嵌入式设备实时采集主轴变转速空载测试时的主轴振动信号，通过机床控制器通信协议采集机床控制器信号。

(3)数据预处理和特征提取

在边缘嵌入式设备上运行数据预处理程序，根据机床控制器信号中的转速信息和预先设定的分段时间长度对主轴振动信号进行实时分割，得到每个转速下多段时间长度的振动信号。对每一段振动信号进行特征提取，计算的特征值可以包括例如均方根值、峰峰值、偏度值、峭度值、频谱1到10倍转频幅值中的至少一个。

其中，均方根和峰峰值都可以表征振动信号的整体能量或者振动强度，偏度和峭度分别表征振动信号的统计分布的特征，很多常见的故障模式例如不对中和不平衡都可以都过频谱来进行分析。因此，上述特征都是和主轴的健康状况比较相关的，主轴发生异常时，这些特征就会出现变化。

将数据预处理和特征提取的算法部署到边缘设备上运行，充分利用了边缘设备的计算能力，节省了数据通信带宽和服务器计算资源，且提高了异常检测的实时性。当然，也可以直接利用服务器进行数据预处理和特征提取。

(4)模型训练

将步骤(3)得到的每个转速下每段振动信号的特征值从边缘设备上传到服务器端，存入数据库中，在重复多次机床主轴变转速空载测试并累积到足够量的特征值样本后，利用这些特征值样本作为训练样本进行模型训练。将训练样本根据转速进行分组，对每一组样本采用PCA算法对训练样本进行PCA变换，得到主成分分量以及原始训练样本在投影各主成分分量方向上的方差，然后根据主成分分量和方差以及预先设定的统计置信阈值分别计算SPE和T2的异常阈值。保存计算得到的各转速下的主成分分量、方差以及SPE和T2的异常阈值作为训练好的主轴异常检测模型。其中的统计置信阈值可以根据实际情况需要进行调整，例如可以设置为0.95-0.99。

其中，根据主成分分量和方差以及预先设定的统计置信阈值分别计算SPE和T2的异常阈值可以采用以下统计学计算公式。

SPE的阈值计算公式：

其中，

c_α是对应于置信水平为统计置信阈值的标准正态分布的Z值，λ_i是PCA模型中从大到小排列的第i个方差，n是总共的方差个数，k是前k个较大的方差的个数。

T2的阈值计算公式：

其中，m是训练PCA模型时用到的训练样本的个数，k是前k个较大的方差的个数，F_α(k，m-k)是对应于置信水平为统计置信阈值的F分布的F值，且该F分布的自由度为(k，m-k)。

(5)模型预测

执行机床主轴变转速空载测试，通过数据采集和边缘端的数据预处理和特征提取，得到待预测的特征值样本。对预测样本根据转速值进行分组，将分组后的预测样本利用相应转速下的训练好的主轴异常检测模型计算预测样本的SPE和T2值，比较预测样本的SPE和T2值与SPE和T2的异常阈值。当预测样本的SPE和T2值超过异常阈值时，即预测主轴出现异常状况。

实施例

为了更直观地对本申请的基于边缘计算和变转速空载测试的机床主轴异常检测方法进行说明，下面给出一个具体实施例。本实施例采用的设备包括一台CNC机床(数控机床)、一个三轴振动加速度传感器、一个带三路高速模拟转数字(ADC)采集通道的高性能边缘嵌入式设备和一台服务器。具体步骤如下：

(1)在CNC机床主轴外壳靠近刀把的一端安装振动传感器，用来测量主轴转动时的振动信号。振动传感器的灵敏度可以例如是5mV/g，频率测量范围是2-8000Hz。

(2)振动传感器的输出信号连接到边缘嵌入式设备的三路ADC采集通道上，ADC的采样率为25.6kHz，分辨率是24bits。同时，通过局域网将边缘嵌入式设备和机床控制器进行网络连接，机床控制器以10Hz的速率给边缘嵌入式设备发送主轴转速等工况信息。

(3)机床主轴在空载情况下进行不同转速值下的测试，测试转速依次为1000rpm、1500rpm、2000rpm、2500rpm、3000rpm、3500rpm、4000rpm、4500rpm、5000rpm、5500rpm、6000rpm、6500rpm、7000rpm、7500rpm，主轴在每个测试转速下恒速运行1分钟。

(4)在机床主轴恒速转动过程中，边缘嵌入式设备同时采集主轴的振动信号和机床控制器信号，在每个恒定转速段下对实时采集到的振动信号按照每5秒的间隔进行分割，对每5秒的振动信号进行特征提取，提取如下特征：均方根值、峰峰值、偏度值、峭度值、频谱1到10倍转频幅值。主轴振动信号的均方根值(rms)在不同转速下的分布如图1所示。

(5)将边缘嵌入式设备计算得到的主轴振动信号的特征值都发送到服务器端，在服务器端分别用每个转速下的特征值样本作为训练数据，采用PCA算法训练每个转速下的主轴异常检测模型，即对训练数据进行PCA变换，得到相应的主成分分量和方差，同时根据上述计算公式采用设定的统计置信阈值分别计算SPE和T2的异常阈值，将这些结果作为每个转速下的基线模型进行保存。

(6)在将训练好的模型部署到线上实行在线主轴异常检测时，按照步骤3和步骤4得到在线测试数据的特征样本值之后，在服务器端加载步骤5训练好的模型对特征样本进行模型预测，得到主轴异常检测的预测结果，基于该结果可以对主轴健康状况进行准确的评估。图2分别展示了主轴在线异常检测预测结果的SPE值和T2值，其中前20个样本来自于主轴正常运行时的数据，后20个样本来自于主轴发生故障时的运行数据，可以看出在发生故障时预测结果中的SPE值和T2值超出了异常阈值且远远大于正常运行时的值，说明该模型可以准确的检测出主轴的异常。

虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (8)

1.一种机床主轴异常检测方法，其特征在于，包括以下步骤：

(1)机床主轴变转速空载测试

设定一个变转速空载测试的转速测试区间，该转速测试区间包含多个转速设定值，在空载情况下，维持主轴在每个设定转速值下恒速运行一段时间，且转速逐次上升，直到完成所有设定转速值下的测试；

(2)数据采集

将振动加速度传感器安装在主轴外壳上，采集主轴变转速空载测试时的主轴振动信号，并采集机床控制器信号；

(3)数据预处理和特征提取

运行数据预处理程序，根据机床控制器信号中的转速信息和预先设定的分段时间长度对主轴振动信号进行实时分割，得到每个转速下多段时间长度的振动信号，对每一段振动信号进行特征提取，计算特征值；

(4)模型训练

将步骤(3)得到的每个转速下每段振动信号的特征值存入数据库中，在重复多次机床主轴变转速空载测试并累积到足够量的特征值样本后，利用这些特征值样本作为训练样本进行模型训练；

(5)模型预测

执行机床主轴变转速空载测试，通过数据采集、数据预处理和特征提取，得到待预测的特征值样本；对预测样本根据转速值进行分组，将分组后的预测样本利用相应转速下的训练好的主轴异常检测模型进行检测，以判断是否出现异常。

2.根据权利要求1所述的机床主轴异常检测方法，其特征在于，在步骤(4)中，将训练样本根据转速进行分组，对每一组样本采用PCA算法对训练样本进行PCA变换，得到主成分分量以及原始训练样本在各主成分分量方向上投影的方差；然后根据主成分分量和方差以及预先设定的统计置信阈值分别计算SPE和T2的异常阈值；保存计算得到的各转速下的主成分分量、方差以及SPE和T2的异常阈值作为训练好的主轴异常检测模型。

3.根据权利要求2所述的机床主轴异常检测方法，其特征在于，在步骤(5)中，将分组后的预测样本利用相应转速下的训练好的主轴异常检测模型计算预测样本的SPE和T2值，比较预测样本的SPE和T2值与SPE和T2的异常阈值。

4.根据权利要求1-3中任一项所述的机床主轴异常检测方法，其特征在于，在步骤(3)中，在边缘设备上运行数据预处理程序和特征提取程序；在步骤(4)中，先将每个转速下每段振动信号的特征值从边缘设备上传到服务器端，然后存入数据库中；在步骤(5)中，数据采集、数据预处理和特征提取均在边缘设备上进行。

5.根据权利要求1-3中任一项所述的机床主轴异常检测方法，其特征在于，转速测试区间覆盖实际工作的最低转速和最高转速。

6.根据权利要求1-3中任一项所述的机床主轴异常检测方法，其特征在于，在步骤(3)中，计算的特征值包括均方根值、峰峰值、偏度值、峭度值、频谱1到10倍的转频幅值中的至少一个。

7.根据权利要求2所述的机床主轴异常检测方法，所述统计置信阈值为0.95-0.99。

8.根据权利要求1-3、7中任一项所述的机床主轴异常检测方法，其特征在于，所述分段时间长度为相同的时间长度。

Images