CN110781612A - 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 - Google Patents
滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110781612A CN110781612A CN201911110951.3A CN201911110951A CN110781612A CN 110781612 A CN110781612 A CN 110781612A CN 201911110951 A CN201911110951 A CN 201911110951A CN 110781612 A CN110781612 A CN 110781612A
- Authority
- CN
- China
- Prior art keywords
- ball screw
- sensors
- vibration signals
- data
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 30
- 230000003321 amplification Effects 0.000 claims description 21
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质，其中方法包括：获取用于检测滚珠丝杠不同位置的多个传感器检测到的振动信号；基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重，其中，每个故障类型对应的一组所述多个传感器检测到的振动信号；将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型。本发明虑了不同传感器的数据对于相应故障的重要性，减小了重要性较低的数据对于故障类型贡献的不确定性，提高了模型诊断的准确率。
Description
技术领域
本发明涉及检测技术领域，具体而言，涉及一种滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质。
背景技术
滚珠丝杠是数控机床等设备的重要传动部件，其健康状态对于设备的安全运行有着重要影响。滚珠丝杠系统主要包括驱动电机，联轴器，轴承支座以及丝杠三部分。每个部件发生故障都会影响到其正常运行。滚珠丝杠故障主要包括安装故障以及运行当中的故障。安装故障主要包括不对中，不平行以及螺栓松动等故障。这些故障如果不能及时发现，会造成丝杠的加速退化，严重情况下会造成安全事故。因此有必要对丝杠安装中的不对中故障以及螺栓松动故障进行诊断，保证丝杠安全有效运行。
目前滚珠丝杠的不对中故障以及螺栓松动故障主要通过人工识别的方式进行，通过观察频谱图中的特征频率并结合专业知识进行故障的诊断。发明人发现，大多数的研究是基于单通道振动传感器展开的，但是单一传感器受单源结构、安装位置的局限性难以对不同位置下的故障进行诊断。此外在一些多传感器数据融合故障诊断研究中，将多个传感器的数据进行融合，并进行特征提取结合机器学习的方法进行故障类型的识别，这种方式进行故障诊断仅仅将多源数据进行融合，没有考虑不同传感器的数据对于故障的贡献大小。
针对以上分析发现，目前丝杠故障诊断的方法多数是通过单一传感器实现的。单一传感器由于精度以及安装位置等受限因素，难以对较大位置尺度下的故障进行识别，比如安装在轴承支座上的传感器较难对跨度较大的另一端上的轴承的故障进行诊断。此外在识别阶段通过特征提取、特征选择并结合机器学习的诊断方式在特征处理上需要依靠专业经验进行判断，这种方式耗时耗力。
传统方法如专利《一种航空发动机轴承故障诊断方法》首先通过采集涡喷发动机的振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力5种信号；提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；然后分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；最后将融合后的特征参数作为分类器支持向量机的输入，对发动机故障进行分类识别。该方法为采用多源数据对单一部件进行诊断，没有考虑不同数据源的重要性信息，不适合多传感器不同位置部件故障的诊断，诊断结果不精确。
发明内容
本发明的主要目的在于提供一种滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质，以解决现有技术中没有考虑不同数据源的重要性导致诊断结果不精确的问题。
为了实现上述目的，根据本发明的一个方面，提供了一种滚珠丝杠的故障诊断方法，包括：获取用于检测滚珠丝杠不同位置的多个传感器检测到的振动信号；基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重，其中，每个故障类型对应的一组所述多个传感器检测到的振动信号；将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型。
可选地，所述将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型，包括：所述神经网络模型基于分配的权重对每一组振动信号进行融合，提取每一组振动信号的信号特征；判断所述信号特征是否满足预设条件；当所述信号特征满足所述预设条件时，确定所述滚珠丝杠出现该组振动信号对应的故障。
可选地，所述信号特征包括信号均方根值和特征频率幅值，所述判断所述信号特征是否满足预设条件，包括：判断所述信号均方根值的增长幅值是否小于第一阈值，并判断所述特征频率幅值是否小于第二阈值；当所述信号均方根值的增长幅值大于等于第一阈值，或者所述特征频率幅值大于等于所述第二阈值时，确定满足所述预设条件。
可选地，在将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型之前，还包括：构建初始神经网络模型结构；获取训练样本数据和测试样本数据；利用所述训练样本数据对所述初始神经网络模型进行训练，利用所述测试样本数据对训练后的初始神经网络模型进行验证。
可选地，所述初始神经网络模型包括多个卷积层，一个全连接层。其中，所述多个卷积层对多个传感器的数据进行加权融合，并提取对应的信号特征。
可选地，在基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重之前，还包括：获取训练样本数据和基准数据，所述基准数据为所述滚珠丝杠正常工作下多个传感器检测到的数据；计算所述训练样本数据与所述基准数据之间的均方根值的增幅比和特征频率的增幅比；基于所述均方根值的增幅比和特征频率的增幅比确定出所述训练样本数据中的异常状态下的数据；从所述异常状态下的数据中确定出每个故障类型对应的敏感传感器，所述敏感传感器为对所述故障类型的影响程度最大的传感器；分别设置所述敏感传感器和其他传感器对应的权重，其中，所述敏感传感器的权重远大于其他传感器的权重。
可选地，所述敏感传感器的权重设置为p，其他传感器的权重均为(1-p)/n，其中，0.5＜p＜1，n表示其他传感器的数量。
为了实现上述目的，根据本发明的另一个方面，提供了一种滚珠丝杠的故障诊断装置，包括：获取模块，用于获取用于检测滚珠丝杠不同位置的多个传感器检测到的振动信号；分配模块，用于基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重，其中，每个故障类型对应的一组所述多个传感器检测到的振动信号；识别模块，用于将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型。
为了实现上述目的，根据本发明的另一个方面，提供了一种计算机设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
为了实现上述目的，根据本发明的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现上述方法的步骤。
应用本发明的技术方案，通过获取多个传感器检测到的振动信号，利用预先设置的权重分配规则对每个传感器分配对应的权重，根据敏感程度的不同，对原始数据赋予不同的权重，加权之后输入到神经网络模型中进行融合，识别出滚珠丝杠的故障类型，由于考虑了不同传感器的数据对于相应故障的重要性，减小了重要性较低的数据对于故障类型贡献的不确定性，提高了模型诊断的准确率。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了根据本发明实施例的滚珠丝杠的故障诊断方法的流程图；
图2示出了根据本发明实施例的传感器安装位置的示意图；
图3示出了根据本发明实施例的神经网络模型的结构图；
图4-1、4-2示出了加权融合和非加权融合的模型训练与验证准确率曲线图；
图5示出了根据本发明实施例的滚珠丝杠的故障诊断装置的示意图；
图6为本发明实施例计算机设备的硬件结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明实施例提供了一种滚珠丝杠的故障诊断方法，如图1所示，该方法包括：
步骤S101，获取用于检测滚珠丝杠不同位置的多个传感器检测到的振动信号。
多个传感器可以分别设置在滚珠丝杠的不同位置，如图2所示，滚珠丝杠上安装了3个传感器；分别是一个轴承座上的传感器1，丝母座上的传感器2，另一个轴承座上的传感器3。不同位置的传感器用于检测滚珠丝杠不同位置的振动信号，因此，得到多个振动信号。
步骤S102，基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重，其中，每个故障类型对应的一组所述多个传感器检测到的振动信号。
滚珠丝杠的状态可以包括：C1:正常；C2: 丝杠和扭矩传感器不同轴；C3:丝母座与丝杠不平行；C4:轴承座2螺栓松动；C5：轴承座1螺栓松动；C6：丝母和滑台间的螺栓松动。其中，C2-C6表示相应的故障类型。本发明实施例中，每个故障或者正常状态下，都会产生对应的一组传感器检测的振动信号。例如上述的三个传感器，在同一时刻状态下，能同时或者到三个传感器的振动信号。在接收到三个传感器的振动信号之后，可以先为每一个传感器的振动信号分配权重。
在多传感器数据融合故障诊断中，由于故障位置的不同，反映在不同传感器上的敏感程度不一样。因此不同通道的数据对于诊断结果的贡献程度不一致，有些通道数据可能对于诊断的结果没有贡献，如果能够找到描述故障类型与不同通道数据之间敏感程度的指标，可以根据敏感程度进行权重分配。上述通道是指传感器的检测通道。权重的分配可以根据需求进行选择。例如根据敏感程度大小对应分配权重，也可以仅对最敏感的传感器设置更大的权重，其他传感器则平均分配。
步骤S103，将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型。
对于分配好权重的振动信号输入到神经网络模型中进行深度融合，识别出滚珠丝杠的故障类型。其中神经网络模型可以采用卷积神经网络训练得到的模型。本发明实施例中，分配权重后的振动信号进行加权融合，然后输入到神经网络中。当然，为了进一步提高诊断的准确性，还可以在输入到神经网络模型之前，先进性小波降噪。
根据本发明实施例，通过获取多个传感器检测到的振动信号，利用预先设置的权重分配规则对每个传感器分配对应的权重，根据敏感程度的不同，对原始数据赋予不同的权重，加权之后输入到神经网络模型中进行融合，识别出滚珠丝杠的故障类型，由于考虑了不同传感器的数据对于相应故障的重要性，减小了重要性较低的数据对于故障类型贡献的不确定性，提高了模型诊断的准确率。
作为本发明实施例的一种可选实施方式，在基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重之前，还包括：
S1，获取训练样本数据和基准数据，所述基准数据为所述滚珠丝杠正常工作下多个传感器检测到的数据。
S2，计算所述训练样本数据与所述基准数据之间的均方根值的增幅比和特征频率的增幅比。将正常丝杠运行状态下的一段数据作为基准数据，将训练样本数据与基准数据做对比，求取均方根值与特征频率幅值的增幅比。其次，判断数据是否正常，如果出现异常，则需要进行敏感传感器的选择，根据均方根值与特征频率幅值的增幅比选择优选传感器。
具体地，均方根值RMS的增幅比的计算如下，其中，
为第
类故障的均方根值 
为正常状态下的均方根值：
在特征频率幅值增幅中，选择1/2X，1X，2X，3X频率处的幅值作为特征，增幅比为：
其中，1/2X为1/2转频；1X、2X、3X分别为为一倍转频，二倍转频，三倍转频。
第类中特征频率的幅值为1/2X、1X、2X、3X出的频率幅值之和。
每个传感器上选择一个优选通道，传感器1为水平方向，传感器2为轴向方向，传感器3为水平方向。
S3，基于所述均方根值的增幅比和特征频率的增幅比确定出所述训练样本数据中的异常状态下的数据。
S4，从所述异常状态下的数据中确定出每个故障类型对应的敏感传感器，所述敏感传感器为对所述故障类型的影响程度最大的传感器。
S5，分别设置所述敏感传感器和其他传感器对应的权重，其中，所述敏感传感器的权重远大于其他传感器的权重。
以基准数据为10组，训练数据为80组数据。80组训练数据相对于基准数据的在均方根增幅比如下所示：
表1
特征频率的增幅比如下所示：
表2
将RMS增幅比的正常与异常的阈值设定为10%；即当RMS增幅比小于10%时为正常。将特征频率的增幅比的正常与异常的阈值设定为100%；即当特征频率的增幅比小于100%时为正常；当特征频率的增幅比大于等于100%时为异常。
当运行数据特征值超过失效阈值时，采用特征频率的增幅比对选择每类故障的敏感传感器。异常状态下的故障敏感性与传感器位置之间的关系如下：
表3
如表3所示，C2在传感器1上的增长幅度最大，表明C2在传感器1上表现最明显。C3在传感器3上的增长幅度最大，表明在传感器3上特征表现最明显。依次类推，可以据此选择出优选的传感器，也即是敏感传感器。
本发明实施例中，
训练数据与基准正常数据通过RMS增长幅值与特征频率增长幅值两个条件判断是否正常，如果异常则通过特征频率增长幅值选择故障敏感的传感器数据，可以得到故障2、3、4、5、6在传感器1、2、3上的敏感指标。根据每种故障的在传感器上的敏感程度进行不同位置传感器数据的权重分配。
测试部分：与训练部分类似根据测试数据与基准数据的差值并通过特征频率幅值的增长比选择敏感通道并进行权值分配。
具体地，所述敏感传感器的权重设置为p，其他传感器的权重均为(1-p)/n，其中，0.5＜p＜1，n表示其他传感器的数量。
例如，权重分配：在实验中，对传感器1，2，3三个通道的数据赋予静态权重，其中优选传感器的数据为0.8，其他传感器的数据为0.1。
表 4
作为一种可选实施方式，本发明实施例中在将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型之前，还包括：构建初始神经网络模型结构；获取训练样本数据和测试样本数据；利用所述训练样本数据对所述初始神经网络模型进行训练，利用所述测试样本数据对训练后的初始神经网络模型进行验证。
本发明实施例一种可选的初始神经网络模型结构如图3所示，该初始神经网络模型包括多个卷积层和一个全连接层，多个卷积层对多个传感器的数据进行加权融合，并提取对应的信号特征，其中，第一卷积层用于对输入的一组多个振动信号进行同和，并提取对应的信号特征。具体地，如图3所示，可以采用多层卷积神经网络，卷积神经网络可以是一维的。该网络结构共包含7层，分别为输入层、3个一维卷积层，1个flatten层，1个全连接层，以及一个输出层。第一层卷积神经网络初步将三个通道的振动信号进行融合，并提取基本特征，该网络的核函数大小，每次滑动的步长为1，过滤器的个数为10；第二层卷积神经网络的核函数大小
，每次滑动的步长为4，过滤器的个数为20；第三次层卷积神经网络的核函数大小
，每次滑动的步长为4，过滤器的个数为30；在这三个卷积层中，
均设置为
,激活函数均为
，全连接层中的隐藏节点个数设置为100，输出层激活函数为softmax。
本发明实施例中，所述将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型，包括：
S21，所述神经网络模型基于分配的权重对每一组振动信号进行融合，提取每一组振动信号的信号特征；
S22，判断所述信号特征是否满足预设条件；具体地，所述信号特征包括信号均方根值和特征频率幅值，所述判断所述信号特征是否满足预设条件，包括：判断所述信号均方根值的增长幅值是否小于第一阈值，并判断所述特征频率幅值是否小于第二阈值；当所述信号均方根值的增长幅值大于等于第一阈值，或者所述特征频率幅值大于等于所述第二阈值时，确定满足所述预设条件。其中，信号均方根值和特征频率幅值的判断异常过程与上述中敏感传感器的确定过程中的基本流程一致，这里不再赘述。
S23，当所述信号特征满足所述预设条件时，确定所述滚珠丝杠出现该组振动信号对应的故障。当不满足预设条件时，则确定为未发生对应的故障。
根据本发明实施例，考虑了故障在不同传感器上的敏感程度，并根据敏感程度的不同，对原始数据赋予不同的权重。加权后的原始数据经过降噪处理输入到卷积神经网络中，通过卷积神经网络强大的特征提取能力，全面提取表征丝杠故障的多源信息关键特征，并经过softmax分类器自动对故障类型进行识别。
为了验证本发明的有效性，将经过多传感器数据加权融合的方法与未经过加权融合的方法进行对比。未经过加权融合的方法的是指将每个传感器的数据经过降噪处理直接输入到卷积神经网络中，进行训练输出识别结果。
图4-1、4-1表示有无加权数据融合的训练曲线，由图中可知经过加权数据融合的训练曲线在收敛速度上更快，并且测试数据集上的准确率高于无加权数据融合的测试集上的准确率。
在实验中，选择的训练数据为20组，测试数据为60组。加权融合与未加权融合的测试数据准确率如下所示：
本发明实施例还提供了一种滚珠丝杠的故障诊断装置，如图5所示，该装置包括：
获取模块501，用于获取用于检测滚珠丝杠不同位置的多个传感器检测到的振动信号；
分配模块502，用于基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重，其中，每个故障类型对应的一组所述多个传感器检测到的振动信号；
识别模块503，用于将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型。
根据本发明实施例，通过获取多个传感器检测到的振动信号，利用预先设置的权重分配规则对每个传感器分配对应的权重，根据敏感程度的不同，对原始数据赋予不同的权重，加权之后输入到神经网络模型中进行融合，识别出滚珠丝杠的故障类型，由于考虑了不同传感器的数据对于相应故障的重要性，减小了重要性较低的数据对于故障类型贡献的不确定性，提高了模型诊断的准确率。
具体描述参见上述方法实施例，这里不再赘述。
本实施例还提供一种计算机设备，如可以执行程序的台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器（包括独立的服务器，或者多个服务器所组成的服务器集群）等。本实施例的计算机设备200至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图6所示。需要指出的是，图6仅示出了具有组件21-22的计算机设备200，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器21（即可读存储介质）包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，存储器21还可以既包括计算机设备200的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备200的操作系统和各类应用软件，例如实施例所述的学习信息的处理装置的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备200的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行学习信息的处理装置，以实现实施例的学习信息的处理方法。
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储学习信息的处理装置，被处理器执行时实现实施例的学习信息的处理方法。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种滚珠丝杠的故障诊断方法，其特征在于，包括：
获取用于检测滚珠丝杠不同位置的多个传感器检测到的振动信号；
基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重，其中，每个故障类型对应的一组所述多个传感器检测到的振动信号；
将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型。
2.根据权利要求1所述的滚珠丝杠的故障诊断方法，其特征在于，所述将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型，包括：
所述神经网络模型基于分配的权重对每一组振动信号进行融合，提取每一组振动信号的信号特征；
判断所述信号特征是否满足预设条件；
当所述信号特征满足所述预设条件时，确定所述滚珠丝杠出现该组振动信号对应的故障。
3.根据权利要求2所述的滚珠丝杠的故障诊断方法，其特征在于，所述信号特征包括信号均方根值和特征频率幅值，所述判断所述信号特征是否满足预设条件，包括：
判断所述信号均方根值的增长幅值是否小于第一阈值，并判断所述特征频率幅值是否小于第二阈值；
当所述信号均方根值的增长幅值大于等于第一阈值，或者所述特征频率幅值大于等于所述第二阈值时，确定满足所述预设条件。
4.根据权利要求1所述的滚珠丝杠的故障诊断方法，其特征在于，在将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型之前，还包括：
构建初始神经网络模型结构；
获取训练样本数据和测试样本数据；
利用所述训练样本数据对所述初始神经网络模型进行训练，利用所述测试样本数据对训练后的初始神经网络模型进行验证。
5.根据权利要求4所述的滚珠丝杠的故障诊断方法，其特征在于，所述初始神经网络模型包括多个卷积层，一个全连接层。
6.其中，所述多个卷积层对多个传感器的数据进行加权融合，并提取对应的信号特征。
7.根据权利要求1所述的滚珠丝杠的故障诊断方法，其特征在于，在基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重之前，还包括：
获取训练样本数据和基准数据，所述基准数据为所述滚珠丝杠正常工作下多个传感器检测到的数据；
计算所述训练样本数据与所述基准数据之间的均方根值的增幅比和特征频率的增幅比；
基于所述均方根值的增幅比和特征频率的增幅比确定出所述训练样本数据中的异常状态下的数据；
从所述异常状态下的数据中确定出每个故障类型对应的敏感传感器，所述敏感传感器为对所述故障类型的影响程度最大的传感器；
分别设置所述敏感传感器和其他传感器对应的权重，其中，所述敏感传感器的权重远大于其他传感器的权重。
8.根据权利要求6所述的滚珠丝杠的故障诊断方法，其特征在于，所述敏感传感器的权重设置为p，其他传感器的权重均为(1-p)/n，其中，0.5＜p＜1，n表示其他传感器的数量。
9.一种滚珠丝杠的故障诊断装置，其特征在于，包括：
获取模块，用于获取用于检测滚珠丝杠不同位置的多个传感器检测到的振动信号；
分配模块，用于基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重，其中，每个故障类型对应的一组所述多个传感器检测到的振动信号；
识别模块，用于将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型。
10.一种计算机设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911110951.3A CN110781612A (zh) | 2019-11-14 | 2019-11-14 | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911110951.3A CN110781612A (zh) | 2019-11-14 | 2019-11-14 | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110781612A true CN110781612A (zh) | 2020-02-11 |
Family
ID=69391085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911110951.3A Pending CN110781612A (zh) | 2019-11-14 | 2019-11-14 | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781612A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036435A (zh) * | 2020-07-22 | 2020-12-04 | 温州大学 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
| CN112665710A (zh) * | 2020-12-21 | 2021-04-16 | 陕西宝光集团有限公司 | 设备运行状态的检测方法、装置、电子设备及存储介质 |
| CN113146341A (zh) * | 2021-05-20 | 2021-07-23 | 山东威达重工股份有限公司 | 机床进给轴联轴器松动预测诊断装置及其诊断方法 |
| CN115982552A (zh) * | 2022-12-19 | 2023-04-18 | 萍乡学院 | 一种电子信号的处理方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102889988A (zh) * | 2012-09-29 | 2013-01-23 | 西南交通大学 | 一种滚珠丝杠副精度预测方法 |
| US20130197854A1 (en) * | 2012-01-30 | 2013-08-01 | Siemens Corporation | System and method for diagnosing machine tool component faults |
| 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 |
| JP2017220176A (ja) * | 2016-06-10 | 2017-12-14 | 富士通株式会社 | 判定装置、判定方法、および判定プログラム |
| CN108760302A (zh) * | 2018-05-08 | 2018-11-06 | 南京风电科技有限公司 | 一种风力发电机组轴承的在线监测与故障诊断系统 |
| CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
| CN109141625A (zh) * | 2018-10-24 | 2019-01-04 | 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 |
| CN109773588A (zh) * | 2019-03-01 | 2019-05-21 | 山东大学 | 一种机床数字孪生模型性能测试方法及装置 |
| CN109933004A (zh) * | 2019-03-27 | 2019-06-25 | 苏芯物联技术(南京)有限公司 | 基于边缘计算和云协同的机床故障诊断与预测方法及系统 |
| CN110163075A (zh) * | 2019-03-01 | 2019-08-23 | 东南大学 | 一种基于权值训练的多信息融合故障诊断方法 |
| CN110261771A (zh) * | 2019-06-21 | 2019-09-20 | 西北工业大学 | 一种基于传感器互补性分析的故障诊断方法 |
-
2019
- 2019-11-14 CN CN201911110951.3A patent/CN110781612A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130197854A1 (en) * | 2012-01-30 | 2013-08-01 | Siemens Corporation | System and method for diagnosing machine tool component faults |
| CN102889988A (zh) * | 2012-09-29 | 2013-01-23 | 西南交通大学 | 一种滚珠丝杠副精度预测方法 |
| 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 |
| JP2017220176A (ja) * | 2016-06-10 | 2017-12-14 | 富士通株式会社 | 判定装置、判定方法、および判定プログラム |
| CN108760302A (zh) * | 2018-05-08 | 2018-11-06 | 南京风电科技有限公司 | 一种风力发电机组轴承的在线监测与故障诊断系统 |
| CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
| CN109141625A (zh) * | 2018-10-24 | 2019-01-04 | 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 |
| CN109773588A (zh) * | 2019-03-01 | 2019-05-21 | 山东大学 | 一种机床数字孪生模型性能测试方法及装置 |
| CN110163075A (zh) * | 2019-03-01 | 2019-08-23 | 东南大学 | 一种基于权值训练的多信息融合故障诊断方法 |
| CN109933004A (zh) * | 2019-03-27 | 2019-06-25 | 苏芯物联技术(南京)有限公司 | 基于边缘计算和云协同的机床故障诊断与预测方法及系统 |
| CN110261771A (zh) * | 2019-06-21 | 2019-09-20 | 西北工业大学 | 一种基于传感器互补性分析的故障诊断方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036435A (zh) * | 2020-07-22 | 2020-12-04 | 温州大学 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
| CN112036435B (zh) * | 2020-07-22 | 2024-01-09 | 温州大学 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
| CN112665710A (zh) * | 2020-12-21 | 2021-04-16 | 陕西宝光集团有限公司 | 设备运行状态的检测方法、装置、电子设备及存储介质 |
| CN113146341A (zh) * | 2021-05-20 | 2021-07-23 | 山东威达重工股份有限公司 | 机床进给轴联轴器松动预测诊断装置及其诊断方法 |
| CN115982552A (zh) * | 2022-12-19 | 2023-04-18 | 萍乡学院 | 一种电子信号的处理方法及系统 |
| CN115982552B (zh) * | 2022-12-19 | 2023-10-20 | 萍乡学院 | 一种电子信号的处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781612A (zh) | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 | |
| EP3441947B1 (en) | System and method for remaining useful life determination | |
| Tabrizi et al. | Early damage detection of roller bearings using wavelet packet decomposition, ensemble empirical mode decomposition and support vector machine | |
| CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
| CN102016607B (zh) | 用于分析电力系统的波形信号的方法和装置 | |
| US20150346066A1 (en) | Asset Condition Monitoring | |
| CN109397703B (zh) | 一种故障检测方法及装置 | |
| Sugumaran et al. | Fault diagnosis of roller bearing using fuzzy classifier and histogram features with focus on automatic rule learning | |
| CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
| CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
| CN110823576B (zh) | 基于生成对抗网络的机械异常检测方法 | |
| KR101539896B1 (ko) | 유도전동기 오류 진단 방법 | |
| CN108052974B (zh) | 一种故障诊断方法、系统、设备及存储介质 | |
| US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
| US11842575B2 (en) | Method and system for vehicle analysis | |
| CN109635864B (zh) | 一种基于数据的容错控制方法及装置 | |
| EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
| CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
| CN103983452A (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
| CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
| CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
| CN105223943A (zh) | 用于支持全局效应分析的系统和方法 | |
| CN113139430A (zh) | 用于故障检测的声信号分析方法、故障检测的方法、装置 | |
| Tabrizi et al. | Performance improvement of ensemble empirical mode decomposition for roller bearings damage detection | |
| CN117171547A (zh) | 基于大模型的故障诊断方法、装置、设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |