CN111076933B - 一种机床主轴轴承敏感特征集构建与健康状态识别方法 - Google Patents

Abstract

本发明公开了一种机床主轴轴承敏感特征指标集构建与健康状态识别方法，解决了机床噪声干扰和主轴复杂变工况环境下机床主轴轴承健康状态难的问题，提升了机床主轴轴承健康状态识别的鲁棒性和精度，提高了数控机床主轴状态识别的可靠性。所述方法包括，步骤(1)，采用传感器和数据采集仪获取机床主轴轴承的振动信号，进行信号分割并计算振动信号的偏圆度指标；步骤(2)，结合所得偏圆度指标和时频域指标构建故障特征指标集，采用改进后的特征优选方法构建敏感特征指标集；步骤(3)，采用敏感特征指标训练集数据，输入并训练深度置信网络(DBN)，然后采用训练后DBN识别待识别数据集的机床主轴轴承健康状态。

Description

一种机床主轴轴承敏感特征集构建与健康状态识别方法

技术领域

本发明涉及机床设备状态评估方法，具体为一种机床主轴轴承敏感特征指标集构建与健康状态识别方法。

背景技术

数控机床是装备制造业的“工作母机”，是制造装备的装备，对于国民经济的发展和国防安全具有重大影响。主轴轴承作为数控机床主轴的核心零部件，在加工过程中承受较大载荷，零部件容易产生损伤，实现主轴轴承的状态评估为主轴系统的维护决策提供了重要参考依据，对于提高机床工作可靠性和加工精度具有重要的意义。同时，也是有效评估机床整体效能的迫切需要，对于延长设备使用寿命，保证其使用安全性具有重要的工程使用价值。

目前常用的轴承健康状态识别方法主要有：基于滚道和滚动体间电位差判断轴承润滑状态不良，基于小波包对轴承振动信号进行分解并提取故障特征频率，基于经验模式对轴承振动信号进行分解并通过多尺度熵评价主轴轴承损伤程度等。然而数控机床结构复杂，信号中干扰成分较多，轴承故障特征容易被噪声淹没，采用已有方法进行机床主轴轴承状态识别较为困难。此外，机床主轴在不同的转速工况下运转，其信号特征随之发生改变，使得主轴轴承健康度识别存在较大困难，不能应用常规轴承的状态识别方法。如何构建机床主轴轴承敏感特征指标集和识别主轴轴承健康状态是一个有待解决的问题。

发明内容

针对现有技术中存在的问题，本发明提供一种机床主轴轴承敏感特征指标集构建与健康状态识别方法，该方法既克服了噪声干扰下机床主轴轴承状态识别难的问题，又解决了传统方法难以实现复杂变工况下轴承状态识别的问题，具有计算精度高、计算速度快有效提高了机械设备状态识别的可靠性，使得该方法能有效应用于工程实际。

本发明是通过以下技术方案来实现：

一种机床主轴轴承敏感特征指标集构建与健康状态识别方法，包括如下步骤，

步骤(1)，采用传感器和数据采集仪获取机床主轴轴承的振动信号，进行信号分割并计算振动信号的偏圆度指标；

步骤(2)，结合步骤(1)所得偏圆度指标和时频域指标构建故障特征指标集，采用改进后的特征优选方法构建敏感特征指标集；

步骤(3)，采用步骤(2)敏感特征指标训练集数据，输入并训练深度置信网络(DBN)，然后采用训练后DBN识别待识别数据集的机床主轴轴承健康状态。

优选的，步骤(1)偏圆度指标计算的具体步骤如下，

1)优选分段近似拟合(PAA)降维窗长；

2)采用最优PAA降维窗长对待识别振动进行PAA降维；

3)对PAA降维后的数据进行邻域相关椭圆拟合；

4)计算偏圆度指标。

进一步，步骤1)中，优选PAA降维窗长的方法为：

a)测量机床主轴正常运行状态下的振动信号；

b)对振动信号进行数据分割，对每段数据进行分段近似拟合(PAA)；

c)对PAA降维后的数据进行邻域相关椭圆拟合，并计算不同PAA降维窗长下的偏圆度之和；

d)将最大偏圆度之和所对应PAA降维窗长记为最优分段近似拟合(PAA)降维窗长。

进一步，步骤4)中，计算偏圆度指标的方法为：

dc＝a₁/a₂

式中：dc——偏圆度指标；a₁——邻域相关椭圆短轴长度；a₂——邻域相关椭圆长轴长度。

优选的，步骤(2)故障特征指标集和敏感故障特征指标集构建的具体步骤如下，

1)基于偏圆度指标和经典时、频域特征指标构建故障特征指标集；

2)计算故障特征指标集中所有指标的评估因子；

3)选取评估因子最大的若干个指标构造敏感故障特征指标集。

进一步，步骤1)中经典时域特征指标包括：均值、标准差、峰峰值、有效值、方根幅值、平均幅值、峰值、偏斜度、峭度、峰值指标、裕度指标、波形指标和脉冲指标等；经典频域特征指标包括p₁₄～p₂₆。

进一步，步骤2)中评估因子计算方法为：

a)计算第c类第j个特征的类内距离：

式中：M_c——第c类的样本个数；J——特征个数；C——类别个数；q_m,c,j——第c类第m个样本的第j个特征的特征值；q_l,c,j——第c类第l个样本的第j个特征的特征值。

b)计算第j个特征C个类的类内距离的平均值：

c)计算第c类M_c个样本第j个特征的平均值：

d)计算第j个特征C个类的类间距离的平均值：

式中：u_e,j——第e类第j个特征的平均值；u_c,j——第c类第j个特征的平均值。

e)计算第j个特征的评估因子：

优选的，步骤(3)识别机床主轴轴承健康状态的具体步骤如下，

1)将敏感故障特征指标集划分为训练集和待识别数据集；

2)基于RBM无监督训练和BP反向微调方法，采用训练集数据训练深度置信网络；

3)将待识别数据集输入训练后的DBN模型，识别机床主轴轴承健康状态。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种机床主轴轴承敏感特征指标集构建与健康状态识别方法，采集正常状态的机床主轴轴承振动信号优化选取PAA降维窗长，具有计算速度更快和计算资源消耗更少的特点；采用偏圆度指标对机床主轴轴承进行健康状态表征，具有更好的抗噪性和表征效果；采用改进后的特征优选方法进行敏感故障特征集构建，可以在保证识别精度的前提下，减少计算资源消耗；采用DBN模型进行机床主轴轴承健康状态的识别，具有变工况环境下识别精度高的特点。本发明可增加机械设备状态识别的可靠性，具有快速、易行、实时性强等特点，适用于现场实时识别数控机床主轴轴承状态，有利于提高数控机床工作可靠性和安全性，为数控机床健康状态的识别提供了新思路和新方法，具有重要的工程实用价值。

附图说明

图1为机床主轴轴承敏感特征指标集构建与健康状态识别方法流程图。

图2为PAA窗长优化结果图。

图3为不同健康状态轴承的偏圆度指标。

图4为不同转速下不同健康状态轴承振动信号指标。

图5为特征评价结果图。

图6为轴承健康度识别的准确率与输入特征个数的关系。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

参照图1所示，为本发明机床主轴轴承敏感特征指标集构建与健康状态识别方法，其包括如下步骤，采用传感器和数据采集仪获取机床主轴轴承的振动信号，进行信号分割并计算振动信号的偏圆度指标；结合所得偏圆度指标和时频域指标构建故障特征指标集，采用改进后的特征优选方法构建敏感特征指标集；采用敏感特征指标训练集数据，输入并训练深度置信网络(DBN)，然后采用训练后DBN识别待识别数据集的机床主轴轴承健康状态。

本发明利用振动信号识别机床主轴轴承健康状态按以下具体步骤实施：

(1)偏圆度指标计算；

首先，优选分段近似拟合(PAA)降维窗长；

其次，采用最优PAA降维窗长对待识别振动进行PAA降维；

然后，对PAA降维后的数据进行邻域相关椭圆拟合；

最后，计算偏圆度指标。

(2)敏感故障特征指标集构建；

首先，基于偏圆度指标和经典时、频域特征指标构建故障特征指标集；

然后，计算故障特征指标集中所有指标的评估因子；

最后，选取评估因子最大的若干个指标构造敏感故障特征指标集。

(3)机床主轴轴承健康状态识别

首先，将敏感故障特征指标集划分为训练集和待识别数据集；

然后，基于RBM无监督训练和BP反向微调方法，采用训练集数据训练深度置信网络；

最后，将待识别数据集输入训练后的DBN模型，识别机床主轴轴承健康状态。

以下给出一个具体应用实例过程，同时验证了本发明在工程应用中的有效性。

本实验在SQ机械故障综合模拟实验台开展，进行电机轴承外圈损伤模拟，共有健康、轻度故障、中度故障和重度故障共5类轴承，轴承健康度记为{1,0.7,0.4,0.1}。实验采用压电式加速度传感器采集电机轴承信号，加速度传感器灵敏度为50mV/g；并采集电机输出轴转速信号；使用数据采集仪CoCo80进行加速度和转速信号采集，采样频率为25.6kHz。

利用本发明所述方法，轴承健康状态识别方法如下：

(1)计算偏圆度指标。

首先，计算健康度为1的轴承振动信号的偏圆度之和，记最大偏圆度之和对应的窗长为PAA优化窗长，如图2所示。可以发现，随着窗长的逐渐增大，椭圆偏圆度之和(短长轴比之和)先增大后减小，在w＝2时，短长轴比之和达到最大值，因此，选取优化窗长为2。

然后，计算不同健康状态轴承的偏圆度指标，如图3所示。当PAA降维窗长为最优窗长w＝2时，同种轴承状态下的偏圆度指标波动较小，健康度为1,0.7和0.4轴承振动信号的偏圆度指标相互间可以明显区分，而0.4和0.1健康度指标大小虽存在部分重叠，但两种健康度指标平均值存在明显差异，且极大部分指标不存在重叠。通过以上分析可以发现优化后的PAA降维窗长可以更好的对轴承振动数据进行降维处理，在提高抗噪性、增加指标稳定性的前提下，可以更为敏感的表征轴承的不同健康度。

(2)构建敏感故障特征指标集

首先，计算轴承振动信号的时域指标和频域指标，与偏圆度指标共同构成故障特征指标集。图4展示了不同转速下不同健康状态轴承振动信号的偏圆度指标、峭度、波形指标、脉冲指标、p₁₈、p₁₉。可以发现，无论在低速工况或高速工况下，同种健康度轴承信号的偏圆度指标波动较小、稳定性较好，且对于不同健康度轴承信号区分较好。相较而言，峭度、波形指标和脉冲指标的稳定性和区分能力较差。对于0.7和0.1健康度轴承信号完全不能区分。对于0.7和0.4健康度轴承信号完全不能区分。

其次，对不同的特征指标进行特征评价，其敏感度大小如图5所示。可以发现，偏圆度指标的评估因子最高，说明该指标对于不同健康度轴承可实现较好区分。

然后，将特征指标按照特征评估因子值从大到小进行排序，并逐一增加DBN的输入特征个数，然后对模型进行训练和测试。可以得到DBN对轴承健康度识别的准确率与输入特征个数的关系曲线如图6所示。可以发现，随着输入特征个数的增加，DBN模型识别准确率迅速升高，在输入增加至7个特征值后趋于稳定，并保持较高准确率，说明前7个特征为轴承的敏感特征，可实现轴承状态的较为准确的表征，因此选用前7个特征值构建敏感特征指标集，在保证模型识别精度的基础上降低模型计算复杂度(7个指标见表1)。

表1敏感特征指标集

(3)机床主轴轴承健康状态识别

选用所列7个特征值作为DBN模型输入，对轴承健康度进行识别。样本集按照轴承的健康度分为4类，每类样本包含两种转速下的数据各130条，这130条数据使用该类样本对应的轴承健康度作为标签，则所有样本共计1040条。按照分层抽样原则构造训练集和测试集，分别包含936和104条样本。其中，每类数据训练集包含234个样本，测试集包含26个样本。DBN模型初始参数设置见表2。

表2 DBN模型初始参数

由表2可知，DBN为3层网络，输入层、隐含层和输出层神经元个数依次为7,10和4，并选择Sigmoid激活函数。选择学习率为0.0001，Batch大小为36，训练次数为200次。按照以上参数初始化DBN网络，并对DBN模型进行训练和十折交叉检验，得到健康度识别准确率见表3。

表3 DBN模型十折交叉检验准确率

由表3可知，本发明主轴轴承健康状态识别模型的平均准确率为96.54％，可实现轴承健康度的准确识别，验证了所提出轴承健康度识别方法的有效性。

Claims (5)

1.一种机床主轴轴承敏感特征指标集构建与健康状态识别方法，其特征在于，包括如下步骤，

步骤(1)，采用传感器和数据采集仪获取机床主轴轴承的振动信号，进行信号分割并计算振动信号的偏圆度指标；

步骤(2)，结合步骤(1)所得偏圆度指标和时频域指标构建故障特征指标集，采用改进后的特征优选方法构建敏感故障特征指标集；

步骤(3)，将步骤(2)中敏感故障特征指标集中的训练集数据，输入并训练深度置信网络(DBN)，然后采用训练后的深度置信网络识别待识别数据集，获取机床主轴轴承健康状态，

其中步骤(1)中偏圆度指标的计算步骤如下：

a)测量机床主轴正常运行状态下的振动信号；

b)对振动信号进行数据分割，对每段数据进行分段近似拟合(PAA)；

c)对分段近似拟合降维后的数据进行邻域相关椭圆拟合，并计算不同分段近似拟合降维窗长下的偏圆度之和；

d)将最大偏圆度之和所对应分段近似拟合降维窗长记为最优分段近似拟合降维窗长；采用所述最优分段近似拟合降维窗长对待识别振动信号进行降维；

e)对分段近似拟合降维后的数据进行邻域相关椭圆拟合；

f)计算偏圆度指标，其中偏圆度计算方法为：

dc＝a₁/a₂

式中：dc——偏圆度指标；a₁——邻域相关椭圆短轴长度；a₂——邻域相关椭圆长轴长度。

2.根据权利要求1所述的一种机床主轴轴承敏感特征指标集构建与健康状态识别方法，其特征在于，步骤(2)中所述故障特征指标集和敏感故障特征指标集的具体构建步骤如下：

1)基于偏圆度指标和经典时域特征指标、频域特征指标构建故障特征指标集；

2)计算故障特征指标集中所有指标的评估因子；

3)选取评估因子最大的若干个指标构造敏感故障特征指标集。

3.根据权利要求2所述的一种机床主轴轴承敏感特征指标集构建与健康状态识别方法，其特征在于，所述经典时域特征指标包括：均值、标准差、峰峰值、有效值、方根幅值、平均幅值、峰值、偏斜度、峭度、裕度指标、波形指标和脉冲指标；所述经典频域特征指标包括p14～p26。

4.根据权利要求2所述的一种机床主轴轴承敏感特征指标集构建与健康状态识别方法，其特征在于，所述评估因子计算方法为：

a)计算第c类第j个特征的类内距离：

式中：d_c,j——第c类第j个特征的类内距离；M_c——第c类的样本个数；J——特征个数；C——类别个数；q_m,c,j——第c类第m个样本的第j个特征的特征值；q_l,c,j——第c类第l个样本的第j个特征的特征值；

b)计算第j个特征C个类的类内距离的平均值

式中：

——第j个特征C个类的类内距离的平均值；

c)计算第c类M_c个样本第j个特征的平均值u_c,j：

d)计算第j个特征C个类的类间距离的平均值

式中：

——第j个特征C个类的类间距离的平均值；u_e,j——第e类第j个特征的平均值；u_c,j——第c类第j个特征的平均值；

e)计算第j个特征的评估因子a_j：

5.根据权利要求1所述的一种机床主轴轴承敏感特征指标集构建与健康状态识别方法，其特征在于，步骤(3)中，所述获取机床主轴轴承健康状态的具体步骤如下，

1)将敏感故障特征指标集划分为训练集和待识别数据集；

2)基于RBM无监督训练和BP反向微调方法，采用训练集数据训练深度置信网络；

3)将待识别数据集输入训练后的DBN模型，获取机床主轴轴承健康状态。

Images