CN111413925A - 一种基于声音信号的机床故障预测方法 - Google Patents

一种基于声音信号的机床故障预测方法 Download PDF

Info

Publication number
CN111413925A
CN111413925A CN202010202454.2A CN202010202454A CN111413925A CN 111413925 A CN111413925 A CN 111413925A CN 202010202454 A CN202010202454 A CN 202010202454A CN 111413925 A CN111413925 A CN 111413925A
Authority
CN
China
Prior art keywords
machine tool
prediction
neural network
sound pressure
sound
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
Application number
CN202010202454.2A
Other languages
English (en)
Inventor
杨建中
郝勇
方问潮
黄德海
陈雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202010202454.2A priority Critical patent/CN111413925A/zh
Publication of CN111413925A publication Critical patent/CN111413925A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32222—Fault, defect detection of origin of fault, defect of product

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明属于数控机床故障预测相关技术领域，并公开了一种基于声音信号的机床故障预测方法。该预测方法包括下列步骤：(a)对于待预测机床，采集其在正常状态和不同故障状态下发出的音频信号，以此形成机床状态与音频信号一一对应的数据集；(b)对所述数据集中的数据进行数据处理，获得训练数据；(c)构建故障预测神经网络模型，利用所述训练数据对所述预测神经网络模型进行训练，以此获得所需的预测模型，利用该预测模型对于待预测机床的状态进行预测，以此实现机床故障的预测。通过本发明，避免计算零件的特征频率，减少计算量，提高了机床故障类型的识别速度。

Description

一种基于声音信号的机床故障预测方法
技术领域
本发明属于数控机床故障预测相关技术领域，更具体地，涉及一种基于声音信号的机床故障预测方法。
背景技术
机床开动之后，由于各运动副之间作旋转或往复直线滑动，周期地接触和分开，它们之间由于相互运动而产生一定的振动。此外，机床整个传动系统还会发生共振。因此，任何机床不管其结构如何合理。装配如何精确、操作如何得当，一经开动即会产生噪音。如果声音是有节奏的，和谐的，则属于正常现象，如果反之，声音过大，十分刺耳，则属于不正常现象。
数控机床是个多声源的机械，包括电气噪声、电机丝杠噪声、齿轮箱噪声等。齿轮箱可以看作为质量弹簧组成的一个振动系统，轮齿的弹簧刚度具有周期性变化的性质，制造装配误差、传动误差的存在和扭矩的变动形成激振力，在此激振力的作用下，齿轮会产生振动，此振动通过轴、轴承传给齿轮箱，轴承、轴等的振动也传给齿轮箱，产生箱体的振动。同时振动还以固体声和空气声的形式传播成为噪声，齿轮箱运转噪声本质上属于冲击噪声，冲击噪声可以分为两部分，即加速度噪声与自鸣噪声。所谓加速度噪声是指被撞击的物体产生瞬时加速度，从而在空气介质中产生速度势，产生声压。自鸣噪声则指冲击过后物体的自由衰减振动而产生的噪声。实际上是振动在空气中或固体中的传播，所以噪声的频率成分与振动基本上是完全一样的，产生的机理也是一样的。因此可以通过对机床噪声进行频谱分析来分析哪些频率的噪声超过了正常噪声声压范围，从而根据频率相等或者成整数倍判断机床哪个零件出现了故障。
但是机床由大量零件组成，计算每个零件的特征频率计算量较大，且部分零件特征频率计算复杂。因此需要一个方法能实现不用人工计算零件的特征频率就能自动将不同故障的噪声频谱分类为哪个零件出现了故障。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于声音信号的机床故障预测方法，其中通过对采集的机床声音信号进行数据处理，获得不同声音信号对应的频率、幅值和标记值，最后利用数据处理后的声音信号训练神经网络模型，以此获得预测模型，该方法直接对机床噪声频谱分类的方法，避免了计算零件的特征频率，大大减少了计算量，提高了机床故障类型的识别速度。
为实现上述目的，按照本发明的一个方面，提供了一种基于声音信号的机床故障预测方法，该预测方法包括下列步骤：
(a)对于待预测机床，采集其在正常状态和不同故障状态下发出的音频信号，以此形成机床状态与音频信号一一对应的数据集；
(b)对所述数据集中的数据进行数据处理，获得训练数据，所述数据处理按照下列步骤进行：
(b1)对所述音频信号集中的音频信号进行傅里叶处理，获得每个音频信号对应的关于频率和声压关系的频谱图；
(b2)根据正常状态下声压设定声压阈值，将所述频谱图中每个点对应的声压与设定的声压阈值进行比较，对于大于所述声压阈值的点，赋予一个标记值，对于小于所述声压阈值的点，赋予另外一个标记值，以此获得每幅频谱图中每个点对应的标记值；
(c)构建故障预测神经网络模型，利用所述训练数据对所述预测神经网络模型进行训练，以此获得所需的预测模型，对于待预测机床的状态，将其发出的音频信号按照步骤(b)中的方式进行数据处理，将处理后的数据输入所述预测模型获得待预测机床的状态，以此实现机床故障的预测。
进一步优选地，在步骤(c)中，所述预测神经网络模型中，频率、声压和标记值作为输入，机床状态作为输出。
进一步优选地，在步骤(a)中，所述不同故障状态包括电气故障、电机丝杠故障、齿轮故障和轴承故障。
进一步优选地，在步骤(b)中，还包括对机床状态进行编号，每个编号对应一种机床状态。
进一步优选地，在步骤(b2)中，所述一个标记值优选为1，另一个标记值优选为0。
进一步优选地，在步骤(b2)中，所述预测声压阈值优选为75dB。
进一步优选地，在步骤(c)中，所述预测神经网络模型优选采用卷积神经网络、RBF神经网络或BP神经网络。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具备下列有益效果：
1、本发明中提供的机床故障预测方法，不用计算机床各零件的特征频率，避免了大量的复杂计算，同时，通过机床噪声预测机床故障时更加迅速，相比人工判断机床状态结果准确，节省人工成本；
2、本发明中辨识机床故障类型时，直接向计算机输入机床噪音信号就能得到噪音频谱，再将其输入到训练好的神经网络模型就能预测机床故障类型，不需要提取机床的油样来分析，也不用其他探伤设备，操作简单。
附图说明
图1是按照本发明的优选实施例所构建的基于声音信号的机床故障预测方法的流程图；
图2是按照本发明的优选实施例所构建的机床噪声和振动传递过程示意图；
图3是按照本发明的优选实施例所构建的预测神经网络模型的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种基于声音信号的机床故障预测方法，具体包括如下步骤：
(1)令机床以正常状态和不同故障状态启动，在同一地点采集机床在不同零件发生故障时产生的噪音；
(2)对不同故障类型的机床噪音进行快速傅里叶变换(FFT)处理，提取出机床噪音的频谱图，机床各个频率的对应的声压值；获得每个点对应的幅值，发现机床正常运转时，各个频率的噪音都在正常声压范围内，不同零件发生故障时，频谱上，在该零件的特征频率或频率的整数倍上的噪音会超出正常声压；提取频谱样本各点的声压值，频率值，以及为每个点做特征标记值；标记的方法如下：
根据正常状态下机床发出的声音的声压值设定为声压阈值；将频谱图中每个点对应的声压与设定的声压阈值进行比较，对于大于所述声压阈值的点，赋予一个标记值，对于小于声压阈值的点，赋予另外一个标记值，以此获得每幅频谱图中每个点对应的标记值；
(3)搭建神经网络，以机床噪音的幅值谱每个点的3组特征(频率，幅值和标记值)为输入，以故障零件编号为输出，从而实现根据机床噪音预测出机床哪个零件出现了故障。
下面将结合具体的实施例进一步说明本发明。
如图2和3所示，对机床噪音信号进行频谱分析，并将噪音信号的幅值谱输入训练好的神经网络模型，从而将机床噪音信号分类为机床某种故障类型。针对训练神经网络模型，具体实施步骤为：
(1)收录机床不同状态下的声音信号。
(2)对声音信号进行FFT变换处理，得到频谱样本。
(3)通过频谱样本制作神经网络训练样本的3个特征和1个label。首先提取出频谱样本每个点的声压值作为第一组特征；再提取出每个点的频率值作为第二组特征；按照JB2278-78《金属切削机床通用技术条件》的规定，机床噪声的容许标准应是：高精度机床应小于75dB，所以以75dB作为机床正常声压最大值，因此将每个频率的声压值减去75dB，结果小于0，则给该频率样本标记为mark＝0，如果大于0，则标记mark＝1。如果一个频谱样本的所有频率标记均为0，则机床正常；如果有频率标记为1，则机床处于故障状态，并找到标记为1的频率值，通过神经网络得到故障零件编号。样本label为故障零件编号，如果机床正常工作，则label＝0。
(4)将样本的3组特征值及label送入搭建的神经网络进行训练。
(5)预测时，将机床噪音信号按之前步骤提取出3组特征值，送入神经网络预测得到故障零件编号。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于声音信号的机床故障预测方法，其特征在于，该预测方法包括下列步骤：
(a)对于待预测机床，采集其在正常状态和不同故障状态下发出的音频信号，以此形成机床状态与音频信号一一对应的数据集；
(b)对所述数据集中的数据进行数据处理，获得训练数据，所述数据处理按照下列步骤进行：
(b1)对所述音频信号集中的音频信号进行傅里叶处理，获得每个音频信号对应的关于频率和声压关系的频谱图；
(b2)根据正常状态下声压设定声压阈值，将所述频谱图中每个点对应的声压与设定的声压阈值进行比较，对于大于所述声压阈值的点，赋予一个标记值，对于小于所述声压阈值的点，赋予另外一个标记值，以此获得每幅频谱图中每个点对应的标记值；
(c)构建故障预测神经网络模型，利用所述训练数据对所述预测神经网络模型进行训练，以此获得所需的预测模型，对于待预测机床的状态，将其发出的音频信号按照步骤(b)中的方式进行数据处理，将处理后的数据输入所述预测模型获得待预测机床的状态，以此实现机床故障的预测。
2.如权利要求1所述的一种基于声音信号的机床故障预测方法，其特征在于，在步骤(c)中，所述预测神经网络模型中，频率、声压和标记值作为输入，机床状态作为输出。
3.如权利要求1所述的一种基于声音信号的机床故障预测方法，其特征在于，在步骤(a)中，所述不同故障状态包括电气故障、电机丝杠故障、齿轮故障和轴承故障。
4.如权利要求1所述的一种基于声音信号的机床故障预测方法，其特征在于，在步骤(b)中，还包括对机床状态进行编号，每个编号对应一种机床状态。
5.如权利要求1所述的一种基于声音信号的机床故障预测方法，其特征在于，在步骤(b2)中，所述一个标记值优选为1，另一个标记值优选为0。
6.如权利要求1所述的一种基于声音信号的机床故障预测方法，其特征在于，在步骤(b2)中，所述预测声压阈值优选为75dB。
7.如权利要求1所述的一种基于声音信号的机床故障预测方法，其特征在于，在步骤(c)中，所述预测神经网络模型优选采用卷积神经网络、RBF神经网络或BP神经网络。
CN202010202454.2A 2020-03-20 2020-03-20 一种基于声音信号的机床故障预测方法 Pending CN111413925A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010202454.2A CN111413925A (zh) 2020-03-20 2020-03-20 一种基于声音信号的机床故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010202454.2A CN111413925A (zh) 2020-03-20 2020-03-20 一种基于声音信号的机床故障预测方法

Publications (1)

Publication Number Publication Date
CN111413925A true CN111413925A (zh) 2020-07-14

Family

ID=71491291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010202454.2A Pending CN111413925A (zh) 2020-03-20 2020-03-20 一种基于声音信号的机床故障预测方法

Country Status (1)

Country Link
CN (1) CN111413925A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215108A (zh) * 2020-09-29 2021-01-12 三一专用汽车有限责任公司 搅拌车故障预判方法、装置和计算机可读存储介质
CN113033490A (zh) * 2021-04-23 2021-06-25 山东省计算中心（国家超级计算济南中心） 基于声音信号的工业设备通用故障检测方法及系统
CN113553465A (zh) * 2021-06-15 2021-10-26 深圳供电局有限公司 声音数据入库方法、装置、计算机设备和存储介质
WO2023061851A1 (de) * 2021-10-11 2023-04-20 Reishauer Ag Verfahren zur überwachung des zustands einer verzahnmaschine

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205665006U (zh) * 2016-02-14 2016-10-26 成都柏森松传感技术有限公司 一种轴承跑合异音检测系统
CN108414079A (zh) * 2018-03-21 2018-08-17 广东电网有限责任公司电力科学研究院 一种变压器噪声监测系统
CN108958165A (zh) * 2018-08-21 2018-12-07 四川台合机电设备有限责任公司 用于数控机床的实时故障监测方法
CN110031088A (zh) * 2019-04-17 2019-07-19 珠海格力电器股份有限公司 电子设备故障检测方法、装置、设备和吸油烟机
CN110867196A (zh) * 2019-12-03 2020-03-06 桂林理工大学 一种基于深度学习及声音识别的机器设备状态监测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205665006U (zh) * 2016-02-14 2016-10-26 成都柏森松传感技术有限公司 一种轴承跑合异音检测系统
CN108414079A (zh) * 2018-03-21 2018-08-17 广东电网有限责任公司电力科学研究院 一种变压器噪声监测系统
CN108958165A (zh) * 2018-08-21 2018-12-07 四川台合机电设备有限责任公司 用于数控机床的实时故障监测方法
CN110031088A (zh) * 2019-04-17 2019-07-19 珠海格力电器股份有限公司 电子设备故障检测方法、装置、设备和吸油烟机
CN110867196A (zh) * 2019-12-03 2020-03-06 桂林理工大学 一种基于深度学习及声音识别的机器设备状态监测系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215108A (zh) * 2020-09-29 2021-01-12 三一专用汽车有限责任公司 搅拌车故障预判方法、装置和计算机可读存储介质
CN113033490A (zh) * 2021-04-23 2021-06-25 山东省计算中心（国家超级计算济南中心） 基于声音信号的工业设备通用故障检测方法及系统
CN113033490B (zh) * 2021-04-23 2023-09-19 山东省计算中心（国家超级计算济南中心） 基于声音信号的工业设备通用故障检测方法及系统
CN113553465A (zh) * 2021-06-15 2021-10-26 深圳供电局有限公司 声音数据入库方法、装置、计算机设备和存储介质
CN113553465B (zh) * 2021-06-15 2023-12-19 深圳供电局有限公司 声音数据入库方法、装置、计算机设备和存储介质
WO2023061851A1 (de) * 2021-10-11 2023-04-20 Reishauer Ag Verfahren zur überwachung des zustands einer verzahnmaschine

Similar Documents

Publication Publication Date Title
CN111413925A (zh) 一种基于声音信号的机床故障预测方法
Wang et al. A novel statistical time-frequency analysis for rotating machine condition monitoring
CN110153801B (zh) 一种基于多特征融合的刀具磨损状态辨识方法
CN110419012B (zh) 诊断设备、诊断系统、诊断方法和程序
Udmale et al. Application of spectral kurtosis and improved extreme learning machine for bearing fault classification
Boutros et al. Detection and diagnosis of bearing and cutting tool faults using hidden Markov models
KR102166649B1 (ko) 기계학습을 이용한 회전기계 고장 진단 및 예측시스템
CN109858104B (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
WO2016077997A1 (en) Wind turbine condition monitoring method and system
CN107576488A (zh) 一种采用振动算法对设备运行状态进行监测诊断的方法
CN110260913A (zh) 诊断装置、诊断方法及计算机可读存储介质
CN108304348B (zh) 一种基于二元维纳过程的轴承剩余寿命预测方法
JP2019098515A (ja) 刃具状態検査システム及び方法
CN101697072A (zh) 数控机床故障诊断系统及其方法
CN109253872A (zh) 一种基于ceemdan的转子运行状态监测方法
CN109374293B (zh) 一种齿轮故障诊断方法
KR102433483B1 (ko) 진동 센서를 통한 설비 예지 보전 시스템
CN110196173A (zh) 一种基于自学习的强噪声环境机器运行故障在线检测方法
CN117628005A (zh) 一种融合信号液压马达故障诊断方法及系统
CN106441843B (zh) 一种旋转机械故障波形识别方法
CN118501692A (zh) 伺服电机故障诊断方法及系统
Rajapaksha et al. Acoustic analysis based condition monitoring of induction motors: A review
Cao et al. Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator
Enshaei et al. Icphm’23 benchmark vibration dataset applicable in machine learning for systems’ health monitoring
CN111456915A (zh) 风机机舱内部部件的故障诊断装置及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200714

RJ01 Rejection of invention patent application after publication