CN112621381A - 机床进给系统健康状态智能评估方法及装置 - Google Patents
机床进给系统健康状态智能评估方法及装置 Download PDFInfo
- Publication number
- CN112621381A CN112621381A CN202011564982.9A CN202011564982A CN112621381A CN 112621381 A CN112621381 A CN 112621381A CN 202011564982 A CN202011564982 A CN 202011564982A CN 112621381 A CN112621381 A CN 112621381A
- Authority
- CN
- China
- Prior art keywords
- feeding system
- characteristic
- current state
- state
- health
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
- B23Q17/008—Life management for parts of the machine
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种机床进给系统健康状态智能评估方法及装置,方法包括:采集进给系统中前后轴承座、螺母座的当前振动信号;工作台进给过程中,在轴向工作行程均匀采集N段螺母座上的振动信号,对采集的N段振动信号进行处理,提取特征参数,分别得到N个反映进给系统当前状态的频移特征量以及能变特征量,分别计算两种特征量与正常状态特征量的偏离度,并通过特征级融合获得相应段的融合特征量,选择其中的最大值用来评估丝杠螺母副的健康状态;综合工作行程螺母座、前后轴承座的振动信号分析和特征提取,实现对进给系统的各部位的故障定位。本发明有利用实现设备的主动维护和设备故障的早期诊断,减少生产线设备的停机时间。
Description
技术领域
本发明涉及数控机床技术领域,特别涉及一种机床进给系统健康状态智能评估、故障诊断方法及装置。
背景技术
制造业是我国经济持续高速增长的支柱产业,也是一个国家综合国力和整体科技水平的象征。随着制造业向高速高精度发展,数控机床作为制造业的关键设备被广泛应用于航空、航天、船舶以及车辆等关键领域,是现代工业的重要基石。伺服进给系统作为数控机床的重要组成部分,是实现精确运动的核心部件,其性能状态对设备的加工精度和生产效率有着决定性的作用,一旦进给系统出现故障将对加工精度、产线开动率等产生严重影响且大大增加了机床维护时间与成本。
目前在企业的实际生产中,在对进给系统健康状态评估以及故障诊断方面更多依靠的是对部分零件进行定期更换或者是有经验工程技术人员的主观判断,但这两方面在准确性和效率上都有很大不足,而专业的检测设备的使用对企业生产节拍也会造成很大影响,而且增加了更多的维护安装成本,难以形成一个可靠性高且节省人力、物力的检测系统。目前,也有研究机构对进给系统进行状态评估或者故障诊断的研究,并取得了一定成果。
经检索,申请号为:201910005536.5,发明名称为:一种数控机床进给系统受力监测方法的中国发明专利,公开了一种数控机床进给系统受力监测方法,包括如下操作步骤:S1:获取数控机床电机功率参数,并根据该参数数据计算出进给过程中稳定进给段的电机功率;S2:获取稳定进给段的进给长度和时间,计算出稳定进给段的进给速度;S3:获取负载重量信息,并计算出驱动负载在稳定进给过程中的负载阻力;S4:将S1、S2、S3中获取数据带入计算公式进行数控机床进给系统受力计算;S5:评估,对数控机床进给受力情况进行评估,判断机床使用磨损情况。另外,申请号为:201210116183.4,发明名称为:一种基于电机转矩信号的机床进给系统运行性能评估方法的中国专利公开了一种机床进给系统运行性能评估方法,将空载恒速全进给行程的伺服电机输出转矩,分解为瞬时冲击、趋势函数和短周期波动,然后分别提取反映进给系统暂态稳定性、结构性能和运动性能的特征指标,实现进给系统的运行性能评估。
上述专利都需要接入数控系统获取内部参数,在时间上具有一定的延迟,在实时监测的快速性上略有不足。同时,诊断对象明确性不够,应用于进给系统不同的异常模式时,针对性不足。为此,需要设计出一种算法简单、计算效率高且普适性强的机床进给系统健康状态智能评估方法及装置。
发明内容
本发明针对现有技术存在的问题,提出一种机床进给系统健康状态智能评估及装置,通过采集当前状态的振动信号对进给系统健康状态智能评估,并进一步进行状态诊断,实现对进给系统的在线监控,有效提高加工效率,减小维护时间与成本。
本发明的第一方面,提供一种机床进给系统健康状态智能评估方法,包括:
采集进给系统当前状态振动信号;
对采集的所述当前状态振动信号进行处理,提取特征参数,得到反映进给系统当前状态的特征向量;
将得到的反映进给系统当前状态的特征向量与正常状态的特征向量进行计算比较,得到反映当前状态数据偏离正常状态数据的特征值,以此特征值判断进给系统的健康程度。
可选地,所述采集进给系统当前状态振动信号,包括:
分别从前、后轴承座、螺母座部位在全工作行程上,均匀采集N段进给系统当前状态的振动信号。
可选地,所述对采集的所述当前状态振动信号进行处理,包括:
对采集的所述当前状态振动信号,采用时频分析提取频移特征量以及能变特征量。
可选地,所述对采集的所述当前状态振动信号,采用时频分析提取频移特征量以及能变特征量,包括:
对采集的所述当前状态振动信号,进行离散三层小波包分解与重构,得到重构的八个频段信号;
分别计算八个频段信号的能量值,再对每个频带的能量值进行归一化处理,得到反映某段进给系统当前状态的小波包能量特征向量;
对采集的每段振动信号的计算其均方根值,得到反映某段进给系统当前状态的振动能量特征值。
上述频移、能变特征量,其实是指小波包能量特征向量和信号均方根植。
可选地,所述将得到的反映进给系统当前状态的特征向量与正常状态的特征向量进行计算比较,得到反映当前状态数据偏离正常状态数据的特征值,包括:
分别计算每段信号两种特征量与正常状态特征量的偏离度;两种特征量分别是信号小波包能量特征向量以及信号的均方根植;
基于所述偏离度,通过权重分配融合成相应段的融合特征量;
从所述融合特征量中选择融合特征量最大值作为特征量,作为反映当前状态数据偏离正常状态数据的特征值。
可选地,所述偏离度的值是个无量纲参量,值越大代表越偏离正常状态,健康等级越差,通过整体异常度特征量的阈值分层划分来判断进给系统的健康等级。
可选地,所述方法还包括:
将进给系统的故障发生部位划分为:前轴承、后轴承、滚珠螺母以及丝杠;
对采集到的N段进给系统振动信号基于时频分析进行特征提取,计算各段提取的特征量构成的样本集方差,并通过对正常数据学习统计设定方差阈值,若方差小于设定阈值,则排除丝杠不均匀磨损故障;若方差大于设定阈值,结合对进给系统的健康程度评估,进一步对进给系统各组成部分进行故障诊断;
针对前轴承座和后轴承座上振动传感器采集的振动信号,对分别采集的N段信号基于时频分析进行特征提取,将分别获得的N个特征值的平均值作为反映前、后轴承工作状态的特征量,由此判断前后轴承的健康程度;
若进给系统健康评估发现存在问题,在排除丝杠磨损故障前提下,结合前轴承座和后轴承座工作状态的判断,进一步对滚珠螺母的工作状态进行诊断,当前、后轴承座工作状态正常情况下,判断螺母出现工作状态异常。
本发明第二发明,提供一种机床进给系统健康状态智能评估装置,包括:
数据采集模块,通过振动传感器采集N段进给系统当前状态振动信号;
特征提取模块,根据所述数据采集模块采集的当前状态振动信号,采用时频分析得到反映进给系统当前状态的频移特征量以及能变特征量;
智能评估模块,根据所述特征提取模块的频移特征量以及能变特征量,将得到的反映进给系统当前状态的频移特征量以及能变特征量与正常状态的特征向量进行计算比较,得到反映当前状态数据偏离正常状态数据的特征值,以此特征值判断进给系统的健康程度。
可选地,所述系统还包括:
故障诊断模块,该模块基于时频分析的特征提取算法得到反映进给系统各组成部分的状态特征量,并通过正常数据的学习统计进行特征值阈值划分,通过逻辑推理判断,实现进给系统中滚珠螺母、前后轴承、丝杠部位的故障诊断。
本发明第三发明,提供一种终端,包括存储器、处理器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程序时用于执行所述的机床进给系统健康状态智能评估方法。
相较于现有技术,本发明具有如下至少一种有益效果:
(1)本发明的机床进给系统健康状态智能评估方法及装置,采集进给系统的振动信号进行状态评估与故障诊断,振动信号对于轴承、丝杠、螺母等关键部位出现磨损、破损等现象十分敏感,能够更加准确地对其进行状态评估和故障诊断。
(2)本发明的机床进给系统健康状态智能评估方法及装置,实现方法简单,对环境、温度等要求不高,只需要在机床轴承座、螺母座处安装振动传感器即可,对机床正常加工并不影响,所需要成本较低。
(3)本发明的机床进给系统健康状态智能评估方法及装置,通过对进给系统分段采集分析振动信号,实现进给系统分区间更精确化的状态监测。
(4)本发明的机床进给系统健康状态智能评估方法及装置,其中状态智能评估以及故障诊断的特征提取算法简单有效,计算效率高,能满足实时监测的要求。
(5)本发明的机床进给系统健康状态智能评估方法及装置,在故障诊断模块中无需对大量故障数据学习建模,通过阈值划分以及逻辑推理判断就可实现故障定位,提高了诊断的可行性。
附图说明
下面结合附图对本发明的实施方式作进一步说明:
图1为本发明一实施例的机床进给系统健康状态智能评估方法的具体流程图;
图2为本发明一实施例的机床单轴进给系统简易结构及传感器布置图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
图1为本发明一实施例的机床进给系统健康状态智能评估方法的具体流程图。结合图1,本实施例的机床进给系统健康状态智能评估方法,其包括以下步骤:
S11:以进给系统的X轴为例,采集X轴的当前状态振动信号;
S12:对采集的X轴振动信号进行处理,提取特征参数,得到反映X轴当前状态的特征量;
S13:将X轴当前状态的特征量与正常状态的特征量进行计算比较,得到反映当前状态数据偏离正常状态数据的特征值,以此特征值评估X轴的健康程度;
本发明实施例采集进给系统的振动信号进行状态评估,振动信号对于轴承、丝杠、螺母等关键部位出现磨损、破损等现象十分敏感,能够更加准确地对其进行状态评估,并可以进一步用于后续故障诊断。
本发明上述实施例中,步骤S11中分别从前、后轴承座、螺母座等部位在全工作行程上均匀采集N段X轴当前状态的振动信号,传感器布置如图2所示。N为大于等于1的自然数,表示“部位”上传感器的个数。传感器布置如图2所示,图2中每个部位上只放置了1个传感器。
本发明上述实施例中,步骤S11中同样可以对进给系统的Y、Z轴进行信号采集,同样可以从前、后轴承座、螺母座等部位采集N段信号,振动信号可以从轴的x/y/z(切向/轴向/径向)三个方向进行采集。
本发明上述实施例通过对进给系统分段采集分析振动信号,实现进给系统分区间更精确化的状态监测。实现方法简单,对环境、温度等要求不高,只需要在机床轴承座、螺母座处安装振动传感器即可,对机床正常加工并不影响,所需要成本较低。
本发明上述实施例中,作为一优选,步骤S12中对采集的某段X轴当前状态信号的具体处理方法可以为:对采集的振动信号进行离散三层小波包分解与重构,得到重构的八个频段信号。分别计算八个频段信号的能量值,再对每个频带的能量值进行归一化处理,得到反映某段X轴当前状态的小波包能量特征向量。另外,对采集的每段振动信号的各点能量求取其均方根值,得到反映某段X轴当前状态的振动能量特征值。
本发明上述实施例中,作为一优选,步骤S13中将某段X轴当前状态的特征向量与正常状态的特征向量进行计算比较并得到偏离度的具体处理为,计算某段X轴当前状态的小波包能量特征向量与正常状态的小波包能量特征向量的偏离度作为频移特征量;同样,计算每段信号的能量特征量的偏离度作为能变特征量。将频移特征量和能变特征量通过权重分配融合成相应段的融合异常度特征量,并从N段信号中选择最大值作为整体异常度特征量,通过设置相应的阈值来判断进给系统的健康程度。进一步的,步骤S13中偏离度的值是个无量纲参量,值越大代表越偏离正常状态,健康等级越差。因此可以通过整体异常度特征量的阈值分层划分来判断X轴的健康等级。
本发明上述实施例中,作为一优选,步骤S13中若某一段振动信号当前状态特征向量为[f1,f2,...,f8],正常状态的特征向量为[p1,p2,...,p8],则频移特征量算法为:
fi表示当前状态下小波包能量特征向量中第i个元素,1≤i≤8;pi表示正常状态下小波包能量特征向量中第i个元素。
步骤S13中若某一段振动信号当前状态能量特征值为ei,正常状态能量特征值为e,则能变特征量算法为:
λ2=|ei-e|/e
其中,λ2表示当前状态振动信号能量与正常状态信号能量之间的偏离程度。能量就是均方根植。
融合异常度特征量为;
λ=μ1λ1+μ2λ2
式中μ1,μ2为权重值,μ1+μ2=1。
λ表示:λ1和λ2融合的偏离度量。这里是采用了特征融合的方法。将小波包能量偏离度和信号能量偏离度(是分别从信号频移特性以及能量变化特性来反映)部分融合,得到敏感度更高的特征值。
本发明上述实施例中,步骤S13中用到的某段X轴正常状态特征量的获取方法,可以优选为:通过从数据库中获取历史振动信号,进行数据分析处理,并固定输入到智能评估模块。
本发明上述实施例中的状态智能评估以及故障诊断的特征提取算法简单有效,计算效率高,能满足实时监测的要求。在故障诊断模块中无需对大量故障数据学习建模,通过阈值划分以及逻辑推理判断就可实现故障定位,提高了诊断的可行性。
在上述实施例健康状态评估基础上,还进一步进行故障的诊断,在一较佳实施例中,可以在步骤S13之后进一步包括:
S501:将X轴的故障发生部位主要划分为:前轴承、后轴承、滚珠螺母以及丝杠;
S502:对采集到的N段进给系统振动信号基于时频分析进行特征提取,计算所有各段提取的融合特征量构成的样本集的方差,并通过对大量正常数据学习统计进而设定相应的方差阈值,若方差小于该设定阈值,则判断螺母或前、后轴承处出现故障;若方差大于设定阈值,可结合对进给系统的健康程度评估,进一步对进给系统各组成部分进行故障诊断。
S503:针对前轴承座和后轴承座上振动传感器采集的振动信号,对分别采集的N段信号基于时频分析进行特征提取,将分别获得的N个特征值的平均值作为反映前、后轴承工作状态的特征量,由此判断前后轴承的健康程度;
S504:如果进给系统健康评估发现存在问题,在排除丝杠磨损等故障前提下,结合前轴承座和后轴承座工作状态的判断,进一步对滚珠螺母的工作状态进行诊断,当前、后轴承座工作状态正常情况下,判断螺母出现工作状态异常。
本上述实施例能够准确地对故障进行诊断,方法简单,对环境、温度等要求不高,只需要在机床轴承座、螺母座处安装振动传感器即可,对机床正常加工并不影响,所需要成本较低,通过对进给系统分段采集分析振动信号,实现进给系统分区间更精确化的状态监测,故障诊断的特征提取算法简单有效,计算效率高,能满足实时监测的要求。
结合图1,在本发明另一实施例中,还提供一种机床进给系统健康状态智能评估方法装置,其包括:数据采集模块、特征提取模块、智能评估模块。数据采集模块通过振动传感器采集N段进给系统当前状态振动信号;特征提取模块根据所述数据采集模块采集的当前状态振动信号,采用时频分析得到反映进给系统当前状态的频移特征量以及能变特征量;智能评估模块根据所述特征提取模块的频移特征量以及能变特征量,将得到的反映进给系统当前状态的频移特征量以及能变特征量与正常状态的特征向量进行计算比较,得到反映当前状态数据偏离正常状态数据的特征值,以此特征值判断进给系统的健康程度。
在一具体实施例中,数据采集模块是通过加速度传感器采集X轴当前状态振动信号;特征提取模块是基于时频分析的信号处理方法,利用两种不同算法分别对振动信号进行特征提取,得到反映X轴当前状态的特征量,将X轴当前状态的特征量与正常状态的特征量进行计算比较,得到反映当前状态数据偏离正常状态数据的频移特征值和能变特征量,然后将两种特征值进行融合得到融合异常度特征值。智能评估模块是通过计算每段信号的融合异常度特征值,并从中选择偏离度最大值作为特征量,通过设置相应的阈值来判断X轴的健康程度。
上述的实施例的机床进给系统健康状态智能评估方法装置,还可以进一步包括故障诊断模块,该模块基于时频分析的特征提取算法得到反映进给系统各组成部分的状态特征量,并通过正常数据的学习统计进行特征值阈值划分,通过逻辑推理判断,实现进给系统中滚珠螺母、前后轴承、丝杠部位的故障诊断。具体的,在一实施例中,故障诊断模块是基于时频分析的特征提取算法得到基于螺母座振动信号的反映X轴状态的特征量,结合对轴承座振动信号的分析处理得到对轴承状态的诊断结果,通过逻辑推理判断,一步步实现X轴中滚珠螺母、前、后轴承、丝杠等部位的的精准故障定位,实现X轴的状态诊断。
为了更好地理解,以上述机床进给系统健康状态智能评估方法对应具体实施情况来对各个模块进行详细说明。具体地:
数据采集模块可以选用振动传感器,从前、后轴承座、螺母座等部位采集N段X轴当前状态的振动信号;
特征提取模块中对采集的某段X轴当前状态信号的具体处理方法为:对采集的振动信号进行离散三层小波包分解与重构,得到重构的八个频段信号。分别计算八个频段信号的能量值,再对每个频带的能量值进行归一化处理,得到反映某段X轴当前状态的小波包能量特征向量。另外,对采集的每段振动信号的各点能量求取其均方根值,得到反映某段X轴当前状态的振动能量特征值。
智能评估模块中计算某段X轴当前状态的小波包能量特征向量与正常状态的小波包能量特征向量的偏离度作为频移特征量;同样,计算每段信号的能量特征量的偏离度作为能变特征量。将频移特征量和能变特征量通过权重分配融合成相应段的融合异常度特征量,并从N段信号中选择最大值作为整体异常度特征量,通过设置相应的阈值来判断进给系统的健康程度。
故障诊断模块中将X轴的故障发生部位主要划分为:前轴承、后轴承、滚珠螺母以及丝杠,对采集到的N段进给系统振动信号基于时频分析进行特征提取,计算所有各段提取的融合特征量构成的样本集的方差,并通过对大量正常数据学习统计进而设定相应的方差阈值,若方差小于该设定阈值,则判断螺母或前、后轴承处出现故障;若方差大于设定阈值,可结合对进给系统的健康程度评估,进一步对进给系统各组成部分进行故障诊断。针对前轴承座和后轴承座上振动传感器采集的振动信号,对分别采集的N段信号基于时频分析进行特征提取,将分别获得的N个特征值的平均值作为反映前、后轴承工作状态的特征量,由此判断前后轴承的健康程度。如果进给系统健康评估发现存在问题,在排除丝杠磨损等故障前提下,结合前轴承座和后轴承座工作状态的判断,进一步对滚珠螺母的工作状态进行诊断,当前、后轴承座工作状态正常情况下,判断螺母出现工作状态异常。
在本发明另一实施例中,还提供一种终端,包括存储器、处理器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程序时用于执行上述任一实施例的机床进给系统健康状态智能评估方法。
本发明上述实施例,采集进给系统中前后轴承座、螺母座的当前振动信号;工作台进给过程中,在轴向工作行程均匀采集N段螺母座上的振动信号,对采集的N段振动信号进行处理,提取特征参数,分别得到N个反映进给系统当前状态的频移特征量以及能变特征量,分别计算两种特征量与正常状态特征量的偏离度,并通过特征级融合获得相应段的融合特征量,选择其中的最大值用来评估丝杠螺母副的健康状态;进一步的,综合工作行程螺母座、前后轴承座的振动信号分析和特征提取,实现对进给系统的各部位的故障定位。本发明有利用实现设备的主动维护和设备故障的早期诊断,减少生产线设备的停机时间。
此处公开的仅为本发明的优选实施例,本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化,均应落在本发明所保护的范围内。
Claims (10)
1.一种机床进给系统健康状态智能评估方法,其特征在于,包括:
采集进给系统当前状态振动信号;
对采集的所述当前状态振动信号进行处理,提取特征参数,得到反映进给系统当前状态的特征向量;
将得到的反映进给系统当前状态的特征向量与正常状态的特征向量进行计算比较,得到反映当前状态数据偏离正常状态数据的特征值,以此特征值判断进给系统的健康程度。
2.根据权利要求1所述的机床进给系统健康状态智能评估方法,其特征在于,所述采集进给系统当前状态振动信号,包括:
分别从前、后轴承座、螺母座部位在全工作行程上,均匀采集N段进给系统当前状态的振动信号,N为大于等于1的自然数,表示部位上传感器的个数。
3.根据权利要求1所述的机床进给系统健康状态智能评估方法,其特征在于,所述对采集的所述当前状态振动信号进行处理,包括:
对采集的所述当前状态振动信号,采用时频分析提取频移特征量以及能变特征量。
4.根据权利要求3所述的机床进给系统健康状态智能评估方法,其特征在于,所述对采集的所述当前状态振动信号,采用时频分析提取频移特征量以及能变特征量,包括:
对采集的所述当前状态振动信号,进行离散三层小波包分解与重构,得到重构的八个频段信号;
分别计算八个频段信号的能量值,再对每个频带的能量值进行归一化处理,得到反映某段进给系统当前状态的小波包能量特征向量,即频移特征量;
对采集的每段振动信号计算其均方根值,得到反映某段进给系统当前状态的振动能量特征值,即能变特征量。
5.根据权利要求4所述的机床进给系统健康状态智能评估方法,其特征在于,所述将得到的反映进给系统当前状态的特征向量与正常状态的特征向量进行计算比较,得到反映当前状态数据偏离正常状态数据的特征值,包括:
分别计算每段信号两种特征量与正常状态特征量的偏离度;所述两种特征量分别是信号的小波包能量特征向量以及信号的均方根植;
基于所述偏离度,通过权重分配融合成相应段的融合特征量;
从所述融合特征量中选择融合特征量最大值作为特征量,作为反映当前状态数据偏离正常状态数据的特征值。
6.根据权利要求5所述的机床进给系统健康状态智能评估方法,其特征在于,所述偏离度的值是个无量纲参量,值越大代表越偏离正常状态,健康等级越差,通过整体异常度特征量的阈值分层划分来判断进给系统的健康等级。
7.根据权利要求1-6任一项所述的机床进给系统健康状态智能评估方法,其特征在于,还包括故障诊断;所述故障诊断包括:
将进给系统的故障发生部位划分为:前轴承、后轴承、滚珠螺母以及丝杠;
对采集到的N段进给系统振动信号基于时频分析进行特征提取,计算各段提取的特征量构成的样本集方差,并通过对正常数据学习统计设定方差阈值,若方差小于设定阈值,则排除丝杠不均匀磨损故障;若方差大于设定阈值,结合对进给系统的健康程度评估,进一步对进给系统各组成部分进行故障诊断;
针对前轴承座和后轴承座上振动传感器采集的振动信号,对分别采集的N段信号基于时频分析进行特征提取,将分别获得的N个特征值的平均值作为反映前、后轴承工作状态的特征量,由此判断前后轴承的健康程度;
若进给系统健康评估发现存在问题,在排除丝杠磨损故障前提下,结合前轴承座和后轴承座工作状态的判断,进一步对滚珠螺母的工作状态进行诊断,当前、后轴承座工作状态正常情况下,判断螺母出现工作状态异常。
8.一种机床进给系统健康状态智能评估装置,其特征在于,包括:
数据采集模块,通过振动传感器采集N段进给系统当前状态振动信号;
特征提取模块,根据所述数据采集模块采集的当前状态振动信号,采用时频分析得到反映进给系统当前状态的频移特征量以及能变特征量;
智能评估模块,根据所述特征提取模块的频移特征量以及能变特征量,将得到的反映进给系统当前状态的频移特征量以及能变特征量与正常状态的特征向量进行计算比较,得到反映当前状态数据偏离正常状态数据的特征值,以此特征值判断进给系统的健康程度。
9.根据权利要求8所述的机床进给系统健康状态智能评估装置,其特征在于,还包括:
故障诊断模块,该模块基于时频分析的特征提取算法得到反映进给系统各组成部分的状态特征量,并通过正常数据的学习统计进行特征值阈值划分,通过逻辑推理判断,实现进给系统中滚珠螺母、前后轴承、丝杠部位的故障诊断。
10.一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时用于执行权利要求1-7任一所述的机床进给系统健康状态智能评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564982.9A CN112621381B (zh) | 2020-12-25 | 2020-12-25 | 机床进给系统健康状态智能评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564982.9A CN112621381B (zh) | 2020-12-25 | 2020-12-25 | 机床进给系统健康状态智能评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112621381A true CN112621381A (zh) | 2021-04-09 |
CN112621381B CN112621381B (zh) | 2022-07-26 |
Family
ID=75325107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011564982.9A Active CN112621381B (zh) | 2020-12-25 | 2020-12-25 | 机床进给系统健康状态智能评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112621381B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341879A (zh) * | 2021-05-11 | 2021-09-03 | 中国软件与技术服务股份有限公司 | 一种数控机床的数据采集与监控方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2018100334A1 (en) * | 2016-11-29 | 2018-06-07 | Sts Defence Limited | Engine health diagnostic apparatus and method |
CN109165632A (zh) * | 2018-09-20 | 2019-01-08 | 上海电力学院 | 一种基于改进d-s证据理论的设备故障诊断方法 |
CN109255201A (zh) * | 2018-10-24 | 2019-01-22 | 哈工大机器人(山东)智能装备研究院 | 一种基于som-mqe的滚珠丝杠副健康评估方法 |
CN109255395A (zh) * | 2018-10-24 | 2019-01-22 | 哈工大机器人(山东)智能装备研究院 | 一种滚珠丝杠副的寿命预测方法 |
CN109359873A (zh) * | 2018-10-24 | 2019-02-19 | 哈工大机器人(山东)智能装备研究院 | 一种基于pca-t2的滚珠丝杠副健康评估方法 |
-
2020
- 2020-12-25 CN CN202011564982.9A patent/CN112621381B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2018100334A1 (en) * | 2016-11-29 | 2018-06-07 | Sts Defence Limited | Engine health diagnostic apparatus and method |
CN109165632A (zh) * | 2018-09-20 | 2019-01-08 | 上海电力学院 | 一种基于改进d-s证据理论的设备故障诊断方法 |
CN109255201A (zh) * | 2018-10-24 | 2019-01-22 | 哈工大机器人(山东)智能装备研究院 | 一种基于som-mqe的滚珠丝杠副健康评估方法 |
CN109255395A (zh) * | 2018-10-24 | 2019-01-22 | 哈工大机器人(山东)智能装备研究院 | 一种滚珠丝杠副的寿命预测方法 |
CN109359873A (zh) * | 2018-10-24 | 2019-02-19 | 哈工大机器人(山东)智能装备研究院 | 一种基于pca-t2的滚珠丝杠副健康评估方法 |
Non-Patent Citations (2)
Title |
---|
吴希曦 等: "基于超球面支持向量机的丝杠故障诊断技术", 《计算机集成制造系统》 * |
寿云 等: "基于DSP和小波神经网络的丝杠性能评估系统设计", 《测试技术学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341879A (zh) * | 2021-05-11 | 2021-09-03 | 中国软件与技术服务股份有限公司 | 一种数控机床的数据采集与监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112621381B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
CN109857079B (zh) | 加工中心主轴系统工作状态异常的智能诊断方法及装置 | |
CN105718876A (zh) | 一种滚珠丝杠健康状态的评估方法 | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN111678698B (zh) | 一种基于声振信号融合的滚动轴承故障检测方法 | |
CN110363339B (zh) | 一种基于电机参数进行预测性维护的方法与系统 | |
CN109061387A (zh) | 一种基于圆环定理的电网异常状态判别方法 | |
CN115935243B (zh) | 一种基于数据处理的故障分析方法 | |
CN112131797B (zh) | 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法 | |
CN114372489A (zh) | 一种柴油机工况识别与异常诊断方法 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价系统 | |
CN107702919A (zh) | 基于声发射的滑动轴承润滑状态监测方法 | |
Spiewak et al. | Predictive monitoring and control of the cold extrusion process | |
CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
CN117129786A (zh) | 一种伺服驱动器综合测试系统 | |
CN112859741A (zh) | 一种机床顺序动作单元运行可靠性评价方法及系统 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
CN110411730A (zh) | 一种旋转设备故障判断方法、系统和可读存储介质 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
CN113487141B (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
CN113673010A (zh) | 一种基于监测数据的钢箱梁评估方法与系统 |
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 |