CN113435327A - 一种电主轴状态评估方法、系统、设备及可读存储介质 - Google Patents
一种电主轴状态评估方法、系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113435327A CN113435327A CN202110714894.0A CN202110714894A CN113435327A CN 113435327 A CN113435327 A CN 113435327A CN 202110714894 A CN202110714894 A CN 202110714894A CN 113435327 A CN113435327 A CN 113435327A
- Authority
- CN
- China
- Prior art keywords
- state evaluation
- bearing
- evaluation result
- signal
- vibration
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 127
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000001035 drying Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000009916 joint effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001258936 Maize fine streak nucleorhabdovirus Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种电主轴状态评估方法、系统、设备及可读存储介质，分别采用集合经验模态分解和时变自回归模型获取振动信号的特征向量、电流信号的特征向量，基于振动信号的特征向量和振动预训练模型获取轴承振动信号的状态评估结果，基于电流信号的特征向量和电流预训练模型获取电机电流信号的状态评估结果，采用温度阈值判断法对轴承的温度信号进行状态评估得到轴承温度信号的状态评估结果，经过D‑S证据理论将电机电流信号的状态评估结果、轴承振动信号的状态评估结果和轴承温度信号的状态评估结果进行融合得到主轴状态评估结果，实现多源信息融合状态评估，避免了单一传感器的不确定性与不稳定性，能够实现精确的状态评估。
Description
技术领域
本发明属于数控加工领域，具体涉及一种电主轴状态评估方法、系统、设备及可读存储介质。
背景技术
在数控机床运行过程中，电主轴是最容易产生故障的部件之一。电主轴的状态直接影响加工零件的质量。对于工作中的电主轴，通过检测并分析其振动、电流及温度等信号，实时对电主轴的状态进行评估，对电主轴进行有效的维护，既能提高电主轴寿命和可靠性，又能提高零件的加工质量和加工效率。
对于电主轴状态监测和评估系统的研发，目前已有不少进展，但其均有一些难以解决的问题，例如传感器安装受限较大、与机床数控系统无法集成、仅基于单一振动信号进行状态监测等。近几年，我国在电主轴评估方面取得了不小的进步，然而与国外电主轴和机床企业相比，仍然存在较大的差距，尤其是在精度、寿命和可靠性等方面。
目前国内外在主轴状态评估方法方面已有不少研究。如湖南大学Yu等人提出了使用经验模态分解的方法(EMD)，通过将特征能量熵值输入到神经网络中，得到主轴轴承故障的结果。张邦基等人则是将小波变换和粗集理论结合起来，从而获得主轴轴承的信号提取特征。万书亭等人提出了基于谱峭度和EMD方法的主轴轴承状态评估方法。程军圣等人提出了基于局部均值分解，并将结果输入到神经网络中得到主轴轴承故障的评估方法。ThomsonWT通过快速傅里叶变换分析主轴电机的电流，对主轴电流信号进行分析。D’Angelo MFSV等人提出了使用模糊理论和贝叶斯公式的方法，并能够应用于主轴电机定子的短路识别。Ilhan Aydin等人提出了以主轴电机电流进行特征分析，先对电流进行Hibert变换，再对其序列结果计算熵值，并通过熵值判断主轴电机转子的故障。然而，目前大多数主轴状态监测与分析所采用的信号单一，存在的评估信息单一，无法有效电主轴状态进行评估，无法得到准确的状态效果。
发明内容
本发明的目的在于提供一种电主轴状态评估方法、系统、设备及可读存储介质，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种电主轴状态评估方法，包括以下步骤：
S1，分别对电主轴的轴承的振动信号、轴承的温度信号以及电主轴的电机的电流信号进行去燥处理；
S2，分别采用集合经验模态分解和时变自回归模型获取振动信号的特征向量，同时使用集合经验模态分解提取电流信号的特征向量；
S3，基于振动信号的特征向量和振动预训练模型获取轴承振动信号的状态评估结果，基于电流信号的特征向量和电流预训练模型获取电机电流信号的状态评估结果，采用温度阈值判断法对轴承的温度信号进行状态评估得到轴承温度信号的状态评估结果；
S4，采用D-S证据理论将电机电流信号的状态评估结果、轴承振动信号的状态评估结果和轴承温度信号的状态评估结果进行融合得到主轴状态评估结果，实现对主轴状态评估。
进一步的，对轴承的振动信号进行小波包分解并降噪，得到降噪后的振动信号；对降噪后的振动信号进行集合经验模态分解，得到分解后的本征模态函数；取前六个本征模态函数，分别求其总能量，获得六维列向量，并对六维列向量进行归一化处理得到特征向量，将归一化后的特征向量作为振动预训练模型的输入进行状态评估得到轴承振动信号的集合经验状态评估结果。
进一步的，对降噪后的振动信号进行时变自回归模型建模，得到其拟合参数作为特征向量，将建模得到的特征向量作为振动预训练模型的输入进行状态评估得到轴承振动信号的时变自回归状态评估结果。
进一步的，采用D-S证据理论对所述振动信号的集合经验状态评估结果和时变自回归状态评估结果进行决策融合得到最终的轴承状态评估结果。
进一步的，采用网络结构为单输入层，双隐藏层，单输出层的深度神经网络，其中第一隐藏层的节点个数为5，第二隐藏层的节点个数为12，采用归一化后的特征向量对深度神经网络进行训练得到基于深度神经网络的状态评估模型。
进一步的，取采集到温度信号的最大值，作为判断指标，根据判断指标所处设定阈值范围即可得到相应的轴承状态结果。
进一步的，使用D-S合成规则计算两证据体联合作用下的基本可信度分配函数m(ζn)，其具体步骤为：
m1和m2为两个证据源相对应的基本可信度分配函数，Aw和Bp分别对应状态的模式，其按照以下公式进行合成：
得到的m′(A)即为最终轴承状态评估结果；基本可信度分配函数由深度神经网络输出的结果进行归一化处理得到。
一种电主轴状态评估系统，包括：
信号预处理模块，用于对采集的电主轴的轴承的振动信号、轴承的温度信号以及电主轴的电机的电流信号进行去燥处理，并分别获取振动信号的特征向量，电流信号的特征向量；
预训练模块，用于根据振动信号的特征向量输出电机电流信号的状态评估结果，根据电流信号的特征向量输出轴承温度信号的状态评估结果，根据轴承的温度信号输出轴承温度信号的状态评估结果；
主轴状态模块，用于根据电机电流信号的状态评估结果、轴承振动信号的状态评估结果和轴承温度信号的状态评估结果进行融合后输出主轴状态评估结果。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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电主轴状态评估方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电主轴状态评估方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种电主轴状态评估方法，通过分别采用集合经验模态分解和时变自回归模型获取振动信号的特征向量、电流信号的特征向量，基于振动信号的特征向量和振动预训练模型获取轴承振动信号的状态评估结果，基于电流信号的特征向量和电流预训练模型获取电机电流信号的状态评估结果，采用温度阈值判断法对轴承的温度信号进行状态评估得到轴承温度信号的状态评估结果，经过D-S证据理论将电机电流信号的状态评估结果、轴承振动信号的状态评估结果和轴承温度信号的状态评估结果进行融合得到主轴状态评估结果，实现了振动信号，温度信号和电流信号的多源信息融合状态评估，采用多传感器信息融合的方式，协同评估主轴状态，在状态评估方面具有较高的实用性和可靠性，避免了单一传感器的不确定性与不稳定性，能够实现精确的状态评估。本发明成本低，使用传感器数目较少，避免人工停机监测的高成本，本发明对主轴状态进行了分类，在低风险下不进行报警，保证生产效率，在线实时监测，能够及时对主轴进行维护预警。
一种电主轴状态评估系统，结构简单，根据电主轴的振动、电流及温度等信息，采用特征提取和多源融合的方法，对电主轴的状态进行评估，为数控机床的高质量加工提供保障。
附图说明
图1为本发明实施例中各传感器处理流程及多源信息融合流程图。
图2为本发明实施例中基于多源信息融合的电主轴状态评估方法流程图。
图3为本发明实施例中振动传感器布置位置图。
图4为本发明实施例中温度传感器布置图。
图5为本发明实施例中电流传感器示意。
具体实施方式
下面结合附图对本发明做进一步详细描述：
结合图3至图5所示，本发明多源信息融合的电主轴状态评估方法需要布置振动、电流及温度传感器。振动传感器L布置于前端轴承外侧，用于采集轴承的振动信号。电流传感器S布置于电源箱中，具体位置为电机电源线外侧，根据霍尔原理进行测量，用于采集电机的电流信号。温度传感器共6个R1-R6，轴承前后轴承座外侧分别布置3个，用于采集轴承的温度信号。所述振动传感器L采用压电式传感器，该振动传感器输出电压为0～5V，加速度范围为0～50g，其优点是密封性和抗震性好，坚固耐用；所述电流传感器S采用闭环霍尔电流传感器，量程为0～20A，输出为0～5V，抗干扰能力强，方便易用；所述温度传感器R1-R6选用电阻式温度传感器，量程为-40～900℃，输出可调，简单易用。
结合图1和图2，本发明一种电主轴状态评估方法，首先完成对电主轴的轴承的振动信号和温度信号，以及电主轴的电机的电流信号的采集，接着对采集到的信号进行去噪处理；之后再采用集合经验模态分解(简称：EEMD)对振动信号与电流信号进行处理，得到振动信号与电流信号的特征向量，接着通过深度神经网络完成对应的状态评估；同时采用时变自回归模型(简称：TVAR)处理振动信号，得到其特征向量，采用深度神经网络完成对应的状态评估，基于温度信号的轴承状态评估，输出温度信号的状态评估结果；最后采用D-S证据理论对轴承的状态评估结果进行融合，并综合轴承状态评估结果，电流评估结果对主轴状态进行评估。
具体包括以下步骤：
步骤1：对轴承的振动信号x(t)进行小波包分解并降噪，得到降噪后的振动信号y(t)；具体步骤如下：
(1.1)振动信号x(t)能够表示为[x1，x2，...，xn]，是一组离散信号，通过离散小波变换
能够得到变换后的结果Wj，k，其中
为小波包函数。
(1.2)取Wj，k的后四层分量，对其进行软阈值处理，并对处理后的分量进行小波重构，得到去噪后的信号y(t)。
步骤2，对降噪后的振动信号y(t)进行集成经验模态分解，得到本征模态函数IMF，具体步骤如下：
(2.1)初始化噪声大小e，总体平均次数M，分解次数p＝1；
(2.2)第m次加噪声后，振动信号为yp(t)，yp(t)＝y(t)+np(t)；其中np(t)为第p次加入的噪声。
(2.3)对加噪声后的振动信号yp(t)进行经验模态分解，得到一组IMFp，q，IMFp，q为经过第p次分解后，得到的第q个IMF分量。
(2.4)计算经过p次分解后，得到的IMF的总体平均值，记为IMFq。
(2.5)对yp(t)和IMFq做差，并对其差值重复步骤(2.3)～(2.4)。
步骤3，取步骤2得到的前六个IMF分量进行能量提取，并组合形成特征向量T，并对其进行归一化处理得到归一化后的特征向量T′。具体步骤如下：
(3.1)对各IMF分量求能量Eα，公式为：
(3.2)组合得到的6个Eα能量，构造一个特征向量T如下：
T＝[E1，E2，E3…，E6]
(3.3)对特征向量T进行归一化处理：
T′＝[E1/E，E2/E，E3/E…，E6/E]
1中
得到的T′即为归一化后的特征向量。
步骤4，将归一化后的特征向量T′作为深度神经网络(振动预训练模型)的输入，求解神经网络的结果，进行状态评估，输出振动信号的状态评估结果，振动预训练模型的训练具体步骤如下：
(4.1)建立训练集和测试集；
其中训练集的输入为特征向量T′，输出为β。其中β＝[β1，β2，β3，β4]。为轴承状态的集合向量。
(4.2)确定网络规模
采用深度神经网络，网络结构为单输入层，双隐藏层，单输出层。其中第一隐藏层的节点个数为5，第二隐藏层的节点个数为12。
(4.3)选用一定量的训练集对网络进行训练，建立深度神经网络的状态评估模型。
(4.4)使用训练好的网络对需评估的样本进行评估，并输出振动信号的状态评估结果βr。
步骤5，对降噪后的信号y(t)进行时变自回归模型建模，得到其拟合参数A作为特征向量。其具体步骤如下：
(5.1)使用信号的先前值估计当前值和将来值，其表达式为：
(5.2)对式中的估计参数ai(t)，有
AT＝(a10，..，a1m，..，ap0，...，apm)
(5.3)其中AT是大小为1×p*(m+1)的矩阵，aij是时间基函数的权值，i＝1，2，...，p，j＝0，1，...，m。同时令
其中
为1×p*(m+1)矩阵，gi(t)是所选用的时间基函数。
(5.4)从而可以将式(4-16)写成最小二乘的形式：
其中et是该模型的拟合误差，其维度和xt相同，在这个替换过程中，标量过程被替换为向量过程，从而把线性非平稳问题转换成线性时不变问题。
(5.5)由最小二乘原理可知，所需参数A达到最佳值
需要残差et的平方和达到最小，即：
(5.6)由此得到矩阵A的最小二乘估计值：
所得到的
即为特征输入向量。
步骤6，将建模得到的向量
作为深度神经网络的输入进行状态评估，输出轴承振动信号的状态评估结果。其具体步骤如下：
(6.1)确定网络规模，与步骤(4.2)相同，采用深度神经网络，网络结构为单输入层，双隐藏层，单输出层。其中第一隐藏层的节点个数为N，取N＝5，第二隐藏层的节点个数为M，取M＝12。
(6.2)建立训练集和测试集
其中训练集的输入为特征向量
输出为β。其中β＝[β1，β2，β3，β4]。为轴承状态的集合向量。
(6.3)选用一定量的训练集对网络进行训练，建立深度神经网络的状态评估模型。
(6.4)使用训练好的网络对需评估的样本进行评估，并输出振动信号的状态评估结果δr。
步骤7，进行了基于电流信号的电机状态评估，对电流信号执行上述步骤1-4的操作，得到电机电流信号a(t)的状态评估结果；
(7.1)其中，网络的输出为γ＝[γ1，γ2，γ3，γ4]，分别对应电机的运行状态。
步骤8，基于轴承温度信号的轴承状态评估，其具体步骤如下：
按照轴承温度对主轴状态的影响，将轴承温度状态分为四个类别，热级正常、微热级、强热级和激热级，每个等级的阈值如表1所示。
表1轴承温度等级阈值表
(8.1)取采集到六个温度信号的最大值，作为判断指标tm；
(8.2)若判断指标tm＜50℃，则判断为轴承热级正常。轴承处于正常状态。
若判断指标50℃＜tm＜80℃，则判断为轴承微热级。轴承处于故障状态。
若判断指标50℃＜tm＜110℃，则判断为轴承强热级。轴承处于故障状态。
若判断指标tm＞110℃，则判断为轴承激热级。轴承处于故障状态。
步骤9，使用DS证据理论对步骤4及步骤5中的结果进行融合，并将融合后的结果和温度评估结果，电流评估结果进行融合，得到主轴状态。其具体步骤如下：
(9.1)构造决策系统的识别框架Θ＝{A1，A2，…，Ax}，其中Θ为状态的集合，x为状态的模式个数，Ax为具体的状态情况；
(9.2)构造基本可信度分配函数：
基本可信度分配函数由深度神经网络输出的结果处理后得到，对步骤(4.4)和步骤(6.4)得到的输出结果βr和δr进行归一化处理，
归一化处理后的βr和δr即为基本可信度分配函数。
(9.3)使用D-S合成规则计算两证据体联合作用下的基本可信度分配函数m(ζn)，其具体步骤为：
m1和m2为两个证据源相对应的基本可信度分配函数，Aw和Bp分别对应的模式，其按照以下公式进行合成：
(9.4)上述得到的m′(A)即为最终轴承状态评估结果，同时将其与轴温评估结果，电流评估结果进行结合，综合评估主轴当前状态，主轴状态划分表如表2所示：
若三种评估结果均为正常，则判定当前主轴状态为优；
若仅有轴温评估结果为微热级。则判定当前主轴状态为良；
若仅有振动评估结果为故障或仅有电流评估结果为故障或仅有轴温评估结果为强热级，激热级，则判定当前主轴状态为中，需要进行检查。
若有两种及以上传感器评估结果为故障，则判定当前主轴状态为差，需停机检查。
本发明一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器采用中央处理单元(CPU)，或者采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可用于电主轴状态评估方法的操作。
一种电主轴状态评估系统，包括：
信号预处理模块，用于对采集的电主轴的轴承的振动信号、轴承的温度信号以及电主轴的电机的电流信号进行去燥处理，并分别获取振动信号的特征向量，电流信号的特征向量；
预训练模块，用于根据振动信号的特征向量输出电机电流信号的状态评估结果，根据电流信号的特征向量输出轴承温度信号的状态评估结果，根据轴承的温度信号输出轴承温度信号的状态评估结果；
主轴状态模块，用于根据电机电流信号的状态评估结果、轴承振动信号的状态评估结果和轴承温度信号的状态评估结果进行融合后输出主轴状态评估结果。
本发明再一个实施例中，本发明还提供了一种存储介质，具体采用计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。计算机可读存储介质包括终端设备中的内置存储介质，提供存储空间，存储了终端的操作系统，也可包括终端设备所支持的扩展存储介质。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中可用于电主轴状态评估方法的相应步骤。
综上所述，本发明与现有技术相比，避免了单一传感器存在的不确定性与不稳定性问题。能够实现精确的主轴状态评估。同时具有成本低，使用传感器数目较少，避免人工停机监测高成本的优点。另外，本发明根据评估结果对主轴状态进行了分类，在低风险下不进行报警，保证生产效率。同时在线实时监测，能够及时对主轴进行维护预警。
Claims (10)
1.一种电主轴状态评估方法，其特征在于，包括以下步骤：
S1，分别对电主轴的轴承的振动信号、轴承的温度信号以及电主轴的电机的电流信号进行去燥处理；
S2，分别采用集合经验模态分解和时变自回归模型获取振动信号的特征向量，同时使用集合经验模态分解提取电流信号的特征向量；
S3，基于振动信号的特征向量和振动预训练模型获取轴承振动信号的状态评估结果，基于电流信号的特征向量和电流预训练模型获取电机电流信号的状态评估结果，采用温度阈值判断法对轴承的温度信号进行状态评估得到轴承温度信号的状态评估结果；
S4，采用D-S证据理论将电机电流信号的状态评估结果、轴承振动信号的状态评估结果和轴承温度信号的状态评估结果进行融合得到主轴状态评估结果，实现对主轴状态评估。
2.根据权利要求1所述的一种电主轴状态评估方法，其特征在于，对轴承的振动信号进行小波包分解并降噪，得到降噪后的振动信号；对降噪后的振动信号进行集合经验模态分解，得到分解后的本征模态函数；取前六个本征模态函数，分别求其总能量，获得六维列向量，并对六维列向量进行归一化处理得到特征向量，将归一化后的特征向量作为振动预训练模型的输入进行状态评估得到轴承振动信号的集合经验状态评估结果。
3.根据权利要求2所述的一种电主轴状态评估方法，其特征在于，对降噪后的振动信号进行时变自回归模型建模，得到其拟合参数作为特征向量，将建模得到的特征向量作为振动预训练模型的输入进行状态评估得到轴承振动信号的时变自回归状态评估结果。
4.根据权利要求3所述的一种电主轴状态评估方法，其特征在于，采用D-S证据理论对所述振动信号的集合经验状态评估结果和时变自回归状态评估结果进行决策融合得到最终的轴承状态评估结果。
5.根据权利要求1所述的一种电主轴状态评估方法，其特征在于，采用网络结构为单输入层，双隐藏层，单输出层的深度神经网络，其中第一隐藏层的节点个数为5，第二隐藏层的节点个数为12，采用归一化后的特征向量对深度神经网络进行训练得到基于深度神经网络的状态评估模型。
6.根据权利要求1所述的一种电主轴状态评估方法，其特征在于，取采集到温度信号的最大值，作为判断指标，根据判断指标所处设定阈值范围即可得到相应的轴承状态结果。
7.根据权利要求1所述的一种电主轴状态评估方法，其特征在于，
使用D-S合成规则计算两证据体联合作用下的基本可信度分配函数m(ζn)，其具体步骤为：
m1和m2为两个证据源相对应的基本可信度分配函数，Aw和Bp分别对应状态的模式，其按照以下公式进行合成：
得到的m′(A)即为最终轴承状态评估结果；基本可信度分配函数由深度神经网络输出的结果进行归一化处理得到。
8.一种电主轴状态评估系统，其特征在于，包括：
信号预处理模块，用于对采集的电主轴的轴承的振动信号、轴承的温度信号以及电主轴的电机的电流信号进行去燥处理，并分别获取振动信号的特征向量，电流信号的特征向量；
预训练模块，用于根据振动信号的特征向量输出电机电流信号的状态评估结果，根据电流信号的特征向量输出轴承温度信号的状态评估结果，根据轴承的温度信号输出轴承温度信号的状态评估结果；
主轴状态模块，用于根据电机电流信号的状态评估结果、轴承振动信号的状态评估结果和轴承温度信号的状态评估结果进行融合后输出主轴状态评估结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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 |
|---|---|---|---|
| CN202110714894.0A CN113435327B (zh) | 2021-06-25 | 2021-06-25 | 一种电主轴状态评估方法、系统、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110714894.0A CN113435327B (zh) | 2021-06-25 | 2021-06-25 | 一种电主轴状态评估方法、系统、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435327A true CN113435327A (zh) | 2021-09-24 |
| CN113435327B CN113435327B (zh) | 2023-12-19 |
Family
ID=77754751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110714894.0A Active CN113435327B (zh) | 2021-06-25 | 2021-06-25 | 一种电主轴状态评估方法、系统、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435327B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114102262A (zh) * | 2021-12-27 | 2022-03-01 | 爱派尔(常州)数控科技有限公司 | 一种机床主轴安全检测方法、系统及机床 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102568205A (zh) * | 2012-01-10 | 2012-07-11 | 吉林大学 | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 |
| CN104794327A (zh) * | 2015-05-06 | 2015-07-22 | 西安科技大学 | 基于决策融合的多模型矿井顶板安全预警模型 |
| US20170164878A1 (en) * | 2012-06-14 | 2017-06-15 | Medibotics Llc | Wearable Technology for Non-Invasive Glucose Monitoring |
| US20170173262A1 (en) * | 2017-03-01 | 2017-06-22 | François Paul VELTZ | Medical systems, devices and methods |
| CN107884190A (zh) * | 2017-11-01 | 2018-04-06 | 北京信息科技大学 | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 |
| CN109141884A (zh) * | 2018-08-17 | 2019-01-04 | 江南大学 | 基于eemd-ar模型和dbn的轴承故障诊断方法 |
| CN111914883A (zh) * | 2020-06-18 | 2020-11-10 | 西安交通大学 | 一种基于深度融合网络的主轴轴承状态评估方法及装置 |
| CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
-
2021
- 2021-06-25 CN CN202110714894.0A patent/CN113435327B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102568205A (zh) * | 2012-01-10 | 2012-07-11 | 吉林大学 | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 |
| US20170164878A1 (en) * | 2012-06-14 | 2017-06-15 | Medibotics Llc | Wearable Technology for Non-Invasive Glucose Monitoring |
| CN104794327A (zh) * | 2015-05-06 | 2015-07-22 | 西安科技大学 | 基于决策融合的多模型矿井顶板安全预警模型 |
| US20170173262A1 (en) * | 2017-03-01 | 2017-06-22 | François Paul VELTZ | Medical systems, devices and methods |
| CN107884190A (zh) * | 2017-11-01 | 2018-04-06 | 北京信息科技大学 | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 |
| CN109141884A (zh) * | 2018-08-17 | 2019-01-04 | 江南大学 | 基于eemd-ar模型和dbn的轴承故障诊断方法 |
| CN111914883A (zh) * | 2020-06-18 | 2020-11-10 | 西安交通大学 | 一种基于深度融合网络的主轴轴承状态评估方法及装置 |
| CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
Non-Patent Citations (4)
| Title |
|---|
| BO-SUK YANG等: "Application of Dempster–Shafer theory in fault diagnosis of induction motors using vibration and current signals", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, vol. 20, no. 2, pages 403 - 420 * |
| WANG JUN等: "A weighted EMD-based prediction model based on TOPSIS and feed forward neural network for noised time series", 《KNOWLEDGE-BASED SYSTEMS》, vol. 132, pages 167 - 178, XP085137821, DOI: 10.1016/j.knosys.2017.06.022 * |
| 康守强等: "基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法", 《中国电机工程学报》, vol. 31, no. 14, pages 96 - 102 * |
| 胡姚刚: "大功率风电机组关键部件健康状态监测与评估方法研究", 《工程科技Ⅱ辑》, no. 06, pages 11 - 94 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114102262A (zh) * | 2021-12-27 | 2022-03-01 | 爱派尔(常州)数控科技有限公司 | 一种机床主轴安全检测方法、系统及机床 |
| CN114102262B (zh) * | 2021-12-27 | 2023-03-24 | 爱派尔(常州)数控科技有限公司 | 一种机床主轴安全检测方法、系统及机床 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435327B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Soualhi et al. | Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing | |
| CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
| Qin et al. | Tool wear identification and prediction method based on stack sparse self-coding network | |
| Xu et al. | Hierarchical multiscale dense networks for intelligent fault diagnosis of electromechanical systems | |
| Feng et al. | A new time–space attention mechanism driven multi-feature fusion method for tool wear monitoring | |
| CN110909710A (zh) | 一种基于s试件的自适应主轴性能劣化识别方法 | |
| CN113435327B (zh) | 一种电主轴状态评估方法、系统、设备及可读存储介质 | |
| Liu et al. | Application of EMD-WVD and particle filter for gearbox fault feature extraction and remaining useful life prediction | |
| Zheng et al. | TCM in milling processes based on attention mechanism-combined long short-term memory using a sound sensor under different working conditions | |
| CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
| Orth et al. | Accuracy and robustness of decision making techniques in condition based maintenance | |
| Hong et al. | Unsupervised condition diagnosis of linear motion guide using generative model based on images | |
| Cheng et al. | Tool wear intelligent monitoring techniques in cutting: a review | |
| Thoppil et al. | Health indicator construction and remaining useful life estimation for mechanical systems using vibration signal prognostics | |
| Zhang et al. | Industrial robot rotate vector reducer fault detection based on hidden Markov models | |
| Almounajjed et al. | Stator fault diagnosis of induction motor based on discrete wavelet analysis and neural network technique | |
| Bediaga et al. | An integrated system for machine tool spindle head ball bearing fault detection and diagnosis | |
| An et al. | Hidden Markov model based rotate vector reducer fault detection using acoustic emissions | |
| Soualhi et al. | Health indicator construction for system health assessment in smart manufacturing | |
| Shuai et al. | Adaptive morphological feature extraction and support vector regressive classification for bearing fault diagnosis | |
| Zamudio-Ramirez et al. | Detection of uniform gearbox wear in induction motors based on the analysis of stray flux signals through statistical time-domain features and dimensionality reduction techniques | |
| CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
| CN111474476A (zh) | 一种电机故障预测方法 | |
| Xu et al. | Residual life prediction of metro traction motor bearing based on convolutional neural network | |
| Wang et al. | Fault identification of rolling bearings based on improved EMD decomposition method and BP neural network |
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 |