CN115096588A - 机床主轴轴承状态监测装置及方法 - Google Patents

Abstract

本发明提出了一种机床主轴轴承工况信号采集装置、状态监测装置及监测方法。该机床主轴轴承工况信号采集装置,包括用于固定轴承端盖与箱体的螺钉，所述螺钉内部设置有信号采集器；所述信号采集器采集轴承的工况信号，并将该工况信号发送至信号接收模块。该机床主轴轴承工况信号采集装置具有方便拆卸、通用性好和可布置多个传感器获得更优信号等特点，相对于在轴承内部嵌入传感器，具有技术难度低，可控性高等特点。

Description

机床主轴轴承状态监测装置及方法

技术领域

本发明涉及轴承状态监测领域，具体涉及一种机床主轴轴承状态监测装置及方法。

背景技术

智能制造作为先进制造技术，已受到研究者和技术人员的广泛关注与重视。机床作为制造业发展的基础和支持，因此，智能机床将是机床未来发展的趋势。主轴作为众多机床的核心功能部件，其性能将直接影响加工工件的质量，以切割机为例，主轴作为切割机主要的旋转部件和引导部件，其性能对切割工艺的稳定性和切割质量有直接影响。为了保证主轴的性能稳定性，主轴轴承作为其中的关键是必须时刻关注的零部件，并且要求主轴轴承在长历时、高变速、高密闭的工况下具有高的稳定性。但是，轴承并非暴露在机床外部，想要对其进行时刻观察和检测是存在极大技术难度的。因此如何实现机床内部主轴轴承的振动监控和预警是亟需解决的问题。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种机床主轴轴承状态监测装置及方法。

为了实现本发明的上述目的，本发明提供了一种机床主轴轴承工况信号采集装置,包括用于固定轴承端盖与箱体的螺钉，所述螺钉内部设置有信号采集器；所述信号采集器采集轴承的工况信号，并将该工况信号发送至信号接收模块。

该机床主轴轴承工况信号采集装置基于轴承端盖和箱体之间的传统螺钉进行二次设计与加工后的智能螺钉，使得智能螺钉、端盖和箱体三者形成刚性连接，进而螺钉内部嵌入信号采集器可采集到轴承的工况信息，如振动信号、声音信号等等。该机床主轴轴承工况信号采集装置在不额外增加螺钉的前提下，实现了对轴承工况信号的有效采集，相对于直接在端盖外附加传感器，该机床主轴轴承工况信号采集装置具有方便拆卸、通用性好和可布置多个传感器获得更优信号等特点，相对于在轴承内部嵌入传感器，该机床主轴轴承工况信号采集装置具有技术难度低，可控性高等特点。

本申请还提出了一种机床主轴轴承状态监测装置,包括上述的机床主轴轴承工况信号采集装置，还包括与信号采集器通信连接的智能芯片，所述智能芯片嵌设于所述螺钉内部或者集成于信号接收终端，所述智能芯片根据信号采集器采集的信号对轴承状态进行分析。

相对于直接在端盖外附加传感器，该机床主轴轴承状态监测装置具有方便拆卸、通用性好和可布置多个传感器获得更优信号等特点，相对于在轴承内部嵌入传感器，该机床主轴轴承状态监测装置具有技术难度低，可控性高等特点。

本申请还提出了一种机床主轴轴承状态监测方法，包括以下步骤：

实时采集机床主轴轴承振动信号；

对实时采集的振动信号进行VMD分解,得到K个IMF模态分量；

分别求解每个模态分量与采集的振动信号的相关系数，将每个模态分量的n个数据点进行加窗处理，使得n个数据点被分为n’组信号，其中，n和n’均为正整数；

求出加窗处理后的每个模态分量的每一组信号的包络峰峰值；

根据所述包络峰峰值得到每个模态分量的故障程度极差值；

结合每个模态分量与原信号的相关系数以及每个模态分量的故障程度极差值，按权重分配得出该振动信号的故障程度极差值；

根据得到的振动信号的故障程度极差值确定轴承当前所处的预警等级。

本方法操作简单，技术难度低，能实时、快速的对机床主轴轴承状态进行监测、预警。

其中，对采集的振动信号进行VMD分解,得到K个IMF模态分量的步骤为：

令振动信号为x＝[x₁,x₂,x₃,...,x_n]^T,T表示振动信号采样时间间隔，n表示每次采样的采样点数，对振动信号x进行VMD分解，

表示第k个模态分量，ω_k表示第k个模态分量的中心频率，

表示拉格朗日算子，m表示迭代次数；

其中

的更新公式为:

ω_k的更新公式为：

的更新公式为：

表示振动信号x经过傅里叶变换后的频域表达形式，α表示惩罚因子；

表示第i个模态分量，i＝0,1,2,…,K-1；ω表示原始信号的中心频率；τ为噪声松弛系数；

通过不断的迭代更新参数

ω_k、

直到满足结束需满足收敛精度为ε的收敛条件：

表示二范数的平方；

经过VMD算法后，最终得到K个IMF模态分量IMF₁,IMF₂,…,IMF_K。

每个模态分量与原信号的相关系数，

x(n)表示n个点的原始振动数组，y(n)表示在K个模态分量中，每个分量都是有n个点构成的数组，j＝1,2,3,...,K；

令每个模态分量对应的时间序列为y_j，y_j＝[y₁ y₂ y₃…y_n]^T＝[Y₁ Y₂ Y₃…Y_m’]^T，将每个y_j的n个数据点进行加窗处理，得到信号数组，用Y_jt表示：

Y_jt＝[Y_((t-1)L+1) Y_((t-1)L+2) Y_((t-1)L+3)…Y_(tL)]^T；其中，L为加窗长度，m’为加窗数量，j＝1,2,3,…,K；t表示每个模态分量内的加窗个数，t＝1,2,3,…,m’。

加窗处理后的每个模态分量的包络峰峰值求取步骤为：

对加窗处理后的每个模态分量的每一组信号进行希尔伯特变换得到复数解析信号，再对复数解析信号进行取模运算，求解加窗处理后的每个模态分量的每一组信号中的最大值SV_jt，SV_jt＝max(abs(Hilbert(Y_jt)))；

计算m’个SV_jt值的均值，作为每个模态分量的包络峰峰值SV_j：

每个模态分量的故障程度极差值的计算步骤为：

将所述包络峰峰值带入故障程序的极差公式，得到dB_j值，将dB_j值作为故障程度极差值，

n’表示轴承转速，D表示轴承节径。

所述振动信号x的故障程度极差值的计算步骤为：

将每个模态分量的dB_j值按其相关系数进行计权处理，得到MdB值，将MdB值作为所述振动信号x的故障程度极差值：MdB＝∑β_jdB_j。

优选的，采用上述的机床主轴轴承状态监测装置对机床主轴轴承状态进行监测。

本发明的有益效果是：本发明相对于直接在端盖外附加传感器，具有方便拆卸、通用性好和可布置多个传感器获得更优信号等特点，相对于在轴承内部嵌入传感器，具有技术难度低，可控性高等特点，同时本发明操作简单，技术难度低，计算速度快，准确性高，能实时、快速的对机床主轴轴承状态进行监测、预警。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是螺钉在机床主轴主体中的安装位置示意图；

图2是螺钉内部布置示意图；

图3是振动信号分析流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提供了一种机床主轴轴承工况信号采集装置,包括用于固定轴承端盖与箱体的螺钉，如图1所示为螺钉在机床主轴主体中的安装位置，其中主轴端盖处是螺钉的主要安装位置。在螺钉内部嵌入信号采集器，信号采集器采集轴承的工况信号。由于该螺钉是通过已有零件集成开发的智能传感器，是对端盖和箱体之间传统螺钉进行二次设计与加工后的智能螺钉，采用该智能螺钉对轴承端盖和箱体进行连接，使得智能螺钉、端盖和箱体三者形成刚性连接，进而螺钉内部嵌入信号采集器可采集到轴承的工况信息，如振动信号、声音信号等等，因此信号采集器可以是多种信号采集传感器。同时，信号采集器也可以是设置的多个同种类的信号采集传感器，以选取到最优的信号，如多个振动信号采集传感器。该信号采集器将其采集的工况信号发送至信号接收模块。信号接收模块可设置于螺钉内，也可集成于信号接收终端内。

本实施例中，信号采集器优选但不限于为微型加速度芯片，本实施例中微型加速度芯片优选但不限于为AD7606芯片。

本发明还提出了一种机床主轴轴承状态监测装置,其包括上述机床主轴轴承工况信号采集装置，还包括与信号采集器通信连接的智能芯片，该智能芯片嵌设于螺钉内部或者集成于信号接收终端内，智能芯片根据信号采集器采集的信号对轴承状态进行分析，可将分析结果发送至上位机。本实施例中智能芯片选但不限于为STM37F4xx系列单片机，该智能芯片具有采集加速度芯片数据的功能、SD卡存储功能、存储和运算变尺度计权算法的功能以及与上位机进行无线通讯的功能。

当智能芯片嵌设于螺钉内部时，如图2所示，优选但不限于将工况信号采集装置1和智能芯片2嵌入在螺钉内部设计的凹槽中，并于凹槽中设置电源3对工况信号采集装置和智能芯片进行供电，设置天线配合完成智能芯片与上位机之间的无线通信。

本发明还提出了一种机床主轴轴承状态监测方法的实施例，包括以下步骤：

实时采集机床主轴轴承振动信号。本实施例中优选但不限于采用上述机床主轴轴承工况信号采集装置采集机床主轴轴承振动信号。

然后对实时采集的振动信号进行分析，如图3所示：

对实时采集的振动信号进行VMD分解,得到K个IMF模态分量。

具体地，令振动信号为x＝[x₁,x₂,x₃,...,x_n]^T,T表示振动信号采样时间间隔，n表示每次采样的采样点数，对振动信号x进行VMD分解，第k个模态分量用

表示，第k个模态分量的中心频率用ω_k表示，用α表示惩罚因子，用

表示拉格朗日算子，其中

的更新公式为:

ω_k的更新公式为：

的更新公式为：

m表示迭代次数，m＝0时表示初始，m＝1表示第一次迭代，

表示振动信号x经过傅里叶变换后的频域表达形式，α表示惩罚因子；

表示第i个模态分量，i＝0,1,2,…,K-1；ω表示原始信号的中心频率；τ为噪声松弛系数。

通过不断的迭代更新参数

ω_k、

直到满足结束需满足收敛精度为ε的收敛条件：

表示二范数的平方，二范数是一种运算；

经过VMD算法后，最终得到K个IMF模态分量IMF₁,IMF₂,…,IMF_K。

然后分别求解每个模态分量与原信号的相关系数，将每个模态分量的n个数据点进行加窗处理，得到信号用数组。

具体地，每个模态分量与原信号的相关系数

表示n个点的原始振动数组，y(n)表示在K个模态分量中，每个分量都是有n个点构成的数组，j＝1,2,3,...,K,K个模态分量对应K个不同的y(n)数组。

令每个模态分量对应的时间序列为y_j，y_j＝[y₁ y₂ y₃…y_n]^T＝[Y₁ Y₂ Y₃…Y_m’]^T，将每个y_j的n个数据点进行加窗处理，得到信号数组，用Y_jt表示：

Y_jt＝[Y_((t-1)L+1) Y_((t-1)L+2) Y_((t-1)L+3)…Y_(tL)]^T；其中，L为加窗长度，m’为加窗数量，j＝1,2,3,…,K；t表示每个模态分量内的加窗个数，t＝1,2,3,…,m’。

这里解释一下tL的由来：当加窗个数为1时，Y_jt＝[Y₁ Y₂ Y₃...Y_t]^T，当加窗个为2时Y_it＝[Y_(L+1) Y_(L+2) Y_(L+3)...Y_(2L)]^T，当加窗个为3时Y_it＝[Y_(2L+1) Y_(2L+2) Y_(2L+3)...Y_(3L)]^T，当加窗个为n时Y_it＝[Y_((t-1)L+1) Y_((t-1)L+2) Y_((t-1)L+3)...Y_(tL)]^T，综上，按照上述逻辑得出tL。

求出加窗处理后的每个模态分量的每一组信号的包络峰峰值。

具体地：对加窗处理后的每个模态分量的每一组信号进行希尔伯特变换得到复数解析信号，再对复数解析信号进行取模运算，求解加窗处理后的每个模态分量每一组信号中的最大值SV_jt，SV_jt＝max(abs(Hilbert(Y_jt)))；

计算m’个SV_jt值的均值，作为每个模态分量的包络峰峰值SV_j：

根据所述包络峰峰值得到每个模态分量的故障程度极差值。

具体地，将所述包络峰峰值带入故障程序的极差公式，得到dB_j值，将dB_j值作为故障程度极差值，

n’表示轴承转速，D表示轴承节径。

结合每个模态分量与原信号的相关系数以及每个模态分量的故障程度极差值，按权重分配得出该振动信号x的故障程度极差值。

具体地，将每个模态分量的dB_j值按其相关系数进行计权处理，得到MdB值，将MdB值作为所述振动信号x的故障程度极差值：MdB＝∑β_jdB_j。

根据得到的振动信号x的故障程度极差值确定轴承当前所处的预警等级。

可将最终确定的轴承当前所处的预警等级发送至上位机。

具体地，将所述振动信号x的故障程度极差值与预设预警等级标准进行比较，判断轴承状态，确定当前振动信号x所处的预警等级，并将预警等级发送至上位机，实现对轴承状态进行监测、预警。

这里预设预警等级标准可通过提前将轴承不同故障程度数据代入上述变尺度计权算法中，标定出轴承故障预警标准得到。

在具体实施中，信号采集器对振动信号进行采集后，SD卡数据对振动信号进行存储备份，在进行变尺度计权算法前，确定参数K、α、ε，并更新所有模态，中心频率ω_k以及拉格朗日算子

然后才对振动信号进行变尺度计权算法。

该方法优选但不限于采用上述机床主轴轴承状态监测装置对机床主轴轴承状态进行监测。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种机床主轴轴承工况信号采集装置,其特征在于，包括用于固定轴承端盖与箱体的螺钉，所述螺钉内部设置有信号采集器；所述信号采集器采集轴承的工况信号，并将该工况信号发送至信号接收模块。

2.根据权利要求1所述的机床主轴轴承状态监测装置,其特征在于，所述信号采集器为微型加速度芯片。

3.一种机床主轴轴承状态监测装置,其特征在于，包括权利要求1或2所述的机床主轴轴承工况信号采集装置，还包括与信号采集器通信连接的智能芯片，所述智能芯片嵌设于所述螺钉内部或者集成于信号接收终端，所述智能芯片根据信号采集器采集的信号对轴承状态进行分析。

4.一种机床主轴轴承状态监测方法，其特征在于，包括以下步骤：

实时采集机床主轴轴承振动信号；

对实时采集的振动信号进行VMD分解,得到K个IMF模态分量；

分别求解每个模态分量与采集的振动信号的相关系数，将每个模态分量的n个数据点进行加窗处理，使得n个数据点被分为n’组信号，其中，n和n’均为正整数；

求出加窗处理后的每个模态分量的每一组信号的包络峰峰值；

根据所述包络峰峰值得到每个模态分量的故障程度极差值；

结合每个模态分量与原信号的相关系数以及每个模态分量的故障程度极差值，按权重分配得出该振动信号的故障程度极差值；

根据得到的振动信号的故障程度极差值确定轴承当前所处的预警等级。

5.根据权利要求4所述的机床主轴轴承状态监测方法，其特征在于，采用权利要求3所述的机床主轴轴承状态监测装置对机床主轴轴承状态进行监测。

6.根据权利要求4所述的机床主轴轴承状态监测方法，其特征在于，对采集的振动信号进行VMD分解,得到K个IMF模态分量的步骤为：

令振动信号为x＝[x₁,x₂,x₃,...,x_n]^T,T表示振动信号采样时间间隔，n表示每次采样的采样点数，对振动信号x进行VMD分解，

表示第k个模态分量，ω_k表示第k个模态分量的中心频率，

表示拉格朗日算子，m表示迭代次数；

其中

的更新公式为:

ω_k的更新公式为：

的更新公式为：

表示振动信号x经过傅里叶变换后的频域表达形式，α表示惩罚因子；

表示第i个模态分量，i＝0,1,2,…,K-1；ω表示原始信号的中心频率；τ为噪声松弛系数；

通过不断的迭代更新参数

ω_k、

直到满足结束需满足收敛精度为ε的收敛条件：

表示二范数的平方；

经过VMD算法后，最终得到K个IMF模态分量IMF₁,IMF₂,…,IMF_K。

7.根据权利要求4所述的机床主轴轴承状态监测方法，其特征在于，

每个模态分量与原信号的相关系数，

x(n)表示n个点的原始振动数组，y(n)表示在K个模态分量中，每个分量都是有n个点构成的数组，j＝1,2,3,...,K；

令每个模态分量对应的时间序列为y_j，y_j＝[y₁ y₂ y₃…y_n]^T＝[Y₁ Y₂ Y₃…Y_m’]^T，将每个y_j的n个数据点进行加窗处理，得到信号数组，用Y_jt表示：

Y_jt＝[Y_((t-1)L+1)Y_((t-1)L+2)Y_((t-1)L+3)…Y_(tL)]^T；其中，L为加窗长度，m’为加窗数量，j＝1,2,3,…,K；t表示每个模态分量内的加窗个数，t＝1,2,3,…,m’。

8.根据权利要求4所述的机床主轴轴承状态监测方法，其特征在于，加窗处理后的每个模态分量的包络峰峰值求取步骤为：

对加窗处理后的每个模态分量的每一组信号进行希尔伯特变换得到复数解析信号，再对复数解析信号进行取模运算，求解加窗处理后的每个模态分量的每一组信号中的最大值SV_jt，SV_jt＝max(abs(Hilbert(Y_jt)))；

计算m’个SV_jt值的均值，作为每个模态分量的包络峰峰值SV_j：

9.根据权利要求4所述的机床主轴轴承状态监测方法，其特征在于，每个模态分量的故障程度极差值的计算步骤为：

将所述包络峰峰值带入故障程序的极差公式，得到dB_j值，将dB_j值作为故障程度极差值，

n’表示轴承转速，D表示轴承节径。

10.根据权利要求4所述的机床主轴轴承状态监测方法，其特征在于，所述振动信号x的故障程度极差值的计算步骤为：

将每个模态分量的dB_j值按其相关系数进行计权处理，得到MdB值，将MdB值作为所述振动信号x的故障程度极差值：MdB＝∑β_jdB_j。

Images