CN116222987A - 嵌入故障预警系统的转塔冲床丝杠部件诊断方法 - Google Patents
嵌入故障预警系统的转塔冲床丝杠部件诊断方法 Download PDFInfo
- Publication number
- CN116222987A CN116222987A CN202211496672.7A CN202211496672A CN116222987A CN 116222987 A CN116222987 A CN 116222987A CN 202211496672 A CN202211496672 A CN 202211496672A CN 116222987 A CN116222987 A CN 116222987A
- Authority
- CN
- China
- Prior art keywords
- fault
- turret punch
- amplitude
- screw rod
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000007637 random forest analysis Methods 0.000 claims abstract description 35
- 230000001133 acceleration Effects 0.000 claims abstract description 11
- 238000004092 self-diagnosis Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000009434 installation Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000013139 quantization Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000011002 quantification Methods 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 4
- 238000013144 data compression Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，该方法包括如下步骤：S1.丝杠部件上嵌入式振动加速度传感器安装位置的确定；S2.丝杠部件振动信号的无线传输与数据处理；S3.基于故障数据库融合的随机森林诊断算法参数的更新；S4.丝杠部件不同类型故障程度的量化；S5.基于随机森林算法的丝杠部件远程故障自诊断。其诊断精度较高，对于实现转塔冲床丝杠部件故障报警与故障程度量化具有重要的现实研究意义。
Description
技术领域
本发明涉及结构故障自诊断分析，特别涉及一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法。
背景技术
目前，转塔冲床得到冲裁加工行业越来越广泛的应用。而随着冲裁机床日益高速、高效、高精度及高自动化的发展趋势，其结构愈加复杂，对其工作性能的要求也越来越高。而机床在高速运转的情况下，极微弱的振动都有可能导致精密或超精密加工工艺的破坏，甚至导致整个机床的系统故障。针对转塔冲床在使用过程中出现的丝杠固定螺栓松动、丝杠变形及其它常见故障形式的研究是十分必要的。
在此背景下，高效准确地对转塔冲床丝杠部件进行故障诊断监测，辨识影响丝杠可靠性的关键原因，对提高转塔冲床作业质量及其可靠性具有重要价值。鉴于此，本发明通过研制一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，具有重要的研究意义。
发明内容
发明目的：本发明目的是提供一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，该方法检测精度高。
技术方案：本发明提供一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法包括如下步骤：
S1.丝杠部件上嵌入式振动加速度传感器安装位置的确定：
首先将简化的丝杠部件导入到ANSYS有限元仿真软件中，对其进行网格划分和边界条件的约束，确保划分后的网格单元数不低于10万个。其次分别计算出其前10阶的振型和频率。根据前期有限元模态分析得到的丝杠部件的振型和频域结果，确定转塔冲床丝杠部件的测点位置为其轴承支座侧端位置。同时，选择支座顶端同为设定传感器测点，以构成转塔冲床丝杠监测数据参照组。确定传感器监测点后，通过磁吸方式将两个振动加速度传感器安装嵌入在丝杠轴承座的顶端和侧端。
S2.丝杠部件振动信号的无线传输与数据处理：
根据上述仿真结果确定出拟采用安准传感器的最佳参数数值，主要包括测量方向为2向、采样频率为8KHZ、测量范围为
等。振动信号采集完成后通过网关进行数据的压缩与清洗工作，在保证诊断精度的前提下，提取出原采集信号长度千分之一的信号值，清洗掉原始信号中噪声和其他振动干扰因素。最后通过网关将处理压缩后的信号打包发送至云平台端，云平台端开发嵌入式信号时域和频域特征值计算程序，时域特征值主要包括均值、方差、标准差、均方根、峭度、绝对平均值、方根幅值、最大值、最小值、峰峰值、偏斜度、波形指标、峰值指标、脉冲指标、裕度指标、偏度指标及峭度指标，频域特征值主要包括幅值平均值、幅值方差、方根幅值、幅值标准差、幅值最大值、幅值最小值、幅值峰峰值、幅值均方根、幅值峭度、幅值偏斜度、重心频率、均方根频率及频率标准差，计算完成后将特征值依次进行分类存储，便于进行下一步诊断算法的编制。
S3.基于故障数据库融合的随机森林诊断算法参数的更新：
根据上述求解得到的不同类型信号的时域和频域特征值进行分析，采用基于故障数据库融合多特征指标的方式进行随机森林算法的编制。
表示训练样本的总数量，
表示特征值的数量；输入特征数目为
，用于确定决策树上一个节点的决策结果，其中
小于
。随机森林算法求解计算的主要流程为，从
个训练样本中以有放回抽样的方式，取样
次，形成一个训练集，并用未抽到的样本作预测，评估其误差。对于每一个节点，随机选择
个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这
个特征，计算其最佳的分裂方式，可以产生高准确度的分类器，通过对不同机床不同故障类型数据库的运算，得到转塔冲床丝杠部件时域的最佳特征值为方差、均方根、方根幅值、峰峰值、裕度指标、偏度指标、 峭度指标；最佳频域特征值为幅值最大值、幅值均方根、幅值偏斜度。并为了尽可能提高诊断精度，根据不同故障类型确定出随机森林算法的最佳运行参数为决策树的设置数量
。
S4.丝杠部件不同类型故障程度的量化：
根据上述编制的故障诊断算法，融合不同类型的故障数据库以及信号的时域和频域特征值，通过模拟不同故障类型的故障程度进行故障数据库的扩充，然后结合随机森林回归算法进行不同故障程度量化指标的预测，最后设定在不同故障程度下不同特征值类型的阈值判据，采用随机森林分类算法进行分析，实现转塔冲床丝杠的故障程度量化功能。主要量化指标为丝杠两侧螺栓的松动量，其松动量为1.8丝，分为两头紧、一头送一头紧以及两头松；丝杆运行加速度分为1g、1.2g以及1.5g；丝杆运行速度分为0.6m/min、1.8m/min以及3m/min。通过随机森林算法的分类结果与不同等级的阈值判据做比较，确定出其所属的松动等级。
S5.基于随机森林算法的丝杠部件远程故障自诊断：
针对不同类型的转塔冲床进行典型故障信号离线采集工作，充分融合人为设计的试验故障库与实际工况故障库，依托相应故障数据提取关键阈值特征数据，编制含阈值判据的量化算法，并将其对应的量化算法编制存储在云平台内，同时根据实际需求进行实时不同型号的故障数据算法补充。基于随机森林算法进行转塔冲床丝杠故障程度的量化分析，同时根据同类别转塔冲床不同规格进行随机森林算法参数
的实时迭代更新，直至满足联动模型的最优条件，进而实现转塔冲床丝杠部件故障程度指标的量化表达。
有益效果：针对转塔冲床在使用过程中出现的丝杠振动变形故障形式，通过设置嵌入式振动加速度传感器，实现信号数据的实时采集、压缩清洗及无线传输的功能。并结合随机森林算法编制诊断程序，使得转塔冲床丝杠实现故障报警与故障程度量化评估的功能，减少严重故障的出现，有效延长其工作寿命。
附图说明
图1为本发明提供的一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法流程框图。
具体实施方式
如图1所示，本实施例基于一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，该方法包括以下步骤：
S1.丝杠部件上嵌入式振动加速度传感器安装位置的确定：
首先将简化的丝杠部件导入到ANSYS有限元仿真软件中，对其进行网格划分和边界条件的约束，确保划分后的网格单元数不低于10万个。其次分别计算出其前10阶的振型和频率。根据前期有限元模态分析得到的丝杠部件的振型和频域结果，确定转塔冲床丝杠部件的测点位置为其轴承支座侧端位置。同时，选择支座顶端同为设定传感器测点，以构成转塔冲床丝杠监测数据参照组。确定传感器监测点后，通过磁吸方式将两个振动加速度传感器安装嵌入在丝杠轴承座的顶端和侧端。
S2.丝杠部件振动信号的无线传输与数据处理：
根据上述仿真结果确定出拟采用安准传感器的最佳参数数值，主要包括测量方向为2向、采样频率为8KHZ、测量范围为
等。振动信号采集完成后通过网关进行数据的压缩与清洗工作，在保证诊断精度的前提下，提取出原采集信号长度千分之一的信号值，清洗掉原始信号中噪声和其他振动干扰因素。最后通过网关将处理压缩后的信号打包发送至云平台端，云平台端开发嵌入式信号时域和频域特征值计算程序，时域特征值主要包括均值、方差、标准差、均方根、峭度、绝对平均值、方根幅值、最大值、最小值、峰峰值、偏斜度、波形指标、峰值指标、脉冲指标、裕度指标、偏度指标及峭度指标，频域特征值主要包括幅值平均值、幅值方差、方根幅值、幅值标准差、幅值最大值、幅值最小值、幅值峰峰值、幅值均方根、幅值峭度、幅值偏斜度、重心频率、均方根频率及频率标准差，计算完成后将特征值依次进行分类存储，便于进行下一步诊断算法的编制。
S3.基于故障数据库融合的随机森林诊断算法参数的更新：
根据上述求解得到的不同类型信号的时域和频域特征值进行分析，采用基于故障数据库融合多特征指标的方式进行随机森林算法的编制。
表示训练样本的总数量，
表示特征值的数量；输入特征数目为
，用于确定决策树上一个节点的决策结果，其中
小于
。随机森林算法求解计算的主要流程为，从
个训练样本中以有放回抽样的方式，取样
次，形成一个训练集，并用未抽到的样本作预测，评估其误差。对于每一个节点，随机选择
个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这
个特征，计算其最佳的分裂方式，可以产生高准确度的分类器，通过对不同机床不同故障类型数据库的运算，得到转塔冲床丝杠部件时域的最佳特征值为方差、均方根、方根幅值、峰峰值、裕度指标、偏度指标、 峭度指标；最佳频域特征值为幅值最大值、幅值均方根、幅值偏斜度。并为了尽可能提高诊断精度，根据不同故障类型确定出随机森林算法的最佳运行参数为决策树的设置数量
。
S4.丝杠部件不同类型故障程度的量化：
根据上述编制的故障诊断算法，融合不同类型的故障数据库以及信号的时域和频域特征值，通过模拟不同故障类型的故障程度进行故障数据库的扩充，然后结合随机森林回归算法进行不同故障程度量化指标的预测，最后设定在不同故障程度下不同特征值类型的阈值判据，采用随机森林分类算法进行分析，实现转塔冲床丝杠的故障程度量化功能。主要量化指标为丝杠两侧螺栓的松动量，其松动量为1.8丝，分为两头紧、一头送一头紧以及两头松；丝杆运行加速度分为1g、1.2g以及1.5g；丝杆运行速度分为0.6m/min、1.8m/min以及3m/min。通过随机森林算法的分类结果与不同等级的阈值判据做比较，确定出其所属的松动等级。
S5.基于随机森林算法的丝杠部件远程故障自诊断：
针对不同类型的转塔冲床进行典型故障信号离线采集工作，充分融合人为设计的试验故障库与实际工况故障库，依托相应故障数据提取关键阈值特征数据，编制含阈值判据的量化算法，并将其对应的量化算法编制存储在云平台内，同时根据实际需求进行实时不同型号的故障数据算法补充。基于随机森林算法进行转塔冲床丝杠故障程度的量化分析，同时根据同类别转塔冲床不同规格进行随机森林算法参数
的实时迭代更新，直至满足联动模型的最优条件，进而实现转塔冲床丝杠部件故障程度指标的量化表达。
Claims (7)
1.一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，其特征在于：包括如下步骤：
S1.丝杠部件上嵌入式振动加速度传感器安装位置的确定：
首先将简化的丝杠部件导入到ANSYS有限元仿真软件中，对其进行网格划分和边界条件的约束，其次分别计算出其前10阶的振型和频率，根据前期有限元模态分析得到的丝杠部件的振型和频域结果，确定转塔冲床丝杠部件的测点位置为其轴承支座侧端位置；同时选择支座顶端同为设定传感器测点，以构成转塔冲床丝杠监测数据参照组；
S2.丝杠部件振动信号的无线传输与数据处理：
根据上述仿真结果确定出拟采用传感器的最佳参数数值，振动信号采集完成后通过网关进行数据的压缩与清洗工作，在保证诊断精度的前提下，提取出原采集信号长度千分之一的信号值，清洗掉原始信号中噪声和其他振动干扰因素；最后通过网关将处理压缩后的信号打包发送至云平台端，云平台端开发嵌入式信号时域和频域特征值计算程序，计算完成后将特征值依次进行分类存储，便于进行下一步诊断算法的编制；
S3.基于故障数据库融合的随机森林诊断算法参数的更新：
根据上述求解得到的不同类型信号的时域和频域特征值进行分析，采用基于故障数据库融合多特征指标的方式进行随机森林算法的编制；表示训练样本的总数量，表示特征值的数量；输入特征数目为，用于确定决策树上一个节点的决策结果，其中小于；随机森林算法求解计算的流程为，从个训练样本中以有放回抽样的方式，取样次，形成一个训练集，并用未抽到的样本作预测，评估其误差；对于每一个节点，随机选择个特征，决策树上每个节点的决定都是基于这些特征确定的；根据这个特征，计算其最佳的分裂方式产生高准确度的分类器，通过对不同机床不同故障类型数据库的运算，并根据不同故障类型确定出随机森林算法的最佳运行参数为决策树的设置数量；
S4.丝杠部件不同类型故障程度的量化：
根据上述编制的故障诊断算法，融合不同类型的故障数据库以及信号的时域和频域特征值，通过模拟不同故障类型的故障程度进行故障数据库的扩充，然后结合随机森林回归算法进行不同故障程度量化指标的预测，最后设定在不同故障程度下不同特征值类型的阈值判据，采用随机森林分类算法进行分析，实现转塔冲床丝杠的故障程度量化功能；量化指标为丝杠两侧螺栓的松动量，通过随机森林算法的分类结果与不同等级的阈值判据做比较，确定出其所属的松动等级；
S5.基于随机森林算法的丝杠部件远程故障自诊断：
针对不同类型的转塔冲床进行典型故障信号离线采集工作，充分融合人为设计的试验故障库与实际工况故障库，依托相应故障数据提取关键阈值特征数据，编制含阈值判据的量化算法，并将其对应的量化算法编制存储在云平台内，同时根据实际需求进行实时不同型号的故障数据算法补充；基于随机森林算法进行转塔冲床丝杠故障程度的量化分析，同时根据同类别转塔冲床不同规格进行随机森林算法参数的实时迭代更新，直至满足联动模型的最优条件，进而实现转塔冲床丝杠部件故障程度指标的量化表达。
2.根据权利要求1所述的一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，其特征在于：所述S1步骤中：确保划分后的网格单元数不低于10万个。
3.根据权利要求1所述的一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，其特征在于：所述S1步骤中：通过磁吸方式将两个振动加速度传感器安装嵌入在丝杠轴承座的顶端和侧端。
4.根据权利要求1所述的一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，其特征在于：所述S2步骤中：参数数值为测量方向为2向、采样频率为8KHZ、测量范围为。
5.根据权利要求1所述的一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，其特征在于：所述S2步骤中：时域特征值包括均值、方差、标准差、均方根、峭度、绝对平均值、方根幅值、最大值、最小值、峰峰值、偏斜度、波形指标、峰值指标、脉冲指标、裕度指标、偏度指标及峭度指标，频域特征值包括幅值平均值、幅值方差、方根幅值、幅值标准差、幅值最大值、幅值最小值、幅值峰峰值、幅值均方根、幅值峭度、幅值偏斜度、重心频率、均方根频率及频率标准差。
6.根据权利要求1所述的一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，其特征在于：所述S4步骤中：其松动量为1.8丝，分为两头紧、一头送一头紧以及两头松；丝杆运行加速度分为1g、1.2g以及1.5g；丝杆运行速度分为0.6m/min、1.8m/min以及3m/min。
7.根据权利要求1所述的一种嵌入故障预警系统的转塔冲床丝杠部件诊断方法，其特征在于：所述S3步骤中：转塔冲床丝杠部件时域的最佳特征值为方差、均方根、方根幅值、峰峰值、裕度指标、偏度指标、峭度指标；最佳频域特征值为幅值最大值、幅值均方根、幅值偏斜度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211496672.7A CN116222987A (zh) | 2022-11-28 | 2022-11-28 | 嵌入故障预警系统的转塔冲床丝杠部件诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211496672.7A CN116222987A (zh) | 2022-11-28 | 2022-11-28 | 嵌入故障预警系统的转塔冲床丝杠部件诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116222987A true CN116222987A (zh) | 2023-06-06 |
Family
ID=86589888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211496672.7A Pending CN116222987A (zh) | 2022-11-28 | 2022-11-28 | 嵌入故障预警系统的转塔冲床丝杠部件诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116222987A (zh) |
-
2022
- 2022-11-28 CN CN202211496672.7A patent/CN116222987A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110153801B (zh) | 一种基于多特征融合的刀具磨损状态辨识方法 | |
| CN109822399B (zh) | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 | |
| CN113664612A (zh) | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 | |
| CA2426627A1 (en) | Method and system for analyzing fault and quantized operational data for automated diagnostics of locomotives | |
| CN113496312A (zh) | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 | |
| CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
| JP2019098515A (ja) | 刃具状態検査システム及び方法 | |
| CN116651971B (zh) | 一种汽车冲压模具在线检测方法及系统 | |
| CN110188984A (zh) | 一种烟草卷包车间异常质量数据模型的建立方法 | |
| CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
| CN118408743B (zh) | 一种轴承故障检测系统及方法 | |
| CN115373370A (zh) | 一种可编程控制器运行状态监测方法及系统 | |
| CN117891644B (zh) | 一种基于数字孪生技术的数据采集系统及其采集方法 | |
| CN116222988A (zh) | 融合智能学习算法的激光切割机齿条系统故障诊断方法 | |
| CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
| CN115238238A (zh) | 一种数控机床智能体检方法 | |
| CN116296305A (zh) | 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 | |
| CN101532902A (zh) | 用于冷冲模具的质量监测和故障诊断方法 | |
| CN117591949A (zh) | 一种设备异常识别方法、设备及介质 | |
| CN113642209A (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
| CN110633314A (zh) | 车联网数据处理方法及装置 | |
| CN116222987A (zh) | 嵌入故障预警系统的转塔冲床丝杠部件诊断方法 | |
| CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
| CN112329341A (zh) | 一种基于ar和随机森林模型的故障诊断系统及方法 | |
| CN116910590A (zh) | 基于自适应聚类的瓦斯传感器精度异常识别方法及系统 |
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 |