，传感器信号不能影响数控机床的动态生产加工过程。对于数控机床来说，运些 信号可W直接通过TCP/IP协议从数控系统中读取，并不需要额外加装传感器。
[0035] 2、信号的预处理
[0036] 采集到的信号为连续的信号，需要对信号做预处理，除去噪声和干扰，找到信号的 特征起点，并将同一样本的不同信号对齐。对长信号进行分割处理，如周期分割。
[0037] 3、信号的特征提取
[0038] 采集的信号为高频信号，数据量较大，分析复杂。为了便于分析，加窗提取信号的 主要时域特征、频域特征和时频域特征。运些特征应选取对于性能衰退敏感的特征，不同的 性能衰退程度下，特征存在差异。提取特征后，为了消除量纲影响，对各个特征进行标准化。 对于一个样本，将该样本所有特征放在一起，生成样本数据集。
[0039] 4、特征降维
[0040] 对信号进行特征提取后，得到高维的信号样本。由于实时性的要求，需要进行特征 数据压缩。假设每种状态的特征数据分布是相对稳定的，那么特征降维后也能反映对应状 态的数据分布。采用流形学习的方法进行特征的降维，如拉普拉斯特征值映射方法。拉普拉 斯特征值映射是一种典型的基于流形学习的数据降维方法，目的是发现数据的内在本质特 征，从观测得到的高维信号波形的几何信息中，得出嵌入的低维光滑流形。
[OOW 计算方法为协，Yi,…，Yk-I] =LEM([Xi，拉，…，Xm]),其中化，拉，…，Xm]为样本数据 集的m维样本数据，[Y0，Yi，…，Yk-I]为经过拉普拉斯特征值映射降维后的k维数据，k<m。
[0042] 5、特征空间距离
[0043] 在此步骤中首先需要确定基线数据，可选取全新丝杠润滑良好的各个特征作为基 线数据。其次用一个数据模型来区分多个性能衰退状态的边界。最后采用马氏距离评估方 法，比较各特征样本与基线之间的相似度。马氏距离测量的是多元特征的距离Mdi,先求出降 维特征的均值f，然后按下式计算：
[0044]
[0045] 式中，Cy为协方差矩阵。
[0046] 6、健康值计算
[0047] 评估方法建立的是各个降维特征间马氏距离与健康值的非线性关系。其中健康值 的映射规则如下：与基线的距离越小，则健康值接近于1，代表非常健康;反之，则健康值接 近于0,代表性能衰退到最低状态。设W为马氏距离，V为健康值，ve[0，l]。可取变换如下：
[0048] v = e-ku = e_kigw
[0049] 式中，参数k的作用是调整各状态对应健康值分布的疏密程度，使得在[0，1]区间 内分布均匀。
[0050] 健康值计算完毕后，用阔值T来确定性能衰退的界限，既要准确地识别性能衰退的 状态，又要避免误判。
[0051] 本评估方法的输入为滚珠丝杠在不同工况下的传感器信号，输出为各工况下的健 康评估值。其优势在于：
[0052] 1)该方法针对滚珠丝杠的转速与转矩信号，运些信号具有易采集、不影响数控机 床的动态加工性能、在线实时性高等特点。
[0053] 2)拉普拉斯特征值映射降维得到高维特征中的内蕴低维流形，可反映滚珠丝杠的 性能衰退的内在几何变化趋势。
[0054] 3)通过数据降维得到各个性能衰退状态的样本在马氏特征空间的分布。马氏距离 考虑了特征相关性，调整了各特征的权值，可W将各个降维特征对丝杠健康状态的影响表 现出来。用健康值量化性能衰退的评估结果，使得其更加直观、有效。
[0055] W下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，W 充分地了解本发明的目的、特征和效果。
【附图说明】
[0056] 图1为本发明一种滚珠丝杠的性能衰退及健康状态评估方法的流程图；
[0057] 图2为本发明一种滚珠丝杠的性能衰退及健康状态评估方法的一种实施实例的试 验装置系统示意图；
[005引图3为本发明一种滚珠丝杠的性能衰退及健康状态评估方法的一种实施实例的详 细流程图。
【具体实施方式】
[0059] 下面此案例中对滚珠丝杠试验台中滚珠丝杠的健康状态评估为例对本发明的内 容加 W说明。
[0060] 1、滚珠丝杠速度、转矩信号的采集
[0061] 采集滚珠丝杠在不同工况下的传感器信号，W及运行参数，作为评估模型的输入。 考虑到实际在线监测的要求，不能影响数控机床的正常生产加工。如何利用有限的状态数 据是评估滚珠丝杠健康状态的关键。故选择容易采集的信号，如驱动电机的速度和转矩信 号。对于数控机床来说，运些信号可W直接通过TCP/IP协议从数控系统中读取，并不需要额 外加装传感器。
[0062] 试验装置如图2所示，S为速度传感器，M为转矩传感器。丝杠螺母固定在中间圆形 的调节机构上。丝杠的一端与电机的输出连接，另一端用钢结构支撑。选用滚珠丝杠作为试 验对象，其特点为噪声小，质量轻，精度高。其螺母滚道外形是哥特式的，接触角为45°。试验 台可W输出驱动电机转速与转矩的信息，W电压值来表示。设定丝杠加速度为±〇3g，主轴 转速为lOOOr/min，载荷为49033N。环境溫度相对恒定，保持在20°C左右。
[0063] 试验方案如下:对处于6种不同性能衰退程度的滚珠丝杠，对丝杠进行预热后做连 续运行试验。将其健康状态定义为正常性能、性能下降、性能已衰退，分别将6中性能衰退状 态标记为Ao、Tl 5、T30、T45、T60、Ss。预热之后，对每种状态下的丝杠采集一次数据，共6次。
[0064] 2、信号的预处理
[0065] 对于滚珠丝杠电流来说，一般是根据系统伺服要求，按照指令进行周期性的变化。 在对电流信号进行处理时，需要找到周期信号的上升起点，并对信号按照周期进行分割。转 矩信号和电流信号存在对应关系，那么对电流信号的周期分割同样也适用于转矩信号的周 期分割。每个状态的信号共有7个周期，可作为7个样本。
[0066] 3、信号的时域频域特征提取
[0067] 采集的信号为高频信号，数据量较大，分析复杂。为了便于分析，加窗分段提取信 号的主要时域特征、时频域特征。润滑不足的信号特点如下:对于转矩信号，其平均值增加， 峭度增加，均方差增大，转矩的增加与速度偏离给定值有对应关系。故时域特征选取为:最 大值Xl、最小值X2、平均值X3、峰峰值X4、标准差Xs、均方根Xs、偏度X7、峰值因子Xs、峭度因子 X9、裕度因子Xio。频域特征选取为6阶化Ubechies小波包S层分解子频带的能量值Xii。对于 一个样本，其数据为[Xi，X2,…，Xii],为了消除量纲的影响，对提取的各样本的特征进行标 准化。
[0068] 4、特征降维
[0069] 对信号进行特征提取后，得到高维的信号样本。由于实时性的要求，需要进行特征 数据压缩。假设每种状态的特征数据分布是相对稳定的，那么特征降维后也能反映对应状 态的数据分布。采用流形学习的方法进行特征的降维，如拉普拉斯特征值映射方法。拉普拉 斯特征值映射是一种典型的基于流形学习的数据降维方法，目的是发现数据的内在本质特 征，从观测得到的高维信号波形的几何信息中，得出嵌入的低维光滑流形。
[0070]计算公式为[Y0，Yi，…，Y5]=LEM([Xi，X2,…，Xii]),其中陆，