拉，…，Xii]为样本数据 集的高维样本数据，[Yo，Yi，…，Ys]为经过拉普拉斯特征值映射降维后的低维数据。
[0071] 5、特征空间马氏距离评估
[0072] 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：
[0073]
[0074] 式中，Cy为协方差矩阵。
[0075] 根据前述特征提取过程，得到共42个信号样本。选择序号1中的7个样本基线状态， 即滚珠丝杠为全新、润滑良好的数据为正常数据，计算其他工况与基线状态间的距离。
[0076] 6、健康值映射。最后用特征空间中的距离进行计算，得到滚珠丝杠的健康值。健康 值映射规则：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：
[0077] v = e-ku = e_kigw
[0078] 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。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。用健康值量化性能衰退的评估结果，使得其更加直观、有效。输出为各试验工况下滚 珠丝杠的健康评估值。
[0079] 根据所给出的公式将信号样本与基准信号的马氏距离映射为健康值。Ao状态的平 均健康值为09313,则非常健康。Ss状态的平均健康值非常低，仅为08070dT15至T60状态的 平均健康值趋势是下降的，分别为09011、08922、09030、08340。在本试验中，设置阔值T为 09，健康值低于09时，认为性能有所衰退，影响加工精度。健康评估结果与实际情况相符，有 效地反映了润滑对健康状态的影响。
[0080] 通过本实例可W发现，本发明在进行滚珠丝杠性能衰退评估的时候，通过采集滚 珠丝杠的电流与转矩信号，提取影响滚珠丝杠衰退的主要时域特征和时频域特征，通过拉 普拉斯特征值映射有效的对高维特征进行维数约简，可将滚珠丝杠的性能衰退的内在几何 变化趋势反映出来。
[0081] 用马氏距离分析得到特征的相关性，有效地调整了各特征在距离计算时的权值， 可W将各个降维特征对丝杠健康状态的影响表现出来，与实际情况相符。
[0082] 将健康值量化在[0，1]范围内，用来量化性能衰退的评估结果，更加直观、有效。
[0083] 提取的特征从速度信号方面反映运动学的特性，从转矩信号方面反映动力学的特 性。滚珠丝杠运行时，随着性能衰退，速度在设定转速基础上，波动加剧。而转矩更加不平 乃顷，运行阻力逐渐增大，速度和转矩波形之间的关系也随之而发生变化。运种性能衰退的趋 势可W通过特征空间中内蕴的低维流形反映出来。因此，提出的基于拉普拉斯特征值马氏 距离的滚珠丝杠健康状态评估方法可准确地进行性能衰退的评估。
[0084] 上述对实例的描述可便于滚珠丝杠健康监控领域内的普通技术人员理解和应用 本发明。熟悉该领域的技术人员显然可W容易地对运些实施例做出各种修改，并把在此说 明的一般原理应用到其他实例中而不必经过创造性的劳动。因此，本发明不限于运里的实 例，本领域技术人员根据本发明的掲示，在不脱离本发明范畴所做出的改进和修改都应该 在本发明的保护范围之内。
【主权项】
1. 一种滚珠丝杠健康状态的评估方法，其特征在于，包括以下步骤： 步骤1、采集滚珠丝杠在不同工况下的传感器信号作为评估模型的输入； 步骤2、对所述传感器信号做预处理，除去噪声和干扰； 步骤3、加窗提取信号的时域特征、频域特征和时频域特征;提取特征后，对各个特征进 行标准化;对于一个样本，将所述样本的所有特征放组合生成样本数据集； 步骤4、采用流形学习进行高维特征的降维，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； 步骤5、选取全新丝杠润滑良好的各个特征作为基线数据;用数据模型来区分多个性能 衰退状态的边界，用距离评估方法比较各特征样本与基线数据之间的相关性； 步骤6、建立各个降维特征间距离与健康值的非线性关系；用阈值T来确定性能衰退的 界限，识别性能衰退的状态。2. 如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述步骤2中的所 述预处理包括以下步骤： 步骤2.1、找到信号的特征起点； 步骤2.2、将同一样本的不同信号对齐； 步骤2.3、对长信号进行周期分割处理。3. 如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述步骤6中的所 述非线性关系为与基线的距离越小，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。4. 如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述步骤4中的所 述高维特征的降维采用拉普拉斯特征值映射，具体为[Υο,Υ:，…，Yk-ihLEMGX^Xs，···， 父^])，其中[心，心，一义]为样本数据集的111维样本数据，[￥()，￥ 1，~丨-1]为经过拉普拉斯特 征值映射降维后的k维数据，k〈m。5. 如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述步骤5中的所 述相关性采用马氏距离的评估方法计算，所述马氏距离测量的是多元特征的距离M dl，先求 出降维特征的均值f，然后按下式计算：式中，Cy为协方差矩阵。6. 如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述健康值的评估 结果是以性能对正常状态的偏离可信度作取值范围为[〇，1]的量化指标。7. 如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述传感器信号的 采集不影响数控机床的动态生产加工过程。8. 如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述传感器信号为 驱动电机的速度信号和转矩信号。9. 如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，将马氏距离映射为 所述健康值。10. 如权利要求1所述的滚珠丝杠健康状态的评估方法，其特征在于，所述传感器信号 直接通过TCP/IP协议从数控系统中读取。
【专利摘要】本发明公开了一种滚珠丝杠的性能衰退及健康状态的评估方法，属于设备健康监控领域，特别涉及滚珠丝杠的性能衰退及健康状态评估。该方法结合拉普拉斯特征降维与马氏距离分析模型，建立不同健康状态下传感器信号样本点在特征空间中与健康值的非线性映射关系，从而得到滚珠丝杠性能衰退程度的量化评估。该评估方法主要应用于生产过程中实现部件的智能维护，可减少因设备性能衰退带来的产品质量下降，从而提高经济效益。与常见方法所得结果相比，该模型能准确地反映滚珠丝杠的性能衰退趋势，鲁棒性更好。该方法可采用数控机床自带的传感器，无需改动机床整体结构，不影响其动态加工性能，可广泛应用于工业数控机床滚珠丝杠的在线实时健康状态评估。
【IPC分类】G06K9/00
【公开号】CN105718876
【申请号】CN201610032369
【发明人】刘成良, 赵帅, 黄亦翔, 李彦明, 王浩任, 汪一波
【申请人】上海交通大学
【公开日】2016年6月29日
【申请日】2016年1月18日