速度传感器5、信号调理模块6和信号处理中心7，所述第一加速度传感器4和第二加速度传感器5均安装在数控机床主轴I上，所述信号调理模块6分别与高精度激光位移传感器2、红外温度传感器3、第一加速度传感器4、第二加速度传感器5和信号处理中心7连接；
高精度激光位移传感器2，用于采集数控机床主轴I的径向跳动的信号；
红外温度传感器3，用于采集数控机床主轴I的实时温度信号； 第一加速度传感器4，用于采集数控机床主轴I的振动信号；
第二加速度传感器5，用于采集数控机床主轴I的振动信号；
信号调理模块6，用于接收从高精度激光位移传感器2、红外温度传感器3、第一加速度传感器4和第二加速度传感器5传送来的测量数据，并将这些数据进行相应的A/D转换，处理成需要的数字信号；
信号处理中心7，用于接收和处理从信号调理模块6生成的数字信号。
[0019]一种数控机床主轴的故障诊断与预测的方法，包括以下步骤:
A、建立数据库:把被测对象信息、测点信息、巡检路线信息、采样参数信息和报警号信息输入信号处理中心7，在信号处理中心7建立数据库；
B、信号采集与分析:采用高精度激光位移传感器2进行数控机床主轴I上外表面点的跳动位移监测，采用红外温度传感器3进行数控机床主轴I上外表面点的实时温度采集，采用第一加速度传感器4和第二加速度传感器5进行数控机床主轴I上外表面点的振动监测，将监测信号通过数据处理中心存储到步骤A中的数据库内，通过混合推理模型对测量数据进行时域分析和频域分析，得到主轴的特征参数点集合；
C、故障诊断:通过数控机床主轴I的结构形式、几何参数和设计参数建立数控机床主轴I的物理模型，再结合物理模型参数与步骤B中主轴的特征参数点集合进行分析，进行主轴故障诊断；
D、故障预测:将步骤C中的主轴故障诊断结果写入步骤A中的数据库，并将结果样本进行分类，形成正负样本；根据步骤C中数控机床主轴I的物理模型，建立各机床主轴的健康档案并保存到步骤A中的数据库内，混合推理模型根据正负样本和健康档案对主轴运行趋势进行判断，实现故障预测。
[0020]所述步骤B中，主轴的特征参数点集合包括时域参数和频域参数。
[0021]所述混合推理模型包括神经网络(ANN)、专家系统(ES)和支持向量机(SVM)。
[0022]具体地，将数控机床主轴的故障诊断与预测的系统与数控机床主轴I连接；
把被测设备信息、测点信息、巡检路线信息、采样参数信息等输入信号处理中心，在信号处理中心7建立数据库；
给定主轴转速lOOOrpm，通过高精度激光位移传感器2、红外温度传感器3、第一加速度传感器4和第二加速度传感器5分别进行跳动位移、实时温度、振动信号的监测和存储，通过混合推理模型对测量数据进行时域分析和频域分析，得到该主轴的特征参数点集合:转频 fn= 16.67Hz ;
频谱最高点频率匕=253取；
其后依次为:f2=547Hz, f3=600Hz, f4=614Hz, f5=587Hz, f6=534Hz。
[0023]将该设备主轴皮带及齿轮传动、两档、减速器减速比1:1和1:5、1200转换挡等信息输入到现有技术的主轴故障诊断与预测软件中，建立数控机床主轴I的物理模型，将现有技术的主轴故障诊断与预测软件结合物理模型参数与得到的该主轴的特征参数点集合进行分析，进行主轴故障诊断。
[0024]因主轴转速lOOOrpm，工作在1:5档位，诊断为:
由于齿轮啮合等部件，得到了 f2-f6的频率段。这些啮合频率的典型特点是以某个中心频率为基础，周边产生转频的调制，也就是出现转频I倍频、2倍频以至于η倍频的边频带。
[0025]同步带为40个齿数，因此与加工轴配合而产生40倍频线。
[0026]啮合谱线集中了较高的能量，说明在加工轴的转动过程中，同步带、减速器等配合状态不算很良好。
[0027]实际检查，发现主轴皮带松动，印证了上述同步带、减速器等配合状态不良好诊断结果。
[0028]主轴故障预测为该主轴运行趋势性能变劣，需进行检查维护。
[0029]本发明，高精度激光位移传感器，用于采集数控机床主轴径向跳动的信号；红外温度传感器，用于采集数控机床主轴的实时温度信号；第一加速度传感器，用于采集数控机床主轴的振动信号；第二加速度传感器，用于采集数控机床主轴的振动信号；信号调理模块，用于接收从高精度激光位移传感器、红外温度传感器、第一加速度传感器和第二加速度传感器传送来的测量数据，并将这些数据进行相应的A/D转换，处理成需要的数字信号；信号处理中心，用于接收和处理从信号调理模块生成的数字信号；通过建立数控机床主轴的物理模型，结合物理模型参数与主轴的特征参数点集合进行分析，再将主轴故障诊断结果写入数据库，并将结果样本进行分类，形成正负样本；通过数控机床主轴的物理模型，建立各机床主轴的健康档案并保存到数据库内，混合推理模型根据正负样本和健康档案就能够对主轴运行趋势进行判断，极大的提升了数控机床主轴故障诊断的准确性及诊断效率，对数控机床主轴状态趋势进行相关预测，有效的降低了数控机床主轴的维护成本。
【主权项】
1.一种数控机床主轴的故障诊断与预测的方法，其特征在于，包括以下步骤: A、建立数据库:把被测对象信息、测点信息、巡检路线信息、采样参数信息和报警号信息输入信号处理中心，在信号处理中心建立数据库； B、信号采集与分析:采用高精度激光位移传感器进行数控机床主轴上外表面点的跳动位移监测，采用红外温度传感器进行数控机床主轴上外表面点的实时温度采集，采用第一加速度传感器和第二加速度传感器进行数控机床主轴上外表面点的振动监测，将监测信号通过数据处理中心存储到步骤A中的数据库内，通过混合推理模型对测量数据进行时域分析和频域分析，得到主轴的特征参数点集合； C、故障诊断:通过数控机床主轴的结构形式、几何参数和设计参数建立数控机床主轴的物理模型，再结合物理模型参数与步骤B中主轴的特征参数点集合进行分析，进行主轴故障诊断； D、故障预测:将步骤C中的主轴故障诊断结果写入步骤A中的数据库，并将结果样本进行分类，形成正负样本；根据步骤C中数控机床主轴的物理模型，建立各机床主轴的健康档案并保存到步骤A中的数据库内，混合推理模型根据正负样本和健康档案对主轴运行趋势进行判断，实现故障预测。2.根据权利要求1所述的一种数控机床主轴的故障诊断与预测的方法，其特征在于:所述步骤B中，主轴的特征参数点集合包括时域参数和频域参数。3.根据权利要求1所述的一种数控机床主轴的故障诊断与预测的方法，其特征在于:所述混合推理模型包括神经网络、专家系统和支持向量机。4.根据权利要求1所述的一种数控机床主轴的故障诊断与预测的方法，其特征在于:采用一种数控机床主轴的故障诊断与预测的系统，包括高精度激光位移传感器、红外温度传感器、第一加速度传感器、第二加速度传感器、信号调理模块和信号处理中心，所述第一加速度传感器和第二加速度传感器均安装在数控机床主轴上，所述信号调理模块分别与高精度激光位移传感器、红外温度传感器、第一加速度传感器、第二加速度传感器和信号处理中心连接； 高精度激光位移传感器，用于采集数控机床主轴径向跳动的信号； 红外温度传感器，用于采集数控机床主轴的实时温度信号； 第一加速度传感器，用于采集数控机床主轴的振动信号； 第二加速度传感器，用于采集数控机床主轴的振动信号； 信号调理模块，用于接收从高精度激光位移传感器、红外温度传感器、第一加速度传感器和第二加速度传感器传送来的测量数据，并将这些数据进行相应的A/D转换，处理成需要的数字信号； 信号处理中心，用于接收和处理从信号调理模块生成的数字信号。
【专利摘要】本发明公开了一种数控机床主轴的故障诊断与预测的方法，属于数控机床领域，包括以下步骤：建立数据库、信号采集与分析、故障诊断和故障预测。本发明采用神经网络、专家系统和支持向量机等先进的人工智能技术进行故障诊断与预测，通过混合推理模型迅速分析从高精度激光位移传感器、红外温度传感器和加速度传感器传送来的测量数据，在数控机床主轴运行过程中，根据各台机床建立的数控机床主轴模型，从而有效推断出故障源，进行数控机床主轴故障诊断与预测，极大的提升了数控机床主轴故障诊断的准确性及诊断效率，对数控机床主轴状态趋势进行相关预测，有效的降低了数控机床主轴的维护成本。
【IPC分类】G05B19/406, B23Q17/00
【公开号】CN105081879
【申请号】CN201510533166
【发明人】杜春平
【申请人】成都飞机工业（集团）有限责任公司
【公开日】2015年11月25日
【申请日】2015年8月27日