一种面向复杂机电设备低信噪比信息的早期故障预测方法
【专利摘要】本发明涉及一种面向复杂机电设备低信噪比信息的早期故障预测方法，其步骤为：1）获取振动数据、声发射数据、切削力数据、噪声数据以及温度数据；2）利用层次聚类算法将连续相关数据分别进行离散化处理，得到N组离散数据；3）将离散化后的每组离散数据形成决策表DT，作为粗糙函数自适应方法的输入层Xi(t)；4）利用粗糙函数自适应方法对决策表DT进行预测分析，得到最优目标预测模型；5）根据得到的最优目标预测模型作为本时刻的精确预测模型，并通过监测设备显示下一时刻预测值，实现对复杂机电设备低信噪比信息的早期故障预测。本发明能够实现对低信噪比信息的早期故障预测，可广泛在复杂机电设备中应用。
【专利说明】一种面向复杂机电设备低信噪比信息的早期故障预测方法
【技术领域】
[0001]本发明涉及一种复杂机电设备的故障预测方法，特别是关于一种面向复杂机电设备低信噪比信息的早期故障预测方法。
【背景技术】 [0002]高档车削加工中心作为典型的复杂机电设备，已经成为现代化制造业的主要生产设备之一，能够实现加工工件一次性装夹，并配备自动换刀系统，减少了定位误差和装卸时间，使得工件的加工精度和加工效率大大提高。随着高档车削加工中心的投入使用，机床故障预测技术的研究开始受到重视。目前，故障预测技术主要应用于电力设备、大型旋转机械等方面，对于数控设备涉及较少。由于高档车削加工中心在机构、功能等方面具有大型化、集成化、精密化和智能化等特点，使得在加工过程中常常会遇到最高精度指标不足，精度长期不能得到保证，故障率高等问题，严重制约了数控机床发挥正常作用。开展数控机床故障诊断预测技术研究是保障数控机床可靠运行、提高机床服役性能的现代化技术及核心技术之一，也是国内外研究的焦点问题。目前高档数控机床的大量应用和诊断与维护技术的不足引发了巨大的机床预警与诊断需求，成为当前机床技术发展的瓶颈之一。
[0003]在传统的故障预测方法中主要有线形预测方法、非线形预测方法和神经网络预测。主要是通过采用正确的信号处理方法提取不同的故障特征，然后对这些特征进行状态识别，这是提高故障预警及性能评价准确性的关键要素。例如数控机床加工时进行切削力监测，并利用离线数据对BP神经网络进行训练，使得刀具磨损预测准确度达到了 97%以上。这样的预测方法在一定程度上取得了满意的效果。但是利用这种方法进行高档车削加工中心等具有高度柔性机构的机电设备进行监测诊断，往往会在采集信号过程中遇到信息量少、噪声大的情况，严重影响了故障诊断及预测的精度。同时，由于采集的信号往往具有断续性、模糊性、时变性等特点，导致故障预测的不确定因素增大，并且加工工况多样化使加工过程中随机干扰因素影响会很大，造成故障预测的精确性和结论的可信度都有所下降。
【发明内容】
[0004]针对上述问题，本发明的目的是提供一种面向复杂机电设备低信噪比信息的早期故障预测方法，该方法能够实现对低信噪比信息的早期故障预测。
[0005]为实现上述目的，本发明采取以下技术方案:一种面向复杂机电设备低信噪比信息的早期故障预测方法，其包括以下步骤:1)通过在线监测中心获取能代表设备运行状况的一系列长历程的连续的与设备运行状况的振动数据、声发射数据、切削力数据、噪声数据以及温度数据；2)利用层次聚类算法将步骤I)中获得的全部连续数据分别进行离散化处理，得到N组离散数据；其中，N为自然数；3)将离散化后的每组离散数据形成决策表DT，并将决策表DT作为粗糙函数自适应方法的输入层Xi (t)，i=l，2，3…η ;其中η表示传感器个数；4)利用粗糙函数自适应方法对决策表DT进行预测分析，得到能表征复杂机电设备运行状态将来发展趋势的最优目标预测模型；5)根据得到的最优目标预测模型作为本时刻的精确预测模型，并通过监测设备显示下一时刻预测值，实现对复杂机电设备低信噪比信息的早期故障预测。
[0006]所述步骤4)中，对所诉决策表DT进行预测分析时利用的粗糙函数自适应方法步骤如下:(I)定义目标粗糙函数F (M)为:
[0007]F (M) = f (m, w, Θ ) = R[f (m θ ) X f (ω θ )],
[0008]其中，M为最优目标预测模型；m为预测粗糙函数模型，为离散化后的输入序列；R表示f(m) Xf(co)的粗糙关系，在不同连接权值Θ下计算相应的粗糙函数值；(2)输入样本为:\α) =为离散化后的每组数据，并根据粗糙集上、下
近似定义对XJt)进行上、下近似计算，得到上近似数据瓦⑴和下近似数据么⑴，t为采样时间；(3)取下近似数据计算粗糙函数，并假定两个度量聽和e:[繼；|4歷，以及实函数LRt^Rffl,其中Rt= [ot,, Rm= [Xi(O), X1On)]，则实函数f对于度量d和e的粗糙函数为(n) = ejf (X)), V?e[i]，Vxeiil; (4)任意给定连接权值Θ“1:),其范
围为0< θ# < 1，通过与粗糙函数f； (η)相乘得到输出层
【权利要求】
1.一种面向复杂机电设备低信噪比信息的早期故障预测方法，其包括以下步骤: 1)通过在线监测中心获取能代表设备运行状况的一系列长历程的连续的与设备运行状况的振动数据、声发射数据、切削力数据、噪声数据以及温度数据； 2)利用层次聚类算法将步骤I)中获得的全部连续数据分别进行离散化处理，得到N组离散数据；其中，N为自然数； 3)将离散化后的每组离散数据形成决策表DT，并将决策表DT作为粗糙函数自适应方法的输入层Xi (t), i=l, 2，3…η ;其中η表示传感器个数； 4)利用粗糙函数自适应方法对决策表DT进行预测分析，得到能表征复杂机电设备运行状态将来发展趋势的最优目标预测模型； 5)根据得到的最优目标预测模型作为本时刻的精确预测模型，并通过监测设备显示下一时刻预测值，实现对复杂机电设备低信噪比信息的早期故障预测。
2.如权利要求1所述的一种面向复杂机电设备低信噪比信息的早期故障预测方法，其特征在于:所述步骤4)中，对所诉决策表DT进行预测分析时利用的粗糙函数自适应方法步骤如下: (1)定义目标粗糙函数F(M)为:F(M) = f(m, w, θ ) = R[f(m θ ) Χ?(ω | θ )]，其中，M为最优目标预测模型为预测粗糙函数模型，为离散化后的输入序列；R表示f (m) Xf(Co)的粗糙关系，在不同连接权值Θ下计算相应的粗糙函数值； (2)输入样本为:
【文档编号】G06F19/00GK103473439SQ201310359750
【公开日】2013年12月25日 申请日期:2013年8月17日 优先权日:2013年8月17日
【发明者】徐小力, 任彬, 蒋章雷, 孟玲霞, 刘秀丽 申请人:北京信息科技大学