一种滚珠丝杠健康状态的评估方法
【技术领域】
[0001] 本发明属于设备健康监控领域，设及滚珠丝杠的性能衰退及健康状态评估。
【背景技术】
[0002] 滚珠丝杠是直线驱动器的主要部分，在工业机械和数控机床广泛应用。长时间大 强度的连续加工、预紧力的下降和溫度的升高等因素都会导致滚珠丝杠性能衰退。对于数 控机床来说，它也是关键的部件之一，它的性能对加工过程也有较大影响。其中，滚珠丝杠 潜在的故障或者部件性能衰退都会影响加工效率和定位精度，甚至引起较大的加工误差或 使工件报废。因此，需要对滚珠丝杠进行在线监控，研究其性能衰退趋势，对其健康状态作 准确评价。
[0003] 经过对现有技术的文献检索和专利的检索发现常见的滚珠丝杠健康状态评估方 法有W下几种：
[0004] 方法1:中国专利申请号:CN2015103901409，专利名称为:一种丝杠故障诊断方法， 该专利自述为："该方法能有效地解决现有丝杠智能故障诊断系统人工提取特征困难和应 用浅层网络非线性表达能力有限的问题。采用稀释自编码深度神经网络结构，网络的识别 模型选用Softmax回归分类器，确定网络结构隐含层数量;确定故障诊断模型的输入端数量 确定故障诊断模型的输出端数量，准备训练样本集、预训练、微调训练、准备故障诊断模型 测试样本集、测试故障诊断模型的故障诊断性能，依次连续输入测试样本集中的数据段，记 录模型的输出量，得到模型的实际输出表，将模型的理想输出表与设计输出表进行对比，即 得故障诊断模型的故障性能测试与评价结果。"方法1侧重的是对丝杠故障进行诊断，对于 性能衰退趋势的量化评估并未设及。
[0005] 方法2:赵敏等人在《多变量灰色模型在滚珠丝杠剩余寿命预测中的应用》中通过 模态分解方法分解选择对丝杠性能退化最敏感的特征参数，利用多变量灰色模型建立丝杠 寿命与切削=要素、信号特征值的非线性映射关系，最终构建了基于多变量灰色模型的丝 杠寿命预测模型，实现了对丝杠剩余寿命的有效评估。在滚珠丝杠副的不同位置安装3个加 速度传感器，实时监测丝杠性能在不同加工条件下的变化趋势。方法2的监测方法主要侧重 于寿命预测。
[0006] 方法3:宋平等人在《KPCA和遗传 BP神经网络在滚珠丝杠故障诊断中的应用研究》 中用2个测点的6个传感器同步采集滚珠丝杠的振动信号，并进行特征提取，得到原始样本 空间，然后利用核主元分析对原始样本空间进行降维处理，W消除样本间的冗余信息，引入 遗传算法，解决了传统BP神经网络初始权值和阔值选择的随机性。方法3的监测方法侧重于 对滚珠丝杠的正常状态、丝杠弯曲、滚珠破损和滚道磨损4种状态进行故障诊断。
[0007] 方法4:吴希犧等人在《基于超球面支持向量机的丝杠故障诊断技术》中研究了模 型参数选择在构造超球面支持向量机中的重要作用。将振动信号小波包分解后的频带能量 作为特征向量，输入到超球面支持向量机分类器进行故障识别。方法4的监测信号源为加速 度传感器，采用的分类器为支持向量机。
[000引方法5:张彼辰等人在《数控机床滚珠丝杠副性能退化评估技术》中利用动态聚类 数据处理技术对采集的海量数据进行预处理，提取信号的时域、频域及时频域特征，通过主 分量分析方法压缩特征数量，构建了丝杠振动信号特征向量，采用量子遗传算法优化灰色 神经网络的初始化参数，将特征向量输入到灰色神经网络进行训练，进而得到丝杠性能衰 退模型。方法5的监测信号源也为振动信号，采用灰色神经网络进行评估。
[0009] 因此，本领域的技术人员致力于开发一种滚珠丝杠的性能衰退及健康状态的评估 方法，避免了高维非线性性能衰退数据的处理复杂性。
【发明内容】
[0010] 本发明的目的在于针对现有技术的不足，提出一种滚珠丝杠的健康状态评估方 法，基于拉普拉斯特征马氏距离的健康评估方法，使其解决【背景技术】中存在的不足，实现性 能衰退的评估。本发明W流形学习方法进行特征的降维，结合距离评估方法得到不同样本 集的降维特征间的距离，并将距离通过非线性映射规则映射为健康值，量化评估滚珠丝杠 的性能衰退程度。该方法采集的信号从设备监控平台中获得，不影响数控机床的动态加工。 在提取待评估信号样本主要时域频域特征的环节中，通过流形学习进行维数约简，避免了 高维非线性性能衰退数据的处理复杂性。在特征样本空间中信号的分布与实际情况相符。 在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。
[0011] 本发明所述的滚珠丝杠健康状态的评估方法，包括W下步骤：
[0012] 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；
[0013] 步骤2、对所述传感器信号做预处理，除去噪声和干扰；
[0014] 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；
[0015] 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；
[0016] 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；
[0017] 步骤6、建立各个降维特征间距离与健康值的非线性关系；用阔值T来确定性能衰 退的界限，识别性能衰退的状态。
[0018] 进一步地，所述步骤2中的所述预处理包括W下步骤：
[0019] 步骤2.1、找到信号的特征起点；
[0020] 步骤2.2、将同一样本的不同信号对齐；
[0021] 步骤2.3、对长信号进行周期分割处理。
[0022] 进一步地，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。
[0023] 进一步地，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 [Y0，Yi，…，Yk-i]=LEM([Xi，X2,…，Xm]),其中[Xi，X2,…，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。
[0024] 进一步地，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Mdi，先求出降维特征的均值f，然后按下式计算：
[0025]
[00%]式中，Cy为协方差矩阵。
[0027] 进一步地，所述健康值的评估结果是W性能对正常状态的偏离可信度作取值范围 为[0，1]的量化指标。
[0028] 进一步地，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。
[0029] 进一步地，所述传感器信号为驱动电机的速度信号和转矩信号。
[0030] 进一步地，将马氏距离映射为所述健康值。
[0031 ]进一步地，所述传感器信号直接通过TCP^P协议从数控系统中读取。
[0032] 本发明所采用的解决方案如下：
[0033] 1、滚珠丝杠信号的采集
[0034] 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。考虑到实际在线 监测的要求