CN107702920A - 轴承诊断装置 - Google Patents

Abstract

提供轴承诊断装置，该轴承诊断装置能够简单且谁都可以高精度地实施滚动轴承的正常/异常的状态识别。测定表示滚动轴承的状态的特征信号，将与该信号相关的测定条件与主轴规格一并作为输入，进行学习而生成识别模型。使用所生成的识别模型来判定滚动轴承的正常及异常状态。因此，能够迅速地应对异常，能够缩短到恢复主轴装置为止的时间，防止复发。

Description

轴承诊断装置

技术领域

本发明涉及识别对机床的主轴等进行支承的滚动轴承的状态的轴承诊断装置。

背景技术

滚动轴承用于大量的机器的旋转设备，在机床的主轴中一般也使用滚动轴承。发挥以等间隔保持轴承的滚动体的作用的保持器与滚动体发生滑动，为了正常地保持其动作，需要润滑油。作为润滑油的供给方式，具有被称作油空气的方式等，在该油空气的方式中，通过压缩空气将基于油脂的润滑油或从混合阀中排出的微小的润滑油输送到轴承内。万一，该混合阀发生动作不良的情况下，由于润滑油不足，保持器与滚动体烧粘在一起，因此主轴不能旋转。在更换主轴的轴承的期间，生产停止，因此需要把握主轴的滚动轴承的状态。

作为把握滚动轴承的状态的方法，公知以惯性转动旋转体并计算摩擦扭矩的分析方法。在专利文献1中，从轴的旋转速度的变化相对于轴惯性旋转时的时间变化的比例换算为轴承的摩擦扭矩，进而将该扭矩与判定基准值进行比较来判定轴承的异常程度。

另一方面，轴承的异常诊断也多使用利用了振动的方法。在专利文献2中，求出由振动传感器检测到的振动波形的包络线的傅立叶频谱，通过机器学习求出神经网络的结合状态，来判断异常，其中，所述神经网络由分别具有多个神经元的、输入基于频谱求出的信息的输入层、中间层、输出滚动轴承有无故障及故障的状态的输出层构成。

现有技术文献

专利文献

专利文献1：日本特公平6-65189号公报

专利文献2：日本专利第3170076号公报

发明内容

发明所要解决的课题

关于摩擦扭矩，一般来说，根据滚动轴承的预载、润滑油粘度、对这两者带来影响的温度、供给油量、滚动面的状态，各旋转速度的摩擦扭矩大幅度变化。由于在使用了轴承的温度下，轴承的预载、润滑油粘度大幅度变化，因此难以将专利文献1那样的寿命判定线设为一定的固定值。此外，主轴具有主轴径、电机输出不同的多种规格，根据主轴规格，寿命判定线也不同，因此需要对主轴装置的每种规格都设定寿命判定线。其他的方法、即使用了振动的滚动轴承的诊断也与摩擦扭矩同样地，需要按每个主轴装置，根据不同的轴承规格、最高旋转速度等，设定滤波器、包络线处理的参数等。因此，在专利文献2中，由神经网络生成识别模型，通过识别正常/异常，不需要按每个主轴装置设定与不同的轴承相应的滤波器、包络线处理的参数等。在这样的识别模型中，重要的是如何选择正解率接近100％的输入。

因此，本发明是鉴于上述问题而完成的，欲提供一种涉及轴承诊断的识别的正解率比以往提高的轴承诊断装置。

用于解决课题的手段

为了达到上述目的，本发明中的技术方案1的发明是一种机床中的轴承诊断装置，该轴承诊断装置检测被滚动轴承枢转支承的主轴装置的轴承异常，其特征在于，具有：识别单元，其预先将表示正常时及异常时的主轴装置的滚动轴承的状态的特征量、计测特征量时的主轴的运转条件、以及主轴所使用的轴承的各要素作为输入，将正常状态及异常状态作为输出，进行机器学习而生成识别模型，使用所生成的识别模型识别主轴装置的正常状态和异常状态；以及取得单元，其取得表示所诊断的主轴装置的运转中的滚动轴承的状态的特征量、计测特征量时的运转条件、及主轴所使用的轴承的各要素，该轴承诊断装置将取得的表示轴承的状态的特征量、计测特征量时的运转条件、以及主轴所使用的轴承各要素输入到识别单元，识别轴承的正常状态或者异常状态。

技术方案2的发明的特征在于，在技术方案1的发明中，表示滚动轴承的状态的特征量是指：惯性运动产生的旋转速度的时序变化；或者旋转速度的每单位时间的差分乘以旋转体的惯性矩而计算出的各旋转速度下的摩擦扭矩；或者这两者，运转条件是指以下条件中的任意项或它们的组合：惯性运动的开始及结束的旋转速度；或者受到惯性运转的影响的结构体的温度或给轴承带来影响的温度；或者轴承润滑油的供给状态，轴承各要素是指滚珠节圆直径；或者最高旋转速度；或者这两者。

技术方案3的发明的特征在于，在技术方案1的发明中，表示滚动轴承的状态的特征量是进行频率分析而得的各振动频率下的振动值，运转条件是测定了振动的旋转速度，轴承各要素是滚珠节圆直径、或者滚动体直径、或者滚动体数量、或者接触角度、或者最高旋转速度、或者它们的组合。

技术方案4的发明的特征在于，在技术方案1的发明中，用于生成识别模型的异常状态是润滑不良、预载异常、滚动面的损伤、保持器的损伤、主轴弯曲中的任意项或者它们的组合。

技术方案5的发明的特征在于，在技术方案2的发明中，作为表示滚动轴承的状态的特征量，惯性运动所产生的旋转速度的时序变化按时间进行归一化，旋转速度的每单位时间的差分乘以旋转体的惯性矩而计算出的各旋转速度下的摩擦扭矩按旋转速度进行归一化。

发明效果

根据本发明，测定对特征量给予影响的特征量时的条件例如如果是摩擦扭矩，则将润滑油的供给状态、轴承温度与摩擦扭矩一并作为输入，因此在主轴装置的每种规格所使用的滚动轴承的种类不同的情况下，也能够用一个高精度的异常/正常的识别模型应对。由此，不必根据主轴的规格变更识别模型、选择与用于识别的输入相应的滤波器，谁都可以容易地进行滚动轴承的诊断。并且，将对识别模型的输入设为根据惯性运转求出的摩擦扭矩，由此不使用特别的传感器，因此能廉价地实现滚动轴承的诊断。并且，也使识别模型的输出学习异常的原因，由此能够判断异常及其原因。由此，能够迅速地进行异常的应对，能够缩短到主轴装置恢复为止的时间，防止复发。

附图说明

图1是具有滚动轴承的状态的分类装置的NC装置的结构框图。

图2是表示分类装置的内部的说明图。

标号说明

1：主轴壳体；2：混合阀；3：主轴；4：工作台；5：底座；6：立柱；11：记录部；12：润滑泵；13：主轴旋转检测器；14：温度传感器；15：轴承诊断装置；16：旋转检测部；17：监视器；18：摩擦扭矩计算部；19：轴承状态识别部；20：主轴各要素存储部；21：学习结果存储部

具体实施方式

以下，根据附图，对将本发明实施于机床的主轴装置的滚动轴承、在惯性运动中取得作为滚动轴承的特征量的摩擦扭矩来识别正常/异常的方式进行说明。

图1是示出具有主轴轴承诊断装置15的NC机床的一例的结构框图。在主轴壳体1中具有的能够由未图示的主轴电机转动的主轴3支承于未图示的滚动轴承。主轴壳体1通过未图示的滚珠丝杠、进给轴电机而能够相对于立柱6移动。同样地，工作台4也能通过未图示的滚珠丝杠、进给轴电机而相对于底座5移动。在工作台4上设置工件，使用安装于主轴3的切削刀具，使工作台4与主轴3相对地移动，由此加工工件。

具有温度传感器14作为检测滚动轴承的温度的单元，具有主轴旋转检测器13和旋转检测部16作为计算主轴旋转速度的单元。此外，作为向主轴轴承供给润滑油的单元，润滑泵12和混合阀2被安装于主轴壳体1，其中，混合阀2用于排出微小容量的润滑油、通过压缩空气向轴承供给润滑油。

若为了诊断主轴3的状态，开始惯性运动，则由记录部11按一定的间隔记录开始惯性运转的速度和惯性运动中的旋转速度。在本实施方式中，记录的结束设为直至惯性旋转停止。已被记录的惯性运动中的旋转速度被发送至摩擦扭矩计算部18，使用从主轴各要素存储部20发送的主轴3的惯性矩和旋转速度的变化量来计算各旋转速度下的摩擦扭矩。计算出的各旋转速度下的摩擦扭矩以最高旋转速度归一化，对预先规定的点数n进行重采样，并向记录部11发送。并且，在惯性运动中润滑泵12是否动作、或者每几分钟进行动作这样的润滑泵12的动作状况、以及温度传感器14的主轴温度也被传送至记录部11。

轴承状态识别部19如图2所示由神经网络构成。输入层由记录部11输入归一化的各速度下的摩擦扭矩、惯性运转的开始速度、惯性运动中的轴承温度。此外，从主轴各要素存储部20也一并输入本主轴3中使用的最高旋转速度。此处，以按最高旋转速度对润滑不良、预载异常、滚动面损伤时的各旋转速度下的摩擦扭矩进行归一化而得的值、在惯性运动中润滑泵12是否动作、主轴温度为输入，以正常状态、作为异常状态的润滑不良、预载异常、滚动面的损伤作为输出，使用神经网络预先学习并事先存储学习结果(学习结果存储部21)。然后，此处通过进行学习而生成的识别模型，来识别正常还是异常。此处，在识别为异常的情况下，判断是润滑不良、预载异常、滚动面的损伤中的哪一个。然后，将该识别结果显示于监视器17。

如上所述，滚动轴承的摩擦扭矩受到惯性运转的开始旋转速度、润滑油供给条件、轴承温度很大影响。例如，在多种规格的主轴装置中，将正常/异常时的摩擦扭矩和惯性运转的开始速度作为输入、将正常/异常作为输出而使所述轴承诊断装置学习的情况下，其正解率为87.3％。此处，通过加上润滑油供给的有无作为输入，正解率上升至90.7％，进而为了冷却轴承，加上使用的冷却油的温度作为输入，由此正解率高达91.2％。

另外在本实施方式中，除了摩擦扭矩之外还加上惯性运转的开始旋转速度、润滑油供给的有无、轴承温度作为识别模型的输入，但组装时为了确认，也可以将计测出的预载、惯性旋转的结束速度、轴承的各要素(滚珠节圆的直径、滚珠数量、接触角度)作为输入。而且，不仅是润滑油供给的有无，还可以是润滑油的供给间隔，在由多种轴承构成的主轴装置的情况下，在所使用的轴承的所有的要素有多个或者相同的轴承有多个的情况下，可以增加其使用个数。此外，也可以将主轴立起来使用还是横向使用、是否作为旋转轴使用作为输入。并且，示出了通过将摩擦扭矩按旋转速度归一化而将各种旋转速度的主轴装置设为一个识别模型的例子，但也可以根据主轴装置的规格分开。惯性运动并非从最高旋转速度起到旋转停止为止，还存在多次进行任意的旋转速度的旋转速度变化的计测的情况，可以将该计测开始/结束速度作为输入。此外，作为异常状态的输出，润滑不良且预载异常的状况下可以是复合的原因。

另一方面，在使用振动的滚动轴承的诊断装置中，将对振动传感器的信号进行频率分析而得的各频率下的振动值、计测振动时的旋转速度、主轴的最高旋转速度、作为轴承各要素的滚珠节圆直径、滚动体直径、滚动体数、接触角度作为识别模型的输入，将正常和作为异常状态的预载异常、传送面的损伤、保持器的损伤、主轴弯曲作为输出。而且，可以将摩擦扭矩和振动这两者作为输入，该情况下，能够对润滑不良、预载异常、滚动面的损伤、保持器的损伤、主轴弯曲的主轴装置的异常状态进行分类。

并且，识别模型并非单层的神经网络，也能使用深度学习。并且，作为显示轴承状态的方法，不仅使用显示器，也能够使用由多种颜色的LED构成的状态显示灯。并且，在异常时不仅进行表示状态的显示，还可以进行停止机器、从工件分离刀具的机器控制。

另外，此处示出的本发明不限于机床的主轴，能够适用于使用滚动轴承的旋转设备。

Claims (5)

1.一种机床中的轴承诊断装置，该轴承诊断装置检测被滚动轴承枢转支承的主轴装置的轴承异常，其特征在于，具有：

识别单元，其预先将表示正常时及异常时的主轴装置的滚动轴承的状态的特征量、计测特征量时的主轴的运转条件、以及主轴所使用的轴承的各要素作为输入，将正常状态及异常状态作为输出，进行机器学习而生成识别模型，使用所生成的识别模型识别主轴装置的正常状态和异常状态；以及

取得单元，其取得表示所诊断的主轴装置的运转中的滚动轴承的状态的特征量、计测特征量时的运转条件、及主轴所使用的轴承的各要素，

该轴承诊断装置将取得的表示轴承的状态的特征量、计测特征量时的运转条件、以及主轴所使用的轴承的各要素输入到识别单元，识别轴承的正常状态或者异常状态。

2.根据权利要求1所述的轴承诊断装置，其特征在于，

表示滚动轴承的状态的特征量是指：惯性运动产生的旋转速度的时序变化；或者旋转速度的每单位时间的差分乘以旋转体的惯性矩而计算出的各旋转速度下的摩擦扭矩；或者这两者，

运转条件是指以下条件中的任意项或它们的组合：惯性运动的开始及结束的旋转速度；或者受到惯性运动的影响的结构体的温度或给轴承带来影响的温度；或者轴承润滑油的供给状态，

轴承各要素是指：滚珠节圆直径；或者最高旋转速度；或者这两者。

3.根据权利要求1所述的轴承诊断装置，其特征在于，

表示滚动轴承的状态的特征量是进行频率分析而得的各振动频率下的振动值，

运转条件是测定了振动的旋转速度，

轴承各要素是滚珠节圆直径、或者滚动体直径、或者滚动体数量、或者接触角度、或者最高旋转速度、或者它们的组合。

4.根据权利要求1所述的轴承诊断装置，其特征在于，

用于生成识别模型的异常状态是润滑不良、预载异常、滚动面的损伤、保持器的损伤、主轴弯曲中的任意项或者它们的组合。

5.根据权利要求2所述的轴承诊断装置，其特征在于，

作为表示滚动轴承的状态的特征量，惯性运动所产生的旋转速度的时序变化按时间进行归一化，旋转速度的每单位时间的差分乘以旋转体的惯性矩而计算出的各旋转速度下的摩擦扭矩按旋转速度进行归一化。