CN115310497A - 用于数控机床轴承的异常识别方法 - Google Patents

用于数控机床轴承的异常识别方法 Download PDF

Info

Publication number
CN115310497A
CN115310497A CN202211242160.8A CN202211242160A CN115310497A CN 115310497 A CN115310497 A CN 115310497A CN 202211242160 A CN202211242160 A CN 202211242160A CN 115310497 A CN115310497 A CN 115310497A
Authority
CN
China
Prior art keywords
index
isolated
amplitude
bearing
machine tool
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211242160.8A
Other languages
English (en)
Inventor
曹瑞金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin Yurui Technology Co ltd
Original Assignee
Nantong Weili Cnc Machine Tool Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong Weili Cnc Machine Tool Co ltd filed Critical Nantong Weili Cnc Machine Tool Co ltd
Priority to CN202211242160.8A priority Critical patent/CN115310497A/zh
Publication of CN115310497A publication Critical patent/CN115310497A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种用于数控机床轴承的异常识别方法。该方法包括：得到异常信号包络谱图，基于异常信号包络谱图得到离散化包络谱图；取离散化包络谱图中的频率参数建立孤立树，得到孤立树中的孤立点；获取每棵孤立树的孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值；所有孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值组成幅值序列；根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标；基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床的轴承的异常类型。本发明能够准确识别数控机床轴承的故障类型。

Description

用于数控机床轴承的异常识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于数控机床轴承的异常识别方法。
背景技术
轴承是数控机床的核心部件之一，是数控机床中的重要零部件，在数控机床中轴承的主要功能是支撑机械旋转体，按照承载方向或者接触角的不同，数控机床中的轴承分为不同的类型，在数控机床工作中发挥不同的作用。
数控机床的制造安全不仅受到人员操控的外界影响，还会受到机床设备内部零部件的影响，振动或制造过程中产生的杂质都会影响到机床上轴承的安全性，所以当泵机内部的轴承振动发生改变，数控机床制造会随之出现异常现象，数控机床的安全性将会受到影响。但是由于轴承处的场景图像不是可以简单看到或是用工业相机获取的，当轴承内部出现异常时，数控机床中轴承传动时产生的振动信号的时域波形图将会随之改变，因此通过计算机视觉技术对数控机床运行时轴承振动信号进行检测分析反映出机床内部轴承是否出现异常，实现对数控机床异常的识别检测是保证数控机床安全作业的有效手段。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种用于数控机床轴承的异常识别方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种用于数控机床轴承的异常识别方法：
采集数控机床运行时的多个时域波形图，并将所述时域波形图转化为信号包络谱图；训练异常识别网络，将信号包络谱图输入异常识别网络，输出异常信号包络谱图；
将异常信号包络谱图对应的时域波形图进行离散化得到每个周期的时域波形图，并将每个周期的时域波形图转化为离散化包络谱图；取离散化包络谱图中的频率参数建立孤立树，其中孤立树的数量为预设值；计算任意一棵孤立树的采样点的异常得分，根据异常得分得到孤立树中的孤立点；
获取每棵孤立树的孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值；所有孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值组成幅值序列；根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标；基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床轴承的异常类型。
优选地，训练异常识别网络，将信号包络谱图输入异常识别网络，输出异常信号包络谱图包括：
异常识别网络为ResNet50模型，损失函数为交叉熵损失函数；利用处理好的训练数据和数据标签对ResNet50模型进行训练，标签数据中含有两类标签0和1，所述标签0表示此训练数据是机床制造异常时的信号包络谱图，所述标签1表示此训练数据对应的是机床制造正常时的信号包络谱图；将信号包络谱图输入异常识别网络，输出异常信号包络谱图。
优选地，将异常信号包络谱图对应的时域波形图进行离散化得到每个周期的时域波形图包括：
设定采集信号的时域波形图的采样点数量为N个，时长为T，信号的采样周期设为t，每个周期内的时域波形图的采样点数量为n，且
Figure 100002_DEST_PATH_IMAGE001
，
Figure 384534DEST_PATH_IMAGE002
其中，k是正整数。
优选地，取离散化包络谱图中的频率参数建立孤立树，其中孤立树的数量为预设值包括：一棵孤立树停止生长的条件为直到叶子节点上只有一个频率参数。
优选地，计算任意一棵孤立树的采样点的异常得分，根据异常得分得到孤立树中的孤立点包括：对于一棵孤立树，选取m个采样点的幅值，设m个幅值中的最大值为
Figure 100002_DEST_PATH_IMAGE003
, 最小值
Figure 980076DEST_PATH_IMAGE004
，从区间[
Figure 810760DEST_PATH_IMAGE004
,
Figure 429960DEST_PATH_IMAGE003
]中选择一个幅值
Figure 100002_DEST_PATH_IMAGE005
进行m个幅值的划分，在划分过程中
Figure 539736DEST_PATH_IMAGE005
的值不断更新，直到所有的采样点被孤立；计算采样点Q的异常得分：
Figure 100002_DEST_PATH_IMAGE007
Figure 100002_DEST_PATH_IMAGE009
其中，
Figure 66533DEST_PATH_IMAGE010
是指孤立树的平均路径长度；采样点Q的路径长度h(Q)是从孤立树的根节点所经过的边的数量，m是选取的采样点数量；H(*)是调和数，其大小为ln(m)+0.5772；
Figure 100002_DEST_PATH_IMAGE011
是采样点Q在一批孤立树中的路径长度的期望；
Figure 814040DEST_PATH_IMAGE012
表示采样点Q的异常得分。
优选地，根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标包括：
Figure 604141DEST_PATH_IMAGE014
Figure 141826DEST_PATH_IMAGE016
Figure 675576DEST_PATH_IMAGE018
其中，
Figure 100002_DEST_PATH_IMAGE019
表示第一峰值指标，
Figure 526857DEST_PATH_IMAGE020
表示第一脉冲指标，
Figure 100002_DEST_PATH_IMAGE021
表示第一裕度指标；
Figure 593253DEST_PATH_IMAGE003
表示幅值序列的峰值；
Figure 238473DEST_PATH_IMAGE022
表示幅值序列的均方差；
Figure 100002_DEST_PATH_IMAGE023
表示幅值序列的平均值；
Figure 356339DEST_PATH_IMAGE024
表示幅值序列的方差。
优选地，基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床轴承的异常类型包括：
获取数控机床正常工作时的峰值指标
Figure 100002_DEST_PATH_IMAGE025
、脉冲指标
Figure 875177DEST_PATH_IMAGE026
、裕度指标
Figure 100002_DEST_PATH_IMAGE027
；若幅值序列F对应的第一峰值指标
Figure 538239DEST_PATH_IMAGE019
、第一脉冲指标
Figure 532740DEST_PATH_IMAGE020
、第一裕度指标
Figure 926069DEST_PATH_IMAGE021
都小于峰值指标
Figure 220784DEST_PATH_IMAGE025
、脉冲指标
Figure 258010DEST_PATH_IMAGE026
、裕度指标
Figure 21698DEST_PATH_IMAGE027
，则此周期内轴承故障是外圈故障；若两个幅值序列对应的第一峰值指标
Figure 435361DEST_PATH_IMAGE019
、第一脉冲指标
Figure 319004DEST_PATH_IMAGE020
、第一裕度指标
Figure 776399DEST_PATH_IMAGE021
都大于峰值指标
Figure 11071DEST_PATH_IMAGE025
、脉冲指标
Figure 494005DEST_PATH_IMAGE026
、裕度指标
Figure 982886DEST_PATH_IMAGE027
，则比较两个幅值序列对应的第一峰值指标
Figure 893073DEST_PATH_IMAGE019
、第一脉冲指标
Figure 349463DEST_PATH_IMAGE020
、第一裕度指标
Figure 104929DEST_PATH_IMAGE021
的大小，较大的第一峰值指标
Figure 232939DEST_PATH_IMAGE019
、第一脉冲指标
Figure 48448DEST_PATH_IMAGE020
、第一裕度指标
Figure 726554DEST_PATH_IMAGE021
对应的幅值序列对应的为滚珠体故障；较小的第一峰值指标
Figure 285712DEST_PATH_IMAGE019
、第一脉冲指标
Figure 749185DEST_PATH_IMAGE020
、第一裕度指标
Figure 735596DEST_PATH_IMAGE021
对应的幅值序列对应的为轴承内圈故障。
本发明实施例至少具有如下有益效果：本发明提出了一种用于数控机床轴承的异常识别方法，解决了仅通过机床轴承波形图的简单对比很难获取精准可信的识别结果的问题，因为轴承信号的频谱分析需要知道轴承内部的具体几何结构和运行状态的细节，由于部分轴承故障特征频率与轴承部件产生的信号频率较为相似，本方案利用神经网络以及孤立森林算法实现对轴承信号异常频率的检测，提高了频率分析的精确度，避免了近似频率导致的故障信号识别困难的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种用于数控机床轴承的异常识别方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于数控机床轴承的异常识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于数控机床轴承的异常识别方法的具体方案。
实施例：
本发明的主要应用场景为：在数控机床的日常工作中，数控机床由于自身和外界的一些原因及其容易产生工作状态的异常，此时不仅仅会对数控机床的制造产生影响，其中生产的安全性也会受到影响，因此需要对数控机床制造时的工作状态进行识别，识别器工作状态是否异常。
请参阅图1，其示出了本发明实施例提供的一种用于数控机床轴承的异常识别方法的方法流程图，该方法包括以下步骤：
步骤S1，采集数控机床运行时的多个时域波形图，并将所述时域波形图转化为信号包络谱图；训练异常识别网络，将信号包络谱图输入异常识别网络，输出异常信号包络谱图。
在数控机床上安装传感器获取机床运行信号的时域波形图，所述时域波形图是一种信号图，横坐标是轴承振动信号采样点的数量，纵坐标是采集到的轴承振动信号的幅值。采集的振动信号长度应当包含数控机床一次完整作业内的所有信号。本方案采集大量正常工作状态下轴承振动信号的时域波形图和待识别的轴承振动信号的时域波形图，以实现训练的神经网络模型能够识别哪些信号对应的是机床制造故障时运行信号的目的。检测机床制造故障轴承振动信号的神经网络训练过程如下：
异常识别网络训练集的制作：采集正常状态机床轴承振动信号的时域波形图和待识别轴承振动信号的时域波形图，分别对两种状态下采集数据进行傅里叶变换，通过傅里叶变换的结果设置带通滤波器的高频率阈值和低频率阈值，其次对能够经过带通滤波器的窄带信号进行希尔伯特变换得到信号包络，最后利用傅立叶变换得到包络谱，获取振动信号包络谱为公知技术，在此不再赘述具体每一步的计算过程。至此，将每次采集的不同运行状态的时域波形图分别转换成为对应的信号包络谱图，在包络谱图输入异常识别网络前对其进行标准化和归一化。
神经网络结构选择：绝大多数数控机床轴承故障信号属于周期性信号，相比于正常轴承信号，机床轴承故障信号的周期性和瞬时脉冲存在明显差异，这种差异表现为轴承振动信号的峰值指标、脉冲指标、以及裕度指标与正常信号的指标不同。从信号包络谱图中将异常信号的正常信号进行区分属于图像分类任务，本发明中以ResNet50模型作为异常识别网络，选择Momentum优化算法作为网络的优化算法，以交叉熵损失函数作为损失函数。
神经网络识别异常信号。利用处理好的训练数据和数据标签对ResNet50模型进行训练，标签数据中含有两类标签0和1，标签0代表着此训练数据是机床制造异常时的轴承振动信号，标签1代表着此训练数据对应的是机床制造正常时的轴承振动信号，在本发明中标签通过人为标注的方式完成。神经网络的输出是经由损失函数计算表达出来，损失函数的计算分为两步：第一步是对网络的输入进行softmax转化，输入为信号包络谱图，输出每个输入数据对应的概率；第二步是计算交叉熵损失。根据输出的最大概率判断信号包络谱图是否对应机床制造异常时的轴承振动信号，输出异常信号包络谱图，其中异常信号包络谱图对应的是机床制造异常时的轴承振动信号。
步骤S2，将异常信号包络谱图对应的时域波形图进行离散化得到每个周期的时域波形图，并将每个周期的时域波形图转化为离散化包络谱图；取离散化包络谱图中的频率参数建立孤立树，其中孤立树的数量为预设值；计算任意一棵孤立树的采样点的异常得分，根据异常得分得到孤立树中的孤立点。
根据步骤S1训练的异常识别网络，对待识别的机床轴承信号中提取的包络谱图进行识别分类，判断是否是存在机床制造异常的现象。对异常信号包络谱图进行下一步处理。
对于识别为机床制造异常状态的异常信号包络谱图，将异常信号包络谱图和对应的时域波形图分别进行离散化处理，在本方案中离散化处理是指将连续的时域波形图转换成单个周期的组合信号，假设采集信号的时域波形图的采样点数量为N个，时长为T，信号的采样周期设为t，每个周期内的采样点数量为n，离散化后满足：
Figure DEST_PATH_IMAGE029
其中，k是正整数。
时域波形图离散化处理得到的是每个周期的波形图，对离散化后的时域波形图按照步骤S1中相同的方式转换成对应的离散化包络谱图，离散化包络谱图得到的是每个周期中采样点对应的频率和幅值。对于正常的轴承振动信号，从其对应的离散化包络谱图获取每个周期内的采样点幅值。参数对的离散程度越高表示参数对应的采样点越有可能是故障信号。
机床轴承外圈故障信号的峰值指标、脉冲指标、裕度指标等波形指标的参数值和正常的轴承信号相比都偏小，内圈故障信号和滚动体故障信号的波形指标等比正常信号的参数值都偏大，而内圈故障信号的参数值略小于滚动体故障信号的。因此能够通过分析故障信号中的波形指标参数值的数值大小和周期离散性实现对轴承具体故障的判断，根据判断结果进一步确定机床制造异常的具体情况。
对参数对进行异常点检测，本发明通过孤立森林异常点检测方法完成对异常采样点的检测。
孤立森林算法的思想是异常样本更容易快速落入叶子节点，异常样本距离根节点的距离更近。在特征空间内分布稀疏的区域内的点代表事件的概率很低，随机分割数据集，直到所有的样本点都是孤立的，孤立森林不再是对正常点加以描述，而是将孤立的点检测出来。孤立森林算法的优点在于密度很低的点很容易就被分割出来形成孤立点，计算过程相对简单，不会影响数据本身的大小和意义。
在本发明实施例中，孤立森林检测方法的基本步骤如下：
首先有放回的抽取离散化包络谱图中的参数：此处取故障信号的包络谱图离散化后同一周期中的频率参数。确定孤立树生长的停止条件是直到叶子节点上只有一个频率参数。
对于任意一棵孤立树，随机选取m个采样点的幅值，设m个幅值中的最大值为
Figure 478161DEST_PATH_IMAGE003
,最小值
Figure 575430DEST_PATH_IMAGE004
，从区间[
Figure 142678DEST_PATH_IMAGE004
,
Figure 316301DEST_PATH_IMAGE003
]中随机选择一个幅值
Figure 969000DEST_PATH_IMAGE005
进行m个幅值的划分，在划分过程中
Figure 869960DEST_PATH_IMAGE005
的值不断更新，直到所有的采样点被孤立。根据下列公式计算采样点Q的异常得分s：
Figure 557293DEST_PATH_IMAGE030
Figure 403283DEST_PATH_IMAGE009
其中，
Figure 808856DEST_PATH_IMAGE010
是指孤立树的平均路径长度，采样点Q的路径长度h(Q)是从孤立树的根节点所经过的边的数量，m是选取的采样点数量，H(*)是调和数，其大小为ln(m)+0.5772,
Figure DEST_PATH_IMAGE031
是样本Q在一批孤立树中的路径长度的期望。当
Figure 966037DEST_PATH_IMAGE031
趋近于0时，s趋近于1，采样点Q被认为是异常点，可能对应机床异常轴承振动信号。当
Figure 773456DEST_PATH_IMAGE031
趋近于m-1时，s趋近于0，采样点Q被认为是正常点。
重复上述步骤，直到生成的孤立树数量Num达到了预设值，本方案中Num取100，也即是预设值为100，即由离散化后的包络谱图生成了100棵孤立树，分别记为
Figure 23303DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
至
Figure 689076DEST_PATH_IMAGE034
。
轴承的振动频率成分十分复杂，既有高频成分又有低频成分，而每种轴承故障对应的频率成分都是固定的，利用上述孤立森林检测形成得到孤立树，将包络谱中的振动频率中的异常频率作为异常点孤立出来。
对于任意一棵孤立树，信号中的频率数据在其中的接受的孤立规则是一致的，所以对于大小接近的数，无论是高频率的数，还是低频率的数据，只有信号中的异常频率才是被快速孤立的点。有采样点的异常得分得到每棵孤立树中的孤立点；
步骤S3，获取每棵孤立树的孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值；所有孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值组成幅值序列；根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标；基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床轴承的异常类型。
首先，根据采样点的幅值和采样点数量计算机床正常工作时的正常信号的峰值指标
Figure 856139DEST_PATH_IMAGE025
、脉冲指标
Figure 783644DEST_PATH_IMAGE026
、裕度指标
Figure 453660DEST_PATH_IMAGE027
，具体计算为公知技术，在此不做详细赘述。
对于上述步骤中每棵树获取的孤立点，第一棵树获取孤立点对应的频率参数记为
Figure DEST_PATH_IMAGE035
，根据频率参数对应到包络谱中，分别读取这个频率对应的幅值
Figure 83093DEST_PATH_IMAGE005
，这个频率的二倍频，也即是二倍的频率参数2
Figure 395126DEST_PATH_IMAGE035
对应的幅值
Figure 662290DEST_PATH_IMAGE036
，进一步的，遍历一个周期内的所有孤立树，获得每棵树孤立点频率参数依次记为
Figure DEST_PATH_IMAGE037
、
Figure 34366DEST_PATH_IMAGE038
至
Figure DEST_PATH_IMAGE039
，获取这些频率参数对应的幅值和二倍频对应的幅值，对于一个周期内的轴承信号都将得到一个包含2n个参数的幅值序列
Figure 413745DEST_PATH_IMAGE040
,计算序列F的均方值
Figure 998310DEST_PATH_IMAGE022
、平均值
Figure 369248DEST_PATH_IMAGE023
、方差
Figure 194116DEST_PATH_IMAGE024
。序列F的峰值记为
Figure 548874DEST_PATH_IMAGE003
，进一步的，分别计算序列F对应的第一峰值指标
Figure 920818DEST_PATH_IMAGE019
、第一脉冲指标
Figure 411843DEST_PATH_IMAGE020
、第一裕度指标
Figure 860141DEST_PATH_IMAGE021
：
Figure DEST_PATH_IMAGE041
Figure 452928DEST_PATH_IMAGE016
Figure 379296DEST_PATH_IMAGE042
根据序列F对应的第一峰值指标
Figure 649127DEST_PATH_IMAGE019
、第一脉冲指标
Figure 2748DEST_PATH_IMAGE020
、第一裕度指标
Figure 800940DEST_PATH_IMAGE021
与正常轴承信号的峰值指标
Figure 796578DEST_PATH_IMAGE025
、脉冲指标
Figure 245883DEST_PATH_IMAGE026
、裕度指标
Figure 770405DEST_PATH_IMAGE027
进行比较，根据指标的大小关系判断轴承故障是外圈故障还是内圈故障或是滚珠故障。具体判断如下：
如果序列F对应的第一峰值指标
Figure 321472DEST_PATH_IMAGE019
、第一脉冲指标
Figure 605954DEST_PATH_IMAGE020
、第一裕度指标
Figure 660498DEST_PATH_IMAGE021
都小于正常轴承信号的峰值指标
Figure 621500DEST_PATH_IMAGE025
、脉冲指标
Figure 765256DEST_PATH_IMAGE026
、裕度指标
Figure 587850DEST_PATH_IMAGE027
，那么此周期内轴承故障是外圈故障，如果出现两个幅值序列
Figure DEST_PATH_IMAGE043
和
Figure 293637DEST_PATH_IMAGE044
对应的第一峰值指标
Figure 940388DEST_PATH_IMAGE019
、第一脉冲指标
Figure 934889DEST_PATH_IMAGE020
、第一裕度指标
Figure 593797DEST_PATH_IMAGE021
都大于正常轴承信号的峰值指标
Figure 108086DEST_PATH_IMAGE025
、脉冲指标
Figure 676471DEST_PATH_IMAGE026
、裕度指标
Figure 423847DEST_PATH_IMAGE027
，那么此时再比较
Figure 352357DEST_PATH_IMAGE043
和
Figure 501579DEST_PATH_IMAGE044
对应的第一峰值指标
Figure 975286DEST_PATH_IMAGE019
、第一脉冲指标
Figure 960690DEST_PATH_IMAGE020
、第一裕度指标
Figure 178045DEST_PATH_IMAGE021
的大小，较大的指标对应的周期内轴承故障是滚珠体故障，较小的指标对应周期内的轴承故障是内圈故障。进一步的，当轴承振动信号中识别出异常时，停止数控机床的运行，根据数控机床内部轴承异常情况对数控机床异常情况进行检测维修，保证数控机床的安全制造。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种用于数控机床轴承的异常识别方法，其特征在于，该方法包括：
采集数控机床运行时轴承的振动信号的多个时域波形图，所述时域波形图是一种信号图，横坐标是轴承振动信号采样点的数量，纵坐标是采集到的轴承振动信号的幅值，并将所述时域波形图转化为信号包络谱图；训练异常识别网络，将信号包络谱图输入异常识别网络，输出异常信号包络谱图；
将异常信号包络谱图对应的时域波形图进行离散化得到每个周期的时域波形图，并将每个周期的时域波形图转化为离散化包络谱图；取离散化包络谱图中的频率参数建立孤立树，其中孤立树的数量为预设值；计算任意一棵孤立树的采样点的异常得分，根据异常得分得到孤立树中的孤立点；
获取每棵孤立树的孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值；所有孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值组成幅值序列；根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标；基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床轴承的异常类型。
2.根据权利要求1所述的一种用于数控机床轴承的异常识别方法，其特征在于，所述训练异常识别网络，将信号包络谱图输入异常识别网络，输出异常信号包络谱图包括：
异常识别网络为ResNet50模型，损失函数为交叉熵损失函数；利用处理好的训练数据和数据标签对ResNet50模型进行训练，标签数据中含有两类标签0和1，所述标签0表示此训练数据是机床制造异常时的信号包络谱图，所述标签1表示此训练数据对应的是机床制造正常时的信号包络谱图；将信号包络谱图输入异常识别网络，输出异常信号包络谱图。
3.根据权利要求1所述的一种用于数控机床轴承的异常识别方法，其特征在于，所述将异常信号包络谱图对应的时域波形图进行离散化得到每个周期的时域波形图包括：
设定采集信号的时域波形图的采样点数量为N个，时长为T，信号的采样周期设为t，每个周期内的时域波形图的采样点数量为n，且
Figure DEST_PATH_IMAGE001
，
Figure 364205DEST_PATH_IMAGE002
其中，k是正整数。
4.根据权利要求1所述的一种用于数控机床轴承的异常识别方法，其特征在于，所述取离散化包络谱图中的频率参数建立孤立树，其中孤立树的数量为预设值包括：一棵孤立树停止生长的条件为直到叶子节点上只有一个频率参数。
5.根据权利要求1所述的一种用于数控机床轴承的异常识别方法，其特征在于，所述计算任意一棵孤立树的采样点的异常得分，根据异常得分得到孤立树中的孤立点包括：对于一棵孤立树，选取m个采样点的幅值，设m个幅值中的最大值为
Figure DEST_PATH_IMAGE003
, 最小值
Figure 192353DEST_PATH_IMAGE004
，从区间[
Figure 81812DEST_PATH_IMAGE004
,
Figure 23223DEST_PATH_IMAGE003
]中选择一个幅值
Figure DEST_PATH_IMAGE005
进行m个幅值的划分，在划分过程中
Figure 58044DEST_PATH_IMAGE005
的值不断更新，直到所有的采样点被孤立；计算采样点Q的异常得分：
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE009
其中，
Figure 373488DEST_PATH_IMAGE010
是指孤立树的平均路径长度；采样点Q的路径长度h(Q)是从孤立树的根节点所经过的边的数量，m是选取的采样点数量；H(*)是调和数，其大小为ln(m)+0.5772；
Figure DEST_PATH_IMAGE011
是采样点Q在一批孤立树中的路径长度的期望；
Figure 922762DEST_PATH_IMAGE012
表示采样点Q的异常得分。
6.根据权利要求1所述的一种用于数控机床轴承的异常识别方法，其特征在于，所述根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标包括：
Figure 171210DEST_PATH_IMAGE014
Figure 658823DEST_PATH_IMAGE016
Figure 274612DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
表示第一峰值指标，
Figure 223982DEST_PATH_IMAGE020
表示第一脉冲指标，
Figure DEST_PATH_IMAGE021
表示第一裕度指标；
Figure 326936DEST_PATH_IMAGE003
表示幅值序列的峰值；
Figure 985451DEST_PATH_IMAGE022
表示幅值序列的均方差；
Figure DEST_PATH_IMAGE023
表示幅值序列的平均值；
Figure 822957DEST_PATH_IMAGE024
表示幅值序列的方差。
7.根据权利要求1所述的一种用于数控机床轴承的异常识别方法，其特征在于，所述基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床轴承的异常类型包括：
获取数控机床正常工作时的峰值指标
Figure DEST_PATH_IMAGE025
、脉冲指标
Figure 313368DEST_PATH_IMAGE026
、裕度指标
Figure DEST_PATH_IMAGE027
；若幅值序列F对应的第一峰值指标
Figure 536408DEST_PATH_IMAGE019
、第一脉冲指标
Figure 100245DEST_PATH_IMAGE020
、第一裕度指标
Figure 690626DEST_PATH_IMAGE021
都小于峰值指标
Figure 778537DEST_PATH_IMAGE025
、脉冲指标
Figure 137974DEST_PATH_IMAGE026
、裕度指标
Figure 138291DEST_PATH_IMAGE027
，则此周期内轴承故障是外圈故障；若两个幅值序列对应的第一峰值指标
Figure 934077DEST_PATH_IMAGE019
、第一脉冲指标
Figure 576411DEST_PATH_IMAGE020
、第一裕度指标
Figure 790355DEST_PATH_IMAGE021
都大于峰值指标
Figure 942332DEST_PATH_IMAGE025
、脉冲指标
Figure 507305DEST_PATH_IMAGE026
、裕度指标
Figure 140281DEST_PATH_IMAGE027
，则比较两个幅值序列对应的第一峰值指标
Figure 943152DEST_PATH_IMAGE019
、第一脉冲指标
Figure 534539DEST_PATH_IMAGE020
、第一裕度指标
Figure 586809DEST_PATH_IMAGE021
的大小，较大的第一峰值指标
Figure 39787DEST_PATH_IMAGE019
、第一脉冲指标
Figure 743169DEST_PATH_IMAGE020
、第一裕度指标
Figure 256190DEST_PATH_IMAGE021
对应的幅值序列对应的为滚珠体故障；较小的第一峰值指标
Figure 264598DEST_PATH_IMAGE019
、第一脉冲指标
Figure 507885DEST_PATH_IMAGE020
、第一裕度指标
Figure 269036DEST_PATH_IMAGE021
对应的幅值序列对应的为轴承内圈故障。
CN202211242160.8A 2022-10-11 2022-10-11 用于数控机床轴承的异常识别方法 Pending CN115310497A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211242160.8A CN115310497A (zh) 2022-10-11 2022-10-11 用于数控机床轴承的异常识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211242160.8A CN115310497A (zh) 2022-10-11 2022-10-11 用于数控机床轴承的异常识别方法

Publications (1)

Publication Number Publication Date
CN115310497A true CN115310497A (zh) 2022-11-08

Family

ID=83868061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211242160.8A Pending CN115310497A (zh) 2022-10-11 2022-10-11 用于数控机床轴承的异常识别方法

Country Status (1)

Country Link
CN (1) CN115310497A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115935243A (zh) * 2023-03-01 2023-04-07 武汉同创万智数字科技有限公司 一种基于数据处理的故障分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276416A (zh) * 2019-07-02 2019-09-24 广东省智能机器人研究院 一种滚动轴承故障预测方法
US20200225117A1 (en) * 2019-01-15 2020-07-16 Computational Systems, Inc. Bearing and Fault Frequency Identification From Vibration Spectral Plots
CN113420652A (zh) * 2021-06-22 2021-09-21 中冶赛迪重庆信息技术有限公司 一种时序信号片段异常识别方法、***、介质及终端
CN114549884A (zh) * 2022-02-25 2022-05-27 浙江大华技术股份有限公司 一种异常图像检测方法、装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200225117A1 (en) * 2019-01-15 2020-07-16 Computational Systems, Inc. Bearing and Fault Frequency Identification From Vibration Spectral Plots
CN110276416A (zh) * 2019-07-02 2019-09-24 广东省智能机器人研究院 一种滚动轴承故障预测方法
CN113420652A (zh) * 2021-06-22 2021-09-21 中冶赛迪重庆信息技术有限公司 一种时序信号片段异常识别方法、***、介质及终端
CN114549884A (zh) * 2022-02-25 2022-05-27 浙江大华技术股份有限公司 一种异常图像检测方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梅子行, 机械工业出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115935243A (zh) * 2023-03-01 2023-04-07 武汉同创万智数字科技有限公司 一种基于数据处理的故障分析方法
CN115935243B (zh) * 2023-03-01 2023-09-15 华谋咨询技术(深圳)有限公司 一种基于数据处理的故障分析方法

Similar Documents

Publication Publication Date Title
CN111914883A (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110427916B (zh) 中心频率收敛趋势作用下的故障诊断方法
CN109300483B (zh) 一种智能化音频异音检测方法
Dou et al. A rule-based intelligent method for fault diagnosis of rotating machinery
CN110160767B (zh) 基于包络分析的冲击周期自动识别与提取方法及***
CN116237817B (zh) 基于物联网的五轴联动数控机床智能监测***
JP6792746B2 (ja) 周波数領域のセグメント特徴解析による状態識別法
CN113420691A (zh) 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法
Wang et al. Weighted K-NN classification method of bearings fault diagnosis with multi-dimensional sensitive features
CN112182912B (zh) 基于概率描述与谱分析的制造装备主轴轴承健康评估方法
CN112380992B (zh) 一种加工过程监控数据准确性评估与优化方法及装置
CN112633098A (zh) 一种旋转机械故障诊断方法、***及存储介质
CN113177537A (zh) 一种旋转机械设备的故障诊断方法及***
CN115310497A (zh) 用于数控机床轴承的异常识别方法
CN115220396A (zh) 一种数控机床智能监控方法及***
CN114346761A (zh) 一种基于改进条件生成对抗网络的刀具磨损状况检测方法
CN115860579A (zh) 一种用于面粉加工的生产质量监测***
CN115741235A (zh) 基于五轴加工中心刀具的磨损预测与健康管理方法
CN113092044B (zh) 一种基于加权水平可见图的旋转机械故障诊断方法
Li et al. A comprehensive identification of tool failure and chatter using a parallel multi-ART2 neural network
CN112347944B (zh) 一种基于零值比例频谱特征的机械传动故障检测方法
Song et al. A new hybrid method for bearing fault diagnosis based on CEEMDAN and ACPSO-BP neural network
CN116502043A (zh) 一种基于孤立森林算法的精轧电机状态分析方法
CN114638265B (zh) 一种基于信号卷积神经网络的铣削颤振判别方法
CN112688836B (zh) 基于深度自编码网络的能源路由设备在线动态感知方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20230609

Address after: The first factory building of Jilin Yuxin Industrial Group Co., Ltd., 6.5 kilometers away from Changbai Road, Lvyuan District, Changchun City, Jilin Province, 130000

Applicant after: Jilin Yurui Technology Co.,Ltd.

Address before: No. 18, Group 3, Fengchan Village, Chengdong Town, Haian City, Nantong City, Jiangsu Province, 226000

Applicant before: Nantong Weili CNC Machine Tool Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20221108

RJ01 Rejection of invention patent application after publication