一种机床零部件健康状态监测方法及系统

技术领域

本发明属于设备健康监测技术领域，具体涉及一种机床零部件健康状态监测方法及系统。

背景技术

机床运行过程中各系统零部件的健康状态对于生产过程中的加工精度有着很大的影响。在实践中，发现机床零部件随着加工时间的增长而退化，操作风险也显著增加。因此机床零部件退化会对控制精度产生巨大影响。例如，预紧力的损失将降低滚珠丝杠组件的刚度，并且最终这种退化将导致位置精度损失；轴承的磨损退化会使得滚珠丝杠产生径向跳动，从而影响旋转精度。现今对于机床零部件的维护存在事后维修影响生产以及定期维护盲目低效等问题。而对机床零部件的状态进行监测，从而对其维护及更换时间进行决策，不仅可以提高生产效率，降低生产成本，还可以延长使用寿命，提高加工精度。

关于机床零部件健康状态的评估和监测，国内外很多研究机构都对其进行了研究。目前，设备状态监测的方法可分为以下两种：数据驱动和基于模型的方法。基于模型的方法需要构建精确数学模型，当故障类型多样时，泛化能力将受到限制。然而，数据驱动的方法不需要构建物理模型，特别是对于复杂的物理系统，难以精确构建数学模型。数据驱动的方法使用统计和机器学习技术，以及模式识别理论。

美国辛辛那提大学根据预载荷在退化过程中的减小程度实现了滚珠丝杠的状态划分，这需要一定的先验知识和专家判断。西南交通大学用深度信念网络的方法来识别滚珠丝杠的退化。根据小波包总能量的变化趋势，将退化过程分为若干状态。由于表征不同信号下子带小波包能量退化趋势和不确定变化趋势的特征相对简单，状态划分的准确性易受影响。上海交通大学通过提取振动信号时域特征，基于长短期记忆网络和门控递归单元(LSTM-GRU)的状态式深度学习方法建立预测模型。目前对于机床零部件健康状态的研究大都存在特征值单一，健康状态划分模糊以及敏感特征选择依据不明确等不足，严重影响了机床零部件健康状态识别的精度。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种机床零部件健康状态监测方法及系统，多角度提取信号特征，基于K-means聚类算法对信号特征进行划分，并通过Fisher Score评估信号特征分类效果选择敏感特征，使其解决背景技术中存在的不足，提高机床零部件健康状态识别的精度，实现对机床零部件健康状态的监测。

本发明采用以下技术方案：

一种机床零部件健康状态监测方法，对机床零部件的历史信号进行预处理；对预处理后的历史信号进行时域、频域以及时频域的特征提取；将所有特征组合形成样本特征数据集，对特征数据集进行标准化处理；使用K-Means聚类分析方法对标准化处理后的特征数据集进行划分，确定每个退化状态边界；通过对特征数据集中每个特征的健康状态分类效果进行评估，选择分类效果评估值最高的特征子集作为敏感特征；搭建分类器，并进行训练学习，建立机床零部件敏感特征与机床零部件健康状态之间的非线性映射关系；将当前数据的敏感特征传递到训练好的分类器中，输出机床零部件健康状态预测值。

具体的，历史信号预处理具体为：通过对同步位置信号进行微分，获取速度恒定的信号区域，去除机床设备运行过程中加减速阶段的信号，保留匀速阶段的信号作为健康状态监测模型建立的基础。

具体的，时域上的特征包括最大值、最小值、均值、峭度、方差或均方根；频域上的特征为通过傅里叶变换得到的重心频率；时频域上的特征为通过小波包分解得到的各阶层能量占比。

具体的，对特征数据集进行标准化处理，第i组训练样本特征集中第j个特征值标准化处理后的值X_train

其中，X_tr

具体的，使用K-Means聚类算法具体为：

随机选取K个对象作为初始的聚类中心；然后计算每个对象与各个聚类中心之间的距离；把每个对象分配给距离自己最近的聚类中心；聚类中心以及分配给自己的对象代表一个聚类，每分配一个样本，聚类的聚类中心根据聚类中现有的对象被重新计算，不断重复直到准则函数达到最优。

进一步的，每个对象与各个聚类中心之间的距离d为：

其中，X：(x

进一步的，准则函数表示为：

其中，k是簇的个数，C

具体的，通过Fisher Score对特征值的分类效果进行评估具体为：

其中，S表示特征分类效果的评估值，c表示类别数量，n

具体的，基于支持向量机的分类学习方法搭建分类器，训练模型的输入为敏感特征及其所对应的状态标签，输出为分类决策规则。

本发明的另一个技术方案是，一种机床零部件健康状态监测系统，包括：

预处理模块，对机床零部件的历史信号进行预处理；

特征提取模块，对预处理后的历史信号进行时域、频域以及时频域的特征提取；

标准化模块，将所有特征组合形成样本特征数据集，对特征数据集进行标准化处理；

划分模块，使用K-Means聚类分析方法对标准化处理后的特征数据集进行划分，确定每个退化状态边界；

评估模块，通过对特征数据集中每个特征的健康状态分类效果进行评估，选择分类效果评估值最高的特征子集作为敏感特征；

训练模块，搭建分类器，并进行训练学习，建立机床零部件敏感特征与机床零部件健康状态之间的非线性映射关系；

输出模块，将当前数据的敏感特征传递到训练好的分类器中，输出机床零部件健康状态预测值。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种机床零部件健康状态监测方法，基于多元特征融合的思想，对原始信号从时域、频域以及时频域多角度提取特征，弥补了分析过程中特征值单一，机床零部件退化趋势不确定的不足；运用K-means聚类算法对特征信号进行科学合理的划分，弥补了机床零部件健康状态经验划分所带来的主观影响；通过Fisher Score对多元特征的分类效果进行评估，选择更能准确划分不同健康状态的特征子集作为敏感特征进行状态识别，由此进一步提升了机床零部件健康状态识别的精度，实现机床零部件健康状态的有效监测，减小设备事故率，增加设备加工精度。

进一步的，设备运行过程中的历史信号包含加速阶段、平稳阶段以及减速阶段，通过对历史信号进行预处理，保留平稳阶段的信号，消除了加减速阶段信号特征对于历史信号特征变化趋势分析的影响，使得特征变化趋势更能准确反映机床零部件的退化趋势。

进一步的，设备运行过程中信号的时域、频域以及时频域的特征，在一定程度上可以反应机床零部件的退化状态。

进一步的，不同特征值之间的数值存在差异，数值较大的特征值会被放大，数值较小的特征值会被减弱，由此在数据分析中会产生一定的偏差。对特征数据集进行标准化处理可以消除这一问题带来的影响。

进一步的，K-Means聚类分析基于无监督学习方法对设备运行过程中的特征信号进行划分，明确各退化状态的边界，为特征信号添加状态标签，更有利于分类器的训练学习。

进一步的，K-Means聚类分析通过距离来表示两个数据对象的相似程度，距离越近，相似度越高。通过距离计算，将相似度较高的特征集归为一类。由此对特征集进行划分，产生更为明确的状态边界。

进一步的，在聚类分析过程中，其准则函数为最小化数据对象到其聚类中心的距离的平方和。由此保证聚类结果中簇内特征值尽可能相近，而各簇之间尽可能远。这一结果更有利于提高分类识别的精度。

进一步的，对特征值进行分类效果评估，基于Fisher Score的方法进行特征选择，使得多元特征得到更为有效的融合，选择出的敏感特征对于不同健康状态的划分更为明确，由此提高了健康状态的分类识别精度。

进一步的，支持向量机分类算法求解最大分离超平面的思想能使得分类更加精确，提高机床零部件健康状态的识别精度。

综上所述，本发明能够对机床零部件健康状态识别预测的准确度带来较高的提升。机床零部件由此可以得到及时有效的维护，降低了生产事故的发生率，同时减少了定期维护所带来的不必要维护，降低了生产加工成本，提高了生产加工效率，进一步保障了生产加工精度。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明方法的流程示意图；

图2为本发明提出的基于K-means聚类分析进行状态划分的流程示意图；

图3为本发明提出的基于Fisher Score进行特征选择的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

本发明提供了一种机床零部件健康状态监测方法，将无监督学习和特征选择运用到对历史信号的分析处理中，更有利于建立数据信号与机床零部件健康状态之间的关联关系。由此根据机床零部件当前信号特征更加准确可靠的预测其健康状态，实现机床零部件健康状态的在线智能化监测，使得机床零部件能够得到更加及时有效的维护，减少了定期维护所带来的不必要维护，降低了生产加工成本，提高了生产效率，并且进一步保障了加工精度。

请参阅图1，本发明一种机床零部件健康状态监测方法，以对机床进给系统中核心零部件滚珠丝杠的健康状态监测为基础，包括以下步骤：

S1、对机床零部件历史信号进行预处理；

历史信号预处理主要是去除机床零部件运行过程中加减速阶段的信号，保留匀速阶段的信号作为健康状态监测模型建立的基础，具体是通过对同步位置信号进行微分，获取速度恒定的信号区域。

S2、对于历史信号进行特征提取，特征提取包括时域、频域以及时频域的特征提取；

时域上的特征包括最大值、最小值、均值、峭度、方差、均方根；频域上的特征为通过傅里叶变换得到的重心频率；时频域上的特征为通过小波包分解得到的各阶层能量占比。

S3、将每个样本的所有特征组合，形成样本特征数据集，对特征数据集进行标准化；

不同类型的特征值之间也存在数值差异，在聚类分析的过程中，数值较大的特征将会被放大，而数值较小的特征将会被减弱，为了消除这一问题，需要对特征数据集进行标准化处理，特征数据集标准化处理具体为：

其中，X_train

S4、通过聚类分析方法对标准化以后的特征数据集进行划分，确定机床零部件每个退化状态边界；

请参阅图2，聚类分析方法使用K-Means聚类算法，实现步骤为：

S401、随机选取K个对象作为初始的聚类中心；

S402、然后计算每个对象与各个聚类中心之间的距离；

K-Means聚类算法的距离计算方式具体为：

其中，X：(x

S403、把每个对象分配给距离它最近的聚类中心；

S404、聚类中心以及分配给它们的对象就代表一个聚类，每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到准则函数达到最优。

准则函数一般为最小化数据对象到其簇中心的距离的平方和，具体表示为：

其中，k是簇的个数，C

S5、通过对特征数据集中的每个特征的健康状态分类效果进行评估，选择更能准确划分机床零部件健康状态的特征值，作为反应机床零部件退化状态的敏感特征；

请参阅图3，敏感特征的选择是基于Fisher Score的特征选择方法，通过FisherScore对特征值的分类效果进行评估，具体为：

其中，c表示类别数量，n

S6、搭建分类器，并进行训练学习，建立敏感特征与机床零部件健康状态之间的非线性映射关系；

分类算法是基于支持向量机的分类学习方法，其训练模型的输入为敏感特征及其所对应的状态标签，输出为分类决策规则，即敏感特征与状态标签之间的映射关系。

S7、将当前数据的敏感特征传递到训练好的分类算法中，输出机床零部件健康状态预测值。

通过训练分类器得到分类决策规则，即敏感特征与状态标签之间的映射关系，进一步将当前数据的敏感特征输入训练好的分类器中，最终输出当前数据对应的状态值，实现对机床零部件健康状态的智能化在线监测。

本发明再一个实施例中，提供一种机床零部件健康状态监测系统，该系统能够用于实现上述机床零部件健康状态监测，具体的，包括预处理模块、特征提取模块、标准化模块、划分模块、评估模块以及训练模块。

其中，预处理模块用于对机床零部件的历史信号进行预处理；

特征提取模块用于对预处理后的历史信号进行时域、频域以及时频域的特征提取；

标准化模块用于将所有特征组合形成样本特征数据集，对特征数据集进行标准化处理；

划分模块用于使用K-Means聚类分析方法对标准化处理后的特征数据集进行划分，确定每个退化状态边界；

评估模块用于通过对特征数据集中每个特征的健康状态分类效果进行评估，选择分类效果评估值最高的特征子集作为敏感特征；

训练模块用于搭建分类器，并进行训练学习，建立机床零部件敏感特征与机床零部件健康状态之间的非线性映射关系；

输出模块用于将当前数据的敏感特征传递到训练好的分类器中，输出机床零部件健康状态预测值。

综上所述，本发明一种机床零部件健康状态监测方法及系统，适用于机床零部件健康状态监测，是设备诊断和健康管理中最具有挑战性的工作之一。本发明基于无监督学习和特征选择，提出了一种机床零部件健康状态监测技术。基于K-Means聚类分析的无监督学习使得机床零部件退化过程中各状态边界的划分更为明确合理，基于Fisher Score的特征选择可以获得分类效果更好的特征子集作为分类训练的敏感特征输入。因此，本发明提供的方法更有利于建立退化特征与健康状态之间的关联关系，进一步提高机床零部件健康状态的识别预测精度，降低生产事故发生率，提高生产加工效率，保障生产加工精度。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。