一种数控机床关键部件及整机的健康评估方法，系统及评估终端机技术方案

本发明专利技术提供一种数控机床关键部件及整机的健康评估方法，系统及评估终端机，包括了数据采集及预处理模块，样本工况辨识模块，健康指标融合模块，评估指标映射模块，基线值构建及关键部件相对评估模块以及整机健康评估模块；基于上述模块之间的配合，再通过对测点信息的冗余性、关联性、灵敏性和稳定性的分析，实现传感器选择和布局优化，获取数控机床传感信息，并进行评估。还能对数控机床的趋势性特征进行融合，反映数控机床全寿命周期劣化状态的评估指标，并有效改善输入信息周期过长导致的前后时序信息权重不平衡问题，改进并提升健康评估准确性。本发明专利技术还通过建立基线值，进行健康评估，提升数控机床关键部件及整机的健康评估精度。

【技术实现步骤摘要】
一种数控机床关键部件及整机的健康评估方法，系统及评估终端机
本专利技术涉及数字控制机床
，尤其涉及一种数控机床关键部件及整机的健康评估方法，终端及可读存储介质。
技术介绍
数字控制机床(Computernumericalcontrolmachinetools)，简称“数控机床”，是一种装有程序控制系统的自动化机床。该控制系统能够逻辑地处理具有控制编码或其他符号指令规定的程序，并将其译码，用代码化的数字表示，通过信息载体输入数控装置。经运算处理由数控装置发出各种控制信号，控制机床的动作，按图纸要求的形状和尺寸，自动地将零件加工出来。数控机床的出现大大提高了机床加工的能力和效率，目前己经在制造业中被广泛的应用。数控机床作为金属切削减材制造的关键设备，其运转状况的好坏直接关系到车间加工水平和加工效率的高低，因此，开展数控机床的健康评估有利于及时掌握设备劣化状态，从而减少由于数控机床故障引起的作业停滞时间，提高工厂车间的生产效益。由于机床状态参数易受工况差异的影响以及监测信息利用不充分等原因，导致健康评估无法完全的表征机床状态。目本文档来自技高网...

【技术保护点】
1.一种数控机床关键部件及整机的健康评估方法，其特征在于，方法包括：/n步骤1，获取数控机床实时运行的状态参数；/n步骤2，抽取运行状态参数作为样本，并配置样本敏感特征子集，判别样本的工况属性；/n步骤3，对不同工况下的数控机床状态表征信号分别进行特征提取与融合，获取对应不同工艺子空间下反映数控机床退化规律的健康指标；/n步骤4，依据数控机床关键部件状态表征参数与评估指标之间的关系，建立基于深度循环网络的非线性映射模型；/n步骤5，收集构建基线值的初始运行状态数据，构建特征矩阵；/n建立特征值评估模型，并对特征值评估模型训练评估，得到关键部件健康度评估结果；/n步骤6，获取数控机床各关键部件的...

【技术特征摘要】
1.一种数控机床关键部件及整机的健康评估方法，其特征在于，方法包括：
步骤1，获取数控机床实时运行的状态参数；
步骤2，抽取运行状态参数作为样本，并配置样本敏感特征子集，判别样本的工况属性；
步骤3，对不同工况下的数控机床状态表征信号分别进行特征提取与融合，获取对应不同工艺子空间下反映数控机床退化规律的健康指标；
步骤4，依据数控机床关键部件状态表征参数与评估指标之间的关系，建立基于深度循环网络的非线性映射模型；
步骤5，收集构建基线值的初始运行状态数据，构建特征矩阵；
建立特征值评估模型，并对特征值评估模型训练评估，得到关键部件健康度评估结果；
步骤6，获取数控机床各关键部件的健康评估值，将健康值进行定量评估；并构建雷达图全面评价整机状态。


2.根据权利要求1所述的数控机床关键部件及整机的健康评估方法，其特征在于，
获取数控机床运行的状态参数包括：主轴、滚珠丝杠、工作台、刀架的振动、力、噪声以及温度等信号。


3.根据权利要求1所述的数控机床关键部件及整机的健康评估方法，其特征在于，
步骤2还包括：
利用评估终端机与数控机床之间的交互信息构建样本特征集S，计算样本特征集S中随机两组状态参数向量之间的相关性；
两组状态参数向量分别为X和Y，相关性计算方式包括：
p(x)是随机变量X取值为x的概率，则X的信息熵H(X)可以表示为：
H(X)＝-∫xp(x)lnp(x)dx(2.1)
其中p(x)、p(y)分别为随机变量x、y的边缘概率密度函数，p(x,y)为x、y的联合概率密度函数；
对于给定一个随机变量Y，X的条件熵可以表示为：
H(X|Y)＝∫yp(x)H(X|y)dy＝-∫y∫xp(x,y)lnp(x|y)dxdy(2.2)
随机变量X的熵值变化，即X的信息熵与条件熵的差值，反映了在给定随机变量Y的情况下，随机变量X的变化程度，即X与Y共享的信息量MI：
I(X,Y)＝H(X)-H(X|Y)＝-∫xp(x)lnp(x)dx+∫y∫xp(x,y)lnp(x|y)dxdy(2.3)
特征集S与类别c的最大相关性与最小冗余性可以用下式衡量






其中D表征了S与c之间的特征相关性，R表征了特征集S内部各特征之间的冗余度；
通过整合最大相关性与最小冗余度可以得到mRMR的准则函数：



加入权重因子，针对不同的工况信息类型改善其相关性与冗余性权重，如下：



对于各个特征子集，利用Savitzky-Golay算法对其mRMR得分集处理：



其中为处理后的一阶导数平滑矩阵，Mj+1为原始得分集的一阶导数，Ci为平滑系数，N为滑动窗口的数据个数(2m+1)，其中m为窗口宽度；
当趋向于0时停止增加特征，其趋势系数计算如下：



其中n为趋势计算中的特征个数，通常取n＝4到6；当ε低于某个阈值时停止增加特征；
设置ε<0.001时停止增加特征，此时得到的特征子集即构成敏感特征子集。


4.根据权利要求1所述的数控机床关键部件及整机的健康评估方法，其特征在于，
步骤3还包括：
对不同工况下的状态表征信号特征做归一化处理；
再对于不同工况空间下的状态表征信号，分别进行特征提取，对于振动、噪声、切削力等快变监测量，提取的特征包含但不限于时域、频域、时频域等指标；
时域劣化指标包括但不限于峰峰值，平均值，方差值，偏斜度值，峭度值；
频域劣化指标包括但不限于谱偏度、谱峭度；
时频域劣化指标包括但不限于小波能量等指标；
对于温度等慢变监测量，提取的特征包含主轴、丝杠、导轨的温度值及梯度值；

【专利技术属性】
技术研发人员：黄祖广，王金江，薛瑞娟，王加哲，高知国，张培森，
申请(专利权)人：国家机床质量监督检验中心，
类型：发明
国别省市：北京;11