一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法技术

本发明专利技术是一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法。本发明专利技术涉及大型回转设备主轴及大型回转装备中的故障诊断与健康监测技术领域，本发明专利技术基于大型回转设备的主轴状态振动信号，进行信号时域分析；基于振动信号的频域分析结果，进行频域特征的提取，包括重心频率、平均频率、均方根频率和频率标准差；基于小波包分解将振动信号进行各个频率子频带的分解，得到各个子频带的能量，归一化后得到各子频带占比，得到主轴状态振动信号的多方位特征指标；基于主成分分析方法将多方位特征指标进行降维处理，得到降维后的反应大型回转设备主轴状态的特征信息。的反应大型回转设备主轴状态的特征信息。的反应大型回转设备主轴状态的特征信息。

【技术实现步骤摘要】
一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法


[0001]本专利技术涉及大型回转设备主轴及大型回转装备中的故障诊断与健康监测
，是一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法。

技术介绍

[0002]数控机床作为装备制造业的“工作母机”，其能否正常工作直接影响加工工件的顺利生产，2019年我国数控机床产业规模为3270亿元，占全球比重约31.5％，但2019年我国数控机床进口均价远高于出口均价，进口金额达40.15亿元，远高于出口金额，因此突破高端数控机床核心技术，提供国家急需的机床自主创新核心技术，为我国高端数控机床提供理论和技术支撑，对提升我国装备制造业国际竞争力具有重要的意义。
[0003]数控机床主轴由于其工作环境恶劣且结构复杂，在发生故障时表征信号较为复杂，因此如何从原始机床的状态信号中获取有效信息并进行合理准确判断是故障诊断中核心要素。若直接采用传感器原始信号则会导致计算量过大，难以实现机床的快速准确判断。

技术实现思路

[0004]本专利技术为了对状态信号进行多域分析得到全面的特征指标，其次基于主成分分析方法进行特征指标的分析与降维信息，最后获取经过降维后的主轴状态特征信息。，本专利技术提供了一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法。本专利技术提供了以下技术方案：
[0005]一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法，包括以下步骤：
[0006]步骤1：基于大型回转设备的主轴状态振动信号，进行信号时域分析；
[0007]步骤2：基于振动信号的频域分析结果，进行频域特征的提取，包括重心频率、平均频率、均方根频率和频率标准差；
[0008]步骤3：基于小波包分解将振动信号进行各个频率子频带的分解，得到各个子频带的能量，归一化后得到各子频带占比，得到主轴状态振动信号的多方位特征指标；
[0009]步骤4：基于主成分分析方法将多方位特征指标进行降维处理，得到降维后的反应大型回转设备主轴状态的特征信息。
[0010]优选地，振动信号提取信号的时域特征包括有量纲参数及无量纲特征参数，有量纲参数包含信号有效值和标准差；无量纲参数包含波形因子、峰值因子和峭度因子。
[0011]优选地，所述步骤3具体为：
[0012]将振动信号进行小波包分解，选择合适的小波基函数及分解层数，得到振动信号的各个小波子频带的能量，归一化之后得到子带的能量站比，获取振动信号的多方位特征指标。
[0013]优选地，所述步骤4具体为：
[0014]步骤4.1：将多域分析的全部特征指标作为主成分分析方法的输入样本，基于主成分分析进行上述指标的降维，多域分析特征指标样本集合作为原始矩阵X，经过式(1)进行矩阵X的协方差矩阵：
[0015][0016]其中，n为特征样本维度；
[0017]步骤4.2：按照奇异值分解进行特征值与特征向量的求解，设定特征值与特征向量为λ
i
与u
i
，依据λ
i
与求解前m主成分累计贡献率p(m)：
[0018][0019]步骤4.3：为充分保留原始样本集合的所有特征信息，贡献概率p(m)设置为99.5％，当此时主元个数为k，特征向量T＝(u1,u2,
……
u
k
)，基于以上分析求解可得到降维后的大型回转设备主轴特征样本集合Y为：
[0020]Y＝T
T
X
ꢀꢀꢀ
(3)。
[0021][0022]优选地，大型回转设备主轴信号经过降维后，多维度的特征指标若保留前80％信息则只需要1维，保留90％也仅需要2维，为了保留原维度特征，设定累计贡献率为99.5％，经过PCA降维后的维度确定为8维，大型回转设备主轴信号的特征指标在不损失信息特征的前提下实现了降维。
[0023]本专利技术具有以下有益效果：
[0024]本专利技术基于多域分析与主成分分析方法的大型回转设备主轴状态特征提取，通过本专利技术提取出大型回转设备主轴状态监测中信号的特征，将大量的原始信号样本进行降维处理，在不损伤有效信息的前提下尽可能减小特征维度，为后续的大型回转设备主轴故障诊断与健康监测提供理论支撑与数据样本。
附图说明
[0025]图1为本专利技术的流程图；
[0026]图2主成分分析主元成分及贡献率占比图。
具体实施方式
[0027]以下结合具体实施例，对本专利技术进行了详细说明。
[0028]具体实施例一：
[0029]根据图1至图2所示，为解决上述技术问题采取的具体优化技术方案是：本专利技术涉及一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法：
[0030]一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法，包括以
下步骤：
[0031]步骤一：基于大型回转设备的主轴状态振动信号，进行信号时域分析，以振动信号为基础，分析求取振动信号的时域特征，包含信号的无量纲特征与有量纲参数，如峰峰值、平均幅值、波形因子及峭度因子等；
[0032]表1大型回转设备主轴状态信号时域特征计算表达式
[0033][0034]步骤二：分别作出大型回转设备主轴状态信号的频谱图，依据信号频域特征计算表达式获取主轴状态振动信号的频域特征指标；
[0035]表2大型回转设备主轴状态信号频域特征计算表达式
[0036][0037]步骤三：将振动信号进行小波包分解，选择合适的小波基函数及分解层数，得到振动信号的各个小波子频带的能量，归一化之后得到子带的能量站比，获取振动信号的时频域特征值指标信息。
[0038]步骤四：将上述多域分析的全部特征指标作为主成分分析方法的输入样本，基于主成分分析进行上述指标的降维，多域分析特征指标样本集合作为原始矩阵X，首先经过式(1)进行矩阵X的协方差矩阵，式中n为特征样本维度，之后按照奇异值分解进行特征值与特征向量的求解，设定特征值与特征向量为λ
i
与u
i
，依据λ
i
与求解前m主成分累计贡献率p(m)。
[0039][0040][0041]为了充分保留原始样本集合的所有特征信息，贡献概率p(m)设置为99.5％，假设此时主元个数为k，特征向量T＝(u1,u2,
……
u
k
)，基于以上分析求解可得到降维后的大型回转设备主轴特征样本集合Y为：
[0042]Y＝T
T
X
ꢀꢀꢀ
(3)
[0043]按照以上步骤将上述样本集合处理后得到各主成分贡献率如图2所示，累积贡献率与主元个数对照表如表3所示。
[0044]图2主元成分及贡献率占比图
[0045]表3主成分个数与累计贡献率对照表
[0046][0047]由上图及表可知，大型回转设备主轴信号经过降维后，多维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法，其特征是：包括以下步骤：步骤1：基于大型回转设备的主轴状态振动信号，进行信号时域分析；步骤2：基于振动信号的频域分析结果，进行频域特征的提取，包括重心频率、平均频率、均方根频率和频率标准差；步骤3：基于小波包分解将振动信号进行各个频率子频带的分解，得到各个子频带的能量，归一化后得到各子频带占比，得到主轴状态振动信号的多方位特征指标；步骤4：基于主成分分析方法将多方位特征指标进行降维处理，得到降维后的反应大型回转设备主轴状态的特征信息。2.根据权利要求1所述的一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法，其特征是：振动信号提取信号的时域特征包括有量纲参数及无量纲特征参数，有量纲参数包含信号有效值和标准差；无量纲参数包含波形因子、峰值因子和峭度因子。3.根据权利要求2所述的一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法，其特征是：所述步骤3具体为：将振动信号进行小波包分解，选择合适的小波基函数及分解层数，得到振动信号的各个小波子频带的能量，归一化之后得到子带的能量站比，获取振动信号的多方位特征指标。4.根据权利要求3所述的一种基于多域分析与主成分分析的大型回转设备主轴状态特征提取方法，其特征是：所述步骤4具体为：步骤4...

【专利技术属性】
技术研发人员：王晓明，刘永猛，谭久彬，曹子飞，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：