一种数控高速铣齿机主轴箱故障诊断方法技术

本发明专利技术公开了一种数控高速铣齿机主轴箱故障诊断方法，包括如下步骤：1)使用振动传感器采集铣齿机主轴箱振动信号2)设置正弦余弦优化算法(SCA)的各预设参数。3)以原始故障振动信号共振稀疏分解后的低共振分量峭度值最大为优化目标，利用SCA对共振稀疏分解法(RBSSD)的高低品质因子进行寻优。4)使用优化后的最优高低品质因子对原始故障振动信号进行共振稀疏分解，得到振动信号的高低共振分量。5)对包含有瞬态冲击信号的低共振分量进行包络谱分析，提取故障特征，对主轴箱进行故障诊断。本发明专利技术利用SCA算法改善了传统RBSSD法人为选取品质因子的随机性，将信号分离为包含背景噪声的高共振分量以及包含瞬态冲击信号的低共振分量，准确提取故障特征，使信号的分解更为精确。更为精确。更为精确。

【技术实现步骤摘要】
一种数控高速铣齿机主轴箱故障诊断方法


[0001]本专利技术涉及故障诊断领域，特别涉及机床主轴箱故障诊断方法，具体涉及一种数控高速铣齿机主轴箱故障诊断方法。

技术介绍

[0002]数控铣齿机作为齿轮成形加工最常用的设备之一，其主轴箱采用多级齿轮传动,将主轴伺服电机产生的动力经主轴箱内各级传动齿轮和传动轴，传到主轴刀盘上，使主轴获得相应的转速和方向。其长期在高速、重载等恶劣情况下运行，同时铣齿属于断续干切削，切削时刀具会产生很大的冲击载荷和切削热。在机床实际加工过程中，主轴箱内齿轮、轴和轴承等受力变形，主轴箱的故障时有发生，严重影响了数控铣齿机的发展和作业效率，在铣齿机运行过程中采集到的振动信号，通常蕴涵有丰富的状态信息，可以用来进行故障诊断。
[0003]信号处理手段一直以来都是进行故障诊断的常用技术。经过长时间的发展，信号处理的手段越来越丰富，其中，共振稀疏分解法由Ivan W.Selesnick提出，该方法通过高低品质因子将一个复杂信号分解为包含周期性信号的高共振分量和包含瞬态冲击信号的低共振分量，其分解的准确性在很大程度上取决于品质因子的选择。目前品质因子大多通过人为经验选取，因此，如何快速精确的得到最优品质因子，对提高信号分解以及后续故障特征信号提取的准确性具有重要意义。

技术实现思路

[0004]本专利技术的目的在于提供一种准确可靠的数控高速铣齿机主轴箱故障诊断方法，用于处理被大量背景噪声污染的振动信号，与传统RBSSD法相比，改善人为选取品质因子的不确定性，提取出数控高速铣齿机主轴箱的故障特征。
[0005]为实现上述目的，本专利技术采用的技术方案为：提出一种数控高速铣齿机主轴箱故障诊断方法，包含以下步骤：
[0006]步骤S1：利用振动传感器采集铣齿机主轴箱振动信号；
[0007]步骤S2：设置正弦余弦优化算法(SCA)的各预设参数，包括成本函数、最大迭代次数、变量上下限；
[0008]步骤S3：以原始故障振动信号共振稀疏分解后的低共振分量最大峭度值为优化目标，使用SCA优化算法对共振稀疏分解法(RBSSD)的高低品质因子进行优化；
[0009]步骤S4：利用优化后得到的最优品质因子进行共振稀疏分解，得到振动信号的高低共振分量；
[0010]步骤S5：对包含有瞬态冲击信号的低共振分量进行包络谱分析，提取故障特征，对主轴箱进行故障诊断。
[0011]进一步的，步骤S1中：振动传感器型号选用PCB SN40166单向加速度传感器，通过LMS Test.lab系统采集数据。
[0012]进一步的，步骤S2中：SCA优化算法是一种随机优化算法，在算法中会生成多个随机初始解，并使它们基于正弦和余弦的波形向最优解的方向波动，利用多个随机变量和适应度来搜索空间中的不同区域，有效地避免局部最优，收敛于全局最优。具有高度的灵活性，原理简单，易于实现，可以方便的应用于不同领域的优化问题。其具体迭代公式如下：
[0013][0014][0015]其中X为初始解，r2为0到2π的随机数；r3为0到2之间的随机数；r4为0到1之间的随机数；a是一个常数，一般取2；t为当前迭代次数；T为最大迭代次数。
[0016]进一步的，步骤S3中：低共振分量峭度值，低共振分量中包含有瞬态冲击信号，信号的峭度对冲击信号敏感，可以表示瞬态冲击信号的强弱，当峭度值越大时，表明低共振分量中的瞬态冲击成分越强烈，提取出的故障特征越明显。
[0017]峭度值定义如下：
[0018]假设采集到的原始振动信号为x，峭度K是一种用来描述波形尖峰程度的时域统计量，其定义为：
[0019][0020]其中，μ为振动信号x的均值；σ为振动信号x的标准差，E[(x
‑
μ)4]为(x
‑
μ)4的均值。
[0021]进一步的，步骤S4中：使用共振稀疏分解法将振动信号分解为高低共振分量，其具体步骤如下：
[0022](1)假设原始信号x由高共振分量信号x1和低共振分量信号x2构成：
[0023]x＝x1+x2,x,x1,x2∈R
N
[0024]x1和x2可以分别由两个具有低相关性的基函数库S1，S2表示，共振稀疏分解借用数字图像处理领域中一种非线性分解算法形态分量分析(MCA)的思想，选择两个不同的冗余词典，构造基函数，对目标振动信号中的高共振分量和低共振分量进行非线性稀疏分离，其目标函数可以表示为：
[0025]J(w1,w2)＝||x
‑
S1w1‑
S2w2||
22
+λ1||w1||1+λ2||w2||2[0026]式中，w1和w2为信号x1、x2在基函数库S1，S2下的变换系数矩阵，λ1和λ2为正则化参数。
[0027](2)通过TQWT滤波器组得到基函数库S1，S2。在TQWT中，重要的参数有品质因子Q，冗余度γ以及分解层数L，其中，品质因子Q定义为：
[0028][0029]冗余度γ则表示多层TQWT滤波器组的过采样频率，通常取γ大于等于3，通过改变Q和γ，可以获得具有不同震荡属性的滤波器，进而实现共振稀疏分解。
[0030]分解层数L代表了双通道滤波器的迭代次数，对不同的信号，分解层数L的最大值为：
[0031][0032]其中N为原始信号采样数目、β为高通尺度因子、α为低通尺度因子，其定义如下：
[0033][0034]TWQT的分解和重构滤波器组如图4所示。
[0035]低通子带信号v0(n)的采样频率为αf
s
，高通子带信号v1(n)的采样频率为βf
s
，f
s
为信号x(n)的原采样频率。TWQT利用图4所示的分解和重构滤波器组以迭代的方式实现对原始信号的分解和重构，多层TWQT迭代后的滤波器组如图5所示。
[0036]原信号x经过多层TWQT滤波器后被分解为一系列的高通尺度子带v1(n)和低通尺度子带v0(n)。当采用高品质因子Q
H
对信号进行重构，高通子带信号的重构信号即为S1；采用低品质因子Q
L
对信号进行重构，低通子带信号的重构信号为即为S2。
[0037](3)将基函数库S1、S2代入MCA的目标函数，由于一范数的不可微以及多个参数的存在，目标函数的求解变得极为困难，因此采用分裂增广拉格朗日收缩算法(SALSA)通过迭代更新变换系数矩阵进行求解。SALSA的定义为：
[0038][0039][0040]其迭代公式为：
[0041][0042][0043]d
(k+1)
＝d
(k)
‑
u
(k+1)
+w
(k+1)
[0044]其中，k为迭代序数，参数μ取0.5λ。
[0045]得到w1*，w2*使得目标函数J(w1，w2)最小化，从而实现高低共振分量的分离，此时得到的高低共振分量的估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数控高速铣齿机主轴箱故障诊断方法，其特征在于，该方法包括以下步骤：步骤S1：利用振动传感器采集铣齿机主轴箱振动信号；步骤S2：设置正弦余弦优化算法(SCA)的各预设参数，包括成本函数、最大迭代次数、变量上下限；步骤S3：以原始故障振动信号共振稀疏分解后的低共振分量最大峭度值为优化目标，使用SCA优化算法对共振稀疏分解法(RBSSD)的高低品质因子进行优化；步骤S4：利用优化后得到的最优品质因子进行共振稀疏分解，得到振动信号的高低共振分量；步骤S5：对包含有瞬态冲击信号的低共振分量进行包络谱分析，提取故障特征，对主轴箱进行故障诊断。2.根据权利要求1所述的一种铣齿机主轴箱故障诊断方法，其特征在于，步骤S2中的SCA算法，其具体迭代公式如下：其具体迭代公式如下：其中X为初始解，r2为0到2π的随机数；r3为0到2之间的随机数；r4为0到1之间的随机数；a是一个常数，一般取2；t为当前迭代次数；T为最大迭代次数。3.根据权利要求1所述的一种基于SCA
‑
RBSSD的故障诊断方法，其特征在于，步骤S3中的峭度值定义如下：假设采集到的原始振动信号为x，峭度K是一种用来描述波形尖峰程度的时域统计量，其定义为：其中，μ为振动信号x的均值；σ为振动信号x的标准差，E[(x
‑
μ)4]为(x
‑
μ)4的均值。4.根据权利要求1所述的一种数控高速铣齿机主轴箱故障诊断方法，其特征在于，步骤S4中的共振稀疏分解法，其步骤为：(1)假设原始振动信号x由高共振分量信号x1和低共振分量信号x2构成：x＝x1+x2,x,x1,x2∈R
N
x1和x2可以分别由两个具有低相关性的基函数库S1，S2表示，共振稀疏分解借用数字图像处理领域中一种非线性分解算法形态分量分析(MCA)的思想，选择两个不同的冗余词典，构造基函数，对目标振动信号中的高共振分量和低共振分量进行非线性稀疏分离，其目标函数可以表示为：J(w1,w2)＝||x
‑
S1w1‑
S2w2||
22
+λ1||w1||...

【专利技术属性】
技术研发人员：洪荣晶，刘海北，张建坤，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：