基于Stacking模型的丝杠预紧力退化识别方法技术

本发明专利技术公开了基于Stacking模型的丝杠预紧力退化识别方法，涉及滚珠丝杠副故障诊断技术领域，包括以下步骤：S1.收集滚珠丝杠预紧力数据；S2.对S1中的滚珠丝杠预紧力数据进行预处理，得到预处理后的滚珠丝杠预紧力数据；S3.选择基模型与元模型，构建双层串联Stacking模型；S4.利用双层串联Stacking模型对预处理后的滚珠丝杠预紧力数据进行分类识别，判断其是否存在退化情况，若存在退化情况则发出警报。本发明专利技术有效地提高预测的准确性和稳定性。同时，选择了多种与预紧力退化相关性较高的特征进行提取，可以更全面地反映预紧力的状态，在滚珠丝杠预紧力退化识别方面具有较高的应用价值，可以为相关领域提供有效的工具和技术支持。持。持。

【技术实现步骤摘要】
基于Stacking模型的丝杠预紧力退化识别方法


[0001]本专利技术涉及滚珠丝杠副故障诊断
，尤其涉及基于Stacking模型的丝杠预紧力退化识别方法。

技术介绍

[0002]滚珠丝杠副是机床等精密设备中常用的一种传动装置。在使用过程中，滚珠丝杠副的预紧力会随着时间的推移而发生退化，从而导致机床精度下降、加工质量下降等问题。因此，实时监测丝杠预紧力的变化并及时发现和处理其退化情况，对于提高设备的可靠性和安全性具有重要的意义。
[0003]传统的丝杠预紧力监测方法主要是基于实验测试，但这种方法成本高、周期长，不能实现实时监测。近年来，随着机器学习技术的快速发展，基于机器学习的丝杠预紧力识别方法逐渐成为研究热点。现有的基于机器学习的方法主要包括支持向量机、神经网络、决策树等。但这些方法存在着模型复杂度高、泛化能力差、鲁棒性差等问题。因此，需要开发一种新的、精度更高、鲁棒性更好的丝杠预紧力退化识别方法。
[0004]因此，提出基于Stacking模型的丝杠预紧力退化识别方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了基于Stacking模型的丝杠预紧力退化识别方法，可以有效地解决传统方法识别率低、鲁棒性差、易受干扰等问题，提高识别精度和鲁棒性，为后续的丝杠预紧力退化研究提供新的思路。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]基于Stacking模型的丝杠预紧力退化识别方法，包括以下步骤：
[0008]S1.收集滚珠丝杠预紧力数据；
[0009]S2.对S1中的滚珠丝杠预紧力数据进行预处理，得到预处理后的滚珠丝杠预紧力数据；
[0010]S3.选择基模型与元模型，构建双层串联Stacking模型；
[0011]S4.利用双层串联Stacking模型对预处理后的滚珠丝杠预紧力数据进行分类识别，判断其是否存在退化情况，若存在退化情况则发出警报。
[0012]上述的方法，可选的，S1中滚珠丝杠预紧力数据包括但不限于从历史数据中收集的振动信号数据、温度信号数据。
[0013]上述的方法，可选的，S2中对收集到的滚珠丝杠预紧力数据进行预处理的手段包括但不限于对振动信号进行质量优化和对温度信号进行质量优化。
[0014]上述的方法，可选的，S3中构建双层串联Stacking模型的具体内容为：
[0015]选择基模型与元模型；
[0016]选用不同的机器学习算法建立基模型，包括但不限于支持向量机、神经网络、临近
算法；
[0017]将基模型的输出作为输入，构建元模型，元模型选择决策树算法；
[0018]利用基模型与元模型，构建双层串联Stacking模型。
[0019]上述的方法，可选的，对于算法中的各种超参数，通过贝叶斯优化算法进行优化。
[0020]上述的方法，可选的，S4中的内容具体为：
[0021]S41、将样本数据D划分成80％训练集D
train
和20％测试集D
test
；
[0022]S42、将训练集D
train
随机分成多个子集D1～D
k
，将D
i∈{1,2,
…
,k}
记为子测试集，剩余的D
(
‑
i)
＝D
train
‑
D
(
‑
i)
记为子训练集；
[0023]S43、将子训练集D
(
‑
i)
输入到构建的双层串联Stacking模型的基础学习器中，完成基础学习器的训练；
[0024]S44、将子测试集D
i
输入到训练好的基础学习器中，得到预测结果h
train
，同时将测试集D
test
输入到训练好的基础学习器，得到预测结果h
test
；
[0025]S45、将各h
train
构成新的训练集，将各D
test
构成新的测试集；
[0026]S46、通过元模型完成对新训练集的训练以及测试集的测试，得到最终结果。
[0027]经由上述的技术方案可知，与现有技术相比，本专利技术提供了基于Stacking模型的丝杠预紧力退化识别方法，具有以下有益效果：有效地提高预测的准确性和稳定性；同时，选择了多种与预紧力退化相关性较高的特征进行提取，可以更全面地反映预紧力的状态；在滚珠丝杠预紧力退化识别方面具有较高的应用价值，可以为相关领域提供有效的工具和技术支持。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，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，还可以根据提供的附图获得其他的附图。
[0029]图1为本专利技术提供的基于Stacking模型的丝杠预紧力退化识别方法流程图；
[0030]图2为本专利技术提供的双层串联Stacking模型图；
[0031]图3为本专利技术实施例提供的EMD分解流程图；
[0032]图4为本专利技术实施例提供的EEMD分解流程图。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0034]参照图1所示，本专利技术公开了基于Stacking模型的丝杠预紧力退化识别方法，包括以下步骤：
[0035]S1.收集滚珠丝杠预紧力数据；
[0036]S2.对S1中的滚珠丝杠预紧力数据进行预处理，得到预处理后的滚珠丝杠预紧力
数据；
[0037]S3.选择基模型与元模型，构建双层串联Stacking模型；
[0038]S4.利用双层串联Stacking模型对预处理后的滚珠丝杠预紧力数据进行分类识别，判断其是否存在退化情况，若存在退化情况则发出警报。
[0039]进一步的，S1中滚珠丝杠预紧力数据包括但不限于从历史数据中收集的振动信号数据、温度信号数据。
[0040]具体的，历史数据包括实验室数据、公开发表的专利、论文、书籍等文献资料中记载的数据。
[0041]具体的，收集丝杠预紧力的振动信号、温度信号等数据，按振动信号、温度信号的对应关系对收集到的数据进行分组，将数据组中80％的数据作为训练集，剩余20％的数据作为测试集。
[0042]进一步的，S2中对收集到的滚珠丝杠预紧力数据进行预处理的手段包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Stacking模型的丝杠预紧力退化识别方法，其特征在于，包括以下步骤：S1.收集滚珠丝杠预紧力数据；S2.对S1中的滚珠丝杠预紧力数据进行预处理，得到预处理后的滚珠丝杠预紧力数据；S3.选择基模型与元模型，构建双层串联Stacking模型；S4.利用双层串联Stacking模型对预处理后的滚珠丝杠预紧力数据进行分类识别，判断其是否存在退化情况，若存在退化情况则发出警报。2.根据权利要求1所述的基于Stacking模型的丝杠预紧力退化识别方法，其特征在于，S1中滚珠丝杠预紧力数据包括但不限于从历史数据中收集的振动信号数据、温度信号数据。3.根据权利要求1所述的基于Stacking模型的丝杠预紧力退化识别方法，其特征在于，S2中对收集到的滚珠丝杠预紧力数据进行预处理的手段包括但不限于对振动信号进行质量优化和对温度信号进行质量优化。4.根据权利要求1所述的基于Stacking模型的丝杠预紧力退化识别方法，其特征在于，S3中构建双层串联Stacking模型的具体内容为：选择基模型与元模型；选用不同的机器学习算法建立基模型，包括但不限于支持向量机、神经网络、临近算法；将基模型的输出作为输入，构建元模型，元模型选择决策树算法；利用基模型与元模型，构建双层串联Stacking模型。5.根据权利要求4所述的基于Stacking模型的丝杠预紧力退化识别方法，其特征在于，对于算法中的各种超参数，通过贝叶斯优化算法进行优化。6.根据权利要求1
‑
...

【专利技术属性】
技术研发人员：周长光，翁熠扬，祁航，顾祎程，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：