一种滚动直线导轨副的磨损状态识别方法技术

本发明专利技术公开了一种滚动直线导轨副的磨损状态识别方法，应用于滚动直线导轨副性能测试技术领域。本发明专利技术通过振动信号采集系统获取滚动直线导轨副运行状态下的振动信号，同时测量滚动直线导轨副预紧拖动力变化；使用基于自适应噪声的完全集合经验模态分解对原始振动信号进行分解与重构，降低噪声干扰；通过提取重构信号的多尺度模糊熵构建特征集；采用核主成分分析法对原始特征空间进行降维，构建新的特征集合；建立基于灰狼优化算法的随机森林模型，利用三种磨损状态的混合特征集训练模型；利用训练好的模型实现滚动直线导轨副的磨损状态识别。本发明专利技术方法所提取特征可准确表征导轨副的磨损状态，适用于滚动直线导轨副磨损状态识别。态识别。态识别。

【技术实现步骤摘要】
一种滚动直线导轨副的磨损状态识别方法


[0001]本专利技术涉及滚动直线导轨副性能测试
，更具体的说是涉及一种滚动直线导轨副的磨损状态识别方法。

技术介绍

[0002]滚动直线导轨副作为一种精密传动部件，具有定位精度高、承载特性好、摩擦阻力小以及高可靠性等性能特点，广泛应用于高档数控机床的传动系统。在实际应用中，为了提高导轨副的刚度和运行精度，通常采用不同过盈尺寸的滚珠在导轨副内部产生预紧力以消除间隙。然而在导轨副的运行过程中，滚珠与滚道之间的磨损会使其预紧力逐渐减小，从而导致预紧拖动力、刚度以及运行精度等性能的退化，影响数控机床的加工精度和被加工零件的质量，因此精确识别滚动直线导轨副的磨损状态对保证产品质量、生产的可靠性和安全性等具有重要意义。
[0003]目前关于磨损状态识别的研究主要集中在滚珠丝杠副、刀具、齿轮等领域，关于识别滚动直线导轨副磨损状态的研究较为缺乏。此外，由于滚动直线导轨副运行过程中的振动信号包含大量噪声，提取表征磨损状态的特征较为困难，因此合适的信号处理与特征提取方法对于提高识别准确率至关重要。
[0004]因此，提出一种滚动直线导轨副的磨损状态识别方法，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，本专利技术提供了一种滚动直线导轨副的磨损状态识别方法，适用于单一工况的磨损状态识别，解决当前滚动直线导轨副磨损状态识别方法较为缺乏的问题。
[0006]为了实现上述目的，本专利技术提供如下技术方案：/>[0007]一种滚动直线导轨副的磨损状态识别方法，包括以下步骤：
[0008]S1、利用预紧拖动力试验台和振动信号采集系统测量滚动直线导轨副的预紧拖动力变化和对应的振动信号；
[0009]S2、确定滚动直线导轨副磨损状态，将其作为标签；
[0010]S3、利用基于自适应噪声的完全集合经验模态分解对原始振动信号进行分解与重构；
[0011]S4、对重构信号进行多尺度模糊熵分析，提取τ个尺度下的模糊熵，构建表征导轨副磨损状态的特征集；
[0012]S5、利用核主成分分析法对原始特征空间进行降维处理；
[0013]S6、建立基于灰狼优化算法的随机森林模型，将添加标签后的特征集进行标准化处理并按比例划分为训练集与测试集，将训练集导入该模型，通过灰狼优化算法寻找决策树数目与最小叶子节点数的最优值；
[0014]S7、将测试集导入训练好的模型识别导轨副磨损状态，并将识别的导轨副磨损状
态与真实状态进行比较来获取模型的准确性；
[0015]S8、针对待识别的滚动直线导轨副，执行S1、S3
‑
S5，获得其不带标签的特征集，之后利用训练好的模型识别滚动直线导轨副的磨损状态。
[0016]可选的，S1具体包括：将滚动直线导轨副置于可靠性试验台进行加载跑和，跑和指定里程后停止试验台并拆下滚动直线导轨副，通过振动信号采集系统采集其运行状态下的振动信号，同时利用预紧拖动力试验台测量滚动直线导轨副的预紧拖动力。
[0017]可选的，S2具体为：以滚动直线导轨副预紧拖动力变化趋势的转折点为分界点，将滚动直线导轨副磨损状态按序划分为磨合磨损、稳定磨损和急剧磨损状态；依据当前滚动直线导轨副预紧拖动力的变化趋势确定其磨损状态。
[0018]可选的，S3具体包括：
[0019]在原始振动信号x(t)中加入i(i＝1,2,......,n)组高斯白噪声n
i
,得到待分解信号：
[0020]x
i
(t)＝x(t)+n
i
[0021]根据待分解信号x
i
(t)的极大值与极小值点，利用3次样条插值的方法分别构造x
i
(t)的上、下包络线u
i
(t)与v
i
(t)，信号的局部均值为：
[0022]m
i
(t)＝[u
i
(t)+v
i
(t)]/2
[0023]判断h
i
(t)＝x
i
(t)
‑
m
i
(t)在其信号中，极值点和过零点数是否相等或至多相差一个以及所有点处的上包络和下包络均值是否为零，若满足，则得到第一个本征模态分量IMF
1i
，否则对x
i
(t)重复上述步骤，直到信号h
i
(t)＝x
i
(t)
‑
m
i
(t)满足达到所要求的条件。
[0024]可选的，S4具体包括：
[0025]对长度为N的原始序列{x1,x2,......,x
N
}，引入了尺度因子τ＝1,2,.....，建立新的粗粒向量，所用公式为：
[0026][0027]其中，为粗粒向量的长度，原始序列被分割成τ个长度为的粗粒序列u
j
(τ)。
[0028]可选的，S5具体包括：
[0029]对原始特征集X
i
(i＝1,2,......,n)进行标准化处理得到新的样本集x
i
,所用公式为：
[0030][0031]其中，为原始特征集的平均值，σ(X)为原始特征集的标准差；
[0032]引入非线性映射函数φ(x)将该样本集映射到高维特征空间F中，计算其协方差矩阵W，所用公式为：
[0033][0034]其中，λ为矩阵W的特征值，A为矩阵W的特征向量。
[0035]可选的，S6具体包括以下步骤：
[0036]S601：随机生成M个个体作为初始种群，设置最大迭代次数为N次；
[0037]S602：将训练集输入到随机森林模型中，对模型进行训练，将滚动直线导轨副磨损状态识别的准确率作为适应度函数Fitness，所用公式为：
[0038][0039]其中，s为数据集识别正确的数量，t为数据集的总数量；
[0040]S603：找到适应度函数Fitness的最大值对应的个体，开始迭代寻优，并判断当前适应度是否优于前一代最大适应度或者是否达到种群最大进化迭代次数，若满足该条件，则保留最优适应度值及其对应的坐标，并将其付给初始坐标；反之，则返回步骤S602；
[0041]S604：输出随机森林算法的最佳决策树数目与最佳的最小叶子结点数，完成滚动直线导轨副磨损状态识别模型的构建。
[0042]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种滚动直线导轨副的磨损状态识别方法，具有以下有益效果：
[0043](1)本专利技术采用基于自适应噪声的完全集合经验模态分解对原始振动信号进行分解重构，不仅可以消除噪声的影响，同时重构了原始信号中的重要信息部分；
[0044](2)本专利技术提取的多尺度模糊熵可以反映磨损程度的本质，建立的基于灰狼优化算法的随本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动直线导轨副的磨损状态识别方法，其特征在于，包括以下步骤：S1、利用预紧拖动力试验台和振动信号采集系统测量滚动直线导轨副的预紧拖动力变化和对应的振动信号；S2、确定滚动直线导轨副磨损状态，将其作为标签；S3、利用基于自适应噪声的完全集合经验模态分解对原始振动信号进行分解与重构；S4、对重构信号进行多尺度模糊熵分析，提取τ个尺度下的模糊熵，构建表征导轨副磨损状态的特征集；S5、利用核主成分分析法对原始特征空间进行降维处理；S6、建立基于灰狼优化算法的随机森林模型，将添加标签后的特征集进行标准化处理并按比例划分为训练集与测试集，将训练集导入该模型，通过灰狼优化算法寻找决策树数目与最小叶子节点数的最优值；S7、将测试集导入训练好的模型识别导轨副磨损状态，并将识别的导轨副磨损状态与真实状态进行比较来获取模型的准确性；S8、针对待识别的滚动直线导轨副，执行S1、S3
‑
S5，获得其不带标签的特征集，之后利用训练好的模型识别滚动直线导轨副的磨损状态。2.根据权利要求1所述的一种滚动直线导轨副的磨损状态识别方法，其特征在于，S1具体包括：将滚动直线导轨副置于可靠性试验台进行加载跑和，跑和指定里程后停止试验台并拆下滚动直线导轨副，通过振动信号采集系统采集其运行状态下的振动信号，同时利用预紧拖动力试验台测量滚动直线导轨副的预紧拖动力。3.根据权利要求1所述的一种滚动直线导轨副的磨损状态识别方法，其特征在于，S2具体为：以滚动直线导轨副预紧拖动力变化趋势的转折点为分界点，将滚动直线导轨副磨损状态按序划分为磨合磨损、稳定磨损和急剧磨损状态；依据当前滚动直线导轨副预紧拖动力的变化趋势确定其磨损状态。4.根据权利要求1所述的一种滚动直线导轨副的磨损状态识别方法，其特征在于，S3具体包括：在原始振动信号x(t)中加入i(i＝1,2,......,n)组高斯白噪声n
i
，得到待分解信号：x
i
(t)＝x(t)+n
i
根据待分解信号x
i
(t)的极大值与极小值点，利用3次样条插值的方法分别构造x
i
(t)的上、下包络线u
i
(t)与v
i
(t)，信号的局部均值为：m
i
(t)＝[u
i
(t)+v
...

【专利技术属性】
技术研发人员：周长光，王铁强，冯虎田，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：