【技术实现步骤摘要】
本专利技术涉及机械故障在线监测领域，特别是针对加工工况变化快，数控机床结构和运行复杂等问题，通过引入多轴运动信息和工况变化相关的电流信号对机床进行准确的在线监测。
技术介绍
1、在线监测技术可以实时跟踪机床的运行状态，识别潜在问题并及时采取措施，以避免停机时间。通过有效监测，可以减少生产中的故障和错误，提高机床的利用率，最终提高整体生产效率。
2、振动信号特别适用于旋转机械，如电机、风扇、泵等。这些设备通常通过振动表现出机械问题。并且振动信号对于机械系统中的多种故障，如轴承故障、齿轮故障、不平衡等，表现出较高的敏感性。异常振动模式通常可以指示特定类型的故障，在线监测系统常采用振动信号进行。
3、由于机床自身机械结构、数控系统以及各控制部件之间复杂的耦合关系，同时，机床在加工时涉及到多轴联动以及转速频繁变化。这可能干扰对机械系统本身振动信号的准确监测，难以通过传统的单一振动信号对机床的状态进行监测。
4、电流信号的有效值可以在一定程度上反应加工时负载的变化，而转频可以反应转速的变化。在缺乏加工工况条件下，可以通过电流信号近似的反应工况变化，非常适合机床这种工况变化较大的对象。同时，机床耦合关系复杂，一个加工过程中可能包括多轴的联合运动和单轴运动，因此考虑多个轴的运行状态进行联合分析可以获得更高的监测准确性。
技术实现思路
1、本专利技术需要解决的问题是：鉴于上述提到的问题，本专利技术结合多轴的电流信号对机床实时在线监测，可实现更准确的监测结果。p>
2、本专利技术所采用的技术方案如下：一种基于多轴电流信号的数控机床在线故障监测方法，所述方法包括以下步骤：
3、(1)使用立式四轴数控铣加工中心为分析对象，对各个电机进行振动和电流信号的采集；
4、(2)通过快速傅里叶变换(fft)得到电流信号的频谱，提取电流信号的频谱特征，同时提取电流信号和振动信号的时域特征；
5、(3)判断是否是停机状态下数据，将停机状态下的数据进行删除；
6、(4)根据历史数据中所有监测电机的电流特征作为多个模型的输入，其中一个轴的振动信号特征作为模型输出对所有模型进行求解；
7、(5)使用训练集的数据分别得到各个模型合适的异常判别阈值；
8、(6)实时数据通过步骤(2)得到特征后，输入步骤(4)的模型中得到预测值；
9、(7)对比所有模型中预测振动值与真实振动值的误差，当所有模型超出步骤(5)的阈值时则进行报警，从而实现鲁棒性较高的数控机床在线监测；
10、(8)当监测到异常数据，并且异常数据为正常状态时对模型进行更新。
11、进一步地，步骤(1)中振动数据采集参数为：采样单位为m/s2，采样率为25.6hz。电流信号采集参数为：采样单位为a，采样率为25.6hz。
12、进一步地，步骤(2)中提取的电流信号频谱特征为频谱中最大峰值对应的频率，时域特征为有效值(rms)。振动信号的时域特征为有效值(rms)。
13、进一步地，步骤(3)中为了降低数据冗余，将所有轴电流有效值(rms)小于0.005，即认为停机状态的数据进行删除。
14、进一步地，步骤(4)中使用随机森林、决策树、k最近邻算法和线性回归模型对电流和振动信号的关系进行求解，通过历史数据，将多个轴的电流信号特征分别映射包括主轴、x轴、y轴和z轴在内的振动信号特征得到对应轴的模型。
15、进一步地，步骤(5)中计算训练集得到的预测有效值与真实有效值的误差通过相对误差进行计算。根据训练集的误差进行各个模型异常判断阈值的确定，训练集误差中满足连续5个点不超过的阈值作为硬阈值。为了增加鲁棒性，将阈值增大20％以确定为最终的异常判断阈值。
16、进一步地，步骤(6)中提取实时数据的特征，并对实时数据进行判断，如果数据为加工状态，则通过求解出的多个模型得到振动有效值的预测值，否则不进行计算。
17、进一步地，步骤(7)中通过实时数据误差连续五个时间超出报警阈值进行报警。
18、进一步地，步骤(8)中如果模型出现报警，则需要停机进行机床状态的检查，如果未发现故障则将五个时间段的数据保存在历史数据库中，并重新训练并更新模型。
19、本专利技术的有益效果是：本专利技术充分考虑了机床加工时工况变化频繁，多轴联动加工问题。根据实际需求，通过引入电流信号和多轴信号回归解决变工况条件下单一振动信号鲁棒性不足问题，且可在实际使用过程中快速的重新训练模型，从而不断提升机床故障诊断的扩展性与准确性。
本文档来自技高网...【技术保护点】
1.一种基于多轴电流信号的数控机床在线故障监测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(1)中振动数据采集参数为：采样单位为m/s2，采样率为25.6Hz，电流信号采集参数为：采样单位为A，采样率为25.6Hz。
3.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(2)中提取的电流信号频谱特征为频谱中最大峰值对应的频率，时域特征为有效值(RMS)，振动信号的时域特征为有效值(RMS)。
4.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(3)中为了降低数据冗余，将所有轴电流有效值(RMS)小于0.005，即认为停机状态的数据进行删除。
5.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(4)中使用随机森林、决策树、K最近邻算法和线性回归模型对电流和振动信号的关系进行求解，通过历史数据，将多个轴的电流信号特征分别映射包括主轴、X轴、Y轴和Z轴在内的振动信号特征
6.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(5)中计算训练集得到的预测有效值与真实有效值的误差通过相对误差进行计算；根据训练集的误差进行各个模型异常判断阈值的确定，训练集误差中满足连续5个点不超过的阈值作为硬阈值，为了增加鲁棒性，将阈值增大20％以确定为最终的异常判断阈值。
7.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(6)中提取实时数据的特征，并对实时数据进行判断，如果数据为加工状态，则通过求解出的多个模型得到振动有效值的预测值，否则不进行计算。
8.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(7)中通过实时数据误差连续五个时间超出报警阈值进行报警。
9.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(8)中如果模型出现报警，则需要停机进行机床状态的检查，如果未发现故障则将五个时间段的数据保存在历史数据库中，并重新训练和更新模型。
...【技术特征摘要】
1.一种基于多轴电流信号的数控机床在线故障监测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(1)中振动数据采集参数为：采样单位为m/s2，采样率为25.6hz，电流信号采集参数为：采样单位为a，采样率为25.6hz。
3.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(2)中提取的电流信号频谱特征为频谱中最大峰值对应的频率，时域特征为有效值(rms)，振动信号的时域特征为有效值(rms)。
4.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(3)中为了降低数据冗余，将所有轴电流有效值(rms)小于0.005，即认为停机状态的数据进行删除。
5.根据权利要求1所述的基于多轴电流信号的数控机床在线故障监测方法，其特征在于，步骤(4)中使用随机森林、决策树、k最近邻算法和线性回归模型对电流和振动信号的关系进行求解，通过历史数据，将多个轴的电流信号特征分别映射包括主轴、x轴、y轴和z轴在内...
【专利技术属性】
技术研发人员：刘韬，李洁松，伍星，柳小勤，刘畅，
申请(专利权)人：上海华阳检测仪器有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。