[发明专利]一种基于K均值的滚珠丝杠副状态监测方法

说明书

一种基于K均值的滚珠丝杠副状态监测方法属于丝杠监测领域；包括采集滚珠丝杠副的原始振动信号；根据振动信号进行特征提取和特征选择；对所述特征值进行标准化；利用已有的全生命周期的丝杠历史数据进行K均值训练，模拟出的聚类中心M作为状态监测的初始凝聚点；每加入一个新样本xk，与前k‑1个样本存入Xk中，分别计算Xk与M中的每个凝聚点的距离，找出距离最小的凝聚点及其标签，将该样本归到此标签类中；更新凝聚点M，即类内点的平均值；画出每个样本所在类的标签，并用不同颜色区别不同状态，直到设备发生故障无法提取数据；本发明将分类标签作为状态监测的结果，不同的标签表示不同的健康状态，本发明克服了原始方法的数据依赖性的技术问题。

技术领域

本发明属于丝杠监测领域，尤其涉及一种基于K均值的滚珠丝杠副状态监测方法。

背景技术

随着装备智能化水平的不断提高，以及人工智能技术的飞速发展，PHM系统被广泛地应用在设备的各项状态监测和健康管理中。而设备的状态监测作为定位设备状态变化的重要环节，对于后续的故障诊断和设备维护至关重要。状态监测的过程是设备自身健康状态的变化过程，一般情况下，将设备的状态分为三个阶段，健康状态、退化(过渡)状态、失效(故障)状态。健康状态的变化往往代表设备开始出现退化或者故障，需要用户提前维护或更换设备。

针对状态监测的方法很多，一般情况下的方法是基于历史数据的，通过模拟大量的历史数据储存结果，且历史数据需要包含所有状态的数据，以相似性高的数据作为匹配结果，从而达到状态监测和预测的结果；基于历史数据的状态监测方法过分依赖数据库的大小，并且通过匹配历史数据找相似性高的作为监测结果和预测方向，使得监测结果误差较大，更不能包含所有情况的结果。

发明内容

本发明克服了上述现有技术的不足，提供一种基于K均值的滚珠丝杠副状态监测方法，通过一套相同设备的历史数据训练出分类的初始凝聚点，然后以此凝聚点为起始点，每进入一个新的样本就判断其到凝聚点的距离，找出距离最近的凝聚点，然后将新样本归类并更新凝聚点坐标，本发明将分类标签作为状态监测的结果，不同的标签表示不同的健康状态。本发明克服了原始方法的数据依赖性，新增了初始凝聚点的训练过程，提高了状态监测的精度，打破了时间范围的束缚，可以实时地显示健康状态。

本发明的技术方案：

一种基于K均值的滚珠丝杠副状态监测方法，包括下列步骤：

步骤a、采集滚珠丝杠副的原始振动信号；

步骤b、根据振动信号进行特征提取，提取的特征以特征值矩阵的形式存储，通过特征选择，选出对于丝杠副退化贡献程度大的特征；

步骤c、对所述特征值进行标准化，公式如下：

公式中xk为第k个样本特征值，为当前k个样本的特征值均值，s(X_k)为当前k个样本的特征值标准差；

步骤d、利用已有的全生命周期的丝杠历史数据进行K均值训练，模拟出的聚类中心M作为状态监测的初始凝聚点；

步骤e、每加入一个新样本xk，与前k-1个样本存入Xk中，分别计算Xk与M中的每个凝聚点的距离，找出距离最小的凝聚点及其标签，将该样本归到此标签类中；

步骤f、更新凝聚点M，更新机制为求出各个新分类的中心，即类内点的平均值；

步骤g、画出每个样本所在类的标签，并用不同颜色区别不同状态，重复步骤e和步骤f，直到设备发生故障无法提取数据。

进一步地，所述特征值矩阵包括均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。

进一步地，所述特征选择采用Fisher准则或者主成分分析。