[发明专利]一种基于深度分解的电主轴系统早期故障检测方法

说明书

本发明涉及一种基于深度分解原理的电主轴系统早期故障检测方法。通过采集电主轴系统振动信号为切入点，针对数据特征及过程特性，结合多元统计分析技术在处理高维和相关数据的优势来研究早期故障。首先将采集的数据进行标准化处理，然后运用深度分解原理进行早期故障特征提取，以此挖掘出微弱的早期故障信息，其次建立基于主元分析的故障检测模型来进行故障检测，最后通过检测延迟、故障检测率等指标来反映所提出方法用于早期故障检测的有效性。本发明可以有效地捕捉早期微弱的故障特征信号，充分挖掘出其中的故障信息，及时准确地检测早期故障有助于安排预防性维护，从而防止更严重的故障发生并确保系统保持最佳运行状态。

技术领域

本发明属于电主轴系统早期故障在线检测技术领域，具体涉及一种基于深度分解原理的电主轴系统早期故障检测方法。

背景技术

随着高速加工技术的不断发展和进步，尤其是在航空、航天、汽车、轮船等高端技术行业的广泛应用，以及机械、电子等产品的需求不断增加，使得数控机床技术越来越受到重视。数控机床是将高效率、高精度以及高柔性集为一体，不仅提高精度，而且提高生产效率，而高速电主轴又是数控机床的核心部分，其不但要求较高的速度、精度，而且要求连续输出的高转矩能力和非常宽的恒功率运行范围。传统的滚动轴承主轴结构已经难以满足数控机床的高转速、高精度的要求，因此，电主轴的出现得到广泛的关注和应用。电主轴不仅造价比较高，而且其运行的稳定性和可靠性很大程度上就决定了机床的工作精度，然而作为高精度的电主轴系统在经过一段时间的运行工作后，难免会存在不平衡、不对中、磨损、裂纹、高温变形等故障，因此为了延长使用寿命，除了日常维护与保养，对其进行故障检测和诊断是不可缺少的。

模型驱动和数据驱动方法是电主轴早期故障检测常用的两种方法。模型驱动的方法涉及从系统数学模型的残差作为故障指示器，然而为由复杂多变量组成的滚动轴承在实际工程中的运行数据建立精确的模型具有挑战性和费时的，这使得模型驱动的方式不太常用。数据驱动这种方式的优势在于：当我们对检测的系统没有深刻的了解时，我们对离线和在线过程数据进行分析处理，从而进行故障检测，数据驱动的方式面对的对象只有一个，那就是数据。多元统计数据分析是数据驱动方式一个重要分支，主成分分析(principalcomponent analysis，PCA)是常用的基于多元统计的故障检测方法。近些年来，高海波等将PCA和随机森林(random forest，RF)结合用于永磁电机故障诊断；杜振宁将小波分解和PCA结合用于滚动滚动轴承故障特征提取与诊断；上述学者都已取得了上述学者的研究都已取得非常好的进展，然而他们的研究并没有考虑到对早期故障进行检测，以滚动轴承为例，其早期故障特征信号十分微弱，特征提取很难实现，故障检测效果不理想。本发明在国内外研究现状的基础上，提出了一种基于深度分解原理的电主轴系统早期故障检测方法，以实现早期故障特征的提取并进行故障检测。

发明内容

为了解决上述技术问题，本发明提供一种基于深度分解的电主轴系统早期故障检测方法，该方法的创新性在于运用深度分解原理进行早期故障特征提取，深度挖掘出微弱的早期故障特征信号。

本发明是这样实现的，提供一种基于深度分解的电主轴系统早期故障检测方法，包括离线建模和在线检测，离线建模包括以下步骤：

1)采集正常状态下的振动信号数据X，并进行标准化处理；

2)选择合适的阶数j，按照公式计算相应的X_j,k；

3)计算每个X_jk的主元个数、特征值矩阵Λ_jk以及特征向量矩阵P_j,k；

4)计算离线阶段统计量和SPE_j,k；

5)计算离线阶段和SPE_j,k的概率密度函数；

6)计算离线阶段和SPE_j,k的控制限TUCL_j,k和QUCL_j,k；