一种基于多源信息融合的智能主轴状态评估方法和系统

摘要

本发明公开了一种基于多源信息融合的智能主轴状态评估方法和系统，属于智能制造技术领域，具体包括原始信号采集与预处理、原始信号特征提取、多源信息融合处理及概率神经网络诊断模型。原始信号特征提取主要包括对采集数据进行的时域、频域、时频域相关处理，确保所提取的信息特征更完备的反应主轴服役状态；对特征信息进行融合处理；搭建概率神经网络诊断模型，对融合后的故障特征信息进行分类，并获取诊断结果，最后对诊断结果进行状态评估。本发明的智能主轴状态评估方法，实现了智能主轴状态的在线评估，对智能主轴服役状态评估有重要指导作用，同时也提高了经济效益。

说明书

技术领域

本发明属于智能制造技术领域，涉及一种基于多源信息融合的智能主轴状态评估方法和系统。

背景技术

智能制造技术在当代全球制造行业起着引领性作用。近年来，随着信息技术的不断发展，特别是人工智能、大数据、物联网、云计算等比较前沿的科技在工程实践中得到了广泛应用，进一步推动了以智能制造为目标的制造业变革。当代制造业正不断的向着信息化、网络化、智能化、服务化和绿色化的方向发展。其中，数控机床的柔性化、集成化、智能化的发展尤为重要。主轴作为机床的核心部件，其性能水平决定了制造成品的精度高低，传统主轴以电机作为动力源，依靠齿轮、皮带、链轮等机械传动机构来完成调节，而智能主轴将电机与主轴集成为一体，实现机电耦合传动，减少中间繁琐的传动部件，提高了传动效率。智能化的判别标准取决于设备在具备执行能力的同时，是否具有自主感知和决策的功能，对于智能主轴而言，可以通过位移传感器、加速度传感器、温度传感器等对其进行实时监测，从而及时地监测主轴在运行过程中所出现的径向偏移、振动异常、局部温度过高等状态信息，并做出相应地应对处理，确保了加工效率、加工精度，进而降低了加工成本。

引起主轴振动的原因有很多，如主轴转子平衡、主轴局部裂纹、主轴回转误差、工件和刀具安装误差等。对主轴服役状态评估，本质上是对主轴的运行状态的监测，通过对测得的振动信号进行处理，及时观测主轴的振动状态，并进行状态评估。目前的状态评估方法中，可分为基于故障原理的状体评估、基于多传感器信息融合技术的状态评估、基于振动信号特征提取的状态评估和基于智能算法的状态评估。所有的方法中都涉及到对原始数据的采集和采集数据的处理，传统的故障原理评估不适用于解决大数据下的智能主轴振动信息检测；对于多传感器信息融合技术的评估方法，像素层融合方法对数据的处理效果极低且耗时严重，决策层融合方法容易丢失大量细节信息。

发明内容

本发明的目的在于克服上述现有技术中，像素层融合方法对数据的处理效果极低且耗时严重、决策层融合方法容易丢失大量细节信息的缺点，提供一种基于多源信息融合的智能主轴状态评估方法和系统。

为了达到上述目的，本发明采用以下技术方案予以实现：

一种基于多源信息融合的智能主轴状态评估方法，包括如下步骤：

采集智能主轴运动的原始信号；

对采集的原始信号进行时域、频域、时频域相关特征分析，得到特征信息；

对特征信息进行融合处理；

建立概率神经网络诊断模型，基于融合处理后的特征信息进行分类，得到智能主轴状态的诊断结果。

优选地，相关特征分析时，

时域分析包括峰值指标、均值指标、均方根的分析处理；

频域分析包括局部峰值谱、均值频率、均方频率的分析处理；

时频分析通过短时傅里叶变换来分析振动的时-频分布情况。

优选地，对特征信息进行融合处理是采用改进DBSCAN聚类分析算法对特征信息进行融合处理；

融合处理时，首先，基于特征信息得到二维振动特征数据集，然后以二维振动特征数据集为输入值，得到的输出值为融合处理后的数据集和经聚类分析得到的Eps和MinPts参数。

优选地，智能主轴状态的诊断过程为：

基于融合处理后的特征数据，并根据聚类分析得到的Eps和MinPts参数计算智能主轴的健康指标，然后将特征数据进行归类，形成多组样本集；

选取其中若干组为训练样本来构建概率神经网络诊断模型，剩余样本为测试样本，通过训练样本回代，查看网络的分类效果，并验证概率神经网络模型诊断精度，并根据测试结果是否达到预期要求进行调整，直至达到预期结果为止；

最后将剩余测试样本进行网络模型的诊断，进一步验证网络模型对智能主轴状态诊断的能力。

优选地，智能主轴状态的诊断过程具体为：

S1、根据Eps和MinPts参数定义健康指数如下：

其中，D为采样点到核心对象距离的最小值；HI为健康指数，0≤HI≤100；

设定健康指数对应的健康状态编号；

S2、将输出的数据集进行健康指标分类，选择若干组样本作为概率神经网络诊断模型的输入值；

S3、将所有的健康状态编号作为概率神经网络诊断模型的输出值，得到状态分类结果。

优选地，原始信号包括电源信号、传感器驱动信号、信号调理信号及信号存储信号；

原始信号在进行相关特征分析前首先进行去趋势处理；

一种基于多源信息融合的智能主轴状态评估系统，包括：

信号采集单元，用于智能主轴运动的原始信号；

特征信息提取单元，与信号采集单元相交互，用于对采集的原始信号进行时域、频域、时频域相关特征分析，得到特征信息；

信息处理模块，与特征信息提取单元相交互，用于对特征信息进行融合处理；

概率神经网络诊断模型单元，与信息处理模块相交互，用于建立概率神经网络诊断模型；

评估诊断模块，分别与概率神经网络诊断模型单元和信息处理模块相交互，基于概率神经网络诊断模型，结合融合处理后的特征信息，进行分类评估，得到智能主轴状态的诊断结果。

优选地，信号采集单元包括电源信号采集模块、传感器驱动模块、信号调理模块和信号存储模块，分别采集电源信号、传感器驱动信号、信号处理信息和信号存储信息。

优选地，传感器驱动模块通过三向加速度传感器、激光位移传感器实现，

三向加速度传感器安装在智能主轴的前后轴承处，用于测量智能主轴的振动情况；激光位移传感器安装在智能主轴的前端，用于测量智能主轴的跳动情况；

信号调理模块通过滤波器和放大器实现，滤波器用于去除掉与智能主轴的振动无关的信号，放大器用于对获取的信号进行放大。

优选地，特征信息提取单元包括时域分析模块、频域分析模块和时频分析模块，

时域分析模块用于对原始信号的峰值指标、均值指标和均方根进行分析处理；

频域分析模块用于对原始信号的局部峰值谱、均值频率、均方频率进行分析处理；

时频分析用于基于短时傅里叶变换分析原始信号的时-频分布。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种基于多源信息融合的智能主轴状态评估方法，包括：原始信号采集与预处理、原始信号特征提取、多源信息融合处理及概率神经网络诊断模型。原始信号特征提取主要包括对采集数据进行的时域、频域、时频域相关处理，确保所提取的信息特征更完备的反应主轴服役状态；对特征信息进行融合处理；搭建概率神经网络诊断模型，对融合后的故障特征信息进行分类，并获取诊断结果，最后对诊断结果进行状态评估。本发明的智能主轴状态评估方法，实现了智能主轴状态的在线评估，对智能主轴服役状态评估有重要指导作用，同时也提高了经济效益。

进一步地，振动信号采集主要通过搭建数据采集平台来完成，由智能主轴、电源部分、传感器驱动部分、信号调理部分和信号存储部分五个部分构成，从而准确地采集到主轴运行时的原始数据，为智能主轴状态评估提供数据基础。

进一步地，原始信号特征提取主要包括对采集的数据进行时域、频域、时频域相关特征进行提取，以保证所提取的特征更好地反应主轴振动状态。

进一步地，多源信息融合处理，采用改进DBSCAN聚类分析算法对特征信息进行融合处理，得到最优Eps和MinPts参数来定义健康指数(HI)，为主轴状态分类提供依据。

进一步地，概率神经网络(PNN)作为一种模式分类方法，通过健康指数(HI)对融合处理结果进行分类并获得样本集，选取样本集中的若干组对PNN网络模型进行训练，得到诊断模型，再将样本集剩余组代入诊断模型来验证模型的识别精度，最后得到诊断结果。

附图说明

图1为图1为本发明信号采集硬件平台结构示意图；

图2为本发明基于多源信息融合的智能主轴状态评估流程图；

图3为本发明改进DBSCAN聚类分析算法流程图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

实施例1

一种基于多源信息融合的智能主轴状态评估方法，包括如下步骤：

采集智能主轴运动的原始信号；

对采集的原始信号进行时域、频域、时频域相关特征分析，得到特征信息；

对特征信息进行融合处理；

建立概率神经网络诊断模型，基于融合处理后的特征信息进行分类，得到智能主轴状态的诊断结果。

实施例2

如图1所示，一种基于多源信息融合的智能主轴状态监测信号采集硬件平台，包括智能主轴、直流电源部分、传感器部分、信号调理部分和信号存储部分。其中，直流电源电压为24V；传感器部分包括3个测振动状态的加速度传感器和1个测转子位移的激光位移传感器；信号调理部分包括高通滤波器和放大器，用来降冗余、去噪声；存储部分将处理好的信号储存到数据采集卡中，为特征提取做准备。

如图2所示，基于多源信息融合的智能主轴状态评估流程图，包括以下步骤：

A、原始信号采集及预处理；

B、原始信号特征提取；

C、基于改进DBSCAN融合算法的特征层信息融合；

D、概率神经网络(PNN)模型；

E、基于智能主轴健康指数(HI)的状态分类；

F、PNN状态诊断模型；

G、PNN模型诊断结果是否满足期望值；

H、输出评估结果。

具体地、在步骤B中，通过时域、频域、时频域提取振动特征信息。时域分析包括峰值指标、均值指标、均方根，频域分析局部峰值谱、均值频率、均方频率，时频分析通过短时傅里叶变换(STFT)来表示振动的时-频分布情况。

具体地、在步骤G中，PNN模型诊断结果是否满足期望值，针对所定义的HI指标划分的智能主轴状态类别，将样本数据输入PNN模型，观察分类结果的误差是否满足设计要求，如不满足，则重新对PNN模型进行训练；若满足，输出状态分类结果。

如图3所示，改进DBSCAN聚类分析算法流程图，具体步骤如下：

①计算数据集中各数据点间的欧氏距离，得到距离矩阵Y

②将Y

③将平均值作为Eps的候选集Y

④计算Y

⑤采用每组的Eps和MinPts参数进行DBSCAN聚类(当聚类簇数为1时停止计算)；

⑥通过计算簇内密度和簇间密度的最小值，得到对应的Eps和MinPts参数；

⑦定义属性：核心点为1，边界点为0，噪声点为-1；

⑧遍历所有数据点{S

⑨求得标号为0和1的样本点，剔除标号为-1的异常点。

具体地，在步骤⑥中，对得到最优Eps和MinPts参数来定义健康指数(HI)，计算公式为：

其中，D为采样点到核心对象距离的最小值，旋转设备健康指数HI在0～100之间，实际工程应用中：(80，100]表示健康状态非常好，编号为1；(60，80]表示状态良好，编号为2；(40，60]表示出现异常，编号为3；(20，40]表示病态，编号为4，[0，20]表示严重病态，编号为5。

通过多个加速度传感器和激光位移传感器对主轴工作状态的信息进行采集，利用时域、频域、时频域特征提取的方法提取主轴的振动特征；采用改进DBSCAN聚类分析算法对特征信息进行融合处理，通过旋转设备健康指数HI对融合后的样本进行归类；搭建PNN诊断模型，对融合后的各状态特征信息进行训练，得到诊断结果，最后对诊断结果进行状态评估。

综上所述，本发明的评估方法为基于多源信息融合的智能主轴状态评估方法。通过采集智能主轴运行状态的振动和主轴跳动信息，并对各状态信号进行分析处理，尤其涉及一种改进DBSCAN聚类分析融合算法和建立PNN分类模型的使用，进一步对主轴运行状态评估提供了参考结果。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。