[发明专利]一种基于PCA-T2

说明书

一种基于PCA‑T²的滚珠丝杠副健康评估方法，涉及滚珠丝杠副健康评估技术。上述方法在得到滚珠丝杠副系统的振动信号之后，选择滚珠丝杠副系统多个部位丝杠原始振动信号进行特征提取、特征选择，然后结合主成分分析方法对提取的特征值矩阵进行降维，得到累计贡献率达到90％以上的前n个主成分，其次利用构建的霍特林统计量计算出每个新加入的样本的健康值，实时显示设备的健康状态，最后使用自适应阈值算法获取报警阈值线，为设备的健康状态变化提供预警功能并定位故障位置。该方法能够时提供预警并且定位故障位置；在训练阶段不需要失效数据，对数据的要求较为宽松；用于模型训练的数据为同一运行时间下提取的数据，符合实际情况。

技术领域

本发明涉及滚珠丝杠副健康评估技术。

背景技术

随着PHM系统在工业中的普及和应用，越来越多的设备开始利用PHM系统进行健康评估。设备的有效维护能够保障其安全高效地运行，当设备健康水平发生变化时，预示着设备即将发生退化或者故障。滚珠丝杠副作为重要的传动装置,在机械制造业、自动化加工设备等行业应用广泛，因此，其安全运行对于整个工业设备来说至关重要。为了把控整个设备全生命周期的健康状态，实时显示设备所处的健康水平，及时预警设备的退化和失效，为用户提供科学报警，在设备上进行合理的健康评估至关重要。

健康评估的思想是将原始数据通过一系列的操作映射到一个新的域，而新的域被定义为设备的健康值，健康值的大小反映了设备当前状态下的健康水平，或者是与健康状态的偏差程度。在专利“一种滚珠丝杠副健康状态的评估方法”中，其结合拉普拉斯降维与马氏距离分析模型建立了传感器信号样本点在特征空间中与健康值之间的非线性的关系，从而获得滚珠丝杠副性能衰退程度的量化评估。而在其他文献中，有利用逻辑回归进行健康评估，其通过利用健康状态和失效状态的数据，结合逻辑回归拟合出一个模型，将设备的特征值通过模型映射到0-1之间的健康值上，越接近于1表明健康状态越好，越接近于0 表明健康状态越差。还有基于量子遗传算法与灰色神经网络的性能评估方法，其主要思想是通过不同运行时间下的数据进行训练，得到丝杠退化的模型，进而评估丝杠的性能情况。

已有的基于拉普拉斯降维与马氏距离的健康评估方法虽然在方法上有较好的优势，操作简单、理论性强，且能构建令信号样本从特征空间到健康值的映射，从而生成反映设备偏离健康状态程度大小的健康值，但是，该方法缺乏自动预警的功能，对于部件的健康状态发生改变时，无法及时提供预警且定位故障位置。

采用基于逻辑回归的健康评估方法，在训练拟合阶段需要健康状态和失效状态的特征数据，因此，该方法过于依赖数据的完整性，且健康和失效的数据都要具备，对数据的要求更加严格。

另外，基于量子遗传算法与灰色神经网络的性能评估方法，其用于模型训练的数据为不同运行时间下的数据，仅仅将运行时间作为性能退化的量化指标，不符合实际情况。不同运行时间下的丝杠也会因为中间环境或者其他因素的影响造成性能退化或者故障，所以该方法缺乏一定的适用性。

发明内容

本发明的目的是为了解决现有技术的上述问题，提供一种基于PCA-T²的滚珠丝杠副健康评估方法。

本发明所述的一种基于PCA-T²的滚珠丝杠副健康评估方法包括以下步骤：

步骤一：从安装在滚珠丝杠副多个部位的传感器处提取丝杠原始振动信号，并对所述原始振动信号进行预处理；

步骤二：对预处理后的原始振动信号进行特征提取，提取出的特征构成特征值矩阵；

步骤三：对提取的特征值矩阵进行特征选择，得到训练样本的特征值矩阵；

步骤四：结合主成分分析方法对步骤三得到的训练样本特征值矩阵进行降维，删去无关主成分，选取对设备退化贡献率最大的前n个主成分P^Tx，其中P为代数特征值对应的特征向量，x＝(x_i)表示第i个特征，且选取出的n个主成分累计贡献率达到X％以上；