[发明专利]一种基于SOM-MQE的滚珠丝杠副健康评估方法

说明书

一种基于SOM‑MQE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。该方法首先采集丝杠副系统两端的轴承支座以及丝母上的优选通道振动信号，对该信号进行预处理后进行特征提取，然后将提取到的特征值通过SOM‑MQE映射为健康值；通过自适应阈值检测算法获得健康值曲线的报警阈值，当健康值超过报警阈值时，自动报警，并将出现问题的位置定位到丝杠副系统具体的部件上面。本发明所述的方法能够评估丝杠副中具体部件的健康状态，为丝杠副的精准维修提供依据。

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，设备的智能化维护逐渐成为研究热点。设备的有效维护能够保障其安全高效的运行。如何在设备运行时对于其健康状况进行监测与评估，如何对健康状况较差的部件进行定位，以及如何安排维修等都是急需解决的问题。滚珠丝杠作为重要的传动部件，在数控机床等行业应用广泛，其安全运行对于整个工业设备来说至关重要。因此，有必要对其进行健康评估。

方法1：专利“一种滚珠丝杠副健康状态的评估方法”将数控机床的转速与扭矩信号作为输入，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关系，从而获得滚珠丝杠副性能衰退程度的量化评估。但是，该方法没有提供自动预警系统，当丝杠副的健康状况较差时，并没有定位到具体的部件位置，这样无法对部件提供精准的维修。

方法2：数控机床滚珠丝杠副性能退化评估技术采用量子遗传算法与灰色神经网络对滚珠丝杠副的性能进行评估。但是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。比如，运行时间为0.5年的丝杠有可能比如运行时间为1年的丝杠退化严重，因为中间的工况有可能不同。因此，通过现场经验对丝杠副退化模型的输出进行设定也不符合实际情况。所通过这些数据训练出来的模型所得到的评估结果缺乏一定的可信度。

方法3：基于性能退化模型的滚珠丝杠副寿命预测研究通过监测电流获得丝杠副的轴向力再得知转速可以获得丝杠副的期望剩余寿命，将振动信号与期望的剩余寿命一起输入到动态模糊神经网络中进行训练输出丝杠的剩余寿命，该方法侧重于寿命预测，并且期望剩余寿命通过计算获得，预测结果缺乏一定的可信度。

发明内容

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

本发明所述的基于SOM-MQE的滚珠丝杠副健康评估方法包括以下步骤：

步骤一、采集丝杠副系统两端的轴承支座以及丝母上的振动信号，所述振动信号通过安装在丝杠副系统两端的轴承支座以及丝母上面的三通道振动传感器进行采集；

步骤二：从每个三通道振动传感器输出的三个通道信号中选择最能代表对应部件的退化趋势的通道信号作为健康评估的原始信号；

步骤三：分别将每个部件上面优选的通道信号进行预处理、并对预处理后的信号进行特征提取；

步骤四：将步骤三最终得到的特征值通过SOM-MQE映射为健康值；

步骤五：通过自适应阈值检测算法获得健康值曲线的报警阈值，所述健康值曲线为步骤四获得的健康值随时间变化的曲线；

步骤六：当健康值超过报警阈值时，自动报警，并将出现问题的位置定位到丝杠副系统具体的部件上面。

进一步地，步骤三中的预处理包括小波降噪。

进一步地，步骤三中对预处理后的信号提取的特征包括：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，步骤三还包括特征选择，所述特征选择是指对提取到的特征进行降维处理，以选择出对于丝杠退化贡献大的特征。