[发明专利]基于DCAE与最大均值差异的滚珠丝杠健康评估方法

说明书

一种基于DCAE与最大均值差异的滚珠丝杠健康评估方法，通过采集滚珠丝杠在正常性能下工作时的信号以生成训练样本对去噪卷积自编码器进行训练，将训练样本输入训练后的去噪卷积自编码器得到基线特征，通过采集待评估滚珠丝杠的工作信号并生成待评估样本，经训练后的去噪卷积自编码器提取得到样本特征；再根据基线特征与样本特征的最大均值差异值映射为待评估滚珠丝杠的健康值。本发明仅需获取滚珠丝杠在非常健康状态下的信号即可建立模型，无需多个退化状态下的数据以建立关键特征。

技术领域

本发明涉及的是一种机械加工领域的技术，具体是一种基于去噪卷积自编码器(DCAE)与最大均值差异的滚珠丝杠健康评估方法。

背景技术

数控机床中，滚珠丝杠的精度对于机床的加工精度起着至关重要的作用。在长时间的加工过程中，滚珠丝杠的性能往往会不同程度地衰退导致加工精度的下降，因此，对滚珠丝杠进行健康状态的评估具有重要意义。目前基于数据驱动的方法仍然是滚珠丝杠健康评估技术最主要采用的方法，即通过对滚珠丝杠工作中的传感信号进行一定的特征提取与分析，得到当前状态下的健康值。但这些方法普遍需要专家知识进行特征的选取，特征的有效性往往也需要大量实验数据的验证，对于在不同情况下的有效性也存在疑问。此外，特征的选取与降维往往需要基于不同健康状态下的实验数据分析特征相关性，在实际应用中常常难以获得足够的数据。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于DCAE与最大均值差异的滚珠丝杠健康评估方法，使用去噪卷积自编码器对滚珠丝杠传感信号进行自动化地处理，提取有用信息，并通过最大均值差异度量特征分布之间的差异再映射为健康值，仅需获取滚珠丝杠在非常健康状态下的信号即可建立模型，无需多个退化状态下的数据以建立关键特征。

本发明是通过以下技术方案实现的：

本发明涉及一种基于DCAE与最大均值差异的滚珠丝杠健康评估方法，通过采集滚珠丝杠在正常性能下工作时的信号以生成训练样本对去噪卷积自编码器进行训练，将训练样本输入训练后的去噪卷积自编码器得到基线特征，通过采集待评估滚珠丝杠的工作信号并生成待评估样本，经训练后的去噪卷积自编码器提取得到样本特征；再根据基线特征与样本特征的最大均值差异值映射为待评估滚珠丝杠的健康值。

所述的采集正常性能下工作时的信号是指：通过安装在滚珠丝杠上的振动传感器采集正常性能下的滚珠丝杠在稳定连续工作时的振动信号，进一步将其划分为多个信号样本用于模型训练；

所述的振动传感器根据实际情况布置于丝杠螺母和滚珠丝杠两端轴承座等；采集到的振动信号至少包含一个振动方向。

所述的正常性能是指：滚珠丝杠新安装或暂未投入大量加工使用。

所述的划分是指：将采集到的多个通道的振动信号合并组成多通道信号用于后续处理，并将振动信号按一指定的样本长度N划分为多个信号样本，N的设置原则为：包含至少0.1秒信号已保证足够的信息，但不多于1秒信号以避免重复信息降低计算效率。所述的去噪卷积自编码器，包括：一个编码器和一个解码器，对输入信息进行表征学习，其中：编码器将输入空间映射到特征空间，再由解码器映射回输入空间，使得重构误差尽量小从而学习到输入所包含的最有效信息。

所述的编码器依次包括噪声层和与之相连的多个依次交替连接的一维卷积层和批归一化层，其中：噪声层对输入信号添加随机噪声以提高编码器的去噪能力。噪声层随机将信号中一定比例的点置零，而训练自编码器重构原始信号，以此可提高编码器学习特征的鲁棒性；一维卷积层对输入序列进行一维卷积操作得到输出序列，批归一化层对训练过程中每批次样本进行归一化操作以加速训练。