一种基于近似熵的数控机床丝杠健康状态评估方法
发布时间: 2022-03-09
来源: 试点城市(园区)
基本信息
一种基于近似熵的数控机床丝杠健康状态评估方法
技术领域
本发明属于丝杠健康状态评估的技术领域,更具体地,涉及一种基于近似熵的数控机床丝杠健康状态评估方法。
背景技术
丝杠是数控机床的重要组成部分,其性能直接影响到数控机床加工质量、可靠性和稳定性水平,随着数控机床加工朝着高速、高精和重载的方向发展,数控机床丝杠往往不能达到设计寿命便出现性能衰退或损坏。对数控机床丝杠健康状态进行实时评估,可在丝杠性能衰退或损坏发生前及时采取措施,提高数控机床整机的可靠性和稳定性水平,保证加工的质量和精度,提高良品率和生产效率。
目前,丝杠性能或健康状态评估技术领域已经发展了一些方法与技术,但均存在一定的局限性。
如公告号为CN201610032369,名称为“一种滚珠丝杠健康状态的评估方法”,该专利通过建立丝杠不同健康状态下传感器信号样本点在特征空间中与丝杠健康值的映射关系,而得到滚珠丝杠性能衰退程度的量化评估。但该方法未明确提取信号特征的内容,实际应用的效果存在很大不确定性,评估结果可能存在较大的偏差。
公告号为CN201610186983,名称为“一种全程实时数据统计的丝杠健康保障方法”,该专利通过数据的全程实时采集,丝杠位置区间划分,对采集的数据分区间统计,以衡量丝杠的不均衡工作状态,并对丝杠工作状况和各区间相对健康状况作出预测判断。但该方法仅能对丝杠各区间相对健康状况进行评估,无法评估丝杠整体的健康状态情况。
因此,针对现有技术的局限性,本领域的技术人员致力于开发一种适合生产现场应用的丝杠健康状态评估方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于近似熵的数控机床丝杠健康状态评估方法,其通过数控机床运行专用评测G代码,计算丝杠工作时传感器信号的近似熵值,与不同健康状态丝杠的标准样本进行比较,实现丝杠当前的健康状态的实时评估。
为实现上述目的,按照本发明的一个方面,提供了一种基于近似熵的数控机床丝杠健康状态评估方法,其特征在于,包括下列步骤:
(a)根据待测数控机床与丝杠的配置,设置有关测试参数,生成专用评测G代码;
(b)数控机床运行评测G代码,采集丝杠工作时的传感器信号,并进行信号预处理;
(c)将丝杠运动过程划分为加速阶段、匀速阶段、减速阶段三个阶段,分阶段分别计算丝杠工作时在各个工作阶段的信号近似熵值ApEn;
(d)与不同健康状态丝杠的标准样本进行比较,用距离评估方法比较基准样本与本次计算结果之间的相关性,评估丝杠当前的健康状态。
作为进一步优选的,步骤(a)所述的设置有关测试参数包括设置丝杠运动行程、丝杠进给速度。
作为进一步优选的,步骤(b)所述的数控机床运行评测G代码时为空载运行,不进行实际切削,丝杠轴向载荷可认定为固定常量。
作为进一步优选的,步骤(b)所述的传感器信号为丝杠转速、丝杠进给轴电流信号。
作为进一步优选的,步骤(b)所述的信号预处理为对传感器信号进行低通滤波,以滤除噪声,提高信噪比。
作为进一步优选的,步骤(c)所述的划分丝杠过程为三个阶段是通过丝杠转速信号实现阶段划分。
作为进一步优选的,步骤(d)所述的不同健康状态丝杠包括健康丝杠、各类非健康和损坏的丝杠。
作为进一步优选的,步骤(d)所述的距离评估方法为欧几里得距离评估法。
作为进一步优选的,步骤(d)所述的丝杠当前的健康状态,若其评估结果为非健康状态,则报警提示维修人员进行处理。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明通过计算丝杠工作时传感器信号的近似熵值实现丝杠健康状态的评估,与现有技术相比较,不需要额外的搭建实验平台,不需要拆装丝杠,可以在丝杠正常工作的条件下实现,不影响丝杠的动态特性;
2、本发明根据待测数控机床与丝杠的配置,设置有关测试参数,可最大限度模拟实际加工工况,相比于现有技术和方法,更符合丝杠实际工作条件,丝杠健康状态评估结果更准确。
3、通过本发明实现对丝杠健康状态的评估,能实时反馈丝杠健康状态,可在丝杠处于亚健康水平时提示维修人员及时处理,提高丝杠的可靠性水平,降低丝杠故障发生率,进而提高设备整机的可靠性水平。
附图说明
图1是按照本发明的优选实施例所构建的丝杠健康状态评估方法的流程图;
图2是按照本发明的优选实施例所构建的评测G代码示例图;
图3是按照本发明的优选实施例所构建的丝杠运动过程阶段划分示意图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是按照本发明的优选实施例所构建的性能评估方法的流程图,如图1所示,本实例选取对象为宝鸡机床厂VMC850L加工中心的X轴丝杠,X轴左右行程800mm,丝杠类型为滚珠丝杠,数控系统为华中数控HNC-818B。本发明实施包括以下步骤:
步骤(a):根据待测数控机床与丝杠的配置,设置有关测试参数,生成专用评测G代码。本实例中,测试参数为设置丝杠运动行程、丝杠进给速度,根据数控机床与丝杠的配置,将丝杠运动行程设置为800mm,丝杠进给速度设置为800mm/min。生成专用评测G代码如图2所示。
步骤(b):数控机床运行评测G代码,采集丝杠工作时的传感器信号,并进行信号预处理。
本实例中,直接将丝杠寿命预测模型植入数控系统内部,通过数控系统内部获取丝杠工作时的传感器数据,采集的传感器信号包括丝杠转速、丝杠进给轴电流。然后对采集的传感器信号进行低通滤波,以滤除噪声,提高信噪比。
步骤(c):将丝杠运动过程划分为加速阶段、匀速阶段、减速阶段三个阶段,分阶段分别计算丝杠工作时在各个工作阶段的信号近似熵值ApEn;
本实例中,通过丝杠转速将丝杠的一次运动过程划分为加速、匀速、减速三个阶段。通过将丝杠转速和丝杠进给轴电流信号对齐,可截取出加速、匀速、减速三个阶段对应的丝杠进给轴电流信号,如图3所示。然后对三个阶段的电流信号分别计算其近似熵值ApEn,计算步骤如下:
步骤(c1):提取待求阶段的电流信号,记为{u(1),u(2),…,u(N)},数据个数为N,预先给定模式维数m和相似容限r。
本实例中,模式维数m取值为2,相似容限r由电流信号的标准差求得,计算公式为:
r=k*std({u(1),u(2),…,u(N)})
其中,k为比例系数,取k=0.4。
步骤(c2):根据序列{u(i)}按顺序依次构造m维向量X(i):
X(i)=[u(i),u(i+1),…,u(i+m-1)],i=1,2,…,N-m+1
步骤(c3):对于任意两个向量X(i)、X(j),向量间的距离:
d[X(i),X(j)]=max1≤k≤m(|u(i+k-1)-u(j+k-1)|)
步骤(c4):对每一个X(i),向量X(i)与其它所有向量X(j)(j=1,2,…,N-m+1,j≠i)间的相似度:
其中,
步骤(c5):定义Φm(r):
步骤(c6):将维数m改为m+1,重复步骤(c2)-(c5),得到Φm+1(r)。
步骤(c7):此阶段电流信号的近似熵值可由下式计算求得:
ApEn(m,r,N)=Φm(r)-Φm+1(r)
步骤(d):与不同健康状态丝杠的标准样本进行比较,用距离评估方法比较基准样本与本次计算结果之间的相关性,评估丝杠当前的健康状态。
本实例中,不同健康状态的丝杠包括健康丝杠、各类非健康或损坏的丝杠,其标准样本数据是执行上述专用评测G代码后采集传感器数据计算得到的特征向量Y:
Y=[ApEn加速,ApEn匀速,ApEn减速]
其中,ApEn加速、ApEn匀速、ApEn减速分别为加速、匀速、减速阶段电流信号近似熵值。
具体的,在步骤(c)求得各个阶段电流信号的近似熵值后,可得丝杠当前状态的特征向量Y′。用向量间欧几里得距离d(Y′,Y)依次评估丝杠当前状态的特征向量Y′与不同的基准样本特征向量Y之间的相关性,计算公式为:
其中,n为特征向量长度,Y′i、Yi分别为丝杠当前状态的特征向量、不同基准样本特征向量的第i个元素。
设定相似度阈值T=0.2,当丝杠当前状态的特征向量Y′与某一基准样本特征向量Y之间的欧几里得距离d(Y′,Y)小于T时,则认为该基准样的丝杠状态即为丝杠当前健康状态。若评估结果表明丝杠当前健康状态为非健康或损坏状态,则报警提示维修人员及时处理。