【技术实现步骤摘要】
本专利技术涉及设备故障诊断领域，尤其涉及一种基于数据分析的机床主轴故障诊断方法及系统。
技术介绍
1、主轴在数控机床系统中起着特别重要的作用，主要担负零件加工主动作，它往往处于高转速、高功率，恶劣环境工作条件，同时，各个零部件之间又是密切联系的，容易受到安装方式，负载，温度等因素的影响、润滑冷却及其他因素，在数控机床上属于易损部件。轴以轴承为主要支承形式，智能化的发展使它与其它零部件间联系逐渐紧密，应用需求广，往往面临各种运行工况，加快轴承故障，进而影响数控机床的整体性能，由于轴承本身结构特性及工作环境复杂，使得主轴故障类型多样，诊断困难，严重制约着数控机床的正常使用和寿命提高。现有的故障诊断方法中大多是依赖于人工进行故障特征的提取与筛选，该特征选择受人工的主观因素较大，没有统一标准，进而导致在应用时，会存在故障识别不准确的问题。
技术实现思路
1、有鉴于此，为了解决现有机床主轴故障诊断方法中故障特征的选择受人为因素的影响，进而导致故障诊断不准确的技术问题，本专利技术提出一种基于数据分析的机床主轴故障诊断方法，所述方法包括以下步骤：
2、采集实时振动信号；
3、对所述实时振动信号进行小波分析和ar谱分析，并构建特征矩阵；
4、将所述特征矩阵输入至预训练的alexnet网络，输出故障诊断结果。
5、其中，振动信号比较具有代表性，为进一步保证准确率，还可以对其他信号如音频等，进行采集和应用。
6、在一些实施例中，所述alexn
7、获取多种工况下的振动信号结合对应故障标签构建训练集；
8、对alexnet网络进行初始化；
9、基于训练集对所述alexnet网络进行训练，并反向传播更新网络参数，得到预训练的alexnet网络。
10、其中，所述多种工况包括正常滚动轴承、轴承滚动体故障、轴承外圈故障、轴承保持架故障和轴承内圈故障。
11、通过该优选步骤，采集多种工况下的振动信号用于训练alexnet网络，以使网络的泛化性更强，满足更多的应用场景。
12、在一些实施例中，所述对所述实时振动信号进行小波分析和ar谱分析，并构建特征矩阵这一步骤，其具体包括：
13、选择小波基函数，将所述实时振动信号分解成一组小波函数，得到小波系数；
14、对所述小波系数进行分析提取，得到第一信号特征；
15、对所述实时振动信号进行ar谱分析，提取得到第二信号特征；
16、基于预设整合规则，根据所述第一信号特征和所述第二信号构建特征矩阵。
17、通过该优选步骤，选择合适的小波基函数对振动信号进行分解，以进行小波分析，并提取故障特征作为第一信号特征。
18、在一些实施例中，所述对所述实时振动信号进行ar谱分析，提取得到第二信号特征这一步骤，其具体包括：
19、将所述实时振动信号按照方向拆分多个分量信号；
20、分别对所述分量信号进行ar谱估计，提取ar谱能量特征；
21、根据所述ar谱能量构建第二信号特征。
22、通过该优选步骤，完成对实时振动信号的ap谱能量特征提取，并作为第二信号特征。
23、在一些实施例中，所述预设整合规则为：
24、将第一信号特征的行数和列数调整至于第二信号特征相同；
25、基于hstack函数，将第一信号特征和第二信号特征进行矩阵合并，得到特征矩阵。
26、通过该优选步骤，利用hstack函数进行矩阵合并，将第一信号特征矩阵和第二信号特征矩阵合并，得到用于输入的最终特征矩阵。
27、在一些实施例中，还包括模型验证步骤，其具体包括：
28、基于softmax和triplet，赋予不同的权值构建联合损失函数；
29、根据所述联合损失函数计算损失值；
30、当所述损失值小于预设阈值，判断alexnet网络验证通过。
31、通过该优选步骤，利用联合损失函数对alexnet网络进行验证，。
32、本专利技术还提出了一种基于数据分析的机床主轴故障诊断系统，所述系统包括：
33、信号采集模块，用于采集实时振动信号；
34、数据分析模块，用于对所述实时振动信号进行小波分析和ar谱分析，并构建特征矩阵；
35、故障诊断模块，用于将所述特征矩阵输入至预训练的alexnet网络，输出故障诊断结果。
36、基于上述方案，本专利技术提供了一种基于数据分析的机床主轴故障诊断方法及系统，利用小波分析和ar谱分析分别提取对应的故障特征，进一步将之结合并作为alexnet网络输入，然后基于该网络输出故障诊断结果，克服了人工提取故障特征较容易受主观因素的影响，进一步结合深度学习的方法进行诊断，提高了主轴轴承在多工况下的故障诊断的准确性。
本文档来自技高网...【技术保护点】
1.一种基于数据分析的机床主轴故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于数据分析的机床主轴故障诊断方法，其特征在于，所述AlexNet网络的训练步骤如下：
3.根据权利要求2所述一种基于数据分析的机床主轴故障诊断方法，其特征在于，所述多种工况包括正常滚动轴承、轴承滚动体故障、轴承外圈故障、轴承保持架故障和轴承内圈故障。
4.根据权利要求1所述一种基于数据分析的机床主轴故障诊断方法，其特征在于，所述对所述实时振动信号进行小波分析和AR谱分析，并构建特征矩阵这一步骤，其具体包括：
5.根据权利要求4所述一种基于数据分析的机床主轴故障诊断方法，其特征在于，所述对所述实时振动信号进行AR谱分析，提取得到第二信号特征这一步骤，其具体包括：
6.根据权利要求5所述一种基于数据分析的机床主轴故障诊断方法，其特征在于，所述预设整合规则为：
7.根据权利要求6所述一种基于数据分析的机床主轴故障诊断方法，其特征在于，还包括模型验证步骤，其具体包括：
8.一种基于数据分析的机床主轴故障诊断
...【技术特征摘要】
1.一种基于数据分析的机床主轴故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于数据分析的机床主轴故障诊断方法，其特征在于，所述alexnet网络的训练步骤如下：
3.根据权利要求2所述一种基于数据分析的机床主轴故障诊断方法，其特征在于，所述多种工况包括正常滚动轴承、轴承滚动体故障、轴承外圈故障、轴承保持架故障和轴承内圈故障。
4.根据权利要求1所述一种基于数据分析的机床主轴故障诊断方法，其特征在于，所述对所述实时振动信号进行小波分析和ar谱分析，...
【专利技术属性】
技术研发人员：李国平，陈晓霞，吴梓源，徐佳淳，申露华，刘汉斌，谢锦成，
申请(专利权)人：佛山职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。