【技术实现步骤摘要】
本公开涉及故障检测，特别涉及一种数控机床主轴变速箱故障检测方法。
技术介绍
1、主轴变速箱作为数控机床装备中起着传递动力作用的重要组成部分，由于运行环境恶劣多变，其零部件经常处于高负荷、快转速的工作状态，易出现各种异常问题，如齿轮磨损、轴承损坏、轴不平衡等。需要及时且准确地对数控机床主轴变速箱进行故障检测，避免异常恶化或严重故障的发生。
2、相关技术中的数控机床主轴变速箱故障检测方法通常是采用机器学习方法，利用大量正常样本和大量故障样本训练出故障检测模型以进行故障判断。
3、然而，数控机床通常进行了高可靠性设计，主轴变速箱发生故障的概率较低，导致从数控机床主轴变速箱中获取的样本仅存在正常样本而没有故障样本。在没有故障样本的情况下，无法采用常规的机器学习方法进行故障检测。
技术实现思路
1、本公开提供了一种数控机床主轴变速箱故障检测方法，能够在仅存在正常样本的情况下准确的进行数控机床主轴变速箱故障检测。所述技术方案至少包括如下方案：
2、第一方面，提供了一种数控机床主轴变速箱故障检测方法，包括：获取数控机床主轴变速箱的多个振动数据，所述多个振动数据为所述数控机床主轴变速箱正常状态下的振动数据；对所述多个振动数据进行预处理，获得最优特征子集；基于所述最优特征子集，训练最小体积覆盖椭球模型mvce，得到所述mvce的椭球中心向量和散布矩阵；获取测试样本，所述测试样本为所述数控机床主轴变速箱的实时振动数据；基于所述椭球中心向量和所述散布矩阵，构建异常评分
3、可选地，所述基于所述最优特征子集，训练最小体积覆盖椭球模型mvce，得到所述mvce的椭球中心向量和散布矩阵，包括：构建所述mvce的目标函数；采用拉格朗日乘子法将所述mvce的目标函数的解转化为对偶问题；求解所述对偶问题，得到拉格朗日乘子向量；基于所述拉格朗日乘子向量，确定所述mvce的椭球中心向量和散布矩阵。
4、可选地，所述异常评分函数采用如下公式表示：
5、
6、其中，为所述异常评分函数，为所述测试样本，为所述椭球中心向量，为所述散布矩阵。
7、可选地，所述对所述多个振动数据进行预处理，获得最优特征子集，包括：分别计算所述多个振动数据的时域特征、频域特征和时频域特征，得到每个振动数据的n个类型的特征，将相同类型的特征构建为一个特征向量，得到n个特征向量；对所述n个特征向量进行归一化处理，得到归一化多域特征集；获取所述归一化多域特征集中每个特征向量的拉普拉斯分数，并将所述n个特征向量按照所述拉普拉斯分数从小到大进行排列，得到第一排列；将所述第一排列中的前k个特征向量构建为第一向量集合；计算所述第一向量集合中每个特征向量的互相关系数，并基于所述互相关系数从所述第一向量集合中筛选出m个特征向量，所述m个特征向量即为最优特征子集中的特征向量；其中，n、k、m均为整数，n大于k，k大于m。
8、可选地，所述计算所述第一向量集合中每个特征向量的互相关系数，并基于所述互相关系数从所述第一向量集合中筛选出m个特征向量，包括：获取所述第一向量集合中每个特征向量的平均绝对互相关系数；将平均绝对互相关系数最大的一个特征向量从所述第一向量集合中剔除。
9、可选地，所述获取所述第一向量集合中每个特征向量的平均绝对互相关系数，包括：分别计算所述第一向量集合中第i个特征向量与除所述第i个特征向量以外的其他特征向量之间的皮尔逊相关系数，得到所述第i个特征向量的多个皮尔逊相关系数；基于所述第i个特征向量的多个皮尔逊相关系数，获取所述第i个特征的平均绝对互相关系数。
10、第二方面，还提供了一种数控机床主轴变速箱故障检测装置，包括：第一获取模块，用于获取数控机床主轴变速箱的多个振动数据，所述多个振动数据为所述数控机床主轴变速箱正常状态下的振动数据；预处理模块，用于对所述多个振动数据进行预处理，获得最优特征子集；训练模块，用于基于所述最优特征子集，训练最小体积覆盖椭球模型mvce，得到所述mvce的椭球中心向量和散布矩阵；第二获取模块，用于获取测试样本，所述测试样本为所述数控机床主轴变速箱的实时振动数据；评分函数构建模块，用于基于所述椭球中心向量和所述散布矩阵，构建异常评分函数；评分模块，用于基于所述异常评分函数，确定所述测试样本的异常评分，所述异常评分用于指示所述数控机床主轴变速箱是否存在故障。
11、可选地，所述训练模块还用于构建所述mvce的目标函数；采用拉格朗日乘子法将所述mvce的目标函数的解转化为对偶问题；求解所述对偶问题，得到拉格朗日乘子向量；基于所述拉格朗日乘子向量，确定所述mvce的椭球中心向量和散布矩阵。
12、可选地，在所述评分函数构建模块中，所述异常评分函数采用如下公式表示：
13、
14、其中，为所述异常评分函数，为所述测试样本，为所述椭球中心向量，为所述散布矩阵。
15、可选地，所述预处理模块还用于分别计算所述多个振动数据的时域特征、频域特征和时频域特征，得到每个振动数据的n个类型的特征，将相同类型的特征构建为一个特征向量，得到n个特征向量；对所述n个特征向量进行归一化处理，得到归一化多域特征集；获取所述归一化多域特征集中每个特征向量的拉普拉斯分数，并将所述n个特征向量按照所述拉普拉斯分数从小到大进行排列，得到第一排列；将所述第一排列中的前k个特征向量构建为第一向量集合；计算所述第一向量集合中每个特征向量的互相关系数，并基于所述互相关系数从所述第一向量集合中筛选出m个特征向量，所述m个特征向量即为最优特征子集中的特征向量；其中，n、k、m均为整数，n大于k，k大于m。
16、可选地，所述预处理模块还用于获取所述第一向量集合中每个特征向量的平均绝对互相关系数；将平均绝对互相关系数最大的一个特征向量从所述第一向量集合中剔除。
17、可选地，所述预处理模块还用于分别计算所述第一向量集合中第i个特征向量与除所述第i个特征向量以外的其他特征向量之间的皮尔逊相关系数，得到所述第i个特征向量的多个皮尔逊相关系数；基于所述第i个特征向量的多个皮尔逊相关系数，获取所述第i个特征的平均绝对互相关系数。
18、第三方面，还提供了一种计算机设备，包括：存储器和处理器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，从而执行上述实施例中所述的数控机床主轴变速箱故障检测方法。
19、第四方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，从而执行上述实施例中所述的数控机床主轴变速箱故障检测方法。
20、第五方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现第一方面所述的方法。...
【技术保护点】
1.一种数控机床主轴变速箱故障检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述最优特征子集，训练最小体积覆盖椭球模型MVCE，得到所述MVCE的椭球中心向量和散布矩阵，包括：
3.根据权利要求1所述的方法，其特征在于，所述异常评分函数采用如下公式表示：
4.根据权利要求1至3所述的方法，其特征在于，所述对所述多个振动数据进行预处理，获得最优特征子集，包括：
5.根据权利要求4所述的方法，其特征在于，所述计算所述第一向量集合中每个特征向量的互相关系数，并基于所述互相关系数从所述第一向量集合中筛选出m个特征向量，包括：
6.根据权利要求5所述的方法，其特征在于，所述获取所述第一向量集合中每个特征向量的平均绝对互相关系数，包括：
7.一种数控机床主轴变速箱故障检测装置，其特征在于，所述装置包括：
8.一种计算机设备，其特征在于，所述计算机设备包括：存储器和处理器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现权利要求
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现权利要求1至6任一项所述的方法。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至6任一项所述的方法。
...【技术特征摘要】
1.一种数控机床主轴变速箱故障检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述最优特征子集，训练最小体积覆盖椭球模型mvce，得到所述mvce的椭球中心向量和散布矩阵，包括：
3.根据权利要求1所述的方法，其特征在于，所述异常评分函数采用如下公式表示：
4.根据权利要求1至3所述的方法，其特征在于，所述对所述多个振动数据进行预处理，获得最优特征子集，包括：
5.根据权利要求4所述的方法，其特征在于，所述计算所述第一向量集合中每个特征向量的互相关系数，并基于所述互相关系数从所述第一向量集合中筛选出m个特征向量，包括：
6.根据权利要求5所述的方法，其特征在于，所述获...
【专利技术属性】
技术研发人员：张道德，李涛，吕畅，李森，尤敏志，侯越，
申请(专利权)人：湖北工业大学，
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。