[发明专利]数控机床主轴状态检测方法

说明书

技术领域

本发明属于机床故障诊断领域，特别是涉及一种数控机床主轴状态检测方法。

背景技术

数控机床是一种装有程序控制系统的自动化机床，该程序控制系统能够逻辑地处理具有控制编码或其他符号指令规定的程序，并将其译码，从而使机床动作对机械零件进行加工。数控机床主轴指的是机床上带动工件或刀具旋转的轴，通常由主轴、轴承和传动件如齿轮或带轮等组成主轴部件，除了刨床、拉床等主运动为直线运动的机床外，大多数机床都有主轴部件，主轴部件的运动精度和结构刚度是决定加工质量和切削效率的重要因素。衡量主轴部件性能的指标主要是回转精度、刚度和速度适应性，回转精度是指主轴旋转时在影响加工精度的方向上出现的径向和轴向跳动，主要决定于主轴和轴承的制造和装配质量；动、静刚度主要决定于主轴的弯曲刚度、轴承的刚度和阻尼；速度适应性是指允许的最高转速和转速范围，主要决定于轴承的结构和润滑，以及散热条件。

主轴运行性能的好坏是决定数控机床加工质量的重要关键因素，若安装调试或维修时，主轴箱内的传动部件（如齿形同步带、齿轮和联轴器等）参数调整不当，或由于使用中造成的部件变形、磨损等，都会造成主轴性能的下降，造成主轴在加工精度方向跳动超差，使得加工质量下降，加工精度超标，甚至完全不能加工零件，因此，保证主轴运行性能在良好状态是数控机床进行正常加工的先决条件，而对主轴的运行状态准确的监测，出现问题时能准确的诊断，对其运行精度进行预测是保证主轴运行性能良好的基础条件。

当前国内外对数控机床的监测和诊断技术，主要集中在数控机床的驱动部件、PLC控制逻辑以及电气故障等方面，对主轴的诊断和预测方面的研究和应用较少，一方面是由于主轴本身跳动量很小，一般在0.5～1微米之间，需要精度很高的位移传感器；另一方面需要在硬件和软件上保证测试的抗干扰能力强。

主轴的运行状态可以通过主轴的跳动量及振动情况、主轴箱的振动及温度情况反映出来，针对上述主轴头的实际情况，现有技术中主要通过ANN（Artificial Neural Networks，人工神经网络）、ES（Expert System，专家系统）或SVM(support vector machine，支持向量机)对数控机床进行故障诊断分析。

ANN的特点是建立模型相对容易，但需要进行参数区分，而且其神经网络的分层目前尚无指导方法，不容易得到最优化的层次，且收敛与否需要进行计算分析。

SVM的诞生为解决故障分类问题的解决开辟了新的途径，统计学习理论是在结构风险最小化原则的基础上,专门针对小样本的机器学习问题而建立的一套新的理论体系。目前,SVM多分类方法已经成功地应用到许多实际问题中,如文本识别、人脸识别、三维物体识别、语音识别、图像分类、基因序列分析等。

基于符号计算和推理的专家系统在过程故障诊断领域得到了广泛的应用，专家系统能够高效率、准确、周到、迅速和不知疲倦地进行工作，但是专家系统不能从诊断的实例中获得新的知识，存在知识获取的瓶颈，而且在知识的推理上，传统的专家系统采用串行方式，推理方法单一，控制策略不灵活，易出现匹配冲突、组合爆炸、无穷递归等问题。

支持向量机比神经网络具有较好的泛化推广能力,对于每个高维空间在此空间的映射,如何确定该映射也就是核函数现在还没有合适的方法,所以对于一般的问题,SVM只是把高维空间的复杂性的困难转为了求核函数的困难,而且即使确定核函数以后,在求解问题分类时,要求解核函数的二次规划,这就需要大量的存储空间,这也是SVM的一个问题,而人工神经网络系统恰好能够解决此问题，因此，如何巧妙地将专家系统、人工神经网络系统和支持向量机联合起来进行智能诊断，是本项目研究的核心问题。

因此本领域技术人员致力于开发一种数控机床主轴状态检测方法，能够融合专家系统、人工神经网络系统和支持向量机的诊断结果，从而提高数控机床故障诊断的准确性。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种能够融合专家系统、人工神经网络系统和支持向量机的诊断结果，从而提高数控机床故障诊断的准确性。

为实现上述目的，本发明提供了一种数控机床主轴状态检测方法，包括以下步骤：

步骤一、上位机采集传感器系统发出的信号；

步骤二、分析根据步骤一采集到的信号，确定故障特征参数；