[发明专利]滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质

说明书

本发明提供了一种滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质，其中方法包括：获取用于检测滚珠丝杠不同位置的多个传感器检测到的振动信号；基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重，其中，每个故障类型对应的一组所述多个传感器检测到的振动信号；将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型。本发明虑了不同传感器的数据对于相应故障的重要性，减小了重要性较低的数据对于故障类型贡献的不确定性，提高了模型诊断的准确率。

技术领域

本发明涉及检测技术领域，具体而言，涉及一种滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质。

背景技术

滚珠丝杠是数控机床等设备的重要传动部件，其健康状态对于设备的安全运行有着重要影响。滚珠丝杠系统主要包括驱动电机，联轴器，轴承支座以及丝杠三部分。每个部件发生故障都会影响到其正常运行。滚珠丝杠故障主要包括安装故障以及运行当中的故障。安装故障主要包括不对中，不平行以及螺栓松动等故障。这些故障如果不能及时发现，会造成丝杠的加速退化，严重情况下会造成安全事故。因此有必要对丝杠安装中的不对中故障以及螺栓松动故障进行诊断，保证丝杠安全有效运行。

目前滚珠丝杠的不对中故障以及螺栓松动故障主要通过人工识别的方式进行，通过观察频谱图中的特征频率并结合专业知识进行故障的诊断。发明人发现，大多数的研究是基于单通道振动传感器展开的，但是单一传感器受单源结构、安装位置的局限性难以对不同位置下的故障进行诊断。此外在一些多传感器数据融合故障诊断研究中，将多个传感器的数据进行融合，并进行特征提取结合机器学习的方法进行故障类型的识别，这种方式进行故障诊断仅仅将多源数据进行融合，没有考虑不同传感器的数据对于故障的贡献大小。

针对以上分析发现，目前丝杠故障诊断的方法多数是通过单一传感器实现的。单一传感器由于精度以及安装位置等受限因素，难以对较大位置尺度下的故障进行识别，比如安装在轴承支座上的传感器较难对跨度较大的另一端上的轴承的故障进行诊断。此外在识别阶段通过特征提取、特征选择并结合机器学习的诊断方式在特征处理上需要依靠专业经验进行判断，这种方式耗时耗力。

传统方法如专利《一种航空发动机轴承故障诊断方法》首先通过采集涡喷发动机的振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力5种信号；提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；然后分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；最后将融合后的特征参数作为分类器支持向量机的输入，对发动机故障进行分类识别。该方法为采用多源数据对单一部件进行诊断，没有考虑不同数据源的重要性信息，不适合多传感器不同位置部件故障的诊断，诊断结果不精确。

发明内容

本发明的主要目的在于提供一种滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质，以解决现有技术中没有考虑不同数据源的重要性导致诊断结果不精确的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种滚珠丝杠的故障诊断方法，包括：获取用于检测滚珠丝杠不同位置的多个传感器检测到的振动信号；基于预先设定的权重分配规则对每个故障类型对应的每个传感器检测到的振动信号分配权重，其中，每个故障类型对应的一组所述多个传感器检测到的振动信号；将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型。

可选地，所述将分配权重后的振动信号输入到预先训练好的神经网络模型中，识别出所述滚珠丝杠的故障类型，包括：所述神经网络模型基于分配的权重对每一组振动信号进行融合，提取每一组振动信号的信号特征；判断所述信号特征是否满足预设条件；当所述信号特征满足所述预设条件时，确定所述滚珠丝杠出现该组振动信号对应的故障。