[发明专利]基于反卷积成像的电主轴故障诊断方法和装置

说明书

本发明涉及一种基于反卷积成像的电主轴故障诊断方法和装置。包括：（1）通过麦克风阵列测量电主轴在相对应正常和故障状态下的声场信息成立正常和故障样本库；（2）利用波束形成算法对麦克风阵列采集得到的样本进行源像重构矩阵；（3）利用反卷积算法对声源面进行处理，确定噪声源具体所在位置；（4）根据声场的声压确定声源面重构矩阵的灰度等级，得到对应的声像灰度图；（5）结合声源面重构矩阵提取的奇异值特征和声像灰度图提取的灰度共生矩阵的纹理特征，输入卷积神经网络进行训练分类，得到该故障诊断模型。本发明兼顾了噪声源识别定位以及故障检测的特点，拓展了声像识别的应用场景。

技术领域

本发明属于声学成像及故障诊断领域，尤其是涉及一种基于反卷积成像的电主轴故障诊断方法和装置。

背景技术

电主轴作为高档数控机床的核心部件，其运行状态直接影响加工产品的质量和精度。电主轴常规故障有轴承预紧力过大导致主轴回转摩擦过大、主轴轴承损坏、主轴润滑油脏或有杂质、主轴传动齿轮磨损和主轴与床身连接的螺钉出现松动等故障，而目前对这些故障做出诊断主要是基于振动信号测量和分析的，但由于振动传感器在主轴设备上或工况环境中安装不便，使得基于振动信号的故障诊断方法的应用受到限制。电主轴是精密的高转速机电一体化产品，随着生产结构的需要越来越设计小型化和精密化，用传统的故障诊断方法难以诊断故障位置所在，并且振动特征不够明显难以进行实时诊断。机械噪声是机械振动通过弹性媒质向外界传播的结果，蕴含着丰富的机械状态信息，不同的故障类型往往伴随着不同的声压与频率，利用噪声信号进行故障诊断称为声学诊断技术，它具有非接触式测量和操作简单快捷的优点，并且能够准确定位故障位置，因此如何把声像物理特征用于传统的故障诊断方法，能够开拓新的声成像技术应用领域，为故障诊断技术提供新的思路。

电主轴不同位置处的噪声源相对应的主要声压和频段范围也不相同，但相同的是声像的分辨率越高与重构精度越好，描述出的机械状态信息就丰富。传统的波束成形算法得到的声像分辨率低，噪声源旁瓣过大，导致各声源信息相互重叠，造成机械状态信息诊断困难，效果差。因此有必要提出一种波束形成优化改进的方法提高声像分辨率和重构精度使得声像模式的故障识别更加精确。

电主轴故障工况众多且复杂，不同故障工况有其对应的故障特征，传统的机器学习方法比如贝叶斯模型，支持向量机算法等只能进行二分类，并且需要人工提取特征，不能对数据进行预处理，效率底下并缺乏优化反馈。而主轴的故障诊断往往是多分类问题，并且需要实施大规模样本训练，若构造多个分类器的组合则增加运算规模的同时降低运算精度，诊断模型改进困难，因此有必要提出一种解决多类分类问题同时自反馈改进网络结构的模型。

发明内容

本发明的目的是提供一种基于反卷积成像的电主轴故障诊断方法，以解决多类分类问题同时自反馈改进网络结构，其技术方案如下：

基于反卷积成像的电主轴故障诊断方法，其特征在于，包括：

(1)通过麦克风阵列测量电主轴在不同正常状态下声场信息建立正常样本库，测量电主轴在不同故障状态下声场信息建立故障样本库，作为状态学习样本；

(2)利用波束形成算法对所述状态学习样本进行源像重构矩阵；

(3)利用反卷积算法对声源面进行处理，确定噪声源具体所在位置；

(4)根据声场的声压确定声源面重构矩阵的灰度等级，得到对应的声像灰度图；

(5)结合声源面重构矩阵提取的奇异值特征和声像灰度图提取的灰度共生矩阵的纹理特征，输入卷积神经网络进行训练分类，得到最佳的识别特征和分类器参数，从而得到该故障诊断模型。

进一步地，在步骤(1)中，麦克风阵列传感器放置应与电主轴所在竖直平面平行。

进一步地，在步骤(2)中，每一个源像重构矩阵应分别对应一个样本。