[发明专利]一种基于多源信息融合的智能主轴状态评估方法和系统

权利要求书

1.一种基于多源信息融合的智能主轴状态评估方法，其特征在于，包括如下步骤：

采集智能主轴运动的原始信号；

对采集的原始信号进行时域、频域、时频域相关特征分析，得到特征信息；

对特征信息进行融合处理；

建立概率神经网络诊断模型，基于融合处理后的特征信息进行分类，得到智能主轴状态的诊断结果。

2.根据权利要求1所述的基于多源信息融合的智能主轴状态评估方法，其特征在于，相关特征分析时，

时域分析包括峰值指标、均值指标、均方根的分析处理；

频域分析包括局部峰值谱、均值频率、均方频率的分析处理；

时频分析通过短时傅里叶变换来分析振动的时-频分布情况。

3.根据权利要求1所述的基于多源信息融合的智能主轴状态评估方法，其特征在于，对特征信息进行融合处理是采用改进DBSCAN聚类分析算法对特征信息进行融合处理；

融合处理时，首先，基于特征信息得到二维振动特征数据集，然后以二维振动特征数据集为输入值，得到的输出值为融合处理后的数据集和经聚类分析得到的Eps和MinPts参数。

4.根据权利要求3所述的基于多源信息融合的智能主轴状态评估方法，其特征在于，智能主轴状态的诊断过程为：

基于融合处理后的特征数据，并根据聚类分析得到的Eps和MinPts参数计算智能主轴的健康指标，然后将特征数据进行归类，形成多组样本集；

选取其中若干组为训练样本来构建概率神经网络诊断模型，剩余样本为测试样本，通过训练样本回代，查看网络的分类效果，并验证概率神经网络模型诊断精度，并根据测试结果是否达到预期要求进行调整，直至达到预期结果为止；

最后将剩余测试样本进行网络模型的诊断，进一步验证网络模型对智能主轴状态诊断的能力。

5.根据权利要求3所述的基于多源信息融合的智能主轴状态评估方法，其特征在于，智能主轴状态的诊断过程具体为：

S1、根据Eps和MinPts参数定义健康指数如下：

其中，D为采样点到核心对象距离的最小值；HI为健康指数，0≤HI≤100；

设定健康指数对应的健康状态编号；

S2、将输出的数据集进行健康指标分类，选择若干组样本作为概率神经网络诊断模型的输入值；

S3、将所有的健康状态编号作为概率神经网络诊断模型的输出值，得到状态分类结果。

6.根据权利要求1所述的基于多源信息融合的智能主轴状态评估方法，其特征在于，原始信号包括电源信号、传感器驱动信号、信号调理信号及信号存储信号；

原始信号在进行相关特征分析前首先进行去趋势处理。

7.一种基于多源信息融合的智能主轴状态评估系统，其特征在于，包括：

信号采集单元，用于智能主轴运动的原始信号；

特征信息提取单元，与信号采集单元相交互，用于对采集的原始信号进行时域、频域、时频域相关特征分析，得到特征信息；

信息处理模块，与特征信息提取单元相交互，用于对特征信息进行融合处理；

概率神经网络诊断模型单元，与信息处理模块相交互，用于建立概率神经网络诊断模型；

评估诊断模块，分别与概率神经网络诊断模型单元和信息处理模块相交互，基于概率神经网络诊断模型，结合融合处理后的特征信息，进行分类评估，得到智能主轴状态的诊断结果。

8.根据权利要求7所述的基于多源信息融合的智能主轴状态评估系统，其特征在于，信号采集单元包括电源信号采集模块、传感器驱动模块、信号调理模块和信号存储模块，分别采集电源信号、传感器驱动信号、信号处理信息和信号存储信息。