故障状态监测的可视化方法

摘要

本发明涉及一种故障状态监测的可视化方法，具体步骤是：1)设定故障特征参数及矢量方向；2)确定合成矢量CF的位置；3)多个特征参数在二维平面上的可视化：由故障特征参数F＝{f1，f2，…，fn}的值不同，所确定的合成矢量CF的位置的不相同来实现多个特征参数在二维平面上的可视化。本发明用于数控机床操作者监测机床的异常工作状态，解决在缺乏异常工作状态监测样本的情况下，对数控机床的状态做出正确判别的问题。并且解决多故障特征参数的可视化问题，为数控机床状态的监测提供了新方法。该方法同样适用于其它设备状态的监测问题。

主权项

1.一种故障状态监测的可视化方法，其特征在于，具体步骤是：1)设定故障特征参数及矢量方向设故障特征参数为F＝{f₁，f₂，…，f_n}，XY平面坐标系的原点为(0，0)，每一个故障特征参数fi使用一个起始端点为原点的故障特征参数矢量来表示，其中i＝1，2，…，n；n个故障特征参数矢量方向，均匀地分布在XY平面上，其方向是固定的，而其长度取决于故障特征参数f_i的大小，其中i＝1，2，…，n，当故障特征参数个数为n个时，各个故障特征参数矢量的间隔角度为360°/n，以使其均匀地分布在XY平面上；故障特征参数矢量的排列顺序，则与故障状态监测的有效性相关，存在故障特征参数矢量优化排列顺序的确定问题，一旦确定了每个故障特征参数矢量的位置，由矢量合成算法，确定其合成矢量的位置；2)确定合成矢量的位置由矢量合成算法，确定其合成矢量的位置，用CF表示合成矢量：故障特征参数矢量表示为：${\bar{f}}_i=x_{i}i+y_{i}j---\left(1\right)$其中i＝1，2，…，n；与坐标轴X和Y的夹角分别为α_i和β_i，故障特征参数矢量的模：$f_i=\sqrt{{x_i}^2+{y_i}^2}---\left(2\right)$根据矢量合成算法，n个故障特征参数矢量的合成矢量CF表示为：$\mathrm{CF}={\bar{f}}_1+{\bar{f}}_2+···+{\bar{f}}_n=(x_1+x_2+···+x_n)i+(y_1+y_2+···+y_n)j---\left(3\right)$合成矢量CF的模：$\left|\mathrm{CF}\right|=\sqrt{{(x_1+x_2+···+x_n)}^2+{(y_1+y_2+···+y_n)}^2}---\left(4\right)$合成矢量CF与坐标轴X和Y的夹角分别为α和β，其中$\cos \alpha =\frac{x_1+x_2+···+x_n}{\left|\mathrm{CF}\right|}---\left(5\right)$$\cos \beta =\frac{y_1+y_2+···+y_n}{\left|\mathrm{CF}\right|}---\left(6\right)$3)多个故障特征参数在二维平面上的可视化由故障特征参数F＝{f₁，f₂，…，f_n}的值不同，所确定的合成矢量CF位置的不相同来实现多个故障特征参数在二维平面上的可视化；其中，故障特征参数矢量的排列顺序，直接影响着故障状态监测的有效性，需要确定故障特征参数矢量的优化排列顺序：根据模式识别理论，为了有效地监测数控机床的故障状态，应该使故障特征参数矢量的合成矢量位置为：当数控机床状态处于正常状态或故障状态时，故障特征参数矢量的合成矢量位置间的距离最小，即类内距离最小；而数控机床正常状态时，故障特征参数矢量的合成矢量位置与数控机床故障状态时，故障特征参数矢量的合成矢量位置间的距离最大，即类间距离最大；设数控机床正常状态时，所采集的m个故障特征参数样本为F_i＝{f_1i，f_2i，…，f_ni}，i＝1，2，…，m，根据m个故障特征参数样本，计算得到m个故障特征参数合成矢量为CF_i，i＝1，2，…，m，数控机床故障状态时，所采集的m个故障特征参数样本为F′_i＝{f′_1i，f′_2i，…，f′_ni}，i＝1，2，…，m，同样计算得到m个故障特征参数合成矢量为CF′_i，i＝1，2，…，m；CF_i与CF′_i分别表示为：CF_i＝X_ii+Y_ij  其中i＝1，2，…，m(7)CF′_i＝X′_ii+Y′_ij其中i＝1，2，…，m  (8)CF_i与CF′_i的类内距离分别为D₁₁与D₂₂，类间距离为D₁₂，根据模式识别理论，这些距离参数计算为：$D_{11}=\underset{i=1}{\overset{m-1}{\Sigma }}\underset{j=i+1}{\overset{m}{\Sigma }}\sqrt{{(X_i-X_j)}^2+{(Y_i-Y_j)}^2}---\left(9\right)$$D_{22}=\underset{i=1}{\overset{m-1}{\Sigma }}\underset{j=i+1}{\overset{m}{\Sigma }}\sqrt{{(X_i^{\prime }-X_j^{\prime })}^2+{(Y_i^{\prime }+Y_j^{\prime })}^2}---\left(10\right)$$D_{12}=\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{m}{\Sigma }}\sqrt{{(X_i-X_j^{\prime })}^2+{(Y_i-Y_j^{\prime })}^2}---\left(11\right)$因此，定义确定故障特征参数矢量优化排列顺序的目标函数为：$C=\frac{D_{12}}{D_{11}+D_{22}}---\left(12\right)$即通过包括遗传算法的优化算法，确定故障特征参数矢量的排列顺序，使得式(12)的C值为最大；当缺乏故障工作状态监测样本的情况下，无法计算D₂₂及D₁₂的值，此时应该使数控机床状态处于正常状态时，故障特征参数合成矢量位置间的距离最小，即定义$C=\frac{1}{D_{11}}---\left(13\right)$随着数控机床使用期的增加，一旦收集到故障工作状态的监测样本，应该利用式(12)计算C值，并重新确定故障特征参数矢量的排列顺序，使得C值为最大。