一种基于性能退化模型的数控机床丝杠副寿命预测方法

摘要

一种基于性能退化模型的数控机床丝杠副寿命预测方法，即：采集振动信号并进行时频域分析，提取丝杠副性能退化敏感特征数据向量并以时间序列方式构成敏感特征矩阵；同时计算丝杠副负荷Pi，记录运行时间ti；根据Pi计算额定寿命时间Lhi及丝杠副在当前工况下已运行的总时间t’和期望剩余寿命LDi，将期望剩余寿命以时间序列方式构成期望剩余寿命向量T；再由双层动态模糊神经网络构成的退化模型对输入的敏感特征矩阵和期望剩余寿命向量之间的映射关系进行拟合并输出寿命预测结果。该方法考虑数控机床不同工况下丝杠副负荷变化对丝杠副性能退化的影响，实现丝杠副使用过程中剩余寿命的预测，预测精度高，实际使用价值高。

主权项

1.一种基于性能退化模型的数控机床丝杠副寿命预测方法，其步骤依次是：(1)振动信号采集  用振动传感器采集丝杠副的振动信号，振动信号经信号放大器放大后再通过采集卡送入机床PC端中控服务器进行处理；(2)振动信号时频域分析  机床PC端中控服务器对采集的振动信号进行滤波处理，再进行时频域分析得到时频特征数据；(3)时频特征数据提取  对得到的时频特征数据，采用主成分分析法提取出当前工况下对丝杠副性能退化敏感的特征数据向量，将当前工况及以前工况下的敏感特征数据向量以时间序列方式构成敏感特征矩阵，作为退化模型的一个输入量；(4)丝杠副负荷计算由加工参数计算得到当前工况下的切削力F_i：式中，下标i表示当前工况，a_pi表示背吃刀量，f_i表示进给速度，v_i表示切削速度，K_F表示修正系数，C_F为系数，x_F、y_F、n_F为指数；根据刀具下刀角度计算切削力在丝杠副轴向的分力：F_i’＝F_i·Φ(α_i)，式中，α_i为当前工况下的刀具下刀角度，Φ(α_i)为角度函数；并计算出丝杠副在当前工况下的轴向负荷F_ai：F_ai＝F_i’+μmg+f±ma，式中，μ为摩擦系数，m为工件与工作台总重，f为无负荷时的阻力，ma为加减速冲击，±表示丝杠副去程与返程时加减速冲击变向；同时记录当前工况下的累计运行时间t_i；(5)丝杠副期望剩余寿命计算将当前工况下丝杠副的负荷F_ai代入丝杠副经验寿命计算公式求得当前工况下以转数方式表示的丝杠副的额定寿命L_i，C_a表示额定动负荷，f_w表示负荷系数；并利用公式转换成额定寿命时间L_hi，式中，l表示丝杠副行程，l_s表示丝杠副导程，n表示每分钟往返次数；将前一工况下丝杠副已运行的时间t_i-1转换为当前工况下丝杠副已运行时间t’_i-1＝t_i-1^*F_ai-1/F_ai，则丝杠副在当前工况下的已运行的总时间为t’：其中k为工况序号；再将当前工况下的额定寿命时间L_hi减去当前工况下的已运行总时间t’得到当前工况下的期望剩余寿命L_Di，即L_Di＝L_hi-t′；再将当前工况及以前工况下的期望剩余寿命以时间序列方式构成期望剩余寿命向量T，作为退化模型的另一输入量；(6)丝杠副性能退化评估与剩余寿命预测退化模型由两个动态模糊神经网络(Dynamic Fuzzy Neural Network，DFNN)构成，一个DFNN网络用来在线训练拟合特征数据与期望剩余寿命之间的映射关系并输出寿命预测结果，另一个DFNN网络用于在线学习和权值更新；即：(3)步得到的振动信号特征矩阵与(5)步得到的期望剩余寿命向量同时输入退化模型，退化模型自动选择网络1进行训练以拟合输入的振动信号特征值与期望剩余寿命之间的映射关系，网络1训练好后输出预测剩余寿命结果，此时网络2处于备用状态；若预测剩余寿命结果与期望剩余寿命误差超过设定阈值，则将网络1的权值复制给网络2，网络1继续预测并输出预测剩余寿命结果，而网络2开始学习，快速训练网络得到新的权值，并把新的权值复制给网络1，网络1将得到的新权值覆盖原来的权值再进行寿命预测，直到预测剩余寿命结果与期望剩余寿命误差小于误差阈值，网络2即停止学习进入备用状态，网络1迅速恢复正常预测并输出预测剩余寿命结果。