亚星游戏官网-www.yaxin868.com

专利名称：一种直线导轨副精度预测方法
技术领域：
本发明涉及机械系统状态监测与故障诊断领域，具体地讲，是一种直线导轨副精度预测方法。
背景技术：
直线导轨副主要由滑轨、滑块与及二者间的滚动体组成，是一种滚动导引，滚动体在滑块与滑轨之间作无限滚动循环，使得滑块上的负载平台能沿着滑轨轻易的以高精度作线性运动。近年来，随着国家装备制造业振兴规划和数控机床发展战略的实施，企业对数控机床的依赖程度越来越高。直线导轨副作为数控机床高精度定位的关键组成部件，其精度在一定程度上决定了数控机床的加工精度，是影响产品质量的关键因素。直线导轨副的精 度达不到要求时必须更换，但由于其备件周期长，会引起机床的长时间停机，给企业带来巨大的经济损失。同时，不能在线监测直线导轨副的精度，也不利于操作人员及时分析直线导轨副精度下降的原因，从而其操作及维修维护带有一定的盲目性，降低直线导轨副的使用寿命。

发明内容
本发明的目的是提供一种直线导轨副精度预测方法，该方法能够实现直线导轨副精度的在线预测，便于提前采购直线导轨副，以减少机床停机时间，降低企业损失，节约企业成本；同时，能及时提供直线导轨副的精度退化趋势，为操作人员分析、判断、维修维护提供有效的依据和指导，提高直线导轨副的使用寿命。本发明为实现其发明目的所采用的技术方案是一种直线导轨副精度预测方法，其步骤依次是(I)将精度满足要求的试验直线导轨副安装在导轨副性能退化试验台上；(2)模拟实际工况，对试验直线导轨副进行性能退化试验，在性能退化试验进行到设定的时间间隔时，用振动传感器采集试验直线导轨副的振动信号，振动信号经信号调理仪处理后通过数据采集设备送入计算机中；由计算机提取振动信号的归一化后的特征向量；再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后，得到当前时刻的试验直线导轨副的敏感特征向量；(3)暂停性能退化试验，检测试验直线导轨副的滑块移动对导轨基准面的平行度、滑块顶面与导轨基准底面高度的尺寸偏差、与导轨侧面基准同侧的滑块侧面与导轨侧面基准间距离的尺寸偏差、导轨上多个滑块的侧面与导轨侧面基准间距离的变动量，进而得出当前时刻试验直线导轨副的精度；(4)将当前时刻的试验直线导轨副的敏感特征向量作为具有联想记忆功能的精度退化神经网络的输入量，当前时刻的试验直线导轨副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量，对精度退化神经网络进行训练；
(5)重复步骤(2) 步骤(4)的操作，直至试验直线导轨副的精度降低至设定值，得到直线导轨副训练好的具有联想记忆功能的精度退化神经网络；(6)对规格、型号与试验直线导轨副完全相同的实际运行中的直线导轨副，用振动传感器采集实际运行中的直线导轨副的振动信号，振动信号经信号调理仪处理后通过数据采集设备送入计算机中；由计算机提取振动信号的归一化后的特征向量；再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后，得到当前时刻的直线导轨副的敏感特征向量；将直线导轨副的敏感特征向量输入到训练好的精度退化神经网络，即可输出直线导轨副的当前精度，从而实现直线导轨副精度的在线预测。与现有技术相比，本发明的有益效果是一、通过对试验直线导轨副在模拟工况下精度退化与振动信号的全过程监测，并将监测结果用于训练具有联想记忆功能的精度退化神经网络，从而较准确地得出直线导轨 副振动信号的敏感特征和精度之间的映射关系；进而将与试验直线导轨副相同型号规格的直线导轨副的当前振动信号的敏感特征输入到精度退化神经网络中，即可得到直线导轨副的当前精度，实现了直线导轨副精度的在线预测。可根据直线导轨副精度退化趋势，在精度值接近不能满足规定要求时，提前采购直线导轨副，以减少机床停机时间，降低企业损失，节约企业成本。二、采用具有联想记忆功能的神经网络建立直线导轨副的精度退化神经网络，学习是按局部方式修改网络响应曲面，知识被局部存储于局部化隐层基函数及相应连接权中，因此，采用具有联想记忆功能的神经网络建立直线导轨副的精度退化模型对前期及后期的输入均具有较好的识别率。既能提前预测直线导轨副的精度失效时间，还能及时提供直线导轨副的精度退化趋势，为操作人员分析、判断、维修维护提供有效的依据和指导，提高直线导轨副的使用寿命。上述(2)步中由计算机提取振动信号的归一化后的特征向量；再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩，得到当前时刻的试验直线导轨副的敏感特征向量的具体做法是对振动信号c (t)进行经验模态分解得到振动信号的内禀模态函数cv (t)，V是内禀模态函数的序号，选取前m = 2 100个内禀模态函数；再利用公式戽=￡j|cv(/)pi//求出第V个内禀模态函数的能量Ev ;将前m个内禀模态函数的能量构造出特征向量T = [E1,
E2,…，Em];再利用公式五=(^；|￡,.|2)〗及公式T' = [Ε/Ε，E2/E，…，Em/E]，对特征向量T
V=I
进行归一化处理，得到归一化后的特征向量T';再用主分量分析的方法对归一化后的特征向量T'内的特征数量进行压缩后，得到当前时刻的试验直线导轨副的敏感特征向量X = [Xi] (i I，2，···，P) ο这种方法的好处是采用经验模态分解方法对振动信号进行分解是一种自适应分解，信号频带的划分随信号本身的变化而变化，包含了信号从高到低不同频率段的成分，分解过程中保留了数据本身的特性，考察各内禀模态函数分量能量的变化能够全面获得各频带内隐含的故障特征信息。同时，机械设备的背景噪声往往比较大，在提取特征向量之前采用经验模态分解方法对振动信号进行分解，丢弃后面的低频段的内禀模态函数，有利于突出故障信息，提高信噪比。上述(4)步中具有联想记忆功能的精度退化神经网络的建立方法是a、确定坐标轴的个数坐标轴的个数等于上述⑵步得到的敏感特征向量X中的特征Xi的数量P ;b、内、外节点的划分对每个坐标轴根据先验知识划分节点，第i(i = 1,2,…，p)个坐标轴的内节点为rrl个(2 < ri < 50) ,χΓ1和片■分别为第i个坐标轴输入的敏感特征向量X中特征Xi的最小值和最大值，第i个坐标轴上的内节点入“(」=1，2，…，A-I)需满足以下关系χΡ<4,1<4,2<·*·<^_1<χΓ Ki-I个内节点将第i个坐标轴输入域[χ,划分为A个区间，第i个坐标轴上的第j个单变量区间用Iu表示
权利要求
1.一种直线导轨副精度预测方法，其步骤依次是 (1)将精度满足要求的试验直线导轨副安装在导轨副性能退化试验台上； (2)模拟实际工况，对试验直线导轨副进行性能退化试验，在性能退化试验进行到设定的时间间隔时，用振动传感器采集试验直线导轨副的振动信号，振动信号经信号调理仪处理后通过数据采集设备送入计算机中；由计算机提取振动信号的归一化后的特征向量；再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后，得到当前时刻的试验直线导轨副的敏感特征向量； (3)暂停性能退化试验，检测试验直线导轨副的滑块移动对导轨基准面的平行度、滑块顶面与导轨基准底面高度的尺寸偏差、与导轨侧面基准同侧的滑块侧面与导轨侧面基准间距离的尺寸偏差、导轨上多个滑块的侧面与导轨侧面基准间距离的变动量，进而得出当前时刻试验直线导轨副的精度； (4)将当前时刻的试验直线导轨副的敏感特征向量作为具有联想记忆功能的精度退化神经网络的输入量，当前时刻的试验直线导轨副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量，对精度退化神经网络进行训练； (5)重复步骤(2) 步骤(4)的操作，直至试验直线导轨副的精度降低至设定值，得到直线导轨副训练好的具有联想记忆功能的精度退化神经网络； (6)对规格、型号与试验直线导轨副完全相同的实际运行中的直线导轨副，用振动传感器采集实际运行中的直线导轨副的振动信号，振动信号经信号调理仪处理后通过数据采集设备送入计算机中；由计算机提取振动信号的归一化后的特征向量；再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后，得到当前时刻的直线导轨副的敏感特征向量； 将直线导轨副的敏感特征向量输入到训练好的精度退化神经网络，即可输出直线导轨副的当前精度，从而实现直线导轨副精度的在线预测。
2.根据权利要求I所述的一种直线导轨副精度预测方法，其特征在于所述(2)步中由计算机提取振动信号的归一化后的特征向量；再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩，得到当前时刻的试验直线导轨副的敏感特征向量的具体做法是 对振动信号c(t)进行经验模态分解得到振动信号的内禀模态函数Cv (t)，V是内禀模态函数的序号，选取前m = 2 100个内禀模态函数；再利用公式尽卩4求出第V个内禀模态函数的能量Ev ;将前m个内禀模态函数的能量构造出特征向量T = [E1,E2,…， m丄EJ ;再利用公式五= (ΣΙ尽 12) 公式T' = [E1A E2/E，…，Em/E]，对特征向量T进行归 V=I一化处理，得到归一化后的特征向量T';再用主分量分析的方法对归一化后的特征向量T'内的特征数量进行压缩后，得到当前时刻的试验直线导轨副的敏感特征向量X= [X1,X2,…，xp] = [Xi] Q = I，2,…，P)。
3.根据权利要求I所述的一种直线导轨副精度预测方法，其特征在于所述(4)步中具有联想记忆功能的精度退化神经网络的建立方法是 a、确定坐标轴的个数坐标轴的个数等于上述(2)步得到的敏感特征向量X中的特征Xi的数量P ； b、内、外节点的划分 对每个坐标轴根据先验知识划分节点，第i(i = 1,2,…，p)个坐标轴的内节点为Iri-I个(2 < ri < 50)分别为第i个坐标轴输入的敏感特征向量X中特征Xi的最小值和最大值，第i个坐标轴上的内节点XyU = 1,2,…，ri-l)需满足以下关系 χΓ<Α1<Α2<-<ΑΙ}.1<χΓ 个内节点将第i个坐标轴输入划分为A个区间，第i个坐标轴上的第j个单变量区间用Iij表示j _ |Μ:.Η A/) ./=1,2,···,/;■-I Vj[為'/-I,為'/] J=ri每个坐标轴的输入域[χΓ'χΓ 的两端点为外节点λ W，且其两端点的外侧还分别有 Iii-I 个外节点 Xi^j = -I,…，-kfl ;j = a+I,,!■i+ki-l) ,Iii 为第 i 个坐标轴 B 样条函数的阶数，且满足下列关系 .4'舟-".SKn 且X眶 C、单变量B样条基函数的计算 在第i个坐标轴的输入域[χΓ\λ·Γ 内，则以為=(χΓη =Λ,η<Λ,ι <*··<4,; =<ax)为节点序列构成ki阶单变量B样条基函数，可由递推公式计算bU^1)= x^k 把⑷= Λ . Λ — Λ. . */L · 一 Λ. . ； ,! M-I hj~kι'} /../-Α-+1 5u(^-) = {!) fe'人则丨;kU .^ki 式中OO表示第i个坐标轴上的第ji(ji = 1,2,,I'i-l+ki)个k阶单变量B样条基函数，k = Ici时，即为第i个坐标轴的Ici阶单变量B样条基函数碎^ (X); d、多变量B样条基函数的计算 多变量B样条基函数Nu由P个坐标轴上的单变量B样条基函数我1(\)的张量积构成，即 P N =TlMM) i=] 其中，u = 1,2,…，q;q为隐层多变量基函数的个数，且g = 7=1 e、精度退化神经网络的建立 将多变量B样条基函数Nu，根据式J =进行线性组合，即构成具有联想记忆功 W=I能的精度退化神经网络；式中，y表示神经网络的实际输出，Wu表示Nu对应的权值。
4.根据权利要求I所述的一种直线导轨副精度预测方法，其特征在于所上述对精度退化神经网络进行训练的具体做法是 将当前时刻的试验直线导轨副的敏感特征向量X作为具有联想记忆功能的精度退化神经网络的输入量，当前时刻的试验直线导轨副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量 ;按照式
全文摘要
一种直线导轨副精度预测方法，通过对试验直线导轨副在模拟工况下精度退化与振动信号的全过程监测，并将监测结果用于训练具有联想记忆功能的精度退化神经网络，从而较准确地得出直线导轨副振动信号的敏感特征和精度之间的映射关系；进而将与试验直线导轨副相同型号规格的直线导轨副的当前振动信号的敏感特征输入到精度退化神经网络中，即可得到直线导轨副的当前精度，实现了直线导轨副精度的在线预测。可根据直线导轨副精度退化趋势，在精度值接近不能满足规定要求时，提前采购直线导轨副，以减少机床停机时间，降低企业损失，节约企业成本。还能为操作人员分析、判断、维修维护提供有效的依据和指导，提高直线导轨副的使用寿命。
文档编号G01M13/00GK102879192SQ20121037251
公开日2013年1月16日 申请日期2012年9月29日 优先权日2012年9月29日
发明者高宏力, 张筱辰, 黄海凤, 郭亮, 许明恒, 燕继明, 郭志平, 陈晨, 赵彬 申请人:西南交通大学