基于滚道表面轮廓的滚珠丝杠副磨损状态识别方法

技术特征：
1.一种基于滚道表面轮廓的滚珠丝杠副磨损状态识别方法，其特征在于，所述方法包括以下步骤：步骤1，采集三个滚道位置处滚珠丝杠副丝杠滚道表面轮廓曲线，并对轮廓进行去除形状以及高斯滤波处理；步骤2，确定滚珠丝杠副磨损状态，将其作为标签；步骤3，综合统计分析、递归分析以及分形分析方法提取滚道表面轮廓的主要特征，包括粗糙度、最大峰谷高度、均方根、递归律、分形维数以及多重分形谱宽，构建带标签的混合特征集合；步骤4，评估混合特征集合中每个特征的重要性，之后根据重要性对混合特征集中的特征进行降序排列，提取包含原始信息超过p％的前m个特征构建新的混合特征集合；步骤5，建立基于遗传算法优化的支持向量机模型，对所述新的混合特征集合进行归一化处理并提取两个滚道位置的混合特征集，之后导入建立的模型中进行训练，根据遗传算法选取最佳惩罚因子c和核函数参数g，完成模型的训练；步骤6，将另一个滚道位置的混合特征集导入训练好的模型实现该滚道位置磨损状态识别，并将其与真实状态比较，获取模型的准确性；步骤7，针对待识别的滚珠丝杠副，执行步骤1、步骤3至步骤4，获得其不带标签的混合特征集合，之后利用训练好的模型识别滚珠丝杠副的磨损状态。2.根据权利要求1所述的基于滚道表面轮廓的滚珠丝杠副磨损状态识别方法，其特征在于，步骤1具体包括：选取匀速运行区域丝杠的三个滚道位置，对其进行刻痕标记处理；将滚珠丝杠副置于磨损试验台，在滚珠丝杠副运转前30万转时，每隔3万转停止试验台并拆下滚珠丝杠副，通过taylor hobson轮廓仪对其三个滚道位置进行表面轮廓曲线采集；在滚珠丝杠副运转30万转后，每隔6万转停止试验台并拆下滚珠丝杠副进行一次表面轮廓曲线采集；通过高斯滤波对表面轮廓曲线进行平滑处理，之后采取五次多项式方法对平滑处理后的曲线进行去除形状操作，最终导出所需的滚道表面轮廓曲线。3.根据权利要求1所述的基于滚道表面轮廓的滚珠丝杠副磨损状态识别方法，其特征在于，步骤2具体为：以滚珠丝杠副预紧力变化趋势的转折点为分界点，将滚珠丝杠副磨损状态按序划分为磨合磨损、稳定磨损和急剧磨损状态；依据当前滚珠丝杠副预紧力的变化趋势确定其磨损状态。4.根据权利要求1所述的基于滚道表面轮廓的滚珠丝杠副磨损状态识别方法，其特征在于，步骤3具体包括：步骤3-1，通过统计分析方法求解滚道表面轮廓曲线的粗糙度、最大峰谷高度以及均方根特征，所用公式为：rz＝z
max-z
min
其中，ra是粗糙度，rz是最大峰谷高度，rms是均方根，z
i
是第i个轮廓采样点的高度，z
min
和z
max
分别是最小轮廓高度以及最大轮廓高度，是轮廓的均值高度，n是采样率；步骤3-2，利用递归分析方法求解滚道表面轮廓的递归律，所用公式为：r
ij
＝|z
i-z
j
|ε＝0.5σr
ij
(ε)＝θ(ε-r
ij
))其中，rr为递归律，z
i
和z
j
均为轮廓高度，i,j＝1,2,...,n，r
ij
表示任意两点i，j之间的距离，r
ij
为矩阵的一个元素，σ为标准偏差，ε为阈值，θ(x)为heaviside函数。步骤3-3，求解滚道表面轮廓的分形维数，过程包括：利用w-m函数表征非线性的滚道表面轮廓，公式为：其中，1＜d＜2，γ＞1，d是分形维数，g是高度尺度系数，γ
n
是粗糙表面的频谱，n为采样率，n1是最小采样率，l是采样长度，通常γ＝1.5，z(x)是随机轮廓的高度，x为轮廓的位置坐标；w-m函数的功率谱函数表示为：定义z(x)的增量方差为结构函数，如下式所示：其中，τ＝nδl，δl是采样间隔；联立上式可得：其中c＝γ(2d-3)sin((d-1.5)π)/(4-2d)lnγ，γ(*)是gamma函数，对上式两边取对数得：
lgs(τ)＝(4-2d)lgτ lgc 2(d-1)lgg根据上式可得分形维数d为：其中，k为直线的斜率；步骤3-4，采用盒计数法计算滚道表面轮廓的多重分形谱，提取滚道表面轮廓数据最小值当做下限零以保证幅值全为正值，采用许多尺寸为ε'的小盒子覆盖滚道轮廓，0＜ε'＜1，总的轮廓高度s
i
(ε)表示当盒子尺寸为ε时第i个小盒子内所有轮廓幅值之和，则概率测度p
i
(ε)定义为：其中，∑s
i
(ε)为全部滚道轮廓数据幅值之和；在无标度区间内，p
i
(ε)也可写成指数形式：p
i
(ε)～ε
α
其中，α为奇异指数，用于反映p
i
(ε)的奇异强度；设具有相同奇异指数α的盒子数量为n
α
(ε)，则在无标度区间内n
α
(ε)写成指数形式：n
α
(ε)～ε-f(α)
其中，f(α)表示奇异指数α对应的分形维数，且f(α)越小，n
α
(ε)越小；定义多重分形的配分函数为χ
q
(ε)，其公式为：χ
q
(ε)＝∑p
i
(ε)
q
＝ε
τ(q)
其中，q为权重因子，τ(q)为质量指数；当ε
→
0时，τ(q)写为公式：联合α、f(α)和τ(α)三个参数并根据三者之间存在的legendre变换关系得：f(α)＝q
·
α(q)-τ(q)α和f(a)组成多重分形谱图；定义多重分形谱宽δα为：δα＝α
max-α
min
其中，α
min
和α
max
分别为最小奇异指数和最大奇异指数，δα表示序列的概率测度的不均匀性，对应表面轮廓高度的波动范围，波动范围越大，则δα越大；步骤3-5，联合三个滚道位置滚道表面轮廓的粗糙度、最大峰谷高度、均方根、递归律、分形维数以及多重分形谱宽，以及步骤2的标签，形成带标签的混合特征集合。5.根据权利要求1所述的基于滚道表面轮廓的滚珠丝杠副磨损状态识别方法，其特征在于，步骤4中采用基于袋外数据的随机森林算法评估混合特征集合中每个特征的重要性，
具体过程包括：建立总体数据集d，其包括m个样本和n＝6个特征组成；从数据集中独立抽样k次，每次抽样方式均为bagging重采样，每次随机抽取m个样本构成训练集s，即形成了k个相互独立的训练数据集，整个取样过程中未被抽到的数据称为袋外数据，即oob数据；对任意的训练数据集生成对应的单颗决策树，总共生成k颗决策树，每颗决策树通过oob数据集预测验证，预测结果为y
p
，真实值为y，取真实值与预测值的均方误差记为ε
mse
；对袋外数据n个特征中的某一特征n
i
添加噪声干扰，生成新的测试集，重新计算真实值与预测值均方误差，记为将特征变量n
i
对应的单颗决策树的重要性程度记为mse
i
，其值为遍历由k颗决策树形成的随机森林，得到特征变量n
i
在整个随机森林中的重要性程度，记为6.根据权利要求1所述的基于滚道表面轮廓的滚珠丝杠副磨损状态识别方法，其特征在于，步骤5从所述新的混合特征集合提取两个滚道位置的混合特征集并进行归一化处理，之后导入建立的模型中进行训练，根据遗传算法选取最佳惩罚因子c和核函数参数g，完成模型的训练，具体包括：步骤5-1，随机生成m1个个体作为初始种群，并对参数c和g进行编码，设置最大进化迭代次数为n1；步骤5-2，计算群体中每个个体的适应度；步骤5-3，对当前群体的最优个体进行解码处理，并判断其适应度是否满足条件或者是否达到种群最大进化迭代次数，若是，则转至步骤5-5，否则转至步骤5-4；步骤5-4，对参数c和g再次进行编码处理，对种群进行选择、交叉和变异操作，得到新的种群，转至步骤5-3；步骤5-5，输出最佳的参数c和g。7.根据权利要求6所述的基于滚道表面轮廓的滚珠丝杠副磨损状态识别方法，其特征在于，步骤5-2中适应度为滚珠丝杠副磨损状态识别的准确率，公式为：式中，fitness为适应度，s为数据样本识别正确的数量，t为数据样本的总数量。

技术总结
本发明公开了一种基于滚道表面轮廓的滚珠丝杠副磨损状态识别方法，包括：采集三个位置滚珠丝杠副丝杠滚道表面轮廓曲线，并对轮廓进行去除形状及高斯滤波处理；综合统计分析、递归分析以及分形分析方法提取滚道表面轮廓的主要特征，构建混合特征集合；通过随机森林法评估特征集合中每个特征的重要性，选取出包含95％信息的特征构建新的特征集合；建立基于遗传算法优化的支持向量机模型，利用两个滚道位置的混合特征集训练模型，根据遗传算法寻找最佳参数c和g；利用训练好的模型实现滚道位置磨损状态识别。本发明方法不仅可以克服传统上根据振动信号等手段识别滚珠丝杠副磨损状态存在的噪声干扰的缺点，而且该方法实用、便捷、精确度高、误差小。误差小。误差小。


技术研发人员：周长光 王立东 翟光钰 冯虎田 欧屹
受保护的技术使用者：南京理工大学
技术研发日：2022.08.12
技术公布日：2022/10/18