主轴振动信号采集与状态监测系统的开发

摘 要

　　为响应"中国制造 2025"规划，使中国制造走向智能制造的未来发展道路，数控机床作为"中国制造"的机械制造基础装备，正在进行全面的信息化升级，监测制造过程中的机床各部件信息。主轴作为机床关键部件，其健康状态决定了机床工作性能。主轴振动是主轴健康状态指标的重要影响因素，因此，要想提高机床制造过程工作性能，必须感知主轴振动信息，进行主轴振动在线监测。

　　制造过程中，数控机床主轴处于多刀多工序的多工况条件下，主轴振动具有不同的振动状态，且长期监测数据量大，因此，要实现主轴振动状态监测的目的，就需要解决振动原始数据量大、振动状态多且缺乏异常振动数据样本等问题。本文针对以上问题，从振动信息特征提取方法、主轴振动状态监测方法、机床主轴振动信号采集与振动状态监测系统实现进行研究，实现了机床工作过程中产生的大量主轴振动映射为主轴振动健康信息的目的，主要内容如下：

　　（1） 本文研究了机床主轴振动信号特征提取方法，解决机床主轴振动原始数据量大、信息含量大，不利于长期在线监测的问题。根据主轴振动特性，对振动信号进行 FFT 频域变换和趋势项消除处理，结合频谱分析和统计值分析，提取主轴振动信号局部峰值-中心频率谱参数，谱段子带总能量-质心频率谱参数和统计值特征参数，并通过主轴外壳振动仿真信号验证特征提取方法的有效性。

　　（2） 本文研究了基于概率神经网络（PNN）与相似度结合的在线振动状态监测方法，解决了主轴振动状态多且缺乏异常振动数据样本的问题。本文结合机床主轴振动状态特点，分析了振动状态模型数据集合结构，对模型数据集合进行归一化处理和基于 DBSCAN 聚类算法的异常数据处理。采用了基于标准偏差的振动特征离散度评估，基于欧式距离的振动可定义状态差异度评估。经过评估的模型数据集合结合多重 PNN 模型结构，构建多重 PNN 振动状态模型，进行状态识别与相似度计算，最后通过主轴外壳振动仿真信号验证了基于多重 PNN-相似度的振动状态在线监测方法的正确性。

　　（3） 开发了主轴振动信号采集与状态监测系统。基于 STM32 搭建了振动采集系统硬件，开发了 AD 采集、SPI 通信和基于 WIFI 通信的数据传输等程序；基于Qt 平台，开发了振动状态在线监测系统软件，实现了特征测试、状态构建、状态扩建和状态监测四个工作模式。最后测试了系统用于振动状态监测的有效性。

　　关键词：特征提取，PNN 模型，振动状态监测

ABSTRACT

　　In response to the "Made in China 2025" plan and to make China move towards the future development of intelligent manufacturing, CNC machine tools, as the basic equipment for "Made in China" machinery manufacturing, are undergoing comprehensive information upgrades to monitor the information of various machine tool components in the manufacturing process . As the key component of the machine tool, the spindle's health determines its performance. Spindle vibration is an important influencing factor of the spindle health status. Therefore, in order to improve the performance of the machine tool manufacturing process, it is necessary to perceive the spindle vibration information and carry out online monitoring of the spindle vibration.

　　During the manufacturing process, the spindle of the CNC machine tool is under the multi-tool and multi-process conditions. The spindle vibration has different vibration states and the amount of long-term monitoring data is large. Therefore, to achieve the purpose of spindle vibration state monitoring, it is necessary to solve the original vibration Problems such as large data volume, many vibration states, and lack of abnormal vibration data samples. Aiming at the above problems, this paper studies from the vibration information feature extraction method, spindle vibration state monitoring method, machine tool spindle vibration signal acquisition and vibration state monitoring system implementation, and realizes that a large number of spindle vibrations generated during machine tool work are mapped to spindle vibration health information The main contents are as follows:

　　（1） In this paper, the method of extracting the characteristics of the vibration signal of the machine tool spindle is studied to solve the problem of the large amount of raw data and large information content of the machine tool spindle vibration, which is not conducive to long-term online monitoring. According to the vibration characteristics of the main shaft, the FFT frequency domain transformation and trend term elimination processing of the vibration signal are combined with the spectral analysis and statistical value analysis to extract the local peak-center frequency spectrum parameter of the main shaft vibration signal, the total energy of the sub-band of the spectral segment-centroid frequency spectrum parameter and Statistical characteristic parameters, and the effectiveness of the feature extraction method is verified by the vibration simulation signal of the spindle shell.

　　（2） In this paper, an online vibration state monitoring method based on the combination of probabilistic neural network （PNN） and similarity is studied, which solves the problem of spindles with many vibration states and lack of abnormal vibration data samples. In this paper, combined with the characteristics of the vibration state of the machine tool spindle, the structure of the vibration state model data collection is analyzed, and the model data collection is normalized and the abnormal data processing based on the DBSCAN clustering algorithm. The dispersion evaluation of vibration characteristics based on standard deviation is used, and the evaluation of the difference in state of vibration based on Euclidean distance can be defined. After evaluating the model data set combined with multiple PNN model structure, the multiple PNN vibration state model is constructed to perform state recognition and similarity calculation. Finally, the spindle shell vibration simulation signal verifies the correctness of the online monitoring method of vibration state based on multiple PNN-similarity.

　　（3） Developed a spindle vibration signal acquisition and condition monitoring system. Based on STM32, the vibration acquisition system hardware was built, and programs such as AD acquisition, SPI communication and data transmission based on WIFI communication were developed; based on the Qt platform, the online monitoring system software for vibration state was developed to realize feature testing, state construction, state expansion Four working modes of condition monitoring. Finally, the effectiveness of the system for vibration state monitoring was tested.

　　Key words: feature extraction,PNN model,vibration condition monitoring

目 录

　　第一章 绪论

　　1.1 课题研究的背景与意义

　　智能制造是当代全球制造行业发展的未来趋势[1].随着德国"工业 4.0"概念的提出，全球各国纷纷提出类似的概念，如我国提出的"中国制造 2025",美国推出的"再工业化",其核心特征都是智能化和物联网。近年来，信息技术领域发展迅速，特别是人工智能、大数据、物联网、云计算等前沿科技不断实现工程化应用，进一步推进了以智能制造为目标的制造业的变革[2].当代制造业正不断的向着信息化、网络化、智能化、服务化和绿色化的方向发展 [3-6].先进装备制造业是我国"十二五"提出的要重点发展的新兴产业。在"十二五"规划期间，我国提出要优先发展高端制造装备。在重大科技专项的指引和推动下，我国的数控机床作为装备制造业的基础制造设备，正逐步进行信息化、智能化改造升级，不断提升数控机床制造过程性能。信息化是数控机床向自动化和智能化方向发展的技术基础，数控机床的信息化需要全面掌握数控机床在运行过程中的各项信息，并实时反馈至控制中心，达到对机床的各项性能进行在线监测的目的。

　　机床主轴是数控机床的关键子系统，主轴运行过程中的健康状态直接影响机床的加工质量与生产效率。因此，为提升数控机床主轴运行过程性能，保障加工质量与生产效率，需要对主轴运行过程进行在线监测[7-8].机床主轴在运行过程中时刻伴随着振动信息的产生，主轴振动含有大量主轴运行特征的信息[9-11],比如主轴系统自身的振动特性、主轴机械结构故障的产生和主轴系统性能退化等[12-13].

　　在不同工况下，主轴一旦产生不同于当前振动状态下的异常振动，都会对加工工件产生影响。因此，要想提高数控机床制造过程性能，必须要对主轴振动进行在线监测，获取不同工况下的主轴振动状态健康程度。

　　当前对于机床主轴振动信息的采集与分析，主要是为了研究机床主轴的动态特性、性能可靠性、健康状态评估、故障诊断和故障预警等[14-15].采用的主要监测方法是在实验室加速主轴性能退化，或模拟主轴故障，在整个过程中对主轴振动进行监测分析，这种方法无法用于实际数控机床制造过程。国内制造生产线采用主轴振动监测，较为常见的做法为，对振动信号进行采样并实时显示原始信息或经过信号处理，显示其特征信息。由于制造过程工况复杂，不同工况的振动状态特征不同，很难在不同状态下判断振动异常，所以这种常见的在线振动监测方法很难反映主轴振动状态的健康状况。因此，研究能够识别不同工况下主轴振动异常程度的监测方法就显得尤为重要。

　　围绕"十二五"规划中高档数控机床制造过程信息化升级，针对数控机床主轴振动状态的信息化，本课题旨在研究一种能够识别主轴振动状态并提供主轴振动健康程度信息的在线监测方法及其系统。目的是通过感知机床主轴的振动状态信息，分析主轴的健康状态，提升主轴运行过程性能，保障数控机床加工质量与工作效率。

　　1.2 国内外研究现状及其存在的问题

　　1.2.1 振动信号特征提取研究现状

　　机床主轴在运行状态下产生的振动属于旋转机械振动，旋转机械振动的实测原始信号通常都是伴随着随机的非平稳特性、有较大的背景噪声、多路信号混叠在一起的或有时变特性的信号，很难直接进行分析。要对振动状态进行分析，就需要对原始信号进行处理，并提取出振动状态对应的特征量，根据特征量分析出振动状态特征情况，获得有效的旋转机械振动状态信息。至今国内外已有大量学者投入到了振动信号特征提取的研究，并取得了大量的研究成果。在振动信号这方面研究的主要方法有时域分析法、频域分析法、时频域分析法。

　　时域分析方法主要是直接对振动信号的时间历程进行分析评估，评估的特征量可以按照有无纲量来划分，有纲量的特征值主要有：最大最小值、峰峰值、均值、方差、均方值、均方根等。无纲量的特征值有：峰值因子、脉冲因子、波形因子、裕度、峭度和偏度等。时域分析法是信号处理与特征提取比较简洁、直观的方法，当信号中含有周期成分、简谐成分和短时脉冲时比较实用。部分学者利用时域特征量对滚动轴承进行早期故障识别、诊断和寿命预测。张玉[16]利用一系列时域幅值参数特征量对滚动轴承早期故障进行监测和诊断，分析了包括均方根值、峰值、峭度、裕度、峰值因子、脉冲因子和波形因子等特征量在故障诊断中的敏感程度，得出了峭度的敏感程度高于其他指标的结论。练晓婷[17]利用峭度分析选取滚动轴承故障识别的振动频带。戴邵武等人[18]提取振动信号的时域特征，结合主成分分析的方法进行滚动轴承的寿命预测，结果显示时域特征融合可以有效表征轴承振动信号微弱变化趋势。赵柄锡等人[19]利用时域特征分析结合 SVM 模型，研究了转子系统的碰磨故障识别，并验证了其有效性。Yunhan Kim, Jungho Park,Kyumin Na 等人[20]通过时域特征量结合时域平均，进行机器人变速箱故障检测的研究。综上，时域分析方法用于周期信号中含短时脉冲等的振动信号的较多。但时域分析方法只能体现时域上的特征，不能获取原始信号频谱中包含的信息。

　　频域分析方法是将振动信号由时域表示方式通过傅里叶变换公式转换为频域表示方式，获取原始信号的频率谱信息，包括主频率、各谐波频率、对应幅值、相位、功率和能量等。傅里叶变换是频域分析方法的基础，为工程需要，傅里叶变换演变出了很多种方法，常用的有快速傅里叶变换、分数傅里叶变换和短时傅里叶变换等。Jianquan Shi, Gangquan Si 等人[21]提出了一种基于分数阶傅里叶变换（FrFT）的特征提取方法来估计管状球磨机的负荷，通过 FrFT 获得原始信号的多阶频谱，建立软感测模型，验证了频域特征用于建立模型来模拟磨机负荷数据的有效性。频域分析有多种方法，主要包括频谱分析、倒频谱分析、细化谱分析和包络谱分析等。在分析旋转机械振动信号中的故障成分时，包络谱分析应用的比较多，通常是机械系统的固有频率和低频故障成分混叠，利用包络谱分析，过滤高频信息，提取低频故障成分，进而提取故障特征频率。黄中华，谢雅等人[22]运用基于 Hilbert 变换的包络谱分析，对轴承的振动信号进行解调，在载波信号中提取调制信号，验证了基于 Hilbert 变换的包络解调技术应用于滚动轴承故障诊断的有效性。但在原始信号信噪比较低的条件下，包络谱分析就很难有效识别低频故障成分，一般都是结合其他分析手段，如共振解调法和倒频谱分析等方法，可以有效提高特征提取的精确度。王聪[23]结合 Hilbert 包络解调技术和倒谱分析，对齿轮箱的点蚀问题进行了诊断研究。验证了包络谱分析和倒频谱分析方法的有效结合对齿轮箱点蚀故障识别的有效性。Altmann[24]提出了包络自回归谱分析方法，并基于该方法对低速运动滚动轴承的故障严重性问题进行分析。但是频域分析方法也有其局限性，该方法是分析实测原始信号内所出现过的频率成分，无法识别信号所出现的瞬态频率变化的相关信息。

　　时频域分析方法主要是针对非平稳信号，特别是频率变化较频繁的振动信号。

　　时频分析可以识别信号频率分量，揭示其时变特征，并且是提取非平稳信号中包含的机械健康信息的有效工具。基于该方法可以获得实测原始信号在该段时间内的瞬时频率和对应的幅值，并且可以获取时域与频域的联合分布信息，进而实现时频滤波，高效、精确的获得振动状态的特征信息。迄今为止的研究已经提出了各种时频分析方法，并将其应用于机械故障诊断。其中包括线性和双线性时频表示（例如小波变换，科恩和仿射类分布），自适应参数时频分析（基于原子分解和时频自回归移动平均模型），自适应非参数时间-频率分析（例如，Hilbert-Huang变换，局部均值分解和能量分离）以及随时间变化的高阶谱。Feng Z, Liang M 等 人[25]对时频域分析方法做了很详细的总结，并通过实验验证了各个方法的有效性比较了各个方法的优缺点。Yang Y, Peng Z 等人[26]对参数化时频域分析（TFA）中的 TFA 参数化方法进行了综述，为研究人员在不同领域应用参数化 TFA 提供了参考和指导。比较典型的时频方法有 Wigner Ville 时频分布、短时傅里叶变换、小波变换、经验模态分解（EMD）等。EMD 方法对于非平稳振动信号处理有较好的效果。M. Amarnath, I. R 等人[27]采用 EMD 方法分解振动和声音信号以提取高阶统计参数，用于诊断斜齿轮齿上局部故障的严重性，比较了 EMD 的峰度值以及从振动和声音信号获得的峰度值，证明了基于 EMD 的技术的优越性。剡昌锋，吴黎晓等人[28]采用小波降噪和经验模态分解-支持向量机（EMD-SVM）结合的方法，对采集的原始信号进行处理与分析，进而对加工中心主轴系统进行监测和故障识别。

　　马富齐[29]采用复数据经验模态分解对风电机组振动信号进行特征提取，有效抑制了模态混叠现象，获取了较好的特征信息。但时频域分析方法需要有足够的数据驱动，适用于对大量数据的原始信号进行信号处理与特征提取。

　　近年来，有许多学者致力于时域、频域、时频域方法的整合与改进，以获得更好的信号处理与特征提取方法。Lei Y, Lin J 等人[30]通过将小波变换（WPT）引入谱峭度图分析中，作为过滤器过滤噪声，可以较好的获取故障特性，最后证明了该方法在滚动轴承故障特征分析和诊断故障中的有效性。Wang D, Peter WT 等人[31]将包络功率谱引入谱峭度分析，并证明该方法在滚动轴承故障检测中的有效性。

　　Wang Y, Liang M 等人[32]提出了一种自适应光谱峰度（SK）技术，即改进型谱峭度分析方法，自适应的确定带宽和中心频率的方法，用于滚动轴承的故障检测。

　　综上，对于振动信号的特征信息提取并没有固定的技术方法，在不同的工况环境和不同的信号采集对象情况下，需要采取不同的或者融合多种特征提取方法进行原始信号的分析。主轴在不同工况下，具有不同的振动特性，属于非稳定振动信号。在同一工况下，振动信号较为稳定。运行过程中的主轴振动可看作分段较稳定信号，现阶段多采用基于频域分析的特征提取方法进行稳定信号的研究。

　　1.2.2 机床主轴振动状态监测研究

　　现状机床主轴的状态监测，有助于保持机床主轴运行的有效性和最佳状态。对于机床主轴振动状态的监测，本质是机械状态的监测，监测内容一般包括：监测主轴系统的实时运行状态、系统的健康程度状态和系统机械的故障预测等。

　　在状态监测领域的研究，最早可以追溯到 20 世纪 60 年代末期。1967 年，美国宇航局建立了美国机械故障预防小组 MFPG（Machinery Fault Prevention Group），这标志了状态监测与故障诊断的领域已进入研究与应用阶段[33].Jay Lee [34]提出"近零故障"（Near-Zero Breakdown）理念，并由美国威斯康星大学联合多个大学，包括密歇根大学、密苏里科技大学、德州大学，还有工业界共同成立了 IMS（Intelligent Maintenance Systems,智能维护系统中心）。实现了对机械设备系统、制造生产线、风力发电系统、电动汽车等多个领域设备的状态监测与故障诊断。

　　欧洲国家在设备状态监测与故障诊断领域也有诸多研究与应用，如挪威的船舶监测诊断、瑞典的轴承诊断技术和英国发电机监测技术等[35-37].我国在机械设备状态监测和故障诊断技术研究始于 20 世纪 70 年代，主要是学习国外相关理论技术。

　　目前发展速度快，已有大量研究成果，广泛应用于矿山机械、冶金、石油、汽车和机械制造等领域[38].

　　当前的状态监测与故障诊断技术研究主要包括以下几个方面：

　　（1） 基于故障机理的状态监测与故障诊断研究，这个方面主要是通过理论研究分析和实验分析找出能反映监测状态和故障的参数化模型。Lin J 和 Dou C 等人[39]

　　研究了旋转机械的增量序列的缩放特性，引入了一种称为诊断线的概念，并从理论和数值上研究了诊断线的性能，开发了一种基于诊断线的旋转机械状态监测新标准。Lin J 和 Dou C[40]随后又研究了基于统计语言分析和加权相似度的旋转机械状态监测，作者将原始振动数据映射为二进制符号序列并利用统计语言方法进行分析，用文中定义的加权相似性度量建立参数化模型表征机械运行状态变化，最后使用变速箱和滚动轴承的振动数据验证了该方法的性能。

　　（2） 基于多传感器信号融合或信号特性分析的状态监测与故障诊断研究，主要是通过多种信号相互融合处理或根据单信号特性进行采集和分析处理，获得能表征设备状态和故障的信息。段礼祥、陈瑞典等人[41]根据振动信号的非平稳性设计了一种自适应采集算法，该算法通过突变检测模型对数据采集进行自适应调整，再通过对数据插值重构获得特征数据，最后通过离心泵振动信号验证了该方法的有效性。贾进林，林振昌等人[42]以工业机组为对象，采集振动数据，通过历史数据经验分析振动数据运行谱，预判其健康状态与故障。K. Gryllias, H. Andre 等人[43]

　　基于信号周期平稳性指标的泛化对周期非平稳信号进行分析，并基于该分析方法提出一种利用角速度平均算子估算角速度的方法，基于该方法提取振动信号瞬时旋转频率，最后通过采集变速条件下运行的风力涡轮机变速箱振动信号验证了该方法的有效性。Lei You, Jun Hu 等人[44]设计了一种新型的旋转机械振动信号故障诊断系统，可以准确地测量振动加速度和速度信号并分析振动信号的振动强度和分频幅度谱以监测和诊断机械故障。Jyoti K. Sinha 和 Keri Elbhbah[45]融合多个振动信号以获得一台机器的复合频谱，计算高阶频谱（HOS），以便有效管理振动数据并能进行振动状态监测。

　　（3） 基于振动信号特征提取的状态监测与故障诊断研究，通过对原始信号进行分析，提取和运行状态、故障等相关的信息特征，以达到状态监测和故障诊断的目的。窦春红[46]研究了基于奇异谱分解的滚动轴承微弱故障特征增强方法，通过仿真实验证明了该方法的有效性。Xiaomin Zhao, Tejas H. Patel 等人[47]提出了一种利用多元 EMD 和全谱提取故障信息的方法对旋转机械进行状态监测，基于互信息的准则选择信号本征模式函数（IMF），并从选定的故障敏感 IMF 提取全频谱特征，以获得多信号来源的联合信息，通过对转子装置中叶轮叶片后缘的损坏和转子-定子摩擦的监测实验验证了方法有效性。Kevin Bossley, R. Mckendrick 等人[48]利用小波包分析从健康涡轮轴振动数据提取频谱特征，使用贝叶斯推理的高斯模型对涡轮轴进行状态监测。

　　（4） 基于智能算法的状态监测与故障诊断研究，通过信号处理和特征提取方法与现代智能算法相结合或直接通过原始信息与智能算法结合的研究方法，主要包括：神经网络、支持向量机、遗传算法、隐马尔科夫模型等。Adrian Stetco, FatemeDinmohammadi 等人[49]综述了基于机器学习（ML）模型的风力发电机状态监测研究现状。Ruonan Liu, Boyuan Yang 等人[50]从理论背景和工业应用的角度对旋转机械故障诊断中的智能（AI）算法进行全面介绍，讨论了不同 AI 算法的优点，局限性，实际意义以及一些新的研究趋势。M.J. Gómez, C. Castejón 等人[51]将小波包变换与具有径向基函数结构的人工神经网络（RBF-ANN）相结合，基于该方法分析带有不同裂纹状态的钻机旋转轴振动信号，最后应用于对钻机旋转轴裂纹状态的监测验证了该方法的有效性。Qiang Miao 和 Viliam Makis[52]提出了一种具有自适应模型重估计算法的在线故障分类系统，基于振动信号的小波极大值的观测序列结合隐马尔可夫模型（HMM）实现对机械故障进行分类分析，并利用该方法开发在线故障分类系统。Aijun Hu, Zerui Bai 等人[53]基于工业设备多信息源多维特征提出HMM 多参数状态评估技术，该技术不仅可以评估机械的运行状况，而且可以反映出运行状况的变化。Wei Zhang, Xiang Li 等人[54]为了提高网络训练效率，提出了一种残差学习算法，应用于旋转机械状态监测和故障诊断。

　　1.2.3 目前存在的问题

　　数控机床主轴在运行状态下，经常处于多刀多工序的复杂工况，运行过程中主轴振动蕴含着大量的工况信息和自身的运行状态信息，加之主轴系统作为被监测的对象，在正常运行状态下具有使用寿命长、不易故障、不易性能退化和工况复杂等特殊性。所以对机床主轴进行振动状态监测的方法研究存在以下几个问题：

　　（1） 针对一个工件的整个工作过程中，主轴振动蕴含信息量大，数据量大，难以做全数据特征提取。运行状态下主轴振动包括：自身机械系统振动信息、机械结构健康状态信息、机械故障状态信息、工件振动信息和刀具振动信息等，若将整个工作过程作为一个工作周期，则难以实现针对性的数据处理和特征提取。

　　（2） 主轴运行工况复杂，可定义状态较多。主轴在多刀多工序的工况下，振动状态可根据空载、负荷量、转速、刀具和工序等定义状态，甚至根据精确度的需要可定义到每条数控程序作为运行的振动状态，在多状态下采用现有研究方法所提供的模型，如支持向量机、人工神经网络、深度学习网络和 HMM 等模型，需要大量不同状态下的训练样本，且出现新的状态时很难在现有模型上扩建模型。

　　（3） 主轴与刀具不同，属于非易损件，缺乏工况条件下的健康状态与故障数据。

　　刀具可以通过实验，加速其寿命损耗获取磨损和性能退化数据，或模拟工况条件下的故障试验，以获得故障模式数据，从而建立基于数据驱动的智能监测与诊断模型。但正常工况下，主轴不易损耗和发生故障，且主轴运行工况复杂，很难通过试验模拟工况下的损耗和故障，所以难以获取大量健康状态与故障模式数据。

　　综上所述，目前对于机床主轴振动的监测存在振动蕴含信息量大、原始数据量大、机床主轴振动状态较多、缺乏工况条件下的完整样本数据等问题。

　　1.3 本文研究的主要内容及其结构

　　本课题根据振动信号特征提取和数控机床主轴振动状态监测方法的研究现状和目前存在的问题，结合信号处理与特征提取算法、机器学习算法、传感器技术、集成电路技术和软件开发技术等，以五轴数控机床主轴振动为研究对象，主要研究了基于频谱特征提取的数控机床主轴的振动状态长期在线监测方法，搭建了振动采集节点并开发了采集程序，开发了振动状态监测系统。主要研究内容如下：

　　（1） 本文采用基于快速傅里叶变换（FFT）频域分析的主轴实测信号频谱特征提取方法，提取主轴振动特征，准备解决主轴振动原始数据量大、信息量大的问题。本文采用 FFT 对实测信号进行频谱预处理分析；再对频谱进行局部峰值-中心频率特征提取，谱段分割后的子带能量谱-中心频率特征提取，频域统计值特征提取；最后进行主轴振动频谱特征提取的方法有效性验证。

　　（2） 本文采用基于概率神经网络-相似度计算（PNN-S）的主轴振动状态监测方法，准备解决机床主轴振动状态较多、缺乏工况条件下的完整样本数据的问题。

　　主轴振动可定义状态多，PNN 基于数据驱动的智能算法模型可实现多状态建模与识别，具有很高的灵活性。基于已识别状态进行状态健康程度计算，获取健康值。

　　该方法首先对被定义的状态采集振动信号并进行频谱特征提取；获得多段特征样本以后进行特征的离散性、有效性、单个样本有效性评估；再基于改进的多重 PNN利用多维特征样本进行振动状态度量模型的建立；最后，在监测的过程中基于已识别模型对特征样本进行相似度计算，获得当前状态健康程度的监测参考值。

　　（3） 为了达到 PNN-S 主轴振动状态监测方法用于主轴在线监测的目的，本课题进行主轴振动信号采集与振动状态监测系统开发。为实现振动信号在线采集并输入监测系统，研究并搭建振动信号无线采集节点硬件系统，采集节点主要包括：

　　电源模块、IEPE 传感器接口电路（恒流源模块），RC 隔直模块、放大器模块、滤波器模块、ADC 模块、MCU 模块、无线通信模块。MCU 模块采用的是 STM32,基于 STM32 进行了采集程序的分析与设计，主要包括 ADC 转换程序、SPI 通信程序、定时器中断服务程序（采集程序）；基于主轴振动的频谱特征提取和状态监测方法，开发了振动状态监测系统，该系统主要包括四个部分：通信接口部分、可调参数部分、工作模式部分、监测选项部分。

　　本课题研究的主要内容及其结构如图 1-1 所示。

　　根据图 1-1 可知，第一章是绪论部分；第二章是主轴振动信号频谱特征提取方法的研究与基于仿真数据的方法验证；第三章是基于第二章的振动频谱特征提取方法，获取频谱特征作为振动状态模型数据集合的数据组成，进行基于 PNN-S 的主轴振动状态监测方法的研究；第四章是在第二章、第三章的方法基础上进行主轴振动信号采集与状态监测系统开发；第五章是对全文的总结与本文研究的展望。

　　第二章 机床主轴振动信号频谱特征提取方法
　　2.1 振动信号特征提取方法相关理论
　　2.2 机床主轴振动信号特征及其预处理分析
　　2.2.1 机床主轴振动信号特征分析
　　2.2.2 基于 FFT 的频谱预处理
　　2.3 振动信号频谱特征提取
　　2.3.1 局部峰值特征提取
　　2.3.2 谱段分割特征提取
　　2.3.3 统计值特征提取
　　2.3.4 机床主轴振动信号的特征提取方法验证
　　2.4 本章小结

　　第三章 基于 PNN-相似度的机床主轴振动状态监测方法
　　3.1 主轴振动状态模型及度量模型数据分析
　　3.2 模型数据预处理
　　3.2.1 归一化处理
　　3.2.2 基于 DBSCAN 聚类算法的异常数据处理
　　3.3 振动状态模型数据多维特征与状态的评估方法
　　3.3.1 基于标准偏差的特征离散度评估
　　3.3.2 基于欧式距离的状态差异度评估

　　3.4 基于多重 PNN-相似度的振动状态监测
　　3.4.1 基于 PNN 的振动状态模型
　　3.4.2 多重 PNN 振动状态识别
　　3.4.3 基于多重 PNN-相似度的振动状态监测算法
　　3.5 主轴振动状态多重 PNN-相似度监测方法验证
　　3.6 本章小结

　　第四章 机床主轴振动信号采集与状态监测系统开发
　　4.1 采集与监测系统功能需求分析与整体框架设计
　　4.1.1 系统设计功能需求
　　4.1.2 系统整体框架
　　4.2 振动信号采集系统硬件搭建与程序设计
　　4.2.1 振动传感器选型
　　4.2.2 相关模块搭建
　　4.2.3 采集系统软件设计与实现

　　4.3 主轴振动状态监测系统开发
　　4.3.1 监测系统界面设计
　　4.3.2 监测系统底层实现
　　4.4 主轴振动信号采集与状态监测系统测试
　　4.4.1 采集系统数据传输测试
　　4.4.2 监测系统功能测试
　　4.5 本章小结

第五章 总结与展望

　　5.1 总结

　　主轴振动状态的健康程度是数控机床加工过程状态的最直接反映，主轴异常振动可导致机床主轴加工过程质量不佳，效率低下。因此，要想提高主轴运行过程性能，必须对主轴振动状态进行监测，感知主轴振动信息。数控机床主轴在运行状态下，经常处于多刀多工序的复杂工况，在不同的工况下，主轴振动具有不同的时频特性，因此对主轴振动进行长期在线监测，亟需解决主轴振动信息和数据量大、可定义振动状态多和缺乏异常振动数据样本的问题。

　　本文以数控机床主轴为对象，采用了振动信号的频谱特征提取方法，对振动信号进行特征提取，提取特征信息并输入监测模型进行监测，大量减少了振动原始数据量；基于振动信号频谱特征提取的振动状态序列样本，组成振动状态模型数据集合，并结合多重 PNN-相似度构建主轴振动状态模型，进行主轴振动状态识别与监测，解决了主轴振动状态较多，缺乏异常振动数据样本的问题；最后基于主轴振动信号频谱特征提取方法和状态监测方法开发了主轴振动信号采集与状态监测系统，并对系统进行了功能测试。本文主要工作总结如下：

　　（1） 研究了基于频谱特征提取方法，解决了主轴振动原始数据量大的问题。首先分析了振动信号特征提取方法的相关理论；通过对机床主轴振动状态的影响因素和振动特性的分析，研究了主轴振动特征，确定了振动特征分析方法，并结合FFT 方法进行频谱预处理；提出了振动信号的频谱特征提取方法，该方法包括对振动频谱进行局部峰谱段处理，提取局部峰值-中心特征频率特征参数，基于局部峰谱对振动频谱进行谱段分割，提取分割后子带总能量-质心特征频率参数，基于振动频谱，提取统计特征参数，并研究了该方法的相关算法；最后通过主轴外壳振动模拟信号进行了振动信号频谱特征提取方法的仿真验证，验证结果表明了该方法用于主轴振动特征提取的有效性，为振动状态序列样本数据提供了简单高效的处理方法。

　　（2） 研究了基于多重 PNN-相似度的振动状态监测方法，解决了主轴振动状态多，缺乏异常振动数据样本的问题。以主轴振动状态为研究对象，分析了主轴振动状态模型数据集合、度量模型数据集合和状态监测数据集合，并构建了振动状态模型数据集合结构；分析了振动状态模型数据集合的预处理方法，包括采用归一化方法对数据集合进行标准化，采用基于 DBSCAN 聚类算法对数据集合的异常数据进行处理；分析了 PNN 的相关理论，结合振动状态模型数据集合改进了 PNN的模型结构，并研究了基于多重 PNN-相似度振动状态监测方法流程的相关算法；最后通过主轴外壳振动模拟信号进行了监测方法的仿真验证，验证结果表明了该方法用于主轴振动状态识别与监测的有效性。

　　（3） 开发了主轴振动信号采集与状态监测系统。首先分析了采集与监测系统的功能需求；根据振动信号采集系统的功能需求搭建了硬件模块，基于 STM32 开发了采集程序；根据振动状态监测系统的功能需求，基于 Qt 应用程序开发平台，开发了基于振动信号频谱特征提取方法和多重 PNN-相似度的状态监测方法的状态监测系统，实现了主轴振动的特征测试、状态模型构建、状态模型扩建、状态识别与监测等工作模式；通过系统测试，表明了该系统用于主轴振动状态监测的有效性。为主轴连续长期的振动状态监测提供了有效的解决方案。

　　5.2 展望

　　本课题研究的核心是数控机床主轴振动状态的在线监测方法问题。本文针对主轴振动信号监测，研究并采用了基于振动信号频谱特征提取和多重 PNN-相似度振动状态监测的方法，并开发了对应的振动信号采集与状态监测系统。但由于个人时间、精力等原因，研究内容有限，在此对于主轴振动信号采集与状态监测工程实现的后续工作进行展望：

　　（1） 本文中采集系统硬件采用模块化搭建，并未进行小型化集成，在工厂数控机床加工过程中，对主轴振动信号的采集不易完成，后续工作需要对采集系统硬件进行小型化集成并设计出适合安装在主轴上的装置，使系统硬件适宜对主轴加工过程中的振动信号采集。

　　（2） 监测系统测试中，机床主轴振动已定义状态较少，状态样本较少，后续工作还需要根据工程实际，进行更多的复杂工况振动状态定义与对应的振动信号样本采集，以补充监测系统的实用性论据。

致 谢

　　时光荏苒，光阴如梭，转眼间三年的研究生生涯即将成为过去。遥想三年前，我满怀激动与憧憬，来到心仪的电子科技大学，这三年来受益匪浅，感触不少。

　　三年的求学之路充满波折、煎熬和喜悦，最有幸遇到老师们和同学们的陪伴与关怀，亲人和爱人的理解与支持，在此，向你们表示最最真心诚意的感谢！

　　在三年光阴里，杜丽老师作为我的研究生导师，在生活中给予我帮助，在学习上给予我关怀和指导。在每隔一周的团队汇报中，杜老师都会对我的课题研究作细心指导，在我为课题研究而感到迷惘的时候，为我指明方向，答疑解惑。正是在杜老师的悉心督导之下，我才能在研究生生涯中获得更快的成长与进步。在此，我真诚的向您说一声：杜老师，谢谢您！这三年里，您辛苦了！

　　在进入教研室学习和研究的这段时间里，非常感谢丁杰雄老师、王伟老师、黄智老师、蒋劲茂老师等几位老师在每周团队汇报中对我课题研究进展的指导与帮助，特别是丁老师在我们每次汇报研究路线与进展时都能提出独到的见解和远瞻的思维，为我们的课题研究提供正确的方向。蒋老师在我课题研究的调研时期经常为我做出及时的指导，王老师经常为我提供课题研究的前沿信息，和我悉心探讨我的课题研究进展方向。老师们对学生严格要求和中肯建议，使我对学习和研究工作有了更高的认知和更严谨的思维。特此，对教研室的老师们表示衷心的感谢！

　　感谢教研室的各位师兄师姐师弟师妹，感谢你们的陪伴与相互鼓励，使得我的研究生生活有了更多的欢乐与欣喜！

　　此外，我也要感谢一直给予我理解、帮助和支持的家人们和爱人，你们是我一直向前的动力源泉！

　　最后，非常感谢参与论文评阅和答辩的老师们，感谢您们能在百忙之中抽出时间对学生的论文和答辩进行耐心指导！

　　参考文献
　　[1] 侯志霞，邹方，王湘念，吕瑞强。关于建设航空智能生产线的思考[J].航空制造技术，2015, 24（08）：50-52
　　[2] 单继东，曹增义，王昭阳。航空发动机制造企业智能工厂建设[J].航空制造技术，2018, 61（15）：70-77
　　[3] 李伯虎，张霖，王时龙等。云制造-面向服务的网络化制造新模式[J].计算机集成制造系统，2010, 16（01）：1-7
　　[4] 李伯虎，张霖，任磊。再论云制造[J].计算机集成制造系统，2011, 17（03）：449-457
　　[5] 李伯虎，张霖，任磊。云制造典型特征关键技术与应用[J].计算机集成制造系统，2012, 18（07）：1345-1356
　　[6] D. Wu, M. J. Greer, D. W. Reson. Cloud manufacturing: strategic vision and state-of-the-art[J]. Journal of Manufacturing Systems, 2013, 19（05）：1078-1084
　　[7] 朱文营。加工中心主轴在线检测技术研究[D].山东： 山东大学， 2012.
　　[8] 张心羽。基于过程数据分析的数控机床状态预测及故障预警研究[D].四川：电子科技大学， 2017
　　[9] 万海波，杨世锡。基于 HHT 的数控机床主轴振动监测系统的研制[J].振动与冲击，2014, 33（06）： 48-52
　　[10] W. Chen, Z. Yang, C. Chen. Health Condition Evaluation Method for Motorized Spindle Based on Rotation Error and Vibration[J]. Institute of Electrical and Electronics Engineers Inc, 2018, 38（04）：11-15
　　[11] 刘颉。基于振动信号分析的旋转机械故障诊断方法研究[D].武汉：华中科技大学，2018
　　[12] 周大帅。高速电主轴综合性能测试及若干关键技术研究[D].北京：北京工业大学，2011
　　[13] 董新峰，李郝林，余慧杰。基于最大熵原理与鉴别信息的机床主轴系统退化分析[J].振动与冲击，2013, 32（05） : 62-64
　　[14] 陈超。高速电主轴动态加载可靠性试验及其故障诊断研究[D].吉林：吉林大学，2016
　　[15] 黄伟迪。高速电主轴动力学建模及振动特性研究[D].浙江：浙江大学，2018
　　[16] 张 玉 . 基于 振动 幅 域参数 指 标的 滚动 轴 承 故障 诊 断 [J]. 机 械制 造与 自动 化 ,2011, 40（03）：47-51
　　[17] 练晓婷。旋转机械故障早期识别方法研究与应用[D].大连理工大学，2013
　　[18] 戴邵武，陈强强，丁宇。基于时域特征的滚动轴承寿命预测[J].计算机测量与控制，2019, 27（10）：60-63.
　　[19] 赵柄锡，冀大伟，袁奇，李浦，葛庆。基于时域与时频域联合特征提取和可分度分析的转子系统碰磨故障诊断[J].西安交通大学学报，2019, 89（03）：1-5
　　[20] Yunhan Kim, Jungho Park, Kyumin Na, Hao Yuan, D. Youn, Chang-soon Kang. Phase-based time domain averaging （PTDA） for fault detection of a gearbox in an industrial robot using vibration signals[J]. Mechanical Systems and Signal Processing, 2020, 138（02）：145-153
　　[21] Jianquan Shi, Gangquan Si, Shuiwang Li, Babajide Oresanya, Yanbin Zhang. Feature extraction based on the fractional Fourier transform for vibration signals with application to measuring the
　　load of a tumbling mill[J]. Control Engineering Practice, 2019, 84（09）：238-246
　　[22] 黄中华，谢雅。基于 Hilbert 变换的滚动轴承内环和外环故障诊断[J].中南大学学报（自然科学版），2011, 42（07）：1992-1996
　　[23] 王聪。基于 Hilbert 解调及倒谱的齿轮箱点蚀故障诊断研究[J].电力科学与工程，2011, 27（03）：36-40
　　[24] J. Altmann, J. Mathew. Multiple band-pass autoregressive demodulation for rolling-element bearing fault diagnosis[J]. Mechanical systems and signal processing, 2001, 15（05）：963-977
　　[25] Zhipeng Feng, Ming Liang, Fulei Chu. Recent advances in time–frequency analysis methods for machinery fault diagnosis: A review with application examples[J]. Mechanical Systems and Signal Processing, 2013, 38（01）：165-205
　　[26] Y. Yang, Z. Peng, Wenming Zhang, Guang Meng. Parameterised time-frequency analysis methods and their engineering applications[J]. Mechanical Systems and Signal Processing, 2019, 64（06）：182-221
　　[27] M. Amarnath, I. R. Praveen Krishna. Local fault detection in helical gears via vibration and acoustic signals using EMD based statistical parameter analysis[J], Measurement, 2014, 58（10）：154-164
　　[28] 剡昌锋，王伟，王慧滨，朱涛，吴黎晓。基于 EEMD-SVD 与时域分析的马田系统轴承故障诊断[J].兰州理工大学学报，2019, 45（03）：39-45
　　[29] 马富齐。基于复数据经验模态分解和随机森林理论的风电机组多域特征故障诊断研究[D].西安理工大学，2019
　　[30] Y. Lei, J. Lin, Z. He, Y. Zi. Application of an improved kurtogram method for fault diagnosis of rolling element bearings[J]. Mechanical Systems and Signal Processing, 2011, 25（5）：1738-1749
　　[31] D. Wang, W. T. Peter, K. L. Tsui. An enhanced Kurtogram method for fault diagnosis of rolling element bearings[J]. Mechanical Systems and Signal Processing, 2013, 35（1）：176-199
　　[32] Y. Wang, M. Liang. An adaptive SK technique and its application for fault detection of rolling element bearings[J]. Mechanical Systems and Signal Processing, 2011, 25（5）：1750-1764
　　[33] 何正嘉，陈进，王太勇。机械故障诊断理论及应用[M].北京： 高等教育出版社，2010
　　[34] S. K. Hot Technologies[J]. Fortune Magazine, 2002, 23（11）：158-162
　　[35] J.J.Kruzic.Predicting Fatigue Failures[J]. Science, 2009, 325（5937）： 156-158
　　[36] 何慧龙。机电设备微弱特征提取与诊断方法研究[D].天津： 天津大学，2006
　　[37] G. Rigatos, P. Siano. Power transformers'condition monitoring usingneural modeling and the local statistical approach to faultdiagnosis[J]. International Journal of Electrical Power and EnergySystems, 2016, 26（12）：148-155
　　[38] 吴秀星，关佳亮。旋转机械故障诊断与状态监测发展综述[J].设备管理与维修，2018, 44（10）： 170-173
　　[39] J. Lin, C. Dou, The diagnostic line: A novel criterion for condition monitoring of rotating machinery[J]. ISA Transactions, 2015, 59（07）： 232-242
　　[40] J Lin, C Dou. A novel method for condition monitoring of rotating machinery based on statistical linguistic analysis and weighted similarity measures[J]. Journal of Sound and Vibration, 2017, 390, 27（14）： 272-288
　　[41] 段礼祥，陈瑞典，张来斌，秦天飞，王宁。机械设备振动监测的自适应变采样算法研究[J].仪表技术与传感器，2019, 56（07）： 121-126
　　[42] 贾进林，林振昌，刘立强。基于振动监测工业机组状态的方法[J].中国新技术新产品，2019, 33（13）： 74-75
　　[43] K. Gryllias, H. Andre, Q. Leclere, J. Antoni. Condition monitoring of rotating machinery under varying operating conditions based on Cyclo-Non-Stationary Indicators and a multi-order probabilistic approach for Instantaneous Angular Speed tracking[J]. IFAC-PapersOnLine, 2017, 50（01）：4708-4713
　　[44] Lei You, Jun Hu, Fang Fang, Lintao Duan. Fault Diagnosis System of Rotating Machinery Vibration Signal[J]. Procedia Engineering, 2011, 15（04）：671-675
　　[45] K. Jyoti. Sinha, Keri Elbhbah. A future possibility of vibration based condition monitoring of rotating machines[J]. Mechanical Systems and Signal Processing, 2013, 34（02）：231-240
　　[46] 窦春红。风电齿轮箱运行状态监测与故障诊断[D].北京交通大学，2019
　　[47] Xiaomin Zhao, H. Tejas, J. Zuo. Multivariate EMD and full spectrum based condition monitoring for rotating machinery[J]. Mechanical Systems and Signal Processing, 2012, 27（11）：712-728
　　[48] Kevin Bossley, R. Mckendrick, C. J. Harris, C. Mercer. Wavelet Packet Analysis in the Condition Monitoring of Rotating Machinery[J]. IFAC Proceedings , 1998, 31（29）：89-94.
　　[49] Adrian Stetco, Fateme Dinmohammadi, Xingyu Zhao, Valentin Robu, David Flynn, Mike Barnes, John Keane, Goran Nenadic. Machine learning methods for wind turbine condition monitoring: A review[J]. Renewable Energy, 2019, 133（15）：620-635
　　[50] Ruonan Liu, Boyuan Yang, Enrico Zio, Xuefeng Chen. Artificial intelligence for fault diagnosis of rotating machinery: A review[J]. Mechanical Systems and Signal Processing, 2018, 108（22）：33-47
　　[51] M. J. Gómez, C. Castejón, J. C. García-Prada. Automatic condition monitoring system for crack detection in rotating machinery[J]. Reliability Engineering & System Safety, 2016, 152（03）：239-247
　　[52] Qiang Miao, Viliam Makis. Condition monitoring and classification of rotating machinery using wavelets and hidden Markov models[J]. Mechanical Systems and Signal Processing, 2007, 21（2）：840-855
　　[53] Aijun Hu, Zerui Bai, Jianfeng Lin, Ling Xiang. Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system[J]. Measurement, 2020, 149（02）：107-114
　　[54] Wei Zhang, Xiang Li, Qian Ding. Deep residual learning-based fault diagnosis method for rotating machinery[J]. ISA Transactions, Volume 95, 2019, 95（04）：295-305
　　[55] Ye Q, Wang T. Optimization modal analysis with PSO based on spectrum segmentation. Chinese Journal of Scientific Instrument[C].2009, 547-588

（如您需要查看本篇毕业设计全文，请您联系客服索取）