數(shù)控機(jī)床主軸系統(tǒng)性能退化評(píng)估方法*

黃海鳳，高宏力，許明恒，張?bào)愠剑?亮

（西南交通大學(xué)機(jī)械工程學(xué)院 成都，610031）

引 言

數(shù)控機(jī)床主軸系統(tǒng)的性能與機(jī)床加工精度和效率密切相關(guān)，為保證數(shù)控機(jī)床的精度和效率，通常對(duì)主軸系統(tǒng)靜態(tài)特性和動(dòng)態(tài)特性進(jìn)行力學(xué)分析，優(yōu)化機(jī)床的結(jié)構(gòu)設(shè)計(jì)。目前，國(guó)內(nèi)外的高檔數(shù)控機(jī)床在使用初期均能保證加工精度和生產(chǎn)效率，工作一段時(shí)間后，滾動(dòng)軸承等部件發(fā)生磨損、點(diǎn)蝕和疲勞破壞等現(xiàn)象，導(dǎo)致主軸系統(tǒng)性能發(fā)生退化，進(jìn)而改變主軸系統(tǒng)靜態(tài)特性和動(dòng)態(tài)特性，使得數(shù)控機(jī)床加工精度和效率下降；因此數(shù)控機(jī)床主軸系統(tǒng)性能退化研究已成為重要的研究課題。國(guó)內(nèi)外學(xué)者針對(duì)電子元器件、軸承和內(nèi)燃機(jī)等性能退化研究已取得了進(jìn)展［1－3］，應(yīng)用支持向量機(jī)、小波熵、灰色模型、時(shí)間序列模型、Petri網(wǎng)以及隱馬爾可夫模型實(shí)現(xiàn)故障診斷、性能退化評(píng)估的研究取得了成果［4－14］。針對(duì)數(shù)控機(jī)床主軸系統(tǒng)性能退化的研究鮮見報(bào)道。

筆者結(jié)合長(zhǎng)征718數(shù)控機(jī)床主軸系統(tǒng)，建立性能評(píng)估模型。通過振動(dòng)信號(hào)、電流信號(hào)和聲發(fā)射信號(hào)的融合研究，提高評(píng)估準(zhǔn)確性。設(shè)計(jì)符合主軸性能退化特性的評(píng)估算法，提高評(píng)估模型計(jì)算速度，實(shí)現(xiàn)了評(píng)估系統(tǒng)的動(dòng)態(tài)性能。

1 主軸系統(tǒng)性能退化影響因素

數(shù)控機(jī)床主軸系統(tǒng)主要由驅(qū)動(dòng)電機(jī)、滾動(dòng)軸承、傳動(dòng)齒輪和主軸等部件組成，各部件的性能退化均會(huì)導(dǎo)致主軸系統(tǒng)性能改變，其中滾動(dòng)軸承和傳動(dòng)齒輪的磨損最為嚴(yán)重。滾動(dòng)軸承運(yùn)轉(zhuǎn)時(shí)，滾子與滾道之間的滾動(dòng)摩擦、滑動(dòng)摩擦和扭動(dòng)摩擦使得滾子與滾道接觸表面產(chǎn)生磨損、點(diǎn)蝕、塑性變形甚至剝離。主軸系統(tǒng)動(dòng)態(tài)特性因上述原因發(fā)生變化，典型表現(xiàn)為刀具振動(dòng)加劇，以致機(jī)床加工零部件粗糙度增大，降低機(jī)床加工精度，甚至機(jī)床失穩(wěn)、損壞刀具。

電動(dòng)機(jī)輸出轉(zhuǎn)矩經(jīng)傳動(dòng)齒輪驅(qū)動(dòng)主軸回轉(zhuǎn)，實(shí)踐表明，齒輪齒面因承受動(dòng)載荷而導(dǎo)輪齒面性能退化。性能退化不斷累積，齒輪傳動(dòng)精度下降，甚至出現(xiàn)裂紋和斷齒等故障。

性能退化過程改變系統(tǒng)的振動(dòng)特性、切削力及聲發(fā)射信號(hào)規(guī)律，而切削力與驅(qū)動(dòng)電機(jī)電流之間存在映射關(guān)系。實(shí)驗(yàn)證明，性能退化后，振動(dòng)規(guī)律和振動(dòng)幅值改變，聲發(fā)射信號(hào)發(fā)生變化，驅(qū)動(dòng)電機(jī)電流波動(dòng)規(guī)律和波動(dòng)幅值改變，性能退化特征與振動(dòng)信號(hào)、電機(jī)電流信號(hào)和聲發(fā)射信號(hào)之間存在對(duì)應(yīng)關(guān)系。筆者檢測(cè)并分析振動(dòng)信號(hào)、電動(dòng)機(jī)電流信號(hào)和聲發(fā)射信號(hào)，各信號(hào)特征融合處理，建立性能退化模型，研究主軸系統(tǒng)性能退化規(guī)律并對(duì)退化狀態(tài)進(jìn)行評(píng)估。

2 性能評(píng)估系統(tǒng)結(jié)構(gòu)

2.1 數(shù)據(jù)采集系統(tǒng)

針對(duì)長(zhǎng)征718數(shù)控機(jī)床主軸系統(tǒng)展開實(shí)驗(yàn)。主軸前端安裝聲發(fā)射傳感器和振動(dòng)傳感器。在齒輪箱上安裝振動(dòng)傳感器來監(jiān)測(cè)主軸的運(yùn)動(dòng)精度及齒輪嚙合狀態(tài)。滾動(dòng)軸承座上安裝振動(dòng)傳感器。監(jiān)測(cè)軸承狀態(tài)，如圖1所示。主電機(jī)安裝電流傳感器來檢測(cè)驅(qū)動(dòng)電機(jī)運(yùn)行穩(wěn)定性和主軸系統(tǒng)負(fù)載阻力變化規(guī)律。

采用北京東方振動(dòng)與噪聲技術(shù)研究所的INV9832型加速度三向振動(dòng)傳感器檢測(cè)齒輪箱和主軸的振動(dòng)信號(hào)。INV9206－ICP聲壓傳感器作為聲發(fā)射傳感器，該傳感器自帶放大功能。采用北京森設(shè)電子有限公司的霍爾電流傳感器（CHB－50A型）檢測(cè)主軸電機(jī)的三相電流信號(hào)。信號(hào)經(jīng)INV1870型信號(hào)調(diào)理儀和PCI－1710采集卡采集振動(dòng)信號(hào)和電流信號(hào)。振動(dòng)信號(hào)采樣頻率為10kHz，采樣時(shí)間為20s。電流信號(hào)采樣頻率為2kHz，采樣長(zhǎng)度為176kB。聲發(fā)射信號(hào)的采樣頻率為10kHz，采樣時(shí)間為45s。

圖1 機(jī)床主軸檢測(cè)系統(tǒng)

2.2 信號(hào)特征提取

由于加工現(xiàn)場(chǎng)存在嘈雜聲、運(yùn)輸車振動(dòng)和工作人員走動(dòng)等干擾，故采用小波包濾波對(duì)信號(hào)進(jìn)行處理。小波包分析具有良好的時(shí)頻局部化特性，可有效處理非平穩(wěn)信號(hào)。小波包處理過程是將信號(hào)分解為低頻和高頻兩部分，將上層分解后得到的高頻信號(hào)和低頻信號(hào)再進(jìn)行分解，如圖2所示（Uij表示第i層，第j個(gè)頻率段），即對(duì)信號(hào)所包含的頻率段進(jìn)行劃分，利用小波包實(shí)現(xiàn)濾波。

圖2 小波包分解原理圖

小波包分解算法為

其中：hl和gl為小波分解共軛濾波器系數(shù)。

小波包分解的層數(shù)越多，頻域分辨率越高，但每個(gè)小波包含有信號(hào)的點(diǎn)數(shù)比上一層小波包的點(diǎn)數(shù)少一半，使得時(shí)域的分辨率降低。為提高時(shí)域分辨率，需對(duì)小波包進(jìn)行重構(gòu)，小波包的重構(gòu)算法為

其中：hl和gl為小波重構(gòu)共軛濾波器系數(shù)［12－13］。

小波包頻帶分析和傅里葉頻譜分析一樣，理論依據(jù)都是Parseval能量守衡等式。設(shè)信號(hào)x（t）的數(shù)據(jù)長(zhǎng)度為N，則分解頻帶中離散信號(hào)xk，m（i）的數(shù)據(jù)長(zhǎng)度縮減為2－kN ，它的能量為

通過對(duì)能量的歸一化處理，即用分解頻帶信號(hào)能量占信號(hào)總能量的分?jǐn)?shù)作為特征向量，第m頻帶分解

信號(hào)的相對(duì)能量為

根據(jù)能量守衡原理

通過共軛正交濾波器把振動(dòng)信號(hào)分解到不同層次、各自獨(dú)立的頻帶內(nèi)，它們相互之間不僅是正交且能量守恒，而且相對(duì)于FFT譜來說，包含了大量非平穩(wěn)、非線性的性能改變信息；因此可以用每個(gè)頻帶中的信號(hào)能量作為特征向量進(jìn)行特征提取。當(dāng)主軸系統(tǒng)出現(xiàn)性能退化時(shí)，各頻道信號(hào)的能量受到較大影響，采用信號(hào)分解頻帶的能量譜作為特征向量對(duì)主軸系統(tǒng)性能退化程度進(jìn)行評(píng)估。

通過小波包對(duì)主軸齒輪箱振動(dòng)信號(hào)濾波，濾波后正常信號(hào)與故障信號(hào)如圖3所示。對(duì)濾波后的信號(hào)進(jìn)行3層小波包變換，分解得到8個(gè)頻段，分別提取這8個(gè)頻段的能量譜，組成能量譜向量Y，令Y＝，例如，P30為小波包分解的第3層第0個(gè)節(jié)點(diǎn)計(jì)算出的能量譜值，其他依次類推。正常信號(hào)和故障信號(hào)的特征向量如圖3～圖6所示。

圖3 正常狀態(tài)信號(hào)小波包分解及濾波

圖4 故障狀態(tài)信號(hào)小波包分解及濾波

圖5 正常信號(hào)小波包功率圖

圖6 故障信號(hào)小波包功率譜

2.3 性能退化評(píng)估模型

主軸振動(dòng)信號(hào)、主軸電機(jī)電流信號(hào)、主軸前端的聲發(fā)射信號(hào)和齒輪箱的振動(dòng)信號(hào)均以不同程度反映了主軸系統(tǒng)的性能狀態(tài)。筆者依據(jù)各類信號(hào)，在動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立主軸系統(tǒng)的性能退化評(píng)估模型。

如圖7所示，模型中有6路輸入，其中，Y0，Y1，Y2，Y3為分別由主軸振動(dòng)信號(hào)、主軸電機(jī)電流信號(hào)、聲發(fā)射信號(hào)和齒輪箱振動(dòng)信號(hào)經(jīng)小波變換后各頻段的能量譜向量。主軸部件已工作時(shí)間向量包括主軸、主軸軸承、傳動(dòng)齒輪和主軸電機(jī)的工作時(shí)間。加工方案向量包括刀具型號(hào)、下刀角度、主軸轉(zhuǎn)速、進(jìn)給速度、橫向切深、縱向切深和加工材料等。模型采用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算，以Y0，Y1，Y2，Y3和主軸已工作時(shí)間向量與加工方案向量為動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，主軸系統(tǒng)的性能退化狀態(tài)為模型的輸出結(jié)果。

對(duì)主軸系統(tǒng)的性能退化程度進(jìn)行評(píng)估時(shí)，將評(píng)估結(jié)果分為5類：良好、輕微退化、退化、嚴(yán)重退化和故障。其中：良好和輕微退化表示主軸系統(tǒng)的性能較好；退化表示主軸系統(tǒng)性能發(fā)生退化，但仍能達(dá)到預(yù)定的加工質(zhì)量；嚴(yán)重退化和故障時(shí)，主軸系統(tǒng)的退化程度使得數(shù)控機(jī)床不能達(dá)到預(yù)定的加工質(zhì)量，甚至不能啟動(dòng)。

圖7 性能退化評(píng)估模型

2.4 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)

動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)（dynamic fuzzy neural network，簡(jiǎn)稱DFNN）是將模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)成具有模糊特性的神經(jīng)網(wǎng)絡(luò)。從模糊系統(tǒng)角度來講，模糊系統(tǒng)是無(wú)模型數(shù)字函數(shù)逼近器，基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力與自適應(yīng)功能，可解決模糊推理中兩個(gè)重要問題：模糊推理由于啟發(fā)式而缺乏的系統(tǒng)設(shè)計(jì)隸屬函數(shù)的方法；推理環(huán)境下，缺乏對(duì)變化的自適應(yīng)性。DFNN結(jié)構(gòu)不是預(yù)先設(shè)定的，而是動(dòng)態(tài)變化的［14］，輸入變量隨外界條件動(dòng)態(tài)變化，故用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)建立性能評(píng)估模型是動(dòng)態(tài)變化的，即外界條件的動(dòng)態(tài)變化必然引起評(píng)估模型的相應(yīng)動(dòng)作與響應(yīng)。這種性質(zhì)適用于主軸系統(tǒng)性能退化過程動(dòng)態(tài)變化的規(guī)律，對(duì)實(shí)現(xiàn)性能退化實(shí)時(shí)監(jiān)測(cè)十分必要；因此筆者采用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)建立性能退化評(píng)估模型。

動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)采用高斯函數(shù)作為激勵(lì)函數(shù)，每個(gè)模糊規(guī)則代表一個(gè)神經(jīng)網(wǎng)絡(luò)單元節(jié)點(diǎn)，完成對(duì)外界條件的動(dòng)態(tài)響應(yīng)，實(shí)現(xiàn)網(wǎng)絡(luò)的動(dòng)態(tài)特性。

動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖8所示，其中：x1，x2，…，xr為輸入量；y 為網(wǎng)絡(luò)輸出 量；MFij表示第i個(gè)輸入量的第j個(gè)激勵(lì)函數(shù)；Rj為第j條模糊規(guī)則；Nj代表第j個(gè)歸一化節(jié)點(diǎn)；wj為第j個(gè)規(guī)則的結(jié)果參數(shù)或者連接權(quán)值；u為系統(tǒng)總規(guī)則數(shù)。

圖8中，第1層為輸入層，每個(gè)節(jié)點(diǎn)分別表示一個(gè)輸入量；第2層為激勵(lì)函數(shù)層，每個(gè)節(jié)點(diǎn)分別代表一個(gè)激勵(lì)函數(shù)，采用高數(shù)函數(shù)作為激勵(lì)函數(shù)，高斯函數(shù)的表示為

其中：μij為xi的第j個(gè)激勵(lì)函數(shù)；cij為xi的第j個(gè)高斯隸屬函數(shù)的中心；σj為xi的第j個(gè)高斯函數(shù)的寬度。

圖8 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

第3層為T－范數(shù)層，每個(gè)節(jié)點(diǎn)分別代表一個(gè)可能的模糊規(guī)則中的IF部分，其節(jié)點(diǎn)數(shù)表示模糊規(guī)則數(shù)，第j個(gè)規(guī)則Rj的輸出為

其中：X＝（x1，x2，…，xr）∈Rr為輸入變量向量；為第j個(gè)神經(jīng)網(wǎng)絡(luò)單元的中心，該層的每個(gè)節(jié)點(diǎn)代表一個(gè)神經(jīng)網(wǎng)絡(luò)單元。

第4層為歸一化層，稱節(jié)點(diǎn)為N節(jié)點(diǎn)，則N節(jié)點(diǎn)數(shù)與模糊規(guī)則節(jié)點(diǎn)數(shù)相等，第j個(gè)節(jié)點(diǎn)Nj的輸出為

第5層為輸出層，輸出量y（X）表示為

其中：wk為THEN部分（結(jié)果參數(shù)）或者第k個(gè)規(guī)則的連接權(quán)。

對(duì)于權(quán)值模型有

整理得到

其中：X為數(shù)據(jù)樣本；y（X）為神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)輸出［14－15］。

2.5 算法設(shè)計(jì)

性能退化評(píng)估是否準(zhǔn)確與數(shù)據(jù)采集方案密切相關(guān)。通常數(shù)據(jù)采集為連續(xù)采集和間隔采集兩種形式。間隔采集數(shù)據(jù)可有效地減少數(shù)據(jù)量，但會(huì)造成性能退化特性的遺漏；連續(xù)采集數(shù)據(jù)不會(huì)造成性能退化特征遺漏。由于主軸系統(tǒng)性能退化是由各部件磨損、點(diǎn)蝕、變形及疲勞等因素導(dǎo)致，退化周期較長(zhǎng)，連續(xù)采集數(shù)據(jù)會(huì)導(dǎo)致數(shù)據(jù)量過大，且部分?jǐn)?shù)據(jù)對(duì)評(píng)估作用不大；因此必須采取有效方法簡(jiǎn)化數(shù)據(jù)，并保證不遺漏性能退化特征。

筆者采用動(dòng)態(tài)聚類對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)化處理，把半徑為r的圓內(nèi)所有數(shù)據(jù)樣本簡(jiǎn)化為一個(gè)數(shù)據(jù)樣本，簡(jiǎn)化后的數(shù)據(jù)樣本為圓形中心點(diǎn)，每個(gè)圓內(nèi)包含的原始數(shù)據(jù)樣本個(gè)數(shù)不同。r取值越大，則簡(jiǎn)化后的數(shù)據(jù)越少，系統(tǒng)計(jì)算速度越快。r取值過大，系統(tǒng)的評(píng)估精度將下降；因此合理選取r值，可實(shí)現(xiàn)在保證評(píng)估精度的同時(shí)有效提高系統(tǒng)處理速度。

性能退化評(píng)估模型算法采用調(diào)整結(jié)果參數(shù)和誤差梯度下降法實(shí)現(xiàn)。

1）調(diào)整系統(tǒng)參數(shù)：實(shí)施評(píng)估時(shí)，輸入樣本數(shù)據(jù)不斷增多，且具有時(shí)變特性，使得DFNN網(wǎng)絡(luò)的自適應(yīng)能力下降，因此采用數(shù)據(jù)遺忘法提高網(wǎng)絡(luò)自適應(yīng)能力。即采用預(yù)先設(shè)定窗長(zhǎng)度ls的滑動(dòng)窗，當(dāng)?shù)趎個(gè)數(shù)據(jù)進(jìn)入滑動(dòng)窗時(shí)，若n≤ls，則所有數(shù)據(jù)保留，否則，只保留滑動(dòng)窗中最新的長(zhǎng)度為ls的數(shù)據(jù)。

2）誤差梯度下降原則：首次計(jì)算時(shí)，隨機(jī)為權(quán)值賦值，計(jì)算輸出誤差Erout。若輸出誤差Erout不大于設(shè)定誤差Er，則學(xué)習(xí)結(jié)束。若Erout＞Er時(shí)，則計(jì)算誤差梯度下降率ηi為

根據(jù)ηi調(diào)整學(xué)習(xí)規(guī)則。

3 仿真結(jié)果分析

主軸系統(tǒng)性能退化程度不僅與各信號(hào)有關(guān)，還與部件工作時(shí)間以及加工方案有關(guān)，因此采用主軸部件工作時(shí)間、加工方案、正常信號(hào)及故障信號(hào)特征值作為輸入向量訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

分別對(duì)正常狀態(tài)下新主軸系統(tǒng)、使用一年的主軸系統(tǒng)以及故障狀態(tài)下的主軸系統(tǒng)進(jìn)行實(shí)驗(yàn)。3個(gè)實(shí)驗(yàn)的實(shí)驗(yàn)條件相同，按表1所示的實(shí)驗(yàn)條件勻速運(yùn)行，同時(shí)采集3個(gè)實(shí)驗(yàn)的振動(dòng)信號(hào)、電流信號(hào)和切削力信號(hào)各50組，其中，每個(gè)實(shí)驗(yàn)的25組數(shù)據(jù)作為性能退化模型的訓(xùn)練樣本，其余25組數(shù)據(jù)作為性能退化模型的驗(yàn)證樣本。訓(xùn)練性能退化模型時(shí)，以新主軸系統(tǒng)正常信號(hào)特征值作為輸入量時(shí)，網(wǎng)絡(luò)輸出y（X）＝0。針對(duì)已工作一年的部件在正常工作狀態(tài)下，訓(xùn)練模型使得輸出為0.3。故障信號(hào)特征值為輸入量時(shí)，網(wǎng)絡(luò)輸出y（X）＝1。

表1 實(shí)驗(yàn)條件

根據(jù)上述訓(xùn)練過程，設(shè)定閾值0≤y（X）＜0.2代表性能良好；0.2≤y（X）＜0.4代表性能輕微退化；0.4≤y（X）＜0.6代表性能退化但可保證零件的加工精度；0.6≤y（X）＜0.8代表性能嚴(yán)重退化，零件的加工精度下降嚴(yán)重，隨時(shí)可發(fā)生故障現(xiàn)象；0.8≤y（X）≤1代表主軸系統(tǒng)發(fā)生故障，無(wú)法滿足零件加工精度，甚至無(wú)法啟動(dòng)。

采用25組新機(jī)床正常狀態(tài)數(shù)據(jù)樣本、25組主軸系統(tǒng)已工作一年的正常狀態(tài)數(shù)據(jù)樣本以及25組故障狀態(tài)數(shù)據(jù)樣本進(jìn)行仿真，結(jié)果如圖9所示。其中，25組新機(jī)床正常狀態(tài)數(shù)據(jù)樣本經(jīng)性能退化評(píng)估模型計(jì)算后，除第5組數(shù)據(jù)的輸出為0.210 3外，其他數(shù)據(jù)均能準(zhǔn)確評(píng)估。25組主軸系統(tǒng)已工作一年的正常狀態(tài)數(shù)據(jù)樣本經(jīng)計(jì)算后，除第1組輸出為0.154 2、第3組為0.701 2外，其他均能準(zhǔn)確評(píng)估。故障狀態(tài)數(shù)據(jù)經(jīng)計(jì)算后，除第11組輸出為0.752 1外，其他均能準(zhǔn)確評(píng)估。

對(duì)75組數(shù)據(jù)仿真時(shí)，其中4組數(shù)據(jù)不能準(zhǔn)確評(píng)估，原因是采用動(dòng)態(tài)聚類的方法對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)化，簡(jiǎn)化后的數(shù)據(jù)與實(shí)際數(shù)據(jù)存在一定差異，使得評(píng)估結(jié)果出現(xiàn)偏差?？赏ㄟ^縮小動(dòng)態(tài)聚類半徑r和減小簡(jiǎn)化數(shù)據(jù)和實(shí)際數(shù)據(jù)之間的差異來提高評(píng)估準(zhǔn)確率；但動(dòng)態(tài)聚類半徑r越小，性能退化評(píng)估系統(tǒng)的響應(yīng)越慢?？梢?，在滿足性能退化評(píng)估結(jié)果準(zhǔn)確率要求的情況下，增加動(dòng)態(tài)聚類半徑r來提高評(píng)估系統(tǒng)的計(jì)算速度。75組數(shù)據(jù)的性能退化評(píng)估仿真結(jié)果的準(zhǔn)確率約為94.7%，滿足制定備件計(jì)劃和主動(dòng)維護(hù)的需求，具有實(shí)用價(jià)值。

圖9 75組樣本性能退化評(píng)估結(jié)果

4 結(jié) 論

1）在對(duì)影響主軸系統(tǒng)性能退化因素進(jìn)行分析的基礎(chǔ)上，構(gòu)建了數(shù)控機(jī)床主軸系統(tǒng)性能退化評(píng)估模型，采用主軸、齒輪振動(dòng)信號(hào)、電機(jī)電流信號(hào)以及聲發(fā)射信號(hào)監(jiān)測(cè)主軸系統(tǒng)的性能退化狀態(tài)。傳感器信號(hào)經(jīng)過小波包分解并提取特征，從能量的角度提取信號(hào)特征向量，有效解決了非平穩(wěn)信號(hào)特征提取方面的問題。

2）在考慮部件工作狀態(tài)和機(jī)床加工方案的基礎(chǔ)上，利用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)建立的性能退化評(píng)估模型準(zhǔn)確反映了振動(dòng)、電流、聲發(fā)射信號(hào)與性能狀態(tài)之間的非線性映射關(guān)系，有效地將多種信號(hào)進(jìn)行融合，準(zhǔn)確評(píng)估性能狀態(tài)。

3）提出動(dòng)態(tài)聚類算法預(yù)處理數(shù)據(jù)樣本，準(zhǔn)確有效地簡(jiǎn)化了樣本，提高了模型的訓(xùn)練和評(píng)估速度，優(yōu)化了模型的動(dòng)態(tài)特性。

［1］ 彭寶華，周經(jīng)倫，劉學(xué)敏.元器件性能退化信息的系統(tǒng)性能可靠性評(píng)估［J］.火力與指揮控制，2011，36（10）：148－151.Peng Baohua，Zhou Jinglun，Liu Xuemin.System performance reliability assessment based on degradation data from components［J］.Fire Control and Command Control，2011，36（10）：148－151.（in Chinese）

［2］ 孟祥慧，謝友柏，戴旭東.典型磨損情況下的內(nèi)燃機(jī)性能退化預(yù)測(cè)［J］.摩擦學(xué)學(xué)報(bào)，2009，29（5）：469－474.Meng Xianghui，Xie Youbo，Dai Xudong.Analysis of internal combustion engine performance degradation at classic wear situations［J］.Tribology，2009，29（5）：469－474.（in Chinese）

［3］ Li B，Chow M Y，Tipsuwan Y，et al.Neural－Network－Based motor rolling bearing fault diagnosis［J］.Industrial Electronics，2000，47（5）：1060－1069.

［4］ 魏中青，馬波，么子云，等.運(yùn)用小波包變換與能量算子的氣閥故障特征提取［J］.振動(dòng)、測(cè)試與診斷，2011，31（1）：50－54.Wei Zhongqing，Ma Bo，Yao Ziyun，et al.Feature extraction of gas valve fault using wavelet packet transform and energy operator［J］.Journal of Vibration，Measurement ＆ Diagnosis，2011，31（1）：50－54.（in Chinese）

［5］ 劉濤，邵華.基于振動(dòng)信號(hào)的變頻渦旋壓縮機(jī)故障診斷［J］.振動(dòng)、測(cè)試與診斷，2012，32（1）：141－145.Liu Tao，Shao Hua.Fault diagnosis for inverter scroll compressor based on vibration signals［J］.Journal of Vibration，Measurement ＆ Diagnosis，2012，32（1）：141－145.（in Chinese）

［6］ 肖文斌，陳進(jìn)，周宇，等.小波包變換和隱馬爾可夫模型在軸承性能退化評(píng)估中的應(yīng)用［J］.振動(dòng)與沖擊，2011，30（8）：32－35.Xiao Wenbin，Chen Jin，Zhou Yu，et al.Wavelet packet transform and hidden Markov model based bearing performance degradation assessment［J］.Journal of Vibration and Shock，2011，30（8）：32－35.（in Chinese）

［7］ 郭磊，陳進(jìn).小波包熵在設(shè)備性能退化評(píng)估中的應(yīng)用［J］.機(jī)械科學(xué)與技術(shù)，2008，27（9）：1203－1206.Guo Lei，Chen Jin.Application of wavelet packet entropy to equipment performance degradation assessment［J］.Mechanical Science and Technology for Aerospace Engineering，2008，27（9）：1203－1206.（in Chinese）

［8］ 胡愛軍，向玲，唐貴基，等.基于數(shù)學(xué)形態(tài)變換的轉(zhuǎn)子故障特征提取方法［J］.機(jī)械工程學(xué)報(bào)，2011，47（23）：92－96.Hu Aijun，Xiang Ling，Tang Guiji，et al.Fault feature extracting method of rotating machinery based on mathematical morphology［J］.Journal of Mechanical Engineering，2011，47（23）：92－96.（in Chines）

［9］ 高宏力，李登萬(wàn)，許明恒.基于人工智能的絲杠壽命預(yù)測(cè)技術(shù)［J］.西南交通大學(xué)學(xué)報(bào)，2010，45（5）：685－691.Gao Hongli，Li Dengwan，Xu Mingheng.Intelligent monitoring system for screw life evaluation［J］.Journal of Southwest Jiaotong University，2010，45（5）：685－691.（in Chinese）

［10］趙敏，高宏力，許明恒，等.多變量灰色模型在滾珠絲杠剩余壽命預(yù)測(cè)中的應(yīng)用［J］.計(jì)算機(jī)集成制造系統(tǒng)，2011，17（4）：846－851.Zhao Min，Gao Hongli，Xu Mingheng，et al.Application of multi－variable grey model for ball screw remaining life prediction［J］.Computer Integrated Manufacturing Systems，2011，17（4）：846－851.（in Chinese）

［11］黃書峰，徐宗昌，李博，等.基于神經(jīng)網(wǎng)絡(luò)的裝備可靠性與維修費(fèi)相關(guān)性建模［J］.系統(tǒng)仿真學(xué)報(bào)，2011，23（8）：1541－1544.Huang Shufeng，Xu Zongchang，Li Bo，et al.Modeling about relativity between equipment reliability and maintenance costs based on neural network［J］.Journal of System Simulation，2011，23（8）：1541－1544.（in Chinese）

［12］吳希曦，高宏力，燕繼明，等.基于超球面支持向量機(jī)的絲杠故障診斷技術(shù)［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010，16（12）：2261－2267.Wu Xixi，Gao Hongli，Yan Jiming.Fault diagnosis technology for NC machine screw based on hypersphere support vector machines［J］.Computer Integrated Manufacturing Systems，2010，16（12）：2261－2267.（in Chinese）

［13］趙志宏，楊紹普.基于小波包變換與樣本熵的滾動(dòng)軸承故障診斷［J］.振動(dòng)、測(cè)試與診斷，2012，32（4）：640－644，692.Zhao Zhihong，Yang Shaopu.Roller bearing fault diagnosis based on wavelet packet transform and sample entropy［J］.Journal of Vibration，Measurement ＆ Diagnosis，2012，32（4）：640－644.（in Chinese）

［14］伍世虔，徐軍.動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)——設(shè)計(jì)與應(yīng)用［M］.北京：清華大學(xué)出版社，2008：27－38.

［15］黃伯權(quán).基于性能退化模型的數(shù)控機(jī)床滾珠絲杠副壽命預(yù)測(cè)研究［D］.成都：西南交通大學(xué)，2008.