本發(fā)明屬于數(shù)控，具體說(shuō)是涉及一種基于dt-rf-nb集成模型的數(shù)控機(jī)床軸承故障診斷方法。

背景技術(shù)：

1、當(dāng)前，數(shù)控機(jī)床因其高精度、高效率和高自動(dòng)化程度的特點(diǎn)，已成為現(xiàn)代制造系統(tǒng)不可或缺的核心設(shè)備。隨著智能制造的發(fā)展，對(duì)數(shù)控機(jī)床的性能要求越來(lái)越高，其中機(jī)床軸承作為數(shù)控機(jī)床中的關(guān)鍵部件之一，其健康狀況直接影響到機(jī)床的加工精度、穩(wěn)定性以及可靠性。機(jī)床軸承在運(yùn)行過(guò)程中易受到各種復(fù)雜因素的影響，如負(fù)載波動(dòng)、潤(rùn)滑條件變化、環(huán)境溫度波動(dòng)等，這些因素都可能導(dǎo)致軸承故障。一旦發(fā)生故障，不僅會(huì)導(dǎo)致機(jī)床停機(jī)，影響生產(chǎn)進(jìn)度，還可能造成更嚴(yán)重的設(shè)備損壞，帶來(lái)高額的維修成本。因此，實(shí)現(xiàn)對(duì)機(jī)床軸承故障的及時(shí)準(zhǔn)確診斷，對(duì)于提升生產(chǎn)效率、降低維修成本、延長(zhǎng)設(shè)備使用壽命、保障生產(chǎn)安全具有十分重要的意義。

2、傳統(tǒng)的故障診斷方法主要依賴(lài)于設(shè)備維護(hù)人員的經(jīng)驗(yàn)判斷或簡(jiǎn)單的傳感器監(jiān)測(cè)，這些方法不僅耗時(shí)長(zhǎng)，準(zhǔn)確率也不高，難以滿足現(xiàn)代制造業(yè)對(duì)于高效率、高精度的要求。隨著信息技術(shù)和智能技術(shù)的快速發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法逐漸成為研究熱點(diǎn)。這類(lèi)方法通過(guò)收集設(shè)備運(yùn)行數(shù)據(jù)，利用先進(jìn)的數(shù)據(jù)處理和分析技術(shù)，實(shí)現(xiàn)對(duì)故障的早期預(yù)測(cè)和精準(zhǔn)定位，大大提高了故障診斷的效率和準(zhǔn)確性。然而，這些數(shù)據(jù)驅(qū)動(dòng)的方法通常需要大量的數(shù)據(jù)處理和計(jì)算資源，面臨著數(shù)據(jù)傳輸延遲大、實(shí)時(shí)性差等問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述不足之處，本發(fā)明提供了一種基于dt-rf-nb集成模型的軸承故障檢測(cè)方法。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是：一種基于dt-rf-nb集成模型的軸承故障檢測(cè)方法，包括以下步驟：

3、監(jiān)測(cè)軸承的振動(dòng)信號(hào)，讀取.mat文件，提取出其中的振動(dòng)數(shù)據(jù)，并根據(jù)文件名提取標(biāo)簽信息；

4、利用短時(shí)傅里葉變換(stft)從振動(dòng)數(shù)據(jù)中提取特征，獲取頻譜圖；

5、將得到的頻譜圖進(jìn)行平均池化，以減少特征維度和計(jì)算量并降低噪聲干擾，并提取有用的特征；

6、將處理后的數(shù)據(jù)分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，比例為7:2:1，并將數(shù)據(jù)隨機(jī)打亂，以確保數(shù)據(jù)的隨機(jī)性；

7、計(jì)算特征的重要性，并根據(jù)結(jié)果選取最重要的nums個(gè)特征，以簡(jiǎn)化模型并可能提高性能；

8、篩選后的訓(xùn)練集、測(cè)試集和驗(yàn)證集被保存到.npz文件中，以便進(jìn)一步使用或分析；

9、加載存儲(chǔ)在.npz文件中的數(shù)據(jù)集，打印出各個(gè)數(shù)據(jù)集的形狀，以確認(rèn)數(shù)據(jù)的維度；

10、分別采用決策樹(shù)(dt)、隨機(jī)森林(rf)和樸素貝葉斯(nb)對(duì)相同的訓(xùn)練集進(jìn)行訓(xùn)練，并在測(cè)試集上進(jìn)行性能評(píng)估；

11、使用voting?classifier通過(guò)加權(quán)平均的方式構(gòu)建dt-rf-nb集成模型，通過(guò)調(diào)整權(quán)重來(lái)獲得最優(yōu)組合；

12、計(jì)算在測(cè)試集上的準(zhǔn)確率、精確率、召回率及f1值，并繪制混淆矩陣以可視化最優(yōu)集成模型在測(cè)試集上的表現(xiàn)；

13、決策樹(shù)屬性選擇算法如下：

14、

15、

16、其中，d是數(shù)據(jù)集，a是屬性，dv是屬性a上值為v的數(shù)據(jù)子集，熵entropy(d)是數(shù)據(jù)集d的不確定性度量，pi是數(shù)據(jù)集d中第i類(lèi)樣本的相對(duì)頻率，n是類(lèi)別的總數(shù)。

17、隨機(jī)森林預(yù)測(cè)算法如下：

18、

19、其中，是隨機(jī)森林的預(yù)測(cè)輸出，b是決策樹(shù)的數(shù)量，是第b個(gè)決策樹(shù)對(duì)輸入x的預(yù)測(cè)。

20、樸素貝葉斯分類(lèi)器預(yù)測(cè)算法如下：

21、

22、其中，p(a|b)是給定觀察b的情況下類(lèi)別a的后驗(yàn)概率。p(b|a)是給定類(lèi)別a的情況下觀察到b的概率,即似然性。p(a)是類(lèi)別a的先驗(yàn)概率。p(b)是觀察b的概率，用于概率的歸一化處理，是分類(lèi)器預(yù)測(cè)的類(lèi)別，n是特征的數(shù)量，bi是特征向量a中的第i個(gè)特征。

23、繪制混淆矩陣，對(duì)最終的模型預(yù)測(cè)性能進(jìn)行可視化分析，直觀展示模型在預(yù)測(cè)正例和負(fù)例時(shí)的準(zhǔn)確性和誤差。

24、本發(fā)明具有以下有益效果及優(yōu)點(diǎn)：

25、1.本發(fā)明提高了數(shù)控機(jī)床軸承故障診斷的準(zhǔn)確率。本發(fā)明針對(duì)傳統(tǒng)的故障診斷方法存在效率低、準(zhǔn)確率不高的問(wèn)題，提出了一種基于dt-rf-nb集成模型的軸承故障診斷算法，結(jié)合決策樹(shù)、隨機(jī)森林和樸素貝葉斯算法的優(yōu)點(diǎn)，通過(guò)優(yōu)化模型權(quán)重來(lái)提高預(yù)測(cè)準(zhǔn)確率。

26、2.具有更強(qiáng)的魯棒性和泛化能力。本發(fā)明方法能充分利用各個(gè)基礎(chǔ)模型的優(yōu)勢(shì)，有效地提高故障診斷的準(zhǔn)確性和可靠性，相較于單一模型，集成模型在故障診斷任務(wù)中表現(xiàn)出更強(qiáng)的魯棒性和泛化能力。

27、3.更適用于實(shí)時(shí)應(yīng)用。dt-rf-nb集成模型通過(guò)對(duì)元件模型的并行訓(xùn)練，可以在相對(duì)較低的計(jì)算要求下達(dá)到較高的精度，更適用于實(shí)時(shí)應(yīng)用。本發(fā)明方法可以有效地提高軸承故障診斷的準(zhǔn)確率和效率，為數(shù)控機(jī)床的智能維護(hù)提供了一種新的技術(shù)手段。

技術(shù)特征：

1.一種基于dt-rf-nb集成模型的數(shù)控機(jī)床軸承故障診斷方法，其特征在于包括以下步驟：

2.按權(quán)利要求1所述的一種基于dt-rf-nb集成模型的數(shù)控機(jī)床軸承故障診斷方法，其特征在于：所述決策樹(shù)屬性選擇算法為

3.按權(quán)利要求1所述的一種基于dt-rf-nb集成模型的數(shù)控機(jī)床軸承故障診斷方法，其特征在于：所述隨機(jī)森林預(yù)測(cè)算法為

4.按權(quán)利要求1所述的一種基于dt-rf-nb集成模型的數(shù)控機(jī)床軸承故障診斷方法，其特征在于：所述樸素貝葉斯分類(lèi)器預(yù)測(cè)算法為

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于DT?RF?NB集成模型的數(shù)控機(jī)床軸承故障診斷方法，所述方法通過(guò)將監(jiān)測(cè)的數(shù)控機(jī)床軸承振動(dòng)信號(hào)作為輸入，利用短時(shí)傅里葉變換提取頻譜特征，并通過(guò)平均池化減少特征維度和計(jì)算量，以降低噪聲干擾。隨后，將處理后的數(shù)據(jù)分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，并分別采用決策樹(shù)、隨機(jī)森林和樸素貝葉斯法進(jìn)行訓(xùn)練。通過(guò)Voting?Classifier以加權(quán)平均方式構(gòu)建DT?RF?NB集成模型，并調(diào)整權(quán)重以獲得最優(yōu)性能。本發(fā)明的方法顯著提高了數(shù)控機(jī)床軸承故障診斷的準(zhǔn)確率、魯棒性和泛化能力，且適用于實(shí)時(shí)應(yīng)用，為數(shù)控機(jī)床的智能維護(hù)提供了新的技術(shù)手段。

技術(shù)研發(fā)人員：李倫興,邵霄辰,張強(qiáng),李備備,鄭飂默,姜志超
受保護(hù)的技術(shù)使用者：煙臺(tái)中科藍(lán)德數(shù)控技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30