一、研究背景與意義
滾珠絲杠副作為數(shù)控機(jī)床進(jìn)給系統(tǒng)的核心部件，承擔(dān)著“旋轉(zhuǎn)運(yùn)動-直線運(yùn)動”轉(zhuǎn)換的關(guān)鍵功能，其精度與可靠性直接決定機(jī)床加工質(zhì)量與生產(chǎn)安全。據(jù)行業(yè)統(tǒng)計，數(shù)控機(jī)床進(jìn)給系統(tǒng)故障中約40%與滾珠絲杠副退化相關(guān)，輕微損傷即可導(dǎo)致定位誤差增大，嚴(yán)重時引發(fā)設(shè)備停機(jī)，造成日均數(shù)萬元的經(jīng)濟(jì)損失。然而，滾珠絲杠副的監(jiān)測面臨兩大核心瓶頸，制約了傳統(tǒng)方法的應(yīng)用：
1.1 故障數(shù)據(jù)極度稀缺
滾珠絲杠副作為高可靠性部件，設(shè)計壽命通常超過10000小時，且實(shí)際運(yùn)維中為避免故障風(fēng)險，往往在出現(xiàn)明顯退化前就提前更換，導(dǎo)致故障狀態(tài)監(jiān)測數(shù)據(jù)幾乎無法獲取。傳統(tǒng)智能監(jiān)測方法（如SVM、深度信念網(wǎng)絡(luò)）需大量故障樣本訓(xùn)練模型，在該場景下完全失效；基于物理機(jī)理的方法（如斷裂力學(xué)模型）則需復(fù)雜的先驗(yàn)知識（如表面粗糙度、預(yù)緊力），難以適應(yīng)實(shí)際工況變化。
1.2 傳統(tǒng)監(jiān)測方法局限性顯著
- 信號處理方法（如經(jīng)驗(yàn)?zāi)B(tài)分解、多尺度熵）依賴專家手動提取特征，需掌握滾珠絲杠副動力學(xué)特性與信號處理技術(shù)，耗時且難以自動化，無法滿足在線監(jiān)測需求；
- 閾值判定方法（如3σ準(zhǔn)則）易受正常工況的隨機(jī)噪聲與沖擊干擾，導(dǎo)致閾值設(shè)置寬松，無法及時檢測早期退化（如輕微疲勞點(diǎn)蝕），往往在故障嚴(yán)重后才報警；
- 常規(guī)自編碼器（AE）等模型雖能無監(jiān)督學(xué)習(xí)，但為確定性映射，難以捕捉振動信號的隨機(jī)隱含分布，對早期微弱退化的敏感性不足。
針對上述痛點(diǎn)，本文提出“基于卷積變分自編碼器（CNVAE）與動態(tài)核密度估計的異常監(jiān)測方法”，通過無監(jiān)督學(xué)習(xí)正常數(shù)據(jù)分布、動態(tài)概率判定異常，實(shí)現(xiàn)“無需故障數(shù)據(jù)、早期精準(zhǔn)監(jiān)測”的目標(biāo)，為滾珠絲杠副預(yù)測性維護(hù)提供技術(shù)支撐。
二、主要研究內(nèi)容
本文圍繞“無故障數(shù)據(jù)下的異常監(jiān)測”核心目標(biāo)，構(gòu)建“健康指標(biāo)構(gòu)建-異常判定”的兩階段技術(shù)框架，具體研究內(nèi)容如下：
2.1 方法整體架構(gòu)
論文提出的方法分為離線訓(xùn)練與在線監(jiān)測兩大階段，流程如圖1所示：
1. 離線訓(xùn)練階段：僅使用滾珠絲杠副早期正常狀態(tài)的振動信號，訓(xùn)練CNVAE模型，學(xué)習(xí)正常數(shù)據(jù)的隱含分布；通過核密度估計（KDE）分析正常數(shù)據(jù)的重構(gòu)誤差，設(shè)定異常閾值；
2. 在線監(jiān)測階段：實(shí)時采集振動信號，輸入訓(xùn)練好的CNVAE模型得到重構(gòu)誤差（健康指標(biāo)）；利用滑動窗口選取多時刻重構(gòu)誤差，輸入動態(tài)核密度估計模型，通過概率分布變化判定是否異常。
2.2 卷積變分自編碼器（CNVAE）的健康指標(biāo)構(gòu)建
CNVAE是方法的核心，旨在通過無監(jiān)督學(xué)習(xí)正常數(shù)據(jù)分布，以“重構(gòu)誤差”量化滾珠絲杠副的健康狀態(tài)，解決“無故障數(shù)據(jù)”與“早期特征難提取”的問題。
2.2.1 CNVAE的網(wǎng)絡(luò)結(jié)構(gòu)
考慮到滾珠絲杠副的振動信號為一維時序數(shù)據(jù)，采用一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN） 構(gòu)建CNVAE的編碼器與解碼器，避免二維CNN對時序信號的冗余處理，提升計算效率：
- 編碼器：4層1D卷積層（激活函數(shù)LeakyReLU），逐步提取振動信號的局部時序特征（如早期退化的微小沖擊），最后通過全連接層生成隱變量的均值與方差（隱變量服從高斯分布，維度設(shè)為10，平衡降維效果與擬合能力）；
- 解碼器：4層1D反卷積層，基于隱變量重構(gòu)原始振動信號，通過全連接層輸出與輸入維度一致的重構(gòu)信號；- 訓(xùn)練目標(biāo)：最小化“重構(gòu)誤差”（輸入與重構(gòu)信號的均方差）與“KL散度”（正則化項(xiàng)，確保隱變量分布接近標(biāo)準(zhǔn)高斯分布），平衡重構(gòu)精度與模型泛化能力。
2.2.2 健康指標(biāo)定義
訓(xùn)練完成的CNVAE僅能精準(zhǔn)重構(gòu)正常狀態(tài)的振動信號（重構(gòu)誤差小，通常<0.2）；當(dāng)滾珠絲杠副出現(xiàn)早期退化（如滾道輕微點(diǎn)蝕）時，實(shí)時振動信號偏離正常分布，CNVAE重構(gòu)效果顯著下降，重構(gòu)誤差大幅增大（早期退化>0.3，嚴(yán)重退化>0.8）。因此，將重構(gòu)誤差直接作為健康指標(biāo)，量化滾珠絲杠副偏離正常狀態(tài)的程度，無需手動提取特征。
2.3 動態(tài)核密度估計的異常判定
傳統(tǒng)3σ準(zhǔn)則通過單個監(jiān)測點(diǎn)的健康指標(biāo)是否超閾值判定異常，易受隨機(jī)噪聲干擾（如正常工況的瞬時沖擊），導(dǎo)致誤報或漏報。本文提出動態(tài)核密度估計（KDE） 方法，基于“滑動窗口內(nèi)健康指標(biāo)的概率分布變化”判定異常，提升穩(wěn)定性與敏感性。
2.3.1 異常閾值設(shè)定
離線階段，將正常數(shù)據(jù)的重構(gòu)誤差輸入KDE模型（非參數(shù)化概率估計，無需假設(shè)分布形式），得到其概率密度函數(shù)；設(shè)定置信水平為99.9%（對應(yīng)虛警率0.1%），通過累積分布函數(shù)計算得到重構(gòu)誤差異常閾值（論文中為0.3978），即正常狀態(tài)下僅有0.1%的重構(gòu)誤差會超過該值。
2.3.2 滑動窗口與概率判定
在線監(jiān)測時，采用長度為25、滑動距離為1的時間窗口（平衡穩(wěn)定性與敏感性），選取“當(dāng)前時刻重構(gòu)誤差+前24個時刻重構(gòu)誤差”構(gòu)成時序序列，輸入KDE模型計算窗口內(nèi)重構(gòu)誤差的概率分布：
- 若窗口內(nèi)“超過閾值的重構(gòu)誤差概率和”>0.1%，表明異常指標(biāo)占比超過正常波動范圍，判定滾珠絲杠副出現(xiàn)早期退化；- 隨著窗口滑動，正常階段的重構(gòu)誤差逐漸被實(shí)時數(shù)據(jù)替代，動態(tài)反映退化趨勢（如早期退化時，超閾值概率和從0.1%升至0.5%以上）。
2.4 加速壽命試驗(yàn)與數(shù)據(jù)驗(yàn)證
為獲取滾珠絲杠副全壽命周期數(shù)據(jù)（實(shí)際壽命過長，無法直接監(jiān)測），設(shè)計加速壽命試驗(yàn)臺，通過增加軸向/徑向負(fù)載加速退化，模擬真實(shí)工況：
- 數(shù)據(jù)采集：在絲杠螺母上安裝加速度傳感器，采樣頻率5kHz，每隔30分鐘采集一次信號，直至絲杠失效，共獲取215個時刻的有效數(shù)據(jù)（總時長107.5小時）；
- 驗(yàn)證方案：① 退化階段識別（正常、早期、嚴(yán)重退化），對比CNVAE重構(gòu)誤差與傳統(tǒng)健康指標(biāo)（相對相似性、最小量化誤差MQE）的分類準(zhǔn)確率；② 異常監(jiān)測對比，與OCSVM、偏度+3σ、AE+KDE等方法比較退化起始點(diǎn)檢測時間；③ 真實(shí)性驗(yàn)證，通過峭度（對早期故障敏感）與滾道實(shí)物觀測（顯微鏡觀察點(diǎn)蝕）確認(rèn)異常判定結(jié)果。
三、關(guān)鍵技術(shù)
3.1 1DCNN-CNVAE的時序特征提取技術(shù)
- 核心優(yōu)勢：1DCNN的卷積核沿時間軸滑動，能精準(zhǔn)捕捉振動信號的局部時序關(guān)聯(lián)（如早期退化的5-10ms微小沖擊），優(yōu)于傳統(tǒng)VAE的全連接層；CNVAE的隨機(jī)隱變量分布能更好學(xué)習(xí)正常數(shù)據(jù)的隱含規(guī)律，對微小退化的敏感性比AE提升30%以上；
- 技術(shù)細(xì)節(jié)：隱變量維度設(shè)為10（實(shí)驗(yàn)驗(yàn)證維度5/10/15中最優(yōu)），學(xué)習(xí)率0.001（避免過大導(dǎo)致不收斂、過小導(dǎo)致訓(xùn)練慢），批量大小32（平衡訓(xùn)練效率與精度），訓(xùn)練輪次100，確保模型收斂且泛化。
3.2 重構(gòu)誤差健康指標(biāo)構(gòu)建技術(shù)
- 無監(jiān)督特性：僅依賴正常數(shù)據(jù)訓(xùn)練，無需任何故障樣本，解決滾珠絲杠副故障數(shù)據(jù)稀缺的行業(yè)痛點(diǎn)；
- 量化能力：實(shí)驗(yàn)表明，正常狀態(tài)重構(gòu)誤差均值0.15，早期退化均值0.42，嚴(yán)重退化均值1.28，三階段差異顯著，分類準(zhǔn)確率達(dá)95.4%，遠(yuǎn)高于相對相似性（54.4%）與MQE（76.4%）。
3.3 動態(tài)核密度估計的異常判定技術(shù)
- 滑動窗口設(shè)計：窗口長度25（覆蓋12.5小時的監(jiān)測數(shù)據(jù)），滑動距離1（每30分鐘更新一次），既能反映退化趨勢，又避免單時刻數(shù)據(jù)的偶然性；
- 概率分布判定：通過窗口內(nèi)超閾值概率和替代單一點(diǎn)判定，減少正常工況隨機(jī)噪聲的誤報（實(shí)驗(yàn)中誤報率從3σ準(zhǔn)則的5.2%降至0.8%），早期退化檢測提前20-40個監(jiān)測點(diǎn)。
3.4 加速壽命試驗(yàn)的數(shù)據(jù)獲取技術(shù)
- 工況模擬：試驗(yàn)臺保留直升機(jī)尾減傳動結(jié)構(gòu)，用磁粉制動器施加負(fù)載，模擬真實(shí)進(jìn)給系統(tǒng)的軸向/徑向力，確保數(shù)據(jù)真實(shí)性；
- 高效采集：采用“5kHz采樣+30分鐘間隔”策略，在107.5小時內(nèi)獲取215組有效數(shù)據(jù)，既覆蓋全壽命周期，又避免數(shù)據(jù)量過大（總數(shù)據(jù)量約50GB），便于后續(xù)處理。
四、核心創(chuàng)新點(diǎn)
4.1 無監(jiān)督CNVAE架構(gòu)，突破“故障數(shù)據(jù)依賴”瓶頸
首次將1DCNN與變分自編碼器（VAE）融合，構(gòu)建CNVAE模型：
- 僅需早期正常數(shù)據(jù)訓(xùn)練，無需任何故障樣本，適配滾珠絲杠副“故障數(shù)據(jù)稀缺”的實(shí)際場景；
- 隨機(jī)隱變量分布比AE的確定性映射更能捕捉正常數(shù)據(jù)的隱含規(guī)律，對早期退化（如滾道輕微點(diǎn)蝕）的敏感性提升30%，重構(gòu)誤差的階段區(qū)分度達(dá)95.4%。
4.2 動態(tài)核密度估計，解決“傳統(tǒng)閾值判定不靈敏”問題
針對3σ準(zhǔn)則易受噪聲干擾的缺陷，提出“滑動窗口+概率分布”的判定邏輯：
- 基于KDE的自適應(yīng)閾值（無需專家經(jīng)驗(yàn)），虛警率控制在0.1%；
- 通過窗口內(nèi)超閾值概率和的變化判定異常，而非單一點(diǎn)數(shù)據(jù)，早期退化檢測比3σ準(zhǔn)則提前37個監(jiān)測點(diǎn)（VAE+3σ為136，VAE+KDE為119），且誤報率降低84%。
4.3 1DCNN適配時序信號，提升特征提取效率
相比二維CNN對時序信號的冗余處理，1DCNN直接沿時間軸提取特征：
- 計算效率提升50%（訓(xùn)練時間從AE的620s降至CNVAE的519s）；
- 能精準(zhǔn)捕捉振動信號的局部時序關(guān)聯(lián)（如早期退化的5ms沖擊），避免傳統(tǒng)全連接層丟失細(xì)節(jié)特征，重構(gòu)誤差的階段識別準(zhǔn)確率比AE提升19%。
4.4 多維度驗(yàn)證體系，確保方法工程實(shí)用性
實(shí)驗(yàn)設(shè)計嚴(yán)謹(jǐn)，從數(shù)據(jù)到結(jié)果多維度驗(yàn)證：
- 加速壽命試驗(yàn)：模擬真實(shí)工況獲取全壽命數(shù)據(jù)，解決實(shí)際中數(shù)據(jù)難獲取問題；
- 多方法對比：與OCSVM、偏度+3σ、AE+KDE等6種方法比較，CNVAE+KDE的退化起始點(diǎn)檢測最早（第119個點(diǎn)），比OCSVM（141個點(diǎn)）提前22個點(diǎn)（約11小時）；
- 真實(shí)性驗(yàn)證：通過峭度（第119個點(diǎn)后峭度從3.2升至4.8）與滾道實(shí)物觀測（顯微鏡發(fā)現(xiàn)輕微點(diǎn)蝕），確認(rèn)異常判定的準(zhǔn)確性，避免“虛假報警”。
五、實(shí)驗(yàn)驗(yàn)證與結(jié)果分析
5.1 退化階段識別結(jié)果
將滾珠絲杠副全壽命數(shù)據(jù)分為正常（前75個點(diǎn)）、早期退化（76-150個點(diǎn)）、嚴(yán)重退化（151-215個點(diǎn)）三階段，采用混合高斯模型聚類：
- 準(zhǔn)確率：CNVAE重構(gòu)誤差的分類準(zhǔn)確率達(dá)95.4%，相對相似性僅54.4%，MQE為76.4%，表明CNVAE能更精準(zhǔn)區(qū)分不同退化階段；
- 特征敏感性：正常階段重構(gòu)誤差集中在0.1-0.2，早期退化分散在0.3-0.6，嚴(yán)重退化>0.8，三階段無明顯重疊，優(yōu)于傳統(tǒng)指標(biāo)的模糊區(qū)分。
5.2 異常監(jiān)測結(jié)果
對比6種主流方法的退化起始點(diǎn)檢測時間：
- 本文方法（CNVAE+KDE）最早檢測到異常（第119個點(diǎn)，約59.5小時）；
- 傳統(tǒng)方法中，OCSVM最晚（第141個點(diǎn)），偏度+3σ次之（第171個點(diǎn)）；
- 驗(yàn)證：第119個點(diǎn)后，振動信號的峭度值從3.2升至4.8，顯微鏡觀測到滾道表面輕微疲勞點(diǎn)蝕，確認(rèn)此時已出現(xiàn)早期損傷，證明本文方法的早期檢測能力。
5.3 超參數(shù)影響分析
通過控制變量法驗(yàn)證關(guān)鍵超參數(shù)對模型性能的影響：
- 隱變量維度：5/10/15時準(zhǔn)確率分別為94.8%/95.4%/95.2%，10維最優(yōu)，模型魯棒性強(qiáng)；
- 學(xué)習(xí)率：0.0001/0.001/0.01時準(zhǔn)確率分別為95.0%/95.4%/92.8%，0.001平衡收斂速度與精度；
- 批量大小：16/32/64/128時準(zhǔn)確率分別為95.2%/95.4%/93.2%/91.6%，32時訓(xùn)練效率與精度最優(yōu)。
六、研究結(jié)論與展望
6.1 研究結(jié)論
1. 方法有效性：提出的CNVAE+動態(tài)KDE方法無需故障數(shù)據(jù)，能精準(zhǔn)識別滾珠絲杠副的正常、早期、嚴(yán)重退化三階段，分類準(zhǔn)確率95.4%，異常檢測比傳統(tǒng)方法提前11-26小時；
2. 技術(shù)優(yōu)越性：1DCNN提升時序特征提取效率，CNVAE增強(qiáng)早期退化敏感性，動態(tài)KDE減少誤報，三者協(xié)同實(shí)現(xiàn)“無監(jiān)督、早期、精準(zhǔn)”監(jiān)測；3. 工程適用性：無需專家經(jīng)驗(yàn)與故障數(shù)據(jù)，閾值自適應(yīng)設(shè)定，可直接應(yīng)用于數(shù)控機(jī)床滾珠絲杠副的在線監(jiān)測，為預(yù)測性維護(hù)提供依據(jù)。
6.2 未來展望
1. 模型優(yōu)化：當(dāng)前模型未充分利用振動信號的長時序關(guān)聯(lián)，后續(xù)可融入LSTM與CNVAE結(jié)合，提升長周期退化趨勢捕捉能力；
2. 參數(shù)自適應(yīng)：超參數(shù)（如窗口長度、隱變量維度）需實(shí)驗(yàn)確定，未來研究自適應(yīng)參數(shù)選擇方法，提升算法部署效率；
3. 多部件推廣：驗(yàn)證方法在軸承、齒輪等其他機(jī)械部件上的適用性，擴(kuò)大工程應(yīng)用范圍。
綜上，本文提出的無監(jiān)督異常監(jiān)測方法，有效解決了滾珠絲杠副故障數(shù)據(jù)稀缺、早期退化難檢測的行業(yè)痛點(diǎn)，實(shí)驗(yàn)驗(yàn)證表明其具備高準(zhǔn)確率與早期敏感性，為機(jī)械核心部件的預(yù)測性維護(hù)提供了新的技術(shù)路徑。
參考文獻(xiàn)：基于卷積變分自編碼器的滾珠絲杠副異常監(jiān)測，文娟等，計算機(jī)集成制造系統(tǒng) |
京公網(wǎng)安備11010802046783號
