一、研究背景与意义
滚珠丝杠副作为数控机床进给系统的核心部件，承担着“旋转运动-直线运动”转换的关键功能，其精度与可靠性直接决定机床加工质量与生产安全。据行业统计，数控机床进给系统故障中约40%与滚珠丝杠副退化相关，轻微损伤即可导致定位误差增大，严重时引发设备停机，造成日均数万元的经济损失。然而，滚珠丝杠副的监测面临两大核心瓶颈，制约了传统方法的应用：
1.1 故障数据极度稀缺
滚珠丝杠副作为高可靠性部件，设计寿命通常超过10000小时，且实际运维中为避免故障风险，往往在出现明显退化前就提前更换，导致故障状态监测数据几乎无法获取。传统智能监测方法（如SVM、深度信念网络）需大量故障样本训练模型，在该场景下完全失效；基于物理机理的方法（如断裂力学模型）则需复杂的先验知识（如表面粗糙度、预紧力），难以适应实际工况变化。
1.2 传统监测方法局限性显著
- 信号处理方法（如经验模态分解、多尺度熵）依赖专家手动提取特征，需掌握滚珠丝杠副动力学特性与信号处理技术，耗时且难以自动化，无法满足在线监测需求；
- 阈值判定方法（如3σ准则）易受正常工况的随机噪声与冲击干扰，导致阈值设置宽松，无法及时检测早期退化（如轻微疲劳点蚀），往往在故障严重后才报警；
- 常规自编码器（AE）等模型虽能无监督学习，但为确定性映射，难以捕捉振动信号的随机隐含分布，对早期微弱退化的敏感性不足。
针对上述痛点，本文提出“基于卷积变分自编码器（CNVAE）与动态核密度估计的异常监测方法”，通过无监督学习正常数据分布、动态概率判定异常，实现“无需故障数据、早期精准监测”的目标，为滚珠丝杠副预测性维护提供技术支撑。
二、主要研究内容
本文围绕“无故障数据下的异常监测”核心目标，构建“健康指标构建-异常判定”的两阶段技术框架，具体研究内容如下：
2.1 方法整体架构
论文提出的方法分为离线训练与在线监测两大阶段，流程如图1所示：
1. 离线训练阶段：仅使用滚珠丝杠副早期正常状态的振动信号，训练CNVAE模型，学习正常数据的隐含分布；通过核密度估计（KDE）分析正常数据的重构误差，设定异常阈值；
2. 在线监测阶段：实时采集振动信号，输入训练好的CNVAE模型得到重构误差（健康指标）；利用滑动窗口选取多时刻重构误差，输入动态核密度估计模型，通过概率分布变化判定是否异常。
2.2 卷积变分自编码器（CNVAE）的健康指标构建
CNVAE是方法的核心，旨在通过无监督学习正常数据分布，以“重构误差”量化滚珠丝杠副的健康状态，解决“无故障数据”与“早期特征难提取”的问题。
2.2.1 CNVAE的网络结构
考虑到滚珠丝杠副的振动信号为一维时序数据，采用一维卷积神经网络（1DCNN） 构建CNVAE的编码器与解码器，避免二维CNN对时序信号的冗余处理，提升计算效率：
- 编码器：4层1D卷积层（激活函数LeakyReLU），逐步提取振动信号的局部时序特征（如早期退化的微小冲击），最后通过全连接层生成隐变量的均值与方差（隐变量服从高斯分布，维度设为10，平衡降维效果与拟合能力）；
- 解码器：4层1D反卷积层，基于隐变量重构原始振动信号，通过全连接层输出与输入维度一致的重构信号；- 训练目标：最小化“重构误差”（输入与重构信号的均方差）与“KL散度”（正则化项，确保隐变量分布接近标准高斯分布），平衡重构精度与模型泛化能力。
2.2.2 健康指标定义
训练完成的CNVAE仅能精准重构正常状态的振动信号（重构误差小，通常<0.2）；当滚珠丝杠副出现早期退化（如滚道轻微点蚀）时，实时振动信号偏离正常分布，CNVAE重构效果显著下降，重构误差大幅增大（早期退化>0.3，严重退化>0.8）。因此，将重构误差直接作为健康指标，量化滚珠丝杠副偏离正常状态的程度，无需手动提取特征。
2.3 动态核密度估计的异常判定
传统3σ准则通过单个监测点的健康指标是否超阈值判定异常，易受随机噪声干扰（如正常工况的瞬时冲击），导致误报或漏报。本文提出动态核密度估计（KDE） 方法，基于“滑动窗口内健康指标的概率分布变化”判定异常，提升稳定性与敏感性。
2.3.1 异常阈值设定
离线阶段，将正常数据的重构误差输入KDE模型（非参数化概率估计，无需假设分布形式），得到其概率密度函数；设定置信水平为99.9%（对应虚警率0.1%），通过累积分布函数计算得到重构误差异常阈值（论文中为0.3978），即正常状态下仅有0.1%的重构误差会超过该值。
2.3.2 滑动窗口与概率判定
在线监测时，采用长度为25、滑动距离为1的时间窗口（平衡稳定性与敏感性），选取“当前时刻重构误差+前24个时刻重构误差”构成时序序列，输入KDE模型计算窗口内重构误差的概率分布：
- 若窗口内“超过阈值的重构误差概率和”>0.1%，表明异常指标占比超过正常波动范围，判定滚珠丝杠副出现早期退化；- 随着窗口滑动，正常阶段的重构误差逐渐被实时数据替代，动态反映退化趋势（如早期退化时，超阈值概率和从0.1%升至0.5%以上）。
2.4 加速寿命试验与数据验证
为获取滚珠丝杠副全寿命周期数据（实际寿命过长，无法直接监测），设计加速寿命试验台，通过增加轴向/径向负载加速退化，模拟真实工况：
- 数据采集：在丝杠螺母上安装加速度传感器，采样频率5kHz，每隔30分钟采集一次信号，直至丝杠失效，共获取215个时刻的有效数据（总时长107.5小时）；
- 验证方案：① 退化阶段识别（正常、早期、严重退化），对比CNVAE重构误差与传统健康指标（相对相似性、最小量化误差MQE）的分类准确率；② 异常监测对比，与OCSVM、偏度+3σ、AE+KDE等方法比较退化起始点检测时间；③ 真实性验证，通过峭度（对早期故障敏感）与滚道实物观测（显微镜观察点蚀）确认异常判定结果。
三、关键技术
3.1 1DCNN-CNVAE的时序特征提取技术
- 核心优势：1DCNN的卷积核沿时间轴滑动，能精准捕捉振动信号的局部时序关联（如早期退化的5-10ms微小冲击），优于传统VAE的全连接层；CNVAE的随机隐变量分布能更好学习正常数据的隐含规律，对微小退化的敏感性比AE提升30%以上；
- 技术细节：隐变量维度设为10（实验验证维度5/10/15中最优），学习率0.001（避免过大导致不收敛、过小导致训练慢），批量大小32（平衡训练效率与精度），训练轮次100，确保模型收敛且泛化。
3.2 重构误差健康指标构建技术
- 无监督特性：仅依赖正常数据训练，无需任何故障样本，解决滚珠丝杠副故障数据稀缺的行业痛点；
- 量化能力：实验表明，正常状态重构误差均值0.15，早期退化均值0.42，严重退化均值1.28，三阶段差异显著，分类准确率达95.4%，远高于相对相似性（54.4%）与MQE（76.4%）。
3.3 动态核密度估计的异常判定技术
- 滑动窗口设计：窗口长度25（覆盖12.5小时的监测数据），滑动距离1（每30分钟更新一次），既能反映退化趋势，又避免单时刻数据的偶然性；
- 概率分布判定：通过窗口内超阈值概率和替代单一点判定，减少正常工况随机噪声的误报（实验中误报率从3σ准则的5.2%降至0.8%），早期退化检测提前20-40个监测点。
3.4 加速寿命试验的数据获取技术
- 工况模拟：试验台保留直升机尾减传动结构，用磁粉制动器施加负载，模拟真实进给系统的轴向/径向力，确保数据真实性；
- 高效采集：采用“5kHz采样+30分钟间隔”策略，在107.5小时内获取215组有效数据，既覆盖全寿命周期，又避免数据量过大（总数据量约50GB），便于后续处理。
四、核心创新点
4.1 无监督CNVAE架构，突破“故障数据依赖”瓶颈
首次将1DCNN与变分自编码器（VAE）融合，构建CNVAE模型：
- 仅需早期正常数据训练，无需任何故障样本，适配滚珠丝杠副“故障数据稀缺”的实际场景；
- 随机隐变量分布比AE的确定性映射更能捕捉正常数据的隐含规律，对早期退化（如滚道轻微点蚀）的敏感性提升30%，重构误差的阶段区分度达95.4%。
4.2 动态核密度估计，解决“传统阈值判定不灵敏”问题
针对3σ准则易受噪声干扰的缺陷，提出“滑动窗口+概率分布”的判定逻辑：
- 基于KDE的自适应阈值（无需专家经验），虚警率控制在0.1%；
- 通过窗口内超阈值概率和的变化判定异常，而非单一点数据，早期退化检测比3σ准则提前37个监测点（VAE+3σ为136，VAE+KDE为119），且误报率降低84%。
4.3 1DCNN适配时序信号，提升特征提取效率
相比二维CNN对时序信号的冗余处理，1DCNN直接沿时间轴提取特征：
- 计算效率提升50%（训练时间从AE的620s降至CNVAE的519s）；
- 能精准捕捉振动信号的局部时序关联（如早期退化的5ms冲击），避免传统全连接层丢失细节特征，重构误差的阶段识别准确率比AE提升19%。
4.4 多维度验证体系，确保方法工程实用性
实验设计严谨，从数据到结果多维度验证：
- 加速寿命试验：模拟真实工况获取全寿命数据，解决实际中数据难获取问题；
- 多方法对比：与OCSVM、偏度+3σ、AE+KDE等6种方法比较，CNVAE+KDE的退化起始点检测最早（第119个点），比OCSVM（141个点）提前22个点（约11小时）；
- 真实性验证：通过峭度（第119个点后峭度从3.2升至4.8）与滚道实物观测（显微镜发现轻微点蚀），确认异常判定的准确性，避免“虚假报警”。
五、实验验证与结果分析
5.1 退化阶段识别结果
将滚珠丝杠副全寿命数据分为正常（前75个点）、早期退化（76-150个点）、严重退化（151-215个点）三阶段，采用混合高斯模型聚类：
- 准确率：CNVAE重构误差的分类准确率达95.4%，相对相似性仅54.4%，MQE为76.4%，表明CNVAE能更精准区分不同退化阶段；
- 特征敏感性：正常阶段重构误差集中在0.1-0.2，早期退化分散在0.3-0.6，严重退化>0.8，三阶段无明显重叠，优于传统指标的模糊区分。
5.2 异常监测结果
对比6种主流方法的退化起始点检测时间：
- 本文方法（CNVAE+KDE）最早检测到异常（第119个点，约59.5小时）；
- 传统方法中，OCSVM最晚（第141个点），偏度+3σ次之（第171个点）；
- 验证：第119个点后，振动信号的峭度值从3.2升至4.8，显微镜观测到滚道表面轻微疲劳点蚀，确认此时已出现早期损伤，证明本文方法的早期检测能力。
5.3 超参数影响分析
通过控制变量法验证关键超参数对模型性能的影响：
- 隐变量维度：5/10/15时准确率分别为94.8%/95.4%/95.2%，10维最优，模型鲁棒性强；
- 学习率：0.0001/0.001/0.01时准确率分别为95.0%/95.4%/92.8%，0.001平衡收敛速度与精度；
- 批量大小：16/32/64/128时准确率分别为95.2%/95.4%/93.2%/91.6%，32时训练效率与精度最优。
六、研究结论与展望
6.1 研究结论
1. 方法有效性：提出的CNVAE+动态KDE方法无需故障数据，能精准识别滚珠丝杠副的正常、早期、严重退化三阶段，分类准确率95.4%，异常检测比传统方法提前11-26小时；
2. 技术优越性：1DCNN提升时序特征提取效率，CNVAE增强早期退化敏感性，动态KDE减少误报，三者协同实现“无监督、早期、精准”监测；3. 工程适用性：无需专家经验与故障数据，阈值自适应设定，可直接应用于数控机床滚珠丝杠副的在线监测，为预测性维护提供依据。
6.2 未来展望
1. 模型优化：当前模型未充分利用振动信号的长时序关联，后续可融入LSTM与CNVAE结合，提升长周期退化趋势捕捉能力；
2. 参数自适应：超参数（如窗口长度、隐变量维度）需实验确定，未来研究自适应参数选择方法，提升算法部署效率；
3. 多部件推广：验证方法在轴承、齿轮等其他机械部件上的适用性，扩大工程应用范围。
综上，本文提出的无监督异常监测方法，有效解决了滚珠丝杠副故障数据稀缺、早期退化难检测的行业痛点，实验验证表明其具备高准确率与早期敏感性，为机械核心部件的预测性维护提供了新的技术路径。
参考文献：基于卷积变分自编码器的滚珠丝杠副异常监测，文娟等，计算机集成制造系统 |
