Ball screws, the most frequently used mechanical components to transform rotary motion into linear motion, can directly affect the precision and service life of engineering machines. Once the efficiency and accuracy of ball screws degrades, the performance and safety of machines are hard to guarantee. Conventional fault diagnosis researches of ball screws are mainly focused on ordinary faults such as preload loss and wear, and lack of the researches on early faults such as lubrication degradation which may progress into the ordinary faults. Additionally, the fault diagnosis models proposed in previous studies divide the fault diagnosis into two separated stages: feature extraction and fault classification, which prevents the usage for real-time applications. The specifically designed algorithm in features extraction stage may be also not workable on other objects. To tackle these drawbacks, this paper proposes a highly accurate early fault diagnosis model of ball screws based on a state-of-the-art deep learning technique, called One-Dimensional Convolutional Neural Network (1-D CNN). Experiments simulating the lubrication degradation of ball screws are specially designed for the early fault diagnosis of the ball screws. Moreover, a concise and efficient approach based on orthogonal design is exploited to scientifically obtain the optimal parameters of the 1-D CNN. The results of a case study verify the superiority of the proposed method in establishing a highly accurate 1-D CNN based fault diagnosis model.

滚珠丝杠是最常用的将旋转运动转换为线性运动的机械部件，会直接影响工程机械的精度和使用寿命。一旦滚珠丝杠的效率和精度下降，就难以保证机器的性能和安全性。滚珠丝杠的常规故障诊断研究主要集中在诸如预载荷损失和磨损之类的普通故障上，而对诸如润滑退化可能发展为普通故障的早期故障的研究则缺乏研究。此外，先前研究中提出的故障诊断模型将故障诊断分为两个独立的阶段：特征提取和故障分类，这阻止了实时应用的使用。在特征提取阶段专门设计的算法也可能无法在其他对象上使用。为了解决这些缺点，本文提出了一种基于最新的深度学习技术，称为一维卷积神经网络（1-D CNN）的高精度滚珠丝杠的早期故障诊断模型。模拟滚珠丝杠润滑退化的实验是专门为滚珠丝杠的早期故障诊断而设计的。此外，利用一种基于正交设计的简洁有效的方法来科学地获得一维CNN的最佳参数。案例研究结果验证了该方法在建立基于一维CNN的高精度故障诊断模型中的优越性。本文基于一种称为一维卷积神经网络（1-D CNN）的最新深度学习技术，提出了一种高精度的滚珠丝杠早期故障诊断模型。模拟滚珠丝杠润滑退化的实验是专门为滚珠丝杠的早期故障诊断而设计的。此外，利用一种基于正交设计的简洁有效的方法来科学地获得一维CNN的最佳参数。案例研究结果验证了该方法在建立基于一维CNN的高精度故障诊断模型中的优越性。本文基于一种称为一维卷积神经网络（1-D CNN）的深度学习技术，提出了一种高精度的滚珠丝杠早期故障诊断模型。模拟滚珠丝杠润滑退化的实验是专门为滚珠丝杠的早期故障诊断而设计的。此外，利用一种基于正交设计的简洁有效的方法来科学地获得一维CNN的最佳参数。案例研究结果验证了该方法在建立基于一维CNN的高精度故障诊断模型中的优越性。模拟滚珠丝杠润滑退化的实验是专门为滚珠丝杠的早期故障诊断而设计的。此外，利用一种基于正交设计的简洁有效的方法来科学地获得一维CNN的最佳参数。案例研究的结果证明了该方法在建立基于一维高精度CNN的故障诊断模型中的优越性。模拟滚珠丝杠润滑退化的实验是专门为滚珠丝杠的早期故障诊断而设计的。此外，利用一种基于正交设计的简洁有效的方法来科学地获得一维CNN的最佳参数。案例研究结果验证了该方法在建立基于一维CNN的高精度故障诊断模型中的优越性。