數(shù)控機(jī)床伺服系統(tǒng)故障診斷技術(shù)研究綜述

劉 超， 張玉玲， 張邦成＊， 舒鳳德，張 鑫， 劉鐵軍

（1.吉林省知識(shí)產(chǎn)權(quán)事務(wù)中心，吉林長(zhǎng)春 130051；2.長(zhǎng)春工業(yè)大學(xué)機(jī)電工程學(xué)院，吉林長(zhǎng)春 130012；3.第二炮兵工程大學(xué)控制工程系，陜西西安 710025；4.空軍航空大學(xué)飛行基礎(chǔ)訓(xùn)練基地，吉林長(zhǎng)春 130022）

0 引 言

伺服系統(tǒng)是眾多裝置的重要組成部分，其性能直接影響設(shè)備的精度、工作效率及可靠性等［1］。伺服系統(tǒng)具有可靠性高、結(jié)構(gòu)緊湊、操作性好、可重復(fù)性等優(yōu)點(diǎn)，因此應(yīng)用領(lǐng)域也越來越廣泛。伺服系統(tǒng)長(zhǎng)期工作在工業(yè)現(xiàn)場(chǎng)等惡劣環(huán)境中，元器件在長(zhǎng)期使用中不可避免地出現(xiàn)老化、磨損等因素，進(jìn)一步加劇了系統(tǒng)出現(xiàn)故障的幾率。此外，隨著伺服系統(tǒng)功能的不斷增強(qiáng)和應(yīng)用領(lǐng)域的擴(kuò)大，其精密性和復(fù)雜程度也迅速提高，致使系統(tǒng)中出現(xiàn)故障的可能性大大增加。這些故障若不能及時(shí)被檢測(cè)、排除，將會(huì)對(duì)設(shè)備的工作性能產(chǎn)生不利影響，甚至導(dǎo)致整個(gè)系統(tǒng)失效、癱瘓，或引起巨大的災(zāi)難性后果。如在連續(xù)生產(chǎn)系統(tǒng)中，數(shù)控機(jī)床伺服系統(tǒng)任何部分產(chǎn)生故障都會(huì)影響加工精度及效率，還可能損壞整個(gè)裝置，甚至影響整個(gè)生產(chǎn)線的正常運(yùn)行，并造成重大的經(jīng)濟(jì)損失［2］。因此，及時(shí)、準(zhǔn)確地診斷出系統(tǒng)故障，可以降低生產(chǎn)成本，提高生產(chǎn)效率及可靠性，故研究伺服系統(tǒng)的故障診斷對(duì)于提高系統(tǒng)的可靠性及維修水平具有重要的實(shí)用價(jià)值和現(xiàn)實(shí)意義。數(shù)控機(jī)床伺服系統(tǒng)具有一般伺服系統(tǒng)所具有的特征，并且研究數(shù)控機(jī)床的伺服系統(tǒng)比航空炮塔、導(dǎo)彈發(fā)射架等軍工裝置的成本低，危險(xiǎn)性要小。文中以數(shù)控機(jī)床伺服系統(tǒng)為例研究伺服系統(tǒng)故障診斷技術(shù)的進(jìn)展。

過去的幾十年中，數(shù)控機(jī)床伺服系統(tǒng)故障診斷問題得到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，許多科研機(jī)構(gòu)對(duì)其進(jìn)行了深入研究，取得了一些重要的研究成果。文中主要分析了國(guó)內(nèi)外數(shù)控機(jī)床伺服系統(tǒng)故障診斷的研究現(xiàn)狀與進(jìn)展，列舉了各種主要方法的一些典型的應(yīng)用實(shí)例，揭示出當(dāng)前研究中存在的關(guān)鍵問題，并提出解決這些問題的途徑。

1 數(shù)控機(jī)床伺服系統(tǒng)故障診斷的特點(diǎn)

伺服系統(tǒng)的機(jī)電部件主要由伺服電機(jī)、檢測(cè)元件、聯(lián)軸器、滾珠絲杠螺母副、軸承、編碼器、導(dǎo)軌和滑塊組成［3］。由于伺服系統(tǒng)涉及環(huán)節(jié)較多，故障原因復(fù)雜，一般既有機(jī)械故障又有電氣故障，診斷起來較為困難。因此，數(shù)控機(jī)床伺服系統(tǒng)的故障診斷問題具有自身的結(jié)構(gòu)特點(diǎn)和診斷難點(diǎn)。

1）伺服系統(tǒng)是較為復(fù)雜的機(jī)電一體化系統(tǒng)，在獲取導(dǎo)軌、絲杠和工作臺(tái)等機(jī)械振動(dòng)信號(hào)時(shí)易受電機(jī)、傳感器等電器元件的干擾，表現(xiàn)出一定的機(jī)電耦合特性，致使測(cè)得的信號(hào)帶有較嚴(yán)重的干擾信號(hào)，該信號(hào)既有機(jī)械結(jié)構(gòu)系統(tǒng)固有振動(dòng)信號(hào)，又有電機(jī)振動(dòng)信號(hào)以及傳感器固有振動(dòng)信號(hào)。從各種耦合的振動(dòng)信號(hào)中提取出有效的振動(dòng)信息較為困難，從而影響診斷故障精度。

2）在加工過程中，導(dǎo)軌與工作臺(tái)結(jié)合面上的振動(dòng)、工作臺(tái)與絲杠結(jié)合處的振動(dòng)以及絲杠本身的振動(dòng)相互耦合造成的振動(dòng)混在一起，使得測(cè)量得到的振動(dòng)信號(hào)具有強(qiáng)烈的非線性，大大增加了有效振動(dòng)信號(hào)分解的難度。

3）伺服系統(tǒng)一般都工作在惡劣的環(huán)境，表征故障特征信號(hào)總會(huì)伴有噪聲，尤其是在早期故障時(shí)，故障信號(hào)極為微弱，很容易被噪聲所淹沒，早期故障特征的提取是實(shí)現(xiàn)伺服系統(tǒng)故障診斷的關(guān)鍵。

4）在切削力與伺服電機(jī)的共同激勵(lì)作用下，絲杠振動(dòng)特性較為復(fù)雜，使絲杠的故障呈現(xiàn)一定的復(fù)雜隨機(jī)性。另外，絲杠的預(yù)應(yīng)力、滾道的非線性、非均勻磨損等特性使得絲杠在行程的不同點(diǎn)其故障的表現(xiàn)形式有很大區(qū)別，增加了大量故障樣本獲取的難度。

2 數(shù)控機(jī)床故障診斷國(guó)內(nèi)外研究現(xiàn)狀

設(shè)備的故障診斷不僅在于研究故障本身，更在于研究故障診斷的方法。傳統(tǒng)的故障診斷方法主要分為基于數(shù)學(xué)模型的方法、基于知識(shí)的方法和基于信號(hào)的方法三大類［4］。然而隨著近年來各種新的診斷方法的出現(xiàn)，傳統(tǒng)的分類方法已經(jīng)不再適用。周東華［4］等從一個(gè)全新的角度將現(xiàn)有的故障診斷方法分為定性分析方法和定量分析方法兩大類。這兩類方法也是目前用于數(shù)控機(jī)床故障診斷的主要方法。

2.1 基于定性分析的故障診斷方法

定性分析方法主要有基于專家系統(tǒng)和時(shí)序邏輯的方法?；趯＜蚁到y(tǒng)的故障診斷方法是根據(jù)長(zhǎng)期實(shí)踐積累的經(jīng)驗(yàn)建立知識(shí)庫(kù)，再經(jīng)過推理機(jī)對(duì)系統(tǒng)進(jìn)行故障診斷。它主要包括知識(shí)庫(kù)、推理機(jī)、綜合數(shù)據(jù)庫(kù)、人機(jī)接口及解釋模塊等。基于專家系統(tǒng)的故障診斷方法能夠利用豐富的經(jīng)驗(yàn)知識(shí)，無需對(duì)系統(tǒng)進(jìn)行數(shù)學(xué)建模，并且診斷結(jié)果易于理解，因此得到了廣泛的應(yīng)用［5］。文獻(xiàn)［6］采用專家系統(tǒng)的框架概念構(gòu)造出數(shù)控機(jī)床故障診斷的專家系統(tǒng)模型，采用正反推理混合的方式，提高了診斷效率和精度。但是該方法也存在一定不足：診斷的準(zhǔn)確程度取決于知識(shí)庫(kù)中專家經(jīng)驗(yàn)的豐富程度和知識(shí)水平的高低；缺少學(xué)習(xí)機(jī)制，推理的效率比較低。基于時(shí)序邏輯的方法對(duì)短期預(yù)報(bào)的效果比較好，由于故障產(chǎn)生因素與時(shí)間有密切的關(guān)系，當(dāng)這些影響預(yù)測(cè)結(jié)果的各因素發(fā)生突變，利用該方法所得到的預(yù)測(cè)結(jié)果將受到影響。目前，采用該方法對(duì)數(shù)控機(jī)床故障進(jìn)行故障診斷的研究較少。

2.2 基于定量分析的故障診斷方法

定量分析方法又分為基于解析模型的方法和數(shù)據(jù)驅(qū)動(dòng)的方法。如果系統(tǒng)的解析模型已知，可以使用基于解析模型的方法對(duì)數(shù)控機(jī)床的故障進(jìn)行診斷?；诮馕瞿Ｐ偷姆椒ㄖ饕ɑ贙alman濾波器的方法、基于強(qiáng)跟蹤濾波器的方法、基于粒子濾波器的方法和基于模糊Kalman濾波器的方法。中南大學(xué)的羅永順［7］采用基于Kalman濾波器的方法對(duì)數(shù)控機(jī)床軸承的振動(dòng)信號(hào)進(jìn)行除噪，利用處理后的信號(hào)對(duì)其進(jìn)行故障診斷，該方法提高了診斷效率。文獻(xiàn)［8］利用擴(kuò)展Kalman濾波的故障診斷方法對(duì)電機(jī)轉(zhuǎn)子斷條進(jìn)行故障的在線檢測(cè)，減少了精密轉(zhuǎn)速測(cè)量裝置的使用，降低了經(jīng)濟(jì)成本。

基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法可直接對(duì)運(yùn)行過程中的數(shù)據(jù)進(jìn)行分析處理，在不知道系統(tǒng)精確解析模型的情況下完成系統(tǒng)的故障診斷?；跀?shù)據(jù)驅(qū)動(dòng)的方法主要包括神經(jīng)網(wǎng)絡(luò)法、粗糙集法、支持向量機(jī)法和時(shí)間序列法等。神經(jīng)網(wǎng)絡(luò)方法是指通過樣本的學(xué)習(xí)可以掌握系統(tǒng)規(guī)律，無需對(duì)測(cè)量信號(hào)作模型假設(shè)。文獻(xiàn)［9］將BP神經(jīng)網(wǎng)絡(luò)用于數(shù)控機(jī)床的故障診斷，使算法的收斂速度大大提高，適合于機(jī)床故障的在線診斷。文獻(xiàn)［10］提出了一種新的基于匹配濾波模型的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)系統(tǒng)的故障診斷，并且能夠確定機(jī)床發(fā)生故障的部件。粗糙集是從數(shù)據(jù)中進(jìn)行知識(shí)發(fā)現(xiàn)并揭示其潛在規(guī)律，它不需要數(shù)據(jù)集之外的任何主觀先驗(yàn)信息就能夠?qū)Σ淮_定性進(jìn)行客觀的描述和處理。歷史故障數(shù)據(jù)分析及診斷規(guī)則獲取是機(jī)床智能診斷單元的系統(tǒng)框架的一個(gè)重要部分，姚鑫驊［11］提出了基于粗糙集理論的故障診斷決策規(guī)則生成算法。該算法不需要處理問題所需數(shù)據(jù)外的任何先驗(yàn)知識(shí)，可以從不完整的數(shù)據(jù)中探索到潛在規(guī)律，有效降低了屬性集約簡(jiǎn)的計(jì)算復(fù)雜度，提高規(guī)則求取效率。支持向量機(jī)是一種新的基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，并且在小樣本訓(xùn)練數(shù)據(jù)的情況下該方法具有擬合精度高、推廣能力強(qiáng)等特點(diǎn)。文獻(xiàn)［12］利用支持向量機(jī)模型對(duì)數(shù)控機(jī)床刀具磨損進(jìn)行檢測(cè)，由于該模型對(duì)刀具狀態(tài)的評(píng)估能夠融合刀具的當(dāng)前狀態(tài)及刀具壽命引起的潛在風(fēng)險(xiǎn)，從而提供了更加合理的刀具更換的依據(jù)。

2.3 混合方法

數(shù)控機(jī)床是一種復(fù)雜的機(jī)電系統(tǒng)，采用單一的方法難以很好地對(duì)系統(tǒng)故障進(jìn)行診斷，隨著越來越多的故障診斷方法的提出，一些學(xué)者將多種方法有效地結(jié)合起來對(duì)故障進(jìn)行診斷，結(jié)果表明混合方法充分發(fā)揮了各自的優(yōu)點(diǎn)。文獻(xiàn)［13］將Sugeno模糊模型用于數(shù)控機(jī)床故障診斷系統(tǒng)，實(shí)現(xiàn)了對(duì)各個(gè)診斷專家診斷結(jié)果的模糊綜合，完善了專家系統(tǒng)中的診斷知識(shí)庫(kù)，消除了診斷結(jié)論的隨意性，保證診斷結(jié)果的準(zhǔn)確、可靠。專家系統(tǒng)的自學(xué)習(xí)能力差，而神經(jīng)網(wǎng)絡(luò)的高效性和自學(xué)習(xí)功能，可以有效避免上述問題，但不能對(duì)自身推理方法進(jìn)行解釋。文獻(xiàn)［14］采用神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)集成的故障診斷系統(tǒng)，對(duì)數(shù)控機(jī)床的故障進(jìn)行診斷，有效地提高數(shù)控機(jī)床機(jī)械故障的診斷效率。

3 伺服系統(tǒng)故障診斷國(guó)內(nèi)外研究現(xiàn)狀

國(guó)內(nèi)外學(xué)者利用現(xiàn)有的故障診斷方法對(duì)伺服系統(tǒng)故障診斷問題開展了大量的工作，并取得了一定的研究成果，主要可以分為控制與檢測(cè)系統(tǒng)、驅(qū)動(dòng)裝置以及傳動(dòng)機(jī)構(gòu)的故障診斷。

3.1 控制與檢測(cè)系統(tǒng)的故障診斷

故障診斷系統(tǒng)功能的好壞關(guān)鍵在于對(duì)故障信號(hào)的提取是否及時(shí)，同時(shí)還需要盡量避免干擾信號(hào)的影響，為了提高故障診斷的精度，文獻(xiàn)［15］基于數(shù)控系統(tǒng)中速度冗余信號(hào)，采用主元分析法（PCA）對(duì)其中的編碼器故障進(jìn)行診斷方法的研究。文獻(xiàn)［16］提出一種基于光柵尺、編碼器、伺服電機(jī)電流等內(nèi)置傳感器的機(jī)床狀態(tài)監(jiān)測(cè)系統(tǒng)，通過多種工況下試驗(yàn)分析，證明了內(nèi)置傳感器可為機(jī)械傳動(dòng)部件的故障診斷提供有效的信息，該系統(tǒng)測(cè)試原理簡(jiǎn)單，信噪比高，具有很高的性價(jià)比。

3.2 驅(qū)動(dòng)裝置故障診斷

驅(qū)動(dòng)裝置是伺服系統(tǒng)的動(dòng)力源，對(duì)其故障診斷的研究極為重要。目前應(yīng)用于驅(qū)動(dòng)裝置的故障診斷方法主要有神經(jīng)網(wǎng)絡(luò)、模糊邏輯、模糊神經(jīng)和遺傳算法等。

不同的故障會(huì)導(dǎo)致測(cè)量信號(hào)的頻譜表現(xiàn)出不同的特征，因此可以通過對(duì)信號(hào)的功率譜、倒頻譜等進(jìn)行譜分析的方法來進(jìn)行故障診斷。文獻(xiàn)［17］通過對(duì)感應(yīng)電機(jī)定子的能量譜進(jìn)行分析，實(shí)現(xiàn)了電機(jī)中鼠籠式轉(zhuǎn)子的故障診斷。平穩(wěn)信號(hào)的譜分析方法在機(jī)械系統(tǒng)的故障診斷中得到了廣泛應(yīng)用。文獻(xiàn)［18］提出基于小波神經(jīng)網(wǎng)絡(luò)故障狀態(tài)識(shí)別方法，該方法先用小波分析對(duì)信號(hào)進(jìn)行處理，將得到的故障特征信息作神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)輸出即為故障狀態(tài)。文獻(xiàn)［19］利用卡爾曼濾波對(duì)直流電機(jī)的轉(zhuǎn)速進(jìn)行了估計(jì)和多步外推，并根據(jù)外推結(jié)果對(duì)其進(jìn)行了故障預(yù)測(cè)。文獻(xiàn)［20］利用卡爾曼濾波器對(duì)直流電機(jī)的轉(zhuǎn)速進(jìn)行跟蹤估計(jì)，并且推導(dǎo)得到一步和多步預(yù)報(bào)公式，從而實(shí)現(xiàn)對(duì)電機(jī)的故障預(yù)報(bào)。文獻(xiàn)［21］利用改進(jìn)的模糊卡爾曼濾波器成功對(duì)三容水箱DTS200非線性系統(tǒng)進(jìn)行了狀態(tài)估計(jì)。文獻(xiàn)［22］研究了神經(jīng)網(wǎng)絡(luò)在起動(dòng)電機(jī)故障診斷上的應(yīng)用，并開發(fā)出了一套神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)?；诙ㄗ与娏饕子诓杉墨I(xiàn)［23］利用基于快速傅里葉變換的定子電流頻譜分析方法對(duì)轉(zhuǎn)子斷條故障進(jìn)行在線檢測(cè)。文獻(xiàn)［24］利用小波包分析技術(shù)對(duì)電機(jī)連續(xù)監(jiān)測(cè)，可以實(shí)現(xiàn)感應(yīng)電動(dòng)機(jī)故障的預(yù)測(cè)。Burth M［25］等通過綜合分析直流電機(jī)的振動(dòng)信號(hào)和電樞電流信號(hào)來檢測(cè)與診斷直流電機(jī)的換向片短路和電樞繞阻脫焊故障。

中南大學(xué)的王羅［26］等利用回歸型支持向量機(jī)的方法對(duì)電機(jī)故障特征進(jìn)行學(xué)習(xí)和分類，在此基礎(chǔ)上建立同步電機(jī)故障診斷模型并進(jìn)行仿真，能夠及時(shí)檢測(cè)到故障的發(fā)生并進(jìn)行識(shí)別，是電機(jī)在線檢測(cè)的一種有效方法。針對(duì)傅里葉變換方法無法對(duì)電機(jī)故障信號(hào)奇異信號(hào)點(diǎn)的時(shí)域信息進(jìn)行檢測(cè)，文獻(xiàn)［27］提出基于小波包神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方法。文獻(xiàn)［28］利用短時(shí)傅里葉變換對(duì)電機(jī)電流某一段上的信息進(jìn)行時(shí)頻分析，再通過時(shí)頻信息進(jìn)行故障診斷，該方法在一定程度上克服了傳統(tǒng)傅里葉變換不具有局部分析能力的缺陷，其診斷結(jié)果更清晰、更準(zhǔn)確。清華大學(xué)的邱阿瑞［29］等針對(duì)電機(jī)故障特征在實(shí)際中可能是非線性可分的情況，利用U函數(shù)可以將非線性可分的模式轉(zhuǎn)化到線性空間并實(shí)現(xiàn)分類，提出了一種利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別的方法。對(duì)于存在強(qiáng)非線性行為的機(jī)電伺服系統(tǒng)，且難以通過解析方法建立系統(tǒng)準(zhǔn)確模型的情況，文獻(xiàn)［30］通過最小二乘支持向量機(jī)對(duì)非線性關(guān)系的逼近來建立反映系統(tǒng)輸入、輸出關(guān)系的時(shí)序模型，利用該模型的預(yù)測(cè)輸出與系統(tǒng)實(shí)際輸出相比較得到的殘差來進(jìn)行故障檢測(cè)與診斷，仿真實(shí)驗(yàn)驗(yàn)證了該方法的有效性。針對(duì)神經(jīng)網(wǎng)絡(luò)算法易陷入局部極小點(diǎn)，學(xué)習(xí)速度慢，迭代次數(shù)多等不足，文獻(xiàn)［31］利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值進(jìn)行優(yōu)化，改善BP神經(jīng)網(wǎng)絡(luò)的診斷性能，并利用該方法對(duì)電機(jī)進(jìn)行故障診斷，該方法可以減少訓(xùn)練時(shí)間，加快收斂速度，提高診斷精度。

3.3 傳動(dòng)機(jī)構(gòu)的故障診斷

伺服系統(tǒng)的傳動(dòng)機(jī)構(gòu)主要包括聯(lián)軸器、軸承、滾珠絲杠螺母副和導(dǎo)軌等部件。導(dǎo)軌副和絲杠螺母副是進(jìn)給傳動(dòng)裝置最容易發(fā)生故障的部位。因此，主要研究用于軸承、絲杠螺母副、聯(lián)軸器故障診斷的方法。

文獻(xiàn)［32］最早將支持向量機(jī)用于小樣本情況下軸承的故障檢測(cè)，并對(duì)神經(jīng)網(wǎng)絡(luò)方法和支持向量機(jī)方法進(jìn)行了比較，支持向量機(jī)更加適用于小樣本的情況。文獻(xiàn)［33］利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)分相籠式感應(yīng)電機(jī)匝間短路與軸承損耗兩類故障的診斷；近年來還出現(xiàn)了大量將小波變換與其它方法相結(jié)合的故障診斷方法。文獻(xiàn)［34］提出了基于小波變換和人工神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)軸承故障診斷方法，首先對(duì)旋轉(zhuǎn)軸承的振動(dòng)信號(hào)進(jìn)行小波變換，然后利用神經(jīng)網(wǎng)絡(luò)對(duì)從小波變換系數(shù)中提取的故障特征向量進(jìn)行分類。Filbert D［35］等通過對(duì)直流電機(jī)電流信號(hào)中的頻譜特征分析來診斷直流電機(jī)軸承故障。文獻(xiàn)［36］利用小波分析的方法對(duì)滾動(dòng)軸承的故障進(jìn)行診斷，該方法可以提高信噪比，進(jìn)而提高故障的診斷精度。文獻(xiàn)［37］中利用統(tǒng)計(jì)方法研究了旋轉(zhuǎn)軸承部分故障檢測(cè)中聲壓和波動(dòng)信號(hào)的應(yīng)用。文獻(xiàn)［38］將濾波后的電流信號(hào)用于訓(xùn)練AR模型，計(jì)算出健康狀態(tài)下的基本頻譜，然后通過比較不同狀態(tài)下的頻譜來診斷軸承的故障情況。文獻(xiàn)［39］根據(jù)機(jī)械故障預(yù)測(cè)需要同時(shí)跟蹤多個(gè)特征參數(shù)的要求，利用多變量灰色預(yù)測(cè)模型實(shí)現(xiàn)了對(duì)滾動(dòng)軸承的故障預(yù)報(bào)。文獻(xiàn)［40］利用神經(jīng)網(wǎng)絡(luò)融合小波包變換和能量譜分析的方法將得到的故障特征用于支撐座的早期松動(dòng)故障診斷。基于小波變換的奇異性檢測(cè)可用于突發(fā)型故障診斷，文獻(xiàn)［17］將小波變換的模極大值方法用于軸承振動(dòng)信號(hào)的突變故障檢測(cè)。針對(duì)數(shù)控機(jī)床絲杠故障樣本不易獲取以及樣本分布不均的問題，文獻(xiàn)［41］利用小波包對(duì)振動(dòng)信號(hào)進(jìn)行分解，將分解后的頻帶能量作為特征向量，輸入到超球面支持向量機(jī)分類器進(jìn)行絲杠的故障識(shí)別與診斷，并建立了超球面支持向量機(jī)模型，該模型能夠有效地對(duì)機(jī)床絲杠故障進(jìn)行診斷。

4 問題及解決辦法

4.1 關(guān)鍵問題

1）目前對(duì)數(shù)控機(jī)床伺服系統(tǒng)的故障診斷基本都是借助于一般的故障診斷技術(shù)，很少采用具有針對(duì)性和有效的方法對(duì)伺服系統(tǒng)進(jìn)行故障分析，無法從根本上揭示伺服系統(tǒng)故障的產(chǎn)生及動(dòng)態(tài)變化機(jī)理。因此，研究出適合數(shù)控機(jī)床伺服系統(tǒng)的故障診斷方法是當(dāng)前一個(gè)急需解決的問題。

2）近年來，國(guó)內(nèi)外對(duì)數(shù)控機(jī)床故障診斷方法研究的成果較多，對(duì)伺服系統(tǒng)整體的研究還不是那么豐富；伺服系統(tǒng)中對(duì)電機(jī)、軸承部件的故障診斷方法研究的較多，而對(duì)其它主要部件的研究較少，如對(duì)編碼器、光柵尺等檢測(cè)元件的研究。若這些主要組成部件如檢測(cè)元件等發(fā)生故障，將會(huì)導(dǎo)致系統(tǒng)工作精度降低，效率下降。所以，深入研究伺服系統(tǒng)其它主要組成部件及系統(tǒng)整體的故障診斷具有重要意義。

3）伺服系統(tǒng)越來越復(fù)雜，涉及機(jī)械和電氣，故障檢測(cè)的難度越來越大，當(dāng)前的故障檢測(cè)系統(tǒng)性和深度還不夠，分析的方法也急需探索和創(chuàng)新。在實(shí)際的生產(chǎn)運(yùn)作中，進(jìn)給伺服系統(tǒng)不是獨(dú)立存在的，它包含在人－機(jī)－環(huán)境為一體的系統(tǒng)中，因此，故障信號(hào)的檢測(cè)需要人機(jī)環(huán)境相結(jié)合這一問題也急需解決。

4.2 解決途徑

針對(duì)伺服系統(tǒng)故障診斷的特點(diǎn)和難點(diǎn)，以及目前存在的一些問題，文中提出從以下幾個(gè)方面深入研究其故障診斷技術(shù)，為伺服系統(tǒng)故障診斷與維護(hù)提供可靠的理論依據(jù)和有效的技術(shù)手段。

1）基于現(xiàn)代信號(hào)處理技術(shù)，提出具有針對(duì)性的伺服系統(tǒng)故障特征提取的方法，通過抑制噪聲或利用信號(hào)處理技術(shù)提取噪聲下的微弱故障信號(hào)，為故障診斷提供依據(jù)。

2）建立伺服系統(tǒng)的三維實(shí)體模型，通過模擬伺服系統(tǒng)的實(shí)際故障狀態(tài)進(jìn)行故障診斷，在此基礎(chǔ)上建立考慮實(shí)際運(yùn)行工況的伺服系統(tǒng)故障模型，深入研究系統(tǒng)參數(shù)、故障程度和模型響應(yīng)等因素之間的相互關(guān)系，提高故障模型的精度及檢測(cè)精度。

3）在一定理論基礎(chǔ)上，試圖將一些新方法用于數(shù)控機(jī)床伺服系統(tǒng)的故障診斷中。為了充分利用伺服系統(tǒng)帶有各種不確定性的定量信息和定性知識(shí)，提出采用基于證據(jù)推理算法的置信規(guī)則庫(kù)推理方法（RIMER），該方法較適合于伺服系統(tǒng)這類復(fù)雜非線性化的故障診斷，能夠有效利用各種類型的信息建立輸入和輸出之間的非線性模型，并且可以利用置信規(guī)則庫(kù)專家系統(tǒng)的優(yōu)化模型對(duì)系統(tǒng)進(jìn)行有效的故障診斷。

5 結(jié) 語(yǔ)

研究數(shù)控機(jī)床伺服系統(tǒng)的故障診斷必將為系統(tǒng)可靠性的提高提供一定的理論依據(jù)。分析總結(jié)了伺服系統(tǒng)故障診斷自身的特點(diǎn)及難點(diǎn)，通過國(guó)內(nèi)外對(duì)數(shù)控機(jī)床、伺服系統(tǒng)的驅(qū)動(dòng)裝置、傳動(dòng)機(jī)構(gòu)及檢測(cè)元件故障診斷研究現(xiàn)狀的綜述分析，指出了伺服系統(tǒng)故障診斷現(xiàn)存的一些問題及解決方案，并提出了未來一些可能的發(fā)展方向。伺服系統(tǒng)故障檢測(cè)手段的可行性需要在實(shí)際的應(yīng)用中得到驗(yàn)證，是一個(gè)長(zhǎng)期不斷總結(jié)和改進(jìn)的過程。由于數(shù)控機(jī)床伺服系統(tǒng)具有一般伺服系統(tǒng)所具有的特性，故可將對(duì)其故障診斷方法研究的成果廣泛應(yīng)用到一些昂貴裝備和軍工裝備的伺服系統(tǒng)，這樣可以大大降低該類設(shè)備故障診斷的研究成本。

［1］ 倪永宏.基于BP網(wǎng)的數(shù)控機(jī)床進(jìn)給交流伺服系統(tǒng)研究［D］：［碩士學(xué)位論文］.南京：東南大學(xué)，2010.

［2］ 張瑩.數(shù)控機(jī)床機(jī)械故障診斷方法的研究及應(yīng)用［D］：［碩士學(xué)位論文］.大連：大連理工大學(xué)，2005.

［3］ 劉永久.數(shù)控機(jī)床故障診斷與維修技術(shù)（FANUC系統(tǒng)）［M］.2版.北京：機(jī)械工業(yè)出版社，2009.

［4］ 周東華，胡艷艷.動(dòng)態(tài)系統(tǒng)的故障診斷技術(shù)［J］.自動(dòng)化學(xué)報(bào)，2009，35（6）：748-758.

［5］ 周志杰，胡昌華，周東華.基于非解析模型的動(dòng)態(tài)系統(tǒng)故障預(yù)報(bào)技術(shù)［J］.信息與控制，2006，35（5）：608-612.

［6］ 史晉芳.基于專家系統(tǒng)的數(shù)控機(jī)床故障診斷技術(shù)研究［J］.機(jī)械設(shè)計(jì)與制造，2006（7）：133-135.

［7］ 羅永順.Kalman濾波在數(shù)控機(jī)床軸承故障信號(hào)處理中的應(yīng)用［J］.軸承，2007（8）：36-39.

［8］ 方勝.基于擴(kuò)展卡爾曼濾波器的感應(yīng)電機(jī)轉(zhuǎn)子斷條故障檢測(cè)［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2004，16（2）：28-32.

［9］ 馬曉波，劉闊，劉春時(shí)，等.神經(jīng)網(wǎng)絡(luò)在機(jī)床故障診斷應(yīng)用中的改進(jìn)［J］.制造技術(shù)與機(jī)床，2011（2）：70-72.

［10］ 宋剛，胡德金.基于Sugeno模糊模型的數(shù)控機(jī)床故障診斷法［J］.上海交通大學(xué)學(xué)報(bào)，2005，39（1）：91-94.

［11］ 姚鑫驊，徐月同，傅建中，等.基于粗糙集理論的數(shù)控機(jī)床智能故障診斷研究［J］.浙江大學(xué)學(xué)報(bào)：工學(xué)版，2008，42（10）：1719-1723.

［12］ Sun J，Hong G S，Rahman M，et al.The appliaction of nonstandard support vector machine in tool condition monitoring system［C］／／Proceedings of the Second IEEE International Workshop on Electronic Design，Test and Appliactions.2004：1-6.

［13］ 郭佑民，宋剛.基于Sugeno模糊模型的CNC機(jī)床故障診斷方法［J］.蘭州交通大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，26（1）：89-91.

［14］ 陳會(huì)蓮，谷明月，池丹丹，等.神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在數(shù)控機(jī)床機(jī)械故障診斷中的應(yīng)用［J］.噪聲與振動(dòng)控制，2010（1）：86-91.

［15］ 肖金壯，王洪瑞.一種實(shí)用的數(shù)控系統(tǒng)中編碼器故障診斷方法［J］.傳感技術(shù)學(xué)報(bào)，2008（2）：358-361.

［16］ 周玉清，梅雪松，姜歌東，等.基于內(nèi)置傳感器的大型數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)技術(shù)［J］.機(jī)械工程學(xué)報(bào)，2009，45（4）：125-130.

［17］ Drif M，Benouzza N，Kraloua B，et al.Squirrel cage rotor faults detection in induction motor utilizing stator power spectrum approach［C］／／Proceedings of International Conferenceon Power E-lectronics，Machines，and Drives.London，UK：IEEE，2002：133-138.

［18］ Su H，Chong K T.Induction machine condition monitoring using neural network modeling［J］. IEEE TransInd Electron，2007，54（1）：241-249.

［19］ Yang S K，Liu T S.State estimation for predictive main-tenance using Kalman filter［J］.Realiability Engineering and System Safety，1999，66（1）：29-39.

［20］ Yang S K.An experiment of state estimation for predictive maintenance using Kalman filter on a DCmotor［J］.Reliability Engineering ＆System Safety，2002，75（1）：103-111.

［21］ Zhou Z J，Hu C H，Chen M Y，et al.An improved fuzzy Kalman filter for state estimation of non-linear systems［J］.International Journal of Systems Science，2010，41（5）：537-546.

［22］ Raif Bayir，Omer Faruk Bay.Serial wound starter motor faults diagnosis using artificial neural network［C］／／Proceeding Soft the IEEE International Conference I CM.2004：194-199.

［23］ Bellini A，F(xiàn)ilippetti F，F(xiàn)ranceschini G，et al. Quantitative evaluation of induction motor broken bars by means of electric signals signatures［J］. IEEE Transactions on Industry Applications Society，2001，37（5）：1248-1255.

［24］ Levent Eren，Micael J Devaney.Bearing damage detection via wave let packet decom position of the stator current［C］／／IEEE Instrumentation and Measurement Technology Conference Anchonrage.AK，USA：［s.n.］，2002：21-23.

［25］ Burth M，Roepke K，F(xiàn)ilbert D K，F(xiàn)ilbert D.Diagnosis of universal motors by current and vibration signal analylsis（Part1）［J］.Technisches MessenTM，1997，64（1）：3-10.

［26］ 王羅，張桂新，陳特放.回歸型支持向量機(jī)在電機(jī)故障診斷中的研究［J］.計(jì)算機(jī)測(cè)量與控制，2007，15（12）：1691-1694.

［27］ 顧文龍.胡業(yè)林.鄭曉亮.基于小波包神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷分析與研究［J］.煤礦機(jī)械，2011，32（9）：263-265.

［28］ 黃允凱，梁國(guó)棟，王劉芳，等.利用時(shí)頻信息進(jìn)行電機(jī)故障診斷［J］.大電機(jī)技術(shù)，2002（2）：17-20.

［29］ 邱阿瑞，孫健.電機(jī)故障模式識(shí)別與診斷［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，1999，39（3）：72-74.

［30］ 姜建國(guó)，蘇鵬聲，邱阿端，等.電機(jī)故障特征提取方法二則［J］.中國(guó)電機(jī)工程學(xué)報(bào)，1999，12（5）：68-72.

［31］ 楊超，王志偉.遺傳算法和BP神經(jīng)網(wǎng)絡(luò)在電機(jī)故障診斷中的應(yīng)用研究［J］.噪聲與振動(dòng)控制，2010（5）：153-156.

［32］ Jack L B，Nandi A K.Support vector machines for detection and characterization of rolling element bearing faults［J］.Proceedings of the Institution of Mechanical Engineers，PartC：Journal of Mechanical Engineering Science，2001，215（9）：1065-1074.

［33］ Chow M Y，Sharpe R N，Hung J C.On the application and design of artificial neural net works for motor fault detection［J］.IEEE Transon Industrial Electronics，1993，40（1）：181-188.

［34］ Al-Raheem K F，Roy A，Ramachandran K P，et al.Application of the laplacewaveletcombined with ANN for rolling bearing faultdiagnosis［J］. Journal of Vibrationand Acoustics，2008，130（5）：60-68.

［35］ Burth，F(xiàn)ilbert D，Guehmann C，et al.Non-linear approach to the fault diagnosis of low power motors［J］.Engineering Simulation，1996，13（6）：1049-1060.

［36］ 田彥，李奇涵，湯海濤.小波分析在滾動(dòng)軸承故障診斷系統(tǒng)中的應(yīng)用［J］.長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，32（6）：597-600.

［37］ Heng R B W，Nor M J M.Statistical analysis of sound and vibration singals for monitoring rolling element bearing condition［J］.Applied Acoustics，1998，53（1／3）：67-77.

［38］ Ayhan B，Trussell H J，Mo-Yuen Chow，et al. On the use of a lower sampling rate for broken rotor bar detection with DTFT and AR-based spectrum methods［J］.IEEE Transactions on Industrial Electronics，2008，55（3）：1421-1435.

［39］ Sun Q，Tang Y.Singularity analysis using continuous wave lettrans form for bearing fault diagnosis［J］.Mechanical Systems and Signal Processing，2002，16（6）：1025-1041.

［40］ 孫衛(wèi)祥，陳進(jìn)，伍星.基于信息融合的支撐座早期松動(dòng)故障診斷［J］.上海交通大學(xué)學(xué)報(bào)，2006，40（2）：239-242.

［41］ 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）：2661-2667.