基于多源信息的數(shù)控機(jī)床故障診斷系統(tǒng)的設(shè)計與實現(xiàn)

李紅斌，王嘉偉

（山西農(nóng)業(yè)大學(xué)信息學(xué)院，山西太谷030800）

隨著現(xiàn)代化工業(yè)和智能技術(shù)的快速發(fā)展，機(jī)械設(shè)備逐漸趨于智能化、自動化[1-3]。數(shù)控機(jī)床是一種最典型、常用的機(jī)械加工設(shè)備，具有加工質(zhì)量穩(wěn)定、適應(yīng)性強(qiáng)和效率高等優(yōu)點[4-5]。然而，數(shù)控機(jī)床的加工精度由其內(nèi)部零部件的工作狀態(tài)決定。由于其內(nèi)部結(jié)構(gòu)復(fù)雜，因此難以有效地進(jìn)行故障診斷[6-7]。

進(jìn)給系統(tǒng)是數(shù)控機(jī)床的重要組成部分[8]，主要由機(jī)械傳動和伺服控制兩子系統(tǒng)構(gòu)成。在實際工作中，這兩個系統(tǒng)需要長期不間斷地變負(fù)荷工作，極易發(fā)生故障。同時，故障之間是相互耦合的，一個部件的故障將引起其他部件產(chǎn)生多種故障[9]，加之故障發(fā)生的隨機(jī)性強(qiáng)，從而大幅度增加了故障診斷的難度[10-12]。

針對上述問題，文中研究了基于多源信息的數(shù)控機(jī)床故障診斷系統(tǒng)。首先，使用加速度傳感器、噪聲傳感器、溫度傳感器采集滾珠絲杠副與滾動軸承的振動、溫度和噪聲等多源復(fù)合信號；然后，提取信號的時域、頻域和時頻域特征，同時為了降低信號分析的難度，使用局部線性嵌入算法（LLE）[13]進(jìn)行特征降維，提取有用的特征；最后，結(jié)合支持向量機(jī)[14]和遺傳優(yōu)化算法[15]進(jìn)行故障診斷及分類。基于MATLAB[16]和LabVIEW[17]的仿真測試結(jié)果表明，所提出的方法能大幅提高故障診斷率，具有一定的可行性與有效性。

1 數(shù)控機(jī)床進(jìn)系統(tǒng)故障機(jī)理分析

如圖1所示為數(shù)控機(jī)床進(jìn)給系統(tǒng)的結(jié)構(gòu)圖，該系統(tǒng)主要由機(jī)械傳動和伺服控制兩個子系統(tǒng)構(gòu)成。機(jī)械傳動系統(tǒng)包括連軸器、滾珠絲杠副和滾動軸承等構(gòu)成；伺服控制系統(tǒng)由運動控制與速度控制器構(gòu)成。其中，滾珠絲杠副和滾動軸承為數(shù)控機(jī)床最易發(fā)生故障的部位，下面進(jìn)行具體分析。

圖1 數(shù)控數(shù)控機(jī)床進(jìn)給系統(tǒng)結(jié)構(gòu)圖

1.1 滾動軸承結(jié)構(gòu)及其故障機(jī)理

滾動軸承由滾動體、保持架、軸承內(nèi)圈和軸承外圈組成，其是數(shù)控機(jī)床的重要支撐部件，通過將軸承座與軸承間的滑動摩擦轉(zhuǎn)化為滾動摩擦來減少摩擦損失。如圖1所示為本文研究的7202AC型角接觸球軸承的實物圖和結(jié)構(gòu)圖。在實際運行中，滾動軸承要受到運行環(huán)境、潤滑不良和定位裝配等因素的影響，易損壞或失效，發(fā)生故障的概率高達(dá)90%。常見的故障形式和產(chǎn)生部位，如表1所示。

圖2 7202AC滾動軸承實物圖

表1 滾定軸承常見的故障形式及產(chǎn)生部位

1.2 滾珠絲杠副結(jié)構(gòu)及其故障機(jī)理

滾珠絲杠副主要由螺母、絲杠、滾珠和反向器等部分組成，用于轉(zhuǎn)化直線運動與傳導(dǎo)運動，是數(shù)控機(jī)床進(jìn)給系統(tǒng)的核心傳導(dǎo)機(jī)構(gòu)。其具有傳動和定位精度高、可逆與同步性能好的優(yōu)點。在實際運行中滾珠絲杠副受切削力、加工方法和進(jìn)給速度變化的影響，各部件間的摩擦力急劇增大，易發(fā)生斷裂、疲勞點蝕和塑性變形等故障。如表2所示為滾珠絲杠副常見的故障形式和產(chǎn)生部位。

表2 滾珠絲杠副常見的故障形式和產(chǎn)生部位

2 數(shù)控機(jī)床故障診斷系統(tǒng)

文中提出的基于多源信息的數(shù)控機(jī)床故障診斷系統(tǒng)流程，如圖3所示。該系統(tǒng)首先使用加速度傳感器、噪聲傳感器、溫度傳感器和NI數(shù)據(jù)采集卡采集滾珠絲杠副和滾動軸承的振動、溫度與噪聲等多源復(fù)合信號；然后，使用計算機(jī)編程提取信號的時域、頻域和時頻域特征，同時為了降低信號分析的難度，使用局部線性嵌入算法LLE進(jìn)行特征降維，提取有用的特征；最后，結(jié)合支持向量機(jī)和遺傳優(yōu)化算法進(jìn)行故障診斷及分類。

圖3 基于多源信息的數(shù)控機(jī)床故障診斷系統(tǒng)

2.1 多源信號采集

為了更加準(zhǔn)確、全面的采集信號，本文設(shè)計了如圖4所示的數(shù)據(jù)采集平臺。圖中1～5分別為x軸加速度傳感器、y軸加速度傳感器、z軸加速度傳感器、噪聲傳感器和溫度傳感器，并使用LabView軟件來編寫信號采集程序。

圖4 數(shù)據(jù)采集平臺

2.2 特征提取

時域信號能直觀地反映系統(tǒng)的運行狀態(tài)，提取信號的時域特征能提高信噪比。本系統(tǒng)提取的時域信號參數(shù)包括信號的平均值、平均幅值、有效值、波形因子、方差、裕度系數(shù)、標(biāo)準(zhǔn)差、歪度系數(shù)、峰度、偏態(tài)指標(biāo)、偏度和峭度指標(biāo)。

頻域信號提取即使用傅里葉變換和傅里葉級數(shù)分析信號的頻譜，本系統(tǒng)提取的頻域特征包括表示信號主頻帶變化的均方頻率、表示信號重心位置的重心頻率和表示信號能量分布情況的頻域方差。

由于時域特征和頻域特征智能表示系統(tǒng)的整體運行性能，無法分析局部信號。因此，本文通過結(jié)合兩者，使用EEMD分解方法得到更準(zhǔn)確、完備的時頻特征。該方法通過在原信號中加入不同的高斯白噪聲將信號分解為一系列具有較好性能的固有模態(tài)函數(shù)IMF，并計算IMF分量的平均值得到時頻特征。其具體流程，如圖5所示。

圖5 EEMD時頻特征提取流程

2.3 基于LLE的特征降維

局部特征線性降維（Locally Linear Embedding，LLE）是一種無監(jiān)督降維方法，其使用鄰近的樣本線性組合來重構(gòu)局部區(qū)域內(nèi)的樣本點。本文使用該算法減少提取的特征維數(shù)，去除冗余信息并簡化后續(xù)的故障診斷過程，具體流程為：

1）近鄰選擇：

對于樣本點xi，使用式（1）所示的歐式距離計算公式計算其與每個樣本點的距離，并選擇距離最小的k個樣本點。

2）計算局部重構(gòu)權(quán)值：

使用k近鄰樣本點的線性組合重構(gòu)樣本點xi，并定義式（2）所示的重構(gòu)誤差：

3）通過最小化重構(gòu)誤差，求xi在低維空間的投影yi，即

2.4 基于遺傳算法和SVM的故障診斷

支持向量機(jī)（SVM）是基于結(jié)構(gòu)風(fēng)險最小化原理的統(tǒng)計學(xué)習(xí)方法，能處理非線性和小樣本數(shù)據(jù)集的分類問題。文中使用SVM診斷系統(tǒng)的故障類型，并使用遺傳算法優(yōu)化SVM的部分參數(shù)來提高診斷性能，具體流程為：

1）構(gòu)造訓(xùn)練集和測試集

使用提取出的特征向量構(gòu)建訓(xùn)練集和測試集，本文分別取各種故障的前50組特征構(gòu)建訓(xùn)練集，并使用剩下的10組特征構(gòu)建測試集；

2）多SVM訓(xùn)練

SVM是一種二分類器，而本文共研究8種滾動軸承故障和5種滾珠絲杠副故障。因此，需要構(gòu)造多個二分類SVM識別不同的故障狀態(tài)。文中使用一對一方法共訓(xùn)練個RBF核SVM，分類輸出13種故障。

3）遺傳算法參數(shù)優(yōu)化

為了提高SVM的分類精度，本文使用遺傳算法尋找最優(yōu)的分類器參數(shù)：懲罰因子C和核參數(shù)g。其中，遺傳算法的適應(yīng)度函數(shù)為分類精度。

圖6 本文測試實物圖

圖7 多源信號采集程序圖

3 試驗與結(jié)果分析

文中使用如圖6所示的內(nèi)圈磨損、外圈磨損、滾珠磨損的實物進(jìn)行仿真測試。選用LC101型振動傳感器、TZ-2KA噪聲傳感器和IRTP-300L溫度傳感器采集信號。并使用LabView設(shè)計信號采集軟件，如圖7所示為多源信號采集程序圖，圖8所示為本文設(shè)計的機(jī)床操作面板。

在MATLAB環(huán)境下編寫程序訓(xùn)練SVM，將數(shù)控機(jī)床的信號特征向量分為表1和表2所述的幾種故障或正常狀態(tài)。并使用遺傳算法得到最優(yōu)的SVM參數(shù)，使用100組信號特征樣本進(jìn)行診斷測試。同時，將其與BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，結(jié)果如表3所示。

從表3可看出，3種算法的平均精度分別為80%、86%和92%，訓(xùn)練所需的平均迭代步數(shù)分別為1334、594和143。相比于BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，本文算法具有更高的測試精度及更少的訓(xùn)練時間。因此，可以使用本文算法對數(shù)控機(jī)床進(jìn)行初步的故障診斷。

表3 不同算法性能比較

4 結(jié)束語

為了解決數(shù)控機(jī)床內(nèi)部結(jié)構(gòu)復(fù)雜，故障件相互耦合及容易發(fā)生多重故障的問題，提出了一種基于多源信息的數(shù)控機(jī)床故障診斷系統(tǒng)。首先使用加速度傳感器、噪聲傳感器、溫度傳感器采集滾珠絲杠副和滾動軸承的振動、溫度與噪聲等多源復(fù)合信號；然后，提取信號的時域、頻域和時頻域特征，同時為了降低信號分析的難度，使用局部線性嵌入算法SLLE進(jìn)行特征降維，提取有用的特征；最后，結(jié)合支持向量機(jī)和遺傳優(yōu)化算法進(jìn)行故障診斷與分類。基于MATLAB和LabVIEW的仿真測試結(jié)果表明，所提出的方法能大幅度提高故障診斷率，因此具有一定的可行性及有效性。