王林峰
(遼寧地質(zhì)工程職業(yè)學(xué)院,遼寧 丹東)
科學(xué)創(chuàng)新發(fā)展背景下,制造業(yè)領(lǐng)域引入了智能化、定制化制造裝配模式,應(yīng)用的數(shù)控機床精度越來越高,因而數(shù)控機床維護技術(shù)也呈現(xiàn)出智能化發(fā)展趨勢。數(shù)控機床發(fā)生故障會導(dǎo)致工件加工精度下降,影響工件生產(chǎn)的連續(xù)性,甚至?xí)l(fā)重大安全事故。為此,需要結(jié)合故障征兆、根據(jù)數(shù)控機床性能,針對性做好故障診斷及修復(fù),以便將數(shù)控機床故障帶來的不利影響控制在最小范圍。
這是一種以專家經(jīng)驗為基礎(chǔ),通過采集與整理相關(guān)信息,利用ifthen 規(guī)則展開邏輯分析,從而完成故障診斷的方法[1]?;赗BR 的故障診斷數(shù)字模型見圖1所示。此種診斷方式包含三大模塊:一是診斷數(shù)據(jù),其是故障診斷結(jié)論得出的基礎(chǔ),涵蓋故障征兆信息、權(quán)值兩方面內(nèi)容。故障征兆發(fā)生強弱程度是主要及次要故障的區(qū)分依據(jù),權(quán)值與故障征兆的明顯性呈正比關(guān)系。二是診斷規(guī)則數(shù)據(jù)庫,其中匯集了大量以數(shù)字集中形式存在的數(shù)據(jù)規(guī)則,包含故障征兆描述集合、故障原因集合、概率系數(shù)矩陣三個非空有限集合,每個故障征兆對應(yīng)一條故障征兆信息,故障征兆信息匯集到一起便構(gòu)成了故障征兆數(shù)據(jù)庫。三是診斷結(jié)果,診斷后會輸出內(nèi)容豐富的向量,涵蓋故障問題發(fā)生原因、故障診斷結(jié)論可信概率、故障維修處理對策等,基于RBR 的故障診斷得出的診斷結(jié)果及處理方案相對科學(xué)與可靠。
圖1 基于RBR 的故障診斷邏輯
以案例CBR 為基礎(chǔ)的故障診斷方法,在故障診斷前需要查找相似問題或經(jīng)驗。診斷故障存在相似歷史數(shù)據(jù)時,會以歷史故障診斷處理結(jié)果為參照,在繼往經(jīng)驗指導(dǎo)的基礎(chǔ)上,結(jié)合實際情況得出診斷結(jié)論,并升級優(yōu)化故障處理方案,將新生成的結(jié)論作為新的案例錄入數(shù)據(jù)庫中存儲,所有新添加問題便會轉(zhuǎn)化成為經(jīng)驗數(shù)據(jù),用于后續(xù)故障問題的診斷分析[2]。診斷開始前,需先將數(shù)控機床故障案例相關(guān)信息錄入CBR系統(tǒng),系統(tǒng)會結(jié)合案例中故障部分名稱、損壞模式等信息自動匹配相似案例并展開歷史案例評價分析,再由專家完成高匹配度案例的復(fù)核與存儲。若案例數(shù)據(jù)匹配度不高,需調(diào)整診斷結(jié)果方式,再采取專家領(lǐng)域知識分析方法,分析并存儲新生成的故障案例?;贑BR 的診斷系統(tǒng)案例庫具有持續(xù)學(xué)習(xí)能力,在案例不斷增加的同時,故障數(shù)據(jù)診斷范圍及精度均會提升,并能提高數(shù)據(jù)庫訓(xùn)練完整性,有助于提高診斷效率。但此診斷方式的缺陷在于推進機制直觀性稍差。
由于基于案例的故障診斷方法規(guī)則體系不完善且不準確,而基于規(guī)則的故障診斷主要適用于具備多個知識規(guī)則的領(lǐng)域。在理論指導(dǎo)的故障診斷過程中,可采用集成診斷方法,先利用CBR 診斷法總結(jié)診斷規(guī)則,再構(gòu)建案例診斷庫,進而提升故障案例匹配直觀性、提高故障診斷效率。集成診斷可用混合推理模式,即基于CBR 展開快速故障診斷,而后依托RBR 診斷優(yōu)化調(diào)整故障診斷結(jié)果。故障系統(tǒng)構(gòu)建之初,采用CBR 診斷法歸納整理實際案例,在累積到相應(yīng)量后便可梳理出診斷規(guī)則,若RBR 規(guī)則無法診斷新故障時,再采用CBR 診斷方法,以便于不斷完善故障診斷推理規(guī)則,推動規(guī)則診斷向案例診斷的轉(zhuǎn)變。混合推理時,系統(tǒng)應(yīng)同時具備規(guī)則庫與案例庫。應(yīng)用CBR 診斷法時對兩個庫進行不斷擴充,而運用RBR 診斷法時則以規(guī)則庫作為推理基礎(chǔ)。集成診斷法包含關(guān)鍵字分解檢索、案例存儲、案例庫形成、規(guī)劃庫形成四個主要環(huán)節(jié),具有提高診斷效率、簡化推理過程的優(yōu)勢,集成診斷步驟詳見圖2 所示。
圖2 集成診斷步驟圖示
機床性能特征涵蓋多項內(nèi)容,機床剛度、機床精度、機床耗油量、機床噪音等均是常見性能特征,可作為數(shù)據(jù)機床故障預(yù)測診斷的重要依據(jù)。數(shù)控機床啟用時,性能特征為初始值,在性能發(fā)生改變后,便會產(chǎn)生劣化數(shù)據(jù),若性能特征的變化未超出初始范圍,則屬于正常劣化值,若超出初始范圍,數(shù)據(jù)偏差高于200%,則說明性能特征出現(xiàn)了異常劣化[3]。性能特征量正常劣化與異常劣化數(shù)據(jù)對比見圖3,其中在數(shù)控機床運行7 h 時,性能特征量突然上升,并且上升至初始值的200%以上,說明此時數(shù)控機床性能特征發(fā)生了顯著改變,可能是出現(xiàn)了故障問題。
圖3 性能特征量正常劣化與異常劣化數(shù)據(jù)對比
數(shù)控機床精度值可通過激光干涉儀、球桿儀等精度檢測設(shè)備進行監(jiān)控,進而了解其性能劣化趨勢。數(shù)控機床性能特性除了與故障發(fā)生時間有所關(guān)聯(lián)外,與邏輯、結(jié)構(gòu)的關(guān)系也較為密切。在長時間應(yīng)用數(shù)控機床或是加工量不斷增加的情況下,其性能特征會逐步劣化,待偏差量積累至閾值后便會導(dǎo)致數(shù)控機床出現(xiàn)結(jié)構(gòu)變化,進而引發(fā)故障。為此,數(shù)控機床及故障間存在相互映射的關(guān)系,某特征向量導(dǎo)致數(shù)控機床出現(xiàn)故障的概率較大,說明二者之間存在強關(guān)聯(lián)關(guān)系,若某特征向量對數(shù)控機床的故障發(fā)生概率影響較小,說明二者屬于弱關(guān)聯(lián)關(guān)系,在這一映射關(guān)系基礎(chǔ)上,可通過構(gòu)建SOM-BP 神經(jīng)網(wǎng)絡(luò)診斷模型,得出數(shù)控機床的故障診斷結(jié)果。
2.3.1 采集精度數(shù)據(jù)
采用球桿儀采集數(shù)控機床精度數(shù)據(jù),此儀器裝有精密傳感器,能夠以固定點為中心在旋轉(zhuǎn)的同時感知半徑變化,以圖形或數(shù)字形式展示得到的數(shù)據(jù),可在儀器內(nèi)部處理故障診斷信號,再通過藍牙二類模塊向計算機傳送數(shù)據(jù),之后利用軟件處理采集到的數(shù)據(jù),可實時完成數(shù)控機床故障診斷,還能輸出精度低誤差報表。數(shù)據(jù)采集時,首先要測量圓周誤差,一般測量半徑為100 mm,測量內(nèi)容是數(shù)據(jù)機應(yīng)三個平面:一是XY 面,此平面需要測量兩次,一次正時針測量,一次逆時針測量; 二是YX 面;三是ZX 面,這兩個平面均要實施220°測量。測量過程中,機床進給率值應(yīng)固定,通常設(shè)定為1 000 r/s。球桿儀采集數(shù)據(jù)時可采集到多項精度數(shù)據(jù),如圓度、進給率、螺距、直線度、反向間隙等等,在神經(jīng)網(wǎng)絡(luò)中,各組輸入數(shù)據(jù)均屬于多維數(shù)據(jù)[4]。
2.3.2 構(gòu)建算法模型
數(shù)控機床故障診斷中,可采用SOP 與BP 神經(jīng)網(wǎng)絡(luò)進行正常劣化與異常劣化數(shù)據(jù)的精度分析。首先運用球桿儀在實驗周期內(nèi)采集數(shù)控機床精度數(shù)據(jù),其次對數(shù)控機床的故障記錄進行收集,詳細梳理故障發(fā)生原因以及維修處時間。再次將采集到的數(shù)據(jù)劃分為正常與異常兩類劣化精度數(shù)據(jù),并制作數(shù)據(jù)采集與故障記錄表。將相同時刻機床故障與精度數(shù)據(jù)一一對應(yīng),為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)提供訓(xùn)練樣本。最后向神經(jīng)網(wǎng)絡(luò)中輸入正常與異常劣化精度數(shù)據(jù)及各自對應(yīng)故障模式,然后再用SOM 與BP 神經(jīng)網(wǎng)絡(luò)處理相應(yīng)數(shù)據(jù),分別以精度數(shù)據(jù)變化率及數(shù)據(jù)位故障概率作為輸入值與輸出值。
2.3.3 數(shù)控機床故障診斷實例
如某公司針對2021 年12 月至2022 年1 月數(shù)控機床的故障數(shù)據(jù)進行了分析,提取了故障記錄及精度監(jiān)測報告,精度數(shù)據(jù)共有25 組,正常與異常劣化數(shù)據(jù)分別是21 組與4 組,從正常劣化數(shù)據(jù)中提取一組,與四組異常劣化精度數(shù)據(jù)共同作為檢驗樣本,按照表1整理原始精度-故障記錄,之后將發(fā)生時間相近的故障設(shè)為一個組合。
表1 部分原始精度- 故障記錄表
2.3.3.1 精度數(shù)據(jù)輸入與輸出
本次輸入與輸出向量分別具有28 個與12 個維度,兩類維度分別代表精度項目與故障項目。以精度數(shù)據(jù)為基礎(chǔ)計算出精度偏差率,便可計算出神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本的輸入輸出數(shù)據(jù)[5]。
2.3.3.2 BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練
數(shù)據(jù)處理后利用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱進行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練,先構(gòu)建具有28 個輸入層以及12個輸出層的神經(jīng)網(wǎng)絡(luò),將之劃分為三層結(jié)構(gòu),將最大訓(xùn)練步長設(shè)置為200,訓(xùn)練誤差為0.016。再輸入樣本檢驗?zāi)P偷臏蚀_性,并將神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測值與實際故障數(shù)據(jù)展開對比分析(見表2),分析發(fā)現(xiàn),第14組故障的精度向量輸入值符合預(yù)測結(jié)果、實際故障。
表2 待測故障實際故障組合與預(yù)測值對比分析
2.3.3.3 SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練
在SOP 神經(jīng)網(wǎng)絡(luò)中輸入4 組樣本,分類后對其分布位置進行查看,設(shè)置操作句后,將最大訓(xùn)練步長設(shè)置為500,之后輸出仿真結(jié)果,并得出預(yù)測點及實際點的坐標數(shù)據(jù),判斷預(yù)測樣本故障趨勢,預(yù)測概率高于0.5 時,表示故障預(yù)測與實際相同,說明預(yù)測結(jié)果與實際情況相吻合。圖4 為一組異常精度故障診斷預(yù)測與實際數(shù)據(jù)對比折線圖。
圖4 其中一組異常精度故障診斷預(yù)測與實際數(shù)據(jù)對比折線圖
數(shù)控機床故障與故障征兆、機床性能特征均有密切關(guān)聯(lián),因而故障診斷技術(shù)應(yīng)用時,可基于規(guī)則、案例兩個方面診斷數(shù)控機床故障,即采用基于RBR 的故障診斷技術(shù)與基于CBR 的故障診斷技術(shù),還可利用這兩個技術(shù)進行集成診斷。同時,也可根據(jù)機床性能,以精度數(shù)據(jù)作為故障診斷依據(jù),運用SOM-BP 神經(jīng)網(wǎng)絡(luò)法分析正常與異常精度數(shù)據(jù)變化,進而得出準確的故障診斷結(jié)果。