數(shù)控機床的智能故障診斷技術研究

薛鵬偉

（中國電子科技集團有限公司第十二研究所，北京 100016）

數(shù)控機床是現(xiàn)代制造業(yè)中的重要設備，具有高度自動化和高度復雜性的特征。但是，數(shù)控機床在實際運行過程中容易出現(xiàn)故障，進而影響生產(chǎn)效率和產(chǎn)品質量。因此，研究智能故障診斷技術對于提高數(shù)控機床的可靠性和生產(chǎn)效率具有重要意義。文章從實際應用出發(fā)，深入分析數(shù)控機床智能故障診斷的關鍵技術，旨在提高該技術的應用成效。

1 數(shù)控機床智能故障診斷的原理

數(shù)控機床智能故障診斷指利用人工智能和機器學習等技術，自動診斷和預測數(shù)控機床故障的技術。該技術能夠有效提高機床的可靠性和生產(chǎn)效率，縮短停機時間，避免故障帶來的損失[1]。智能故障診斷首先需要采集數(shù)控機床的振動傳感器、溫度傳感器、電流傳感器和壓力傳感器的數(shù)據(jù)以及機床運行速度、加工負荷、位置偏差等參數(shù)信息。其次，對采集到的信號進行傅里葉變換或小波變換，提取頻譜分布、頻率峰值等頻域特征并進行統(tǒng)計分析，提取均值、標準差和峰值等時域特征，通過計算得出能量分布情況，確定能量特征[2-3]。最后，通過頻譜分析，得出機床振動信號的頻率分布和頻譜狀態(tài)。智能故障診斷常用的算法包括支持向量機（Support Vector Machine，SVM）、神經(jīng)網(wǎng)絡（Neural Network，NN）和決策樹（Decision Tree，DT）等。

2 數(shù)控機床智能故障診斷技術

2.1 智能故障診斷系統(tǒng)

基于窄帶物聯(lián)網(wǎng)（Narrow Band Internet of Things，NB-IoT）的故障診斷系統(tǒng)是現(xiàn)階段應用廣泛的數(shù)控機床智能故障診斷系統(tǒng)。該系統(tǒng)包括傳感器、NB-IoT通信模塊、云平臺、可視化界面及報警系統(tǒng)等，能夠實現(xiàn)故障遠程監(jiān)測和診斷，具有較高的故障處理效率和預測精準性[4]。NB-IoT 通信模塊是連接傳感器和云平臺或服務器的關鍵組件，采用低功耗設計，具有強大的續(xù)航能力。在系統(tǒng)運行過程中，要保證信息完整傳輸?shù)皆贫似脚_。若信息缺失則無法診斷故障，此時系統(tǒng)會向云平臺發(fā)送補充信息，便于進行人工干預。

2.2 數(shù)據(jù)采集與預處理技術

數(shù)控機床智能故障診斷系統(tǒng)的數(shù)據(jù)采集技術通常涉及傳感器數(shù)據(jù)采集、數(shù)據(jù)總線、數(shù)據(jù)存儲與傳輸以及數(shù)據(jù)可視化等技術[5-6]。數(shù)據(jù)融合算法決定技術的復雜度和精準度。該技術的通用結構框架為“信號輸入→傳感器→預處理→神經(jīng)網(wǎng)絡融合中心→輸出”。

傳感器主要分為振動傳感器、溫度傳感器和電流傳感器3 類。振動傳感器用于監(jiān)測機床的振動信號，能夠檢測到機床零部件磨損、松動和失衡引起的振動異常，同時能夠反映機床結構和運行狀態(tài)的信息，如軸承故障、刀具磨損和工件不平衡等[7]。常用的振動傳感器為PCB Piezotronics 352C65、Bruelk Jaer Type 4393 和Hansford Sensors HS-100 等。溫度傳感器用于測量機床各部件的溫度，如主軸、電機和潤滑系統(tǒng)等，能夠反映機床部件過熱、過載或潤滑不足等問題。該傳感器能夠通過監(jiān)測和分析溫度變化，診斷機床故障類型，如軸承過熱、電機故障等[8-9]。常用的溫度傳感器為Omega Engineering K Type Thermocouple等。電流傳感器用于測量機床電機和驅動器的電流信號，能夠反映電機負載、電機故障和驅動器故障等問題。它通過分析電流信號特征診斷電機和驅動器故障，如過載、短路和電機繞組斷路等[5]。常用的電流傳感器為CR Magnetics CR5210s、Allegro MicroSystems ACS712 等。

預處理需要綜合應用數(shù)據(jù)濾波、數(shù)據(jù)降噪和數(shù)據(jù)清洗等技術。常用的數(shù)據(jù)濾波算法包括移動平均濾波、中值濾波和低通濾波。數(shù)據(jù)濾波技術通過降低數(shù)據(jù)噪聲水平來提高信號與噪聲的比值，進而提升數(shù)據(jù)的精準性和可靠性[10-11]。常用的數(shù)據(jù)信息降噪方法包括小波降噪、信號平滑和頻率域濾波等。因此，可以通過提取時域特征、頻域特征和小波變換的方式，使信號具有更好的適應性，為數(shù)據(jù)提取和分析奠定基礎。

2.3 故障診斷模型

故障診斷模型的種類較多，包括基于關聯(lián)規(guī)則的故障診斷模型、基于機器學習的故障診斷模型和基于深度學習的故障診斷模型等[12]。建立基于關聯(lián)規(guī)則的故障診斷模型，需要根據(jù)知識和經(jīng)驗定義一組用于描述故障模式和特征的規(guī)則。規(guī)則集的規(guī)模和復雜度取決于系統(tǒng)的復雜性和故障類型的多樣性。當系統(tǒng)發(fā)生故障時，可以將觀測值與規(guī)則集中的條件進行匹配，確定符合條件的規(guī)則，然后根據(jù)規(guī)則結論診斷系統(tǒng)的故障類型。該模型的故障診斷流程，如圖1 所示。

基于機器學習的故障診斷模型的建立是一個有監(jiān)督的多分類過程，如圖2 所示。在訓練階段，將有標記的訓練樣本輸入機器學習模型[13-14]，判斷設備的故障類型，并通過最小化模型分類錯誤來優(yōu)化模型參數(shù)，得到最優(yōu)故障診斷模型。在故障診斷階段，將不帶標記的樣本輸入故障診斷模型，判斷設備的故障類型。

圖2 基于機器學習的故障診斷模型的2 個階段

基于深度學習的故障診斷模型包括卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡。以卷積神經(jīng)網(wǎng)絡模型為例，假設輸入采樣信號為

式中：si(t)為第i個樣本；yi為類別標簽；A為樣本索引集合。

信號特征提取過程的表達式為

式中：fi為樣本si(t)的特征；θf為樣本擬設參數(shù)；f(si,θf)為原始信號空間到特征空間的映射函數(shù)。

在給定特征表示后，分類器預測標簽過程為

式中：g(·)為分類函數(shù)；θg為分類函數(shù)的參數(shù)。

2.4 智能故障診斷系統(tǒng)的實現(xiàn)

數(shù)控機床智能故障診斷系統(tǒng)的實現(xiàn)可以借助Windows 操作系統(tǒng)的軟件開發(fā)平臺，軟件開發(fā)使用C++語言，同時嵌套Python 語言進行大數(shù)據(jù)的綜合獲取和處理。該系統(tǒng)需要具備的關鍵功能和服務如下。

第一，用戶注冊登錄。系統(tǒng)要具備用戶注冊和登錄功能，并確保系統(tǒng)的安全性，進行權限管理。

第二，遠程診斷中心接收在線請求和診斷反饋。遠程診斷中心要接收用戶通過系統(tǒng)發(fā)送的在線請求，并進行故障診斷，然后將診斷結果反饋給用戶。

第三，數(shù)據(jù)庫管理。數(shù)據(jù)庫管理要能夠實現(xiàn)數(shù)據(jù)的刪除、添加和更新等操作，還要具備用戶留言和管理功能，以便確保數(shù)據(jù)的完整性和可靠性。

第四，設備系統(tǒng)檢查和文件參數(shù)配置。用戶可以通過手機端的數(shù)據(jù)網(wǎng)絡，檢查設備系統(tǒng)和配置文件參數(shù)，確保設備的正常運行和參數(shù)的正確。

第五，外部端的腳本命令和信息回傳。系統(tǒng)可以通過外部端的腳本命令，實現(xiàn)信息回傳和數(shù)據(jù)交互，以便提供更多診斷和管理功能。

第六，數(shù)據(jù)保存和訪問接口。系統(tǒng)需要提供有效的數(shù)據(jù)來源和訪問接口，并能夠通過軟件接口讀取和處理數(shù)控機床文件。

第七，遠程協(xié)同配合和報告保存。系統(tǒng)需要具備遠程協(xié)同配合功能，并能夠保存相關報告和數(shù)據(jù)，以達到更好的維護和管理效果。

系統(tǒng)可以通過i5OS 平臺實現(xiàn)腳本編輯功能。該平臺既具有數(shù)據(jù)保存、外部系統(tǒng)接口和讀取文件等功能，又能滿足服務人員瀏覽網(wǎng)頁的需求，還能有效讀取和應用系統(tǒng)后臺配置的文件和參數(shù)[15]。

3 結語

智能故障診斷技術在提高數(shù)控機床的可靠性和生產(chǎn)效率方面具有巨大潛力。但是，該技術在實際應用過程中面臨一些挑戰(zhàn)，如數(shù)據(jù)采集和處理的復雜性、模型的可解釋性等。在未來的研究中，需要在數(shù)據(jù)采集和處理優(yōu)化、模型的可解釋性以及可靠性等方面進行深入研究和創(chuàng)新，以改善技術的應用效果，確保數(shù)控機床的高質量運行。