滾珠絲杠故障預測維護系統(tǒng)的設計與實現(xiàn)

周俊杰 陳錦忠 張 偉

（廣東利元亨智能裝備股份有限公司，廣東惠州 516057）

0 引言

滾珠絲杠傳動結構在自動化制造設備中大量使用，設備生產(chǎn)運行時，突發(fā)滾珠絲杠傳動結構故障，如軸承卡滯、聯(lián)軸器松動或斷裂、絲杠斷裂，會造成生產(chǎn)線停機[1-3]，甚至導致重大安全事故。如能研發(fā)相應的故障預測維護軟件系統(tǒng)，對這些故障提前進行預測與預警，以便及時維護或更換，將大大減少停機或事故發(fā)生率，從而保障設備安全穩(wěn)定運行。

隨著人工智能技術和邊緣計算技術的不斷進步，設備維護也從事后維護、預防性維護向預測性維護發(fā)展，作為智能裝備企業(yè)對預測性維護的應用十分重要。預測性維護是人工智能技術在智能制造領域最典型的應用之一，是智能工廠建設的重要組成部分，隨著對設備預測性維護需求的逐步增加，在技術協(xié)助中建設預測維護管理模塊的要求被提了出來。目前已有設備性能評價或預測方法的相關研究[4-6]，并可借鑒其成果用于滾珠絲杠預測維護系統(tǒng)的開發(fā)。本文以鋰電智能裝備制造中的滾珠絲杠結構為對象，建立了一套用于滾珠絲杠故障預測的維護性系統(tǒng)，對設備滾珠絲杠運行狀態(tài)進行監(jiān)控，以提醒人員及時保養(yǎng)或更換，從而實現(xiàn)預測性維護系統(tǒng)在智能制造裝備中的落地應用。

1 整體系統(tǒng)設計

本文所設計的滾珠絲杠故障預測維護系統(tǒng)結構如圖1所示，根據(jù)絲杠傳動結構控制系統(tǒng)控制原理，設備的驅動由PLC控制系統(tǒng)控制，整個過程數(shù)據(jù)的采集最為關鍵，同時考慮到電機伺服器自帶多傳感器，通過伺服反饋的實際運行數(shù)據(jù)，對傳動結構的健康狀態(tài)進行監(jiān)控。

圖1 故障預測維護系統(tǒng)結構圖

如圖1所示，整體系統(tǒng)結構由設備層、控制層和應用層組成。

1）設備層：機器部件、伺服電機、伺服驅動器；伺服驅動器采集伺服電機數(shù)據(jù)反饋結構運行狀態(tài)。

2）控制層：PLC控制系統(tǒng)、通信協(xié)議；負責控制設備層器件以及與應用層進行數(shù)據(jù)交互。

3）應用層：智能預測維護終端、預測性維護系統(tǒng)；負責數(shù)據(jù)處理、分析和故障監(jiān)控。

其中，設備層中滾珠絲杠傳動結構由電機提供驅動力，經(jīng)過聯(lián)軸器或同步輪傳動，通過滾珠絲杠螺母副將旋轉運動轉化為直線運動，帶動滑塊上的負載做反復運行，數(shù)據(jù)通過伺服控制器的傳感器反饋整體結構運動狀態(tài)。

該系統(tǒng)在結構裝配、項目現(xiàn)場實際發(fā)生的絲杠傳動異常問題等場景進行針對性應用，通過機器學習不斷優(yōu)化軟件預測模型準確度，用于實際項目預測性維護，能夠降低突發(fā)故障發(fā)生概率。

1.1 數(shù)據(jù)采集

電機驅動器數(shù)據(jù)采集信號有實時轉速、上電時間、相電流有效值、母線實時電壓、模塊實際溫度、平均負載率、移動速度、實際位置、實際扭矩。經(jīng)過實際數(shù)據(jù)采集，對數(shù)據(jù)進行統(tǒng)計分析處理和清洗，通過對數(shù)據(jù)的可視化、數(shù)值轉換等數(shù)據(jù)分析及狀態(tài)識別，上電時間、相電流、母線電壓數(shù)據(jù)無規(guī)律，與過程負載變化不相關，最終確定以下三個特征為有效特征，能夠表達運動過程信息：實時移動速度、實時扭矩和實時位置。

1.2 建立預測模型

通過對伺服驅動器數(shù)據(jù)（如扭矩、速度、實時位置等）的實時采集、清洗和處理，獲取設備勻速段和勻加速段數(shù)據(jù)，選取多個周期組成數(shù)據(jù)集。從速度和扭矩時間序列曲線提取扭矩數(shù)據(jù)特征，如圖2、圖3所示。

圖2 速度時間序列曲線

圖3 扭矩時間序列曲線

將正常數(shù)據(jù)和異常時數(shù)據(jù)進行分類，利用機器學習算法進行訓練，得到預測模型。具體方法和步驟如下：

1）針對電機驅動器驅動負載的過程扭矩進行分析，實時讀取絲杠傳動結構驅動設備的驅動器數(shù)據(jù)，對比正常狀態(tài)和異常狀態(tài)（軸承異常）的數(shù)據(jù)。需讀取的特征參數(shù)包括負載率下的實際扭矩T、實時速度V和實時位置S，采集周期為N ms（N≤20）。

2）通過PLC，讀取該絲杠傳動結構下的設定數(shù)據(jù)：設定速度V1、加速度A1、減速度B1、加減速C1、設定目標位置S1和負載質量M1，將數(shù)據(jù)存儲在數(shù)據(jù)庫中，從數(shù)據(jù)庫中獲取絲杠傳動結構發(fā)生故障時和正常時的數(shù)據(jù)，通過python的numpy庫進行數(shù)據(jù)預處理，以目標位置S1為分割點，將數(shù)據(jù)分割成周期數(shù)據(jù)，提取范圍在速度（V1-1，V1+1）、加速度（A1-1，A1+1）、減速度（B1-1，B1+1）和加減速（C1-1，C1+1）內的數(shù)據(jù)組成一個新數(shù)據(jù)集，通過標準差箱線圖對比分析，異常狀態(tài)時扭矩的整體波動更大。對正常狀態(tài)和異常狀態(tài)標準差進行假設檢驗，結果為顯著，因此可以扭矩的標準差作為特征因子。

3）根據(jù)力學牛頓第一定律，物體在勻速運動時力保持不變，將采集的數(shù)據(jù)按周期進行分類，提取勻速段的扭矩，計算標準差，對于非勻速段數(shù)據(jù)，提取勻加速段數(shù)據(jù)進行計算，通過機器學習決策樹算法進行模型訓練，獲得預測模型，并保存在predictOnethread.py中。

4）與PLC建立連接后，根據(jù)對數(shù)據(jù)的解析，從predict_thread.py啟動算法處理線程，從數(shù)據(jù)預處理隊列中獲取數(shù)據(jù)，根據(jù)從數(shù)據(jù)庫讀取的參數(shù)列表，結合模型輸出故障概率。通過對正常數(shù)據(jù)和異常數(shù)據(jù)的訓練，得到準確度大于97%的模型，在實際項目中進行測試驗證。

1.3 系統(tǒng)測試

在鋰電行業(yè)的模裝車間，根據(jù)每月裝配計劃，利用故障預測維護系統(tǒng)檢測同步帶連接的絲杠傳動結構，驗證是否存在裝配異常。

設備運行2 h，發(fā)現(xiàn)故障概率逐漸開始超過警戒線40%，如圖4所示，提醒傳動結構可能出現(xiàn)問題。軟件判斷結構異常，由結構調試人員對結構進行檢查，判斷實際結構是否異常，以驗證模型預測可信度。經(jīng)過實驗員拆卸結構發(fā)現(xiàn)異常問題：連接傳動裝置的皮帶存在較大磨損、防塵蓋內有皮帶磨損的粉塵，需進行重新裝配。該模型有效發(fā)現(xiàn)了絲杠傳動故障。

2 系統(tǒng)應用

將滾珠絲杠傳動結構故障預測維護系統(tǒng)應用于鋰電生產(chǎn)設備線，用于監(jiān)控設備絲杠傳動結構運行健康情況。圖5是設備A實際運行監(jiān)控的故障概率結果，由圖可知故障概率在不斷增加。通過系統(tǒng)預警功能提醒生產(chǎn)人員進行停機檢測，檢查后發(fā)現(xiàn)電機有明顯發(fā)燙的情況，觀察絲杠安裝無異常，但絲杠與導軌連接較干，缺少潤滑油。

圖5 絲杠結構故障概率圖

噴涂潤滑油，設備運行2 h后，故障概率趨于正常，如圖6所示。由此可知，本文所建立的故障預測維護系統(tǒng)達到了設計目標。

圖6 維護后絲杠結構故障概率圖

3 結論

本文提出了一套用于滾珠絲杠故障預測的維護性系統(tǒng)，通過從絲杠運行過程中的速度和扭矩時間序列曲線提取扭矩數(shù)據(jù)特征，并在特征空間進行特征區(qū)分；基于機器學習決策樹算法進行模型訓練，建立滾珠絲杠故障預測模型，該模型能基于構建的健康指標，預測健康指標的變化趨勢。利用滾珠絲杠工作周期數(shù)據(jù)對該方法進行了應用驗證，發(fā)現(xiàn)可以量化扭矩變化作為健康指標，當計算出的健康指標超過預設的預警閾值時，系統(tǒng)能及時發(fā)出預警信息，從而達到了系統(tǒng)開發(fā)的目的。