基于精度退化的精密数控机床故障诊断技术研究*

王红军   徐小力  吴国新  100192  北京信息科技大学 

摘要 本文首先回顾了国内外精密数控机床故障诊断技术发展现状以及故障诊断的重要性。然后给出了基于精度退化机理分析基础上的数控机床故障诊断技术的主要内容以及关键技术。

关键词 精密数控机床  故障诊断     精度退化

1.引言

随着科学技术的进步和生产水平的提高，数控机床在国民经济各部门和工业领域得到了广泛使用。数控机床的研发向高档、高速、高精、多功能、智能和多轴联动复合加工等方向发展，随着复合功能的增多和密集型技术的引入，也导致故障隐患增多，先进功能和性能不能维持，先进性失去意义，因此机床的精度保持性成为衡量机床性能的重要指标。机床的早期故障导致服役性能下降，如果不及时诊断和预警，造成废品增加、质量波动、生产率下降。如果数控机床出现故障导致非正常停机，特别是处于生产线关键核心部位的高档数控机床，将会带来重大的停机损失^[1]-[5]。高档数控机床由于结构复杂，传递环节较多，导致故障不能准确定位。盲目的拆修会造成安装精度误差，机床服役性能下降和可靠性降低。数控机床的高水平化和复杂化使研究数控机床精度退化机理模型和故障诊断的必要性和紧迫感更加突出。

2精密数控机床故障诊断的国内外的现状以及分析

2.1 精密数控机床故障诊断的国内外的现状

数控机床作为典型的机电系统，其故障诊断与预警技术是保障机床可靠运行、提高机床服役性能的核心技术之一。国内外十分重视对数控机床加工过程检测诊断技术的研究开发工作，并将其视为高质量数字化加工的重要技术基础。一些公司开发了相应的监测系统，如西门子的数控机床远程监测诊断系统ePS，FANUC公司的18i和30i也具有类似功能，但是他们只能实现机床电气系统，开关量类型的故障检测；瑞士KISTLER公司推出了基于切削力的加工监测系统；ARTIS也研发了刀具监控系统等，实现了基于动态信号的机床故障诊断。日本生产的加工中心上己经具备远程故障诊断功能，加工中心的故障信息可以通过网络传送到生产厂商的监控中心进行分析和诊断，并将诊断结果和处理方法发送到用户端设备，指导用户排除故障。我国目前高档数控机床的大量应用、其诊断与维护技术的不足引发了巨大的机床诊断需求，成为当前数控机床技术发展的瓶颈之一，也是国内外研究的热点问题。

分析数控机床故障机理，以最有效的方法获取反映数控机床设备状态（静态）、运行状态（动态）的特征量或诊断知识，并据此建立合适的故障模型。目前有的以数控机床的具体部件为对象进行研究，如刀具切削状态监测与预警、加工主轴振动监测与诊断、主轴伺服系统监测与诊断、加工工件的质量监测等等。相应的诊断方法以传感器技术、信号处理及分析技术和多传感器信息融合技术为主，通过一定的监控诊断模型（如阈值判断或神经网络模型）实现状态判定与故障预报，或依靠数学模型来分析诊断对象的某种动态特性的尝试，取得了一定的成果。有的从全局制造过程出发，建立过程仿真模型，注重状态的变迁及原因和结果之间的联系，如Petri网、有限状态机、有向图模型的应用。还有的从分析诊断对象的功能、原理、结构等方面入手，并结合人类专家经验，以建立诊断知识库为目标，诊断过程以知识推理为主，机理模型、功能模型及故障树模型是常用的方法。总体上数控设备故障诊断技术的研究主要沿着诊断系统架构研究、智能诊断方法研究、故障机理及故障模型研究和系统集成技术研究等4个方向深入开展^[6]-[146]。数控机床的故障诊断不仅有一般设备诊断的特点，而且表现得更复杂、更特殊，表现在以下几个方面：

（1）故障发生的高可能性  数控设备的高度柔性，必然要求系统内部具有高度灵活性和运行模式的多样性，增大了系统的不确定因素和在模式转换过程中故障发生的高可能性；

*国家科技重大专项目（2009ZX04014-101）资助，国家自然科学基金资助项目（50975020），北京市自然基金资助项目（3083019）北京市科委项目资助( D09010400700901)

（2）诊断知识获取困难  系统设备多样、复杂，加工以柔性多任务为目标，加工类型、过程、工况多样，因此，难以全面搜集正常与异常状态的先验样本和模式样本；

（3）故障的快速定位难度大  数控设备各部件间的动态联动性、离散性致使故障的传播性、故障源的分散性更加明显。过程状态及故障的断续性、突发性、模糊性、关联性及时变性更加明显，致使故障征兆信息和设备状态信息的获取比较困难；

（4）易产生误诊、漏诊  加工过程中随机干扰因素影响加大，使诊断系统的误诊、漏诊的可能性更大，诊断推理的精确性和结论的可信度都有所下降；

（5）加工过程中信息量大而繁杂  适合于监控、诊断与预警的信息资源需要挖掘，对监控策略、故障特征提取和诊断知识库管理等环节提出了挑战。

2.2 精密数控机床的精度退化机理分析现状

对于数控机床的精度研究一直是国内外研究的重点和热点。国内外在机床的精度检测、精度补偿等方面进行了大量的研究，获得了大量的研究成果。机床的精度不但体现在机床的制造精度，更重要的是机床的精度保持性，其直接影响加工精度和生产率。国际上机床的平均无故障生产时间MTBF可以达到900小时，近年来我国经过技术攻关，国产数控机床的MTBF从200小时提高到了500小时，但与国际先进水平相比，还存在相当大的差距。根据精密数控机床的结构，故障可以分为：数控装置、主轴系统、进给伺服系统、液压系统、装夹系统、润滑系统、冷却系统、电源系统、刀库系统等的故障。随着IC技术的发展，目前机械故障更加突出（占到75%），特别是关键功能部件故障经常导致整机精度退化和损坏停机。对功能部件的精度退化机理进行理论研究和试验研究，通过试验挖掘精度退化与产品质量下降、精度退化与故障的映射关系，获得相关的样本数据和信息，建立故障数据库和案例库。通过各种故障分析技术，找出故障发生的原因并进行危害性排序，进行数控机床的故障诊断和预测性维护。目前国内对于数控机床的精度退化机理的研究还处于初级阶段。

2.3 精密数控机床的故障诊断的瓶颈问题---知识获取

尽管国内外学者在数控机床故障诊断方面进行了大量工作，，分析后可看出在智能故障诊断方法与算法的研究中,均离不开用量化特征向量表达的故障数据集。

目前国产数控机床现场运行过程中大量出现的故障为功能性故障、CNC系统和电器系统的故障，需要通过较长时间的现场运行才能暴露出来。精密数控机床体积庞大、须通过产品的长期运行和使用来进行整机精度和动特性试验，数控机床生产运行现场大量的数据和信息是获得故障样本数据和故障诊断规则的宝贵资料。故障诊断的数据信息和知识获取是故障诊断的基础。粗糙集(Rough sets)是由波兰华沙理工大学教授Z.Pawlak首先提出，其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。粗糙集在故障诊断领域中应用是近年的研究热点。粗糙集理论是粒计算的精确模型，它能有效分析和处理不精确、不一致、不完整等各种不完备数据，并从中发现隐含知识，揭示潜在的规律。黄文涛等将故障诊断问题用一个具有不同简化层次的决策网络表示，在引入诊断决策规则的覆盖度概念后，推导出每个网络节点的诊断决策规则集并在往复机械故障中取得较好效果，为故障诊断的知识获取研究作出贡献。在此基础上，冯志鹏等将粗糙集与各种智能工具如神经网络、遗传算法、模糊等相结合，研究各种用于故障的算法和模型，并在实际中得到了较好的应用效果，提高了诊断准确率和诊断速度。粒计算(Granular Computing，GrC)是美国学者T.Y.Lin于1997 年提出的，粒计算是解决不精确、不完整、模糊以及海量信息问题的理论，是目前人工智能领域的研究热点[30]-[38]。国内的学者在基于粒计算研究和基于粒计算的故障诊断领域进行了有益的探索和研究。如Li Feng等提出了基于二进制的粒计算神经网络智能故障诊断方法，将其用于内燃机发动机原始数据信息约减，诊断效率大大提高。Yan Xiaoxu等给出了粒计算智能机械故障诊断方法，通过属性空间定义的类内距离来构建粒空间的容差，应用于滚动轴承故障诊断，取得好的效果。

在故障诊断中神经网络、模糊、小波分析、数据融合技术、混沌、分形、灰色理论和粗集、粒计算理论等，都存在自己的优缺点。如果将这些方法集成融合，构成混合智能故障诊断方法，将能充分利用各种特征信息, 提高诊断速度和精确度。

3基于精度退化机理的精密数控机床故障诊断技术研究

3.1基于精度退化机理的精密数控机床故障诊断模型

从数控机床的机床精度退化机理入手,针对机床的主轴系统，研究轴承、齿轮等典型故障，构建机床的核心功能部动力学模型并进行模态分析，最终建立机床与产品零件加工质量的映射来揭示揭示机床精度退化的机理和规律。如图1所示为基于精度退化机理的故障诊断的流程，图2所示为基于精度退化机理的退化模型。

图1  基于精度退化机理的故障诊断研究流程                        图2  基于精度退化机理的退化模型

3.2 基于精度退化机理的精密数控机床故障诊断的知识获取

数控机床是一个结构复杂和运行状态多变的机电系统，采集到的数控机床故障样本数据常常包含着噪声，使得数据往往不精确甚至不完整，不同程度地存在着不确定性因素，采用基于粗糙集粒计算的故障样本的知识获取技术，解决由于复杂数控机床样本数据存在着噪声和不确定性因素而难以发现隐含规律和知识的难题，以及解决信息获取、知识获取和决策分析中的实际问题。其知识获取系统框架如图3所示。首先以精密数控机床为研究对象，充分利用工业现场运行状态监测的含有大量设备运行信息的参数，通过特征的选择、获取，进行基于粗糙集的信息粒特征属性映射并进行约简，最终获得所需要的能反映系统本质特征的故障诊断知识和规则。从数控机床运行状态的大量样本数据中提取或“挖掘”有用信息和知识，解决由于复杂数控机床样本数据存在着噪声和不确定性因素而难以发现隐含规律和知识的难题，以及解决信息获取、知识获取和决策分析中的实际问题。

图3 基于精度退化机理的故障诊断知识获取系统框架                图4 基于精度退化机理的混合智能诊断模型

3.3 基于精度退化机理的精密数控机床的混合智能故障模型

数控设备的故障诊断系统中，不仅包含多类不确定性的故障特征信息，故障类型也多种多样, 而且特征和故障类型之间常存在着复杂的对应关系，单靠某种理论或某种方法很难准确及时地对设备进行故障诊断的问题。针对精密数控机床的常见故障、进行诊断特征粒和粒化信息的构建，构建故障诊断信息系统的粒度，首先采用粗糙集进行特征分析和评估，构造合适的SVM分类核函数、将所提取的机械故障特征，通过支持向量机、神经网络和遗传算法进行特征混合，构建合适的评估技术，快速有效地实现混合智能诊断。混合故障诊断模型的流程如图4所示。

4结论

综上所述，对精密数控机床的功能部件以及整机的精度退化机理进行深入的研究，建立模型，揭示机床精度退化的原理，以提供数控机床精度保持的理论和方法。通过研究数控机床的精度退化模型、建立数控机床精度退化与故障诊断的联系、研究数控机床的特征提取技术和故障诊断技术是目前急需解决的问题。所提出了知识获取的新理论和所构建的混合智能诊断的新方法，将为精密数控机床的安全运行和维护提供关键技术支持。

参考文献

[1].贾亚洲,杨兆军.数控机床可靠性国内外现状与技术发展策略[J].中国制造业信息,2006 (4):35-37.

[2].郭磊,陈进,王国伟.基于多智能体的设备性能退化评估系统建模[J].计算机集成制造系统,2008,14(3):494-498.

[3].韩兴国.数控机床运行精度远程检测及数据处理技术研究[D]. 西华大学,2007.

[4].谈理,刘谨,叶赛.生产线故障诊断知识引擎系统的集成推理方法[J].哈尔滨工业大学学报, 2009,41(1)：185-188.

[5].雷亚国,何正嘉,訾艳阳.基于混合智能新模型的故障诊断[J]. 机械工程学报.2008,44 (7):112-117.

[6].黄文涛,赵学增,王伟杰等.基于粗糙集理论的故障诊断决策规则提取方法[J]. 中国电机工程学报, 2003( 11): 154-158.

[7].T.Y. Lin. “Granular computing on binary relations” in L. Polkowski and A Skowron (Eds.), Rough sets in knowledge discowery: Methodology and applications, Physica-Verlag, Heildelberg,1998:286-318.

[8].Zadeh, Lotfi A. Granular computing and rough set theory[C]. Lecture Notes in Computer Science , International Conference on Rough Sets and Intelligent Systems Paradigms, RSEISP 2007, Jun 28-30 2007, Warsaw, Poland: 1-4.

[9].Yao, Yiyu, Granular computing: Past, present, and future[C] , 3rd International Conference on Rough Sets and Knowledge Technology, RSKT 2008, May 17-19 2008, Chengdu, China:7-28.

[10].Fan, Lisa，Granular computing application to web-based learning support system，Proceedings of the 6th IEEE International Conference on Cognitive Informatics, ICCI 2007, 2007, Aug 6-8 2007, Lake Tahoe, CA, United States:205-211.

[11].Yong, Qin Cui, Du Wu,et al. Knowledge evolutionary algorithm based on granular computing[C].2008 IEEE International Conference on Cybernetics and Intelligent Systems, CIS 2008: 467.

[12].Tan Li, Liu Jin, Mei Liting. The development of a knowledge base in an expert system based on the four-layer perception neural network [J]. Journal of Harbin Institute of Technology, 2007, 14 ( 4 ) : 552 – 556.

[13].Li, FengXie, Jun;Xie,Kemin. Granular computing theory in the application  of fault diagnosis [C]. Chinese Control and Decision Conference, CCDC 2008: 595-597.

[14].Yan Xiaoxu, Zhang Zhousuo, Cheng Wei. Intelligent fault diagnosis based on granular computing[C].2008 IEEE International Conference on Granular Computing: 712-717.

作者：王红军 北京信息科技大学 现代测控技术教育部重点实验室副主任，机电学院机械制造与工业工程系主任。教授、博士 邮政编码：100192 电话：13439885088