模型驅動的數字化加工過程狀態監測與診斷*

曹宏瑞，何正嘉

（西安交通大學機械制造系統工程國家重點實驗室 西安，710049）

引 言

數字化加工的發展趨勢之一是智能加工技術［1］，加工過程中的狀態監測與故障診斷是智能加工中不可或缺的支撐技術。實時監控數字化加工過程可以確保加工過程按照預定狀態進行，并能保證數字加工裝備的安全可靠運行，是實現數字加工的技術基礎。目前，在加工過程狀態監測方面，研究集中在刀具磨損、破損和切削顫振等方面，對加工設備的性能退化、失效及其對加工質量影響的研究甚少［2］。加工設備的結構動態特性是加工質量的決定因素之一，尤其在高精加工中機床的結構動態特性更不能忽略。在實際應用中為了方便，通常假設機床為剛性系統，忽略了其結構動態特性對加工質量的影響［3］。隨著機床服役時間的推移，其主要部件的功能將發生退化，會出現刀具磨損與破損、主軸軸承損壞、齒輪磨損甚至斷齒等故障，引起刀具－工件系統相對振動增大，導致零件加工精度降低，削弱數字化加工技術的應用效果?？梢姡瑸榱藱z驗數字化加工過程是否按照預定的狀態進行，并確保數字加工裝備安全、可靠、高效地運行，必須實時監控加工過程及設備的運行狀態。國內外將加工過程工況監控和質量控制方面視為數字化加工的重要技術基礎。Liang等［2］和 Abellan－Nebot等［4］分別從不同角度對加工過程狀態監測與診斷的研究進展進行了詳細的綜述。翟鵬等［5］建立了一個數控機床故障診斷專家系統，并給出應用案例。董全成等［6］提出采用切削聲音信號監測加工狀態的方法。在應用方面，國內外一些著名公司根據自身需求已開發了相應的加工過程監測系統。例如：瑞士Kistler公司開發了基于切削力的加工過程監測系統；寧夏小巨人公司的數字化工廠則包含了刀具壽命管理、加工振動監測補償模塊等；德國西門子公司推出了數控機床遠程監測診斷系統“ePS”。隨著數字化程度的提高，實現運行中加工裝備狀態的實時監控已成為精確控制零件加工質量的必需條件［2，7］。

筆者考慮加工過程內部各個子系統的相互耦合及關聯關系，融合工件質量信息和設備狀態信息，建立加工過程數學模型。分析機床結構動態特性與加工質量之間的關聯關系，明確監測加工設備運行狀態的必要性。在加工過程理論建模的基礎上，研究加工過程運行狀態監測與故障診斷系統的實現流程，并對其中關鍵技術進行分析。

1 數字化加工過程建模與工件質量分析

1.1 加工過程建模

加工過程建模理論研究成果頗多，學者們提出了不同的建模方法［8］。加工過程的實質是機床刀具同工件之間在一定切削參數條件下發生相互作用的過程。其輸入為切削參數，如切削速度、進給速度和切削深度等，輸出為加工狀態信號和工件加工表面等。利用黑箱法建立加工過程模型，如圖1所示。

圖1 加工過程“黑箱”

該系統的輸入為切削參數，包括主軸轉速、進給速度、切削深度、刀具幾何參數及切入方向等。系統輸出分為兩部分：a.工件質量信息，引入質量特征向量的概念來描述質量信息，即將尺寸公差、形位公差及表面粗糙度等信息用一個特征向量來表述；b.設備狀態信息，即傳感器檢測到如切削力、振動、溫度和聲發射等信號，表征當前加工狀態。誤差擾動為本道工序存在的定位誤差、夾具誤差及熱變形誤差等，使刀具－工件相對位置發生改變，引起加工尺寸誤差和形位誤差。由于這些誤差源難以直接測量，所以將其作為誤差擾動輸入系統。加工過程本身指刀具子系統和工件子系統之間相互作用。

1.2 機床結構動態特性對加工質量的影響

理想的加工系統可以精確控制刀具的路徑，從而加工出理想的表面。然而，大量的加工經驗證明，工件的幾何質量不僅僅由設計刀具路徑確定，它還受機床結構動態特性、切削過程動態特性及定位、夾具誤差等因素影響。工件加工表面的形成如圖2所示。可見，當夾具及定位誤差可以忽略時，影響加工質量的因素就是刀具與工件之間的相對振動位移。對于高精加工，刀具與工件之間相對振動對加工質量更是有決定性作用。要提高工件表面加工質量，就必須減小刀具與工件之間相對振動。

隨著加工設備運行時間增加，機床部件將會發生退化或失效，如主軸動不平衡、主軸軸承磨損及導軌磨損等。機床整機的動態特性依賴于其子系統性能，如果機床主要零部件的功能退化或失效，將引起機床整機結構動態特性的改變。機床結構動態特性的退化引起刀具工件相對振動增大，使加工質量變差。因此，對加工過程與加工設備的狀態進行在線監測診斷具有重要意義。

圖2 加工表面形成過程

2 數字化加工過程狀態監測診斷系統

2.1 系統工作流程

制造設備的控制參數均為數字信號，需要利用傳感器將制造信息信號化，從而對設備運行狀態與加工過程進行精確定量和數字化描述。由于刀具－工件相對振動難以直接測量，一般選取機床上容易測量的信號（如切削力、伺服電機電流、振動和聲發射等）來代替。圖3為數字化加工過程狀態監測與故障診斷系統的工作流程。首先，構建傳感網絡獲取加工設備工況信息（包括振動、切削力和聲發射等信號）和工件質量信息（包括工件尺寸誤差序列、加工表面的波紋度和粗糙度等），為后續的信號特征提取技術提供數據支持；其次，由于獲取的信息通常包含大量的噪聲，必須對其做進一步處理，即信號的特征提取，根據信號的特點，選用合適的信號處理手段（如小波分析、局域均值分解及隨機共振等技術）提取信號特征；最后，利用已提取出的信號特征及工件質量信息對當前加工過程及設備的運行狀態進行辨識。經過專家或智能系統進行診斷決策后，如果發現加工過程正常，則保持當前狀態繼續加工。若發現異常狀態，需要對故障進行診斷并進行誤差溯源并采取相應的措施。

圖3 加工過程狀態監測診斷系統的工作流程

2.2 關鍵技術分析

2.2.1 加工狀態信息獲取

設備工況信息和工件質量信息是整個數字化加工過程監測與故障診斷系統的基礎。合適的傳感信號應滿足有較高的信噪比、對切削過程的狀態反映敏感、特征信號的拾取較為方便等條件。布置相應的傳感器時，希望用盡可能少的傳感器能夠獲取可靠且完整的參數信息［9］。為了獲得加工設備全方位的運行信息，監測系統大多采用多傳感器組合方式來采集設備的狀態信息。多種傳感器的合理選擇和優化配置是獲取所需信息的重要條件，選擇和配置不當可能影響信息的完備性和可靠性，使狀態識別與故障診斷結果的可信度降低。因此，如何優化配置傳感器以提高傳感網絡的可靠性與容錯性已成為研究關注的問題，并有多種優化方法［10－11］。一般來說，反映數控機床狀態的物理量有振動、切削力、聲發射、溫度、轉矩、速度、電機電流和編碼器位移等。通常選取機床上容易測量的信號如編碼器位移、伺服電機電流、主軸箱的振動信號、聲發射信號及傳動系統的振動信號等作為工況監測信號來組成設備狀態特征量。利用三坐標測量機和表面粗糙度測量儀等測量工件的尺寸和表面微觀形貌來得到工件質量特征量。

2.2.2 特征提取技術

應用先進的信號處理技術，從復雜的工況中提取表征設備運行狀態的特征是監測系統的核心技術。當加工設備出現故障時，時域信號的幅值和概率分布將會發生變化。信號中的頻率成分、不同頻率成分的能量以及頻譜的主能量譜峰位置也將發生改變。時域統計分析是特征提取常用的方法，在工程應用中常用的參數有：均值、方差、峰值、峰峰值、均方根幅值、偏斜度指標、峭度指標、峰值指標、脈沖指標和裕度指標等。時域統計分析的不足在于與設備運行的工況無關，對信號的幅值和頻率變化不敏感?；诟道锶~變換的頻域分析方法如相干分析、傳遞函數分析、細化譜分析和倒頻譜分析等在信號特征提取與故障診斷方面也取得了巨大的成就。

由于加工設備在運行中的阻尼、剛度、驅動力的非線性，檢測到的動態響應信號具有非平穩性，并且夾雜大量的噪聲。基于平穩過程的經典信號處理方法，僅從時域或頻域給出信號的統計平均結果，無法同時兼顧信號在時域和頻域的全貌和局部化特征，而這些局部化特征恰是故障特征［12］。對于非平穩的加工設備動態信號，需要在時、頻域內對其分析，同時提取其時域特征和頻域特征。在大量研究的基礎上，先進的非平穩信號處理技術包括經驗模式分解、局域均值分解、隨機共振、小波與第二代小波分析和多小波分析等。

2.2.3 加工狀態識別與故障診斷技術

加工狀態識別與故障診斷是整個狀態監測與故障診斷系統的決策環節。它根據監測診斷對象的征兆進行分析和推理，判斷加工過程和加工設備的運行是否處于正常狀態。若產生異常，則需要找出故障發生的部位和產生故障的原因，并給出有效的干預決策。目前，最常用也是最可靠的診斷決策過程依然由領域專家根據經驗知識來完成。隨著人工智能的發展完善，基于符號推理的專家系統和基于數值計算的智能診斷技術在故障診斷領域得到了廣泛應用，診斷推理可以由智能診斷軟件自動完成［13］。

3 應用實例

機床主軸系統帶動刀具參與工件表面的成形運動，其動態特性將通過刀具反映到工件表面上，對工件的加工質量影響明顯。軸承是高速主軸中最關鍵的部件之一，角接觸滾動軸承具有結構簡單、極限轉速比較高、旋轉精度高、可同時承受軸向和徑向載荷、成本相對于液體靜壓軸承和空氣靜壓軸承低等優點，是多數高速主軸制造商的首選。目前，滾動軸承仍然是影響主軸系統可靠性的薄弱環節，易發生內、外圈剝落和過熱燒傷等故障。

利用數字化加工過程狀態監測診斷系統對某型數控立銑床的運行狀態進行識別。該立銑床已經服役多年，加工過程刀具與工件的相對振動較大，零件加工表面質量較差，達不到預定要求。

3.1 監測信號的選取

機械設備和結構系統在運行過程中的振動信息是反映系統狀態及其變化規律的主要信號。利用振動信號對設備狀態進行監測與診斷是工程中應用最廣泛的方法。隨著現代傳感技術及微電子技術的發展，國內外已開發了各種專門的振動傳感器。壓電式加速度計因為其測量范圍廣、測量頻帶寬、結構緊湊和可靠性好等優點，廣泛應用于切削振動的測量。由于主軸系統帶動刀具直接參與切削過程，其動態特性通過刀具直接反映到工件表面上，影響加工表面質量，因此對于該數控立銑床，重點監測其主軸部件的運行狀態。考慮所檢測振動信號的頻帶范圍及傳感器的安裝等因素，選用朗斯內裝壓電加速度傳感器來測量主軸箱的振動信號。加速度傳感器安裝如圖4所示。

圖4 加工過程中主軸振動信號測試

3.2 信號特征提取

基于小波變換的非平穩信號處理技術的研究與應用，其本質是依據內積變換的數學原理從動態信號中提取出與基函數最相似的特征信號分量［14］。Sweldens［15］通過提升方法改善小波特性，構造出具有期望特性的小波基函數，提出了第2代小波變換的概念。第2代小波變換具有算法簡單、運算速度快、需要內存空間少和分析信號的長度任意等優點，受到了研究者的青睞。目前，該方法已成功應用于旋轉機械、齒輪箱和軸承等部件的故障診斷中［16］。筆者利用第2代小波變換技術分析主軸箱的振動信號，提取特征以識別主軸軸承的工作狀態。

1）剖分：將原始信號序列分成偶樣本序列s（0）和奇樣本序列d（0），即

2）預測：利用預測器P和相鄰的N個偶樣本s（0）預測奇樣本d（0），將預測誤差定義為原始信號經過第2代小波分解后的細節信號（高頻信號），即

其中：P（·）定義為N點預測器算法。

3）更新：在獲得細節信號d的基礎上，利用更新器U和個細節信號更新偶樣本s（0），將更新后的信號序列定義為原始信號經過第2代小波分解后的逼近信號（低頻信號），即

其中：U（·）定義為點更新器算法。

第2代小波的重構算法為分解算法的逆運算，也可以方便地得到［15］。

3.3 主軸軸承運行狀態識別

改變切削參數設計銑削試驗，對加工過程中的信號進行實時監測。選取機床主軸轉速為1.17kr／min、進給速度為160mm／min、軸向和徑向切削深度均為2mm時，對在主軸箱處采集到的一段振動信號進行分析，如圖5所示。

在強噪聲干擾下，監測到的原始振動信號雜亂無章，信號特征不明顯（圖5（a）所示）。利用第2代小波結合包絡譜分析技術處理信號，提取故障特征信息。先利用第2代小波算法分析主軸箱振動信號，分解3層，把原始信號分解到相互獨立正交的4個頻帶上，對每一層信號做Hilbert包絡譜分析。其中，第1層細節信號的包絡譜如圖5（b）所示，存

圖5 主軸箱振動信號特征提取

在明顯的特征頻率（156.3Hz）。經過分析，該頻率與當前主軸轉速（1.17kr／min）下的主軸前端軸承（圓錐滾子軸承32211）的外圈損傷特征頻率（158.7 Hz）接近，可以認定該主軸軸承的外圈已經損傷，軸承參數如表1所示。主軸軸承外圈損傷成為該立銑床的重要強迫激勵源，增加了刀具與工件之間的相對振動，影響工件表面加工質量。

表1 圓錐滾子軸承32211參數

4 結 論

1）利用黑箱法建立數字化加工過程理論模型。

2）分析了影響工件加工表面質量的因素，建立了機床結構動態特性同工件質量特征的映射關系。

3）研究了數字化加工過程狀態監測與故障診斷系統的實現，給出系統的工作流程并對其中關鍵技術進行了分析。將系統應用于某數控立銑床的加工過程中，診斷出主軸軸承外圈故障，從設備層面為數字化制造過程的加工誤差溯源提供依據。

［1］ 阮雪榆，李從心，趙震.數字化制造技術的途徑［J］.上海造船，2003（1）：18－20.Ruan Xueyu，Li Congxin，Zhao Zhen.Approaches to digital manufacturing technology［J］.Shanghai Shipbuilding，2003（1）：18－20.（in Chinese）

［2］ Liang S Y，Hecher R L，Landers R G.Machining process monitoring and control［J］.ASME Transactions，Journal of Manufacturing Science and Engineering，2004，126（2）：297－310.

［3］ Byren G，Dornfeld D，Inasaki I，et al.Tool condition monitoring（TCM）—the status of research and industrial application［J］.Annual CIRP，1995，44（2）：541－567.

［4］ Abellan－Nebot J V，Subiron F R.A review of machining monitoring systems based on artificial intelligence process models［J］.International Journal of Advanced Manufacturing Technology，2010，47（1－4）：237－257.

［5］ 翟鵬，史鐵林，陳培林，等.數控機床故障診斷專家系統的設計［J］.振動、測試與診斷，1997（2）：38－43.Zhai Peng，Shi Tielin，Chen Peilin，et al.Design of fault diagnostic expert system for numerical control machine tools［J］.Journal of Vibration，Measurement＆ Diagnosis，1997（2）：38－43.（in Chinese）

［6］ 董全成，艾長勝，孫選，等.數控加工狀態聲譜特征的研究［J］.振動、測試與診斷，2006（3）：217－220.Dong Quancheng，Ai Changsheng，Sun Xuan，et al.Research on sound spectrum characters of CNC machining［J］.Journal of Vibration，Measurement ＆ Diagnosis，2006（3）：217－220.（in Chinese）

［7］ 洪邁生，蘇恒，李自軍，等.數控機床的運動精度診斷——評述與對策［J］.機械工程學報，2002，38（2）：90－94.Hong Maisheng，Su Heng，Li Zijun，et al.Error mo－tion diagnosis of NC machine tools，comment and countermeasure［J］.Chinese Journal of Mechanical Engineering，2002，38（2）：90－94.（in Chinese）

［8］ Ehman K F，Kapoor S G，Devor R E，et al.Machining process modeling：a review［J］.ASME Transactions，Journal of Manufacturing Science and Engineering，1997，119：655－663.

［9］ 劉道玉，江平宇.面向多工序制造過程的e－質量控制體系結構研究［J］.計算機集成制造系統，2007，13（4）：782－790.Liu Daoyu，Jiang Pingyu.E－quality control architecture for multistage machining processes［J］.Computer Integrated Manufacturing System，2007，13（4）：782－790.（in Chinese）

［10］Takahashi K，Kurihara S，Hirotsu T，et al.Estimation of sensor network topology using ant colony optimization［J］.Adaptive and Natural Computing Algorithms，2009，5495：263－272.

［11］Markmiller J F C，Chang F K.Sensor network optimization for a passive sensing impact detection technique［J］.Structural Health Monitoring，2010，9（1）：25－39.

［12］何正嘉，訾艷陽，孟慶豐，等.機械設備非平穩信號的故障診斷原理及應用［M］.北京：高等教育出版社，2001：1－5.

［13］雷亞國.混合智能技術及其在故障診斷中的應用研究［D］.西安：西安交通大學，2007.

［14］何正嘉，訾艷陽，陳雪峰，等.內積變換原理與機械故障診斷［J］.振動工程學報，2007（5）：528－533.He Zhengjia，Zi Yanyang，Chen Xuefeng，et al.Transform principle of inner product for fault diagnosis［J］.Journal of Vibration Engineering，2007（5）：528－533.（in Chinese）

［15］Sweldens W.The lifting scheme：a custom－design construction of biorthogonal wavelets［J］.Applied and Computational Harmonic Analysis，1996，3（2）：186－200.

［16］Duan C D，He Z J，Jiang H K.A sliding window feature extraction method for rotating machinery based on the lifting scheme［J］.Journal of Sound and Vibration，2006，299（4－5）：774－785.