基于分級特征庫的機床故障診斷系統設計與實現*

蘇憲利,鄭一麟

(1．渤海大學 信息科學與技術學院，遼寧 錦州　121013；2.東北大學 計算機科學與工程學院，沈陽　110068；3．中國科學院 沈陽計算技術研究所，沈陽　110068)

?

基于分級特征庫的機床故障診斷系統設計與實現*

蘇憲利1，2,鄭一麟3

(1．渤海大學 信息科學與技術學院，遼寧 錦州121013；2.東北大學 計算機科學與工程學院，沈陽110068；3．中國科學院 沈陽計算技術研究所，沈陽110068)

摘要：針對機床故障診斷中人工診斷效率低、實時性差、誤差大的缺點，研究提出使用分級特征庫進行機床故障診斷，該研究將特征分為典型特征和非典型特征兩級，在底層匯聚節點完成振動特征提取和典型特征(即A級特征)機床故障診斷，實現故障現場預警，提高了現場預警的實時性。在控制中心完成對非典型特征(即B級特征)綜合處理和分析，同時對兩級特征數據采用機器學習中SVM算法完成故障特征庫的完善和更新，提高了機床故障診斷的準確性。通過實驗證明該研究在基于特征庫的機床故障診斷領域具有理論研究價值和工程應用價值，提高了數控機床故障診斷的實時性和精確性。

關鍵詞：分級特征；實時預警；故障診斷

0引言

數控機床是一種自動化程度較高的機械加工設備[1]，機床故障對機床的使用壽命和產品的加工質量都存在較大影響[2]，機床故障不能及時得到處理將會導致機床損壞或加工產品的報廢，在機床部件發生問題時，將對機床運行產生一定的物理沖擊，因此機床運行中的故障主要是通過振動的方式體現出來[3]，而在機床工作現場的診斷也主要是通過工人對振動的感受進行判斷，人工判斷的方式存在以下問題：

(1)工人的工作經驗是執行判斷主要因素，對于機床故障的判斷跟工作經驗成正比，而這種經驗的積累是以機床的傷害為代價。

(2)個人感受中環境因素影響較大，容易造成故障判斷的錯誤或緩慢，導致故障不能及時發現和處理，從而造成產品加工產生次品或機床損壞。

(3)缺少快速的學習機制，影響個人經驗增長的因素較多，人工對故障識別和判斷的學習過程存在效率較差、速度較慢等缺點。尤其是對新型數控機床，需要大量的時間來進行故障現象的識別和訓練。

在故障識別領域目前采用的方法包括模式判別方法和智能故障識別方法，其中模式判別方法包括聚類分析、貝葉斯推斷等傳統的分類器[4-5]，智能故障模式識別包括神經網絡、支持向量機和模糊理論[4-5]，其中人工神經網絡已在故障診斷領域得到了廣泛的應用[4]。當前研究較多的是神經網絡與其它方法結合的模型，包括聚模糊神經網絡等[4]。支持向量機理論通過優化一個泛化誤差界限自動生產最優的分類面[6]，使其具有了更優的泛化性能。

目前研究中故障診斷工作全部在服務器端完成，這種方式的優點是數據運算準確可靠，故障的識別率較高。本研究是為了提高故障診斷的實時性，將故障診斷工作分為兩級完成，第一級工作為A類特征的識別和診斷，將故障特征庫中的特征明顯、識別可靠性高的特征稱為A類特征，其中A類特征故障診斷在匯聚節點完成，使得A類特征的診斷和預警時間縮短，提高A類特征故障診斷的實時性。第二級工作包括B類特征識別和診斷、特征數據庫的更新和完善，該工作在故障診斷服務器端完成，利用服務器端的強大計算資源提高識別的可靠性和準確性。

1系統總體結構設計

本研究中的故障診斷系統包括了三個部分，振動采集節點、匯聚節點和控制中心(服務器端)三部分，其中振動采集節點和匯聚節點部署在車間、控制中心部署在企業的信息中心，控制中心是故障診斷系統服務器端軟件運行的服務器設備。

振動采集節點部署在機床特定位置，完成機床振動數據的采集。匯聚節點部署在生產車間內，完成振動數據特征的提取、診斷、實時預警和數據通信。控制中心完成對故障特征數據的深入處理和故障的精確分析診斷，并通過機器學習的方式完成特征庫的完善和更新工作。其中振動采集節點與匯聚節點間是通過無線網絡進行通信，匯聚節點和控制中心通過以太網進行通信。

機床故障診斷系統結構如圖1所示。

2分級特征庫診斷方法

在傳統的研究中，故障特征數據的對比和處理工作全部在控制中心完成，也就是在服務器端完成，在控制中心完成診斷后，將顯示預警信息給管理人員或底層預警設備，進行預警和故障處理。這種方式的優勢是故障診斷較為準確，它存在的問題是故障診斷缺少實時性，由于所有的故障診斷都經歷采集節點、匯聚節點、控制中心診斷后再回傳給匯聚節點進行預警，網絡通信時間較長，降低了預警的實時性。

為了提高故障診斷的實時性，本系統中設計了分級診斷方法，診斷方法流程如圖2所示。在圖2中診斷方法分為三個步驟：

第一步：特征分類，將特征分類為A,B兩類，A類故障特征(典型特征)是指只要出現該類特征就一定發生了特定的故障，B類特征是非典型特征，這類特征需要對振動特征數據進行詳細分析處理后才能確定故障是否發生和產生的原因。

第二步：故障診斷任務分級，匯聚節點完成第一級診斷，實現A類特征的現場實時預警。控制中心完成第二級診斷。控制中心對匯聚節點上傳的振動能量特征進行詳細處理，針對B類特征進行診斷和預警控制輸出。

第三步，特征庫更新與同步，控制中心通過機器學習svm方法進行分類描述，通過樣本學習實現對特征庫的更新和校準，在服務器端對A類特征庫更新后，控制中心發送A類特征庫給匯聚節點，完成匯聚節點A類特征庫的更新和同步。

圖2　診斷方法流程

一級診斷流程如圖3所示。

圖3　一級診斷流程

在圖3中匯聚節點完成一級診斷工作，匯聚節點為了實現對振動特征的提取，需要對振動信號進行處理，目前采用的方法主要是快速傅里葉變換[3-4]，該方法的特點是實現簡單，可以很快的實現時域到頻域的變換，但是FFT存在缺少時間特征的問題，在FFT中某一個點的噪聲將對整個變換產生影響[3-5]，因此不適用于對時間和頻率同時存在要求的應用。在本系統中為了發現故障的實時特征，采用了小波分解樹的方法進行振動信號的處理[6-7]。小波分解樹可以很好的完成信號處理工作，小波分解樹工作流程如圖4所示。

圖4　小波分解樹

二級診斷工作流程如圖5所示。

圖5　二級診斷工作流程

二級診斷在控制中心完成，如圖5所示控制中心接收到特征數據后，對數據采用svm算法進行分類和樣本學習，根據分類結果對B類特征進行相似度匹配，診斷出故障后，向匯聚節點發送預警控制，并對B類特征樣本庫進行強化，當特征庫中B類特征滿足A類特征要求時，將該特征轉化為A類特征，并對特征庫進行更新，發送新的A類特征庫給匯聚節點，完成特征庫的更新和同步。

3振動數據采集過程

在振動采集中主要采用了振幅、頻率和相位三個量值進行描述，其中振幅和頻率主要用于機械故障的識別，本系統采用了對振動頻率進行采集和處理，實現對機床故障的診斷。

振動數據采集工作是通過采集節點中的三軸加速度傳感器實現，在振動特性中振動加速度與振動頻率的平方成正比，通過對振動加速度值的運算可以得出振動頻率的值。采集節點將采集到的加速度數值傳送給匯聚節點，由匯聚節點進行振動特征數據的分析和處理。采集節點工作流程如圖6所示。

圖6　采集節點工作流程

控制中心通過發送控制命令調整采集節點的采集頻率和通信方式，采集節點接收匯聚節點轉發的控制命令，根據命令執行操作，完成參數調整等工作。

4控制中心軟件實現

控制中心軟件系統采用了c#進行開發，采用了C/S模式，數據庫服務器采用了oracle數據庫管理系統[7-8]，在本系統中設計了三道線程，第一道線程為通信管理線程，該線程完成與匯聚節點的通信工作，完成對特征數據的采集工作。第二道線程為數據處理線程，本線程中采用了SVM分類方法進行機器學習，對特征數據進行完善。第三道線程為顯示線程，完成對操作窗口的輸出控制。

在控制中心對特征數據進行分類過程中并不是所有的能量特征都是非常有用的，在本系統中采用了SVM分類方法，對最優特征進行提取，在SVM算法中為了降低分類器構造的復雜度，本系統中采用了基于決策樹的SVM分類算法，對所有特征進行兩類劃分，即典型特征A級特征和非典型特征B級特征，然后根據特征特點依次進行兩類劃分，通過這種方法在分類識別過程中提高特征的識別度，加快了特征識別的速度。

控制中心工作過程如下：

(1)接收特征數據，進行數據校驗，去除非法數據。

(2)根據特征分類進行樣本識別，形成多級樹。

(3)根據樣本特征進行優化，形成更加精確的特征庫。

(4)校準特征類別參數，執行(2)過程。

在本系統中為了保證數據通信的可靠性采用了TCP的連接方式，每一個匯聚節點通過tcp完成與控制中心的連接，由于本研究中匯聚節點數量為10個，每個匯聚節點采集數據量較大，tcp工作方式可以保證數據傳輸穩定性和可靠性。

本系統在結構上完全采用了mvc的軟件編程模式，設計了模型層、視圖層和控制層，其中模型層完成數據處理和數據庫的訪問工作，視圖層完成軟件界面輸出工作，控制層完成功能調用工作?？刂浦行南到y軟件運行界面如圖7所示。

圖7　診斷系統運行圖

5實際應用

在本系統應用中采用了根據診斷需求在機床特定位置固定振動采集節點完成振動數據的采集，本系統的測試環境為沈陽機床廠生產的Z3050X16搖臂鉆床，系統采集節點工作位置如圖8所示。

圖8　系統測試環境

系統測試條件如下：

(1)每臺鉆床安裝1個振動采集節點，每5臺鉆床使用兩個匯聚節點。

(2)匯聚節點通過以太網與企業控制中心連接。

(3)匯聚節點使用大功率聲光輸出裝置。

(4)系統測試時間為45天，每天工作12小時。

為了對本系統的運行效果進行分析，測試中采用了兩種工作方法，第一種方法為原始的工作模式，所有的故障診斷工作均在控制中心完成，匯聚節點僅完成特征數據處理和轉發功能。第二種方法為本研究中提出的方法，在匯聚節點完成一級診斷，在控制中心完成二級診斷。測試中通過在機床上部署一個振動采集節點，在車間部署了兩個匯聚節點(一個匯聚節點為原始工作方式，另一個匯聚節點為一級診斷工作方式)，一個采集節點同時為兩個匯聚節點提供數據。經過45天的連續工作，對故障時延數據進行匯總和分析，兩種方法的預警時延對比如圖9所示。

圖9　故障預警平均時延對比

方法1即原始工作方法中故障平均預警時延為2秒鐘，方法2即本文提出的方法中，A類故障預警平均時延為1秒鐘，B類故障平均預警時延為1.7秒鐘。對于A類故障時延縮短了50%，B類故障時延縮短了15%，本測試中初始的A、B類特征比例為1:1，隨著系統的運行，特征庫中的A類特征比例將遠大于B類特征，系統的平均故障預警時延將接近于1秒，實驗證明了本系統對提高故障診斷的實時性具有明顯的提升效果。

6結論

本系統設計了基于分級特征庫的機床故障診斷系統，實現在匯聚節點對典型故障特征的快速識別和現場實時預警，實現控制中心對非典型故障和典型故障預警和分析，采用機器學習的方法實現對特征數據庫的完善和更新，提高了數控機床故障診斷的實時性和可靠性。通過在機床集團的應用，證實了本系統提高了機床故障預警的實時性和診斷的準確型，因此本系統的研究具有理論研究價值和工程應用價值。

[參考文獻]

[1] 蘇憲利,鄭一麟.基于WEB的數控機床監控系統的設計與實現[J].組合機床與自動化加工技,2013(6):58-61.

[2] 蘇憲利,鄭一麟.基于RT-Thread的機床物聯網系統設計與實現[J].組合機床與自動化加工技術, 2014(6):69-72.

[3] 鄭一麟. 基于物聯網的數控機床實時監測預警技術的研究[D].沈陽:中國科學院計算所,2015.

[4] Yonghua Zhu,Xinqiao Jin,Zhimin Du.Fault diagnosis for sensors in air handling unit based on neural network pre-processed by wavelet and fractal[J].Energy and Buildings2012,44:7-16.

[5] Y Q Xiao,L G Feng.A novel linear ridgelet network approach for analog fault diagnosis using wavelet-based fractal analysis and kernel pca as preprocessors[J]. Measurement, 2012,45(3):297-310.

[6] Hu Q, He Z, Zhang Z,et al. Fault diagnosis of rotating machinery based on improved waveletpackage transform and SVMs ensemble [J]. Mechanical Systems and Signal Processing, 2007,21(2): 688-705.

[7] 翟楊. 基于小波分析的超精密加工機床振動分析研究[D].長春:長春理工大學,2010.

[8] 陳雷,王忠東,陳爽. 基于LabVIEW的機床振動信號數據庫訪問技術的研究[J].組合機床與自動化加工技術,2013(7):92-93.

(編輯趙蓉)

The Design and Implication of Machine Tools’ Fault Diagnosis Based on Hierarchical Features Database

SU Xian-li1,2,ZHENG Yi-lin3

(1. College of Information Science and Technology, Bohai University,Jinzhou Liaoning 121013,China;2. School of Computer Science and Engineering, Northeastern University, Shenyang 110168,China)

Abstract：In order to resolve the disadvantages of low efficiency, poor real-time performance and large error in the artificial diagnosing the faults of machine tools.The study classified the features into two levels: typical features and atypical ones. It extracted vibration features and diagnosed the typical feature (A-level feature) faults in the sink node of bottom layer to implement on-the-spot warning and improve the real-time performance. It handled and analyze comprehensively the atypical features (B-level feature) in the control center. Simultaneously, by using SVM arithmetic in machine learning on those features, complete and renew the fault feature database, improve the accuracy in fault diagnosis.Experiments proved that the study definitely has an important value in theory and application and can improve the real-time performance and accuracy in diagnosing the faults of digital machine tools

Key words：hierarchical features;real-time warning;fault diagnosis

文章編號：1001-2265(2016)05-0087-04

DOI:10.13462/j.cnki.mmtamt.2016.05.023

收稿日期：2015-12-08；修回日期：2015-12-29

*基金項目：“沈陽特種專用數控機床產業集群國產數控系統創新應用示范”國家科技支撐計劃(2012BAF13B08)；遼寧省社會科學規劃基金(L15BTQ001)

作者簡介：蘇憲利(1980—)男，遼寧錦州人，渤海大學信息科學與技術學院講師，研究方向為實時控制,( E-mail)xianlis@sina.com.cn。

中圖分類號：TH165+.3;TG506

文獻標識碼：A