基于決策樹(shù)的數(shù)據(jù)融合技術(shù)在電主軸故障分析與預(yù)測(cè)中的應(yīng)用

杜守印，李 斌，胡 鑫

(天津航天長(zhǎng)征火箭制造有限公司 天津300462)

基于決策樹(shù)的數(shù)據(jù)融合技術(shù)在電主軸故障分析與預(yù)測(cè)中的應(yīng)用

杜守印，李 斌，胡 鑫

(天津航天長(zhǎng)征火箭制造有限公司 天津300462)

隨著大數(shù)據(jù)時(shí)代的到來(lái)和傳感器在各個(gè)行業(yè)的廣泛應(yīng)用，傳統(tǒng)裝備制造業(yè)煥發(fā)出勃勃生機(jī)。首先對(duì)機(jī)械裝備故障分析與預(yù)測(cè)的相關(guān)技術(shù)展開(kāi)論述，結(jié)合實(shí)際業(yè)務(wù)需求，以機(jī)械加工壁板銑床電主軸故障分析為例，提出一種利用數(shù)據(jù)融合方式進(jìn)行故障檢測(cè)與預(yù)警的方法。該方法不僅可以實(shí)現(xiàn)為生產(chǎn)制造提供決策支持，還能為裝備生產(chǎn)提供借鑒，具有廣泛的應(yīng)用前景。

故障分析 數(shù)據(jù)融合 故障預(yù)警 機(jī)器學(xué)習(xí) 智能制造

0 引 言

在裝備制造業(yè)中，機(jī)械設(shè)備是否正常運(yùn)轉(zhuǎn)不僅影響產(chǎn)品質(zhì)量，還嚴(yán)重制約著產(chǎn)量和生產(chǎn)安排。隨著機(jī)器學(xué)習(xí)、人工智能等信息技術(shù)快速發(fā)展和兩化融合的持續(xù)推進(jìn)，傳感器在工業(yè)生產(chǎn)的各個(gè)方面得以廣泛應(yīng)用(見(jiàn)圖1)，為設(shè)備的運(yùn)轉(zhuǎn)狀態(tài)及故障分析預(yù)警提供了良好的平臺(tái)。

通過(guò)傳感器采集設(shè)備的狀態(tài)信息，技術(shù)人員能夠準(zhǔn)確掌握其運(yùn)轉(zhuǎn)狀況，并提前預(yù)測(cè)可能發(fā)生故障的部位、時(shí)間和類型(如圖1虛線框)。高速數(shù)控機(jī)床(CNC)是裝備制造業(yè)的基礎(chǔ)，電主軸是機(jī)床的核心關(guān)鍵部件，電主軸的跳動(dòng)和振動(dòng)，直接決定了數(shù)控機(jī)床的加工精度和使用壽命。[1]在生產(chǎn)實(shí)踐中發(fā)現(xiàn)，電主軸在機(jī)床故障中出現(xiàn)問(wèn)題的頻率高，維修時(shí)間長(zhǎng)。所以，對(duì)電主軸故障的分析與預(yù)測(cè)對(duì)生產(chǎn)經(jīng)營(yíng)和產(chǎn)品質(zhì)量控制方面有著重要的意義。

傳統(tǒng)分析方式中，技術(shù)人員對(duì)振動(dòng)信號(hào)采用小波變換等方式進(jìn)行分析，例如文獻(xiàn)[2]描述了軋鋼機(jī)械振動(dòng)故障并進(jìn)行診斷，這種處理方式參數(shù)較為單一，而且不能夠很好預(yù)測(cè)故障發(fā)生的時(shí)間。Liu Kaibo采用數(shù)據(jù)融合的方法可以預(yù)測(cè)整臺(tái)發(fā)動(dòng)機(jī)剩余壽命，相比以前的方法，預(yù)測(cè)結(jié)果得到很大提升。[3]在實(shí)際應(yīng)用中，設(shè)備是一個(gè)復(fù)雜的系統(tǒng)，不同故障對(duì)整個(gè)設(shè)備運(yùn)轉(zhuǎn)壽命的影響不同。本文提出首先對(duì)故障進(jìn)行分類，基于有效的衰退信息，采用數(shù)據(jù)融合的方法構(gòu)建退化模型，并在細(xì)分故障領(lǐng)域進(jìn)行分析和預(yù)測(cè)。

圖1 工業(yè)數(shù)據(jù)分析圖Fig.1 Analysis diagram of industrial data

1 傳感器數(shù)據(jù)分析領(lǐng)域的相關(guān)技術(shù)

目前，諸多文獻(xiàn)提出關(guān)于構(gòu)建退化演變模型的方法和技術(shù)，大多數(shù)模型僅僅依靠一個(gè)傳感器數(shù)據(jù)對(duì)設(shè)備退化過(guò)程進(jìn)行研究。單一傳感器數(shù)據(jù)僅僅反映了設(shè)備某一部分的狀態(tài)變化，無(wú)法從整體上反映退化規(guī)律。在多傳感器環(huán)境下，許多學(xué)者開(kāi)展數(shù)據(jù)融合方面的研究。數(shù)據(jù)融合按照實(shí)現(xiàn)方式劃分為3類：[3]數(shù)據(jù)水平、特征水平以及決策水平。數(shù)據(jù)粒度上的融合，即數(shù)據(jù)未經(jīng)任何加工處理，直接將采集得到的原始數(shù)據(jù)進(jìn)行融合。特征層次的融合是從傳感器采集的初始信息中抽取特征信息，并將特征進(jìn)行綜合分析。決策層融合是為設(shè)備的同一部位添加多種類型的傳感器，并對(duì)各個(gè)傳感器獨(dú)立進(jìn)行決策分析，然后再對(duì)多個(gè)決策結(jié)果融合在一起判決，形成聯(lián)合推斷結(jié)果。

2 機(jī)床電主軸分析方案

2.1 電主軸的結(jié)構(gòu)與常見(jiàn)故障

圖2 轉(zhuǎn)軸結(jié)構(gòu)簡(jiǎn)圖Fig.2 Rotating shaft structure diagram

圖2是電主軸的結(jié)構(gòu)，該圖中電主軸包括轉(zhuǎn)軸、前軸承、平衡環(huán)、轉(zhuǎn)子部件以及后軸承。電主軸正常運(yùn)轉(zhuǎn)取決于這五大組成部件的好壞。通常，為了延長(zhǎng)電主軸的使用壽命，還需采集運(yùn)轉(zhuǎn)的溫度，避免因?yàn)闇囟冗^(guò)高造成電主軸的損壞。文獻(xiàn)[4]總結(jié)出汽輪機(jī)的常見(jiàn)的故障，本文也梳理出電主軸常見(jiàn)故障如表1所示：

表1 電主軸常見(jiàn)故障Tab.1 Common faults of the motorized spindle

本文使用多個(gè)傳感器對(duì)電主軸運(yùn)轉(zhuǎn)狀態(tài)進(jìn)行監(jiān)控，通過(guò)數(shù)據(jù)融合的方法將有用的信號(hào)處理，為故障分析提供預(yù)測(cè)和分析。

2.2 數(shù)據(jù)融合的方式對(duì)電主軸分析預(yù)測(cè)

通過(guò)將多個(gè)傳感器嵌入到數(shù)控機(jī)床中，例如，根據(jù)電主軸組成結(jié)構(gòu)和部件特點(diǎn)，在電主軸定子處添加溫敏傳感器以檢測(cè)溫度變化情況；在轉(zhuǎn)子、前后軸承、平衡環(huán)以及轉(zhuǎn)軸添加振動(dòng)傳感器等。通過(guò)傳感器的安裝，實(shí)現(xiàn)電主軸運(yùn)轉(zhuǎn)狀態(tài)的全面覆蓋，并以機(jī)床聯(lián)網(wǎng)方式，將狀態(tài)數(shù)據(jù)進(jìn)行存儲(chǔ)傳輸。

2.2.1 數(shù)據(jù)選擇與處理

在多傳感器的采集系統(tǒng)中，數(shù)據(jù)表現(xiàn)的曲線多種多樣，需要分析人員篩選出有用信息。在故障發(fā)生初期，與故障相關(guān)數(shù)據(jù)會(huì)發(fā)生顯著變化。Liu Kaibo等人發(fā)現(xiàn)，與故障有關(guān)的傳感器數(shù)據(jù)應(yīng)該隨著故障惡化而變得愈加顯著。[3]如圖3所示，原先數(shù)據(jù)為平穩(wěn)時(shí)間序列，從故障發(fā)生時(shí)間點(diǎn)tf＝15開(kāi)始，呈現(xiàn)單調(diào)遞增的變化趨勢(shì)。而文獻(xiàn)[6]經(jīng)過(guò)變油溫、變負(fù)荷、變真空試驗(yàn)，也找到故障出現(xiàn)時(shí)的相關(guān)規(guī)律。

作者選取分析的傳感器具備以下特點(diǎn)：隨著輕微故障的開(kāi)始，傳感器的數(shù)值逐漸呈現(xiàn)單調(diào)趨勢(shì)。這些傳感器數(shù)據(jù)需要進(jìn)行抽取、清洗噪聲數(shù)據(jù)等處理，為了避免數(shù)值量綱差異造成分析的難度，本文設(shè)定自從時(shí)間點(diǎn)tf=15時(shí)開(kāi)始，從時(shí)間t=1～tf之間的平均值為Ei，傳感器i在時(shí)間t的數(shù)值Xit。經(jīng)過(guò)無(wú)量綱化處理，時(shí)間t的值轉(zhuǎn)換為xit/Ei。故障發(fā)生初始階段，圖3振動(dòng)數(shù)據(jù)存在一個(gè)轉(zhuǎn)折點(diǎn)，為發(fā)生故障的初始點(diǎn)。根據(jù)這個(gè)特點(diǎn)，選取轉(zhuǎn)折點(diǎn)之后的數(shù)據(jù)作為有效值進(jìn)行分析。

圖3 傳感器振動(dòng)時(shí)間波動(dòng)圖Fig.3 Wave pattern time of the sensor vibration

2.2.2 故障分類

本文中選取決定一般故障類型的3大屬性：振動(dòng)屬性、轉(zhuǎn)速和溫度。在樣本數(shù)據(jù)集O中，故障種類總數(shù)μ，故障類型k在樣本的數(shù)量為μk。其中，樣本γ是屬于某故障類型k的一個(gè)時(shí)間序列Xkr。在樣本集合中，Xkr在屬性A上有r個(gè)不同取值{a1, a2,a3…ar}，將數(shù)據(jù)集分成r個(gè)空間，對(duì)每個(gè)空間Oq，含有t個(gè)樣本，x1，x2，x3，…xt均屬于Oq。將aq作為該空間對(duì)應(yīng)的取值，見(jiàn)公式1：

公式1為該樣本空間的重心位置。通過(guò)夾角公式[5](公式2)計(jì)算得到r?1個(gè)邊界值，即將屬性A劃分為r個(gè)不同的區(qū)間。

這r個(gè)空間對(duì)應(yīng)著r個(gè)不同分支。采用信息熵，計(jì)算空間在屬性A的熵IA(O)(公式3)以及空間的熵I( O)(公式4)：

根據(jù)上面的結(jié)果，計(jì)算信息增益公式5：

在屬性集合中選取信息增益最高值的屬性作為節(jié)點(diǎn)的分裂屬性，最終將整個(gè)數(shù)據(jù)集合劃分到代表各個(gè)類別的葉子節(jié)點(diǎn)中，從而以信息熵構(gòu)建整個(gè)決策樹(shù)，實(shí)現(xiàn)故障細(xì)分類。

2.2.3 故障預(yù)測(cè)

本文不同于文獻(xiàn)[7]，在故障細(xì)化分類的基礎(chǔ)之上，選取對(duì)故障有影響的傳感器數(shù)據(jù)Xij，將數(shù)據(jù)水平和特征水平融合方法結(jié)合起來(lái)，提出了構(gòu)建不同故障情形下的時(shí)間序列函數(shù)(公式6)：

上式中的某故障模式?數(shù)據(jù)集合中，在不同時(shí)間點(diǎn)i下，傳感器j的值Xij?相應(yīng)的系數(shù)為Cj?，k為傳感器的數(shù)目。系數(shù)Cj?以及參數(shù)?θ采用最小二乘法計(jì)算獲得。

根據(jù)故障模式?的已知樣本，在te時(shí)刻發(fā)生故障不能夠使用時(shí)，公式6得到目標(biāo)函數(shù)值ye。計(jì)算該故障模式?所有故障函數(shù)值ye的平均值y，y作為該故障在發(fā)生故障的閾值。根據(jù)該閾值y，可以預(yù)測(cè)今后運(yùn)轉(zhuǎn)的設(shè)備的運(yùn)轉(zhuǎn)壽命。

最后，將決策數(shù)算法與預(yù)測(cè)算法(公式6)結(jié)合起來(lái)，通過(guò)決策樹(shù)算法識(shí)別裝備發(fā)生故障的模式，然后利用預(yù)測(cè)算法計(jì)算該模式下設(shè)備的壽命。

3 結(jié) 論

本文回顧了故障分析的常見(jiàn)技術(shù)，總結(jié)了電主軸常見(jiàn)故障類型，提出了一種結(jié)合決策樹(shù)算法的數(shù)據(jù)融合技術(shù)。該方法根據(jù)不同的故障類型，提出了合理的預(yù)測(cè)分析方法，為生產(chǎn)制造提供決策支持。同時(shí)，通過(guò)分析把握裝備運(yùn)轉(zhuǎn)特點(diǎn)，將機(jī)床工作知識(shí)運(yùn)用到機(jī)械裝備制造環(huán)節(jié)，進(jìn)一步提升我國(guó)機(jī)床制造和產(chǎn)品的水平。■

［1］ 孫鞏長(zhǎng). 如何進(jìn)行電主軸的振動(dòng)分析[J]. 裝備制造技術(shù)，2008(10)：82-84.

［2］ 楊智宇. 淺談軋鋼機(jī)械振動(dòng)故障的診斷[J]. 科技創(chuàng)新導(dǎo)報(bào)，2012(4)：53-55.

［3］ Liu K，Huang S. Integration of data fusion methodology and degradation modeling process to improve prognostics[J]. IEEE Transactions on Automation Science and Engineering，2016(1)：344-354.

［4］ 張利娟. 某超臨界600,MW 機(jī)組9,X振動(dòng)大的原因分析及處理[J]. 電力科技，2016(1)：197-198.

［5］ 孫即祥. 現(xiàn)代模式識(shí)別[M]. 2版，長(zhǎng)沙：國(guó)防工業(yè)出版社，2009：1-280.

［6］ 黎瑜春. 某600,MW超臨界機(jī)組振動(dòng)故障分析與處理[J]. 中國(guó)電力，2014(47)：55-58.

［7］ Liu K B，Gebraeel N Z，Shi J J. A data-level fusion model for developing composite health indices for degradation modeling and prognostic analysis[J]. IEEE Transactions on Automation Science and Engineering，2013(3)：652-664.

The Application of Data Fusion Technology Based Decision Tree in Motorized Spindle Failure Analysis and Prediction

DU Shouyin，LI Bin，HU Xin
(Tianjin Aerospace Long March Rocket Manufacturing Co.，Ltd.，Tianjin 300462，China)

With big data era coming and sensors widely used in various industries, the traditional equipment manufacturing is booming. Technology relating to mechanical equipment failure analysis and prediction were discussed. Taking motorized spindle fault analysis of the wall plate milling machine as an example, the paper proposes a method for fault detection and early warning .This method not only provides decision supports for production process, but also offers references for equipment production, featuring a wide application prospect.

fault analysis；data fusion；failure prediction；machine learning；intelligent manufacturing

TG659

：A

：1006-8945(2016)10-0015-03

2016-09-09