基于多源信息的數(shù)控機(jī)床故障診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

李紅斌，王嘉偉

（山西農(nóng)業(yè)大學(xué)信息學(xué)院，山西太谷030800）

隨著現(xiàn)代化工業(yè)和智能技術(shù)的快速發(fā)展，機(jī)械設(shè)備逐漸趨于智能化、自動(dòng)化[1-3]。數(shù)控機(jī)床是一種最典型、常用的機(jī)械加工設(shè)備，具有加工質(zhì)量穩(wěn)定、適應(yīng)性強(qiáng)和效率高等優(yōu)點(diǎn)[4-5]。然而，數(shù)控機(jī)床的加工精度由其內(nèi)部零部件的工作狀態(tài)決定。由于其內(nèi)部結(jié)構(gòu)復(fù)雜，因此難以有效地進(jìn)行故障診斷[6-7]。

進(jìn)給系統(tǒng)是數(shù)控機(jī)床的重要組成部分[8]，主要由機(jī)械傳動(dòng)和伺服控制兩子系統(tǒng)構(gòu)成。在實(shí)際工作中，這兩個(gè)系統(tǒng)需要長期不間斷地變負(fù)荷工作，極易發(fā)生故障。同時(shí)，故障之間是相互耦合的，一個(gè)部件的故障將引起其他部件產(chǎn)生多種故障[9]，加之故障發(fā)生的隨機(jī)性強(qiáng)，從而大幅度增加了故障診斷的難度[10-12]。

針對(duì)上述問題，文中研究了基于多源信息的數(shù)控機(jī)床故障診斷系統(tǒng)。首先，使用加速度傳感器、噪聲傳感器、溫度傳感器采集滾珠絲杠副與滾動(dòng)軸承的振動(dòng)、溫度和噪聲等多源復(fù)合信號(hào)；然后，提取信號(hào)的時(shí)域、頻域和時(shí)頻域特征，同時(shí)為了降低信號(hào)分析的難度，使用局部線性嵌入算法（LLE）[13]進(jìn)行特征降維，提取有用的特征；最后，結(jié)合支持向量機(jī)[14]和遺傳優(yōu)化算法[15]進(jìn)行故障診斷及分類。基于MATLAB[16]和LabVIEW[17]的仿真測試結(jié)果表明，所提出的方法能大幅提高故障診斷率，具有一定的可行性與有效性。

1 數(shù)控機(jī)床進(jìn)系統(tǒng)故障機(jī)理分析

如圖1所示為數(shù)控機(jī)床進(jìn)給系統(tǒng)的結(jié)構(gòu)圖，該系統(tǒng)主要由機(jī)械傳動(dòng)和伺服控制兩個(gè)子系統(tǒng)構(gòu)成。機(jī)械傳動(dòng)系統(tǒng)包括連軸器、滾珠絲杠副和滾動(dòng)軸承等構(gòu)成；伺服控制系統(tǒng)由運(yùn)動(dòng)控制與速度控制器構(gòu)成。其中，滾珠絲杠副和滾動(dòng)軸承為數(shù)控機(jī)床最易發(fā)生故障的部位，下面進(jìn)行具體分析。

圖1 數(shù)控?cái)?shù)控機(jī)床進(jìn)給系統(tǒng)結(jié)構(gòu)圖

1.1 滾動(dòng)軸承結(jié)構(gòu)及其故障機(jī)理

滾動(dòng)軸承由滾動(dòng)體、保持架、軸承內(nèi)圈和軸承外圈組成，其是數(shù)控機(jī)床的重要支撐部件，通過將軸承座與軸承間的滑動(dòng)摩擦轉(zhuǎn)化為滾動(dòng)摩擦來減少摩擦損失。如圖1所示為本文研究的7202AC型角接觸球軸承的實(shí)物圖和結(jié)構(gòu)圖。在實(shí)際運(yùn)行中，滾動(dòng)軸承要受到運(yùn)行環(huán)境、潤滑不良和定位裝配等因素的影響，易損壞或失效，發(fā)生故障的概率高達(dá)90%。常見的故障形式和產(chǎn)生部位，如表1所示。

圖2 7202AC滾動(dòng)軸承實(shí)物圖

表1 滾定軸承常見的故障形式及產(chǎn)生部位

1.2 滾珠絲杠副結(jié)構(gòu)及其故障機(jī)理

滾珠絲杠副主要由螺母、絲杠、滾珠和反向器等部分組成，用于轉(zhuǎn)化直線運(yùn)動(dòng)與傳導(dǎo)運(yùn)動(dòng)，是數(shù)控機(jī)床進(jìn)給系統(tǒng)的核心傳導(dǎo)機(jī)構(gòu)。其具有傳動(dòng)和定位精度高、可逆與同步性能好的優(yōu)點(diǎn)。在實(shí)際運(yùn)行中滾珠絲杠副受切削力、加工方法和進(jìn)給速度變化的影響，各部件間的摩擦力急劇增大，易發(fā)生斷裂、疲勞點(diǎn)蝕和塑性變形等故障。如表2所示為滾珠絲杠副常見的故障形式和產(chǎn)生部位。

表2 滾珠絲杠副常見的故障形式和產(chǎn)生部位

2 數(shù)控機(jī)床故障診斷系統(tǒng)

文中提出的基于多源信息的數(shù)控機(jī)床故障診斷系統(tǒng)流程，如圖3所示。該系統(tǒng)首先使用加速度傳感器、噪聲傳感器、溫度傳感器和NI數(shù)據(jù)采集卡采集滾珠絲杠副和滾動(dòng)軸承的振動(dòng)、溫度與噪聲等多源復(fù)合信號(hào)；然后，使用計(jì)算機(jī)編程提取信號(hào)的時(shí)域、頻域和時(shí)頻域特征，同時(shí)為了降低信號(hào)分析的難度，使用局部線性嵌入算法LLE進(jìn)行特征降維，提取有用的特征；最后，結(jié)合支持向量機(jī)和遺傳優(yōu)化算法進(jìn)行故障診斷及分類。

圖3 基于多源信息的數(shù)控機(jī)床故障診斷系統(tǒng)

2.1 多源信號(hào)采集

為了更加準(zhǔn)確、全面的采集信號(hào)，本文設(shè)計(jì)了如圖4所示的數(shù)據(jù)采集平臺(tái)。圖中1～5分別為x軸加速度傳感器、y軸加速度傳感器、z軸加速度傳感器、噪聲傳感器和溫度傳感器，并使用LabView軟件來編寫信號(hào)采集程序。

圖4 數(shù)據(jù)采集平臺(tái)

2.2 特征提取

時(shí)域信號(hào)能直觀地反映系統(tǒng)的運(yùn)行狀態(tài)，提取信號(hào)的時(shí)域特征能提高信噪比。本系統(tǒng)提取的時(shí)域信號(hào)參數(shù)包括信號(hào)的平均值、平均幅值、有效值、波形因子、方差、裕度系數(shù)、標(biāo)準(zhǔn)差、歪度系數(shù)、峰度、偏態(tài)指標(biāo)、偏度和峭度指標(biāo)。

頻域信號(hào)提取即使用傅里葉變換和傅里葉級(jí)數(shù)分析信號(hào)的頻譜，本系統(tǒng)提取的頻域特征包括表示信號(hào)主頻帶變化的均方頻率、表示信號(hào)重心位置的重心頻率和表示信號(hào)能量分布情況的頻域方差。

由于時(shí)域特征和頻域特征智能表示系統(tǒng)的整體運(yùn)行性能，無法分析局部信號(hào)。因此，本文通過結(jié)合兩者，使用EEMD分解方法得到更準(zhǔn)確、完備的時(shí)頻特征。該方法通過在原信號(hào)中加入不同的高斯白噪聲將信號(hào)分解為一系列具有較好性能的固有模態(tài)函數(shù)IMF，并計(jì)算IMF分量的平均值得到時(shí)頻特征。其具體流程，如圖5所示。

圖5 EEMD時(shí)頻特征提取流程

2.3 基于LLE的特征降維

局部特征線性降維（Locally Linear Embedding，LLE）是一種無監(jiān)督降維方法，其使用鄰近的樣本線性組合來重構(gòu)局部區(qū)域內(nèi)的樣本點(diǎn)。本文使用該算法減少提取的特征維數(shù)，去除冗余信息并簡化后續(xù)的故障診斷過程，具體流程為：

1）近鄰選擇：

對(duì)于樣本點(diǎn)xi，使用式（1）所示的歐式距離計(jì)算公式計(jì)算其與每個(gè)樣本點(diǎn)的距離，并選擇距離最小的k個(gè)樣本點(diǎn)。

2）計(jì)算局部重構(gòu)權(quán)值：

使用k近鄰樣本點(diǎn)的線性組合重構(gòu)樣本點(diǎn)xi，并定義式（2）所示的重構(gòu)誤差：

3）通過最小化重構(gòu)誤差，求xi在低維空間的投影yi，即

2.4 基于遺傳算法和SVM的故障診斷

支持向量機(jī)（SVM）是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的統(tǒng)計(jì)學(xué)習(xí)方法，能處理非線性和小樣本數(shù)據(jù)集的分類問題。文中使用SVM診斷系統(tǒng)的故障類型，并使用遺傳算法優(yōu)化SVM的部分參數(shù)來提高診斷性能，具體流程為：

1）構(gòu)造訓(xùn)練集和測試集

使用提取出的特征向量構(gòu)建訓(xùn)練集和測試集，本文分別取各種故障的前50組特征構(gòu)建訓(xùn)練集，并使用剩下的10組特征構(gòu)建測試集；

2）多SVM訓(xùn)練

SVM是一種二分類器，而本文共研究8種滾動(dòng)軸承故障和5種滾珠絲杠副故障。因此，需要構(gòu)造多個(gè)二分類SVM識(shí)別不同的故障狀態(tài)。文中使用一對(duì)一方法共訓(xùn)練個(gè)RBF核SVM，分類輸出13種故障。

3）遺傳算法參數(shù)優(yōu)化

為了提高SVM的分類精度，本文使用遺傳算法尋找最優(yōu)的分類器參數(shù)：懲罰因子C和核參數(shù)g。其中，遺傳算法的適應(yīng)度函數(shù)為分類精度。

圖6 本文測試實(shí)物圖

圖7 多源信號(hào)采集程序圖

3 試驗(yàn)與結(jié)果分析

文中使用如圖6所示的內(nèi)圈磨損、外圈磨損、滾珠磨損的實(shí)物進(jìn)行仿真測試。選用LC101型振動(dòng)傳感器、TZ-2KA噪聲傳感器和IRTP-300L溫度傳感器采集信號(hào)。并使用LabView設(shè)計(jì)信號(hào)采集軟件，如圖7所示為多源信號(hào)采集程序圖，圖8所示為本文設(shè)計(jì)的機(jī)床操作面板。

在MATLAB環(huán)境下編寫程序訓(xùn)練SVM，將數(shù)控機(jī)床的信號(hào)特征向量分為表1和表2所述的幾種故障或正常狀態(tài)。并使用遺傳算法得到最優(yōu)的SVM參數(shù)，使用100組信號(hào)特征樣本進(jìn)行診斷測試。同時(shí)，將其與BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，結(jié)果如表3所示。

從表3可看出，3種算法的平均精度分別為80%、86%和92%，訓(xùn)練所需的平均迭代步數(shù)分別為1334、594和143。相比于BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，本文算法具有更高的測試精度及更少的訓(xùn)練時(shí)間。因此，可以使用本文算法對(duì)數(shù)控機(jī)床進(jìn)行初步的故障診斷。

表3 不同算法性能比較

4 結(jié)束語

為了解決數(shù)控機(jī)床內(nèi)部結(jié)構(gòu)復(fù)雜，故障件相互耦合及容易發(fā)生多重故障的問題，提出了一種基于多源信息的數(shù)控機(jī)床故障診斷系統(tǒng)。首先使用加速度傳感器、噪聲傳感器、溫度傳感器采集滾珠絲杠副和滾動(dòng)軸承的振動(dòng)、溫度與噪聲等多源復(fù)合信號(hào)；然后，提取信號(hào)的時(shí)域、頻域和時(shí)頻域特征，同時(shí)為了降低信號(hào)分析的難度，使用局部線性嵌入算法SLLE進(jìn)行特征降維，提取有用的特征；最后，結(jié)合支持向量機(jī)和遺傳優(yōu)化算法進(jìn)行故障診斷與分類?；贛ATLAB和LabVIEW的仿真測試結(jié)果表明，所提出的方法能大幅度提高故障診斷率，因此具有一定的可行性及有效性。