基于傅里葉變換的數控機床主軸故障預測技術

劉學平

（寧夏巨能機器人股份有限公司， 寧夏 銀川 750000）

引言

數控機床是制造業中的重要裝備機械，是制造機器設備的工作母機，對我國工業的發展起到至關重要的作用[1]。數控機床電主軸并不是單一的零部件，而是由主軸、驅動電機、軸承組成的一套組件。與傳統機床主軸相比，電主軸是由內置的電機驅動，零部件之間連接更加緊密且加工精度更高[2]。雖然這種主軸具有多種優勢，但是也會受沖擊信號、振動信號等因素導致主軸故障，因此，為了保證數控機床的進一步發展，保障數控機床加工穩定性，運用傅里葉變換技術對數控機床主軸故障做出預測[3]。其主軸故障開始進行預測技術研究。傳統預測技術在不同的主軸上，預測效果均不同，其預測誤差較大，穩定性效果較差[4-5]。本文考慮到數控機床主軸容易出現粉塵、溫度、主軸振動信號等因素影響，與數控機床的主軸故障做出預測，旨在提高主軸故障預測精度，為設備維護提供參考。

1 基于傅里葉變換的數控機床主軸故障預測技術設計

1.1 采集數控機床主軸故障數據

在數控機床主軸出現故障時，主軸振動信號會出現異常會出現異常振動，影響機床的正常運行[6]。因此，本文對傳統預測技術進行優化。本文首先對數控機床主軸故障數據進行采集，運用主軸上的傳感設備，準確采集主軸與其周圍部件的振動數據，根據振動數據分析主軸運行情況，由此對主軸故障進行預測。假設正常的數控機床主軸振動頻率為250 kHz，采樣頻率為20 kHz，則超出250 kHz 或低于250 kHz，均為主軸異常振動。基于Labview 構建數據采集結構體，設置信號采樣頻率，為了避免信號采集不全，出現信號丟失的問題，運用AD 部件傳遞信號，由此給主軸故障預測提出準確數據，提高數據預測精準度。

1.2 基于傅里葉變換進行故障數據處理

在將數控機床主軸故障數據采集出來后，本文使用傅里葉變換，進行故障數據處理。在進行數據處理之前，本文首先對故障參數進行選取，由于故障過程中，特征較多，需要特定的信號處理效果，從而提高數據處理能力。本文使用傅里葉變換公式，將數據處理的時域分布參數進行確定。公式如下：

式中：M 為時域分布參數；Hz為主軸樣本的長度；Hn為傅里葉變換時的重疊寬度；Hs為傅里葉變換時間。對于數控機床主軸來講，故障數據的采集與處理至關重要，由于數控機床故障中主軸故障最多，影響最大，因此，一旦數控機床主軸出現故障，將會影響整個機床的使用效果。本文使用傅里葉變換公式，將數據處理后，可以提取出主軸故障特征，為后續步驟提供條件。

1.3 構建主軸故障預測模型

本文采用傅里葉變換作為數控機床主軸預測技術的基礎，因此，本文以上文中采集到的電流信號故障數據、異常振動頻率數據、異常傳感數據等運用到預測模型中，通過傅里葉變換，從而得到最終的預測結果，如圖1 所示。

如圖1 所示，通過傅里葉的變換，可以將電流信號故障數據、異常振動頻率數據、異常傳感數據等特征進行提取。設置樣本數據采集頻率為2 bit/s，采集時間為T，則時間T 內可采集的樣本數據量為：

圖1 主軸故障預測模型

連續信號f（T）的離散形式可以表示為f（T0）、f（T1）、f（T2），…，f（TN-1）.

連續信號的頻率序列表示為SN：

傅里葉變換預測模型表示為：

根據公式（3）得出最終的預測結果，進一步提高數控機床主軸故障預測精度。

1.4 實現數控機床主軸故障預測

為了實現數控機床主軸故障預測，本文首先對數控機床主軸故障數據進行采集，將電流信號等數據采集完成后，通過傅里葉變換進行數據處理，從而提高數據處理精度，保證最終的預測結果。在此基礎上，再構建出相應的故障預測模型，從而完成數控機床主軸故障的一次預測[7]。

2 實驗分析

為了驗證本文設計的預測技術是否具有實用效果，本文對上述技術進行實驗。將傳統數控機床主軸故障預測技術與本文設計的數控機床主軸故障預測技術進行對比，實驗過程及結果如下所示。

2.1 實驗準備

由于數控機床主軸是機床最重要的零部件，對其故障進行預測可以提升機床的工作效率，從而提高經濟效益。本文基于此，對主軸故障預測技術進行設計。本文考慮到機床在運行過程中可能出現的變量，精準把控其中的變量，從而提高預測的精準度。以某機床集團生產的VDL-600A 數控機床主軸為實驗對象，其它硬件設備包括PC 計算機、高分辨率電流傳感器、數據采集卡等。準確采集數控機床主軸運行數據。為了提高實驗的準確性，需控制實驗環境及主軸故障參數，設置數控技術主軸的故障參數設定如表1 所示。

如表1 所示，本文選取平均值、均方根值、峰值、峰值因子、脈沖系數、利潤因素、溫度、主軸粉塵、運行影響因子等故障參數，其正常運行情況下的參數與故障時的參數有較大不同，通過此參數的確定，可以減少后續步驟的誤差。通過此參數的選取，本文進一步確定了數控機床主軸故障的協變量值，如表2 所示。

表1 數控機床主軸故障參數表

表2 數控機床主軸故障的協變量值

如表2 所示，在協變量分別設定為1528、1634、1742、1856、1972、2008、2181 時，其中MA 為粉塵可能影響主軸故障的數量；BN 為操作過程中出現的溫度變量。

2.2 實驗結果

在上述實驗環境下，本文隨機選取10 個數控機床主軸，將傳統數控機床主軸故障預測技術與本文設計的數控機床主軸故障預測技術進行對比，實驗結果如下圖2 所示。

圖2 實驗結果

如圖2 所示，在相同的實驗條件下，傳統數控機床主軸故障預測技術的預測誤差較大，且不穩定，誤差結果波動較大，影響實際預測效果；而本文設計的數控機床主軸故障預測技術預測誤差較小，均在10-4以內，波動幅度較小，預測效果更加穩定，符合本文研究目的。

3 結語

近年來，我國制造業空前發展，數控機床作為復雜、精密零件加工的主要設備，其自身的故障率越低越有助于我國制造業的發展。與普通機床相比，數控機床加工精度更高，且效率更高，但也會存在故障，主軸作為數控機床的重要組成部分，其故障會直接影響機床是否能夠正常使用，因此對數控機床主軸故障進行預測是十分必要的。本文基于此，利用傅里葉變換，設計數控機床主軸故障預測技術，旨在提高主軸故障的預測精度，減少主軸故障的發生，為制造業的進一步發展提供基礎條件。