基於分級特征庫的（de）機床（chuáng）故障診（zhěn）斷（duàn）係統設計與實現-機床電器網-數控機床市場網

您現在的位置：機床電器網> 技（jì）術前沿>基於分級特征庫的機床故障診斷係統設計與實現

基於分級特征庫的機（jī）床故障診斷係（xì）統設計與實現（xiàn）

2016-10-20 來源：渤海大學東北大學中國科學院作者（zhě）：蘇憲利鄭一麟

摘要:針對機床故障診斷中人工診斷（duàn）效率低、實時性（xìng）差、誤差大的缺點,研究提出使（shǐ）用分級特征庫進行機床故障診斷,該研究將（jiāng）特（tè）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（jí）A 級特征)機床故障（zhàng）診斷,實現故障現場預（yù）警,提高了現場預警的實時性。在（zài）控（kòng）製（zhì）中心（xīn）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（jù）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（guò）實驗證（zhèng）明該研究在基於特征庫的機（jī）床故障診（zhěn）斷領域具有理論研究價值和工程應用價值（zhí）,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（tè）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（jiā）工設（shè）備[1] ,機（jī）床故障對機床的使用壽命和產品的加工質量都（dōu）存在（zài）較大影響[2] ,機床故障不能及時得到處理將會導致機（jī）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（yùn）行產生一定的物理（lǐ）衝擊（jī）,因此（cǐ）機床運行中的故障主要是通過振動（dòng）的方式體現出來[3] ,而在機床工作現場的診（zhěn）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（duàn）主要因（yīn）素,對於機（jī）床故障的判（pàn）斷跟（gēn）工作（zuò）經（jīng）驗成正比,而這種經驗的積累是以機床（chuáng）的傷害為代價。

(2)個人感受中環境因素影響較大,容易（yì）造成（chéng）故（gù）障判斷的錯誤或緩慢（màn）,導致故障不能及（jí）時發現和處理,從（cóng）而造成產品加工產生次品或機（jī）床損（sǔn）壞。

(3)缺少（shǎo）快速的學習機製,影響個人經驗增（zēng）長的因素較多,人工（gōng）對故障識別和判（pàn）斷的學習過程（chéng）存在效率較（jiào）差（chà）、速（sù）度較慢等缺點。尤其是對新型（xíng）數控機床,需要（yào）大量的時間來進行故障現象（xiàng）的識別和訓練。

在故（gù）障識別領域目（mù）前采用的方法包括模式判別方法和（hé）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（mó）式識別（bié）包括神經網絡、支（zhī）持向（xiàng）量（liàng）機和模糊理論[4-5] ,其中人工神經（jīng）網絡已在故障診斷領域得（dé）到（dào）了廣泛的應用[4] 。當前研究較多的是神經網絡與其它方（fāng）法結合的模型,包（bāo）括聚模糊神經（jīng）網絡等[4] 。支持向量機（jī）理論通過優化一個（gè）泛化誤差界限自（zì）動生（shēng）產最優的分類麵[6] ,使（shǐ）其具有（yǒu）了更優的泛化性能。

目前研究（jiū）中故障診斷工作（zuò）全部在服務器端完成,這種（zhǒng）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（wéi）了提高（gāo）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（shí）別和診斷,將故障特征庫中的特征明顯（xiǎn）、識別可靠性高的特征稱為A 類特征,其中A 類特（tè）征故障診斷在匯聚節點完成,使得A 類特征的診斷（duàn）和預警時間縮短,提高A 類特征故障診斷的實（shí）時性。第二級工作包括（kuò）B類特（tè）征識別（bié）和診斷、特征數據庫的更新和完善（shàn）,該工作在故障診斷服務器端完成,利用（yòng）服務器端的強大計算資（zī）源提高識別的可靠性（xìng）和（hé）準確性。

1.係統總體結構設計

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

振動采集節點部（bù）署在機床特定位置,完成機（jī）床振動數據的采集。匯聚節點（diǎn）部署在生產車間內,完成振動數（shù）據特征的提取、診斷、實時預警和數據通信。控製中心完成對故障特征數據的深（shēn）入處理和故障的精確分析診斷,並通過機（jī）器學習（xí）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（shì）通過無線網絡進行通（tōng）信,匯聚（jù）節點和控製（zhì）中心通過以太網進行通信。

機床故障診（zhěn）斷係統結（jié）構如圖（tú）1 所示。

圖1　機床故障診斷係統結構

2.分級（jí）特征庫診斷方法

在傳統的研究中,故障特征數據的（de）對比和處理工作全部在控製（zhì）中心完成,也就是在（zài）服務器端完成,在控製中心完成診斷後,將顯（xiǎn）示預警信（xìn）息給（gěi）管理人員或底層預警設備（bèi）,進行預警和故（gù）障（zhàng）處（chù）理。這種方式的優勢是故障診斷較為準確,它存在的問（wèn）題是故（gù）障診斷（duàn）缺少（shǎo）實時性,由於所有（yǒu）的故障診斷都經曆采集節（jiē）點、匯聚節（jiē）點、控製中心診斷後再回傳給匯聚節點進行預警,網絡通（tōng）信時間較長,降低了預（yù）警的實時性。

為了提高故障診斷的實時（shí）性,本係統（tǒng）中（zhōng）設計了（le）分級診斷方法,診斷（duàn）方法流程如圖2 所示。在圖2 中診斷方法分為三個步（bù）驟（zhòu）:

第一步（bù）:特征分類（lèi）,將特征分類為A,B 兩類,A 類故障特征(典型特征)是指隻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（zhēng）數據進行詳（xiáng）細分析處理後才（cái）能確定故

障是否發生和產生的原因。

第二步:故障診（zhěn）斷任務分（fèn）級,匯聚節點完成第一（yī）級診斷,實現A 類特征的現場（chǎng）實時預警（jǐng）。控製中心完成第二級診斷。控製中心對匯聚節點（diǎn）上傳的振動能量特征進行詳細處理,針對B 類特征（zhēng）進行診斷和預警控製輸出。

第三步,特征庫更新與同步,控製中心通過機（jī）器學習（xí）svm 方法進行分類描述,通過樣本學（xué）習實現對（duì）特征庫（kù）的更新和校準,在服務器端對A 類特征庫更（gèng）新（xīn）後,控製中心發送A 類特征庫給（gěi）匯聚節點,完成匯聚節點A 類（lèi）特征庫的更新和同步。

圖2　診斷方法流程

一級診斷流（liú）程如圖（tú）3 所示。

圖3　一級診斷流程（chéng）

在圖（tú）3 中匯聚節點完成一級診斷工（gōng）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（háng）處理,目（mù）前采用的（de）方（fāng）法主要是快速傅裏葉變換[3-4] ,該方法的特點是實（shí）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（tè）征的問題,在（zài）FFT 中某一個點的噪聲將對（duì）整個變換產生影響（xiǎng）[3-5] ,因此不適用於對時間和頻率同時存在要求的應用。在（zài）本係統中（zhōng）為了發現（xiàn）故障的實時特征（zhēng）,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（chéng）信號處理工（gōng）作,小波分解樹工作流（liú）程如圖4 所示。

圖4　小波分解樹

在本研究（jiū）中采用了Mallat 分（fèn）解算法,該算法的（de）核心思想是通（tōng）過一對（duì）互補的濾波器（qì）H 和G,將（jiāng）j +1 尺度下離散序列

分解為j 尺（chǐ）度下的近似係（xì）數數列

與細節係（xì）數數列

,該（gāi）算法隻對信息號的係（xì）數序列（liè）進行處理,並不涉及到對小波形（xíng）式的處理[4-6] 。該（gāi）算法的實現複雜度較（jiào）低,適用於實（shí）時應用的分析,在本係統中將Mallat 分解算（suàn）法應用於小波分解樹,通過迭代（dài）的方法實（shí）現對信號的分解,在本係統中為了提高信號處理的（de）實時性,采用了一層分解的方法,通過將信號分為高頻和低頻兩部（bù）分,對高低頻能量特征進（jìn）行提取,形成能量特征,通過（guò）A 類特征庫匹配進行故障（zhàng）診斷,發現故障立即實施現場預警,並（bìng）將預警數據和特征數據傳送給控製中心。二級診斷工作流程如圖5 所示。

圖5　二級診斷（duàn）工作流程

二級診（zhěn）斷在控製中心完成,如圖5 所示（shì）控製中心接收（shōu）到特征數據後,對數據采用svm 算法進行分類和（hé）樣本學習,根據分（fèn）類結（jié）果（guǒ）對B 類特征進行相似度匹配,診斷出故障後,向匯聚節點發（fā）送預警控製（zhì）,並對B類特征樣本庫進行強化,當特征庫中（zhōng）B 類特征滿足（zú）A類特征要求時,將該特征轉（zhuǎn）化為（wéi）A 類特征,並對（duì）特征庫進行更新,發送新的A 類特征庫（kù）給匯聚（jù）節點,完成特征庫的（de）更新和同步。

3.振動數據采集過（guò）程

在振動（dòng）采集（jí）中主要采用（yòng）了振幅、頻率和（hé）相位三個量值進行描述,其中振幅和頻率主要用於（yú）機械故障的識別,本係統（tǒng）采用了（le）對振動頻率進行采集和處理,實現對機床故（gù）障的診斷。

振動數據采集（jí）工作是通過（guò）采（cǎi）集節點中的三軸加速（sù）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（jiā）速度（dù）值的運算可以（yǐ）得出振動頻（pín）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（diǎn）進行振（zhèn）動特征數據的分（fèn）析和處理。采集節點工作流程如圖6 所示。

圖6　采（cǎi）集節（jiē）點工作流程

控製中（zhōng）心通過發送控製命令調整采集節點的采集（jí）頻率和通信方（fāng）式,采集節點接收匯聚節（jiē）點轉（zhuǎn）發的控製命令,根據命令執行操作,完成參數調整等工作。

4.控製中（zhōng）心軟件實（shí）現

控製中心軟件係統采用了c#進行（háng）開發,采用了（le）C/S 模式,數據庫服務器采用了oracle 數據庫管理係統[7-8] ,在本係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（chéng）與（yǔ）匯聚節點的通信工作,完成對特征數據（jù）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（wán）善。第三道線（xiàn）程為顯示線程,完成對操作窗口的輸出控（kòng）製。

在控製中（zhōng）心對特征數據進行分類過程（chéng）中並不是所有（yǒu）的能量特征都是非常（cháng）有用的,在本係統中采用了SVM分類（lèi）方法（fǎ）,對最優特征進行提（tí）取,在SVM 算（suàn）法中為了降低分類器構造的複雜度,本係統中采用了（le）基於決策樹的SVM 分類算法（fǎ）,對所有特征進（jìn）行兩（liǎng）類劃（huá）分,即典型特征（zhēng）A 級特征和非典型特征B 級特征,然後根（gēn）據特征特（tè）點依次（cì）進行兩類劃分,通過這種方法在分類識別過（guò）程中提高特征的識別度,加快了特征識別（bié）的速度。

控製中心工（gōng）作過程如下:

(1)接收（shōu）特征數據,進行數據校驗,去除非法數據。

(2)根據（jù）特征分（fèn）類進行（háng）樣本（běn）識（shí）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（kù）。

(4)校準特（tè）征類別參數,執行(2)過程。

在本係統中為了保證數據通信的可靠性采（cǎi）用了TCP 的連接方式,每一個匯聚節點通過tcp 完成與控（kòng）製中心的連接,由於本研究中匯聚節點數量（liàng）為10 個,每個匯聚節點采集數（shù）據量較大,tcp 工作方式可以保證數據傳輸穩定性和可（kě）靠性。

本係統在結構上完全采用了mvc 的軟件編程模式,設計了模型（xíng）層、視圖層和控製層,其（qí）中模型層（céng）完成數據處理和（hé）數據庫的訪問工作,視圖層完成軟件（jiàn）界麵輸出工作,控製層完成功能調用工（gōng）作（zuò）。控製中心係統軟件運行界麵如圖7 所示。

圖7　診斷係統運行圖

5.實際應用

在本係統應用中（zhōng）采用了根據診斷（duàn）需求在機床特定位置固定振動采集節點完成振動數據（jù）的（de）采集,本係統的測試環境（jìng）為沈陽機床廠生產的Z3050X16 搖臂鑽床,係統采集節點工作位置如圖（tú）8 所示。

圖8　係統測試環境（jìng）

係統測試條件如下:

(1)每台鑽床安（ān）裝1 個振動采集節點,每5 台（tái）鑽床使用兩個匯聚節點。

(2)匯聚節點通（tōng）過以太網與（yǔ）企（qǐ）業控製中心連接。

(3)匯聚節點使用大功率聲光輸出裝置。

(4)係統測試時間為45 天,每天工作12 小（xiǎo）時。

為了對本係統的運行效果進行分（fèn）析,測試中采用了兩種工作方法,第一種方（fāng）法為原始的（de）工作模式,所有的故障診斷工作均在（zài）控製中（zhōng）心完成,匯聚節點僅完成特征數據處理和轉（zhuǎn）發功能（néng）。第二種方法（fǎ）為本研（yán）究中提出的方法（fǎ）,在匯聚節點完成一級（jí）診斷（duàn）,在控製中心完成二級診斷（duàn）。測試（shì）中通過在機床上部署一個振動采集節點,在車（chē）間部署了兩個匯聚節點(一個匯聚節點為（wéi）原始工作方式,另一個匯聚（jù）節點為一級診斷工作方（fāng）式),一（yī）個采（cǎi）集（jí）節點同時為兩個匯聚節點提供數據（jù）。經過45 天的連續工作,對故障時延（yán）數據進行匯總和分析,兩種方法的預警時延對比如（rú）圖9 所示。

圖9　故障預警（jǐng）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（miǎo）鍾,方法2 即（jí）本文（wén）提出的方法中,A 類故障預警平均時延為1 秒鍾,B 類故障平均預警時延為1.7 秒鍾。對於（yú）A 類故障時（shí）延縮短了50%,B 類故（gù）障時延縮短了15%,本測試中初（chū）始的A、B 類特征比（bǐ）例為（wéi）1:1,隨著係統的運行,特征庫中的A 類特征比例將遠大（dà）於B 類特征,係統的平均故（gù）障預警時延將接近於1 秒,實驗證明了（le）本係統對提高故（gù）障（zhàng）診斷的實時性具（jù）有明顯的提升效果。

6.結（jié）論

本係統設（shè）計了基於分級特（tè）征庫的機床故障診斷係統,實現在匯聚節（jiē）點對典型故障特征（zhēng）的快速識別和現場實時（shí）預警,實現控（kòng）製中心對非典型故（gù）障和典型故障預警和分析,采用機器學習（xí）的方法實現（xiàn）對特征數據庫的完善和更（gèng）新,提高了數控機床故障診斷的實時性（xìng）和可靠（kào）性。通過在機床集團的應用,證實了本係統提高了機床（chuáng）故（gù）障預警的實時性和診斷的準（zhǔn）確（què）型,因此本係統的（de）研究具有理（lǐ）論研究價值和工程應用價值。

投稿箱：
如果您有機床行業、企業相關新聞稿件發表，或進行資訊合作，歡迎聯係本網（wǎng）編輯（jí）部，郵箱：skjcsc@vip.sina.com

更多相關信息

名企推薦（jiàn）

業界視點

| 更多

行業數據

| 更多

博文（wén）選萃

| 更多