基于多传感器的数控机床不停机诊断方法研究

1、基于多源信息融合的数控机床不停机诊断研究刘丽冰，李曼，李莉，李宪凯，杨泽青（河北工业大学机械工程学院，天津300130；沈阳机床（集团）有限责任公司，辽宁 沈阳110142）摘要：面向数控机床高速、高加速度、高精度加工及安全生产要求，提出了一种新的智能化不停机诊断方法，采用离线分析与内外置传感器的在线监测相结合的方法，通过多源特征信息融合，实现CNC性能劣化类故障不停机诊断。首先，分析CNC机床故障工况特征，通过构建数字样机离线分析模型，采用模态动能法实现了数控机床加速度传感器优化布置；其次，采用神经网络模型和D-S证据理论相结合，实现内外置传感器多源信息分级融合；最后，实验验证了加速度传感器

2、布局的合理性。关键词：CNC装备，数字样机分析技术，在线监测，信息融合中图分类号：TG659；TP206+.3 文献标识码：AResearch on fault diagnosis methods of CNC machine tool during the operation based on multi source information fusionLIU libing，LI Man，LI Li，LI xiankai(College of Mechanical Engineering,Hebei University of Technology,Tianjin300130,CHN；Sh

3、enyang Machine Tool(Group) Co.,Ltd.,Shenyang 110142,CHN)Abstract:In order to meet the requirements for high speed ,high acceleration,high precision machining and production safety of CNC machines ,this paper studies an fault diagnosis method combined the off-line analysis and internal and

4、external sensors on-line monitoring, through the feature of multi-source information fusion to realize the CNC machine intelligent fault diagnosis during the operation. First,using modal kinetic energy method to realize the acceleration sensors placement optimization based on the analysis of CNC mac

5、hine tool fault condition and digital prototype model.Secondly,the model of neural network and D-S evidence theory are used to realize the multi source information classification fusion. Finally, experimental results show that the rationality of the layout of the acceleration sensors.Keywords:CNC eq

6、uipments;Analysis of digital prototyping technology;On-line monitoring;Information fusion1引言数控机床是一种高度自动化、高度复杂、高度集成的加工系统，为了保障加工过程安全，保证加工质量，越来越多学者研究了机床的状态监测与故障诊断，但是仍存在一些问题，如传感器的种类、数量及布局多是采用经验来确定，缺乏可靠的理论支撑且不能实现综合检测；对于一些部件的性能劣化类故障19多采用离线定期检测，无法实时了解其运行状态。因此本文研究基于数控机床内外置传感器多源信息融合的不停机故障诊断方法，采用数字样机离线分析与内外置传

7、感器的在线监测相结合的不停机故障诊断方法，为提高故障诊断系统的可靠性提供依据。数字样机离线分析目的是确定机床故障监测特征点，解决机床传感器数量与布局问题，同时为多源信息融合网络的学习提供必要的数据支撑。Lian sheng Liu3等在研究航天飞机的主发动机的健康状态监测时提出了一种基于熵的传感器选择方法，解决了飞机发动机中部署大量传感器的问题。浙江大学钱华芳4采用有限元方法从理论上分析了主轴模型温度场和热变形,分别从时域和频域分析热误差,从而证明主轴模型中最佳温度测点的存在,解决了主轴各个传感器位置的温度变化与主轴热变形之间的线性关系和同步变化问题。中航工业北京航空制造工程研究所杨洁等5为确

8、定振动传感器的安装位置，利用有限元分析对主轴及箱体部分进行瞬态响应分析，模拟在真实切削状态下主轴部件不同位置的瞬态振动情况，通过比较确定振动传感器的合理安装位置。本文首先利用Solidworks建立了某数控车床的数字样机模型，然后利用ANSYS分析软件进行多种故障工况下机床的仿真分析，然后采用模态动能法实现传感器的数量和布局优化。2基于多传感器信息融合的数控机床不停机诊断方法 2.1数控机床故障分析及内外置传感器信号类型确定 不停机故障诊断是指通过对机床在运行过程中状态信息的采集、分析和处理，并结合设备的历史状况，来实时定量识别机床及其零部件的状态，并诊断得出有关零部件的异常、故障，再根据故障

9、类型确定必要对策6。从本质上，加工过程故障诊断是一个模式识别问题。数控机床故障主要分为三类：第一类是数控机床本体(液压、气动和润滑装置等)的故障,约占整个故障的57%,包括主轴箱故障、导轨副与丝杠螺母副的配合故障、润滑及支承的预紧故障和液压、气动装置故障；第二类是电气控制系统的故障,约占整个故障的37.5%；第三类是数控系统的故障,约占整个故障的5.5%20。数控机床的自诊断系统能诊断43%的故障21,即第二类和第三类故障,但对于保证机床加工质量的机械部分故障却无能为力。数控机床机械部分主要包括主传动系统、进给传动系统、回转工作台、刀具交换装置及箱体、底座。回转工作台和刀具交换装置的动作由PL

10、C和电气控制实现控制,可以通过自诊断功能完成故障的诊断；箱体和底座等支承部件一般情况是稳定的,只有在它固定频率与机床振动频率一致时才发生共振产生冲击,且支承件的开裂也很少见,可不考虑；机械部分难以诊断的故障主要是主传动系统和进给传动系统的故障。主传动系统主要包括主轴、轴承和传动齿轮；进给传动系统主要包括轴承、连接件、导轨和滚珠丝杠螺母副,其故障类型及对应故障模式如下表1所示6，20。表1 数控机床主传动和进给传动机械部件故障类型及对应的故障模式序号故障类型故障模式1损伤类故障轴承损伤主轴发热、主轴噪声和振动、丝杠异常噪声和振动2齿轮损伤主轴异常噪声和振动3箱体压盖损伤主轴发热4传动轴损坏或弯曲

11、主轴噪声和振动5滚珠丝杠、滚珠磨损丝杠噪声和振动6导轨面研伤/压板研伤传动不良7润滑类故障润滑情况不好主轴发热、主轴噪声和振动、丝杠噪声和振动89配合类故障小带轮与大带轮传动平衡情况不佳主轴噪声和振动10进给系统电动机与丝杠联轴器松动丝杠噪声和振动11齿轮啮合间隙不均匀主轴噪声和振动、传动不良 由表1可知，数控机床机械部分常见的故障有磨损、损伤、变形等，是部件性能劣化的过程，会有噪声、振动、发热等一些征兆，不会导致机床停机却影响加工质量，因此称为性能力劣化类故障19。根据故障模式选择传感器信号时，优先利用机床本体信息即内置传感器信息，采用安装的外置传感器作为补充。电机电流信号适用于低速检测,可

12、以弥补传感器安装不便的缺陷，其信号频谱图可以反映传动系统的故障信息7 -8；数控机床轴承齿轮以及高速设备故障信号属于高频范围，选择具有高频响应特点的外置加速度传感器来采集机床的噪声和振动信号9；发热类故障信号采用外置温度传感器来完成采集；进给系统的传动故障及进给轴润滑特性可以采用光栅尺与编码器偏差信号来分析10，其振动信号采用加速度传感器来采集。综上可以用来采集机床故障信号的内外置传感器有加速度传感器、温度传感器、电机电流、光栅、编码器等。2.2基于数字样机技术的故障监测特征点离线分析原理为了确定监测特征点，需要确定故障工况。车床切削力经验公式为23： （1） （2） （3） 其中为主切削力（

13、），为背向力（），为进给力（）；为切削系数，、为指数，二者均与刀具材料、工件材料及加工类型有关。、为修正系数，与刀具类型有关。正常工况下是根据背吃刀量和进给量确定切削力，但是为了确定极限工况，首先要查找机床的极限切削力，然后再根据文献22分配背吃刀量和进给量。计算得到机床坐标系下的切削力、后再转化为大地坐标系的三向切削力、，作为ANSYS分析时的力载荷。二者转换公式如下： （4） （5） （6）以仿真结果为基础，采用模态动能法实现加速度传感器布置的优化。模态动能法是通过挑选振幅较大的点或者模态动能较大的点来布设传感器的测点，在这种方法的基础上同时还衍生了许多方法,如通过计算所有待测模态的各可能

14、测点的平均动能，选择其中较大者的平均模态动能法；通过计算有限元分析的模态振型在可能测点的乘积,选择其中较大者的特征向量乘积法等，目前多用于桥梁检测时传感器布置优化分析，本文按照模态动能法振幅较大的点来布置加速度传感器11。2.3基于内外置传感器多源信息融合的数控机床不停机诊断模型多传感器信息融合的方法有三种：数据级融合、特征向量级融合和决策级融合16。由于机床结构复杂性，信号特征与故障类型之间强烈的非线性，因此选取BP神经网络来进行特征融合，但是在处理多个传感器的大量测试数据时BP网络训练速度很慢,甚至出现不收敛的情况,并且没有充分利用不同传感器间的冗余和互补信息17,而D-S证据理论作为一种

15、不确定性信息融合方法, 可弥补这些缺点18，因此本文选取BP神经网络进行信号特征级融合，采用D-S证据理论实现决策级融合，神经网络输出进行归一化处理作为D-S证据理论的证据源，归一化处理公式如下式（7）： ，（） （7）其中，为 各种状态，为状态种类，为子BP神经网络数目， 为神经网络实际输出， 为神经网络训练误差，为状态的基本概率值。然后再利用D-S证据理论的合成规则，如下（8）式和（9）式得到融合结果。 ，（） （8），（） （9） 数控机床故障诊断模型如下图1所示。图1 数控机床故障诊断模型3基于多传感器信息融合的数控机床不停机诊断技术实现3.1基于数字样机技术的故障监测特征点离线分析结

16、果及传感器布置方案如下2图所示为某数控车床的三维SolidWorks数字样机模型。图2 数控车床的三维SolidWorks数字样机模型采用Workbench进行有限元分析时需要将模型简化，去掉对故障分析影响不重要的倒角、圆角、小台阶、机床外罩、散热片、拖链等次要部件，并进行网格划分后得到整机有限元模型如下图3所示。图3 整机有限元模型利用Workbench分析得机床各主要部件如主轴箱、尾座、床身以及进给单元变形情况如下图4所示。图4 仿真分析得机床各主要部件变形情况再利用Workbench进行模态分析得到整机固有频率、各阶振幅最大值及最大值点。机床的各阶振型及最大振幅点如下表2所示，各个点在机

17、床上的位置表示如下图5所示。表2 机床的各阶振型及最大振幅点频率179.07Hz215.02 Hz248.53 Hz252.12Hz310.76 Hz320.52 Hz振型刀架部分前后摆动主轴箱前后摆动主轴箱左右摆动刀架前后扭摆尾架部分左右扭摆尾架左右扭摆振幅最大值(m)及最大值点0.0595210.0721970.0738260.115960.119410.14691图5 模态分析中振幅最大位置标示通过以上分析，并结合实际安装要求，确定在图示中点沿机床坐标系Y向布置一个单轴加速度传感器，在分别布置一个三轴加速度传感器。根据GB/T9061 1988 的规定，主轴在最高转速下达到稳定温度时，滚

18、动轴承温度不得超过7012。根据文献4分析，最终确定在主轴箱前端靠近前轴承位置安放一个温度传感器，在滚珠丝杠靠近轴承处安放一个温度传感器。3.2 多传感器信号预处理及特征提取将采集的原始信号经过数字滤波、放大、标度变换后进行特征值提取。在此所提取的特征值是为了接下来的神经网络模式识别,有效的特征值需要满足一下条件:重复性：对同一工况条件下的重复数据信号提取的同一特征值在很小的范围内变化甚至不发生变化,即具有良好的重复性。差异性。对不同工况条件下的重复数据信号提取的同一特征值分布在相差较大的数据范围内,即具有较大的差异性13。在机床故障时，所选特征值会发生明显变化，即能准确反映机床故障信息。结合

19、以上分析，确定振动信号时域特征值有均方根、方差、峭度、峰值。频域特征值选取时，根据振动信号的特点，不同类型的故障对应不同的特征频段，不同频段能量不同14，因此采用小波包分析获得振动信号特征频率及其能量，所以振动信号的频域及时频域特征值有信号功率谱、特征频率、能量值；温度信号的特征值为温度瞬时值；电流信号的特征值为三相电流的RMS值和傅里叶变换值15；光栅尺与编码器信号的位移值、速度值、加速度值及二者偏差的瞬时值和功率谱2。如下图6所示为VC与MATLAB混合编程实现的数据处理子界面。图6 数据处理子界面3.3 内外置传感器多源特征融合及故障决策实现特征层融合的BP神经网络有输入层、隐含层、输出

20、层三层，以图5所标示的点加速度信号及主轴电机电流信号诊断主轴轴承故障、传动轴损坏、传动齿轮故障诊断为例，BP神经网络结构依次为7-20-4,7-20-4及2-10-4，BP网络的建立及训练MATLAB程序如下：clc p=load ('ANN1.txt');t=load('ANN2.txt');PP=p'P=mapminmax(PP);TT=t'T=mapminmax(TT);net_1.trainParam.show = 50;net_1.trainParam.lr = 0.025;net_1.trainParam.mc = 0.9;net.t

21、rainParam.epochs = 1000;net.trainParam.goal = 0.01;net=train(net,P,T); ANN1.txt文件中存放着200组神经网络输入数据，ANN2.txt文件中存放着200组神经网络的输出数据，其中160组用于训练神经网络，20组用于测试神经网络，又有20组用于结果验证。 决策层融合时将神经网络的训练误差作为不确定因素，误差越大说明神经网络诊断不确定性就越大，将各个BP网络输出归一化处理后按照Dempster规则融合，得到的基本概率值代表了某种故障的可能性，将概率最大的状态作为决策结果。利用仿真数据训练传感器融合网络后进行测试，测试结果

22、如下表3所示，代表主轴轴承故障、代表传动轴损坏、代表传动齿轮故障，代表正常状态。表3 多传感器融合网络测试结果序号期望输出诊断结果证据空间100010.00010.0036 0.00000.9552 0.001100100.0001 0.00000.96670.00000.033201000.0021 0.95180.0222 0.0001 0.023810000.8034 0.15410.0097 0.00000.0328 证据空间200010.0003 0.0000 0.0588 0.4409 0.5000不确定00100.0001 0.00060.8777 0.0081 0.113501

23、000 .0000 0.3855 0.01000.12120.4833不确定10000.8544 0.0334 0.0016 0.00030.1103证据空间300010 .0201 0.0645 0.0003 0.90070.014400100 .0004 0.00880.88480.10430.001701000.02200.89520.07990.00080.002110000.44020.00660.06000.00110.4921不确定融合结果00010.00000.00020.00000.90010.099700100.00000.00000.87870.00040.1209010

24、00.00030.77640.00190.00000.221410000.75970.01350.00270.00180.2223由表3可以看到，经过D-S证据理论决策融合后诊断结果不确定性大大降低，证明了此多传感器融合网络的可靠性。4实验验证 实验对象是沈阳机床的HTC2550hs高速车床，它由2个直线轴和主轴组成，直线轴驱动采用直线电机+减速器滚珠丝杠传动结构，xz行程230 mm×600mm，主轴转速最高达6000，主电机功率15(KW)。分别将加速度传感器放置在图5所标示的及主轴箱体、床身等位置，在不同工况下采集加速度传感器输出信号，如下图7所示为部分加速度传感器现场安装图。

25、图7 加速度传感器现场安装图在空转条件下，当机床转速为1000，各个加速度传感器安装点的最大振幅如下表4所示。表4 空载1000时各加速度传感器安装点最大位移加速度传感器安装位置最大位移（）图5标示点0.22图5标示点0.24图5标示点5.20图5标示点0.29床身0.002主轴箱体0.01在，工况下，各个点的最大振幅如下表5所示。表5 时，各加速度传感器安装点最大位移加速度传感器安装位置最大位移（）图5标示点0.29图5标示点0.30图5标示点6.50图5标示点0.36床身0.04主轴箱体0.14 由表4和表5可得监测特征点的振幅较大，可以明显反映加工过程状态变化，因此加速度传感器安放在经离

26、线分析所得的监测特征点位置是合理的，加工过程中将传感器信息输入多传感器融合网络，可以实现实时机床状态监测和故障诊断。 5结论本文针对机床的渐变性故障，采用离线分析与内外置传感器的在线监测相结合的方法，通过多源特征信息融合，实现CNC不停机智能故障诊断，实验验证了基于数字样机技术离线分析所得加速度传感器安装位置的合理性，并采用多种故障工况下仿真分析所得数据完成了多传感器融合网络的学习，并测试了BP网络和D-S证据理论相结合的融合策略的可靠性，为实现机床在线状态监测与故障诊断提供给了重要参考。参考文献1付振华,丁杰雄,张信,邓梦. 多传感器融合在数控机床故障诊断中的应用研究J. 机械设计与制造,2

27、014,02:140-142+145.2Dong J，Zhuang D F.Advances in multi-sensor data fusion：algorithms and applicationsJ.Sensors，2009，9（10）：7771-7784.2周玉清,梅雪松,姜歌东,etal.基于内置传感器的大型数控机床状态监测技术J.机械工程学报.2009,45（4）:125-1303 L Liu,S Wang,D Liu,Y Zhang，Y Peng.Entropy-based sensor selection for condition monitoring and progno

28、stics of aircraft engineJ.Microelectronics eliability,2015,55(9-10):209220964钱华芳. 数控机床温度传感器优化布置及新型测温系统的研究D.浙江大学,2006.5杨洁,李初晔. 数控机床故障特征分析和传感器布局研究J. 航空制造技术,2014,14:72-76.6张磊. 数控机床故障监测与诊断系统的研究D.山东大学,2012.7Lauro C H, Brandão L C, Baldo D, et al. Monitoring and processing signal applied in machining processes A reviewJ. Measurement, 2014, 58(58):73-86.8张克南, 陈一军, 谢里阳,等. 电机电流分析法在机床类设备诊断中的应用研究J. 机床与液压, 2007, 35(3):196-198.9邓晓云. 振动诊断技术在数控机床状态监测与故障诊断中应用的研究D. 大