基于多传感器的数控机床不停机诊断方法研究

*河北省重点研发计划项目（项目编号3010201）；国家自然科学基金资助项目（项目编号51305124）；河北省自然科学基金资助项目（项目编号E2014202068）1基于多源信息融合的数控机床不停机诊断研究刘丽冰①，李曼①，李莉①，李宪凯②，杨泽青①（①河北工业大学机械工程学院，天津300130；②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：AResearchonfaultdiagnosismethodsofCNCmachinetoolduringtheoperationbasedonmultisourceinformationfusionLIUlibing①，LIMan①，LILi①，LIxiankai②(①CollegeofMechanicalEngineering,HebeiUniversityofTechnology,Tianjin300130,CHN；②ShenyangMachineTool(Group)Co.,Ltd.,Shenyang110142,CHN)Abstract:Inordertomeettherequirementsforhighspeed,highacceleration,highprecisionmachiningandproductionsafetyofCNCmachines,thispaperstudiesanfaultdiagnosismethodcombinedtheoff-lineanalysisandinternalandexternalsensorson-linemonitoring,throughthefeatureofmulti-sourceinformationfusiontorealizetheCNCmachineintelligentfaultdiagnosisduringtheoperation.First,usingmodalkineticenergymethodtorealizetheaccelerationsensorsplacementoptimizationbasedontheanalysisofCNCmachinetoolfaultconditionanddigitalprototypemodel.Secondly,themodelofneuralnetworkandD-Sevidencetheoryareusedtorealizethemultisourceinformationclassificationfusion.Finally,experimentalresultsshowthattherationalityofthelayoutoftheaccelerationsensors.Keywords:CNCequipments;Analysisofdigitalprototypingtechnology;On-linemonitoring;Informationfusion1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。LianshengLiu[3]等在研究航天飞机2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PLC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,可以弥补传感器3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]：KFcyxpFccFcFcfaCF（1）KFpyxpFppFpFpfaCF（2）KFfyxpFfffFfFfaCF（3）其中Fc为主切削力（N），Fp为背向力（N），Ff为进给力（N）；cFc为切削系数，xFc、yF为指数，二者均与刀具材料、工件材料及加工类型有关。KFc、KFp、KFf为修正系数，与刀具类型有关。正常工况下是根据背吃刀量ap和进给量f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Fc、Fp、Ff后再转化为大地坐标系的三向切削力Fx、Fy、Fz，作为ANSYS分析时的力载荷。二者转换公式如下：2222FFFcpx（4）2222FFFcpy（5）FFfz（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4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）：kiniiijEFFFmyy1，（sj,...2,1）（7）其中，Fi为各种状态，k为状态种类，s为子BP神经网络数目，Fiy为神经网络实际输出，En为神经网络训练误差，Fmij为状态Fi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。FmcFmsjjiFFmim11，（km,...,2,1）（8）FmmsjjFcm1，（km,...,2,1）（9）数控机床故障诊断模型如下图1所示。数控机床加速度信号1加速度信号4主轴电机电流进给轴光栅尺与编码器偏差特征参数提取子BP神经网络1归一化处理证据体1合成法则诊断结果特征提取模块局部诊断模块融合诊断模块子BP神经网络8证据体8温度信号1温度信号2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。5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