王林峰

（遼寧地質(zhì)工程職業(yè)學院，遼寧 丹東）

科學創(chuàng)新發(fā)展背景下，制造業(yè)領域引入了智能化、定制化制造裝配模式，應用的數(shù)控機床精度越來越高，因而數(shù)控機床維護技術也呈現(xiàn)出智能化發(fā)展趨勢。數(shù)控機床發(fā)生故障會導致工件加工精度下降，影響工件生產(chǎn)的連續(xù)性，甚至會引發(fā)重大安全事故。為此，需要結合故障征兆、根據(jù)數(shù)控機床性能，針對性做好故障診斷及修復，以便將數(shù)控機床故障帶來的不利影響控制在最小范圍。

1 基于故障征兆的數(shù)控機床故障診斷技術

1.1 基于RBR 的故障診斷

這是一種以專家經(jīng)驗為基礎，通過采集與整理相關信息，利用ifthen 規(guī)則展開邏輯分析，從而完成故障診斷的方法[1]?；赗BR 的故障診斷數(shù)字模型見圖1所示。此種診斷方式包含三大模塊：一是診斷數(shù)據(jù)，其是故障診斷結論得出的基礎，涵蓋故障征兆信息、權值兩方面內(nèi)容。故障征兆發(fā)生強弱程度是主要及次要故障的區(qū)分依據(jù)，權值與故障征兆的明顯性呈正比關系。二是診斷規(guī)則數(shù)據(jù)庫，其中匯集了大量以數(shù)字集中形式存在的數(shù)據(jù)規(guī)則，包含故障征兆描述集合、故障原因集合、概率系數(shù)矩陣三個非空有限集合，每個故障征兆對應一條故障征兆信息，故障征兆信息匯集到一起便構成了故障征兆數(shù)據(jù)庫。三是診斷結果，診斷后會輸出內(nèi)容豐富的向量，涵蓋故障問題發(fā)生原因、故障診斷結論可信概率、故障維修處理對策等，基于RBR 的故障診斷得出的診斷結果及處理方案相對科學與可靠。

圖1 基于RBR 的故障診斷邏輯

1.2 基于CBR 的故障診斷

以案例CBR 為基礎的故障診斷方法，在故障診斷前需要查找相似問題或經(jīng)驗。診斷故障存在相似歷史數(shù)據(jù)時，會以歷史故障診斷處理結果為參照，在繼往經(jīng)驗指導的基礎上，結合實際情況得出診斷結論，并升級優(yōu)化故障處理方案，將新生成的結論作為新的案例錄入數(shù)據(jù)庫中存儲，所有新添加問題便會轉(zhuǎn)化成為經(jīng)驗數(shù)據(jù)，用于后續(xù)故障問題的診斷分析[2]。診斷開始前，需先將數(shù)控機床故障案例相關信息錄入CBR系統(tǒng)，系統(tǒng)會結合案例中故障部分名稱、損壞模式等信息自動匹配相似案例并展開歷史案例評價分析，再由專家完成高匹配度案例的復核與存儲。若案例數(shù)據(jù)匹配度不高，需調(diào)整診斷結果方式，再采取專家領域知識分析方法，分析并存儲新生成的故障案例。基于CBR 的診斷系統(tǒng)案例庫具有持續(xù)學習能力，在案例不斷增加的同時，故障數(shù)據(jù)診斷范圍及精度均會提升，并能提高數(shù)據(jù)庫訓練完整性，有助于提高診斷效率。但此診斷方式的缺陷在于推進機制直觀性稍差。

1.3 RBR 與CBR 的集成診斷

由于基于案例的故障診斷方法規(guī)則體系不完善且不準確，而基于規(guī)則的故障診斷主要適用于具備多個知識規(guī)則的領域。在理論指導的故障診斷過程中，可采用集成診斷方法，先利用CBR 診斷法總結診斷規(guī)則，再構建案例診斷庫，進而提升故障案例匹配直觀性、提高故障診斷效率。集成診斷可用混合推理模式，即基于CBR 展開快速故障診斷，而后依托RBR 診斷優(yōu)化調(diào)整故障診斷結果。故障系統(tǒng)構建之初，采用CBR 診斷法歸納整理實際案例，在累積到相應量后便可梳理出診斷規(guī)則，若RBR 規(guī)則無法診斷新故障時，再采用CBR 診斷方法，以便于不斷完善故障診斷推理規(guī)則，推動規(guī)則診斷向案例診斷的轉(zhuǎn)變?；旌贤评頃r，系統(tǒng)應同時具備規(guī)則庫與案例庫。應用CBR 診斷法時對兩個庫進行不斷擴充，而運用RBR 診斷法時則以規(guī)則庫作為推理基礎。集成診斷法包含關鍵字分解檢索、案例存儲、案例庫形成、規(guī)劃庫形成四個主要環(huán)節(jié)，具有提高診斷效率、簡化推理過程的優(yōu)勢，集成診斷步驟詳見圖2 所示。

圖2 集成診斷步驟圖示

2 基于性能特征的數(shù)控機床故障診斷技術

2.1 機床性能

機床性能特征涵蓋多項內(nèi)容，機床剛度、機床精度、機床耗油量、機床噪音等均是常見性能特征，可作為數(shù)據(jù)機床故障預測診斷的重要依據(jù)。數(shù)控機床啟用時，性能特征為初始值，在性能發(fā)生改變后，便會產(chǎn)生劣化數(shù)據(jù)，若性能特征的變化未超出初始范圍，則屬于正常劣化值，若超出初始范圍，數(shù)據(jù)偏差高于200%，則說明性能特征出現(xiàn)了異常劣化[3]。性能特征量正常劣化與異常劣化數(shù)據(jù)對比見圖3，其中在數(shù)控機床運行7 h 時，性能特征量突然上升，并且上升至初始值的200%以上，說明此時數(shù)控機床性能特征發(fā)生了顯著改變，可能是出現(xiàn)了故障問題。

圖3 性能特征量正常劣化與異常劣化數(shù)據(jù)對比

2.2 性能特征與故障診斷的關系

數(shù)控機床精度值可通過激光干涉儀、球桿儀等精度檢測設備進行監(jiān)控，進而了解其性能劣化趨勢。數(shù)控機床性能特性除了與故障發(fā)生時間有所關聯(lián)外，與邏輯、結構的關系也較為密切。在長時間應用數(shù)控機床或是加工量不斷增加的情況下，其性能特征會逐步劣化，待偏差量積累至閾值后便會導致數(shù)控機床出現(xiàn)結構變化，進而引發(fā)故障。為此，數(shù)控機床及故障間存在相互映射的關系，某特征向量導致數(shù)控機床出現(xiàn)故障的概率較大，說明二者之間存在強關聯(lián)關系，若某特征向量對數(shù)控機床的故障發(fā)生概率影響較小，說明二者屬于弱關聯(lián)關系，在這一映射關系基礎上，可通過構建SOM-BP 神經(jīng)網(wǎng)絡診斷模型，得出數(shù)控機床的故障診斷結果。

2.3 基于精度數(shù)據(jù)的故障診斷

2.3.1 采集精度數(shù)據(jù)

采用球桿儀采集數(shù)控機床精度數(shù)據(jù)，此儀器裝有精密傳感器，能夠以固定點為中心在旋轉(zhuǎn)的同時感知半徑變化，以圖形或數(shù)字形式展示得到的數(shù)據(jù)，可在儀器內(nèi)部處理故障診斷信號，再通過藍牙二類模塊向計算機傳送數(shù)據(jù)，之后利用軟件處理采集到的數(shù)據(jù)，可實時完成數(shù)控機床故障診斷，還能輸出精度低誤差報表。數(shù)據(jù)采集時，首先要測量圓周誤差，一般測量半徑為100 mm，測量內(nèi)容是數(shù)據(jù)機應三個平面：一是XY 面，此平面需要測量兩次，一次正時針測量，一次逆時針測量; 二是YX 面;三是ZX 面，這兩個平面均要實施220°測量。測量過程中，機床進給率值應固定，通常設定為1 000 r/s。球桿儀采集數(shù)據(jù)時可采集到多項精度數(shù)據(jù)，如圓度、進給率、螺距、直線度、反向間隙等等，在神經(jīng)網(wǎng)絡中，各組輸入數(shù)據(jù)均屬于多維數(shù)據(jù)[4]。

2.3.2 構建算法模型

數(shù)控機床故障診斷中，可采用SOP 與BP 神經(jīng)網(wǎng)絡進行正常劣化與異常劣化數(shù)據(jù)的精度分析。首先運用球桿儀在實驗周期內(nèi)采集數(shù)控機床精度數(shù)據(jù)，其次對數(shù)控機床的故障記錄進行收集，詳細梳理故障發(fā)生原因以及維修處時間。再次將采集到的數(shù)據(jù)劃分為正常與異常兩類劣化精度數(shù)據(jù)，并制作數(shù)據(jù)采集與故障記錄表。將相同時刻機床故障與精度數(shù)據(jù)一一對應，為神經(jīng)網(wǎng)絡學習提供訓練樣本。最后向神經(jīng)網(wǎng)絡中輸入正常與異常劣化精度數(shù)據(jù)及各自對應故障模式，然后再用SOM 與BP 神經(jīng)網(wǎng)絡處理相應數(shù)據(jù)，分別以精度數(shù)據(jù)變化率及數(shù)據(jù)位故障概率作為輸入值與輸出值。

2.3.3 數(shù)控機床故障診斷實例

如某公司針對2021 年12 月至2022 年1 月數(shù)控機床的故障數(shù)據(jù)進行了分析，提取了故障記錄及精度監(jiān)測報告，精度數(shù)據(jù)共有25 組，正常與異常劣化數(shù)據(jù)分別是21 組與4 組，從正常劣化數(shù)據(jù)中提取一組，與四組異常劣化精度數(shù)據(jù)共同作為檢驗樣本，按照表1整理原始精度-故障記錄，之后將發(fā)生時間相近的故障設為一個組合。

表1 部分原始精度- 故障記錄表

2.3.3.1 精度數(shù)據(jù)輸入與輸出

本次輸入與輸出向量分別具有28 個與12 個維度，兩類維度分別代表精度項目與故障項目。以精度數(shù)據(jù)為基礎計算出精度偏差率，便可計算出神經(jīng)網(wǎng)絡學習樣本的輸入輸出數(shù)據(jù)[5]。

2.3.3.2 BP 神經(jīng)網(wǎng)絡學習訓練

數(shù)據(jù)處理后利用MATLAB 神經(jīng)網(wǎng)絡工具箱進行神經(jīng)網(wǎng)絡學習訓練，先構建具有28 個輸入層以及12個輸出層的神經(jīng)網(wǎng)絡，將之劃分為三層結構，將最大訓練步長設置為200，訓練誤差為0.016。再輸入樣本檢驗模型的準確性，并將神經(jīng)網(wǎng)絡輸出的預測值與實際故障數(shù)據(jù)展開對比分析（見表2），分析發(fā)現(xiàn)，第14組故障的精度向量輸入值符合預測結果、實際故障。

表2 待測故障實際故障組合與預測值對比分析

2.3.3.3 SOM 神經(jīng)網(wǎng)絡學習訓練

在SOP 神經(jīng)網(wǎng)絡中輸入4 組樣本，分類后對其分布位置進行查看，設置操作句后，將最大訓練步長設置為500，之后輸出仿真結果，并得出預測點及實際點的坐標數(shù)據(jù)，判斷預測樣本故障趨勢，預測概率高于0.5 時，表示故障預測與實際相同，說明預測結果與實際情況相吻合。圖4 為一組異常精度故障診斷預測與實際數(shù)據(jù)對比折線圖。

圖4 其中一組異常精度故障診斷預測與實際數(shù)據(jù)對比折線圖

3 結論

數(shù)控機床故障與故障征兆、機床性能特征均有密切關聯(lián)，因而故障診斷技術應用時，可基于規(guī)則、案例兩個方面診斷數(shù)控機床故障，即采用基于RBR 的故障診斷技術與基于CBR 的故障診斷技術，還可利用這兩個技術進行集成診斷。同時，也可根據(jù)機床性能，以精度數(shù)據(jù)作為故障診斷依據(jù)，運用SOM-BP 神經(jīng)網(wǎng)絡法分析正常與異常精度數(shù)據(jù)變化，進而得出準確的故障診斷結果。