王林峰

（遼寧地質(zhì)工程職業(yè)學(xué)院，遼寧 丹東）

科學(xué)創(chuàng)新發(fā)展背景下，制造業(yè)領(lǐng)域引入了智能化、定制化制造裝配模式，應(yīng)用的數(shù)控機(jī)床精度越來越高，因而數(shù)控機(jī)床維護(hù)技術(shù)也呈現(xiàn)出智能化發(fā)展趨勢(shì)。數(shù)控機(jī)床發(fā)生故障會(huì)導(dǎo)致工件加工精度下降，影響工件生產(chǎn)的連續(xù)性，甚至?xí)l(fā)重大安全事故。為此，需要結(jié)合故障征兆、根據(jù)數(shù)控機(jī)床性能，針對(duì)性做好故障診斷及修復(fù)，以便將數(shù)控機(jī)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(jī)床故障診斷技術(shù)

1.1 基于RBR 的故障診斷

這是一種以專家經(jīng)驗(yàn)為基礎(chǔ)，通過采集與整理相關(guān)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(jié)論得出的基礎(chǔ)，涵蓋故障征兆信息、權(quán)值兩方面內(nèi)容。故障征兆發(fā)生強(qiáng)弱程度是主要及次要故障的區(qū)分依據(jù)，權(quán)值與故障征兆的明顯性呈正比關(guān)系。二是診斷規(guī)則數(shù)據(jù)庫(kù)，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(gè)非空有限集合，每個(gè)故障征兆對(duì)應(yīng)一條故障征兆信息，故障征兆信息匯集到一起便構(gòu)成了故障征兆數(shù)據(jù)庫(kù)。三是診斷結(jié)果，診斷后會(huì)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(jié)論可信概率、故障維修處理對(duì)策等，基于RBR 的故障診斷得出的診斷結(jié)果及處理方案相對(duì)科學(xué)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(chǔ)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(yàn)。診斷故障存在相似歷史數(shù)據(jù)時(shí)，會(huì)以歷史故障診斷處理結(jié)果為參照，在繼往經(jīng)驗(yàn)指導(dǎo)的基礎(chǔ)上，結(jié)合實(shí)際情況得出診斷結(jié)論，并升級(jí)優(yōu)化故障處理方案，將新生成的結(jié)論作為新的案例錄入數(shù)據(jù)庫(kù)中存儲(chǔ)，所有新添加問題便會(huì)轉(zhuǎn)化成為經(jīng)驗(yàn)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(jī)床故障案例相關(guān)信息錄入CBR系統(tǒng)，系統(tǒng)會(huì)結(jié)合案例中故障部分名稱、損壞模式等信息自動(dòng)匹配相似案例并展開歷史案例評(píng)價(jià)分析，再由專家完成高匹配度案例的復(fù)核與存儲(chǔ)。若案例數(shù)據(jù)匹配度不高，需調(diào)整診斷結(jié)果方式，再采取專家領(lǐng)域知識(shí)分析方法，分析并存儲(chǔ)新生成的故障案例?；贑BR 的診斷系統(tǒng)案例庫(kù)具有持續(xù)學(xué)習(xí)能力，在案例不斷增加的同時(shí)，故障數(shù)據(jù)診斷范圍及精度均會(huì)提升，并能提高數(shù)據(jù)庫(kù)訓(xùn)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(jìn)機(jī)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(zhǔn)確，而基于規(guī)則的故障診斷主要適用于具備多個(gè)知識(shí)規(guī)則的領(lǐng)域。在理論指導(dǎo)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(jié)診斷規(guī)則，再構(gòu)建案例診斷庫(kù)，進(jìn)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(jié)果。故障系統(tǒng)構(gòu)建之初，采用CBR 診斷法歸納整理實(shí)際案例，在累積到相應(yīng)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(shí)，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(dòng)規(guī)則診斷向案例診斷的轉(zhuǎn)變?；旌贤评頃r(shí)，系統(tǒng)應(yīng)同時(shí)具備規(guī)則庫(kù)與案例庫(kù)。應(yīng)用CBR 診斷法時(shí)對(duì)兩個(gè)庫(kù)進(jìn)行不斷擴(kuò)充，而運(yùn)用RBR 診斷法時(shí)則以規(guī)則庫(kù)作為推理基礎(chǔ)。集成診斷法包含關(guān)鍵字分解檢索、案例存儲(chǔ)、案例庫(kù)形成、規(guī)劃庫(kù)形成四個(gè)主要環(huán)節(jié)，具有提高診斷效率、簡(jiǎn)化推理過程的優(yōu)勢(shì)，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(jī)床故障診斷技術(shù)

2.1 機(jī)床性能

機(jī)床性能特征涵蓋多項(xiàng)內(nèi)容，機(jī)床剛度、機(jī)床精度、機(jī)床耗油量、機(jī)床噪音等均是常見性能特征，可作為數(shù)據(jù)機(jī)床故障預(yù)測(cè)診斷的重要依據(jù)。數(shù)控機(jī)床啟用時(shí)，性能特征為初始值，在性能發(fā)生改變后，便會(huì)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(duì)比見圖3，其中在數(shù)控機(jī)床運(yùn)行7 h 時(shí)，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(shí)數(shù)控機(jī)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(duì)比

2.2 性能特征與故障診斷的關(guān)系

數(shù)控機(jī)床精度值可通過激光干涉儀、球桿儀等精度檢測(cè)設(shè)備進(jìn)行監(jiān)控，進(jìn)而了解其性能劣化趨勢(shì)。數(shù)控機(jī)床性能特性除了與故障發(fā)生時(shí)間有所關(guān)聯(lián)外，與邏輯、結(jié)構(gòu)的關(guān)系也較為密切。在長(zhǎng)時(shí)間應(yīng)用數(shù)控機(jī)床或是加工量不斷增加的情況下，其性能特征會(huì)逐步劣化，待偏差量積累至閾值后便會(huì)導(dǎo)致數(shù)控機(jī)床出現(xiàn)結(jié)構(gòu)變化，進(jìn)而引發(fā)故障。為此，數(shù)控機(jī)床及故障間存在相互映射的關(guān)系，某特征向量導(dǎo)致數(shù)控機(jī)床出現(xiàn)故障的概率較大，說明二者之間存在強(qiáng)關(guān)聯(lián)關(guān)系，若某特征向量對(duì)數(shù)控機(jī)床的故障發(fā)生概率影響較小，說明二者屬于弱關(guān)聯(lián)關(guān)系，在這一映射關(guān)系基礎(chǔ)上，可通過構(gòu)建SOM-BP 神經(jīng)網(wǎng)絡(luò)診斷模型，得出數(shù)控機(jī)床的故障診斷結(jié)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(jī)床精度數(shù)據(jù)，此儀器裝有精密傳感器，能夠以固定點(diǎn)為中心在旋轉(zhuǎn)的同時(shí)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(hào)，再通過藍(lán)牙二類模塊向計(jì)算機(jī)傳送數(shù)據(jù)，之后利用軟件處理采集到的數(shù)據(jù)，可實(shí)時(shí)完成數(shù)控機(jī)床故障診斷，還能輸出精度低誤差報(bào)表。數(shù)據(jù)采集時(shí)，首先要測(cè)量圓周誤差，一般測(cè)量半徑為100 mm，測(cè)量?jī)?nèi)容是數(shù)據(jù)機(jī)應(yīng)三個(gè)平面：一是XY 面，此平面需要測(cè)量?jī)纱?，一次正時(shí)針測(cè)量，一次逆時(shí)針測(cè)量; 二是YX 面;三是ZX 面，這兩個(gè)平面均要實(shí)施220°測(cè)量。測(cè)量過程中，機(jī)床進(jìn)給率值應(yīng)固定，通常設(shè)定為1 000 r/s。球桿儀采集數(shù)據(jù)時(shí)可采集到多項(xiàng)精度數(shù)據(jù)，如圓度、進(jìn)給率、螺距、直線度、反向間隙等等，在神經(jīng)網(wǎng)絡(luò)中，各組輸入數(shù)據(jù)均屬于多維數(shù)據(jù)[4]。

2.3.2 構(gòu)建算法模型

數(shù)控機(jī)床故障診斷中，可采用SOP 與BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行正常劣化與異常劣化數(shù)據(jù)的精度分析。首先運(yùn)用球桿儀在實(shí)驗(yàn)周期內(nèi)采集數(shù)控機(jī)床精度數(shù)據(jù)，其次對(duì)數(shù)控機(jī)床的故障記錄進(jìn)行收集，詳細(xì)梳理故障發(fā)生原因以及維修處時(shí)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(shí)刻機(jī)床故障與精度數(shù)據(jù)一一對(duì)應(yīng)，為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)提供訓(xùn)練樣本。最后向神經(jīng)網(wǎng)絡(luò)中輸入正常與異常劣化精度數(shù)據(jù)及各自對(duì)應(yīng)故障模式，然后再用SOM 與BP 神經(jīng)網(wǎng)絡(luò)處理相應(yīng)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(jī)床故障診斷實(shí)例

如某公司針對(duì)2021 年12 月至2022 年1 月數(shù)控機(jī)床的故障數(shù)據(jù)進(jìn)行了分析，提取了故障記錄及精度監(jiān)測(cè)報(bào)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(yàn)樣本，按照表1整理原始精度-故障記錄，之后將發(fā)生時(shí)間相近的故障設(shè)為一個(gè)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(gè)與12 個(gè)維度，兩類維度分別代表精度項(xiàng)目與故障項(xiàng)目。以精度數(shù)據(jù)為基礎(chǔ)計(jì)算出精度偏差率，便可計(jì)算出神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本的輸入輸出數(shù)據(jù)[5]。

2.3.3.2 BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練

數(shù)據(jù)處理后利用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，先構(gòu)建具有28 個(gè)輸入層以及12個(gè)輸出層的神經(jīng)網(wǎng)絡(luò)，將之劃分為三層結(jié)構(gòu)，將最大訓(xùn)練步長(zhǎng)設(shè)置為200，訓(xùn)練誤差為0.016。再輸入樣本檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性，并將神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測(cè)值與實(shí)際故障數(shù)據(jù)展開對(duì)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(yù)測(cè)結(jié)果、實(shí)際故障。

表2 待測(cè)故障實(shí)際故障組合與預(yù)測(cè)值對(duì)比分析

2.3.3.3 SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練

在SOP 神經(jīng)網(wǎng)絡(luò)中輸入4 組樣本，分類后對(duì)其分布位置進(jìn)行查看，設(shè)置操作句后，將最大訓(xùn)練步長(zhǎng)設(shè)置為500，之后輸出仿真結(jié)果，并得出預(yù)測(cè)點(diǎn)及實(shí)際點(diǎn)的坐標(biāo)數(shù)據(jù)，判斷預(yù)測(cè)樣本故障趨勢(shì)，預(yù)測(cè)概率高于0.5 時(shí)，表示故障預(yù)測(cè)與實(shí)際相同，說明預(yù)測(cè)結(jié)果與實(shí)際情況相吻合。圖4 為一組異常精度故障診斷預(yù)測(cè)與實(shí)際數(shù)據(jù)對(duì)比折線圖。

圖4 其中一組異常精度故障診斷預(yù)測(cè)與實(shí)際數(shù)據(jù)對(duì)比折線圖

3 結(jié)論

數(shù)控機(jī)床故障與故障征兆、機(jī)床性能特征均有密切關(guān)聯(lián)，因而故障診斷技術(shù)應(yīng)用時(shí)，可基于規(guī)則、案例兩個(gè)方面診斷數(shù)控機(jī)床故障，即采用基于RBR 的故障診斷技術(shù)與基于CBR 的故障診斷技術(shù)，還可利用這兩個(gè)技術(shù)進(jìn)行集成診斷。同時(shí)，也可根據(jù)機(jī)床性能，以精度數(shù)據(jù)作為故障診斷依據(jù)，運(yùn)用SOM-BP 神經(jīng)網(wǎng)絡(luò)法分析正常與異常精度數(shù)據(jù)變化，進(jìn)而得出準(zhǔn)確的故障診斷結(jié)果。