數控機牀診斷綜述

一、研究背景

在工業化的持續發展過程中，各行各業的競爭越來越激烈。為了推動企業的進一步發展，所有企業都在進行技術革新。數控機牀是機械生產過程中的通用裝置，由氣壓、油壓、機牀、電控馬達、自動控制等組合而成[1]。自20世紀中葉數控技術的出現以來，數控機牀給機械製造業帶來了革命性的變化。數控機械加工的特點是靈活、高精度、高生產性、降低操作員的勞動密集度、改善勞動條件、促進生產管理的現代化、提高經濟效益。數控技術應用的關鍵在於開發高速、高精度、高穩定性的高科技設備。在現有的處理裝置中，只有數控機牀可以承擔這個沉重的責任。

因此，為了實現實際的快速切削，數控機牀必須朝着高速化、高精度、靈活性、開放控制系統、控制系統輔助軟件、工廠生產數據管理的方向移動，以滿足現代製造業快速發展的需要。為了完全發揮數控機牀的最大價值，我們必須關注數控機牀的故障排除問題，瞭解數控機牀的一般機械問題，掌握故障診斷和維護方法，充分發揮數控機牀的最大適用價值，提高故障診斷效率，利用科技驅動提高生產效率，確保工業生產活動順利發展。

二、國內外發展現狀

2.1設備故障診斷的國內外研究現狀

(1) 國外故障診斷的研究現狀

設備狀態監測與故障診斷在美國、日本、英國等國家得到了高度重視, 各國競相開展相關技術。美國是最早開展設備故障診斷工作的國家之一, 自1961 年美國的阿波羅計劃執行後, 由設備出現的一系列的設備故障造成的悲劇促使了美國機械故障預防小組 (MFPG) 的成立, 開始對故障診斷技術進行有組織、有計劃的研究。隨着故障診斷技術的發展, 美國西屋公司、Bently、HP等公司的監測技術代表了當今診斷技術的最高水平, 其完善的監測功能和較強的診斷功能使之廣泛應用於宇宙、軍事、化工等領域;上世紀六七十年代, 英國以acott為首的機械保健中心和狀態監測協會開始對故障診斷技術進行研究, 其在汽車、摩擦磨損、飛機發動機等方面的監測和診斷研究對國內外故障診斷的研究有着指導性意義;日本開展的診斷技術研究工作主要集中在兩個層面:一是高等院校, 比如在東京大學、京都大學、早稻田大學高等學府均發表了不少基礎性的研究報告;二是在在企業, 如三菱重工的“機械保健系統”對汽輪發電機組故障監測和診斷起到了推動作用, 日本的故障診斷技術在鋼鐵、化工、鐵路等行業發展較快;歐洲其他國家的故障診斷技術在某一方面具有特色或佔有領先地位, 瑞典SPM公司的軸承監測技術、AGEMA公司的紅外熱像技術、挪威的船舶診斷技術、丹麥的B&K公司的振動及噪聲監測技術等技術都各有千秋。

(2) 國內故障診斷研究現狀

國內關於故障診斷技術發展起步晚, 始於70 年代末, 而真正起步應該從1983 年南京首屆設備診斷技術專題座談會開始, 國家政府有關部門對關於故障診斷技術的研究給予重視和支持, 尤其在技術引進、技術改造、科研開發等方面給予高度重視。近年來, 國內包括西安交通大學, 浙江大學, 北京理工大學、清華大學、東北化工大學、中國科學院等在內的眾多大專科院校、科研機構、學術機構等都在故障診斷方面做了大量的研究。這些研究都注重結合當代各種先進故障診斷技術, 應用於很多大型設備中,並取得了巨大的成果。透平發電機、壓縮機的診斷技術已列入國家重點攻關項目並受到高度重視;西安交通大學研發的“大型旋轉機械計算機狀態監測與故障診斷系統”,哈爾濱工業大學的“機組振動微機監測和故障診斷系統”;東北大學設備診斷工程中心的“軋鋼機狀態監測診斷系統”以及“風機工作狀態監測診斷系統”均取得了可喜的成果, 為國內故障診斷的發展奠定了堅實的理論基礎和實踐經驗。與國外理論基礎雄厚、研究深入的故障診斷技術相比, 我國的設備狀態監測與故障診斷技術水平同發達國家的差距已大大縮短, 但仍然存在一定差距。

2.2 故障診斷系統的研究現狀

隨着智能診斷系統的發展, 基於知識的診斷推理目前是國內外研究的熱點, 對智能故障診斷推理技術及用於智能推理的知識表示方式的研究取得了很多成果, 另外, 隨着網絡技術、關於信息同步相關技術的研究也迅速發展起來, 隨着故障診斷研究與發展, 出現了大量故障診斷系統應用與數控機牀診斷故障診斷模式, 先後出現的有現場診斷模式和遠程診斷模式, 現場診斷模式當故障發生後, 企業必須派售後服務人員到現場故障診斷, 國內多數企業對故障診斷仍然依靠傳統的故障診斷維修方式;遠程網絡化故障診斷在數控機牀領域得到很深入的研究。

故障診斷經歷了三個階段, 即人工診斷, 常規診斷以及智能診斷, 智能診斷是目前國內外研究的熱點, 關於智能診斷診斷的研究國內外專家學者都進行了大量的理論和實驗研究,得到了許多有價值的成果, 基於人工神經網絡、模糊模型、粗糙集理論、故障樹等診斷方法以及基於本體、規則推理RBR和基於案例推理CBR的專家系統在數控機牀故障診斷中得到很好地發展, 並都取得了一定的成果, 其中基於知識的專家系統在人工智能中的應用最廣泛[2]。為了提高故障診斷的效率和精度, 多方法集成的故障診斷引起了人們對高度重視, 將RBR和CBR串行結合, 利用一種推理方式來解決先導方式推理產生的問題, 當兩者都得不到故障診斷的結果時, 採用人工診斷得出故障診斷結果。

智能診斷是基於知識的診斷方法, 因此智能診斷的發展與知識的表示密切相關, 關於故障知識表示的研究主要有基於規則、框架、對象等方式, 對基於本體表示的方式進行了研究。隨着分佈式計算機管理的出現, 一個關鍵的技術——信息同步技術也有了廣泛的研究, 提出了一個基於Petri網的信息同步模型, 提出了基於該模型的信息預取、狀態估算、系統時間同步等控制策略研究了分佈式虛擬現實系統的信息同步, 信息同步在分佈式環境下多媒體的得到研究。

三、 數控機牀機械故障診斷方法

3.1 人工診斷法

人工診斷方法是基於操作員的經驗，分為外觀故障檢查、軟失誤檢查、連接器接線、電纜檢查、機牀數據檢查等。外觀檢查是操作員使用自己的嗅覺，視覺等，判斷機牀是否故障。軟失誤檢查法是指操作員使用外觀檢查方法確認機牀最近的維護記錄，瞭解最近的機牀工作，確認機牀的潛在危險性。連接器接線及電纜檢查方法是指使用確認機牀各部分連接的指示的操作員。同時，需要仔細檢查零件之間的配線連接。機牀的數據檢查是通過分析機牀的故障現象，參照機牀相關的故障數據來檢查和糾正機牀數據。但是，這些方法的缺點是帶有強烈的主觀性，不可靠的診斷結果和低診斷效率。

3.2 智能診斷法

目前，數控機牀故障診斷的主流方法是在故障診斷領域應用計算機、人工智能等技術的智能診斷方法[3]，主要分為以下幾種方法：

（1）容錯樹分析法：容錯樹分析法是分析和調查使機器工具的故障從本地逐漸減少的原因。容錯樹分析方法不僅檢查了系統軟件的故障和硬件故障，而且檢查了由一個組件引起的系統故障的原因，還可以檢查人的因素也可以分析由兩個以上的組件引起的系統故障的原因。這是一種綜合考慮系統故障原因的分析方法。[4]但是缺點是故障機制不明確，構成故障樹的宂餘量複雜而困難，適合以往的故障診斷，找不到各個特殊故障。

（2）單個功能監測方法：單個功能監測方法在操作過程中收集機牀的各個部分的信號，例如温度、功率、聲發射、振動等，建立相應的數學模型，分析信號提取故障特性信號[5]。然後，判斷機牀是否有故障和斷層的位置。其缺點是傳感器容易受到環境干擾的接收故障信號複雜，不全面，信號處理效率不高。容易弄錯或判斷機牀的故障。

（3）模式識別和訓練模型的應用：模式識別和訓練模型的應用是建立數控機牀的故障樣品庫，使用數控機牀的已知故障因子建立實驗樣品，神經網絡的訓練支持向量機和其他模型以及模式識別和訓練模型的應用：模式識別和訓練模型的應用意味着使用數控機牀已知的故障因素建立數控機牀的故障樣本庫。我們訓練了神經網絡和支持向量機模型。

四、數控機牀機械故障類型

4.1主軸運行中的故障

（1）精度和設計不符合相關要求。

數控機牀對精度要求很高。如果精度在處理過程中不滿足所需條件，主軸總是處於影響狀態，結果無法保證後續安裝的牢固性[6]。數控機牀對精度要求很高。如果精度在處理過程中不滿足所需條件，主軸總是處於影響狀態，結果無法保證後續安裝的牢固性。

（2）過度的切削振動。

數控機牀的運行中發生的結構問題主要有：無法確保軸線，中間距離過大，主軸承和主軸的安裝不符合標準要求，主軸箱的柱子和架子分離等[7]。為了解決這些問題，有必要針對實際情況採取相應對策，例如及時更換傳送帶或軸承。

4.2運動系統的故障

（1）滾珠絲槓的副噪聲的問題。

滾珠絲槓滾動球的損傷、滾珠絲槓的潤滑效果、螺絲支撐軸承的損傷等滾珠絲槓的噪音有很多原因[7]。鑑於這樣的缺點，為了確保軸承部的緊固，必須配置特別的人員進行軸承蓋的調整等維護管理。另外，要做好潤滑和維護工作，及時更換新的球。

（2）滾珠絲桿的靈敏度在運行中不好。

此類問題出現的原因為其負載過高，致使導軌以及絲槓無法處於平行狀態。針對此類問題，應調整對軸向的間隙，強化滾珠絲槓的負載力，確保導軌以及絲槓處於平行的狀態。

4.3導軌運行中的故障

（1）軌道磨削不良。如果數控機牀損壞，機器的牀位和基礎會受到裝置長期操作的影響。另外，如果在短時間內適用數控機牀的話，那又會造成損失。由於這樣的問題[8]，在導軌的維護管理中必須做良好的工作，使用用於維持數控機牀的潤滑油，保證良好的運轉，避免損傷問題。

（2）運行導軌時，存在零部件塗抹效果差等問題。考慮到這種問題，通過結合現實，可以分析特定的問題，控制容許度，選擇質量好的部件。

五、研究難點及可能的解決方案

數控機牀是複雜而精密的大型設備，受各種因素的影響，有故障傾向。操作員不恰當工作時，工件加工困難，處理環境惡劣，數控機牀就會產生各種故障。從目前的研究觀點來看，人工診斷法的效率低，精度低，不能及時準確地找到故障部位，因此逐漸被取代。智能診斷法因更有效的診斷速度和準確可靠的診斷效果而受到越來越多的企業的青睞。目前，智能診斷技術尚未成熟，但還有很多缺點，可以從以下幾方面進行改進：

（1）為了解決構建容錯樹的複雜和困難的問題，可以有機地集成模糊理論，專家系統和容錯樹。首先，使用減少現有知識基礎的規則數，提高知識基礎知識應用的靈活性和適應性的模糊推論法[9]。然後，建立容錯樹與專家系統知識基礎的關係，通過推論來確定系統的故障模式。

（2）為了解決單功能監視方式的傳感器容易受到環境的干擾，收集的信號不完整的問題，採用了通過多個傳感器收集機牀各部分操作信息的多傳感器融合技術。另外，通過合成多個信息源來改善故障判定的概率，建立信息處理的有效數學模型，提高信號處理的效率，提取正確的故障信號特徵。

（3）為了應用模式識別和訓練模型，解決找不到機牀故障部位的少數樣品的問題，可以使用多方法融合故障診斷，即機牀故障的多方法綜合診斷。首先，創建共享故障樣本數據庫，使用訓練模型來判斷機牀是否出現時間故障[10]。接着，使用功能監視法和fort樹法等對應的方法來確定機牀的故障部位。這樣，可以高效準確地診斷機牀的故障。

六、未來的發展趨勢

數控機牀今後的發展會更加蓬勃，而數控機牀的故障診斷技術在其中發揮着重要作用[11]。在人工智能的持續發展中，智能診斷技術會更加成熟，識別結果會更加準確。數控機牀的故障診斷技術今後的發展，可從以下幾個方面入手：

（1）建立故障診斷系統的知識結構和知識基礎。

（2）開發和研發綜合多源故障信息的高效信息處理技術，及時準確地提取機牀故障特性。

（3）全面多源故障信息高效信息處理技術的連續開發和研究工作機械故障特性的及時準確抽取，為模式辨識提供龐大的樣本庫。

（4）優化自我學習能力，如神經網絡模式識別軟件，優化使其可以提高在樣品不充分的情況下提高數控機牀故障診斷的效率。