本發(fā)明涉及數(shù)控機床故障診斷與預(yù)警技術(shù)領(lǐng)域，尤其涉及一種具有故障診斷與預(yù)警功能的數(shù)控機床。

背景技術(shù)：

智能化技術(shù)是先進數(shù)控裝備的關(guān)鍵，是世界發(fā)達國家高端制造領(lǐng)域競爭的戰(zhàn)略高地。近年來，國際上以美、德、日等國為代表的工業(yè)國家相繼推出了旨在促進其高端裝備制造業(yè)發(fā)展的科技計劃；中國中長期科技發(fā)展計劃對“數(shù)字化智能化制造技術(shù)”也提出了迫切要求，并于2015年發(fā)布了“中國制造2025”戰(zhàn)略。數(shù)控機床是制造業(yè)中最基礎(chǔ)的加工設(shè)備，是集機械、電子、液壓等技術(shù)于一體的復(fù)雜系統(tǒng)，在數(shù)控裝備使用中量大面廣。在使用過程中,任何一個部分出現(xiàn)故障,均會影響機床的正常運行，尤其機械出現(xiàn)故障時，輕則長時間的停機檢修、導(dǎo)致整個生產(chǎn)線停產(chǎn)，重則導(dǎo)致機床損毀，造成巨大的經(jīng)濟損失。因此，將故障診斷與預(yù)警技術(shù)應(yīng)用于提升數(shù)控機床的智能化品質(zhì)，不僅對提高我國裝備制造發(fā)展水準、實現(xiàn)由“制造大國”向“制造強國”的轉(zhuǎn)變具有重大意義，同時，也對推進制造業(yè)技術(shù)升級、提升企業(yè)競爭力具有重要的實用價值。

故障預(yù)測與預(yù)警是數(shù)控機床智能化的核心，主要包括三個關(guān)鍵技術(shù)：基于數(shù)理統(tǒng)計的故障預(yù)測技術(shù)、智能故障預(yù)測技術(shù)以及混合故障預(yù)測技術(shù)等。在國外，高端數(shù)控機床基本都配備有智能診斷功能，如德國西門子、日本發(fā)那科等主流高檔數(shù)控機床控制器；在國內(nèi)，沈陽機床新近推出的5i智能機床也初步具備了智能診斷功能。文獻資料調(diào)研表明，無論是國外高端數(shù)控機床、還是國內(nèi)智能機床，在系統(tǒng)故障診斷與預(yù)警方面的功能相對薄弱，數(shù)控機床故障診斷相關(guān)的研究也基本只面向一種機床類型或單一零件。現(xiàn)有的診斷系統(tǒng)還普遍存在漏報、誤報以及實時性較差的問題。實踐中，機床故障診斷通常依賴人工和經(jīng)驗，對機床整體狀態(tài)的智能故障診斷還處在嘗試階段。隨著新的理論與方法的不斷出現(xiàn)，急需建立更加有效的智能故障計算模型，從而提高機床故障診斷與預(yù)警的準確性。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于通過一種具有故障診斷與預(yù)警功能的數(shù)控機床，來解決以上背景技術(shù)部分提到的問題。

為達此目的，本發(fā)明采用以下技術(shù)方案：

一種具有故障診斷與預(yù)警功能的數(shù)控機床，其包括數(shù)控機床本體、多源感知模塊和工控機；所述數(shù)控機床本體包括床身、變速齒輪箱和數(shù)控控制器；所述多源感知模塊包括傳感器陣列、距離傳感器和影像傳感器，所述傳感器陣列安裝于床身和變速齒輪箱上；所述距離傳感器安裝于床身上，用于感知刀架和工件間的距離；所述影像傳感器用于測量刀具磨損量；所述工控機包括數(shù)據(jù)融合模塊、故障診斷模塊和故障預(yù)警模塊；所述數(shù)據(jù)融合模塊運行在工控機上，用于將多源感知模塊的感知參數(shù)進行信息融合，并將信息融合結(jié)果傳遞給故障診斷模塊和故障預(yù)警模塊；所述故障診斷模塊運行在工控機上，用于以所述數(shù)據(jù)融合模塊輸出的工況信息融合數(shù)據(jù)作為輸入，判斷數(shù)控機床是否出現(xiàn)故障；所述故障預(yù)警模塊運行在工控機上，用于以所述數(shù)據(jù)融合模塊輸出的工況信息融合數(shù)據(jù)作為輸入，輸出對可能故障的預(yù)測結(jié)果。

特別地，所述傳感器陣列用于對機床的切削力、主軸箱溫度、主軸振動、變形、加工噪聲、刀具磨損及輸入/輸出功率進行信號采集。

特別地，所述影像傳感器包括安裝于床身的用于監(jiān)控加工過程的視頻CCD攝像機、安裝于床身的用于測量刀具磨損量的影像CCD相機以及照明光源。

特別地，所述數(shù)據(jù)融合模塊包括隨機融合算法、智能融合算法以及數(shù)據(jù)融合策略，其中，所述隨機融合算法包括加權(quán)均勻法、卡爾瑪濾波法、多貝葉斯估計法、D-S證據(jù)推理法、產(chǎn)生式規(guī)則法、統(tǒng)計決策法；所述智能融合算法包括聚類分析法、遺傳算法、神經(jīng)網(wǎng)絡(luò)算法、模糊邏輯推理算法；所述數(shù)據(jù)融合策略是指按信息抽象的層次即數(shù)據(jù)層、特征層、決策層，對感知數(shù)據(jù)進行融合，并根據(jù)故障診斷模塊和故障預(yù)警模塊的算法需求而定義的用于融合數(shù)據(jù)篩選的規(guī)則。

特別地，所述故障診斷模塊具體用于采用支持向量回歸SVR模型，以所述數(shù)據(jù)融合模塊輸出的工況信息融合數(shù)據(jù)作為輸入，建立輸入數(shù)據(jù)SVR模型，通過將機床實際輸出的殘差平方和U與SVR計算模型輸出的殘差平方和閾值K對比來判定機床是否出現(xiàn)故障：若U小于K，則認為機床運行正常，反之，則認為出現(xiàn)故障。

特別地，所述故障預(yù)警模塊具體用于采用灰色預(yù)測模型，以所述數(shù)據(jù)融合模塊輸出的工況信息融合數(shù)據(jù)作為輸入，經(jīng)過特征提取、自適應(yīng)最優(yōu)估計融合，以及特征序列灰色生成、灰色故障預(yù)測模型訓(xùn)練、故障預(yù)測，建立灰色預(yù)測模型，并在模型精度符合要求時，輸出對可能故障的預(yù)測結(jié)果。

特別地，所述數(shù)據(jù)融合模塊通過多功能數(shù)據(jù)采集卡接收來自所述多源感知模塊的數(shù)據(jù)信息。

特別地，所述多源感知模塊、數(shù)據(jù)融合模塊、故障診斷模塊、故障預(yù)警模塊同時啟動運行。

本發(fā)明提出的具有故障診斷與預(yù)警功能的數(shù)控機床解決了現(xiàn)有技術(shù)無法對數(shù)控機床運行狀態(tài)進行在線對即時故障診斷的問題，同時，所述故障診斷模塊和故障預(yù)警模塊可以實現(xiàn)數(shù)控機床的運行狀態(tài)趨勢分析和對潛在的故障源進行故障預(yù)測和預(yù)警，降低數(shù)控機床故障率，提升了企業(yè)生產(chǎn)運營效率，減少由于數(shù)控機床發(fā)生故障所帶來的損失。

附圖說明

圖1為本發(fā)明實施例提供的具有故障診斷與預(yù)警功能的數(shù)控機床總體結(jié)構(gòu)示意圖；

圖2為本發(fā)明實施例提供的數(shù)據(jù)融合模塊工作流程示意圖；

圖3為本發(fā)明實施例提供的故障診斷模塊工作流程示意圖；

圖4為本發(fā)明實施例提供的故障預(yù)警模塊工作流程示意圖。

具體實施方式

為了便于理解本發(fā)明，下面將參照相關(guān)附圖對本發(fā)明進行更全面的描述。附圖中給出了本發(fā)明的較佳實施例。但是，本發(fā)明可以以許多不同的形式來實現(xiàn)，并不限于本文所描述的實施例。相反地，提供這些實施例的目的是使對本發(fā)明的公開內(nèi)容理解的更加透徹全面。除非另有定義，本文所使用的所有的技術(shù)和科學(xué)術(shù)語與屬于本發(fā)明的技術(shù)領(lǐng)域的技術(shù)人員通常理解的含義相同。本文中在本發(fā)明的說明書中所使用的術(shù)語只是為了描述具體的實施例的目的，不是旨在于限制本發(fā)明。本文所使用的術(shù)語“及/或”包括一個或多個相關(guān)的所列項目的任意的和所有的組合。

請參照圖1所示，圖1為本發(fā)明實施例提供的具有故障診斷與預(yù)警功能的數(shù)控機床總體結(jié)構(gòu)示意圖。

本實施例中具有故障診斷與預(yù)警功能的數(shù)控機床具體包括數(shù)控機床本體、多源感知模塊和工控機9；所述數(shù)控機床本體包括床身1、變速齒輪箱3和數(shù)控控制器10；所述多源感知模塊包括傳感器陣列2、距離傳感器4和影像傳感器5，所述傳感器陣列2安裝于床身1和變速齒輪箱3上；所述距離傳感器4安裝于床身1上，用于感知刀架和工件間的距離；所述影像傳感器5用于測量刀具磨損量；所述工控機9包括數(shù)據(jù)融合模塊6、故障診斷模塊7和故障預(yù)警模塊8；所述數(shù)據(jù)融合模塊6運行在工控機9上，用于將多源感知模塊的感知參數(shù)進行信息融合，并將信息融合結(jié)果傳遞給故障診斷模塊7和故障預(yù)警模塊8；所述故障診斷模塊7運行在工控機9上，用于以所述數(shù)據(jù)融合模塊6輸出的工況信息融合數(shù)據(jù)作為輸入，判斷數(shù)控機床是否出現(xiàn)故障；所述故障預(yù)警模塊8運行在工控機9上，用于以所述數(shù)據(jù)融合模塊6輸出的工況信息融合數(shù)據(jù)作為輸入，輸出對可能故障的預(yù)測結(jié)果。所述多源感知模塊、數(shù)據(jù)融合模塊6、故障診斷模塊7、故障預(yù)警模塊8同時啟動運行。

具體的，所述傳感器陣列2由安裝于床身1和變速齒輪箱3上的多種傳感器組成，包含振動、加速度、變形、切削力、噪聲、溫度等類型的傳感器，用于對機床的切削力、主軸箱溫度、主軸振動、變形、加工噪聲、刀具磨損及輸入/輸出功率等進行信號采集。所述影像傳感器5包括安裝于床身1的用于監(jiān)控加工過程的視頻CCD攝像機、安裝于床身1的用于測量刀具磨損量的影像CCD相機以及其對應(yīng)的照明光源。所述數(shù)據(jù)融合模塊6通過多功能數(shù)據(jù)采集卡接收來自所述多源感知模塊的數(shù)據(jù)信息，且具有多層次、多方法數(shù)據(jù)信息融合的能力。圖1中的視頻CCD即指所述視頻CCD攝像機，影像CCD即指所述影像CCD相機。

所述數(shù)據(jù)融合模塊6包括隨機融合算法、智能融合算法以及數(shù)據(jù)融合策略，其中，所述隨機融合算法包括加權(quán)均勻法、卡爾瑪濾波法、多貝葉斯估計法、D-S證據(jù)推理法、產(chǎn)生式規(guī)則法、統(tǒng)計決策法；所述智能融合算法包括聚類分析法、遺傳算法、神經(jīng)網(wǎng)絡(luò)算法、模糊邏輯推理算法；在實際運行時，根據(jù)具體的需求選用最合適的數(shù)據(jù)融合算法。所述數(shù)據(jù)融合策略是指按信息抽象的層次即數(shù)據(jù)層、特征層、決策層，對感知數(shù)據(jù)進行融合，并根據(jù)故障診斷模塊7和故障預(yù)警模塊8的算法需求而定義的用于融合數(shù)據(jù)篩選的規(guī)則。所述數(shù)據(jù)融合策略根據(jù)定義的融合數(shù)據(jù)篩選規(guī)則組織數(shù)據(jù)，并分別傳送給故障診斷模塊7和故障預(yù)警模塊8。

所述故障診斷模塊7具體用于采用支持向量回歸SVR模型，以所述數(shù)據(jù)融合模塊6輸出的工況信息融合數(shù)據(jù)作為輸入，建立輸入數(shù)據(jù)SVR模型，通過將機床實際輸出的殘差平方和U與SVR計算模型輸出的殘差平方和閾值K對比來判定機床是否出現(xiàn)故障：若U小于K，則認為機床運行正常，反之，則認為出現(xiàn)故障。通過將機床整體劃分成若干重要的子系統(tǒng)，應(yīng)用所述故障診斷模塊7分別對子系統(tǒng)計算Ui值，并比較其與對應(yīng)Ki的大小，對機床各子系統(tǒng)是否出現(xiàn)故障進行精確判定。

所述故障預(yù)警模塊8具體用于采用灰色預(yù)測模型，以所述數(shù)據(jù)融合模塊6輸出的工況信息融合數(shù)據(jù)作為輸入，經(jīng)過特征提取、自適應(yīng)最優(yōu)估計融合，以及特征序列灰色生成、灰色故障預(yù)測模型訓(xùn)練、故障預(yù)測，建立灰色預(yù)測模型，并在模型精度符合要求時，輸出對可能故障的預(yù)測結(jié)果。

工作時，由所述包含傳感器陣列2、距離傳感器4和影像傳感器5的多源感知模塊在線實時感知機床運行工況，并將感知信息傳遞給數(shù)據(jù)融合模塊6；所述數(shù)據(jù)融合模塊6根據(jù)感知信息特征自動選用恰當?shù)臄?shù)據(jù)融合算法進行數(shù)據(jù)融合，并由數(shù)據(jù)融合策略模塊按照規(guī)則對融合數(shù)據(jù)進行篩選后分別傳遞給故障診斷模塊7和故障預(yù)警模塊8；然后，由所述故障診斷模塊7和故障預(yù)警模塊8分別對機床當前運行狀態(tài)進行判定，并對故障出現(xiàn)的趨勢進行預(yù)測。當加工過程中故障出現(xiàn)時，本發(fā)明能向機床數(shù)控控制器10發(fā)出停機指令，并能迅速確定發(fā)生故障的子系統(tǒng)(部位)，便于及時準確地維修；同時，在機床加工運行過程中，本發(fā)明的故障預(yù)警模塊8能對未來可能出現(xiàn)的機床故障進行預(yù)測并預(yù)警，以便在方便時及時對機床進行保養(yǎng)，提高數(shù)控機床的利用率。

本發(fā)明的技術(shù)方案解決了現(xiàn)有技術(shù)無法對數(shù)控機床運行狀態(tài)進行在線對即時故障診斷的問題，同時，所述故障診斷模塊和故障預(yù)警模塊可以實現(xiàn)數(shù)控機床的運行狀態(tài)趨勢分析和對潛在的故障源進行故障預(yù)測和預(yù)警，降低數(shù)控機床故障率，提升了企業(yè)生產(chǎn)運營效率，減少由于數(shù)控機床發(fā)生故障所帶來的損失。本發(fā)明解決了現(xiàn)有技術(shù)無法對機床運行狀態(tài)進行實時故障診斷和預(yù)警的問題，對于減少機床故障、提升利用率有重要的意義和實用價值。本發(fā)明解決了現(xiàn)有故障定位不準、故障診斷依賴人工經(jīng)驗的局限，同時，本發(fā)明提供一種基于灰色理論的數(shù)控機床運行故障預(yù)警方法，實現(xiàn)機床運行故障的診斷與預(yù)警智能化。本發(fā)明從構(gòu)成智能機床技術(shù)核心的感知、信息物理融合技術(shù)入手，利用改進的支持向量回歸故障診斷算法進行機床故障的準確定位、利用優(yōu)化的灰度預(yù)測理論進行機床運行故障的預(yù)判，在技術(shù)方法突破和創(chuàng)新，形成具有故障診斷與預(yù)警功能的智能光控機床及系統(tǒng)，提高數(shù)控機床的運行壽命、降低運行故障率，提升數(shù)控機床的智能化品質(zhì)。

注意，上述僅為本發(fā)明的較佳實施例及所運用技術(shù)原理。本領(lǐng)域技術(shù)人員會理解，本發(fā)明不限于這里所述的特定實施例，對本領(lǐng)域技術(shù)人員來說能夠進行各種明顯的變化、重新調(diào)整和替代而不會脫離本發(fā)明的保護范圍。因此，雖然通過以上實施例對本發(fā)明進行了較為詳細的說明，但是本發(fā)明不僅僅限于以上實施例，在不脫離本發(fā)明構(gòu)思的情況下，還可以包括更多其他等效實施例，而本發(fā)明的范圍由所附的權(quán)利要求范圍決定。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關(guān)的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質(zhì)中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機存儲記憶體(Random Access Memory，RAM)等。