基于分級預(yù)警的數(shù)控機床故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于分級預(yù)警的數(shù)控機床故障診斷方法，更具體的說，尤其涉及 一種通過判斷組件的振動幅值、振動突變值和溫度是否超閾值進行故障診斷的基于分級預(yù) 警的數(shù)控機床故障診斷方法。
【背景技術(shù)】
[0002] 作為大中型企業(yè)生產(chǎn)中的關(guān)鍵設(shè)備，數(shù)控機床的任何部分出現(xiàn)故障，都可能導(dǎo)致 加工精度降低，甚至機床停機、生產(chǎn)停頓，尤其是處于生產(chǎn)線關(guān)鍵核心部位的高檔機床，將 會給整個生產(chǎn)線帶來重大的停機損失，不僅造成巨大的經(jīng)濟損失，嚴重時還會危及到人身 安全。由于數(shù)控機床的先進性、復(fù)雜性和智能化高等特點，若現(xiàn)場操作人員不具備豐富的 維修經(jīng)驗，對于此類故障的診斷無從下手，只能停機等待診斷專家進行專門的維修。因此， 為了及早預(yù)防并及時排除故障，提高診斷效率，保證加工質(zhì)量，對于數(shù)控機床的故障診斷與 智能維護技術(shù)的研究具有重要的現(xiàn)實意義。
[0003] 現(xiàn)代數(shù)控機床故障診斷不斷將自動控制以及人工智能相關(guān)領(lǐng)域的知識融合，實現(xiàn) 了故障診斷由簡單到復(fù)雜、低級到高級、單一到綜合智能化的過程。智能故障診斷技術(shù)的應(yīng) 用，較好的表達了故障征兆與故障原因之間的非線性關(guān)系，一定程度上解決了由于對故障 機理的認識不足和專家經(jīng)驗的不足所引起的知識缺少而帶來的故障誤診斷問題，提高了機 床故障診斷的準確性。但由于智能算法本身往往具有一些固有缺陷，例如訓(xùn)練樣本量大、運 算過程復(fù)雜、計算量大等，影響了對于實時性要求很高的機床類復(fù)雜系統(tǒng)的在線故障檢測， 目前還無法滿足機床故障的快速預(yù)報、診斷與實時控制的需求。
[0004] 針對以上問題，本發(fā)明提供了一種基于分級預(yù)警的數(shù)控機床故障診斷方法，對機 床故障的預(yù)警、定位進行分級處理，滿足了機床早期故障預(yù)警的快速性以及診斷的準確性 要求。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明為了克服上述技術(shù)問題的缺點，提供了一種基于分級預(yù)警的數(shù)控機床故障 診斷方法。
[0006] 本發(fā)明的基于分級預(yù)警的數(shù)控機床故障診斷方法，其特別之處在于，通過以下步 驟來實現(xiàn)：a).采集機床的信息，利用振動傳感器、溫度傳感器對待監(jiān)測機床進行實時監(jiān) 測，獲得機床的振動、溫度原始數(shù)據(jù)；b).數(shù)據(jù)處理和參數(shù)提取，對步驟a)中采集的原始數(shù) 據(jù)進行降噪、FFT變換處理，根據(jù)不同組件的故障與特征參數(shù)的對應(yīng)關(guān)系，分別提取組件的 包括振動幅值、振動突變值和溫度在內(nèi)的特征參數(shù)；c).判斷是否存在故障，根據(jù)步驟b)中 獲取的特征參數(shù)是否超越預(yù)設(shè)下限值判斷機床是否存在故障，把采集的當前組件的特征參 數(shù)與預(yù)設(shè)下限值比較，如果存在SpAt>SpA_、AAt>AA_或者TT_，則認為機床出 現(xiàn)故障，其中：SpAtSt時刻某組件的振動幅值，AA,為t時刻某組件的振動突變值，T,為t時刻某組件的溫度，SpA_、AA_、T_分別為相應(yīng)組件的振動幅值、振動突變值、溫度的預(yù) 設(shè)下限值；執(zhí)行步驟d) ;d).判斷預(yù)警等級，按照如下原則判斷機床的故障預(yù)警級別：
[0007]如果SpA_<SpAt<SpA或者TTt<T_，則屬于1級預(yù)警；
[0008] 如果SpA隨彡SpAt或者T咖彡Tt，則屬于2級預(yù)警；
[0009] 如果AA_<AAt<AA_，則屬于3級預(yù)警；
[0010] 如果AAt>AA_，則屬于4級預(yù)警；
[0011] 其中，SpA_、AA_、T_分別為相應(yīng)組件的振動幅值、振動突變值、溫度的預(yù)設(shè)上 限值；e).判斷是否停機，如果預(yù)警級別達到4級，則執(zhí)行機床停機命令，以避免造成嚴重的 故障或損失；如果預(yù)警級別為1~3級，則執(zhí)行步驟f) ;f).自動識別故障原因，采用智能的 故障診斷算法自動進行故障的定位，以便操作人員及時發(fā)現(xiàn)并排除故障。
[0012] 本發(fā)明的基于分級預(yù)警的數(shù)控機床故障診斷方法，步驟e)中所述的故障診斷算 法通過以下步驟來實現(xiàn)：
[0013]e_l).案例庫的建立，根據(jù)機床工作過程中實際出現(xiàn)的故障，建立故障征兆與故障 原因的案例庫，每個案例庫中記載著一個故障原因、該故障原因?qū)?yīng)的多個故障征兆以及 每個故障征兆的模糊數(shù)；
[0014]e_2).實時參數(shù)采集，根據(jù)實際加工中的故障信號提取故障征兆，形成故障征兆集 合Rs={rr2,. . .，rj，其相對重要程度分別用權(quán)重{ ? ?2,. . .，《J表示，《i為第i個 故障征兆A的權(quán)重；
[0015]e_3).檢索符合條件的案例庫，根據(jù)步驟e-2)中提取的故障征兆從案例庫中檢索 出符合條件的案例庫，設(shè)符合條件的案例庫共m個，記為C= {Cl，c2,. . .，cj，m個案例庫對 應(yīng)的故障原因集合為：Y= {y:，y2,. . .，ym};
[0016]e_4).找出符合條件故障征兆，如果案例庫Cl中的故障征兆與集合Rs中實際采集 的故障征兆一致，則認為案例庫Cl中的該故障征兆符合條件，1 <i<m;設(shè)案例庫ci中符 合條件的故障征兆所組成的集合為Rp=Irpl,rp2,. . .，rpf}，f< 1，集合Rp各故障征兆明顯 程度的模糊數(shù)組成的集合為Mp={mpl,mp2,. . .，mpf};執(zhí)行步驟e-5);
[0017]e-5).計算權(quán)重和并判斷，根據(jù)集合Rp中故障征兆在集合{? ?2, . . .，相應(yīng) 的比重，由公式（1)計算Rp中所有故障征兆的權(quán)重和《 D1:
[0018] 1=1
[0019] 如果《D1彡0. 5,則執(zhí)行步驟e-6);如果《 D1< 0. 5,則認為ci不是匹配案例庫， 按照同樣的方法對案例庫C中的每個案例均進行判斷，如果都不匹配，則執(zhí)行步驟e-11);
[0020] e-6).模糊數(shù)的拆分，從故障原因與故障征兆的模糊關(guān)系表中，取出集合Rp中故 障征兆rpi所對應(yīng)的故障原因的模糊數(shù)，記為：若某故障原因與故障征兆無 關(guān)，則其模糊數(shù)fpi= 〇, 1彡i彡f;
[0021]按照公式（2)計算出拆分系數(shù)
[0022]
[0023] 按照公式（3)將模糊數(shù)集合拆分成一個故障征兆rpi與對應(yīng)故障原 因的t吳糊關(guān)系：
[0024]
[0025] 其中，1彡i彡f;
[0026]e_7).獲取引入關(guān)系系數(shù)的模糊關(guān)系，根據(jù)案例Cl中的故障原因，獲取該故障原因 與故障征兆的關(guān)系系數(shù)，設(shè)關(guān)系系數(shù)所組成的集合為叫=|^，按照公式（4) 將關(guān)系系數(shù)與相應(yīng)的模糊相乘，獲取引入關(guān)系系數(shù)的模糊關(guān)系：
[0027]
[0028] 其中，1彡i彡f;
[0029]e-8).獲取案例的關(guān)系矩陣，按照e-6)至e-7)的步驟，分別獲取案例c#所有故 障征兆rpl、rp2、…、rpf的豐旲糊關(guān)系G/、G2'、…、Gf' ；將集合G/、G2'、…、Gf'中的 元素分別作為矩陣的第一行、第二行、…、第f?行，形成案例Cl的關(guān)系矩陣，記為Gbl，其通過 公式（5)進行求取：
[0030]
[0031]e_9).獲取關(guān)系向量GP1'，按照e-4)至e-8)的步驟，得到符合條件的m個案例 Ci、c2、. . .、cm的關(guān)系矩陣Gbl、Gb2、…、Gbm;從關(guān)系矩陣Gbl、Gb2、…、Gbm中查找出與故障征 兆rpi相關(guān)的行，設(shè)相關(guān)的行數(shù)為k，k個相關(guān)的行組成公式（6)中的向量關(guān)系表達式：
[0032]
[0033] 米用向量關(guān)系表達式中相應(yīng)兀素的和作為故障征兆:1^與故障原因的關(guān)系向量 Gp/，向量Gpi'如公式（7)所示：
[0034] Gpir = [g,/gl2' . . .gj] (7)
[0035] 其中，向量Gpi'中的元素gi/通過公式⑶進行求?。?br>[0036] /7=1
[0037]e-10).獲取故障原因組合，按照與步驟e_9)中相同的方法，分別得到故障征兆 rpi、rP2、…、rPf的關(guān)系向量Gpl'、Gp2'、…、Gp/ ;向量Gp/、G