基于分级预警的数控机床故障诊断方法

摘要

本发明的基于分级预警的数控机床故障诊断方法，包括：a).采集机床的信息，获得机床的振动、温度原始数据；b).数据处理和参数提取，提取包括振动幅值、振动突变值和温度在内的特征参数；c).判断是否存在故障，根据步骤b)中获取的特征参数是否超越预设下限值判断机床是否存在故障；d).判断预警等级，如果预警级别达到4级，则执行机床停机命令；如果预警级别为1～3级，则执行步骤f)；f).自动识别故障原因。本发明的机床故障诊断方法，满足了机床早期故障预警的快速性以及诊断的准确性要求，提高了数控机床故障诊断的准确性和可靠性，减少了停机时间，有效降低了维护成本，提高了数控机床的生产效率。

主权项

一种基于分级预警的数控机床故障诊断方法，其特征在于，通过以下步骤来实现：a).采集机床的信息，利用振动传感器、温度传感器对待监测机床进行实时监测，获得机床的振动、温度原始数据；b).数据处理和参数提取，对步骤a)中采集的原始数据进行降噪、FFT变换处理，根据不同组件的故障与特征参数的对应关系，分别提取组件的包括振动幅值、振动突变值和温度在内的特征参数；c).判断是否存在故障，根据步骤b)中获取的特征参数是否超越预设下限值判断机床是否存在故障，把采集的当前组件的特征参数与预设下限值比较，如果存在SpA_t≥SpA_min、ΔA_t≥ΔA_min或者T_t≥T_min，则认为机床出现故障，其中：SpA_t为t时刻某组件的振动幅值，ΔA_t为t时刻某组件的振动突变值，T_t为t时刻某组件的温度，SpA_min、ΔA_min、T_min分别为相应组件的振动幅值、振动突变值、温度的预设下限值；执行步骤d)；d).判断预警等级，按照如下原则判断机床的故障预警级别：如果SpA_min≤SpA_t＜SpA_max或者T_min≤T_t＜T_max，则属于1级预警；如果SpA_max≤SpA_t或者T_max≤T_t，则属于2级预警；如果ΔA_min≤ΔA_t＜ΔA_max，则属于3级预警；如果ΔA_t≥ΔA_max，则属于4级预警；其中，SpA_max、ΔA_max、T_max分别为相应组件的振动幅值、振动突变值、温度的预设上限值；e).判断是否停机，如果预警级别达到4级，则执行机床停机命令，以避免造成严重的故障或损失；如果预警级别为1～3级，则执行步骤f)；f).自动识别故障原因，采用智能的故障诊断算法自动进行故障的定位，以便操作人员及时发现并排除故障；步骤f)中所述的故障诊断算法通过以下步骤来实现：f‑1).案例库的建立，根据机床工作过程中实际出现的故障，建立故障征兆与故障原因的案例库，每个案例库中记载着一个故障原因、该故障原因对应的多个故障征兆以及每个故障征兆的模糊数；f‑2).实时参数采集，根据实际加工中的故障信号提取故障征兆，形成故障征兆集合R_s＝{r₁,r₂,...,r_l}，其相对重要程度分别用权重{ω₁,ω₂,...,ω_l}表示，ω_i为第i个故障征兆r_i的权重；f‑3).检索符合条件的案例库，根据步骤f‑2)中提取的故障征兆从案例库中检索出符合条件的案例库，设符合条件的案例库共m个，记为C＝{c₁,c₂,...,c_m}，m个案例库对应的故障原因集合为：Y＝{y₁,y₂,...,y_m}；f‑4).找出符合条件故障征兆，如果案例库c_i中的故障征兆与集合R_s中实际采集的故障征兆一致，则认为案例库c_i中的该故障征兆符合条件，1≤i≤m；设案例库c_i中符合条件的故障征兆所组成的集合为R_p＝{r_p1,r_p2,...,r_pf}，f≤l，集合R_p各故障征兆明显程度的模糊数组成的集合为M_p＝{m_p1,m_p2,...,m_pf}；执行步骤f‑5)；f‑5).计算权重和并判断，根据集合R_p中故障征兆在集合{ω₁,ω₂,...,ω_l}相应的比重，由公式(1)计算R_p中所有故障征兆的权重和ω_D1：${\omega }_{D1}=\underset{i=1}{\overset{f}{\Sigma }}{\omega }_{pi}---\left(1\right)$如果ω_D1≥0.5，则执行步骤f‑6)；如果ω_D1＜0.5，则认为c_i不是匹配案例库，按照同样的方法对案例库C中的每个案例均进行判断，如果都不匹配，则执行步骤f‑11)；f‑6).模糊数的拆分，从故障原因与故障征兆的模糊关系表中，取出集合R_p中故障征兆r_pi所对应的故障原因的模糊数，记为：若某故障原因与故障征兆无关，则其模糊数f_pi＝0，1≤i≤f；按照公式(2)计算出拆分系数w₂：$w_2=\frac{m_{pi}}{\underset{j=1}{\overset{f}{\Sigma }}{m}_{pj}}---\left(2\right)$按照公式(3)将模糊数集合拆分成一个故障征兆r_pi与对应故障原因的模糊关系：$G_i=\{g_i^1,g_i^2,...,g_i^m\}=\{w_2\times f_{pi}^1,w_2\times f_{pi}^2,...,w_2\times f_{pi}^m\}---\left(3\right)$其中，1≤i≤f；f‑7).获取引入关系系数的模糊关系，根据案例c_i中的故障原因，获取该故障原因与故障征兆的关系系数，设关系系数所组成的集合为按照公式(4)将关系系数与相应的模糊相乘，获取引入关系系数的模糊关系：${G_i}^{\prime }=\{{g_i^1}^{\prime },{g_i^2}^{\prime },...,{g_i^m}^{\prime }\}=\{w_1^3\times g_i^1,w_2^3\times g_i^2,...,w_m^3\times g_i^m\}---\left(4\right)$其中，1≤i≤f；f‑8).获取案例的关系矩阵，按照f‑6)至f‑7)的步骤，分别获取案例c_i中所有故障征兆r_p1、r_p2、…、r_pf的模糊关系G₁′、G₂′、…、G_f′；将集合G₁′、G₂′、…、G_f′中的元素分别作为矩阵的第一行、第二行、…、第f行，形成案例c_i的关系矩阵，记为G_bi，其通过公式(5)进行求取：$G_{bi}=\left[\begin{array}{cccc}{g}_{11}& g_{12}& \mathrm{...}& g_{1m}\\ g_{21}& g_{22}& \mathrm{...}& g_{2m}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ g_{f1}& g_{f2}& \mathrm{...}& g_{fm}\end{array}\right]=\left[\begin{array}{cccc}{g_1^1}^{\prime }& {g_1^2}^{\prime }& \mathrm{...}& {g_1^m}^{\prime }\\ {g_2^1}^{\prime }& {g_2^2}^{\prime }& \mathrm{...}& {g_2^m}^{\prime }\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ {g_f^1}^{\prime }& {g_f^2}^{\prime }& \mathrm{...}& {g_f^m}^{\prime }\end{array}\right]---\left(5\right);$f‑9).获取关系向量G_pi′，按照f‑4)至f‑8)的步骤，得到符合条件的m个案例c₁、c₂、...、c_m的关系矩阵G_b1、G_b2、…、G_bm；从关系矩阵G_b1、G_b2、…、G_bm中查找出与故障征兆r_pi相关的行，设相关的行数为k，k个相关的行组成公式(6)中的向量关系表达式：$G_{pi}=\left[\begin{array}{cccc}{\Omega }_{11}& {\Omega }_{12}& \mathrm{...}& {\Omega }_{1m}\\ {\Omega }_{21}& {\Omega }_{22}& \mathrm{...}& {\Omega }_{2m}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ {\Omega }_{k1}& {\Omega }_{k2}& \mathrm{...}& {\Omega }_{km}\end{array}\right]---\left(6\right);$采用向量关系表达式中相应元素的和作为故障征兆r_pi与故障原因的关系向量G_pi′，向量G_pi′如公式(7)所示：G_pi′＝[g_i1′ g_i2′ ... g_im′]   (7)其中，向量G_pi′中的元素g_ij′通过公式(8)进行求取：${g_{ij}}^{\prime }=\underset{h=1}{\overset{k}{\Sigma }}{\Omega }_{hj}---\left(8\right);$f‑10).获取故障原因组合，按照与步骤f‑9)中相同的方法，分别得到故障征兆r_p1、r_p2、…、r_pf的关系向量G_p1′、G_p2′、…、G_pf′；向量G_p1′、G_p2′、…、G_pf′中的元素分别作为第一行、第二行、…、第f行，组成故障特征与故障原因的关系矩阵G_f，如公式(9)所示：$G_f=\left[\begin{array}{c}{G_{p1}}^{\prime }\\ {G_{p2}}^{\prime }\\ \mathrm{...}\\ {G_{pf}}^{\prime }\end{array}\right]=\left[\begin{array}{cccc}{g_{11}}^{\prime }& {g_{12}}^{\prime }& \mathrm{...}& {g_{1m}}^{\prime }\\ {g_{21}}^{\prime }& {g_{22}}^{\prime }& \mathrm{...}& {g_{2m}}^{\prime }\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ {g_{f1}}^{\prime }& {g_{f2}}^{\prime }& \mathrm{...}& {g_{fm}}^{\prime }\end{array}\right]---\left(9\right)$按照公式(10)对矩阵G_f中的每一列求和：${y_i}^{\prime }=\underset{j=1}{\overset{f}{\Sigma }}{g_{ji}}^{\prime }---\left(10\right)$按照公式(10)求取的y₁′、y₂′、…、y_m′组成集合：Y_find＝{y₁′,y₂′,...,y_m′}，集合Y_find中元素y_i′的数值越大，说明其是故障原因y_i的可能性越大；元素y_i′的数值越小，说明其是故障原因y_i的可能性越小；f‑11).视为新增故障，如案例库中没有匹配案例，采用新增故障诊断的方法进行诊断，得出故障原因。