面向数控机床故障诊断与故障预报的知识库构建方法

摘要

本发明涉及一种面向数控机床故障诊断与故障预报的知识库构建方法，其步骤如下：步骤一、通过远程监测设备对高档车削加工中心实时在线监测，获得代表不同故障类型的多组振动数据X_j(t)，j为采集到的振动数据组数，n为正整数；步骤二、对实时在线监测的多组振动数据X_j(t)依次进行时态粗糙小波包分析处理，得到能量特征向量T′作为条件属性，以故障类型为决策属性，构建故障知识原始决策表；步骤三、对故障知识原始决策表进行基于差别矩阵的故障特征属性约简，生成规则，构成知识库；步骤四、采用规则的可信度作为评价指标对最终规则进行度量和评价。本发明能为故障诊断和故障预报提供有效的保障，本发明可以广泛应用于高档车削加工中心。

主权项

1.一种面向数控机床故障诊断与故障预报的知识库构建方法，其步骤如下：步骤一、通过远程监测设备对高档车削加工中心实时在线监测，获得代表不同故障类型的多组振动数据X_j(t)，j=1，2，…，n，j为采集到的振动数据组数，n为正整数；步骤二、对实时在线监测的多组振动数据X_j(t)依次进行时态粗糙小波包分析处理，得到能量特征向量T′作为条件属性，以故障类型为决策属性，构建故障知识原始决策表；所述时态粗糙小波包分析方法如下：（1）选择正交小波包分解公式$\left\{\begin{array}{c}{\mu }_{2n}\left(x\right)=\underset{k}{\Sigma }{h}_{k-2x}{\mu }_n\left(k\right)\\ {\mu }_{2n+1}\left(x\right)=\underset{k}{\Sigma }{g}_{k-2x}{\mu }_n\left(k\right)\end{array}\right.,$将采集到的多组振动信号X_j(t)依次进行小波包分解，得到分解后的所有分解层的低频带系数u_2n(x)数和高频系数u_2n+1(x)；其中h_k、g_k是一对共轭正交实系数滤波器，且h_k＝(-1)^kg_k(1-k)；k为小波包分解层数，k=1,2，…；n=0、1、2…，其为小波包分解频率带序列号；（2）将小波包分解的最后一层利用粗糙集理论中的等价关系上、下近似的概念，划分成上、下两部分，分别表示粗糙集的上、下近似，此分解层的频率上边界为称为上边界时态粗糙小波包低频系数；下边界为u_2n+1(x)，称为下边界时态粗糙小波包高频系数；（3）对上边界时态粗糙小波包低频系数和下边界时态粗糙小波包高频系数u_2n+1(x)进行重构，则得到重构信号S_n为：（4）分别对各重构信号S_n求解相应的能量E_nj＝∫|S_nj(x)|²dx，得到能量向量T＝[E_n0,E_n1,E_n2,…,E_nj]，j为采集到的振动数据组数；（5）将能量向量T进行归一化处理，得到能量特征向量T′，以能量特征向量T′为条件属性，故障类型为决策属性，构建故障知识原始决策表；步骤三、对故障知识原始决策表进行基于差别矩阵的故障特征属性约简，生成规则，构成知识库；采用所述基于差别矩阵的方法进行决策表属性约简，包括如下步骤：（1）基于所构建的故障知识原始决策表DT＝(U,A＝T′∪D,V,f),采用动态层次聚类算法对故障知识原始决策表DT进行离散化处理，其中，U＝{1,2,…,n}是对象集合，即论域的非空有限集合；D是决策属性集合，T′＝[E'_n0,E'_n1,E'_n2,…]是条件属性集合，A为包括条件属性和决策属性的全集，V表示信息值域；f＝{f_α|f_α:U→V_α}表示决策表的信息函数，α＝E′_nj，f_α为属性α的信息函数，α为条件属性中的一个简单属性；（2）判断离散化后的原始决策表DT的相容性，删除不一致或者重复的数据信息；（3）构建原始决策表DT的差别矩阵：给定T′＝{E_n′|E_n′∈T′}称为条件属性，每个E′_nj∈T′称为T′的一个简单特征属性，差别矩阵为：式中E_ij＝{α|(α∈A)∧(f_α(x_i)≠f_α(x_j))}，差别矩阵的元素E_ij是区分对象E_i和E_j的所有简单属性组成的集合，当对象E_i=E_j时，（4）根据差别矩阵建立相应的析取范式：对P_∧(∨)进行布尔运算，得到一个合取范式：其中P_k＝α(x_i,x_j)；（5）输出属性约简即每个合取项P_k为原始决策表的一个属性约简RED(C)；（6）将得到的所有属性约简RED(C)进行属性值约简，删除属性约简中的冗余决策属性，即对每个合取项P_k中的α计算相对决策属性D的重要度sig(α,P_k,D)：$\mathrm{sig}(\alpha ,P_k,D)=\frac{\left|{\mathrm{pos}}_{P_k\cup \alpha }\left(D\right)\right|-\left|{\mathrm{pos}}_{P_k}\left(D\right)\right|}{\left|U\right|},$取sig(α,P_k,D)=1的所有属性α构成最终规则，生成故障诊断知识库；步骤四、采用规则的可信度α作为评价指标对最终规则进行度量和评价，并将可信度α≥80%的最终规则形成知识库，并传输至故障诊断与预报知识库内；样本规则库和故障案例库存储的历史数据也传输至故障诊断与预报知识库内；故障诊断与预报知识库将接收到的各个数据综合处理后，输出故障信息，实现为高档车削加工中心进行故障诊断及故障预测；同时将故障信息作为历史数据存储至样本规则库和故障案例库。