一种面向数控机床的故障预测方法

摘要

本发明涉及数控机床的故障诊断与预测领域，具体的说是一种面向数控机床的故障预测方法。包括以下步骤：采用递阶式层次结构模型划分数控机床为多个核心子系统并分析其典型渐变故障；约简传感器参数数据集，得到故障先兆参数数据集以及参数与故障的相对关联程度；以故障发生点为界限，按照时间序列划分各故障先兆参数历史数据集，并对应故障先兆状态序列；采用小波分析技术提炼不同时间间隔内数据的故障先兆特征向量，经反向传播神经网络训练，得到各参数的故障先兆判定模型；采用动态置信度匹配算法在线监测各故障先兆参数的累计置信度，融合各故障先兆参数的状态动态匹配结果，预测故障发生的概率及时间。本发明具有预测准确率高、预测时差小、虚警率低、鲁棒性强、应用前景广阔等特点。

主权项

一种面向数控机床的故障预测方法，其特征在于，包括以下步骤：采用递阶式层次结构模型划分数控机床为多个核心子系统，分析其典型渐变故障；在各核心子系统中安装温度、振动、噪声传感器，将采集到的机床运行状态数据样本发送到故障预测上位机中，得到各传感器参数数据集，使用邻域粗糙集方法约简传感器参数数据集，得到故障先兆参数数据集以及参数与故障的相对关联程度；以故障发生点为界限，根据故障演变速度选取各故障先兆参数历史数据集并按照时间序列进行划分，得到相应的故障先兆状态序列；采用小波分析技术提炼不同时间间隔内历史数据的故障先兆特征向量，采用反向传播神经网络离线训练故障先兆特征向量，得到各参数的故障先兆判定模型；根据各参数的故障先兆状态序列，初始化各状态置信度、累计置信度及其他临时变量，对各传感器实时采集的机床数据样本进行小波分析，采用反向传播神经网络对特征向量进行在线故障先兆模型识别，得到各参数实时数据样本的当前状态；判断当前状态与故障先兆状态序列的匹配情况，如果当前状态与故障先兆状态序列中的某一状态匹配，则比较当前状态匹配序号与前次状态匹配序号，如果前次状态匹配序号小于当前状态匹配序号，则判断降序计数是否大于0，如果等于0，则累计置信度快速上升，并进一步判断累计置信度是否达到参数报警阈值，如果大于0，则累计置信度平缓上升，并进一步判断累计置信度是否达到参数报警阈值；判断累计置信度是否达到参数报警阈值，如果达到，则该参数发出报警，获取此刻故障所有先兆表征参数的累计置信度，借助各参数的相对关联程度，计算故障的发生概率；判断该概率是否达到故障报警阈值，如果达到，则从可靠性和准确性的角度出发，选择在时序上距离故障发生最近的故障先兆参数的匹配状态，以及累计置信度与相对关联程度乘积最大的故障先兆参数的匹配状态，分别预测距离故障发生的时间，取两个时间的平均值即为最终故障的预测发生时间。