数控设备故障预测和健康管理的维修保障系统

本资料包含pdf文件1个，下载需要1积分

M aintenance Support System for Prognostics and Health Managementof Numerical Control EquipmentZHAO Zhong-min(Engineering Training Center，Huaihai Institute of Technology，Lianyungang Jiangsu 222005，China)Abstract：To improve the service life and efficiency of numerical control(NC)equipment，the latest foreign technology forequipment maintenance suppo-prognostics and health management is brought in to establish a NC equipment maintenancesuppo system based on PHM.This system cal considerably improve the fault diagnosis ability of NC equipment andefectively forecast the future use and remaining life span of equipment.Through the study an d design of the inteligent NCequipment suppofl system，the key technologies and methods for its implementation are introduced.As for the keytechnologies requiring solutions in the application of PHM system，focus is placed on the discussion about failure prognosticstechnologies.prognostic dimcuhies and methods。

Key words：failure prognostics；health management；system design；operation information；numerical control lathe大型数控设备是-种庞大而复杂的特殊产品，与-般的产品不同，它具有大型、精密、昂贵等特点。因此，经济、有效地维修这些大型设备，对减少设备停机时间、提高运行可靠性、保障企业的正常生产等都具有重要的作用。通过设备运行状态监测来判断设备维修需求的视情维修(condition-based maintenance，cBM)能更有效地对设备进行维修管理，在制定维修策略时应考虑系统运行的状态及设备间由于制造过程、使用保障过程等原因造成的差异，旧能在其发生故障前进行维修。视情维修包括数据采集、数据处理和维修决策三个关键步骤，为了对这三个步骤进行管理，实现对设备的视情维修，离收稿日期 ：2012-12-19不开维修管理系统(maintenance systems，MS)。

数控设备的运行状态信息是伴随设备在加工过程中的运行而产生的，这些信息来源于设备运行过程中的多个信息源，如机床、刀具、工件、切屑和冷却润滑液等，而同-信息源也将产生不同种类的信息，如声、光、电、振动、温度、功率等。因此，大型数控设备的运行状态信息是非常复杂的。同时，因为这些信息具有时间不同步、数据不-致及测量维数不匹配等特点，所以具有很大的不确定性，属于多源异构信息，如果不对这些信息进行处理，不仅会造成系统数据的海量堆积，还有可能失去实用价值。本文采用数据融合方法对设备加工运行状态信息进行处理，设计并开发了-种基于运行第4期 赵中敏：数控设备故障预测和降管理的维修保障系统 47状态信息融合的大型数控设备故障预i贝0与降管理(prognostic and health management，PHM)系统。该系统可对处于正常运行阶段的设备因加工过程操作不当所引起的运行故障进行视情维修。

1 故障预测与降管理技术PHM是美国军方基于视情维修提出的，其具有设备故障预测和降管理能力。预测是指预计性诊断部件或系统完成其功能的状态，包括确定部件的残余寿命或正常工作的时间长度；降管理是根据诊断/预测信息、可用资源和使用需求，对维修活动做出适当决策的能力。PHM系统利用旧能少的传感器采集系统的各种数据信息，借助各种智能推理算法(如物理模型、神经网络、数据融合、模糊逻辑、专家系统等)来预测、监控、评估及管理系统自身的降状态以实现系统的视情维修 。

目前在国外尤其是美国，各种PHM系统已经逐步得到应用。在早期，PHM技术首先在陆军装备的直升机上得到应用，形成了降与使用监测系统 (health andusage monitoring system，HUMS) ]。在我国，北京航空航天大学可靠性工程研究所对 PHM系统方法和技术应用方面的相关研究 起步较早，但对大型数控设备故障预测与降管理技术方面的研究较少，还不能满足生产企业的巨大需求。本文在分析PHM系统体系结构特点的基础上，以大型数控设备为对象，构建了PHM系统的具体实现，设备运行状态信息融合技术直接支持 PHM系统的管理能力，状态监测、降评估和故障预测为PHM系统的核 部分，采用基于人工智(artifcialinteligence，AI)的方法进行故障诊断/预测 ，提出了PHM关键技术的具体实施方案，该方案能够实现大型数控设备故障的提前预测和剩余寿命计算，具有重要的工业推广价值。

2 PHM系统体系结构PHM系统是通过监测设备运行过程中的各种状态，对设备关键部件进行受力分析、判断其性能退化状态、评估机床的加工性能及寿命，从而为企业的生产调度部门、设备保障部门及工艺部门提供正确的决策依据。为此，需对机床关键部件的振动及温度等信息进行采集、处理、分析，同时综合切削力模型、性能退化模型、精度模型、可靠性模型、寿命评估模型和动态性能评估模型，采用人工智能技术，实现对设备的智能保障。目前，该体系结构已在美国的海军舰船系统、飞机、民用车辆以及其他工业领域的诸多系统中得到初步应用验证 ]，可用于指导数控设备的视情维修。数控设备PHM系统结构如图 1所示。

(1)数据采集和传输：利用各种传感器采集系统的相关参数信息，提供 PHM系统的基础数据，并且具有数据转换及数据传输等功能。

(2)数据处理：接受来自传感器以及其他数据处理拈的信号和数据，并将数据处理成后继的状态监测、降评估和故障预测等部分处理要求的格式。该部分的输出结果包括经滤、压缩简化后的传感器数据，频谱数据以及其他特征数据等。

(3)状态监测：接受来 自传感器、数据处理以及其他状态监测拈的数据。其功能主要是将这些数据同预定的失效判据等进行比较来监测系统当前的状态，并可根据预定的各种参数指标极限值/阈值来提供故障报警能力。

(4)降评估：接受来自不同状态监测拈以及其他降评估拈的数据。主要评估被监测系统(也可以图 1 数控设备PHM 系统结构48 林 业 机 械 与 木 工 设 备 第41卷是分系统、部件等)的降状态(如是否有参数退化现象等)，可以产生故障诊断记录并确定故障发生的可能性。故障诊断是基于各种降状态历史数据、工作状态以及维修历史数据等。

(5)故障预测：可综合利用前述各部分的数据信息，可评估和预测被监测系统未来的降状态，包括剩余寿命等。故障预测能力是PHM系统的显著特征之-。

(6)自动推理决策：接受来自状态监测、降评估和故障预测部分的数据。其功能主要是产生更换、维修活动等建议措施∩在被监测系统发生故障之前的适宜时机采取维修措施。该部分可实现PHM系统管理的能力，是其另-显著特征之-。

(7)接口：主要包括人-机接口和机-机接口。人-机接口包括状态监测拈的警告信息显示以及降评估、预测和决策支持拈的数据信息表示等；机-机接口可使上述各拈之间以及 PHM系统同其他系统之间的数据信息进行传递。

3 数控设备 PHM系统的组成及功能以数控设备为监测对象构建 PHM系统，以实现设备各子系统的状态评估、寿命预测、故障预警和故障诊断，如图2所示。

主轴 导轨 丝杠 润滑 数控 伺服 电气控系统 副状 副状 系统 系统 系统 制系统 监控对象状态 态监 态监 状态 状态 状态 状态监监测 测 测 监测 监测 监测 测I 信号采信系统(信号分析与特征选择)l 性能退化模型.， ， - -。

I 寿命预测模型 I 故障预报系统、数控设备系统各个部件及整机性能评估及寿命预测善l 维修专家数据库 I 数据服务器I 管理服务器上管理用户层图 2 数控设备 PI-IM 系统功能框图(1)监测对象：PHM系统监测对象包括数控设备的主轴系统、导轨副、丝杠副、润滑系统、数控系统、伺服系统、电气控制系统等各子系统。

(2)信号采集系统：设备各子系统的状态变化及故障信息由振动传感器、电流传感器、压力传感器、流量传感器和温度传感器获取，各传感器信号经采集系统输入工控机进行信号分析、特征提劝优化选择。

(3)性能退化模型：多个性能退化模型建立不同部件性能状态与敏感特征的非线性映射关系，可实现部件性能退化趋势预测。

(4)寿命预测模型：寿命预测模型综合考虑时间及加工参数等因素，并协同性能退化模型对部件当前条件下的剩余寿命进行预测。

(5)故障预报系统：故障预报系统根据设定的非线性阈值及部件陛能退化状态可提前判定故障发生的概率。

(6)各子系统及整机性能评估与寿命预测：各子系统的状态评估、故障预警与诊断、寿命预测，通过寿命预测模型、故障预警模型和维修专家数据库协同作用完成，最终实现数控设备的整机状态评估与智能诊断。

(7)维修专家数据库：预测及诊断结果同时送入维修专家数据库进行知识更新、规则补充和解决方案添加。

(8)数据服务器：各个部件的海量信息存储在数据服务器上，以确保数据的安全性。

(9)管理服务器：通过管理软件调用数据服务器上的数据，可对数控设备各个子系统的运动状态、性能参数进行全面监控。

(10)管理用户层：车间的设备管理及工艺人员作为网络的节点，可以远程获取数控设备的各种加工信息和状态信息，从而对设备进行准确合理的调度及维护。

为提高数控设备的使用效率，及时解决设备在生产中出现的各种问题，采用基于工业以太网的三级管理体系，包括工控机(底层)、数据服务器、管理服务器及用户。

4 数控设备 PHM系统工作流程该系统包括两种工作流程：①设备运行状态信息采集和故障诊断、预测流程；②设备维修管理流程，如图 3所示。具体操作过程可划分为以下四个阶段。

(1)设备运行状态实时采集与监控：①通过对设备可监测的运行状态信息进行分析，选择最佳的状态监测方法，确定所需的仪器和设备，进行设备运行状态数据的采集。②由于设备运行状态的输出大都为非线性，同时受温度、电源波动、噪声和振动等因素的影响，使得所采集的数据不能准确地反映测量值，容易出现测量准确度不高、稳定性差等问题。因此，需要对采集到的数据进行处理，剔除错误数据或偏差数据。③对多源同类传感器进行-次数据融合，然后对异类传感器进行二次数据融合，以提高获取状态信息的准确性。同时，根据融合后的数据输出设备的运行状态信息。

(2)基于融合后的设备运行状态信息进行故障诊断：第4期 赵中敏：数控设备故障预测和降管理的维修保障系统 49在线监控 故障诊断 故障预测状态参考值、允许值和故障阈值等 ，状态输出 基于模型的方法工 决 l-。/有 (数学模型、物理模型) 数 数 数 特 特 策 故 N 船数据驱动的方法 障 / (模糊逻辑、神经网络) 据 据 据 征 征 层 4P 融 诊采 处 融 提 融 断 、， 基于统计的方法集 理 合 取 厶 合 ly (寿命分布)故障预测模型和预测算法特 特征 征融 融合 AL维修管理 I 制定维修计划 l1 r 费用分析 Im T lI 。J。刀 、 J rI 维修控制 I维修薮据库 J图 3 数控设备PI-IM 系统工作流程①由于实时采集的设备运行状态信息数据量相当大，为了对设备运行状态进行分析和诊断，需要根据融合后的运行状态数据提取设备运行的关键特征，构建设备运行状态的特征向量。②根据信息融合理论进行设备运行状态的特征融合。③构造特征分类器，进行决策层融合。同时，根据设备运行状态参考值、允许值和故障阈值进行故障诊断，并输出诊断结果。如果诊断结果是有故障，则进行故障报警，并输出故障信息，同时进入(4)，即维修管理；如果诊断结果是无故障，则进入(3)，即故障预测阶段。

(3)故障预测 ：虽然故障诊断的结果是未发生故障，但设备存在发生故障的可能性。故障预测的目的就是分析这种可能性的大小，并做出是否需要进行维修的判断。预测的方法有基于模型法、数据驱动法和统计法三种。经过预测后，如果判定为不必进行维修，则返回(1)；如果判定为需要进行维修，则进入(4)。

(4)维修管理：①如果设备需要进行维修，则查询相关维修数据库，制定维修计划。②对维修计划进行费用分析，并生成维修任务。该步骤由相关人员组织实施。③对维修任务进行控制，维修任务完成后，把相关维修信息输入维修数据库。

5 大型数控设备 PHM系统的实现针对监测对象的特点，选择不同的传感器对各个部件的运行状态进行监测，具体结构如图4所示 。

(1)数控系统：运行参数通过软件直接读取，系统故障代码显示各种报警信息。

(2)电气控制系统：采用 PLC直读技术获取PLC点位信息，构成状态矩阵，并采用图形化方式将电气原理图进行对照输出，以便快速诊断和维修故障。

(3)导轨副：x向、Y向和z向导轨采用滑动导轨，在滑动体上安装三向振动传感器监测导轨的变形及磨损。

(4)丝杠副：在x向、Y向和 z向滚珠丝杠副的丝母座上分别安装 1个三向振动传感器，监测丝杠由于磨损、偏心、丝杠滚道表面缺陷、滚珠缺陷等导致的振动及冲击脉冲。丝杠两侧的支撑端分别安装 1个单向振动传感器，监测由于丝杠弯曲、前后支架不同心、轴承故障等导致的振动形态变化。在丝母座及两个轴承林 业 机 械 与 木 工 设 备 第4l卷图 4 基于 PHM 的大型数控设备系统设计座上分别安装 1个贴片式温度传感器，监测由于其性能变化导致的温度增加。

(5)主轴系统：在主轴前端安装声发射传感器和振动传感器，在齿轮箱上安装振动传感器，监测主轴的运动精度、轴承状态及齿轮啮合状态。

(6)伺服系统：采用3个电流传感器分别监测主轴电机和两个进给电机的实际负载状况及功率变化。

(7)润滑系统：分别采用压力传感器和流量传感器实时监测压力及流量，油箱机油温度和液位高度采用温度传感器和液位传感器获取，以防止异常状况和漏油的发生。

上述传感器信号通过模傲 (analogue/digital，A/D)采集卡转换后输人工控机进行分析和计算，分析获得的设备状态监测数据送入数据服务器存储，并同时在设备的人机界面HMI上实时滚动显示，以便于操作人员掌握设备各个部件的运行及状态信息。

6 大型数控设备 PHM维修保障系统关键技术6.1 信号分析及特征选择在实际加工过程中，数控机床故障的产生机理及演变规律随机床结构及运动形式的变化而不同。因此，根据信号的变化特点，采用正确的信号处理方法提取故障特征，是实现故障预测和性能评估的重要前提。

工业现绸得的各种信号包含大量噪声，部件的性能退化及故障导致的信号变化往往淹没在噪声中难以识别。为提高故障预警及性能评价的准确性，必须深人研究信号成分产生的内在机理及时频域分布特点，最大限度地消除噪声的影响。目前，对采集的信号首先采取信号滤波技术剔除噪声或减弱噪声，目的是增强信号的信噪比，如相关滤波、阈值滤波、自适应滤波、小波相关滤波等方法。然而，由于缺乏对故障机理及信号噪声产生机理的深入研究，剔除噪声的同时有用的信息也可能被消除，所以将噪声与部件的运动机理相结合进行深入研究至关重要。

特征提取是状态识别及寿命预测中最重要的步骤，准确选择反映部件性能退化或故障发生的敏感特征，是提高模式识别准确率的关键要素。特征提取的方法是在时域、频域和时频域对预处理后的信号进行处理，分析故障或性能变化趋势与特征之间的映射关系，寻找与故障或性能变化趋势-致的单调线性特征。时域特征包括均值、方差、均方根、脉冲因子、峭度因子等指标；频域采用幅值谱、功率谱和特定的故障特征频率；时频域采用小波分析、小波包分析和二代小波分析技术，根据时间对应的频率分布特点，计算不同频段的功率谱以及波熵和小波系数的均值、均方根、模极大值等特征。

第4期 赵中敏：数控设备故障预测和降管理的维修保障系统 5 1特征的优化选择-直是国内外研究的重点和难点，其目标是降低提取的特征维数，减少运算量，提高故障诊断及预测的准确率。常用的优化方法包括神经网络、模糊聚类、主向量分析、遗传算法、综合相关系数、灰色关联度、支持向量机等。

6.2 基于模糊推理的神经网络专家故障诊断和预测故障预测及剩余寿命估计是基于 PHM维修保障系统最显著的特点。当前，故障预测的方法主要有 3类Il1]：①基于物理模型的预测；②基于规则的预测；③基于统计模型的预测。系统的故障诊断、预测采用综合应用这3类预测方法，并结合专家系统、神经网络、模糊推理等智能诊断技术 ，构建-种基于模糊推理的神经网络专家故障诊断预测系统，其结构如图5所示。

图5 基于模糊推理的神经网络专家系统框图诊断和预测系统由诊断和预测拈、动态数据存储拈组成，其中知识库的建立和模糊推理机的设置是系统实现的重点内容。

6.2.1 知识库建立知识库的建立是实现故障诊断、预测的基础，系统知识库建立分为模糊专家系统知识库的建立和模糊神经网络知识库的建立两种。前者是将数控设备专业领域中的大量事实、结构和专家处理实际问题的各种启发性知识经过分析整理，采用产生式规则的知识表示法存储在知识库中；后者的表示是隐式的，在系统中模糊神经网络知识的建立，采用经典的BP神经网络结构，将模糊专家系统知识库中的故障征兆表及规则作为样本和测试集，针对各种故障形式，选择-些经典的故障案例来训练和测试网络，得到最终正确率较高的权值和阈值集合作为神经网络的知识库。

6.2.2 模糊推 理机 设置各分系统推理机由诊断推理机、预测推理机和异常推理机3种分离推理机构成，其结构如图6所示。

主轴分系统分 l诊断推理机l系 导轨副分系统 l预测推理机I 析l异常推理机I - 统 l诊断推理机I -1/ 决推 丝杠副分系统 I预测推理机l 策l异常推理机 l 理 模 l诊断推理机l 机l预测推理机 块l异常推理机 l图6 模糊推理机结构框图诊断推理机根据来 自分系统的不同故障征兆数据，调用各类诊断推理方式，确定引发故障征兆的原因和部位；预测推理机是依靠来自该分系统的所有预测输入，根据知识库中存储的各类推理模型，各分系统的故障模式和影响分析及相关部件的详细资料来预测故障发展趋势和影响，并估计分系统组成部件的剩余寿命；异常推理机用于对非额定行为进行推理，以便对预测或诊断推理机进行更新，实现系统的自学习功能；系统推理机是各分系统推理机的综合器，可综合分析各分系统推理机的结果，形成最终的故障诊断、预测结果及故障发展趋势、影响并进行部件的剩余寿命估计，为后级的分析决策拈提供保障决策依据。

故障诊断采用基于知识的模糊专家系统推理与基于数值计算的模糊神经网络推理相结合的方式 ，故障预测以基于神经网络的统计模型预测为基准，采用经验模型和专家系统进行校验。整个诊断、预测的流程如 下：①对异常的特征信号进行模糊化处理，再搜索模糊知识库中预先存储好的故障征兆表，确定故障征兆，根据模糊专家知识库中的规则表搜索出所有可能的故障原因，并通过多个故障征兆的比对，得到最终诊断结果；②如果模糊专家知识库中搜索不到匹配的故障，则调用模糊神经网络知识库进行推理，通过数值计算，依靠隶属度的判别得到诊断结果；③预测拈根据诊断结果，结合知识库中存储的相关分系统的故障模式和影响分析各部件的详细资料，依据神经网络预测模型，经过经验模型、专家知识校验，对故障的发展趋势和影响进行分析，并判明部件在寿命曲线上所处的位置，从而确定该部件继续执行功能的时间长度，即剩余寿命。

模糊推理机是实现故障诊断预测的最重要组成部 7 结束语分♂合 PHM需求和数控设备结构及其实现，采用各 数控设备故障排除及对系统进行维护已成为企业分系统推理机和系统推理机相结合的层次推理模型， (下转第54页)54 林 业 机 械 与 木 工 设 备 第41卷]图3 宽刀车削油缸内孔1.加长刀杆；2.刀夹；3.宽刀；4.紧定螺钉 ；5.油缸(上接第51页)发展的当务之急，PHM系统在线构建了故障与特征的复杂映射关系，因此PHM技术能够成为国内外实现数控设备主动维护的核心技术，并被广泛应用于工业现常PHM技术在应用过程中应注重以下几方面问题：①信号分析应建立在对数控设备各部件故障机理的深人分析基础之上，为了能够有效消除频域混叠干扰信号，提高对故障特征的敏感性，可采取自适应算法的频域滤波器；②在降低特征维数的情况下，应测算精度及运算速度，实现特征的优化选择；③寿命预测模型应充分考虑加工条件和负载力对寿命和加工精度的影响；④神经网络具有透明性和局部记忆特性，适合数控设备机械部件(丝杠、导轨等)的性能退化数据拟合，瞬态学习算法能够满足寿命预测模型的在线构建与自动更新。

实践表明，深人分析数控设备故障产生机理，通过系统分析动力学及物理建囊示故障信号的变化规律，并采用信号的自适应滤波技术、特征优化方法及在线快速建模等-系列的重大突破技术，对数控设备故障预测与降管理具有重大意义，而且具有工业推广价值。