数控机床故障诊断及维修的优化过程
1771560 傅致远 控制工程
数控机床是数字控制机床（Computer numerical control machine tools）的简称，是一种装有程序控制系统的自动化机床。该控制系统能够逻辑地处理具有控制编码或其他符号指令规定的程序，并将其译码，用代码化的数字表示，通过信息载体输入数控装置。经运算处理由数控装置发出各种控制信号，控制机床的动作，按图纸要求的形状和尺寸，自动地将零件加工出来。
数控机床较好地解决了复杂、精密、小批量、多品种的零件加工问题，是一种柔性的、高效能的自动化机床，代表了现代机床控制技术的发展方向，是一种典型的机电一体化产品。
在生产制造的复杂环境中，数控机床各个组件的性能会随着高强度的加工而退化，导致数控机床故障频繁发生，不仅增加企业的维修成本，而且严重影响企业的生产效率，造成巨大的经济损失，数控机床一旦发生故障，即使停工时间很短，但由于其昂贵的折旧费用，也会造成很大的损失。[1]数控机床是由主机、数控装置、驱动装置、辅助装置等多子系统组成的复杂系统，其故障可能属于数控系统故障、机械故障、电气故障、液压故障或者是多种故障的混合。[2]因此，数控机床的故障原因难以定位和确定。
在早期，数控机床故障维修的时间往往是在故障已经发生，造成停机之后才进行维修，对于故障原因的诊断主要由技术人员凭借经验并通过视觉、听觉、触觉等方式进行简易诊断，或者采用精密检测仪器进行诊断分析，进而确定CNC的故障的原因和部位。可见，该诊断方法比较依赖技术人员的经验，易受主观因素的影响，且诊断准确性不够理想，耗费
时间较多。据调查，我国现有企业在数控机床故障诊断中80%～90%时间花费在故障原因和部位诊断上面，往往仅有10%～20%时间用于数控机床故障排除和维修上面。[3]因此，在目前工业智能化的大背景下，对于数控机床智能化故障诊断及维修的技术研究往往从两方面入手：一方面，在故障发生后，使用智能化、信息化手段来对数控机床进行故障诊断，快速准确地确定故障发生的部位以及故障原因，缩短故障诊断的时间；另一方面，在故障发生前，使用智能化技术从机床生产数据中找出故障征兆，进行故障预测，提前消除故障隐患，从而减少机床停机时间。
目前，在数控机床故障诊断方面，国内已经有了大量的研究成果：杨曾芳等[2]为数控机床建立了故障树，并利用专家系统实现了自动进行的故障树分析，开发出了可实用的系统；谢汝兵[3]将神经网络技术和模糊逻辑理论结合起来设计了用于数控机床故障诊断的模糊神经网络模型。熊伟[4]利用Petri网实现故障诊断推理，并提出基于改进的PSO算法的神经网络来智能调整Petri网的参数，实现了能够实用的远程故障诊断系统。孙荣健等[5]针对数控机床振动信号的振动机理和振动特点，结合故障诊断技术和模态分析技术，开发了一套向导式振动故障诊断系统。
在数控机床预检预修方面，没有智能故障诊断技术之前，维修人员常常采取定期维修的方式，这种方式虽然避免了事后维修带来的长时间停机的风险，但是具有一定盲目性，仍然不够经济，因此目前的研究方向是数控机床的预防性维修的理论与方法，在机床显示出故障隐患时及时进行维修，这样避免了盲目的停机维修，又降低了机床因故障停机的风险。目前这方面国内的研究成果有：杨丽梅等[6]使用Morlet小波对数控机床主轴轴承振动信号进行信号滤波和信号增强处理，提取出轴承早期故障信号，根据其频率判断轴承是否故障。西南交通大学高宏力教授等[7]以丝杠副故障预测及寿命评估为研究对象，采用恒模算法的频域滤波器剔除干扰噪声，通过主成分分析方法优化提取的时频域特征，利用混合模型在线构建丝杠故障及寿命预测模型，能够较准确的预测丝杠寿命。聂鹏等[8]采集数
控机床刀具切削过程的声发射信号，进行小波包分解以提取特征值，建立了基于特征值的数控机床刀具磨损状态监测神经网络模型，并使用决策层信息融合手段提高了多通道神经网络的监测正确率。何邵灿等[9]使用经验模态分解从机床振动信号中提取特征值，输入机床滚珠丝杠多个阶段的特征值对隐马尔可夫故障预测模型进行训练，从而实现故障状态特征值的模式识别。
以上的研究成果多是通过时频域分析方法分析提取机床重要部件多个时刻（包括故障时刻）的物理信号特征，用这些信号作为人工神经网络、Petri网、模糊理论、隐马尔科夫模型等智能化算法的训练样本，建立模式识别的二端口网络，进行故障预警时，采集当前时刻机床重要部件发出的物理信号，处理后输入模式识别模型，由模式识别模型判断当前特征是否属于故障模式，从而确定当前设备是否接近故障。也就是说，他们所作的工作集中在故障征兆的模式识别上。这样做并没有充分挖掘故障征兆产生时间所具有的特点，需要测量当前时刻机床的物理信号，因此这种预测是短期的，需要安装额外的传感器和数据采集处理装置，偏重于机床某个重要零部件的寿命预测，在机床整体的故障预警方面还有继续优化的空间。
我们希望更进一步，能否从机床已有的多个时刻的生产数据的联系中分析出它们之间的相关性关系，借此在没有监测到当前机床的物理信号时就能够判断机床是否已经出现故障征兆呢？这方面的研究也已经有了一些成果，比如说：谢刚[1]采用时间序列模型对机床生产数据进行建模，使用相似性分析和聚类分析进行生产数据预测，并运用模糊Petri网推理出机床故障置信度，但是在算法复杂度、知识自学习方面还有优化的空间。
谢刚的工作是在没有当前时刻机床物理信号的情况下基于数据挖掘算法利用物理信号历史记录模拟出一个当前时刻的物理信号，将其作为模式识别二端口网络的输入，得到预测的结果。能否摆脱二端口网络的分析模式，运用统计分析的方式，根据机床的历史运行
数据，在不需要输入机床当前时刻运行信息的情况下预测机床发生故障的概率呢？徐文等[10]在传统灰色预测模型的基础上，采用粒子群优化算法进行每次新陈代谢的背景值优化，构造出改进灰色模型，并将其应用于数控机床的故障预测，已知系统过去若干次故障的发生时间，就可以对系统下一次何时发生故障进行预测。但是灰色模型能够利用的数据较少，当使用的故障历史数据增多时，反而会影响模型的预测精度。
综上所述，数控机床故障诊断与预测仍然存在巨大的继续优化的空间，在故障预测方面，下一步优化的方向是根据数控机床发生故障的历史，研究数控机床故障发生的时间是否具有一定的统计规律或周期性？如果有，是怎样的统计规律，能否利用它建立机床故障发生时间的长期预测模型？人类进行优化的脚步从来不会停止，前方仍然有广阔的未知等待着我们去探索。
参考文献
[1]谢刚.基于模糊推理的五轴数控机床故障预警系统研究[D].成都:电子科技大学,2015:1-2
[2]杨曾芳.基于故障树的数控机床故障诊断系统.[J].科技创新导报,2012,18:68-69
[3]谢汝兵.基于模糊神经网络的数控机床故障诊断的研究.[D].太原:太原科技大学,2013:1-2
[4]熊伟.基于Petri网的远程智能故障诊断方法研究.[D].保定:华北电力大学,2014:9-14
[5]孙荣健.数控机床振动故障诊断软件的开发.[J].机械设计与制造,2017,8:127-129
[6]杨丽梅.Morlet小波在数控机床预测中的应用研究[J].机械设计与制造,2017,8:133-135
[7]高宏力.数控机床故障预测与健康管理系统关键技术.[J].计算机集成制造系统,2010,16(10):2217-2226
[8]聂鹏.基于BP神经网络和D-S证据理论的刀具磨损监测方法[J].机床与液压,2016,44(9):173-177
[9]何邵灿.基于隐马尔科夫模型的机床部件故障预警技术[J].机械设计与制造,2012,8,:159-161
[10]徐文.基于粒子群优化改进灰色模型的数控机床故障预测[J].制造业自动化,2012,34(4):52-55
因篇幅问题不能全部显示，请点此查看更多更全内容