数控机床故障预测研究

known 发布于 2025-07-10 阅读(477)

李 晟, 邓 玲

(新余学院工程训练中心, 江西 新余 338000)

1 研究现状

从20 世纪70 年代开始,智能检测、故障诊断、故障预测以及健康管理等技术开始在工程领域广泛应用。最初,故障诊断与健康管理技术是由美国军方提出的,主要用于航空、航天、装备制造和军事等领域,以确保复杂系统的安全性和可靠性。随着电子和机械行业的迅猛发展,这些技术逐渐扩展到各个工程领域,推动了工业生产和经济效益的提高。国内外数控机床领域的专家学者借鉴该技术的思想原理和操作方法,应用神经网络、智能优化算法等技术监控数控机床生产,从而可以在数控机床发生故障之前采取预防措施,避免故障对生产效率和经济利益的影响,当前国内外研究的主要焦点集中在机床结构、刀具技术以及加工过程三个方面。本文主要对数控机床本体故障预测进行研究,在这方面,Zuo Y 等研究团队提出了数控机床远程状态监测和故障知识库系统,以增强数控机床的智能维护水平和提高使用效率[1]。邴智刚及其研究团队运用模糊C 均值聚类算法,成功创建了用于机床加工过程中主轴故障识别的模型,通过对机床主轴振动、转速、温度等数据信号进行分析和预测,并利用提取的特征参数作为输入信号,成功实现了在线故障预测,达到了高达99%的准确率[2]。Jing L 等研究者提出了一种融合卷积神经网络的方法,可直接从机床振动信号的频率数据中提取故障特征信号,这一创新使得能够高精度地预测机床故障时的振动信号[3]。林伟强通过利用数控机床内部传感器实时采集设备状态数据,并运用循环神经网络对机床故障特征空间进行分类和预测,成功实现了出色的故障预测成果[4]。

传统数控机床的故障预测算法通常具有慢的收敛速度和低的预测准确度,导致故障预测结果的不精确性。尽管国内在数控机床故障预测技术方面相对较晚起步,但目前仍有大量相关研究正在积极进行。这些研究运用多种先进技术手段,包括机器学习、神经网络、深度学习、智能优化算法等,以对数控机床运行状态数据进行分析和预测,从而成功实现机床设备故障的预测。故障预测技术未来有广阔的发展前景。国内在故障预测技术方面的研究需要更多地在敏捷、网络、智能化和精准化等方面加强。因此,本文以实际工业生产为焦点,以数控机床主轴作为研究对象,坚持低成本和易操作的原则,旨在研究并开发基于无线传感器网络的数控机床故障预测系统。

2 问题分析

当轴承的潜在故障没有被及时发现,随着运行时间的增加,故障程度将逐渐加剧,导致轴承温度特性曲线偏离正常工作范围。因此,通过对数控机床主轴轴承温度进行预测,可以实现对主轴轴承故障的预测。

基于BP 神经网络和基于DSSA 算法的模型均能够高效地实现数控机床主轴轴承的温度预测。BP 神经网络是一种按误差逆传播算法训练的多层前馈网络, 能学习和存贮大量的输入- 输出模式映射关系,通过不断调整网络中的权重和偏置来减小模型预测值与实际值之间的误差,以提高模型的性能。

x1,x2,…,xn为输入量,y1,y2,…,ym为输出量,ωih为输出层至隐含层的权值,ωhj为隐含层至输出层的权值。

隐含层中隐节点输出模型为:

输出层中输出节点的输出模型为:

式中:f为非线形作用函数;q为神经单元阈值。

神经网络的基函数是指用于反映下层输入对上层节点激活强度的函数,在BP 神经网络中,常用的基函数是Sigmoid 函数,其输出取值范围在(0,1)区间内。

Sigmoid 函数的函数形式为:

DSSA 算法是一种新型的群体智能算法,其收敛速度快,最优解的精度高。由于网络结构的初始值随机化选择,BP 神经网络通常容易陷入局部最优解,导致数控机床故障预测模型的结果精度较低。为了解决BP 神经网络内在问题,采用了DSSA 算法对网络的权值和阈值进行迭代优化。同时,从大量的训练数据中筛选出代表性的样本,并通过全面的算法流程和实验不断调整,以获取最佳的BP 网络结构,从而实现构建高效的数控机床故障预测模型的目标。

3 故障预测模型算法优化

本研究的目标是开发一个高效的数控机床故障预测模型,以提升机床设备的安全性和稳定性。为解决BP 神经网络内在问题,采用了DSSA 算法,通过迭代优化神经网络的权值和阈值。此外,还借助大量的训练数据对模型进行训练和验证,以确保其准确性和可靠性。通过网络结构和参数的精心优化,成功构建了一个最优的BP 神经网络模型。经过多轮实验和参数优化,DSSA 算法在BP 神经网络优化方面表现出色,有效提升了模型预测的准确性和稳定性。这使得能够更好地进行数控机床故障预测,并实现了可靠的故障报警功能。

该算法首先使用DSSA 算法找到一个初始最优解,将其用作BP 神经网络结构的初始权重和阈值。然后,对BP 神经网络进行迭代优化,包括优化与三层神经元结构相关联的连接权重和阈值,最终获得了一个最优的BP 网络结构。随后,将准备好的训练样本输入到BP 神经网络中。通过多轮的迭代学习,确保网络的输出结果与真实结果的误差小于预定的精度要求,从而满足了问题解决的要求。在这一过程中,DSSA 算法不断地优化BP 神经网络的结构,直到达到预设的结束条件,然后才会停止循环迭代。

为了优化预测模型的参数,采用的DSSA 算法相对于传统的优化算法表现出更高的参数寻优效率和更快的全局最优解收敛速度。这主要有两个原因:

首先,该算法表现出高效性,因为整个算法在寻找全局最优值的过程中,能够平衡整体搜索和局部搜索的能力,每次搜索都会沿着最优路径进行。

其次,该算法具有广泛的易用性,这一特性主要是由SSA 算法的参数较少决定的。从本质上来说,BP神经网络的整个训练过程始终是朝着梯度下降方向进行的,因此容易出现陷入局部最优解的问题。通常情况下,BP 网络中每个神经元之间的权重和阈值通常会被随机初始化在-1 到1 之间。因此,如何选择适当的初始权重和阈值对BP 网络的学习和训练过程具有重要影响。如果初始值选择过大或过小,整个网络的训练速度将会受到影响,导致训练过程变得非常缓慢。此外,最终的预测模型输出结果也可能变得不准确。然而,改进后的DSSA 算法具有更快地收敛速度和更精确的解空间探索,因此在解决优化问题方面具备显着的优势。通过采用改进的DSSA 算法对BP神经网络结构中的神经元连接权重和阈值进行数值优化,BP 神经网络的训练速度得到了显着的质的提升。最终,可以构建具有最佳结构的BP 神经网络,并使用该网络来预测数控机床主轴的故障,以获得更精确的预测结果。

4 信号处理及特征提取

在实际加工过程中,数控机床故障的发生机制和演变规律会随着数控机床的结构和运动类型的不同而变化。因此,根据信号变化的特点,采用适当的信号处理方法来提取故障特征,对于实现故障预测和性能评估是至关重要的前提。

为了提高故障预警和性能评估的准确性,必须深入研究信号成分的内在生成机制以及它们在时频域上的分布特性。在工业现场获取的各种信号中,通常存在大量噪声,而部件性能的退化和故障导致的信号变化往往会被噪声所淹没,难以辨别。因此,需要最大程度地消除噪声的影响。

目前,对于采集的信号,首要步骤是利用信号滤波技术来去除或减弱噪声的影响,其目的是提高信号的信噪比。这些滤波方法包括相关滤波、阈值滤波、自适应滤波、小波相关滤波等等。然而,由于缺乏对故障机理和信号噪声生成机制的深入研究,尝试去除噪声的同时,有用的信息也可能被误删。因此,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和寿命预测中至关重要的一步,它的准确性在很大程度上取决于选择能够敏感地反映部件性能退化或故障发生的特征。特征提取方法涉及对经过预处理的信号进行时域、频域和时频域的分析,以建立故障或性能变化趋势与特征之间的映射关系。其目标是寻找与故障或性能变化趋势一致的单调线性特征。这一步骤对于提高模式识别的准确性至关重要。时域特征包括均值、方差、均方根、脉冲因子、峭度等;频域特征使用幅值谱、功率谱和故障特定频率;时频域特征则采用小波分析、小波包分析和二代小波分析等技术,根据时间- 频率分布特性计算不同频段的功率谱、波熵以及小波系数的统计特征,如均值、均方根、模极大值等。

5 模型评估误差指标

为了评估DSSA-BP 故障预测模型的性能表现,本文采用了常用的回归预测模型误差评估指标,包括平均绝对误差、均方误差、均方根误差以及平均绝对百分比误差来对模型性能进行测试。较小的误差值通常表示模型的预测结果更为准确。

5.1 平均绝对误差MAE

MAE 是衡量预测值与实际值误差绝对值平均程度的指标,其取值范围为[0,+∞]。当预测值与真实值完全一致时,MAE 为0,代表模型表现最佳;反之,随着误差增大,MAE 值也随之增加,反映模型性能逐渐下降。

5.2 均方误差MSE

MSE 是衡量预测值与真实值的绝对平方误差的平均平均程度的指标,取值范围是[0,+∞]。

5.3 均方根误差RMSE

RMSE 是对MSE 进行开方根号处理的指标,其目的是使误差的量级更加直观和便于理解。取值范围是[0,+∞]。

5.4 平均绝对百分比误差MAPE

MAPE 的敏感性使其在处理目标参数数量级差距很大的问题时非常有用。MAPE 的取值范围为[0,+∞],与目标参数的全局缩放无关,因此可以有效处理具有不同数量级差距的数据。当MAPE 值超过100%时,表示当前模型表现极差。需要注意的是,如果实际值中存在等于0 的数据,MAPE 的公式会出现分母为0 的问题,此时需要采取适当的处理方法来避免错误结果。

6 数据采集

在工厂生产环境中,通过无线传感器网络收集数控机床主轴运转的实时数据,从而获得初始的总体样本数据。接下来,重要的是选择用于训练和测试的样本,并对它们进行归一化处理。在样本选择过程中,必须特别关注样本的代表性和多样性,以确保这些样本能够全面反映所要预测问题的各个方面。为了对样本进行归一化处理,可以使用最大最小值归一化或标准差归一化等方法。通过选择适当的样本并进行有效的归一化处理,可以提高神经网络的性能和准确性,为有效的预测提供可靠的基础。最后,使用建立好的模型对数据进行训练和预测,并通过对比实验来验证模型的性能,判断机床主轴是否发生故障。

为了选择适当的温度数据,本论文主要根据以下要求进行筛选:

1)为了满足实际需求,数据监控的地点应提供便捷的监测条件和高价值的监测结果。因此,本研究选择了某工厂内数控机床正常运行的场所作为故障预测模型的应用场景。同时,传感器被尽可能地安置在靠近数控机床主轴的区域,以确保不干扰机床的正常运行。

2)为了确保温度数据的有效性,采集时间间隔必须合适。过长的间隔可能导致数据无法准确反映非线性变化趋势,而过短的间隔则可能增加数据处理的复杂性,降低应用的实际价值。因此,本研究设置传感器的数据采集间隔为每3 min 采集一次,即每小时采集20 次数据。这个设置有助于在保持数据有效性的同时,降低数据处理的复杂性。

根据某传感器节点,从8 月15 日到20 日的每天16:00 到18:42,共采集了温度数据。数据采集的时间段为每天2 h 42 min,采集间隔为3 min,总共获得了324 个样本数据点。

对样本数据进行分类,每天将数据分为输入样本和输出样本。具体地,以前4 次采集到的数据作为输入样本,用于预测第5 次采集到的数据(输出样本)。然后,将这个窗口往后滑动一次,以第2~5 次数据作为输入样本,用于预测第6 次数据,以此类推,直到最后以第50~53 次数据作为输入样本,用于预测第54次数据。每天总共会生成50 组数据。通过利用8 月15日到19 日每天16:00—18:42,每天时长2 h 42 min的温度数据进行网络的训练学习,总共获得了250 组训练样本数据。然后,使用8 月20 日16:00—18:42,时长2 h 42 min的温度数据对网络进行结果测试,得到了50 组测试样本数据。

采集到的部分训练样本数据根据时间先后顺序如表1 所示,从8 月15—19 日采集的每天下午16:00—16:30 的机床主轴温度样本数据。

表1 部分训练样本温度

7 实验和结果分析

使用建立好的DSSA-BP、GA-BP、BP 三个模型对测试样本数据进行验证。在完成训练和测试后,对温度误差对比,三种模型的误差指标参数如表2 所示,可以通过评估指标对模型整体性能进行评估。

表2 三种模型温度误差表

根据表2 的数据分析,在MAE、MSE、RMSE、MAPE这四个误差指标方面,DSSA-BP 模型的表现均优于GA-BP 和传统BP 模型,因此,可以得出以下结论:三种模型都具备数控机床主轴状态参数预测的能力,但从网络训练速度、结果预测精度以及结果误差等多个方面来看,DSSA-BP 预测模型明显优于传统的BP 神经网络模型和GA-BP 预测模型。这表明本文提出的DSSA-BP 故障预测模型在性能上表现出色。

8 结论

本文通过深入研究数控机床的故障预测系统,经过问题分析,建立有力的故障预测模型,然后用算法优化及模型评估误差指标检验,最后通过实践采集数据并验证,为制造业提供了一种可靠的数控机床故障预测系统,该系统可以及时识别潜在的故障迹象,并采取适当的措施来减轻或避免故障的发生。

标签:  故障 

免责声明

本文来自网络,不代表本站立场。如有不愿意被转载的情况,请联系我们。