專利名稱：一種面向數(shù)控機床的故障預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及數(shù)控機床的故障診斷與預(yù)測領(lǐng)域，具體的說是一種面向數(shù)控機床的故障預(yù)測方法。
背景技術(shù)：
數(shù)控機床作為典型的機電一體化產(chǎn)品，其復(fù)雜程度、行為狀態(tài)和工作環(huán)境等都與傳統(tǒng)的制造系統(tǒng)有很大不同。數(shù)控機床自動化程度高，價格昂貴，結(jié)構(gòu)復(fù)雜，其故障發(fā)生的可能性高，故障知識獲取、故障定位、故障排除較為困難。隨著集成電路技術(shù)的發(fā)展，數(shù)控機床的機械故障占總故障的75%，而且大多數(shù)屬于漸變性故障。該類故障發(fā)生前有故障征兆并隨時間及環(huán)境漸變，其主要表現(xiàn)為零部件因疲勞、腐蝕、磨損等原因造成系統(tǒng)性能逐漸下降并超過臨界值引發(fā)的故障，如冷卻液管道結(jié)垢、軸承潤滑不良等。同時，數(shù)控機床各零部件之間互相關(guān)聯(lián)、緊密耦合，其故障特征具有并發(fā)性和傳遞性，孤立研究難以充分挖掘故障機理，從而導(dǎo)致誤診、漏診的發(fā)生。因此，如果能夠準確地預(yù)測機床整機及子系統(tǒng)的狀態(tài)趨勢和故障演變，定位故障原因和部位，及時采取預(yù)知性維護措施，對于減少機床過剩檢測與維修，延長機床工作周期，確保機床可靠運行具有重要意義。目前SIEMENS、FANUC, HEIDENHAIN等數(shù)控系統(tǒng)廠家針對機床特點，開發(fā)了機內(nèi)測試、健康監(jiān)控、狀態(tài)評估等集成應(yīng)用平臺，性能檢測、故障隔離、故障診斷、預(yù)防性保障、事后維修等功能交聯(lián)是這些平臺的典型特征，但基于運轉(zhuǎn)狀況驅(qū)動的故障預(yù)測能力和預(yù)知性維護能力較弱。國內(nèi)科研機構(gòu)針對數(shù)控機床故障預(yù)測技術(shù)開展了一定的研究，但大多是針對單一失效模式的材料試件或零部件進行故障預(yù)測和壽命評估，對于具有多種失效模式的數(shù)控機床整機及子系統(tǒng)的故障預(yù)測方案很少。常見的故障預(yù)測技術(shù)包括統(tǒng)計預(yù)測、灰色預(yù)測、智能預(yù)測、信息融合預(yù)測等?；跁r間序列分析法的統(tǒng)計預(yù)測技術(shù)所需歷史數(shù)據(jù)少，但僅適用于序列變化比較均勻的短期預(yù)測?；诨疑碚摰念A(yù)測技術(shù)能夠在貧信息情況下求解問題，但缺乏自學(xué)習(xí)、自組織能力，且沒有誤差反饋調(diào)節(jié)機制，環(huán)境的改變會嚴重影響預(yù)測精度。反向傳播(BackPropagation, BP)神經(jīng)網(wǎng)絡(luò)預(yù)測是目前應(yīng)用最多、最成熟的智能預(yù)測技術(shù)之一，其不需要精確的數(shù)學(xué)模型，適合復(fù)雜系統(tǒng)多參數(shù)擬合預(yù)測。常規(guī)BP神經(jīng)網(wǎng)絡(luò)采用基于時間序列的單步預(yù)測和多步預(yù)測，借助任意N個連續(xù)時間序列值預(yù)測下一時刻時間序列值，其預(yù)測時步與預(yù)測精度成反比，且對于性能變化緩慢的機械部件，難以在短時間內(nèi)精確建模，不適合中長期預(yù)測。基于多傳感器信息融合的預(yù)測技術(shù)在提高預(yù)測效率和精度上具有優(yōu)勢，但不確定性信息處理和理論建模技術(shù)尚需進一步研究。

發(fā)明內(nèi)容
針對數(shù)控機床的故障特點和現(xiàn)有故障預(yù)測方法存在的上述不足之處，本發(fā)明要解決的技術(shù)問題是提供一種能夠提高數(shù)控機床整機及子系統(tǒng)的故障預(yù)測能力、增強預(yù)測魯棒性、具有良好應(yīng)用前景的基于故障先兆判定模型和動態(tài)置信度匹配的面向數(shù)控機床的故障預(yù)測方法。為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是本發(fā)明一種面向數(shù)控機床的故障預(yù)測方法包括以下步驟采用遞階式層次結(jié)構(gòu)模型劃分數(shù)控機床為多個核心子系統(tǒng)，分析其典型漸變故障；在各核心子系統(tǒng)中安裝溫度、振動、噪聲傳感器，將采集到的機床運行狀態(tài)數(shù)據(jù)樣本發(fā)送到故障預(yù)測上位機中，得到各傳感器參數(shù)數(shù)據(jù)集，使用鄰域粗糙集方法約簡傳感器參數(shù)數(shù)據(jù)集，得到故障先兆參數(shù)數(shù)據(jù)集以及參數(shù)與故障的相對關(guān)聯(lián)程度；以故障發(fā)生點為界限，根據(jù)故障演變速度選取各故障先兆參數(shù)歷史數(shù)據(jù)集并按照時間序列進行劃分，得到相應(yīng)的故障先兆狀態(tài)序列；采用小波分析技術(shù)提煉不同時間間隔內(nèi)歷史數(shù)據(jù)的故障先兆特征向量，采用反向傳播神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練故障先兆特征向量，得到各參數(shù)的故障先兆判定模型；根據(jù)各參數(shù)的故障先兆狀態(tài)序列，初始化各狀態(tài)置信度、累計置信度及其他臨時變量，對各傳感器實時采集的機床數(shù)據(jù)樣本進行小波分析，采用反向傳播神經(jīng)網(wǎng)絡(luò)對特征向量進行在線故障先兆模型識別，得到各參數(shù)實時數(shù)據(jù)樣本的當(dāng)前狀態(tài)；判斷當(dāng)前狀態(tài)與故障先兆狀態(tài)序列的匹配情況，如果當(dāng)前狀態(tài)與故障先兆狀態(tài)序列中的某一狀態(tài)匹配，則比較當(dāng)前狀態(tài)匹配序號與前次狀態(tài)匹配序號，如果前次狀態(tài)匹配序號小于當(dāng)前狀態(tài)匹配序號，則判斷降序計數(shù)是否大于0，如果等于0，則累計置信度快速上升，并進一步判斷累計置信度是否達到參數(shù)報警閾值，如果大于0，則累計置信度平緩上升，并進一步判斷累計置信度是否達到參數(shù)報警閾值；判斷累計置信度是否達到參數(shù)報警閾值，如果達到，則該參數(shù)發(fā)出報警，獲取此刻故障所有先兆表征參數(shù)的累計置信度，借助各參數(shù)的相對關(guān)聯(lián)程度，計算故障的發(fā)生概率；判斷該概率是否達到故障報警閾值，如果達到，則從可靠性和準確性的角度出發(fā)，選擇在時序上距離故障發(fā)生最近的故障先兆參數(shù)的匹配狀態(tài)，以及累計置信度與相對關(guān)聯(lián)程度乘積最大的故障先兆參數(shù)的匹配狀態(tài)，分別預(yù)測距離故障發(fā)生的時間，取兩個時間的平均值即為最終故障的預(yù)測發(fā)生時間。如果所述前次狀態(tài)匹配序號等于所述當(dāng)前狀態(tài)匹配序號，則判斷當(dāng)前序號在故障先兆狀態(tài)序列中所處的位置，如果處于序列的前部，則累計置信度下降，并進一步判斷累計置信度是否達到參數(shù)報警閾值，如果處于序列的尾部，則累計置信度上升，并進一步判斷累計置信度是否達到參數(shù)報警閾值，如果處于序列的中部，則累計置信度根據(jù)實際狀態(tài)的升降趨勢進行相應(yīng)的改變，并進一步判斷累計置信度是否達到參數(shù)報警閾值。如果所述前次狀態(tài)匹配序號大于所述當(dāng)前狀態(tài)匹配序號，則判斷升序計數(shù)是否大于0，如果等于0，則累計置信度快速下降，并進一步判斷累計置信度是否達到參數(shù)報警閾值，如果大于0，則累計置信度平緩下降，并進一步判斷累計置信度是否達到參數(shù)報警閾值。如果所述當(dāng)前狀態(tài)與所述故障先兆狀態(tài)序列中的任何狀態(tài)均不匹配，則繼續(xù)判斷前次狀態(tài)與序列中的狀態(tài)是否匹配，如果仍不匹配，則降低累計置信度，并進一步判斷累計置信度是否達到參數(shù)報警閾值，如果前次狀態(tài)與故障先兆狀態(tài)序列中的某一狀態(tài)匹配，則保持累計置信度不變，并進一步判斷累計置信度是否達到參數(shù)報警閾值。
如果所述累計置信度未達到參數(shù)報警閾值，則繼續(xù)實時采集機床數(shù)據(jù)樣本，重復(fù)上述匹配過程。如果所述故障的發(fā)生概率未達到故障報警閾值，則繼續(xù)實時采集機床數(shù)據(jù)樣本，重復(fù)上述匹配過程。所述遞階式層次結(jié)構(gòu)模型具體為將數(shù)控機床按照機床整機級、子系統(tǒng)級、故障級、參數(shù)級、特征級和狀態(tài)級六個不同層級遞階式構(gòu)造結(jié)構(gòu)模型，其中，子系統(tǒng)級為數(shù)控機床的核心子系統(tǒng)，故障級為每個子系統(tǒng)的典型漸變故障，參數(shù)級為能夠表征故障的故障先兆參數(shù)，特征級為故障發(fā)生前各故障先兆參數(shù)的數(shù)據(jù)特征，狀態(tài)級為故障演變/恢復(fù)過程中各數(shù)據(jù)特征對應(yīng)的故障先兆狀態(tài)。所述根據(jù)故障演變速度選取各故障先兆參數(shù)歷史數(shù)據(jù)集并按照時間序列進行劃分為根據(jù)故障演變速度選取故障發(fā)生前一定時間范圍內(nèi)的故障先兆參數(shù)數(shù)據(jù)集，按照等長時間間隔劃分該數(shù)據(jù)集；所述故障先兆狀態(tài)序列中的一種狀態(tài)用于表征對應(yīng)間隔內(nèi)包含的采樣數(shù)據(jù)值；所述反向傳播神經(jīng)網(wǎng)絡(luò)以故障先兆特征向量的各分量作為輸入，對應(yīng)的故障先兆狀態(tài)為輸出。所述故障先兆狀態(tài)序列中各狀態(tài)的初始置信度可以表示為
權(quán)利要求
1.一種面向數(shù)控機床的故障預(yù)測方法，其特征在于，包括以下步驟 采用遞階式層次結(jié)構(gòu)模型劃分數(shù)控機床為多個核心子系統(tǒng)，分析其典型漸變故障；在各核心子系統(tǒng)中安裝溫度、振動、噪聲傳感器，將采集到的機床運行狀態(tài)數(shù)據(jù)樣本發(fā)送到故障預(yù)測上位機中，得到各傳感器參數(shù)數(shù)據(jù)集，使用鄰域粗糙集方法約簡傳感器參數(shù)數(shù)據(jù)集，得到故障先兆參數(shù)數(shù)據(jù)集以及參數(shù)與故障的相對關(guān)聯(lián)程度； 以故障發(fā)生點為界限，根據(jù)故障演變速度選取各故障先兆參數(shù)歷史數(shù)據(jù)集并按照時間序列進行劃分，得到相應(yīng)的故障先兆狀態(tài)序列； 采用小波分析技術(shù)提煉不同時間間隔內(nèi)歷史數(shù)據(jù)的故障先兆特征向量，采用反向傳播神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練故障先兆特征向量，得到各參數(shù)的故障先兆判定模型； 根據(jù)各參數(shù)的故障先兆狀態(tài)序列，初始化各狀態(tài)置信度、累計置信度及其他臨時變量，對各傳感器實時采集的機床數(shù)據(jù)樣本進行小波分析，采用反向傳播神經(jīng)網(wǎng)絡(luò)對特征向量進行在線故障先兆模型識別，得到各參數(shù)實時數(shù)據(jù)樣本的當(dāng)前狀態(tài)； 判斷當(dāng)前狀態(tài)與故障先兆狀態(tài)序列的匹配情況，如果當(dāng)前狀態(tài)與故障先兆狀態(tài)序列中的某一狀態(tài)匹配，則比較當(dāng)前狀態(tài)匹配序號與前次狀態(tài)匹配序號，如果前次狀態(tài)匹配序號小于當(dāng)前狀態(tài)匹配序號，則判斷降序計數(shù)是否大于O，如果等于O，則累計置信度快速上升，并進一步判斷累計置信度是否達到參數(shù)報警閾值，如果大于O，則累計置信度平緩上升，并進一步判斷累計置信度是否達到參數(shù)報警閾值； 判斷累計置信度是否達到參數(shù)報警閾值，如果達到，則該參數(shù)發(fā)出報警，獲取此刻故障所有先兆表征參數(shù)的累計置信度，借助各參數(shù)的相對關(guān)聯(lián)程度，計算故障的發(fā)生概率；判斷該概率是否達到故障報警閾值，如果達到，則從可靠性和準確性的角度出發(fā)，選擇在時序上距離故障發(fā)生最近的故障先兆參數(shù)的匹配狀態(tài)，以及累計置信度與相對關(guān)聯(lián)程度乘積最大的故障先兆參數(shù)的匹配狀態(tài)，分別預(yù)測距離故障發(fā)生的時間，取兩個時間的平均值即為最終故障的預(yù)測發(fā)生時間。
2.按權(quán)利要求1所述的一種面向數(shù)控機床的故障預(yù)測方法，其特征在于如果所述前次狀態(tài)匹配序號等于所述當(dāng)前狀態(tài)匹配序號，則判斷當(dāng)前序號在故障先兆狀態(tài)序列中所處的位置，如果處于序列的前部，則累計置信度下降，并進一步判斷累計置信度是否達到參數(shù)報警閾值，如果處于序列的尾部，則累計置信度上升，并進一步判斷累計置信度是否達到參數(shù)報警閾值，如果處于序列的中部，則累計置信度根據(jù)實際狀態(tài)的升降趨勢進行相應(yīng)的改變，并進一步判斷累計置信度是否達到參數(shù)報警閾值。
3.按權(quán)利要求1所述的一種面向數(shù)控機床的故障預(yù)測方法，其特征在于如果所述前次狀態(tài)匹配序號大于所述當(dāng)前狀態(tài)匹配序號，則判斷升序計數(shù)是否大于O，如果等于O，則累計置信度快速下降，并進一步判斷累計置信度是否達到參數(shù)報警閾值，如果大于O，則累計置信度平緩下降，并進一步判斷累計置信度是否達到參數(shù)報警閾值。
4.按權(quán)利要求1所述的一種面向數(shù)控機床的故障預(yù)測方法，其特征在于如果所述當(dāng)前狀態(tài)與所述故障先兆狀態(tài)序列中的任何狀態(tài)均不匹配，則繼續(xù)判斷前次狀態(tài)與序列中的狀態(tài)是否匹配，如果仍不匹配，則降低累計置信度，并進一步判斷累計置信度是否達到參數(shù)報警閾值，如果前次狀態(tài)與故障先兆狀態(tài)序列中的某一狀態(tài)匹配，則保持累計置信度不變，并進一步判斷累計置信度是否達到參數(shù)報警閾值。
5.按權(quán)利要求1所述的一種面向數(shù)控機床的故障預(yù)測方法，其特征在于如果所述累計置信度未達到參數(shù)報警閾值，則繼續(xù)實時采集機床數(shù)據(jù)樣本，重復(fù)上述匹配過程。
6.按權(quán)利要求1所述的一種面向數(shù)控機床的故障預(yù)測方法，其特征在于如果所述故障的發(fā)生概率未達到故障報警閾值，則繼續(xù)實時采集機床數(shù)據(jù)樣本，重復(fù)上述匹配過程。
7.按權(quán)利要求1所述的一種面向數(shù)控機床的故障預(yù)測方法，其特征在于所述遞階式層次結(jié)構(gòu)模型具體為將數(shù)控機床按照機床整機級、子系統(tǒng)級、故障級、參數(shù)級、特征級和狀態(tài)級六個不同層級遞階式構(gòu)造結(jié)構(gòu)模型，其中，子系統(tǒng)級為數(shù)控機床的核心子系統(tǒng)，故障級為每個子系統(tǒng)的典型漸變故障，參數(shù)級為能夠表征故障的故障先兆參數(shù)，特征級為故障發(fā)生前各故障先兆參數(shù)的數(shù)據(jù)特征，狀態(tài)級為故障演變/恢復(fù)過程中各數(shù)據(jù)特征對應(yīng)的故障先兆狀態(tài)。
8.按權(quán)利要求1所述的一種面向數(shù)控機床的故障預(yù)測方法，其特征在于所述根據(jù)故障演變速度選取各故障先兆參數(shù)歷史數(shù)據(jù)集并按照時間序列進行劃分為根據(jù)故障演變速度選取故障發(fā)生前一定時間范圍內(nèi)的故障先兆參數(shù)數(shù)據(jù)集，按照等長時間間隔劃分該數(shù)據(jù)集；所述故障先兆狀態(tài)序列中的一種狀態(tài)用于表征對應(yīng)間隔內(nèi)包含的采樣數(shù)據(jù)值；所述反向傳播神經(jīng)網(wǎng)絡(luò)以故障先兆特征向量的各分量作為輸入，對應(yīng)的故障先兆狀態(tài)為輸出。
9.按權(quán)利要求1所述的一種面向數(shù)控機床的故障預(yù)測方法，其特征在于所述故障先兆狀態(tài)序列中各狀態(tài)的初始置信度可以表示為'
10.按權(quán)利要求1所述的一種面向數(shù)控機床的故障預(yù)測方法，其特征在于所述故障發(fā)生概率的計算方法為
全文摘要
本發(fā)明涉及數(shù)控機床的故障診斷與預(yù)測領(lǐng)域，具體的說是一種面向數(shù)控機床的故障預(yù)測方法。包括以下步驟采用遞階式層次結(jié)構(gòu)模型劃分數(shù)控機床為多個核心子系統(tǒng)并分析其典型漸變故障；約簡傳感器參數(shù)數(shù)據(jù)集，得到故障先兆參數(shù)數(shù)據(jù)集以及參數(shù)與故障的相對關(guān)聯(lián)程度；以故障發(fā)生點為界限，按照時間序列劃分各故障先兆參數(shù)歷史數(shù)據(jù)集，并對應(yīng)故障先兆狀態(tài)序列；采用小波分析技術(shù)提煉不同時間間隔內(nèi)數(shù)據(jù)的故障先兆特征向量，經(jīng)反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到各參數(shù)的故障先兆判定模型；采用動態(tài)置信度匹配算法在線監(jiān)測各故障先兆參數(shù)的累計置信度，融合各故障先兆參數(shù)的狀態(tài)動態(tài)匹配結(jié)果，預(yù)測故障發(fā)生的概率及時間。本發(fā)明具有預(yù)測準確率高、預(yù)測時差小、虛警率低、魯棒性強、應(yīng)用前景廣闊等特點。
文檔編號G05B19/406GK103064340SQ20111032360
公開日2013年4月24日 申請日期2011年10月21日 優(yōu)先權(quán)日2011年10月21日
發(fā)明者于東, 高甜容, 岳東峰, 楊磊, 陳龍 申請人:沈陽高精數(shù)控技術(shù)有限公司