专利名称：一种面向数控机床的故障预测方法
技术领域：
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。
背景技术：
数控机床作为典型的机电一体化产品，其复杂程度、行为状态和工作环境等都与传统的制造系统有很大不同。数控机床自动化程度高，价格昂贵，结构复杂，其故障发生的可能性高，故障知识获取、故障定位、故障排除较为困难。随着集成电路技术的发展，数控机床的机械故障占总故障的75%，而且大多数属于渐变性故障。该类故障发生前有故障征兆并随时间及环境渐变，其主要表现为零部件因疲劳、腐蚀、磨损等原因造成系统性能逐渐下降并超过临界值引发的故障，如冷却液管道结垢、轴承润滑不良等。同时，数控机床各零部件之间互相关联、紧密耦合，其故障特征具有并发性和传递性，孤立研究难以充分挖掘故障机理，从而导致误诊、漏诊的发生。因此，如果能够准确地预测机床整机及子系统的状态趋势和故障演变，定位故障原因和部位，及时采取预知性维护措施，对于减少机床过剩检测与维修，延长机床工作周期，确保机床可靠运行具有重要意义。目前SIEMENS、FANUC, HEIDENHAIN等数控系统厂家针对机床特点，开发了机内测试、健康监控、状态评估等集成应用平台，性能检测、故障隔离、故障诊断、预防性保障、事后维修等功能交联是这些平台的典型特征，但基于运转状况驱动的故障预测能力和预知性维护能力较弱。国内科研机构针对数控机床故障预测技术开展了一定的研究，但大多是针对单一失效模式的材料试件或零部件进行故障预测和寿命评估，对于具有多种失效模式的数控机床整机及子系统的故障预测方案很少。常见的故障预测技术包括统计预测、灰色预测、智能预测、信息融合预测等。基于时间序列分析法的统计预测技术所需历史数据少，但仅适用于序列变化比较均匀的短期预测。基于灰色理论的预测技术能够在贫信息情况下求解问题，但缺乏自学习、自组织能力，且没有误差反馈调节机制，环境的改变会严重影响预测精度。反向传播(BackPropagation, BP)神经网络预测是目前应用最多、最成熟的智能预测技术之一，其不需要精确的数学模型，适合复杂系统多参数拟合预测。常规BP神经网络采用基于时间序列的单步预测和多步预测，借助任意N个连续时间序列值预测下一时刻时间序列值，其预测时步与预测精度成反比，且对于性能变化缓慢的机械部件，难以在短时间内精确建模，不适合中长期预测。基于多传感器信息融合的预测技术在提高预测效率和精度上具有优势，但不确定性信息处理和理论建模技术尚需进一步研究。
发明内容
针对数控机床的故障特点和现有故障预测方法存在的上述不足之处，本发明要解决的技术问题是提供一种能够提高数控机床整机及子系统的故障预测能力、增强预测鲁棒性、具有良好应用前景的基于故障先兆判定模型和动态置信度匹配的面向数控机床的故障预测方法。为解决上述技术问题，本发明采用的技术方案是本发明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，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。如果所述前次状态匹配序号等于所述当前状态匹配序号，则判断当前序号在故障先兆状态序列中所处的位置，如果处于序列的前部，则累计置信度下降，并进一步判断累计置信度是否达到参数报警阈值，如果处于序列的尾部，则累计置信度上升，并进一步判断累计置信度是否达到参数报警阈值，如果处于序列的中部，则累计置信度根据实际状态的升降趋势进行相应的改变，并进一步判断累计置信度是否达到参数报警阈值。如果所述前次状态匹配序号大于所述当前状态匹配序号，则判断升序计数是否大于0，如果等于0，则累计置信度快速下降，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，则累计置信度平缓下降，并进一步判断累计置信度是否达到参数报警阈值。如果所述当前状态与所述故障先兆状态序列中的任何状态均不匹配，则继续判断前次状态与序列中的状态是否匹配，如果仍不匹配，则降低累计置信度，并进一步判断累计置信度是否达到参数报警阈值，如果前次状态与故障先兆状态序列中的某一状态匹配，则保持累计置信度不变，并进一步判断累计置信度是否达到参数报警阈值。
如果所述累计置信度未达到参数报警阈值，则继续实时采集机床数据样本，重复上述匹配过程。如果所述故障的发生概率未达到故障报警阈值，则继续实时采集机床数据样本，重复上述匹配过程。所述递阶式层次结构模型具体为将数控机床按照机床整机级、子系统级、故障级、参数级、特征级和状态级六个不同层级递阶式构造结构模型，其中，子系统级为数控机床的核心子系统，故障级为每个子系统的典型渐变故障，参数级为能够表征故障的故障先兆参数，特征级为故障发生前各故障先兆参数的数据特征，状态级为故障演变/恢复过程中各数据特征对应的故障先兆状态。所述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为根据故障演变速度选取故障发生前一定时间范围内的故障先兆参数数据集，按照等长时间间隔划分该数据集；所述故障先兆状态序列中的一种状态用于表征对应间隔内包含的采样数据值；所述反向传播神经网络以故障先兆特征向量的各分量作为输入，对应的故障先兆状态为输出。所述故障先兆状态序列中各状态的初始置信度可以表示为
权利要求
1.一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O，如果等于O，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O，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。
2.按权利要求1所述的一种面向数控机床的故障预测方法，其特征在于如果所述前次状态匹配序号等于所述当前状态匹配序号，则判断当前序号在故障先兆状态序列中所处的位置，如果处于序列的前部，则累计置信度下降，并进一步判断累计置信度是否达到参数报警阈值，如果处于序列的尾部，则累计置信度上升，并进一步判断累计置信度是否达到参数报警阈值，如果处于序列的中部，则累计置信度根据实际状态的升降趋势进行相应的改变，并进一步判断累计置信度是否达到参数报警阈值。
3.按权利要求1所述的一种面向数控机床的故障预测方法，其特征在于如果所述前次状态匹配序号大于所述当前状态匹配序号，则判断升序计数是否大于O，如果等于O，则累计置信度快速下降，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O，则累计置信度平缓下降，并进一步判断累计置信度是否达到参数报警阈值。
4.按权利要求1所述的一种面向数控机床的故障预测方法，其特征在于如果所述当前状态与所述故障先兆状态序列中的任何状态均不匹配，则继续判断前次状态与序列中的状态是否匹配，如果仍不匹配，则降低累计置信度，并进一步判断累计置信度是否达到参数报警阈值，如果前次状态与故障先兆状态序列中的某一状态匹配，则保持累计置信度不变，并进一步判断累计置信度是否达到参数报警阈值。
5.按权利要求1所述的一种面向数控机床的故障预测方法，其特征在于如果所述累计置信度未达到参数报警阈值，则继续实时采集机床数据样本，重复上述匹配过程。
6.按权利要求1所述的一种面向数控机床的故障预测方法，其特征在于如果所述故障的发生概率未达到故障报警阈值，则继续实时采集机床数据样本，重复上述匹配过程。
7.按权利要求1所述的一种面向数控机床的故障预测方法，其特征在于所述递阶式层次结构模型具体为将数控机床按照机床整机级、子系统级、故障级、参数级、特征级和状态级六个不同层级递阶式构造结构模型，其中，子系统级为数控机床的核心子系统，故障级为每个子系统的典型渐变故障，参数级为能够表征故障的故障先兆参数，特征级为故障发生前各故障先兆参数的数据特征，状态级为故障演变/恢复过程中各数据特征对应的故障先兆状态。
8.按权利要求1所述的一种面向数控机床的故障预测方法，其特征在于所述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为根据故障演变速度选取故障发生前一定时间范围内的故障先兆参数数据集，按照等长时间间隔划分该数据集；所述故障先兆状态序列中的一种状态用于表征对应间隔内包含的采样数据值；所述反向传播神经网络以故障先兆特征向量的各分量作为输入，对应的故障先兆状态为输出。
9.按权利要求1所述的一种面向数控机床的故障预测方法，其特征在于所述故障先兆状态序列中各状态的初始置信度可以表示为'
10.按权利要求1所述的一种面向数控机床的故障预测方法，其特征在于所述故障发生概率的计算方法为
全文摘要
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。
文档编号G05B19/406GK103064340SQ20111032360
公开日2013年4月24日 申请日期2011年10月21日 优先权日2011年10月21日
发明者于东, 高甜容, 岳东峰, 杨磊, 陈龙 申请人:沈阳高精数控技术有限公司