張世亮

(武威職業(yè)學(xué)院教務(wù)處，甘肅 武威 733000)

目前，很多著名機(jī)械加工企業(yè)都使用數(shù)控機(jī)床設(shè)備，隨著數(shù)控機(jī)床使用數(shù)量的增加，其出現(xiàn)故障的機(jī)率也隨之增加。國內(nèi)數(shù)控機(jī)床故障診斷水平低于發(fā)達(dá)國家[1]，同時還缺乏相關(guān)的經(jīng)驗(yàn)和理論。如何提高故障診斷效率，一直是國內(nèi)制造企業(yè)探究的問題。在此背景下，本文結(jié)合故障樹分析方法，對螺旋錐齒輪數(shù)控機(jī)床的故障診斷問題進(jìn)行分析，利用VB6.0軟件構(gòu)建診斷系統(tǒng)，以提高故障診斷效率，促進(jìn)國內(nèi)制造業(yè)的發(fā)展，縮短國內(nèi)外在數(shù)控機(jī)床方面的差距。

1 螺旋錐齒輪數(shù)控機(jī)床診斷與預(yù)警模塊開發(fā)

結(jié)合專家的維修經(jīng)驗(yàn)，基于故障樹構(gòu)建故障推理模型，利用VB6.0軟件開發(fā)針對機(jī)床電氣、電壓、溫度的診斷模塊，監(jiān)測特征振蕩信號，并進(jìn)行故障診斷和分析。

1)基于故障樹的診斷模塊。

2)推理故障診斷模塊。

根據(jù)專家經(jīng)驗(yàn)構(gòu)成多元組case={I,Ej,P,F,G,T,M,D,A}，式中:I為故障ID；Ei={ei,di}，為故障特征，其中ei為故障特征值，di為故障等級；P為故障位置；F為現(xiàn)象；G為原因；T為檢測順序；M為排除方法；D為故障記錄；A為注釋。將多元組結(jié)果錄入故障數(shù)據(jù)庫，并建立相應(yīng)的索引和關(guān)鍵詞[3]。

3)故障預(yù)警模塊。

依據(jù)螺旋錐齒狀態(tài)，結(jié)合稀疏性理論，降低冗余信息，記錄機(jī)床結(jié)果信息，構(gòu)建機(jī)床狀態(tài)特征函數(shù)f(ei)，然后對特征函數(shù)f(ei)進(jìn)行加權(quán)優(yōu)化得到f權(quán)(ei)，從而實(shí)現(xiàn)機(jī)床狀態(tài)認(rèn)知向基礎(chǔ)函數(shù)的量化轉(zhuǎn)變。其過程如圖1所示。

圖1 基于稀疏理論的機(jī)床狀態(tài)識別模型

其中，非平穩(wěn)信號反映了螺旋錐齒嚙合振動、頂尖相對滑動、磨削顫振的狀態(tài)，一旦非平穩(wěn)狀態(tài)信號出現(xiàn)改變，狀態(tài)冗余字典將利用稀疏編碼提取非平穩(wěn)特征值，通過自組織映射，將故障信息及時顯示給操作者，如圖2所示。

圖2 檢測信息特征提取與映射過程

發(fā)生故障時，依據(jù)監(jiān)測數(shù)據(jù)記錄故障信息，存入故障字典，并依據(jù)組織映射最小量化誤差(minimum quantization error，MQE)值，以提高系統(tǒng)故障識別能力，對未知故障進(jìn)行預(yù)警[4]。

4)建立故障數(shù)據(jù)庫。

定義Fault、Fault Category、Constraint、Fault Treatment、Fault Symptom、Fault Part、Instrument實(shí)體，F(xiàn)ault與Constraint、Fault Treatment與Fault Part、Fault與Fault Part、Fault Symptom與Fault間的關(guān)聯(lián)性為1∶n，將故障樹結(jié)構(gòu)映射在故障數(shù)據(jù)庫內(nèi)，并將故障樹枝干與葉子、頂事件與底事件、中間事件之間區(qū)分對待。數(shù)據(jù)庫不僅為螺旋錐齒數(shù)控機(jī)床故障提供故障識別信息，還能進(jìn)行故障信息更新，或者故障信息注釋、故障信息關(guān)注和刪除，降低知識冗余率。數(shù)據(jù)庫實(shí)體結(jié)構(gòu)關(guān)系如圖3所示。

圖3 數(shù)據(jù)庫實(shí)體結(jié)構(gòu)關(guān)系

2 實(shí)驗(yàn)分析

以上海電氣集團(tuán)生產(chǎn)的螺旋錐齒輪數(shù)控機(jī)床為例，進(jìn)行試驗(yàn)分析。

2.1 基于稀疏性的螺旋錐齒系統(tǒng)狀態(tài)識別模型測試

1)模型訓(xùn)練。

在螺旋錐齒輪數(shù)控機(jī)床加工過程中，頭架、工件、尾架的正常運(yùn)行與否，直接影響螺旋錐齒回轉(zhuǎn)系統(tǒng)的加工精度、穩(wěn)定性，對加工工件的質(zhì)量產(chǎn)生顯著影響[5]。信號字典中要記錄標(biāo)準(zhǔn)的系統(tǒng)狀態(tài)振動數(shù)據(jù)，特別是嚙合振動信號、頂尖相對滑動振信號、磨削顫振動信號，并提取稀疏特征值，內(nèi)容如圖4所示。

圖4 螺旋錐齒機(jī)床3種信號字典

根據(jù)3種信號字典，得到螺旋錐齒輪狀態(tài)分布，如圖5所示。

圖5 螺旋錐齒輪狀態(tài)分布

2)空載狀態(tài)下振動信號。

在空載狀態(tài)下，螺旋錐齒輪嚙合振動信號如圖6(a)所示，試驗(yàn)結(jié)果如圖6(b)所示，說明在空載情況下，齒輪嚙合振動信號可均勻映射到正常振動區(qū)，映射結(jié)果分布比較集中，螺旋錐齒輪狀態(tài)穩(wěn)定。

圖6 空載情況下振動信號

3)頂尖相對滑動增加時振動信號識別。

在頂尖相對滑動增加時，振動信號如圖7(a)所示，試驗(yàn)結(jié)果如圖7(b)所示。

由圖7可知，在螺旋錐齒輪狀態(tài)分布圖中，滑動區(qū)域出現(xiàn)較多信號映射，正常嚙合振動區(qū)域內(nèi)的映射結(jié)果集中[6]，濾除振動信號中存在的齒輪嚙合振動信號，可判斷原區(qū)域波形中劇烈脈沖信號是由頂尖滑動引起的。頂尖滑動增加屬于非正?，F(xiàn)象。實(shí)際測試可知，尾架在滿載狀態(tài)下，工作一段時間后出現(xiàn)頭架下陷問題，超出尾架頂尖對中的公差范圍。經(jīng)校對后，頂尖滑動處于合理范圍。

圖7 滑動點(diǎn)增加情況下振動信號

2.2 基于故障樹的螺旋錐齒數(shù)控機(jī)床診斷測試

基于故障樹的螺旋錐齒數(shù)控機(jī)床故障診斷模塊如圖8所示。在運(yùn)行過程中，出現(xiàn)報(bào)警號為70012的“X軸靜止誤差超范圍”報(bào)警信息，數(shù)控機(jī)床延遲故障診斷中心獲得報(bào)警信息后，進(jìn)入基于故障樹的數(shù)控機(jī)床診斷模塊進(jìn)行在線診斷。系統(tǒng)通過數(shù)據(jù)庫定位“X軸靜止誤差超范圍”所在的故障樹，針對下一層子事件進(jìn)行故障排查，發(fā)現(xiàn)“SI型繼電器持續(xù)發(fā)送信號”的PLC控制器顯示的信號狀態(tài)為“報(bào)警”，再根據(jù)此信號觸發(fā)下一層子事件，發(fā)現(xiàn)SL5液位、SP9濾油網(wǎng)的PLC狀態(tài)正常，故初步判定故障為“15號電機(jī)/B6號油泵故障”、“Y6/Y7溢油閥故障”、“YV2電磁閥故障”或“SI型繼電器損壞”。系統(tǒng)進(jìn)入人機(jī)交互狀態(tài)，通過維修人員排查，確認(rèn)是SI型繼電器損壞，經(jīng)維修，故障排除。

圖8 螺旋錐齒數(shù)控機(jī)床故障診斷模塊

3 結(jié)束語

隨著人工智能技術(shù)的發(fā)展，現(xiàn)代數(shù)控機(jī)床的功能越來越強(qiáng)大，在機(jī)械制造中發(fā)揮著重要的作用。數(shù)控機(jī)床在使用過程中出現(xiàn)故障是不可避免的事，在短時間內(nèi)對數(shù)控機(jī)床出現(xiàn)的故障進(jìn)行準(zhǔn)確診斷并快速排除故障是現(xiàn)代機(jī)械制造企業(yè)的需求。本文借助故障樹分析方法，運(yùn)用VB6.0軟件，構(gòu)建了螺旋錐齒輪數(shù)控機(jī)床故障診斷系統(tǒng)，幫助現(xiàn)場維修人員快速找出故障，并提供維修建議。由于本系統(tǒng)實(shí)現(xiàn)螺旋錐齒輪數(shù)控機(jī)床的智能化診斷，使得故障診斷結(jié)果更準(zhǔn)確，處理效率更高，大幅提高了螺旋錐齒輪數(shù)控機(jī)床故障處理的成功率。