基于決策樹的數據融合技術在電主軸故障分析與預測中的應用

杜守印，李 斌，胡 鑫

(天津航天長征火箭制造有限公司 天津300462)

基于決策樹的數據融合技術在電主軸故障分析與預測中的應用

杜守印，李 斌，胡 鑫

(天津航天長征火箭制造有限公司 天津300462)

隨著大數據時代的到來和傳感器在各個行業的廣泛應用，傳統裝備制造業煥發出勃勃生機。首先對機械裝備故障分析與預測的相關技術展開論述，結合實際業務需求，以機械加工壁板銑床電主軸故障分析為例，提出一種利用數據融合方式進行故障檢測與預警的方法。該方法不僅可以實現為生產制造提供決策支持，還能為裝備生產提供借鑒，具有廣泛的應用前景。

故障分析 數據融合 故障預警 機器學習 智能制造

0 引 言

在裝備制造業中，機械設備是否正常運轉不僅影響產品質量，還嚴重制約著產量和生產安排。隨著機器學習、人工智能等信息技術快速發展和兩化融合的持續推進，傳感器在工業生產的各個方面得以廣泛應用(見圖1)，為設備的運轉狀態及故障分析預警提供了良好的平臺。

通過傳感器采集設備的狀態信息，技術人員能夠準確掌握其運轉狀況，并提前預測可能發生故障的部位、時間和類型(如圖1虛線框)。高速數控機床(CNC)是裝備制造業的基礎，電主軸是機床的核心關鍵部件，電主軸的跳動和振動，直接決定了數控機床的加工精度和使用壽命。[1]在生產實踐中發現，電主軸在機床故障中出現問題的頻率高，維修時間長。所以，對電主軸故障的分析與預測對生產經營和產品質量控制方面有著重要的意義。

傳統分析方式中，技術人員對振動信號采用小波變換等方式進行分析，例如文獻[2]描述了軋鋼機械振動故障并進行診斷，這種處理方式參數較為單一，而且不能夠很好預測故障發生的時間。Liu Kaibo采用數據融合的方法可以預測整臺發動機剩余壽命，相比以前的方法，預測結果得到很大提升。[3]在實際應用中，設備是一個復雜的系統，不同故障對整個設備運轉壽命的影響不同。本文提出首先對故障進行分類，基于有效的衰退信息，采用數據融合的方法構建退化模型，并在細分故障領域進行分析和預測。

圖1 工業數據分析圖Fig.1 Analysis diagram of industrial data

1 傳感器數據分析領域的相關技術

目前，諸多文獻提出關于構建退化演變模型的方法和技術，大多數模型僅僅依靠一個傳感器數據對設備退化過程進行研究。單一傳感器數據僅僅反映了設備某一部分的狀態變化，無法從整體上反映退化規律。在多傳感器環境下，許多學者開展數據融合方面的研究。數據融合按照實現方式劃分為3類：[3]數據水平、特征水平以及決策水平。數據粒度上的融合，即數據未經任何加工處理，直接將采集得到的原始數據進行融合。特征層次的融合是從傳感器采集的初始信息中抽取特征信息，并將特征進行綜合分析。決策層融合是為設備的同一部位添加多種類型的傳感器，并對各個傳感器獨立進行決策分析，然后再對多個決策結果融合在一起判決，形成聯合推斷結果。

2 機床電主軸分析方案

2.1 電主軸的結構與常見故障

圖2 轉軸結構簡圖Fig.2 Rotating shaft structure diagram

圖2是電主軸的結構，該圖中電主軸包括轉軸、前軸承、平衡環、轉子部件以及后軸承。電主軸正常運轉取決于這五大組成部件的好壞。通常，為了延長電主軸的使用壽命，還需采集運轉的溫度，避免因為溫度過高造成電主軸的損壞。文獻[4]總結出汽輪機的常見的故障，本文也梳理出電主軸常見故障如表1所示：

表1 電主軸常見故障Tab.1 Common faults of the motorized spindle

本文使用多個傳感器對電主軸運轉狀態進行監控，通過數據融合的方法將有用的信號處理，為故障分析提供預測和分析。

2.2 數據融合的方式對電主軸分析預測

通過將多個傳感器嵌入到數控機床中，例如，根據電主軸組成結構和部件特點，在電主軸定子處添加溫敏傳感器以檢測溫度變化情況；在轉子、前后軸承、平衡環以及轉軸添加振動傳感器等。通過傳感器的安裝，實現電主軸運轉狀態的全面覆蓋，并以機床聯網方式，將狀態數據進行存儲傳輸。

2.2.1 數據選擇與處理

在多傳感器的采集系統中，數據表現的曲線多種多樣，需要分析人員篩選出有用信息。在故障發生初期，與故障相關數據會發生顯著變化。Liu Kaibo等人發現，與故障有關的傳感器數據應該隨著故障惡化而變得愈加顯著。[3]如圖3所示，原先數據為平穩時間序列，從故障發生時間點tf＝15開始，呈現單調遞增的變化趨勢。而文獻[6]經過變油溫、變負荷、變真空試驗，也找到故障出現時的相關規律。

作者選取分析的傳感器具備以下特點：隨著輕微故障的開始，傳感器的數值逐漸呈現單調趨勢。這些傳感器數據需要進行抽取、清洗噪聲數據等處理，為了避免數值量綱差異造成分析的難度，本文設定自從時間點tf=15時開始，從時間t=1～tf之間的平均值為Ei，傳感器i在時間t的數值Xit。經過無量綱化處理，時間t的值轉換為xit/Ei。故障發生初始階段，圖3振動數據存在一個轉折點，為發生故障的初始點。根據這個特點，選取轉折點之后的數據作為有效值進行分析。

圖3 傳感器振動時間波動圖Fig.3 Wave pattern time of the sensor vibration

2.2.2 故障分類

本文中選取決定一般故障類型的3大屬性：振動屬性、轉速和溫度。在樣本數據集O中，故障種類總數μ，故障類型k在樣本的數量為μk。其中，樣本γ是屬于某故障類型k的一個時間序列Xkr。在樣本集合中，Xkr在屬性A上有r個不同取值{a1, a2,a3…ar}，將數據集分成r個空間，對每個空間Oq，含有t個樣本，x1，x2，x3，…xt均屬于Oq。將aq作為該空間對應的取值，見公式1：

公式1為該樣本空間的重心位置。通過夾角公式[5](公式2)計算得到r?1個邊界值，即將屬性A劃分為r個不同的區間。

這r個空間對應著r個不同分支。采用信息熵，計算空間在屬性A的熵IA(O)(公式3)以及空間的熵I( O)(公式4)：

根據上面的結果，計算信息增益公式5：

在屬性集合中選取信息增益最高值的屬性作為節點的分裂屬性，最終將整個數據集合劃分到代表各個類別的葉子節點中，從而以信息熵構建整個決策樹，實現故障細分類。

2.2.3 故障預測

本文不同于文獻[7]，在故障細化分類的基礎之上，選取對故障有影響的傳感器數據Xij，將數據水平和特征水平融合方法結合起來，提出了構建不同故障情形下的時間序列函數(公式6)：

上式中的某故障模式?數據集合中，在不同時間點i下，傳感器j的值Xij?相應的系數為Cj?，k為傳感器的數目。系數Cj?以及參數?θ采用最小二乘法計算獲得。

根據故障模式?的已知樣本，在te時刻發生故障不能夠使用時，公式6得到目標函數值ye。計算該故障模式?所有故障函數值ye的平均值y，y作為該故障在發生故障的閾值。根據該閾值y，可以預測今后運轉的設備的運轉壽命。

最后，將決策數算法與預測算法(公式6)結合起來，通過決策樹算法識別裝備發生故障的模式，然后利用預測算法計算該模式下設備的壽命。

3 結 論

本文回顧了故障分析的常見技術，總結了電主軸常見故障類型，提出了一種結合決策樹算法的數據融合技術。該方法根據不同的故障類型，提出了合理的預測分析方法，為生產制造提供決策支持。同時，通過分析把握裝備運轉特點，將機床工作知識運用到機械裝備制造環節，進一步提升我國機床制造和產品的水平。■

［1］ 孫鞏長. 如何進行電主軸的振動分析[J]. 裝備制造技術，2008(10)：82-84.

［2］ 楊智宇. 淺談軋鋼機械振動故障的診斷[J]. 科技創新導報，2012(4)：53-55.

［3］ Liu K，Huang S. Integration of data fusion methodology and degradation modeling process to improve prognostics[J]. IEEE Transactions on Automation Science and Engineering，2016(1)：344-354.

［4］ 張利娟. 某超臨界600,MW 機組9,X振動大的原因分析及處理[J]. 電力科技，2016(1)：197-198.

［5］ 孫即祥. 現代模式識別[M]. 2版，長沙：國防工業出版社，2009：1-280.

［6］ 黎瑜春. 某600,MW超臨界機組振動故障分析與處理[J]. 中國電力，2014(47)：55-58.

［7］ Liu K B，Gebraeel N Z，Shi J J. A data-level fusion model for developing composite health indices for degradation modeling and prognostic analysis[J]. IEEE Transactions on Automation Science and Engineering，2013(3)：652-664.

The Application of Data Fusion Technology Based Decision Tree in Motorized Spindle Failure Analysis and Prediction

DU Shouyin，LI Bin，HU Xin
(Tianjin Aerospace Long March Rocket Manufacturing Co.，Ltd.，Tianjin 300462，China)

With big data era coming and sensors widely used in various industries, the traditional equipment manufacturing is booming. Technology relating to mechanical equipment failure analysis and prediction were discussed. Taking motorized spindle fault analysis of the wall plate milling machine as an example, the paper proposes a method for fault detection and early warning .This method not only provides decision supports for production process, but also offers references for equipment production, featuring a wide application prospect.

fault analysis；data fusion；failure prediction；machine learning；intelligent manufacturing

TG659

：A

：1006-8945(2016)10-0015-03

2016-09-09