數控機床故障診斷技術的研究現狀及未來的發展趨勢

張瑞浠

（四川 成都 610200）

數控機床作為一種高精尖端的加工設備，應用于許多關鍵性零件的加工，但如果故障發現不及時，會導致工件的報廢，人員的人身安全受到威脅，同時降低企業的生產效率，增加企業生產成本。因此，研究并發展數控機床故障診斷技術不僅對我國數控機床核心技術領域有著重要意義，同時對制造業也有很大的幫助。

1 數控機床故障診斷技術的研究現狀

數控機床故障診斷主要面臨著以下幾個問題：故障位置不明顯且難以發現，容易出現誤診；加工環境復雜，獲得故障信息繁復，機床發生故障概率高；現階段機床故障診斷知識不完備等。目前主要的故障診斷方法可分為兩類：人工診斷方法和智能診斷方法。

1.1 人工診斷法

人工診斷法是基于操作者經驗的方法，其中又能大致分為外觀故障檢查、軟故障檢查、接插件接線與電纜檢查、機床數據檢查等項。外觀檢查法是操作者利用自身的嗅覺、視覺、聽覺等判斷機床是否出現故障。軟故障檢查法是操作者使用外觀檢查法后，查閱機床近期維修記錄，了解機床近期運行情況，然后排查機床可能存在的隱患。接插件接線與電纜檢查法是指操作者使用指令來檢查機床的各個部件的連接，同時還需要仔細檢查各部件之間的線路連接情況。機床數據檢查是通過分析機床故障現象，參考機床相關故障數據進行故障排查并校正機床數據。但這些方法的缺點是人為主觀性強，診斷結果不可靠，診斷效率不高，故障來源定位不準確，容易造成機床停機時間過長，維修困難。

1.2 智能診斷法

目前數控機床故障診斷的主流方法是智能診斷方法，它是將計算機，人工智能等技術運用于故障診斷領域，其主要分為以下幾種方法。

（1）故障樹分析法：故障樹分析法是將可能造成機床故障的因素從總體到局部，逐漸遞減進行分析排查。故障樹分析法不僅能排查系統軟件故障和硬件故障，還能排查人為因素；不僅能排查單一部件導致系統故障原因，還能分析出兩個及兩個以上部件導致的系統故障原因。這是一種能綜合整體考慮系統失效原因的分析方法。但它的缺點是故障機理不清楚，構造故障樹的多余量繁復，難度大，且只適用于常規故障診斷，無法發現個別特殊故障。

（2）單一功能監測法：單一功能監測法是通過傳感器收集機床各部件運轉過程中的信號，如溫度，功率，聲發射，振動等信號，建立相應的數學模型，對信號進行分析，提取故障特征信號，判斷機床是否發生故障及發生故障的位置。它的缺點是傳感器容易受環境干擾；接收故障信號繁雜且不全面，信號處理效率不高，容易發生誤判或無法及時判別機床的故障。

（3）模式識別與訓練模型的應用：模式識別與訓練模型的應用是指建立數控機床故障樣本庫，利用已知數控機床故障因素，建立實驗樣本，訓練神經網絡、支持向量機等模型，利用它們快速判別機床是否發生故障。但它的缺點是該方法無法判斷機床故障位置，同時由于機床設備造價昂貴，建立試驗樣本困難，無法采集大量樣本來訓練模型。

2 研究難點及可能的解決方案

數控機床是一個復雜而精密的大型設備，它受到各種因素的影響，極易發生故障。如操作人員操作不當，所加工的工件難加工，加工環境惡劣等，都會導致數控機床發生各種各樣的故障。從目前的研究來看，人工診斷方法由于效率低下，準確率不高，無法及時準確的發現故障所在位置，正在逐步被淘汰，而智能診斷方法因其高效的診斷速度以及準確可靠的診斷效果而受到越來越多企業的青睞。目前智能診斷技術還不成熟，它們仍存在著許多的不足，因此可以從以下幾方面進行改進。

（1）為了解決構造故障樹繁雜且難度大等問題，可以將模糊理論和專家系統以及故障樹有機融合，首先利用模糊推理方法，減少現有知識庫中的規則數量，增強知識庫中應用知識的靈活性和適應性。隨后建立故障樹與專家系統知識庫的關系，通過推理確定系統的故障模式。

（2）為了解決單一功能監測法中傳感器容易受到環境干擾和采集信號不完整的問題，采用多傳感器融合技術，通過多個傳感器采集機床各部位的運轉信息，綜合多信息來源來提高判別故障的概率，建立高效的信息處理數學模型，提高信號的處理效率和提取準確的故障信號特征。

（3）為了解決模式識別與訓練模型的應用中樣本少且無法定位機床故障位置等問題，可采用多方法融合故障診斷，即采用多種方法綜合診斷機床故障。首先建立共享故障樣本庫，依靠訓練模型及時迅速的判斷機床是否發生故障，隨后采用相應的方法如功能監測法或故障樹法來定位機床故障位置。這樣可以高效且準確的對機床故障進行診斷。

3 未來的發展趨勢

未來數控機床的發展將引領制造業，而數控機床故障診斷技術則在其中起著關鍵性的作用。隨著人工智能的不斷發展，智能診斷技術將更加成熟，判別結果將更加精準，未來數控機床故障診斷技術的發展可以從以下幾方面著手。

（1）建立完善的診斷系統知識結構和故障診斷知識庫。

（2）不斷的發展與研究高效的信息處理技術，綜合多來源故障信息，及時準確的提取機床的故障特征。

（3）企業之間可以共享數控機床故障數據，合作建立并不斷的豐富機床故障樣本數據庫，為模式識別等訓練模型提供龐大的樣本庫。

（4）優化神經網絡等模式識別算法，提高其自學習能力，在樣本不足的情況下可以提高數控機床故障診斷的效率。