智能主軸技術發展綜述

李闐岐，李小虎，萬少可，閆柯，洪軍

(1.西安交通大學，西安 710049；2.現代設計與轉子軸承系統教育部重點實驗室，西安 710049)

1 研究意義及價值

自工業4.0提出以智能制造為核心的第四次工業革命以來，世界各國紛紛將智能制造技術作為國家重點發展領域，努力推動本國的工業化水平提升，以期在工業革命中占據制高點[1-2]。我國也提出了智能制造2025的戰略方針，力求在科技發展中不落下風[3]。數控機床作為制造業的“工作母機”，其發展水平能夠直接體現一個國家的制造能力，是國家工業水平和綜合國力的象征。隨著我國機床行業的創新和發展，國產數控機床的技術水平日益提高，機床的國產化程度也越來越高，但核心技術與穩定性、可靠性水平還有待研究，多數的高檔數控機床仍然依賴進口。我國的高檔數控機床起步較晚，距發達國家還有很大的差距，為此《國家中長期科學和技術發展規劃綱要》將“高檔數控機床與基礎制造設備”列為了十六個國家科技重大專項之一，同時把數控機床及其功能部件的可靠性列為重大專項的重要研究內容。

數控機床是一個復雜的機電系統，由數個子系統耦合而成。主軸是機床的核心部件，具有高精度、高剛度、高轉速等特點，其性能及可靠性直接影響數控機床的加工精度、加工效率和產品性能。一方面，可以通過加強主軸的力學性能和穩定性提高主軸性能；另一方面，可以對主軸進行健康狀態評估監測，在主軸運轉過程中及時發現其故障狀態并實施預防性維護，從而避免故障和加工事故，減少停機次數，節約生產成本并提升可靠性。

一旦主軸發生故障，機床其他子系統也無法正常運轉，導致生產停滯，不僅影響正常的生產加工，降低生產效率，而且會增加故障查找難度，導致長時間維修停機，增加維修費用，提高生產成本。主軸是數控機床加工的直接驅動部件，需要承受較高的載荷，也是整個數控系統容易產生故障的環節，如果能對其進行監測、評估和適當的健康維護，保證其處于較為良好的狀態，可避免發生加工故障。

目前，主流的主軸狀態監測往往采用單個振動信號進行狀態判別，隨著機床和主軸結構日益復雜，故障耦合程度不斷加深，單個傳感器信號無法提供完整、準確的狀態信息，在未來的狀態監測過程中需要多種、多個傳感器共同協作、深度融合，從而判別主軸狀態，如何進行同種傳感器信息的互補性融合和不同傳感器的協同融合是研究的重點和難點。

主軸狀態評估技術的進步能夠為及時發現主軸潛在故障，判別主軸健康退化趨勢提供便利，從而實現基于主軸狀態的維護，在此基礎上提高數控系統的維護和管理水平，延長主軸和其他部件的壽命，避免設備可靠性和穩定性不足等問題。研發合適的主軸監測系統并集成主軸狀態評估技術有利于工廠實際加工過程中的進一步應用。使用多個傳感器數據對主軸進行狀態識別需要較強的處理性能和計算能力，需開發合適的監測軟件以滿足計算性能的要求；在此基礎上開發制造配套的傳感器嵌入式智能主軸，能夠提高主軸監測的準確度和快速性。另外，友好的人機界面和功能豐富的狀態監測系統能夠很大程度上推動主軸監測的廣泛應用，提高加工效率。

綜上所述，在主軸運轉過程中使用多個傳感器監測主軸的狀態參數，并運用數據處理方法對采集到的數據進行特征提取，狀態識別等綜合分析，結合多個傳感器的數據進行綜合性的主軸狀態識別有利于實現主軸的健康狀態評估，這是進行主軸狀態維護的前提，也能為主軸和數控機床的智能化發展提供技術保障[4]。

2 智能主軸的概念

智能主軸是具有感知、決策和執行三大功能的主軸[5-6]。傳統主軸在加工過程中只能被動地服從操作員的指令，而智能主軸則具有自主性和自學習性。目前，所期望的智能主軸應當具有智能化的技術，即直接根據目前狀態決定加工參數，從而優化加工工藝和提高加工精度，保證生產的流暢進行。在此基礎上，智能主軸需要發揮其自學習的特性，將過去的工況與知識結合起來，生成獨立的參數規劃模型，在遇到新工況時能夠通過學習到的特性給出調控策略，從而實現不斷的進步。

不同領域的智能主軸在具體功能上會有不同的設計，總體來講，預期的智能主軸有6個主要功能[7]：刀具狀態監控、顫振、主軸碰撞、溫度/熱誤差、主軸平衡、主軸健康。除此之外，智能主軸還具有一定的專有特性，即根據預期功能進行專有設計，實現特定功能。因此，在智能主軸開發時，設計者需根據特定需求設計相應的功能，同時重點考慮對主軸的狀態監測，準確的感知是后續調控的基礎。

由于工業領域的自動化和智能化要求越來越高，對智能化機床的需求也越來越迫切，主軸單元的智能化則是未來機床主軸的發展方向?，F代科技的發展為主軸的智能化提供了強力的技術，例如高精度、高靈敏度、結構精巧的傳感器，快速的數據總線傳輸機制以及快速發展的人工智能等，使得智能化主軸單元成為可能。

3 智能主軸的功能

3.1 狀態準確感知

目前，大多數高精高速主軸單元都配備了溫度傳感器以測量電動機、軸承等部件的溫度，一些專用主軸還配備了振動傳感器、力傳感器、電流傳感器等，這些傳感器安裝于主軸外殼或基座、電氣箱等部位，大多采用直接測量的方式。在實際使用中，智能主軸更依賴間接測量的方法，基于主軸的切削力或與其關聯的傳感信號，如電動機電流、刀具扭矩等。目前，智能主軸的研究集中于主軸的一個或幾個智能功能上，概念和特征尚不明確，沒有形成整體化的智能主軸單元，在工業領域也沒有實際使用的智能主軸。在智能化驅動的基礎上，國外一些公司對主軸進行了智能化改造以實現主軸單元的智能化感知、控制以及狀態評估。主軸的狀態監測是對其進行評估的基礎，通過傳感器采集主軸各個位置和部件的狀態信號并進行后續分析和處理。在主軸狀態監測應用方面，各大數控機床廠商都有一些能夠直接應用于生產加工的產品：2003年，米克朗公司開發了SPS主軸保護系統，其具有主軸碰撞監測保護功能[8]；2004年，Weiss公司將加速度傳感器和溫度傳感器直接集成到主軸中，用于后處理過程中的碰撞檢測，對主軸運行的歷史記錄、碰撞等時間有準確的記錄[9]；2006年，Mazak公司推出智能化的主軸狀態監測系統，具備熱屏障保護、智能安全屏障保護、語音提示、振動控制等功能[10]；2016年，Fischer公司研制了帶有主軸軸心冷卻系統的電主軸，能夠在監測軸溫的同時對其冷卻系統進行智能控制。國內相關的研究起步較晚，近年來也有一些成果：沈陽機床以工業化、信息化、網絡化、智能化和集成管理為理念，推出i5系列智能機床，變革了機床生產模式，致力于實現數控聯網加工[11]；華中科技大學則研發了8型智能數控系統以及INC型智能數控系統，能夠實現數據互聯和智慧數控。智能主軸功能豐富，對其配套的監測系統軟件提出了更高的要求：文獻[12]開發了基于SVDD模型的主軸健康指標評價系統(圖1a)，具有在線狀態監測、離線健康評估等功能；文獻[13]開發了多傳感信息融合的軸承狀態監測系統(圖1b)，通過判斷軸承的退化壽命預測主軸壽命。

目前，能夠直接應用的主軸監測系統大多是對基礎的傳感信號進行簡單的時域分析，根據獲得的峰值等參數直接判別當前狀態，沒有集成先進的主軸狀態監測算法，智能化程度及識別準確率均較低。研究人員對主軸狀態監測算法進行了較深入的研究：文獻[12]基于多源信息融合及粗糙集理論，使用滑動SVDD模型建立了主軸健康指標計算方法；文獻[14]在包絡譜分析基礎上開發了基于OSACBM及軸承故障判斷的自動主軸狀態監測系統；文獻[15]提出了基于聲發射信號的軸承判斷指標，能夠判斷軸承剩余壽命并對其進行預防性維護；文獻[16]對主軸振動信號進行小波包分解并以其能量熵值為指標判斷銑削加工的狀態，根據顫振的發生判別主軸狀態；文獻[17]開發了能夠主動抑制銑削顫振的主動式主軸系統(圖2)；文獻[18]根據長短期記憶(LSTM)網絡的優點，提出了具有深度學習能力態勢感知的智能主軸自主感知方法。

(a) 電主軸狀態評估模塊

圖2 基于壓電作動器的主動顫振抑制系統Fig.2 Active flutter suppression system based on piezoelectric actuator

3.1.1 主軸狀態感知

主軸狀態包括主軸的加工狀態、刀具狀態、主軸碰撞、熱變形、主軸平衡、顫振等，主軸的加工狀態由各部件的狀態共同決定。

刀具是主軸的重要部件，直接與工件接觸并影響加工性能和精度。一般采用力傳感器[19]、振動傳感器和聲發射傳感器等進行狀態監測以判斷刀具的磨損和破損情況，刀具磨損會導致切削力分量增加，刀具斷裂會導致切削力不連續或產生脈沖信號，切削力則會引發機床結構的振動，由于切削力的測量具有局限性，在工程中往往使用振動信號代替切削力：文獻[20]通過主軸支架上的振動傳感器獲取振動信號并通過在線監測診斷主軸故障；文獻[21]安裝2個傳感器測量主軸位移信號，用于端面銑削時的刀具破損檢測。刀具的耐用性很強，其出現問題的原因大部分是加工時的碰撞，包括編程錯誤和操作失誤引起的碰撞。目前，對于主軸碰撞的研究類似于刀具磨損監測，主要通過力傳感器或振動傳感器的信號判斷，也可使用多普勒雷達進行運動物體感知從而檢測碰撞[22]。

主軸碰撞是一種強烈故障，可歸類為比較容易監測識別的故障。

在主軸運轉過程中，熱變形引起的加工誤差也會影響加工精度和可靠性。熱變形是由不正常的主軸部件溫升所導致，當主軸承受較大載荷或潤滑不良時，軸承和電動機的溫升會出現異常，這也在一定程度上預示著故障的發生。目前，普遍使用熱電偶或熱電阻傳感器監測溫升，使用時域閾值分析完成異常判別。另外，對于主軸內部沒有集成溫度傳感器，無法直接獲取溫升的工況，可通過間接測量判斷熱變形，如利用基于貓眼反射鏡的光學傳感器測量高速電主軸的熱伸長[14]。

高速主軸的發展對主軸的平衡提出了更高要求，主軸輕微不平衡就會引起工件和工具的不對稱安裝，從而導致振動。主軸平衡往往通過振動信號監測，加速度計的體積小、重量輕、靈敏度好、頻帶范圍寬，在不平衡監測中廣泛應用[23-24]。

顫振是對主軸影響最大，發生最頻繁的一種故障，顫振監測則是一個二分類或三分類的問題，核心算法與軸承故障診斷研究類似。在顫振識別方面，除了廣泛使用的卷積神經網絡(CNN)外，傳統的支持向量機和人工神經網絡仍占有一席之地，其識別準確率達到90%以上。文獻[25]使用小波包分解重構提取信號特征，通過粒子群算法優化SVM參數并識別主軸切削顫振狀態；文獻[26]將主軸振動信號進行連續小波變換后輸入到卷積神經網絡中，并根據網絡的分類結果判別顫振；文獻[27]使用小波包變換對主軸振動信號和聲音信號進行分解，通過RFE尋找最佳特征子集并使用人工神經網絡進行顫振診斷，同時提出一個新的特征指標。然而，顫振識別面臨單傳感器信號診斷準確率不高的問題；而且，主流算法均以特征明顯的實驗室數據集作為測試樣本，不能滿足實際工程需求，也難以滿足實時性要求。

3.1.2 主軸部件狀態感知

主軸部件狀態主要分為電動機狀態和軸承狀態。

電動機作為直接動力源，涉及到各工業領域生產活動的連續運行，其故障會導致整個生產線停產[28]，故障模式主要包括短路、導條斷裂、接地故障和氣隙不均等。電動機是出廠時調試好的部件，其穩定性和壽命相對其他部件較優，目前的狀態評估算法很少將電動機故障作為識別重點，一般通過與其相似的其他電動機故障類型進行分析。電動機一般以電流信號作為主要感知信號，由于電流信號受主軸功率和切削狀態的影響很大，難以對電動機做出準確的狀態判別。也有一些研究通過轉速等其他信號進行電動機狀態估計，如文獻[29]根據轉速波動提出AIEKF狀態估計方法，優化了電動機評估的準確率。

軸承是主軸的基礎部件和核心部件，約40%的旋轉機械故障是軸承故障所引起的[30]。軸承的工作環境十分惡劣，環境溫度高，承受載荷大，其狀態也是重要的監測內容，關于軸承故障診斷的算法研究取得了很多成果，當前軸承故障診斷的兩大類方法如圖3所示。

圖3 軸承故障診斷技術Fig.3 Bearing fault diagnosis technology

基于信號處理的軸承診斷技術主要通過信號處理方法提取并分析響應信號的故障特征，從而有效識別軸承故障：文獻[31]對軸承振動信號進行快速傅里葉變換并檢測振動模式發生的變化，從而進一步得出故障情況；針對傳統傅里葉變換難以解決信號的非平穩性及變化較快，無法準確獲得有用信息的問題，文獻[32]提出了一種新的自適應經驗傅里葉變換方法，并通過試驗證明該方法能夠提高軸承故障診斷準確率；文獻[33]研究了小波變換在軸承故障診斷中的應用，利用一種加權香農函數對某些頻帶的小波系數函數進行合成，并采用平均自相關功率譜突出軸承故障特征，試驗表明該方法對非平穩信號的特征提取和狀態識別的效果均優于其他方法；文獻[34]提出了一種改進的經驗小波變換方法，提升了滾動軸承故障診斷的快速性和準確性；文獻[35]利用經驗模態分解(EMD)和雙譜分析進行軸承故障診斷，避免了選擇小波基函數的經驗問題；針對EMD的端點效應，文獻[36]提出了改進的基于帶寬的經驗模態分解方法，文獻[37]提出了新的自適應經驗模態分解方法，使提取的故障特征更加集中，能夠更有效地檢測軸承故障。綜上可知，信號處理方法的診斷過程比較復雜，而且需要依賴專家經驗進行最終的判別。

學術界對深度神經網絡的研究較為深入，軸承故障診斷也據此取得了較多成果：文獻[38]提出了一種用于海量數據的旋轉機械故障特征挖掘和智能診斷的深度神經網絡(DNN)方法；文獻[39]利用壓縮感知改進卷積深度信念網絡，提高了壓縮數據特征學習能力；文獻[40]使用多個振動傳感器的信號進行數據層融合，通過改進結構的CNN網絡進行軸承故障診斷。目前，主流的軸承故障診斷均采用卷積神經網絡進行處理，具有深度特征提取，診斷準確率高等優點。

3.2 多源傳感器信息融合技術

在工業控制和加工領域，系統的故障類型越來越多，通過單一信號及故障診斷方法難以做出準確可靠的判別，易產生誤判和漏判。多源信息融合的意義是充分利用各個傳感器信號源，通過一定的標準將多個信號源的信息進行整理和組合，從而得到對所研究對象的一致性描述和狀態判斷，使該系統具有更強的綜合性和更高的準確性。信號融合算法是多源信息融合的基礎和核心內容，其本質是通過數學方法加工多維度的傳感器輸入數據，實現傳感信號的融合。

信息融合可分為數據層融合、特征層融合和決策層融合。數據層融合指直接融合同種或同類傳感器的原始數據，并給出特征提取或局部診斷決策的結果：文獻[41]融合了振動和電流信號進行特征獲取，重構多域高維相空間，獲得低維敏感特征，采用增殖流形相似度進行狀態識別；文獻[42]使用一級CNN進行多個傳感器的特征提取，接著使用二級CNN進行多傳感器決策融合，提高了軸承復合故障診斷的精度；數據層融合能夠補足單一傳感器的缺陷，消除部分噪聲，但對于特征提取和最終決策的作用不大。

特征層融合直接提取數據源的特征信息并進行融合分析處理，能夠保留單個傳感器的重要信息，為后期的最終決策提供支持：文獻[27]使用小波包提取振動信號和電流信號的特征后進行排列重選實現融合，作為人工神經網絡的輸入進行軸承故障診斷；文獻[43]提取雷達和紅外信號的特征后，提出基于Owen值的特征選擇算法，結合信息論和合作博弈理論,建立合作博弈特征選擇模型并選擇合適的特征作為診斷依據；特征層融合能夠在較大程度上實現信號的深層融合，但相關研究較少，融合深度也有待加強。

決策層融合是對單個傳感器數據處理和特征提取后進行初步決策，然后將初步決策結果在某種規則下進行組合從而得到最終的聯合決策結果：文獻[12]根據各傳感器對電主軸健康狀態的敏感度計算權重,并采用加權DS證據理論融合傳感器數據，通過對傳感器加權的方式實現了較為準確的軸承健康狀態分類；文獻[42]使用二級CNN網絡進行多傳感器決策融合，提高了軸承復合故障診斷的精度；文獻[44]對振動、諧波和溫度信號進行EMD處理得到特征向量，通過BP神經網絡得到單個傳感器信號的診斷結果，最終使用DS證據理論融合得到多個傳感器信號共同的診斷結果。決策層融合是一種高層次融合，雖然精度較低，但抗干擾能力強，對傳感器依賴小，靈活性和容錯性較好，是目前相對成熟的融合方式。

目前常用的信息融合算法有Bayes理論、模糊理論、DS證據理論、人工神經網絡和卷積神經網絡等。隨著深度學習的發展，特征提取效果越來越好，多源信息融合也具有了更好的發展：文獻[13]提出了一種基于多層DIN網絡的自適應信號融合網絡，使用軟注意力機制將2層DIN網絡的特征進行融合，并根據融合后的特征預測和判別軸承狀態；文獻[45]等將多通道振動信號轉換為二維時間序列信號，進行數據層融合后使用CNN模型從原始數據中直接提取特征并輸出軸承故障類型；文獻[46]利用改進的CNN模型從多通道振動數據中提取特征，然后利用支持向量機進行故障分類；為避免多通道信號融合過程中的信息丟失，文獻[47]提出了一種帶有瓶頸層的CNN模型，利用瓶頸層融合來自同一時間節點的多通道振動數據，取得了較好的診斷效果；文獻[48]采用一維卷積網絡分別提取振動與聲音信號的特征后，使用卷積層和池化層對其進行融合，最后由Softmax層輸出故障類別，在不同的信噪比下均達到了較高的精度；文獻[49]提出了基于深度LSTM網絡的預測方法，將多個傳感數據信號直接輸入同一網絡層實現數據自動融合，同時通過多層結構捕獲退化特征。

不論是傳統的信號處理方法，還是深度學習模型，其未來發展都離不開多傳感器信息融合的要求，但大多數研究仍處于早期階段，只是將多個傳感器的數據拼接重構后提取對應的特征并輸入模型進行檢測，這會導致多個傳感器數據的耦合信息丟失，同時也無法挖掘信號更深層的特征信息：因此，有必要在深度學習模型超強特征提取能力的基礎上，結合多源信息融合的優勢，設計合理的信息融合算法和框架，實現信息的互補融合，提高主軸狀態監測的效果。

3.3 主軸狀態決策及調控

在對智能主軸狀態進行全面感知后，需要根據其狀態進行一定的決策和控制，目前的研究主要針對刀具控制、顫振抑制、碰撞預防、熱補償、動平衡以及自動潤滑控制等。

3.3.1 刀具狀態調整

在基于測量的方法中，大多數方法會直接或間接地從測量信號中獲得切削力，并對刀具的偏轉或磨損進行補償。文獻[50]通過傾斜調整刀具位置，減小刀具偏轉導致的加工誤差。文獻[51]開發了一種自適應主軸系統，用于補償振動引起的刀具偏轉和振動-過程力，根據測量的加工力和刀具剛度計算刀具撓度，主軸由壓電驅動器在3個軸向定位，實現了銑削過程中刀具偏轉的自動在線補償。除控制刀具的偏轉外，文獻[52]還考慮了對工件進行偏轉，以控制薄壁結構周邊銑削過程中力引起的表面尺寸誤差。

基于模型的方法在加工過程中使用一個力模型估計切削力，刀具被建模為一個懸臂梁，用估計的切削力計算刀具的撓度[53-58]。此外，刀具磨損引起的加工誤差也可以用基于模型的方法控制：文獻[59]提出了一種球頭銑刀磨損模型預測切削刃的磨損，其通過計算刀具的實際路徑提前預測加工誤差，并在制造前對程序進行修正；文獻[60]發現刀具偏轉引起的表面傾斜是由刀具路徑兩側的切削載荷不平衡所引起，其開發了一種刀具負載平衡算法，通過調整刀具路徑和/或進給速度減小表面變化?；谀Ｐ偷姆椒ㄍǔＴ谀M環境中進行研究[61]，通過各種補償方案計算、修正刀具路徑，直到得到所需的輪廓，為實際加工中的加工誤差補償奠定了理論基礎。

3.3.2 顫振決策與控制

顫振是主軸的重要狀態，識別后需進行調控抑制。文獻[62]對不同的顫振抑制技術進行了評述。

第1類方法通過優化工藝參數(如主軸速度、每齒進給量、切削深度或切屑負載)緩解顫振[63-65]，這類方法主要依靠經驗，缺乏適應性和魯棒性，不能擴大穩定波瓣圖中的顫振穩定區域。

第2類方法通過連續的主軸轉速調制干擾再生效果[66]，其需要極快的主軸轉速變化以緩解顫振，但主軸變化速度受主軸慣性和驅動功率的限制，而且主軸轉速調節改變了穩定性邊界[67]，此類方法不適用于高速銑削。

第3類方法是主動/半主動顫振控制，通過作動器(壓電堆、主動磁軸承等)或主動阻尼元件(磁流變流體、電流變流體等)改變主軸動力學特性。

主動顫振控制是一種很有前途的智能主軸控制方法，可以根據不同的主軸轉速和切削深度動態改善穩定區域。實際應用中，普遍采用安裝外部作動裝置的方式對主軸系統的振動進行控制，如圖4所示的自適應主軸系統(Adaptive Spindle)[68]， 通過安裝在主軸外部的壓電作動器向主軸施加主動控制力保證工件加工質量，國內學者也利用安裝在軸承徑向上的壓電裝置對主軸的振動進行抑制。然而，上述方案受限于安裝空間的同時， 容易給主軸系統機能帶來負面影響(壓電作動裝置施加的徑向力會影響軸承內部的接觸應力進而影響主軸壽命)。

(a) 刀具變形自適應補償主軸系統

對于滾動支承主軸系統而言，可考慮從軸承預緊的角度對主軸系統的性能進行主動調控：文獻[69]提出了一種基于線性二次調節器和粒子群優化算法的顫振控制器，實現了主軸顫振的在線抑制；文獻[70]通過理論和試驗分析了軸承預緊力對主軸支承剛度、溫升的非線性影響規律；文獻[71]研究了考慮軸承打滑與溫升的主軸高速球軸承在不同工況下的最佳預緊力調控準則；文獻[72]則進一步研究了定壓/定位預緊以及預緊力大小對主軸剛度、溫升以及振動的影響；需要注意的是，通過預緊力調節實現主軸系統性能主動調控的方式在改變主軸系統剛度的同時往往會帶來溫升方面的復雜影響。

還可對主軸系統的阻尼、振動進行主動控制：文獻[72]利用磁懸浮主軸中電磁軸承阻尼可控的特性，通過增加磁懸浮主軸系統阻尼實現了銑削顫振的主動抑制；文獻[73]設計了一種基于線性二次高斯的自適應控制策略提高主軸的阻尼；文獻[74]采用反饋補償并結合自學習主動控制策略對主軸振動進行主動控制；文獻[75]將自適應反饋控制與模糊邏輯算法相結合，利用電磁作動器對銑削過程中的切削力進行主動抵消以實現主軸回轉中心位置的調控。

3.3.3 碰撞檢測與調控

碰撞控制策略的目的是避免或減少損傷，當檢測到碰撞時，通常采取的動作是緊急停止機床?；诰嚯x的碰撞監測方法可以實現避碰，當監測距離小于某一數值時，數控系統會發出控制指令緊急停止機床。然而，大多數碰撞監測方法基于不能避免碰撞的接觸傳感器，因此除了緊急停止系統外，可能還需要過載耦合器裝置來防止損壞。過載耦合器裝置包括滾珠絲杠離合器和機械解耦保護裝置，滾珠絲杠離合器用于進給驅動裝置，當作用在進給軸上的力過高時，滾珠絲杠離合器觸發，進給軸與進給驅動分離；機械解耦保護裝置[76]包括內、外2個成形環，分別連接主軸凸緣和底座，當作用在主軸上的力超過夾持力時，2個環分離，主軸與機床軸間的力中斷。此外，內環中安裝了3個感應位移傳感器元件以檢測相對運動，可用于啟動CNC控制的對策，如進給軸的緊急停止或后退運動[77]。最近，文獻[78]提出了一種新型過載保護系統，發生碰撞時可以減小接觸力。

3.3.4 熱誤差補償

熱誤差補償通過重新調整軸的定位實現，其基于對進給驅動系統的操縱，要么在伺服系統的反饋回路中插入補償，要么通過移動控制系統的參考原點[79]。能夠處理大量數據的能力使基于計算機的外部補償操作得到廣泛應用[81]，加工過程中通過外部補償器實時獲取機床溫度和主軸轉速信號，對熱漂移進行估計并將補償信號發送給數控系統以調整軸的位置或移動原點坐標[82]。然而，上述解決方案的固有缺陷是無法補償驅動系統中排除的自由度(如主軸傾斜誤差等)中的變形。

3.3.5 動平衡調節技術

動平衡相關的研究相對較多，文獻[83]提出了在線自動平衡的概念，不需要機器停止就可以自動完成平衡，可分為被動平衡和主動平衡，主動平衡的應用效果更好且適應性更強，受到越來越多的關注。文獻[85]詳細回顧了旋轉機械的主動平衡方法，最后采用基于機電、電磁或水力噴射技術的平衡裝置產生力來抵消主軸的不平衡質量。

3.3.6 自動潤滑控制

自動潤滑控制主要是利用反饋信號主動控制潤滑流量和主軸轉速，改善軸承接觸條件。合理的潤滑能夠有效減小主軸關鍵部位的磨損，降低軸承等部件的故障率，延長主軸壽命。目前常用的主軸潤滑方式為自動潤滑，即潤滑系統通過將潤滑油輸送到主軸的各個潤滑點實現周期性潤滑，能起到較好的保護作用，但也存在一些問題，如惡劣工況下容易故障，油脂分配效率低下，潤滑油脂浪費，成本高昂，潤滑點較多而無法合理布局潤滑系統管道等。國外對自動潤滑系統的研究起步較早：文獻[86]設計的新型潤滑分配器能夠根據當前潤滑點的溫度和流量自動設置潤滑給油量，在保證潤滑性能的同時避免潤滑油脂的浪費；文獻[87]改進了機床常用的集中式潤滑系統，通過溫度信號反饋潤滑劑的給定狀態，從而動態設置潤滑劑的用量，試驗表明其能夠減少25%的潤滑劑用量。國內的自動潤滑系統大多沿用國外的技術，但近年來在智能化潤滑系統方面有一定的研究成果：文獻[88]設計了新型自動潤滑系統，其使用CAN總線技術實現主控單元和潤滑系統的數據互通，提高了潤滑系統的可靠性；文獻[89]設計的智能控制潤滑系統能夠在上位機中對給定的潤滑劑進行監控，同時設置下一步的潤滑時間、潤滑用量等參數，實現了對潤滑點的高效潤滑；文獻[90]研發了自動多流量潤滑泵，使用PLC控制多流量泵分配潤滑油，實現對潤滑點的精準潤滑，在保證發熱符合要求的同時節約了潤滑油的用量。

4 結論及展望

目前，智能主軸的研究已有近15年的時間，傳感器、執行器、數據處理算法、人工智能技術、控制技術和維護策略等方面的發展為智能主軸提供了發展方向和便利。現有一些研究大多是對傳統電主軸的改進，使其能夠帶有部分智能化的功能，如安裝顫振監測和主動抑制模塊，外置的振動傳感器雖然能夠獲取主軸的振動狀態，但魯棒性很弱，而且額外附加的調控模塊也需要復雜的控制軟硬件，應用難度相對較大；另外，智能主軸的狀態監測一般通過復雜的算法和人工智能模型實現，而當前主軸傳感信號的數據量有限，其他領域的數據也難以共享到主軸，目前的主軸狀態監測水平還處于較低水平。綜上所述，智能主軸的發展有以下幾個趨勢：

1)設計時自頂向下，設計嵌入傳感器、高魯棒性的智能主軸。智能主軸的開發應當從設計開始，通過全面的功能設計整合各部件及模塊的功能，如集成刀具控制、軸承監測、潤滑控制、顫振監測控制等功能；傳統的傳感器布局及安裝無法滿足智能主軸的監測需要，研究緊湊化的傳感器布局或采用無線傳感器等新型智能化傳感器也是未來的發展目標；另外，為實現監測與控制的協調功能，集成到主軸結構中的調控模塊也十分重要。

2)準確的狀態監測算法以及監測系統設計。感知是智能主軸的基礎，在測量振動、電流、溫度等信號的基礎上，通過數據處理得到主軸的準確狀態是一大難點。為實時監控智能主軸，需要更快速、更準確的數據處理方法提取信號特征，實現對數據的深層挖掘，同時要注意信號之間的耦合關系，將多源信息融合技術應用于主軸狀態監測中。

3)協調傳感器以及各功能模塊的同步工作，在主軸安裝調試時要注意傳感器數量增多引起的干擾，以及內置變頻電動機的安裝方式帶來的靜電干擾等影響實際使用的問題。

4)根據主軸狀態及時進行工藝參數決策和調控。實時決策是在狀態監測前提下的智能化行為，智能主軸在加工中會面臨復雜的工況，決策系統開發時應配備快速、準確的人工智能算法，并能在加工過程中通過自學習不斷改進決策模型，提高智能主軸的穩定性。

5)實現機床智能互聯，融入工業大數據時代。在工業4.0模塊化結構的智能工廠中，智能機床將連接成為一個共同協作的整體，同種或類似的加工環境能夠為智能主軸提供海量的共享數據以及決策方案，為智能主軸決策模型的快速豐富提供了基礎。另外，云計算等技術的發展能夠為智能主軸提供強大的計算能力和數據存儲功能，避免了本地存儲的局限性以及數據交換困難等問題。

對主軸不同領域的研究推動了智能主軸技術的發展，工業界日益認識到智能化的主軸是未來機床發展的必經之路。而隨著智能化傳感器，快速準確的數據處理算法，高效緊湊的控制器等關鍵技術的發展，智能主軸也將真正出現并應用，成為智能工廠的重要組成部分。