數控機床故障預測研究

李 晟， 鄧 玲

（新余學院工程訓練中心， 江西 新余 338000）

1 研究現狀

從20 世紀70 年代開始，智能檢測、故障診斷、故障預測以及健康管理等技術開始在工程領域廣泛應用。最初，故障診斷與健康管理技術是由美國軍方提出的，主要用于航空、航天、裝備制造和軍事等領域，以確保復雜系統的安全性和可靠性。隨著電子和機械行業的迅猛發展，這些技術逐漸擴展到各個工程領域，推動了工業生產和經濟效益的提高。國內外數控機床領域的專家學者借鑒該技術的思想原理和操作方法，應用神經網絡、智能優化算法等技術監控數控機床生產，從而可以在數控機床發生故障之前采取預防措施，避免故障對生產效率和經濟利益的影響，當前國內外研究的主要焦點集中在機床結構、刀具技術以及加工過程三個方面。本文主要對數控機床本體故障預測進行研究，在這方面，Zuo Y 等研究團隊提出了數控機床遠程狀態監測和故障知識庫系統，以增強數控機床的智能維護水平和提高使用效率[1]。邴智剛及其研究團隊運用模糊C 均值聚類算法，成功創建了用于機床加工過程中主軸故障識別的模型，通過對機床主軸振動、轉速、溫度等數據信號進行分析和預測，并利用提取的特征參數作為輸入信號，成功實現了在線故障預測，達到了高達99%的準確率[2]。Jing L 等研究者提出了一種融合卷積神經網絡的方法，可直接從機床振動信號的頻率數據中提取故障特征信號，這一創新使得能夠高精度地預測機床故障時的振動信號[3]。林偉強通過利用數控機床內部傳感器實時采集設備狀態數據，并運用循環神經網絡對機床故障特征空間進行分類和預測，成功實現了出色的故障預測成果[4]。

傳統數控機床的故障預測算法通常具有慢的收斂速度和低的預測準確度，導致故障預測結果的不精確性。盡管國內在數控機床故障預測技術方面相對較晚起步，但目前仍有大量相關研究正在積極進行。這些研究運用多種先進技術手段，包括機器學習、神經網絡、深度學習、智能優化算法等，以對數控機床運行狀態數據進行分析和預測，從而成功實現機床設備故障的預測。故障預測技術未來有廣闊的發展前景。國內在故障預測技術方面的研究需要更多地在敏捷、網絡、智能化和精準化等方面加強。因此，本文以實際工業生產為焦點，以數控機床主軸作為研究對象，堅持低成本和易操作的原則，旨在研究并開發基于無線傳感器網絡的數控機床故障預測系統。

2 問題分析

當軸承的潛在故障沒有被及時發現，隨著運行時間的增加，故障程度將逐漸加劇，導致軸承溫度特性曲線偏離正常工作范圍。因此，通過對數控機床主軸軸承溫度進行預測，可以實現對主軸軸承故障的預測。

基于BP 神經網絡和基于DSSA 算法的模型均能夠高效地實現數控機床主軸軸承的溫度預測。BP 神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡, 能學習和存貯大量的輸入- 輸出模式映射關系，通過不斷調整網絡中的權重和偏置來減小模型預測值與實際值之間的誤差，以提高模型的性能。

x1，x2，…，xn為輸入量，y1，y2，…，ym為輸出量，ωih為輸出層至隱含層的權值，ωhj為隱含層至輸出層的權值。

隱含層中隱節點輸出模型為：

輸出層中輸出節點的輸出模型為：

式中：f為非線形作用函數；q為神經單元閾值。

神經網絡的基函數是指用于反映下層輸入對上層節點激活強度的函數，在BP 神經網絡中，常用的基函數是Sigmoid 函數，其輸出取值范圍在（0，1）區間內。

Sigmoid 函數的函數形式為：

DSSA 算法是一種新型的群體智能算法，其收斂速度快，最優解的精度高。由于網絡結構的初始值隨機化選擇，BP 神經網絡通常容易陷入局部最優解，導致數控機床故障預測模型的結果精度較低。為了解決BP 神經網絡內在問題，采用了DSSA 算法對網絡的權值和閾值進行迭代優化。同時，從大量的訓練數據中篩選出代表性的樣本，并通過全面的算法流程和實驗不斷調整，以獲取最佳的BP 網絡結構，從而實現構建高效的數控機床故障預測模型的目標。

3 故障預測模型算法優化

本研究的目標是開發一個高效的數控機床故障預測模型，以提升機床設備的安全性和穩定性。為解決BP 神經網絡內在問題，采用了DSSA 算法，通過迭代優化神經網絡的權值和閾值。此外，還借助大量的訓練數據對模型進行訓練和驗證，以確保其準確性和可靠性。通過網絡結構和參數的精心優化，成功構建了一個最優的BP 神經網絡模型。經過多輪實驗和參數優化，DSSA 算法在BP 神經網絡優化方面表現出色，有效提升了模型預測的準確性和穩定性。這使得能夠更好地進行數控機床故障預測，并實現了可靠的故障報警功能。

該算法首先使用DSSA 算法找到一個初始最優解，將其用作BP 神經網絡結構的初始權重和閾值。然后，對BP 神經網絡進行迭代優化，包括優化與三層神經元結構相關聯的連接權重和閾值，最終獲得了一個最優的BP 網絡結構。隨后，將準備好的訓練樣本輸入到BP 神經網絡中。通過多輪的迭代學習，確保網絡的輸出結果與真實結果的誤差小于預定的精度要求，從而滿足了問題解決的要求。在這一過程中，DSSA 算法不斷地優化BP 神經網絡的結構，直到達到預設的結束條件，然后才會停止循環迭代。

為了優化預測模型的參數，采用的DSSA 算法相對于傳統的優化算法表現出更高的參數尋優效率和更快的全局最優解收斂速度。這主要有兩個原因：

首先，該算法表現出高效性，因為整個算法在尋找全局最優值的過程中，能夠平衡整體搜索和局部搜索的能力，每次搜索都會沿著最優路徑進行。

其次，該算法具有廣泛的易用性，這一特性主要是由SSA 算法的參數較少決定的。從本質上來說，BP神經網絡的整個訓練過程始終是朝著梯度下降方向進行的，因此容易出現陷入局部最優解的問題。通常情況下，BP 網絡中每個神經元之間的權重和閾值通常會被隨機初始化在-1 到1 之間。因此，如何選擇適當的初始權重和閾值對BP 網絡的學習和訓練過程具有重要影響。如果初始值選擇過大或過小，整個網絡的訓練速度將會受到影響，導致訓練過程變得非常緩慢。此外，最終的預測模型輸出結果也可能變得不準確。然而，改進后的DSSA 算法具有更快地收斂速度和更精確的解空間探索，因此在解決優化問題方面具備顯著的優勢。通過采用改進的DSSA 算法對BP神經網絡結構中的神經元連接權重和閾值進行數值優化，BP 神經網絡的訓練速度得到了顯著的質的提升。最終，可以構建具有最佳結構的BP 神經網絡，并使用該網絡來預測數控機床主軸的故障，以獲得更精確的預測結果。

4 信號處理及特征提取

在實際加工過程中，數控機床故障的發生機制和演變規律會隨著數控機床的結構和運動類型的不同而變化。因此，根據信號變化的特點，采用適當的信號處理方法來提取故障特征，對于實現故障預測和性能評估是至關重要的前提。

為了提高故障預警和性能評估的準確性，必須深入研究信號成分的內在生成機制以及它們在時頻域上的分布特性。在工業現場獲取的各種信號中，通常存在大量噪聲，而部件性能的退化和故障導致的信號變化往往會被噪聲所淹沒，難以辨別。因此，需要最大程度地消除噪聲的影響。

目前，對于采集的信號，首要步驟是利用信號濾波技術來去除或減弱噪聲的影響，其目的是提高信號的信噪比。這些濾波方法包括相關濾波、閾值濾波、自適應濾波、小波相關濾波等等。然而，由于缺乏對故障機理和信號噪聲生成機制的深入研究，嘗試去除噪聲的同時，有用的信息也可能被誤刪。因此，將噪聲與部件的運動機理相結合進行深入研究至關重要。

特征提取是狀態識別和壽命預測中至關重要的一步，它的準確性在很大程度上取決于選擇能夠敏感地反映部件性能退化或故障發生的特征。特征提取方法涉及對經過預處理的信號進行時域、頻域和時頻域的分析，以建立故障或性能變化趨勢與特征之間的映射關系。其目標是尋找與故障或性能變化趨勢一致的單調線性特征。這一步驟對于提高模式識別的準確性至關重要。時域特征包括均值、方差、均方根、脈沖因子、峭度等；頻域特征使用幅值譜、功率譜和故障特定頻率；時頻域特征則采用小波分析、小波包分析和二代小波分析等技術，根據時間- 頻率分布特性計算不同頻段的功率譜、波熵以及小波系數的統計特征，如均值、均方根、模極大值等。

5 模型評估誤差指標

為了評估DSSA-BP 故障預測模型的性能表現，本文采用了常用的回歸預測模型誤差評估指標，包括平均絕對誤差、均方誤差、均方根誤差以及平均絕對百分比誤差來對模型性能進行測試。較小的誤差值通常表示模型的預測結果更為準確。

5.1 平均絕對誤差MAE

MAE 是衡量預測值與實際值誤差絕對值平均程度的指標，其取值范圍為［0，+∞］。當預測值與真實值完全一致時，MAE 為0，代表模型表現最佳；反之，隨著誤差增大，MAE 值也隨之增加，反映模型性能逐漸下降。

5.2 均方誤差MSE

MSE 是衡量預測值與真實值的絕對平方誤差的平均平均程度的指標，取值范圍是［0，+∞］。

5.3 均方根誤差RMSE

RMSE 是對MSE 進行開方根號處理的指標，其目的是使誤差的量級更加直觀和便于理解。取值范圍是［0，+∞］。

5.4 平均絕對百分比誤差MAPE

MAPE 的敏感性使其在處理目標參數數量級差距很大的問題時非常有用。MAPE 的取值范圍為［0，+∞］，與目標參數的全局縮放無關，因此可以有效處理具有不同數量級差距的數據。當MAPE 值超過100%時，表示當前模型表現極差。需要注意的是，如果實際值中存在等于0 的數據，MAPE 的公式會出現分母為0 的問題，此時需要采取適當的處理方法來避免錯誤結果。

6 數據采集

在工廠生產環境中，通過無線傳感器網絡收集數控機床主軸運轉的實時數據，從而獲得初始的總體樣本數據。接下來，重要的是選擇用于訓練和測試的樣本，并對它們進行歸一化處理。在樣本選擇過程中，必須特別關注樣本的代表性和多樣性，以確保這些樣本能夠全面反映所要預測問題的各個方面。為了對樣本進行歸一化處理，可以使用最大最小值歸一化或標準差歸一化等方法。通過選擇適當的樣本并進行有效的歸一化處理，可以提高神經網絡的性能和準確性，為有效的預測提供可靠的基礎。最后，使用建立好的模型對數據進行訓練和預測，并通過對比實驗來驗證模型的性能，判斷機床主軸是否發生故障。

為了選擇適當的溫度數據，本論文主要根據以下要求進行篩選：

1）為了滿足實際需求，數據監控的地點應提供便捷的監測條件和高價值的監測結果。因此，本研究選擇了某工廠內數控機床正常運行的場所作為故障預測模型的應用場景。同時，傳感器被盡可能地安置在靠近數控機床主軸的區域，以確保不干擾機床的正常運行。

2）為了確保溫度數據的有效性，采集時間間隔必須合適。過長的間隔可能導致數據無法準確反映非線性變化趨勢，而過短的間隔則可能增加數據處理的復雜性，降低應用的實際價值。因此，本研究設置傳感器的數據采集間隔為每3 min 采集一次，即每小時采集20 次數據。這個設置有助于在保持數據有效性的同時，降低數據處理的復雜性。

根據某傳感器節點，從8 月15 日到20 日的每天16：00 到18：42，共采集了溫度數據。數據采集的時間段為每天2 h 42 min，采集間隔為3 min，總共獲得了324 個樣本數據點。

對樣本數據進行分類，每天將數據分為輸入樣本和輸出樣本。具體地，以前4 次采集到的數據作為輸入樣本，用于預測第5 次采集到的數據（輸出樣本）。然后，將這個窗口往后滑動一次，以第2～5 次數據作為輸入樣本，用于預測第6 次數據，以此類推，直到最后以第50～53 次數據作為輸入樣本，用于預測第54次數據。每天總共會生成50 組數據。通過利用8 月15日到19 日每天16：00—18：42，每天時長2 h 42 min的溫度數據進行網絡的訓練學習，總共獲得了250 組訓練樣本數據。然后，使用8 月20 日16：00—18：42，時長2 h 42 min的溫度數據對網絡進行結果測試，得到了50 組測試樣本數據。

采集到的部分訓練樣本數據根據時間先后順序如表1 所示，從8 月15—19 日采集的每天下午16：00—16：30 的機床主軸溫度樣本數據。

表1 部分訓練樣本溫度

7 實驗和結果分析

使用建立好的DSSA-BP、GA-BP、BP 三個模型對測試樣本數據進行驗證。在完成訓練和測試后，對溫度誤差對比，三種模型的誤差指標參數如表2 所示，可以通過評估指標對模型整體性能進行評估。

表2 三種模型溫度誤差表

根據表2 的數據分析，在MAE、MSE、RMSE、MAPE這四個誤差指標方面，DSSA-BP 模型的表現均優于GA-BP 和傳統BP 模型，因此，可以得出以下結論：三種模型都具備數控機床主軸狀態參數預測的能力，但從網絡訓練速度、結果預測精度以及結果誤差等多個方面來看，DSSA-BP 預測模型明顯優于傳統的BP 神經網絡模型和GA-BP 預測模型。這表明本文提出的DSSA-BP 故障預測模型在性能上表現出色。

8 結論

本文通過深入研究數控機床的故障預測系統，經過問題分析，建立有力的故障預測模型，然后用算法優化及模型評估誤差指標檢驗，最后通過實踐采集數據并驗證，為制造業提供了一種可靠的數控機床故障預測系統，該系統可以及時識別潛在的故障跡象，并采取適當的措施來減輕或避免故障的發生。