基于注意力機制的數控車床主軸故障診斷方法

摘 要：為規范主軸運行，對其運行中的故障進行辨識與精準診斷，需要引進注意力機制，本文以某數控車床為例，對主軸故障診斷方法進行設計研究。按照預設的、精確的時間間隔，對主軸的各種性能參數進行連續、重復記錄，對數控車床主軸運行數據進行采樣與編碼。引進注意力機制，利用其中的RNN或LSTM序列模型，對編碼后的主軸運行數據進行訓練與特征提取。通過訓練好的深度學習模型，對數控車床主軸運行中的深度信號進行辨識與故障診斷。對比試驗結果證明：設計的方法應用效果良好，按照規范應用此方法進行車床主軸故障診斷，可以對其運行中故障現象進行精準辨識。

關鍵詞：注意力機制；特征提取；數據編碼；故障診斷；主軸；數控車床

中圖分類號：TH 13 " 文獻標志碼：A

在對產品質量要求日益嚴格的情況下，對設備故障特征提取和診斷進行研究顯得尤為重要。鄧宇翔等[1]通過非接觸的方式，利用激光束照射主軸表面，并測量反射光的多普勒頻移，對主軸振動狀態進行高精度測量。但該方法對測量環境要求較高，例如光線、溫度等因素都可能影響測量精度。同時，對某些復雜的故障模式來說，該方法可能難以準確識別，需要結合其他診斷技術進行綜合判斷。曹康棲等[2]利用小波包分解（WPD）對主軸振動信號進行多尺度分析，提取豐富的故障特征，通過t-分布隨機鄰域嵌入（tSNE）對高維特征進行降維處理，便于后續分類器識別，使用支持向量機（SVM）作為分類器，對降維后的特征進行故障分類。但WPD提取故障特征時，對復雜的非線性故障的分析能力可能受到限制。同時，tSNE在降維過程中可能丟失部分重要信息，影響后續分類的準確性。

為解決現有方法存在的不足，本文將引進注意力機制，以某數控車床為例，對主軸故障診斷方法進行設計研究。旨在通過此次研究，提高故障診斷的準確性，降低生產過程中的故障率，保證生產效率和產品質量。

1 數控車床主軸運行數據采樣與編碼

為滿足數控車床主軸故障診斷方法的設計需求，在研究前，需要對主軸運行數據進行采樣。此過程是指按照預設、精確的時間間隔，對主軸的各種性能參數進行連續、重復記錄，通過這種方式，捕獲主軸在運行過程中的實時狀態。

在數控車床主軸的數據采樣過程中，需要根據具體的應用需求、主軸的運行特性以及傳感器的性能決定采樣頻率。如果采樣頻率過低，就可能會導致一些重要的信息被遺漏或失真，從而影響后續的數據分析和故障診斷的準確性[3-4]。反之，如果采樣頻率過高，雖然能夠獲得更詳細的數據，但也會增加數據處理的復雜性和計算成本。為了在采樣數據中無失真地恢復原始信號，采樣頻率f必須大于或等于信號中最高頻率fmax的兩倍。

為了確定fmax的數值，需要考慮主軸的轉速、刀具的振動頻率以及其他可能的動態特性。在本研究中，數控車床主軸的最高轉速為 6000r/min，對應的基頻（即每轉一圈的頻率）的計算過程如公式（1）所示。

（1）

采用公式（1）計算得出，采樣頻率至少為1000Hz。

按照預設的頻率進行數據采樣，按照時序對采集的樣本數據進行編碼，引進ADC模數轉換器，對輸入的模擬信號進行采集，即在特定的時間間隔內捕獲信號的瞬時值，采樣得到的模擬信號值需要轉換為離散的數字級別。ADC會根據預設的量化級別確定每個采樣值的數字[5]。在量化過程中會產生量化誤差，但可以通過增加ADC的位數縮小誤差。量化誤差的計算過程如公式（2）所示。

（2）

式中：Vref為ADC的參考電壓，即ADC能夠測量的最大電壓值；Q為量化級別。

在實際應用中，選擇ADC的位數時需要權衡分辨率和量化誤差。增加位數可以提高分辨率并縮小量化誤差，但同時也會增加成本和復雜性。因此，需要根據具體的應用需求來選擇合適的ADC位數。

當選擇ADC的位數時，需要考慮信號的動態范圍、ADC的檢測分辨率。在本研究中，采集的信號動態為0V～5V，系統噪聲水平為10mV，應用需要能夠檢測到1mV的變化。因此，可以采用以下方式來推算所需的ADC位數：動態范圍= 5V-0V = 5V；所需的量化級別=動態范圍/需要的分辨率= 5V / 1mV = 5000；所需的ADC位數 = log2（5000）≈12.3。

由于ADC的位數必須是整數，因此，選擇一個13位的ADC。

在此基礎上，將量化后的數字級別被轉換為二進制或其他數字格式的代碼。按照上述方式，完成數控車床主軸運行數據采樣與編碼。

2 基于注意力機制的主軸運行數據訓練與特征提取

在上述內容的基礎上，引進注意力機制，對編碼后的主軸運行數據進行訓練與特征提取。用注意力機制中的RNN或LSTM序列模型訓練編碼數據。將編碼后的數據劃分為適當的序列長度，并將其作為RNN或LSTM序列模型的輸入，在模型輸出層上集成注意力機制，允許模型為序列中的不同部分分配不同的權重[6]。根據任務類型（本次的任務為提取主軸編碼序列數據中的特征信息），添加適當的輸出層，并選擇合適的激活函數，將輸入序列（即編碼后的主軸運行數據）傳遞給RNN或LSTM層，得到每個時間步的隱藏狀態序列如公式（3）所示。

ht=tanh（ω1ht-1+ω2xt+bh） （3）

式中：ht為隱藏狀態數據序列；xt為時間步t的輸入；ht-1為前一個時間步的隱藏狀態；ω1和ω2為權重；bh為偏置項。在此基礎上，根據注意力機制計算注意力得分，并使用Softmax函數將其轉換為注意力權重，將上下文向量傳遞給輸出層，得到模型的預測輸出，如公式（4）所示。

yt=Softmax（ω3ht+by） （4）

式中：ω3為權重；by為輸出層的偏置項。

如果數據量過大，那么可重復前向傳播、計算損失和反向傳播的過程，通過多個迭代周期訓練數據。在每個迭代周期中，模型會處理整個訓練數據集或其中的一部分。采用上述方式，完成基于注意力機制的主軸運行數據訓練與特征提取。

3 深度信號辨識與故障診斷

在完成上述內容設計后，通過訓練好的深度學習模型，對數控車床主軸運行中深度信號進行辨識與故障診斷。利用現有的主軸運行特征，訓練一個分類器，用于識別主軸在運行中的不同故障模式。通常情況下，可以在深度學習模型的頂部添加一個全連接層（也稱為密集層或線性層）[7]。全連接層的輸出結果yq如公式（5）所示。

yq=ωz+b （5）

式中：ω為權重；z為LSTM輸出的特征量；b為全連接層的偏置項。利用分類器中的Softmax函數，將模型的輸出轉換為深度信號概率分布，其中，每個信號的分布對應一個特定的故障類別。給定輸入數據，模型輸出一個向量，計算輸入數據為對應故障類別的概率如公式（6）所示。

（6）

在本文的研究中，主要針對數控車床主軸的不平衡、軸承損壞、傳動帶松弛3類故障進行診斷。因此，q=1，2，3，信號樣本的線性輸出為[2，1，?1]，則Softmax激活后的概率為P=≈[0.665，0.241，0.094]。如果真實標簽為[1，0，0]（表示第一個類別為真實故障），則計算損失函數值如公式（7）所示。

L=-1×ln（0.665）≈0.405 （7）

在訓練過程中，模型會通過反向傳播算法調整權重和偏置，最小化損失函數。

在完成故障分類器訓練后，可以對新的主軸運行數據進行故障預測和診斷。在此過程中，選擇概率分布最高的類別作為故障診斷結果，從而對主軸的故障診斷與故障類別進行辨識。

4 對比試驗

在完成上述內容設計后，選擇某數控生產單位作為本次研究的試點，應用本文設計的方法，對數控車床在運行中的主軸故障進行診斷。為保證試驗結果的客觀性，對主軸運行中的設計參數進行分析，相關內容見表1。

在掌握上述內容的基礎上，搭建主軸故障測試與診斷平臺，主要儀器設備選型見表2。

在完成上述準備工作后，引進文獻[1]中的基于激光多普勒振動譜的診斷方法、文獻[2]中的基于WPD-tSNE-SVM的診斷方法，將其作為對照組方法，一同與本文方法應用進行數控車床主軸故障診斷。

在診斷過程中，可按照表3進行測試數據的采樣。

當已知數控車床主軸運行采樣數據中存在異常數據時，將主軸運行中的振動頻率作為診斷其故障的關鍵指標。其結果如圖1、圖2所示。

振動頻率的異常變化往往與主軸的故障狀態直接相關，已知主軸在無故障條件下，其運行時的振動頻率應小于20Hz，當振動頻率≥20Hz時，說明主軸可能存在不平衡、軸承損壞、傳動帶松弛等問題。以此為依據，對3種方法的監測結果進行分析。

由圖1可以看出，應用本文設計的方法進行主軸故障診斷，該方法精準辨識主軸運行過程中存在振動頻率大于20Hz的現象，說明主軸運行存在故障，與已知條件一致。

由圖2可以看出，應用文獻[1]方法進行主軸故障診斷，該方法無法辨識主軸運行過程中存在振動頻率大于20Hz的現象，診斷為主軸無故障，與已知條件存在差異。

由圖3可以看出，應用文獻[2]方法進行主軸故障診斷，該方法可以辨識主軸運行過程中存在振動頻率大于20Hz的現象，但診斷結果中存在中斷，無法將最終結果作為故障診斷的依據。

上述內容可以證明，本文設計的基于注意力機制的診斷方法應用效果良好，按照規范，應用此方法進行車床主軸故障診斷，可以對運行中故障現象進行精準辨識。

5 結語

主軸故障類型多樣，例如主軸發熱、主軸強力切削時停轉、主軸工作時噪聲過大、刀具無法夾緊等，每種故障都需要特定的診斷方法和處理措施。現有的大部分方法處理大量復雜故障數據時往往效率低下，難以滿足現代制造業對故障診斷的實時性和準確性的要求。因此，本文引進注意力機制，以某數控車床為例，通過主軸運行數據采樣與編碼、主軸運行數據訓練與特征提取、深度信號辨識與故障診斷，對主軸故障診斷方法進行設計研究。注意力機制是一種模擬人類注意力過程的機器學習技術，處理大量信息時可以關注重要部分，忽略不相關信息，從而提高工作的效率和準確性。采用這種方式，可以為數控機床的數字化建設提供支持，推動制造業的轉型升級和高質量發展。

參考文獻

[1] 鄧宇翔， 李正紅. 基于激光多普勒振動譜的數控機床主軸故障在線診斷[J]. 機械設計與制造工程， 2024， 53 （4）： 61-66.

[2] 曹康棲， 李燦. 基于WPD-tSNE-SVM方法的電站機組主軸故障診斷分析[J]. 機械制造與自動化， 2023， 52 （6）： 226-228.

[3] 張朝剛， 侍中樓， 李敏. 基于多狀態時間序列預測學習的超精密機床主軸故障診斷仿真[J]. 吉林大學學報（工學版）， 2023， 53 （11）： 3056-3061.

[4] 王壽元， 李積元， 郎永存， 等. 基于PSO優化SVM數控機床主軸系統故障診斷的研究[J]. 組合機床與自動化加工技術， 2023 （9）： 151-155，159.

[5] 趙恒喆， 楊曉英， 石巖， 等. 基于XGBoost-LSTM的數控機床主軸軸承故障預測方法研究[J]. 現代制造工程， 2023 （8）： 155-160.

[6] 王偉平， 王琦， 于洋， 等. 采用PCA/D-S方法及FUKL融合算法的主軸系統弱故障動態判別與辨識[J]. 振動工程學報， 2022， 35 （3）： 771-782.

[7] 宋思瑜， 林正文， 趙薇， 等. 基于Stacking集成學習的風機主軸止推軸承故障預警研究[J]. 電力大數據， 2023， 26 （6）： 68-79.