数控机床智能化故障诊断系统软件设计（下）
导读
该数控机床故障智能诊断软件的设计实质是对机械部件运行状态进行实时监测，通过检测、分析机械部件运行状态的相关信息和数据，提取对性能退化敏感的一系列特征值，采用人工智能的方法拟合特征值与部件寿命之间的复杂映射关系，建立符合部件实际性能的贝叶斯动态模型，对部件寿命进行预测。举出了贝叶斯动态模型在丝杠副寿命预测中的应用实例，利用VC++编写显示界面，对诊断系统进行现场运行测试，实例结果表明,该方法具有比较好的预测效果。
2.2 性能退化模型的建立及寿命预测
丝杠的性能退化过程长期而又复杂，可以通过性能退化轨迹来表现。要想建立动态贝叶斯模型来预测结构性能的退化，必须定义合适的性能指标，确定模型的先验信息，并对检验信息进行适当处理以适应模型的要求。
要想实现丝杠的剩余寿命的预测，需要采集相应的性能退化数据。其选取原则为便于测量且变化趋势明显。对于实验的丝杠，每天以正常的工况条件运转，每半个月进行一次数据采集，设第i次测量的退化量为xi，作为网络的目标输出。相应的传感器测得数据为zi，通过小波提升变换后得到时域和频域的特征值，根据对丝杠寿命的影响因素进行分析，决定选均方根值、标准差、峭度因子和裕度系数作为网络的输入。这样就有n组数据用于网络的训练与检验。
本次实验将采集得到的数据分为两组，一组用来训练网络，一组用来验证预测效果。把用做训练数据的一组通过调用MATLAB中的神经网络工具箱函数来进行训练。理想输出为对应的性能退化量的观测值。当网络达到所设置的精度要求时即可停止训练。网络能否拟合振动量与寿命之间的复杂的非线性映像关系需要进行验证检验，把未经过训练的一组数据输入到网络进行检验，如网络的输出结果亦即实际寿命与期望寿命的误差在允许的范围内，则训练出来的网络是成功的，对于每个训练好的RBF网络，将其输入样本进行内插，将得到性能退化曲线。
2.3 RBF在寿命预测中的应用
分别在丝杠的轴承座和螺母座上安装加速度传感器连续采集信号。由提升小波变换得到的特征值如均方根值、标准差、峭度因子和裕度系数作为网络的输入，对应的丝杠性能退化的观测值作为期望输出，由此构建RBF(径向基函数)神经网络。散布常数影响网络的性能精度，如果径向基函数的散布常数选择不当，会造成网络设计中神经元数目过少或过多，在函数逼近的过程中会造成过适性和不适性，这时需要调整散布常数的值来得到想要的网络输出精度。
利用第一组实验统计数据作为网络的训练样本，第二组实验数据作为网络的外推测试样本，为了选取合适的散布常数，分别设其值为0.1，0.2，…，0.5，经过输出的结果(如图3)可以看出，当spd(散布常数)=0.1的时候，误差值最小，网络对样本的逼近能力最强。所以此处选取的散布常数最佳值为0.1。
图3网络的逼近误差此时，退化轨迹曲线如图4所示。由于丝杠性能的退化是一个长期的过程，样本数据比较缺乏，但由预测图可以看出网络的预测效果还是比较好的。设丝杠的性能退化阈值为D，可以得到仿真的性能退化轨迹。再利用外推方法即可利用每个时段的丝杠特征数据得到此时丝杠达到或超过阈值D的时间点，于是得到每个测验点丝杠的寿命，即剩余寿命。其结果如图5所示(假设新丝杠装上机床时的剩余寿命为1)。
3界面显示
利用C++为主要开发语言，Visual Studio 为程序开发平台，采用框架是MFC。
图6、图7为X向丝杠性能退化评估报告。单击功能菜单中的选项，即获得丝杠副、导轨副、主轴轴承、齿轮箱和整机的性能退化情况。主要包括当前加工方案信息、当前寿命信息。点击打印报告可获得PDF性能退化评估报告。
4
结语
随着科学技术和现代工业的飞速发展，机电设备日趋大型化、集成化和智能化，系统的复杂程度不断提高，机电系统故障诊断和预测对于保障设备安全和系统正常运行意义重大。本文从所选定的数控机床的实际工况出发，建立基于贝叶斯的性能预测动态模型，对机械部件丝杠进行寿命预测，并通过软件界面显示出来，该方法具有比较好的预测效果。
作者：龙玺宇等
