数控机床远程智能故障诊断系统设计策略

数控机床远程智能故障诊断系统设计策略

倪朝阳,李彦镔,王忠峰

淄柴动力有限公司，山东省淄博市 255077

摘要：为了解决机床远程故障诊断中有线网络布线干涉、设备成本高等问题，同时满足大数据存储、多样化数据接入的需求，提出基于物联网、无线网络和IoT云平台的远程故障诊断系统，从而确保数控机床可以高效、安全生产。本文首先阐述数控机床远程智能故障诊断系统设计技术，然后分析数控机床远程智能故障诊断系统设计方法，从而为相关人士提供有价值参考。

关键词：数控机床；远程智能；故障诊断；系统设计

制造企业网络化、信息化技术的不断应用,其自动化技术也不再仅仅满足于柔性化、集成化的要求,而是向着网络化、信息化和智能化的方向发展,同时随着现代制造企业控制现代化和服务管理现代化水平的进一步提高,制造企业信息系统的网络化集成也越来越受到重视。而数控机床状态网络化实时监测和故障诊断与之密切相关,它直接监控现场生产状态,对故障信息及时一诊断,远程监测与故障诊断是制造企业进行信息集成分析的基础。数控机床作为网络化、数字化制造系统中的基础以及底层单元,已经成为现代制造中的重要一环,其监测维护与故障诊断已成为高效生产、安全生产过程中的关键。

一、数控机床远程智能故障诊断系统设计构架

该系统主要分为故障检测与诊断单元和故障容错控制单元两部分。故障检测与诊断单元：这部分主要通过数据采集系统获取设备运行信息数据,从中分析并获取故障特征,并对故障原因、类型、发生部位、涉及范围、发展趋势等做出有效的判断,主要功能包括故障信息获取、查找故障原因、确定故障位置、评定故障级别、预测发展趋势、决策与控制。故障诊断与检测方法具有多样性，如基于信号检测、参数估计、数学模型、知识、模糊理论等故常与检测方法，这些技术和方法还在进一步发展,能够更好的提供快速准确的诊断服务。故障诊断过程可以看作是一个模式识别过程。系统在故障识别故障中通过不断完善的信息来降低识别过程中的不确定性。信息来源主要由故障模式类别属性构成的信息源和故障。样本特征属性构成的信息源[1]。故障容错控制单元：容错控制的基本思想是利用系统的冗余资源来实现故障容错。当系统设备发生故障时,通过故障检测和智能诊断,依靠系统的软硬件重构、降低系统性能、故障补偿、缺陷修复等手段,保证设备继续安全、可靠运转。

二、数控机床远程智能故障诊断系统设计技术

（一）基于OPC及多传感器融合的数据采集技术

OPC以组态对象模型技术为基础，采用客户端/服务器模式，包含OPC服务器（Server）、OPC组（Group）和OPC项（Item）3种对象，采用异步访问方式实时采集机床的大量数据变量，如机床运行模式、运行程序段名称、开机时间和运行时间等。OPC项变量的读取路径可以在机床参数手册中查询到，其中对变量名称、数值单位、值域范围、读写权限和数据类型等有着详细的规定。选用356A16三向加速度传感器、378B02声音传感器、Pt100热电阻温度传感器及APAQ-3HPT温度变送器分别测振动、噪声和温度信号。上位机利用基于LabVIEW的采集软件采集振动、噪声和温度信号；利用小波包分析处理信号，实现信号的读取、显示实时保存[2]。

（二） NB-IoT无线通信技术

通信模块需要实现不同协议间的相互通信、多源数据的融合与共享传输。NB-IOT构建于蜂窝网络，可直接部署于GSM网络、UMTS网络或LTE网络，具有覆盖广、支持海量连接、低功耗和模块成本低的特点。

系统选用BC95无线通信IoT模块，该模块尺寸紧凑，采用无铅芯片载体封装可给机床提供可靠的连接方式，且功耗低、工作温度范围宽，在机床工作环境下可靠性高。NB-IoT的基本应用架构如图4所示。IoT云平台具有海量数据接收和存储能力，适合机床大数据量；支持多样化的设备和多种接入方式，能够保证数据处理与故障诊断平台多样数据输入的需求；提供统一的访问控制和权限管理系统，利于机床数据统一管理。

（三） 故障诊断算法设计

常见的人工智能诊断算法主要有故障树法、专家系统、人工神经网络法、模糊推理法等。故障树法虽包含系统所有故障模式，但建树过程复杂，易遗漏信息。模糊推理法建立模糊关系矩阵困难且自学习和自适应能力差。BP神经网络有较强的学习和并行计算能力，可实现分类、非线性优化和联想记忆等功能，但存在诊断推理过程缺乏透明度等问题。实际加工过程中机床数据状态信息量大，故障多，分类复杂，因此选用BP神经系统在前、专家系统在后的串行方式建立故障诊断算法模型[3]。可以克服专家系统知识获取难、推理效率低等问题，并利用专家系统解释神经网络推导机床故障。

特征信息提取模块对滤波、去噪等规范化处理后的数据提取其特征信息。BP神经网络采用3层并行拓扑结构，输入节点与故障现象（由特征信息获得）相对应，输出节点与故障原因相对应。推导出的诊断结果即系统故障类型及故障原因。若神经网络的调整次数大于设定次数，诊断结果仍不准确，则需要IOT云平台输入补充信息；若小于设定次数，则诊断结果进入专家系统进行推理验证和解释。若符合知识库规则，则将诊断结果输出到云平台，否则神经网络根据专家系统给出的修改建议调整参数（权值、阈值等）重新进行网络训练。

（四） 算法模型验证技术

以机床的主轴伺服系统为实例，获得故障样本后，通过仿真验证了算法模型。BP神经网络隐含层神经元的数目由设计者的经验和多次试验决定。根据Kolmogorov定理和经验公式q=＋γ（其中q为隐含层神经元数，n为输入神经元数，m为输出神经元数，入为【1，10】之间的常数）增加q可以减少训练误差，但当节点q超过10时，测试误差产生波动。本例中q取10，因此构成7×10×7的BP神经网络。令学习样本为P=（X，Y），输入向量为X=（X∶，X，X；X；X，X，X，X，X；），输出向量为Y=（Y，Y，Y，Y，Y，Y，Y，Y，Y，Y，Y）。X∶∈X（k=1，2，3，4，5，6，7），当X=0、X=1时，分别表示无故障、有故障；Yk∈Y（k=1，2，3，4，5，6，7），当Y:=0，Yk=1分别表示不存在、存在该故障原因。本算法研究中BP算法网络训练，隐含层和输出层之间选择Sig-moid激励函数，网络训练函数选择Traingdm函数，运用MATLAB软件的神经网络工具箱进行仿真训练，设置学习效率η=0.01，训练步长为4000，训练目标误差为0.001，动量因子为m。=0.9。图6表示了该网络模型训练误差的变化曲线，经过3680次训练，网络训练模型达到目标精度，满足训练要求。

结束语：本文给出机床故障诊断的远程智能实现方法，采用该方法设计的系统智能性和先进性体现在3方面∶（1）运用新兴的NB-IoT技术进行无线传输，相比有线网络，提高了网络覆盖能力，降低设备的复杂度和成本。（2）运算层采用BP神经网络和专家系统相结合的智能故障诊断方法，通过BP网络解释推导故障的过程，获得多种故障类型的推导结果。（3）若神经网络的调整次数大于设定次数，则运算层将发送补充信息申请给IoT云平台，根据本地机床运行信息数据库提供的补充信息重新进行诊断。

参考文献：

[1]魏熳,周冬.数控机床远程快速诊断与故障排除[J].金属加工(冷加工),2022(09):91-92.

[2]宋丹,梁睿君,李伟,陈蔚芳.数控机床远程智能故障诊断系统设计[J].数据采集与处理,2020,35(01):173-180.

[3]欧阳再东.数控机床远程故障诊断系统研究与设计[J].内燃机与配件,2019(15):158-159.