第5期 2016年5月
组合机床与自动化加工技术
Modular Machine Tool & Automatic Manufacturing Technique
文章编号：10012265(2016)05008704
D0I:10.13462/j.cnki.mmtamt.2016.05.023
No.5 May2016
基于分级特征库的机床故障诊断系统设计与实现
苏宪利1,2，郑一麟
（1.渤海大学信息科学与技术学院，辽宁锦州121013；2.东北大学计算机科学与工程学院，沈阳 110068；3.中国科学院沈阳计算技术研究所，沈阳110068）
摘要：针对机床故障诊断中人工诊断效率低、实时性差、误差大的缺点，研究提出使用分级特征库进行机床故障诊断，该研究将特征分为典型特征和非典型特征两级，在底层汇聚节点完成振动特征提取和典型特征（即A级特征)机床故障诊断，实现故障现场预警，提高了现场预警的实时性。在控制中心完成对非典型特征（即B级特征)综合处理和分析，同时对两级特征数据采用机器学习中SVM 算法完成故障特征库的完善和更新，提高了机床故障诊断的准确性。通过实验证明该研究在基于特征库的机床故障诊断领域具有理论研究价值和工程应用价值，提高了数控机床故障诊断的实时性和精确性。
关键词：分级特征；实时预警；故障诊断
中图分类号：TH165+.3;TG506
文献标识码：A
TheDesign and Implication of MachineTools'Fault Diagnosis Based
on Hierarchical Features Database SU Xian-li'.2,ZHENG Yi-lin
(1. College of Information Science and Technology, Bohai University, Jinzhou Liaoning 121013, China; 2 School of Computer Science and Engineering, Northeastern University, Shenyang 110168, China)
Abstract : In order to resolve the disadvantages of low efficiency, poor real-time performance and large error in the artificial diagnosing the faults of machine tools. The study classified the features into two levels : typi-cal features and atypical ones. It extracted vibration features and diagnosed the typical feature (A-level fea eeae performance. It handled and analyze comprehensively the atypical features (B-level feature) in the control center. Simultaneously, by using SVM arithmetic in machine learning on those features, complete and re-new the fault feature database, improve the accuracy in fault diagnosis. Experiments proved that the study definitely has an important value in theory and application and can improve the real-time performance and accuracy in diagnosing the faults of digital machine tools
Key words:hierarchical features;real-time warning;fault diagnosis
0引言
数控机床是一种自动化程度较高的机械加工设备，机床故障对机床的使用寿命和产品的加工质量都存在较大影响[2]，机床故障不能及时得到处理将会导致机床损坏或加工产品的报废，在机床部件发生问题时，将对机床运行产生一定的物理冲击，因此机床运行中的故障主要是通过振动的方式体现出来3，而在机床工作现场的诊断也主要是通过工人对振动的感受进行判断，人工判断的方式存在以下问题：
(1)工人的工作经验是执行判断主要因素，对于收稿日期：2015-12-08；修回日期：2015-12-29
机床故障的判断跟工作经验成正比，而这种经验的积累是以机床的伤害为代价。
(2)个人感受中环境因素影响较大，容易造成故障判断的错误或缓慢，导致故障不能及时发现和处理，从而造成产品加工产生次品或机床损坏。
(3)缺少快速的学习机制，影响个人经验增长的因素较多，人工对故障识别和判断的学习过程存在效率较差、速度较慢等缺点。尤其是对新型数控机床，需要大量的时间来进行故障现象的识别和训练。
在故障识别领域目前采用的方法包括模式判别方
*基金项目：“沈阳特种专用数控机床产业集群国产数控系统创新应用示范"国家科技支撑计划（2012BAF13B08）；辽宁省社会科学规划基金
（L15BTQ001）
作者简介：苏完利(1980—)男，辽宁锦州人，渤海大学信息科学与技术学院讲师，研究方向为实时控制，（E-mail)xianlis@sina.com.cen。