数控机床智能监控与状态识别方法研究*

蒋贤海，张　铁

(1.广东水利电力职业技术学院，广州 510635；2.华南理工大学 机械与汽车工程学院，广州 510640)



数控机床智能监控与状态识别方法研究*

蒋贤海1，张铁2

(1.广东水利电力职业技术学院，广州 510635；2.华南理工大学 机械与汽车工程学院，广州 510640)

实施数控机床远程监控，识别机床所处状态对提高机床利用率和产品加工质量具有重要意义。提出了一种基于最小二乘支持向量机的数控机床状态诊断处理方法，利用粒子群方法优化支持向量机算法识别诊断机床状态。构建了数控机床监测体系及监测信息的信号处理模型，给出了模型参数的确定方法。最后，对提出的识别处理方法进行了实验验证，实验结果表明所提出的处理方法对数控机床状态有较好的识别效果，具有较强的实用性。

数控机床；监测；最小二乘支持向量机；识别

0　引言

数控机床在运行过程中可能会出现多种故障，机械零部件故障与电气故障是数控机床较常见的故障，这些故障对生产及产品质量都有一定影响。现有的数控机床基本带有电气部分的故障自检与修复功能，但对于机床机械部分的故障就难以诊断及排除[1-3]。

近年来国内外学者运用统计学理论、小波分解及神经网络等多种分析方法与智能算法对数控机床监测与故障诊断进行了大量的理论与实践研究[4-8]，实现提取与分析数控机床的振动信号，机床故障进行定位及故障排除，为数控机床信号分析提供一定技术支持，但是这些方法大都只是实现数控机床某一部分的监测诊断功能，没有实现对机床整体监控，而且在运用中存在一定的局限，如基于统计学的数据分析方法需要分析的数据具有线性相关为前提条件，对于机床中的非线性信号就无能为力[4]。神经网络分析方法对非线性信号处理有较好的效果，然而该方法存在过学习及收敛速度问题，使得分析结果往往是局部最优[6-8]。支持向量机是一种发展速度较快、应用广泛的信号分析处理方法，具有需计算的参数少、收敛速度快、较高的泛化能力，且得到的分析结果为全局最优等优点，但其求解需采用二次规划方法对多阶矩阵进行计算，当矩阵阶数较大时，则对机器内存的要求就非常高且需消耗更多的计算时间，不利于问题的求解[9-12]。

LS-SVM是在支持向量机基础上的扩展而来，其是将不等式的约束问题转变为等式约束的问题，将涉及二次平方计算的误差问题由原来的不敏感损失函数改变成损失函数，使复杂的实际问题的求解转变成只是对一组有关线性方程组的求解，从而简化了问题求解的相关计算[13]。本文引入最小二乘支持向量机(Least square support vector machine, LS-SVM)方法对数控机床远程监控系统监测信号进行分析，识别诊断数控机床当前的运行状态、故障发生的部位，以便机床维护人员尽早采取有效的措施，保证机床设备安全、平稳运行，提升机床监控系统的智能化水平。

1　数控机床监测体系结构

数控机床远程监控系统体系架构如图1所示。

图1　数控机床智能远程监控系统架构图

系统能实现数控机床加工、刀具及主轴运行等多状态信息实时采集、实时显示，通过无线路由、Internet将采集的状态信息传输至数控机床远程监控中心，机床远程监控中心采用JDBC技术与数据库连接，完成监测数据存储、提取及机床状态智能分析处理，识别出数控机床所处状态，同时将分析识别结果反馈至车间监控点并进行当前加工信息、主轴运转、刀具等多状态显示，当出现报警信号或将要出现故障时，该监控系统可直接实现数控机床的停机操控，以实现数控机床保护。

2　数控机床状态识别

2.2状态信息识别处理模型的构造

基于LS-SVM的数控机床状态识别处理模型的建立描述如下：

定义数控机床监测信息的样本数据Zj={(x1,y1),(x2,y2),……,(xm,ym)}∈Rn×R，对样本数据采用式(1)的线性函数进行拟合：

f(x)=vTψ(x)+b

(1)

式(1)高维特征空间中：v是特征空间的权系数向量；ψ(x)是将输入空间变换至高维特征空间的一非线性函数；b为偏置。数控机床监测信息处理可根据结构风险最小化原理表示成式(2)约束条件为yi=vTφ(xi)+b+ki(i=1～m) 的优化问题，即:

(2)

对于式(2)优化问题的求解，这里采用拉格朗日函数将上式最优化问题进行空间变换，转变为对偶空间，目的就是需将含有约束的优化问题转变为无约束条件的优化问题，这样上式优化问题就较容易求解，需要运用的Lagrange函数如式(3)所示。

(3)式(3)中λ为常数，αi为拉格朗日乘子，再结合库恩塔克(Karush-Kuhn-Tucker)条件，即∂Γ/∂v=0，∂Γ/∂ai=0，∂Γ/∂b=0，∂Γ/∂ki=0，可得以下方程组。

(4)

消除式(2)的v与ki参数，进而得到式(5)的线性方程组。

(5)

式中a=[a1,a2,…,am]T，km=[1,2,…,m]T，y=[y1,y2,…,ym]T，Q=φ(xi)Tφ(xi)，根据核函数满足Mercer条件，将核函数定义为：K(xi,xj)=φ(xi)Tφ(xj)。

对式(5)线性方程组的求解采用的是最小二乘法，求出a和b，

(6)

最后得到可用于数控机床监测信息处理模型如式(6)。

(7)

2.2粒子群算法优化模型

对建立的数控机床监测信息处理模型还需进行优化，因为该模型的处理结果受到最小二乘支持向量机中的调整参数γ和核函数参数σ的较大影响，如果这两个参数选择的不合理，则处理模型不仅运行效率低，而且处理结果也不够准确。文章采用粒子群优化(Particle swarm optimization, PSO)[14]算法对数控机床监测信息处理模型中的核函数及调整参数进行优化设计，以提升模型处理速度，达到更好地处理效果。PSO方法源自于对鸟群群体运动行为进行研究的一种智能方法，已经为进化方法中重要的一部分。方法思想主要是模拟群体的行为，充分考虑共享机制，由Russell Eberbart及James Kennedy两位博士所创造发明的一种演化计算方法，该方法的最优问题求解克服了遗传算法中涉及的有关二进制的编码问题，其是通过采用个体间及个体与整个群体间的相互共享协作方式来实现的，使得算法易于实现且能得到全局最优结果。图2为模型参数优化流程。

图2　模型参数优化流程

3　实验及分析

3.1样本数据

齿轮与轴承是数控机床中最容易出现故障的部位，也是数控机床监控系统的监测对象。实验数据选择转速为880r/min的数控车床中的齿轮箱输出轴的轴承加速度作为研究分析对象，输出轴加速度信号的采集由美国ENTNK-IRD公司的加速度传感器完成，取信号长度为150的正常齿轮箱、大齿轮点蚀故障及大齿轮断齿故障三种情况下的轴承加速度数据集进行实验，以验证文中所提出的方法。

3.2实验及结果分析

数控机床状态识别处理模型选取径向基函数为其核函数，在信号长度为150的输出轴轴承加速度数据集中，取前100个数据样本进行训练，后50个数据集为分析处理结果，并将分析结果与实际监测结果进行对比，并计算出分析误差。采用本文处理方法的实验结果如图3～图5所示。

(a)训练数据

(b)测试数据

(c)误差曲线

(a)训练数据

(b)测试数据

(c)误差曲线

(a)训练数据

(b)测试数据

(c)误差曲线

图3是正常齿轮箱输出轴轴承加速度的实验分析结果，其中模型参数优化后的结果为γ=992.9860，sig2=1，图4为齿轮箱大齿轮点蚀现象

轴承加速度的实验处理结果，优化参数为γ=979.4311，sig2=0.5854，图5为齿轮箱大齿轮出现断齿现象轴承加速度的实验分析结果，优化参数为γ=757.5516，sig2=0.79，图5c为分析结果与实际结果的误差曲线，从图3～图5中我们可以看出实验分析结果与实际监测值符合程度较好。

为了进一步验证本文方法的有效性，文中对实验结果进行了均方差[15]分析，三种情况得到的均方差分别为0.0165、0.0296、0.0218，实验取得了较小的误差，结果表明本文提出的数控机床状态识别处理方法能取得较好的分析结果。

4　结束语

实现数控机床监测并将其运行状态准确地识别对于提高产品的加工质量、保证机床可靠运行具有重大的意义。本文构建了数控机床监测体系结构，提出了数控机床状态识别方法，通过采集到的机床信息对方法进行了实验验证，实验结果与实际监测结果进行了比较，结果表明文章提出的方法对数控机床信号识别误差较小，能取得较好的处理结果，对数控机床有较强的实用性。

[1] 吴冬敏，邵剑平，芮延年.基于蚁群算法和神经网络的数控机床故障诊断技术研究[J]. 机械设计与制造，2013(1):165-167.

[2] K. Schutzer, E. Uhlmann, E. Del Conte, etc. Improvement of surface accuracy and shop floor feed rate smoothing through open CNC monitoring system and cutting simulation. 5thCIPP Conference on high Performance Cutting 2012, 2012(1):90-95.

[3] 关山，康晓峰.在线金属切削刀具磨损状态监测研究的回顾与展望Ⅰ：检测信号的选择[J]. 机床与液压，2010，38(11) ：127-131.

[4] 郭正才，王义强，朱艳飞,等.基于EMD-AR谱分析的数控机床主轴故障诊断方法研究[J]. 组合机床与自动化加工技术，2016(3):93-96.

[5] 侯蒙蒙，许同乐.基于DT-LMD机床轴承故障信号提取研究[J].机床与液压，2015,7(4):185- 188.

[6] 库祥臣，周芸梦，高鹏磊,等.基于小波包和BP神经网络的刀具磨损状态识别[J].现代制造工程，2014(12)：68-72.

[7] 刘全辉，任小洪.LM算法BP神经网络的数控机床主轴系统故障诊断[J]. 机床与液压，2015，21(11)：193-196.

[8] 刘然，傅攀.基于粗糙集和BP神经网络的刀具状态监测[J]. 机床与液压，2015,5(3)：49-52.

[9] 王国锋，李启铭，秦旭达,等．支持向量机在刀具磨损多状态监测中的应用[J]．天津大学学报，2011，44(1):35-39.

[10] 王姣，刘海燕.基于支持向量机和遗传算法的刀具故障诊断[J].组合机床与自动化加工技术，2013(1):74-76.

[11] 贾伟广，胡丹，车畅．基于小波分析和支持向量机的刀具故障诊断[J]．组合机床与自动化加工技术，2010(12) :65-70．

[12] 李顺才，李巍，吴明明.特征融合与GA-SVM在刀具状态监测中的应用研究[J].制造技术与机床，2015(4)：145-148.

[13] 冯勇，贾丙辉，贾晓林,等.基于LS-SVM的高速切削温度预测[J]. 制造技术与机床，2015(5)：110-114.

[14] 付荣，居鹤华.基于粒子群优化的时间最优机械臂轨迹规划算法[J].信息与控制，2011，6(12)：802-808.

[15] 郭前建，徐汝锋，贺磊,等.基于逐步回归的机床温度测点优化及热误差建模技术[J].制造技术与机床，2015(12):89-92.

(编辑李秀敏)

Research on Intelligent Identification Method of CNC Machine

JIANG Xian-hai1, ZHANG Tie2

(1.Guangdong Technical College of Water Resources and Electric Engineering, Guangzhou 510635, China;2.School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510640, China)

It is great significant to improve the efficiency of machine tools and product quality through implementing remote monitoring for CNC machine and identifying the status of the machine. In the paper, a method of state diagnosis for CNC machine is put forward based on least square support vector machine, the method for identifying the state of the machine tool is optimized by using particle swarm optimization. The structure of monitoring system for CNC machine is constructed and then the model of signal processing for monitoring system is also given in the article. Finally an experiment which verifies the effectiveness of the proposed method is carried out, and its results show the proposed method has a better recognition effect and strong practicability on the CNC machine.

CNC machine; monitoring; LS-SVM; recognition

1001-2265(2016)08-0071-03

10.13462/j.cnki.mmtamt.2016.08.020

2016-04-14；

2016-05-03

国家863计划资助项目(2009AA043901-3)；广东省教育科研规划项目(2013JK216) ；广东省教育教学成果奖培育项目(050305)

蒋贤海(1979—)，男，南昌人，广东水利电力职业技术学院讲师博士，研究方向为机床智能监控、机器人理论及其工程应用研究，(E-mail)thehai@163.com。

TH164；TG659

A