CN101770219A - 一种车铣复合机床故障诊断知识库的知识获取方法 - Google Patents

Abstract

本发明涉及一种车铣复合机床故障诊断知识库的知识获取方法，步骤一、获取车铣复合机床历史故障信息和机床实时在线监测信息；步骤二、对历史故障信息和实时在线监测信息依次进行信号处理、故障特征信息选取和数据离散化处理后，以故障特征属性为条件属性，以故障模式为决策属性，构建故障诊断的知识决策表；步骤三、基于所构建的知识决策表，进行基于粒度计算的故障特征属性的约简和属性值约简；步骤四、采用规则的置信度和覆盖度作为评价指标对约简后的决策规则进行度量和评价。本发明由于可以从大量实时在线和离线数据中为故障诊断获取精简、有效的知识和规则，为其故障诊断提供了有效的保障。本发明可以广泛应用于各种数控机床故障诊断中。

Description

一种车铣复合机床故障诊断知识库的知识获取方法

技术领域

本发明涉及一种数控机床故障诊断方法，特别是关于一种车铣复合机床故障诊断知识库的知识获取方法。

背景技术

数控机床作为典型的机电系统，其故障诊断与预警技术是保障机床可靠运行、提高机床服役性能的核心技术之一。复合加工作为机械加工的发展方向之一，也是数控设备发展的一个主要方向。车铣复合机床将车削和铣削加工功能进行复合，能实现零件一次装夹完成车铣加工，减少了定位误差和装卸时间，使得零件的加工精度和加工效率大大提高。由于数控技术本身的复杂性、工艺的多样性和加工零件的复杂性，一旦机床发生故障，对其进行故障诊断和维修是专业性非常强的工作，是目前制约数控机床发挥正常作用的主要因素之一。随着车铣复合机床的投入使用，机床智能诊断技术的研究开始受到重视。目前，智能诊断技术主要应用于电力设备、大型旋转机械和车辆检修等方面，对于数控设备涉及较少，这在我国表现的尤为突出。胡德金等人采用模糊逻辑系统和神经网络的方法对数控机床故障诊断进行了研究，消除专家系统专家诊断结论的随意性，提高神经网络的容错能力，对机床智能诊断进行了有益的尝试。

根据车铣复合加工机床的结构，故障可以分为：数控装置、主轴系统、进给伺服系统、液压系统、装夹系统、润滑系统、冷却系统、电源系统、刀库系统等故障。随着IC技术的发展，目前机械故障更加突出(占到75％)，特别是关键功能部件故障经常导致整机精度退化和损坏停机。构建车铣复合机床故障诊断的知识规则和知识库，是实现机床可靠运行、保证产品加工质量和加工效率的重要保证。车铣复合机床等数控设备的高度柔性，增大了系统的不确定因素和故障发生的高可能性；车铣复合机床加工类型、加工工况多样，难以全面搜集正常与异常状态的先验样本和模式样本；加工过程中随机干扰因素影响加大，使诊断系统的误诊、漏诊的可能性更大，诊断推理的精确性和结论的可信度都有所下降；数控设备各部件间的动态联动性、离散性致使故障的传播性、故障源的分散性更加明显。过程状态及故障的断续性、突发性、模糊性、关联性及时变性更加明显，致使故障征兆信息和设备状态信息的获取比较困难；适合于监控、诊断与预警的信息资源需要挖掘，对监控策略、故障特征提取和诊断知识库管理等环节提出了挑战。当前国内外在数控机床故障诊断研究上，还存在以下明显的问题以及亟待解决的技术难点：(1)缺乏对车铣复合加工机床故障诊断知识的特征与描述方法研究，需要对数控机床的故障诊断的知识和案例进行归纳总结和统计，进行知识获取与发现方法的研究。(2)在故障诊断知识元的结构上，关键在于提出知识的表示和获取方法。目前对故障知识的表示仍然采用传统的产生式规则、框架、谓词逻辑等形式，不能适应知识表示和知识获取的需要；缺少快速获得能表征故障特征的方法。(3)在处理故障信息时，对于许多冗余的故障特征信息，对于故障诊断不仅没有用处，反而可能增加监测成本，并影响诊断的精度。

发明内容

针对上述问题，本发明的目的是提供一种能实现故障诊断中知识表示、知识粒度、知识获取和知识规则且诊断精度较高的车铣复合机床故障诊断知识库的知识获取方法。

为实现上述目的，本发明采取以下技术方案：一种车铣复合机床故障诊断知识库的知识获取方法，其步骤如下：步骤一、经远程监测设备获取车铣复合机床历史故障信息和机床实时在线监测信息；步骤二、对历史故障信息和实时在线监测信息依次进行信号处理、故障特征信息选取和数据离散化处理后，以故障特征属性为条件属性，以故障模式为决策属性，构建故障诊断的知识决策表；步骤三、基于所构建的知识决策表，进行基于粒度计算的故障特征属性的约简和属性值约简；步骤四、采用规则的置信度和覆盖度作为评价指标对约简后的决策规则进行度量和评价。

所述步骤三中，所述属性约简步骤如下：(1)取当前各子树叶子，分别进行叶到树根序列的所有上级信息粒的关联运算，获得粒度更小的信息粒；(2)求获得的粒度更小的信息粒和各决策信息粒的置信度，如果置信度为1时，则由该更小的信息粒表示的属性粒集合推导出相应的规则保留；(3)如更小的信息粒和各决策信息粒的置信度都小于1时，则该条件信息子粒相关的叶子留下作为各子树根节待用；(4)如所有叶子表示的属性组合都求出决策规则为1，该规则保留，结束；(5)在各子树根节点各信息粒决定的对象集合U的子集U’中计算余下的条件属性粒C_i的属性的权重η；(6)将权重η最大的条件属性的几个子信息粒作树叶节点，其余的条件属性留下待用；(7)将所述步骤(5)中获得的各子树叶的信息粒，分别和其到树根序列的所有父级信息粒作关联运算，获得新的条件关系子粒的关联度；如果关联度小于阈值1，则此树枝删除；否则获得一组新的条件关系子粒，作为代表各节点的信息粒进入所述步骤(3)。

所述步骤(1)中，所述权重η为条件属性相对于决策属性的：

其中，θ_ij为决策规则C_ij与决策属性D的符合度；ρ_ij为符合度θ_ij的粒度和。

各所述条件属性C_i相对于所述决策属性D的所述权重η的计算方法如下：①设定条件属性C_i和决策属性D的值域，并分别将对象集合U划分成m个和n个互不相交的等价类，即信息粒；②根据信息粒，得到条件属性C_i和决策属性D的基本集，分别用二进制信息粒矩阵的形式表示条件属性C_i和决策属性D；③根据二进制信息粒矩阵，利用粗糙集中的等价关系来构建粒子，则各种信息粒中的二进制数中1的个数，即为各种信息粒的粒度；④根据对象集合U、条件属性C以及故障诊断信息系统S中K个二进制信息子粒的关联运算结果生成的信息粒的粒度，分别得到决策规则的支持度α＝|C∧D|/|U|，决策规则的置信度为γ＝|C∧D|/|C|，当支持度α和置信度γ为1时，该规则保留；⑤根据决策规则的支持度和置信度，以及故障诊断信息系统S、条件属性集合和决策属性集合的基本集，得到故障诊断信息系统的关联粒度矩阵为：

⑥根据关联粒度矩阵，得到决策规则的符合度θ_ij为：

符合度θ_ij的粒度和ρ_ij为：ρ_ij＝|C_ij∧D_m|+|C_ij∧D_l|；⑦计算出各条件属性C_i相对于决策属性D的权重η：

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于依据车铣复合机床结构功能复杂的特点，构建了基于知识粒度的故障知识元模型，以车铣复合机床的故障样本和历史测试数据作为车铣复合机床故障诊断和状态预报的属性集，以车铣复合机床的故障模式作为故障诊断决策集，构建诊断信息决策表。从大量实时在线和离线的数据中为车铣复合机床的故障诊断获取精简、有效的知识和规则，为其故障诊断提供了有效的保障。2、本发明由于采用以粗糙集属性约简对车铣复合机床各种故障模式所需要的属性条件进行初步约简分类，基于粒度计算原理的二进制矩阵进行属性和属性值约简，以规则覆盖度和置信度进行规则评价，进而构建车铣复合机床的故障诊断预测的知识库和规则库。因此简化了知识获取方法，并可以挖掘潜藏在动态信号中的故障信息，减少监测成本。本发明可以广泛应用于各种数控机床故障诊断中。

附图说明

图1是本发明的车铣复合机床故障诊断知识库的知识获取流程示意图，

图2是本发明的车铣复合机床故障知识元模型示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明是依据车铣复合机床结构功能复杂的特点，构建了基于知识粒度的故障知识元模型(如图2所示)。以车铣复合机床的故障样本和历史测试数据作为车铣复合机床故障诊断和状态预报的属性集，以车铣复合机床的故障模式作为故障诊断决策集，构建诊断信息决策表。以粗糙集属性约简对车铣复合机床各种故障模式所需要的属性条件进行初步约简分类，基于粒度计算原理的二进制矩阵进行属性和属性值约简，以规则覆盖度和置信度进行规则评价，进而构建车铣复合机床的故障诊断预测的知识库和规则库。其具体步骤如下：

步骤一、经现有远程监测设备获取车铣复合机床历史故障信息和机床实时在线监测信息，如振动(振幅、频率)、温度、主轴转速和零件加工质量等；

车铣复合机床的振动信号包括车铣复合加工机床的主轴(旋转机械的振动信息、振动烈度、特征频率、常伴频率)、进给刀架(水平振动、垂直振动)和床身振动；对振动信号进行时域、频域、小波分析和非线性非平稳微弱特征的EMD分析，进而提取反映机床故障的特征信息；提取机床加工的零件质量状态信息，包括产品加工精度的正态分布、产品的

趋势、产品的表面质量信息、产品加工的表面质量等信息；温度信息可以反映机床的主轴电机、主轴箱在加工过程中的负载、磨损、润滑等变化，包括主轴电机温度、主轴箱油温和进给轴电机的温度；

步骤二、基于多个征兆域特征信息，对历史故障信息和机床实时在线监测信息进行信号处理后进行故障特征信息选取，选取后进行数据离散化处理，进而以故障特征属性为条件属性，以故障模式为决策属性，构建故障诊断的知识决策表；

步骤三、基于所构建的知识决策表，以及车铣复合机床故障信息系统S＝(U，AT＝C∪D，V，f)中各条件属性C_i相对于决策属性D的权重η，进行基于粒度计算的故障特征属性的约简和属性值约简，其中，U＝{1，2，…，n}是对象集合，即论域的非空有限集合；D是决策属性集合，C＝{C₁，C₂，…，C_i，…，C_k}是条件属性集合，AT是属性集，A＝C∪D，

V为属性值域，V＝∪_a∈AV_a，f为信息函数，指定U中的每一个对象x在属性a下的值；则属性约简步骤如下：

(1)取当前各子树叶子，分别进行叶到树根序列的所有上级信息粒的关联运算，获得粒度更小的信息粒；

(2)求获得的粒度更小的信息粒和各决策信息粒的置信度，如果置信度γ为1时，则可判断该更小的信息粒表示的属性粒集合可推导出相应的规则为真，即该规则保留；

(3)如更小的信息粒和各决策信息粒的置信度γ都小于1时，则该条件信息子粒相关的叶子留下作为各子树根节待用；

(4)如所有叶子表示的属性组合都求出决策规则为1，即该规则保留，结束；

(5)在各子树根节点各信息粒决定的对象集合U的子集U’中计算余下的条件属性粒C_i的属性的权重η；

(6)将权重η最大的条件属性的几个子信息粒作树叶节点，其余的条件属性留下待用；

(7)将步骤(5)中获得的各子树叶的信息粒，分别和其到树根序列的所有父级信息粒作关联运算，计算获得新的条件关系子粒的关联度；如果关联度小于阈值1，则此树枝可剪除，如全被删除则算法结束；否则即获得一组新的条件关系子粒，并作为代表各节点的信息粒进入步骤(3)；

步骤四、采用规则的置信度和覆盖度作为评价指标对约简后的决策规则进行度量和评价；

由于故障诊断决策表中可能包含不一致的故障实例，而各个诊断规则的性能不同，设{rule₁，rule₂，…，rule_n}为广义决策规则集合，则每一个规则rule_i都确定了一个序列c₁(rule_i)，c₂(rule_i)，…，c_n(rule_i)，d₁(rule_i)，d₂(rule_i)，…d_m(rule_i)，其中C′＝{c₁，c₂，…，c_n}是决策表条件属性集合的子集，D＝{d}是决策属性；用粗糙隶属函数的值来表示规则的置信度α为：

$\mathrm{\α}\left({\mathrm{rule}}_i\right)=\frac{\mathrm{card}(C^{\′}\left({\mathrm{rule}}_i\right)\∩D\left({\mathrm{rule}}_i\right)))}{\mathrm{card}\left(C^{\′}\left({\mathrm{rule}}_i\right)\right)}$

其中，C′(rule_i)为条件属性；D(rule_i)为决策属性；card(C′(rule_i))表示满足规则rule_i的条件属性C′(rule_i)的实例个数；当card(C′(rule_i))≠0时，card(C′(rule_i)∩D(rule_i))表示满足规则rule_i的条件属性C′(rule_i)和决策属性D(rule_i)的实例个数，反映了规则的可信程度；

引入决策规则的覆盖度来表达该决策规则在决策表中同类决策中的覆盖程度，规则的覆盖度定义为：

$\mathrm{cov}\left({\mathrm{rule}}_i\right)=\frac{\mathrm{card}(C^{\text{'}}\left({\mathrm{rule}}_i\right)\∩D\left({\mathrm{rule}}_i\right))}{\mathrm{card}\left(D\left({\mathrm{rule}}_i\right)\right)}$

其中，C′(rule_i)为条件属性；D(rule_i)为决策属性；card(D(rule_i))表示满足规则rule_i的决策属性D(rule_i)的实例个数；当card(D(rule_i))≠0，card(C′(rule_i)∩D(rule_i))表示满足规则rule_i的条件属性C′(rule_i)和决策属性D(rule_i)的实例个数。

上述步骤三中，车铣复合机床故障信息系统S＝(U，AT＝C∪D，V，f)中各条件属性C_i相对于决策属性D的权重η为：

上式中，U＝{1，2，…，n}是对象集合，D是决策属性集合，C＝{C₁，C₂，…，C_i，…，C_k}是条件属性集合，AT是属性集合；θ_ij为决策规则C_ij与决策属性D的符合度；ρ_ij为符合度θ_ij的粒度和。

各条件属性C_i相对于决策属性D的权重η的计算方法如下：

①设条件属性C_i的值域是{a₁，a₂，…，a_m}，则条件属性C_i可以根据取值将对象集合U划分成m个互不相交的等价类，决策属性D的值域是{d₁，d₂，…，d_n}，决策属性D则根据取值将对象集合U划分成n个互不相交的等价类，即信息粒；

②根据步骤①划分后得到的信息粒，可以得到条件属性C_i和决策属性D的基本集分别为U/IND{C_i}＝{C_i1，C_i2，…，C_ij，…，C_im}和U/IND{D}＝{D₁，D₂，…，D_j，…，D_n}，进而分别用二进制信息粒矩阵的形式表示条件属性C_i和决策属性D；其中C_ij是条件属性C_i取值为a_i的对象集合；D_j是决策属性D取值为d_j的对象集合；

例如，对于故障信息系统S，其对象集合U的样本对象个数为8，某一条件属性C_i(注C_i∈AT)各对象的取值情况分别为1，2，3，1，1，2，3，1，则C_i＝{1，2，3，1，1，2，3，1}可粒化为三个子粒：C_i1＝10011001、C_i2＝01000100、C_i3＝00100010，则粒化后的条件属性C_i可用二进制信息粒矩阵表示为：

$C_i=\begin{array}{c}\left[\begin{array}{c}{C}_{i1}\\ C_{i2}\\ C_{i3}\end{array}\right];\end{array}$

③根据二进制信息粒矩阵，利用粗糙集中的等价关系来构建粒子，则各种信息粒Q＝{q_i|q_i∈{0，1}，i∈{0，1，2，…，n}}的二进制数中1的个数为各种信息粒的粒度|Q|：

④根据对象集合U的信息粒度和条件属性C的信息粒度，以及故障诊断信息系统S中K个二进制信息子粒的关联运算结果生成的信息粒的粒度，分别得到决策规则的支持度α＝|C∧D|/|U|，以及决策规则的置信度为γ＝|C∧D|/|C|，当支持度α和置信度γ为1时，该规则保留；

例如，设C，D为2个二进制信息粒，若C为条件信息粒，D为决策信息粒，则决策规则C→D的支持度为α＝|C∧D|/|U|；置信度为β＝|C∧D|/|C|；

若C→D的置信度γ＝|C∧D|/|C|＝1，则C→D为真，该规则保留；否则C→D为假；

⑤根据决策规则的支持度和置信度，以及故障诊断信息系统S＝(U，AT＝C∪D，V，f)、条件属性集合和决策属性集合的基本集U/IND{C_i}＝{C_i1，C_i2，…，C_ij，…，C_im}和U/IND{D}＝{D₁，D₂，…，D_j，…，D_n}，可以得到故障诊断信息系统的关联粒度矩阵为：

⑥根据关联粒度矩阵，可以得到决策规则的符合度θ_ij为：

符合度θ_ij的粒度和ρ_ij为：ρ_ij＝|C_ij∧D_m|+|C_ij∧D_l|            (5)

⑦由公式(3)～(5)可计算出关联粒度矩阵的特征值λ，即为各条件属性C_i相对于决策属性D的权重η：

上述各实施例仅是本发明的优选实施方式，在本技术领域内，凡是基于本发明技术方案上的变化和改进，不应排除在本发明的保护范围之外。

Claims (4)

1.一种车铣复合机床故障诊断知识库的知识获取方法，其步骤如下：

步骤一、经远程监测设备获取车铣复合机床历史故障信息和机床实时在线监测信息；

步骤二、对历史故障信息和实时在线监测信息依次进行信号处理、故障特征信息选取和数据离散化处理后，以故障特征属性为条件属性，以故障模式为决策属性，构建故障诊断的知识决策表；

步骤三、基于所构建的知识决策表，进行基于粒度计算的故障特征属性的约简和属性值约简；

步骤四、采用规则的置信度和覆盖度作为评价指标对约简后的决策规则进行度量和评价。

2.如权利要求1所述的一种车铣复合机床故障诊断知识库的知识获取方法，其特征在于：所述步骤三中，所述属性约简步骤如下：

(1)取当前各子树叶子，分别进行叶到树根序列的所有上级信息粒的关联运算，获得粒度更小的信息粒；

(2)求获得的粒度更小的信息粒和各决策信息粒的置信度，如果置信度为1时，则由该更小的信息粒表示的属性粒集合推导出相应的规则保留；

(3)如更小的信息粒和各决策信息粒的置信度都小于1时，则该条件信息子粒相关的叶子留下作为各子树根节待用；

(4)如所有叶子表示的属性组合都求出决策规则为1，该规则保留，结束；

(5)在各子树根节点各信息粒决定的对象集合U的子集U’中计算余下的条件属性粒C_i的属性的权重η；

(6)将权重η最大的条件属性的几个子信息粒作树叶节点，其余的条件属性留下待用；

(7)将所述步骤(5)中获得的各子树叶的信息粒，分别和其到树根序列的所有父级信息粒作关联运算，获得新的条件关系子粒的关联度；如果关联度小于阈值1，则此树枝删除；否则获得一组新的条件关系子粒，作为代表各节点的信息粒进入所述步骤(3)。

3.如权利要求2所述的一种车铣复合机床故障诊断知识库的知识获取方法，其特征在于：所述步骤(1)中，所述权重η为条件属性相对于决策属性的：

其中，θ_ij为决策规则C_ij与决策属性D的符合度；ρ_ij为符合度θ_ij的粒度和。

4.如权利要求2或3所述的一种车铣复合机床故障诊断知识库的知识获取方法，其特征在于：各所述条件属性C_i相对于所述决策属性D的所述权重η的计算方法如下：

①设定条件属性C_i和决策属性D的值域，并分别将对象集合U划分成m个和n个互不相交的等价类，即信息粒；

②根据信息粒，得到条件属性C_i和决策属性D的基本集，分别用二进制信息粒矩阵的形式表示条件属性C_i和决策属性D；

③根据二进制信息粒矩阵，利用粗糙集中的等价关系来构建粒子，则各种信息粒中的二进制数中1的个数，即为各种信息粒的粒度；

④根据对象集合U、条件属性C以及故障诊断信息系统S中K个二进制信息子粒的关联运算结果生成的信息粒的粒度，分别得到决策规则的支持度α＝|C∧D|/|U|，决策规则的置信度为γ＝|C∧D|/|C|，当支持度α和置信度γ为1时，该规则保留；

⑤根据决策规则的支持度和置信度，以及故障诊断信息系统S、条件属性集合和决策属性集合的基本集，得到故障诊断信息系统的关联粒度矩阵为：

⑥根据关联粒度矩阵，得到决策规则的符合度θ_ij为：

符合度θ_ij的粒度和ρ_ij为：ρ_ij＝|C_ij∧D_m|+|C_ij∧D_l|；

⑦计算出各条件属性C_i相对于决策属性D的权重η：

Images