CN102819239A - 一种数控机床智能故障诊断方法 - Google Patents

Abstract

一种数控机床智能故障诊断方法，以故障树诊断为基础，结合贝叶斯概率与规则推理方法对故障进行诊断，找到故障原因，提出维修建议。首先从历史维修记录以及机床使用说明书中提取故障信息，建立数控机床故障信息知识库；再根据故障特征信息，在故障知识库中搜索属于该故障部位的故障树，如果有多棵故障树符合条件，计算出每棵故障树在当前状态下发生的概率，依据概率大小确定故障树被诊断的先后顺序；最后判断该故障树顶事件的所有子事件是否发生，如果子事件是故障树的底事件，则返回该事件对应的故障处理办法作为一条解决方案，反之则继续搜寻该事件的子事件，直到找到所有符合故障特征信息的底事件。该方法的诊断速度快、诊断结果精确合理。

Description

一种数控机床智能故障诊断方法

技术领域

本发明属于故障诊断领域，涉及数控机床特征信号的分析，故障知识的匹配。

背景技术

智能故障诊断技术自从上世纪八十年提出来之后，国内外关于故障诊断技术一直在不断发展完善，不断有新思路，新想法被提出来。近年来国际上故障诊断技术发展的非常迅速，常用的故障诊断方法有最近邻法，灰度法，故障树法，模糊推理法，以及运用人工神经网络建立故障诊断模型等方法。全球各地的学者和工程师一直在不断完善故障诊断方法。复杂程度高的数控机床能够创造出巨大的经济效益，但一旦发生故障，一方面停机会带来经济损失，另一方面，有可能引起生产事故。这就要求智能故障诊断方法诊断速度快、准确率高。但对于有多棵故障树符合匹配条件时，如何对故障树进行排序，以减少诊断需要时间，目前还未检索到这类方法的发明专利及相关文献。

总体来说，故障树分析方法仍然是故障诊断中最有效的方法之一。其诊断结果准确率高，这有助于在实际应用中准确定位故障原因，迅速解决故障。但是缺点在于故障树本身不能囊括故障诊断需要的所有信息，同时传统的定性分析在实际应用中会出现组合爆炸问题。将传统的故障树分析方法进行一定的改进与创新并与其它智能诊断方法相结合，会是一个很好的选择。

经对现有技术的文献检索和专利的检索发现常见的故障诊断方法有以下几种：

方法1：美国专利申请号US 6,785,636 B1的专利设计了一个诊断系统，该诊断系统使用贝叶斯网络的方法对监测到的故障进行推理，给出各种可能的原因的概率。其贝叶斯网络的各个概率是通过手工生成和自动计算得出。该系统允许同时估计多个故障的原因的可能性。该方法将故障现象与各种可能性的直接原因和间接原因进行了关联。将每种原因导致故障现象的边缘概率与先验概率都进行了设定。在故障诊断时，根据现象来找相应的原因。这种方法在诊断某几个特定的故障的时候是可取的，但是该诊断方法要求所有的故障知识都有一个可靠的先验概率与边缘概率才能进行比较可靠的诊断，同时诊断结果并不能明确排除某一个故障原因，只是将原有的多个故障原因依据概率从大到小排列，这种方法在一定程度上是可取。但是对于用于生产的数控机床在生产过程中创造的经济价值非常大，每一次故障都会造成巨大的经济损失，因此就要求数控机床的故障诊断系统拥有较高的可靠性；另一方面，本方法对于故障知识的要求过高，并不是所有的故障原因都能被找到一个恰当的边缘概率。因此该方法在实际应用的效用有待商榷。

方法2：美国专利申请号US 6,789,793 B2，该专利是一种针对打印机的基于贝叶斯网络的故障诊断方法，这种诊断方法的工作原理如图一。通过历史搜集的有关打印机使用过程中可能发生的各种事件，将所有事件放入贝叶斯网络中，并确定各事件的条件概率与边缘概率。根据打印机出故障时的故障状态，计算可能是故障原因的各事件的后验概率。该方法充分利用了贝叶斯网络在条件不足的情况下进行不确定性诊断的优势，具有一定可借鉴之处。该方法2使用了贝叶斯网络方法，贝叶斯网络充分发挥了贝叶斯方法在不确定性诊断方面的优势。但该方法所对应的待诊断设备有其特殊性。首先，打印机的故障种类较少，引起故障的原因也与数控机床不在同一个数量级。由于待确定的故障原因较少，在计算其故障原因的后验概率时并不是特别困难，各个先验概率和边缘概率的确定也可以根据历史数据一一计算。由于事件不多，在创建贝叶斯网络的时候，经过有限次的拟合，可以得到一个比较可信的贝叶斯网络。但是对于大型数控机床来说，其事件数目比打印机高出两个数量级，因此为其创建一个可信度较高的贝叶斯网络是一件非常困难的时期，因此该专利所记载的方法并不能适用于大型数控机床的故障诊断。

方法3：路杨等人在《基于灰色理论的故障案例检索算法》中采用基于案例的推理(Case Based Reasoning，CBR)技术进行故障诊断，对传统案例匹配的诊断方法进行改进，一定程度上克服了案例匹配算法确定相似度系数时过于主观的确点。方法3并不能很好的用于数控机床故障诊断，数控机床的大部分状态量都可以被数控系统明确的反映出，利用案例匹配诊断的时候，相似度经常是0或者1。不能发挥案例匹配方法基于相似度诊断的优势。同时案例匹配方法在确定相似度的时候具有很大的主观随意性，因此诊断准确程度经常是与主观的判断相关，方法3中虽然进行了一定程度上的改进仍然不能完全克服这个缺点。

方法4：陶勇剑等人在《采用故障树分析诊断系统故障的改进方法》中对传统故障树分析方法进行了改进，对故障树的最小割集进行了优先级的排序，诊断时首先对优先级高的最小割集进行判断。提高了利用故障树诊断的诊断速度。方法4采用传统故障树分析方法进行诊断，首先要面临的一个技术问题是，传统的故障树诊断方法的最小割集数目理论上说是底事件个数N的阶乘，传统故障树分析方法在进行诊断的时候，直接针对每个最小割集进行诊断，当故障树比较庞大的时候，底事件个数N增大，因此最小割集数目也变得异常巨大，导致整个诊断的计算量非常大，大大减慢了诊断速度。对于数控机床来说，诊断速度过慢会造成巨大的经济损失。方法4虽然努力解决这一弊端，对每一个最小割集赋予一个决定优先级的排序值。因为最小割集数目过多，这种方法的实现需要耗费大量的人力。

方法5：Liu S等人在《Research on Fault Diagnosis for Ship Course ControlSystem》利用模糊推理的方式建立了故障诊断模型，在故障知识不足的情况下能很好的利用已有知识与经验。同时，这种故障诊断模型具有很好的自学习性。方法5采用模糊推理的方法进行故障诊断，使故障诊断模型在故障知识缺少时依然能够进行诊断，是一种非常可取的诊断方法。但是根据数控机床的故障特点来看，这种方法并不适合。首先，这种诊断方法的采用模糊推理，诊断结果准确率并不会特别高，一定程度上会使诊断消耗大量时间，造成生产损失，其次，数控机床的大部分状态信息可以通过数控系统直接取得。因此获取的故障知识比较完善，方法3所述的诊断方法的优点在此这种情况下并不能体现。

方法6：专利申请号：JP2006106763；专利名称为：故障诊断系统和模型方法6阐述的诊断方法通过对已诊断故障进行再次诊断来确保诊断的精确性。想法新颖，可以很大程度上提高诊断的准确性。但是方法6描述的诊断方法提高准确精确程度一定程度上是以牺牲诊断速度为代价，对同一故障二次诊断会使诊断时间加倍。

方法7：中国专利申请号：200910099462.2；专利名称为：一种基于神经网络和模糊积分的电力系统故障诊断方法，该专利自述为：“本发明公开了一种基于神经网络和模糊积分的电力系统故障诊断方法，本发明采用面向元件神经网络与模糊积分信息融合技术的电网故障诊断方法，有效解决了获取训练样本和适应拓扑变化两个问题。综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设，有效提高了系统诊断的准确性。”方法7阐述了基于神经网络的智能故障诊断方法。这种诊断方法由于其对故障知识的要求低，近年来备受推崇。但是因为其诊断准确程度非常低，诊断结果经常不可信，实际应用中并不多见。

方法8：中国专利申请号：200910197909.X，专利名称为：数控机床故障诊断系统及其方法，该专利自述为：“数控机床故障诊断系统及其方法，包括两只加速度传感器和一只速度传感器，用于获得数控机床产生的振动信号；两个第一信号调理器，用于对所述加速度传感器输出的信号进行调理并输出；第二信号调理器，用于对所述速度传感器输出的信号进行调理并输出；数据采集卡，用于采集调理后输出的信号；监控计算机，与所述数据采集卡的输出端相连接，用于对数控机床产生的振动信号进行计算和分析，诊断机床故障。所述方法包括：1)振动信号获取步骤；2)信号调理步骤；3)数据采集步骤；4)信号分析步骤。本发明装置硬件结构简单，诊断分析功能主要依靠软件实现，便于升级和维护。减少机床不必要的停机维修时间，提高机床加工的运行效率。”方法8更多的是从硬件的角度来阐述一个故障诊断系统，并没有涉及智能故障诊断算法。

发明内容

本发明的目的在于针对现有技术的不足，提出一种数控机床智能故障诊断方法，基于故障树的规则推理的诊断方法，使其解决背景技术中存在的不足，实现数控机床故障的智能诊断，从而减少数控机床的故障时间，提高经济效益。

为达到以上目的，本发明所采用的解决方案是：

本发明的方法具体实施步骤如下：

1)前期故障知识的储备，从数控机床的历史维修记录以及机床使用说明书中提取曾经发生过的或者理论上会发生的故障信息，依据故障信息建立故障树。以故障部位为故障树的顶事件。将故障信息进行分类和汇总，以导致该事件发生的事件作为当前事件的子事件，建立故障之间的父子关系，同时将上一级事件导致下一级事件发生的原因作为事件发生的判断条件。同时建立起各个故障检测状态与故障树之间的关系。并由专家根据以往经验给出每个故障树F发生的概率P(F)、F发生时，其相关的故障状态S发生的概率P(S|F₁)。以此类推建立故障树结构的数控机床故障信息知识库。

2)当数控机床发生故障时，发送待诊断故障特征信息至智能故障诊断系统，待诊断故障特征信息包括数控系统当前的报警号，数控系统监测到的机床各部位的当前状态量，以及现场工作人员发现的包括机床噪音、震动、部件损坏等机床异常现象，将该状态信息记作S。

3)在知识库中查找到与状态信息S相关的故障树有m个，依次为F₁至F_m。

4)在知识库中查找状态信息S发生的概率为P(S)；故障树F_n的先验概率P(F_n)；F_n发生时，状态信息S发生的概率P(S|F_n)，根据贝叶斯公式

$p\left(F_n\right|s)=\frac{p\left(F_n\right)p\left(s\right|F_n)}{p\left(s\right)}$

计算出其后验概率为P(F_n|S)(n＝(1，m))。

5)依据概率由大到小依次对故障树F₁至F_m进行遍历

6)浏览故障树F1的顶事件对应的所有下一级事件，即它的子事件。查找每一个子事件成立需要的判断条件。将需要进行判断的判断条件返回给工作现场。

7)根据已经收集的现场状态量，回馈判断条件需要的当前状态值。

8)根据返回的当前状态值与故障知识库中事件被触发时的触发值做比较。在比较之前，先确定当前状态值是开关量还是模拟量。如果是开关量，则读取故障知识库中当前开关量的触发值，若触发值与当前状态值相同，则该事件被发生；如果是模拟量，则读取故障知识库中当前模拟量被触发时的最大值与最小值，若当前状态值在最大值与最小值之间，则该事件发生。如果该事件发生，则判断该事件是否是底事件。若为底事件，则返回该事件对应的故障处理办法作为该故障的一条维修意见，反之则将判断该事件的子事件是否被触发需要的判断条件返回至工作现场。

9)重复步骤6)，7)与8)，直到没有判断条件返回到工作现场为止，此时返回已经诊断得到的该故障的维修意见的集合。

10)对故障树F₂至F_m重复步骤6)，7)，8)，9)。获得全部的故障维修意见，诊断结束。

由于采用了上述方案，本发明具有以下特点：这种智能故障诊断算法结合了故障树分析方法，规则推理与贝叶斯方法。由贝叶斯方法来确定多棵待诊断故障树的诊断先后顺序；在每棵故障树具体的诊断流程中，利用规则推理获得诊断结果；同时规则推理的顺序由故障树的层次结构决定。通过贝叶斯方法，故障树分析方法与规则推理方法的结合解决了故障树诊断方法诊断中，由于无法第一时间定位故障树而拖慢诊断速度的缺点，同时吸收了故障树诊断方法与规则推理诊断方法的优点，诊断准确率高，诊断覆盖范围大，能够对所有已知故障给予准确的诊断结果。即，可以更快速的查找数控机床故障，减少机床不必要的停机维修时间，提高机床加工的运行效率。

附图说明

图1为本发明数控机床智能故障诊断方法的智能故障诊断流程图。

图2为本发明数控机床智能故障诊断方法的子程序F2的诊断流程图。

图3为本发明数控机床智能故障诊断方法的一种实施实例使用的一棵故障树。

图4为本发明数控机床智能故障诊断方法的一种实施实例使用的另一棵故障树。

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。

该发明已经应用于Φ160数控镗铣床智能故障诊断系统中，下面以此案例中机床头架液压系统故障的诊断为例对本发明的内容加以说明。当监测到数控机床PLC程序发出信号：I_Tool_Motor_Flase，即刀具松开信号报警，智能诊断系统开始运作，其诊断步骤如下：

1)工作现场连接到智能故障诊断软件，将状态信息：“I_Tool_Motor_Flase”发送给诊断系统。

2)查找与状态信息S：“I_Tool_Motor_Flase”相关的故障树。经过检索发现故障树F₁头架液压系统故障树与F₂的约束判断条件中包含“I_Tool_Motor_Flase”。

3)在知识库中查找状态信息S：“I_Tool_Motor_Flase”报警发生的概率为0.15；故障树F₁的先验概率P(F₁)＝0.1；F1发生时，状态信息S发生的概率P(S|F₁)＝0.9，根据贝叶斯公式计算出其后验概率为P(F₁|S)＝0.6。

4)故障树F₂的先验概率P(F₂)＝0.02；F₂发生时，状态信息S发生的概率P(S|F₂)＝0.8，根据贝叶斯公式计算出其后验概率为P(F₂|S)＝0.11。

5)由步骤3)与步骤4)的比较发现，故障树F₁发生的概率比F₂发生的概率高，因此优先检测故障树F₁：“头架液压系统”故障树。

6)为方便说明诊断过程，现将“头架液压系统”故障树的结构图呈现在图3中，并用T1～T21标注故障树中的每一个事件。智能故障诊断系统根据故障树顶事件T1找到T1的子事件T2与T3。进而找到T2，T3是否发生的判断条件依次是：夹紧系统是否异常；润滑系统是否异常。将T2与T3的判断条件返回给工作现场

7)工作现场根据待判断故障的特征信息，给出“夹紧系统是否异常”与“润滑系统是否异常”的状态值。分别是“否”，“是”。将状态值发送给故障诊断系统。

8)故障诊断系统根据返回的值对判断条件进行推理，得出T2未被触发，T3被触发。进而判断T3是否为底事件。结果为“否”。此时寻找T3的子事件，找到事件T6，T7，T8，T9，T10。进而找到T6，T7，T8，T9，T10是否发生的判断条件依次是：SP1是否信号报警；M7电机温控传感器是否报警；SP2流量传感器是否报警；SL1液位传感器是否报警；油冷机传感器是否报警。将判断条件发送至工作现场。

9)工作现场根据待判断故障的特征信息，给出状态值依次是“否”，“是”，“否”，“否”，“是”。将状态值发送给故障诊断系统。

10)故障诊断系统根据返回的值对判断条件进行推理，得出T7.T10被触发，其余未被触发。进而判断T7是否为底事件，结果为“是”。因此将T7对应的故障处理办法作为该故障的一条解决方案。T7的故障处理办法是：修理或更换电机M7。判断T10是否为底事件，结果为“否”。此时寻找T10的子事件，找到事件T20，T21。进而找到T20，T21是否发生的判断条件依次是：压缩机传感器SP12是否报警；制冷剂监控传感器SP13是否报警。将判断条件发送至工作现场。

11)工作现场根据待判断故障的特征信息，给出状态值依次是“否”，“是”。将状态值发送给故障诊断系统。

12)故障诊断系统根据返回的值对判断条件进行推理，得出T21被触发，T20未被触发。进而判断T21是否为底事件，结果为“是”。因此将T21对应的故障处理办法作为该故障的一条解决方案。T21的故障处理办法是：油冷机添加制冷剂。没有判断条件发生至现场，因此将维修意见的集合：修理或更换电机M7；油冷机添加制冷剂。返回给工作现场。

13)现场根据维修意见进行维修，维修后机床状态正常，至此诊断结束不对故障树F2进行规则推理。若维修结果仍不正常，则智能诊断系统继续对故障树F2进行规则推理诊断。

通过本实例可以发现，本发明在进行故障诊断的时候，通过多次的对故障的特征信息进行筛选，减少了诊断需要的信息量，依次提高了诊断的速度，同时使用规则推理的方式判断各个事件是否发生，提高了故障诊断的诊断精度。同时故障树的整个框架结构包含了所有通过实际经验和机床结构的分析得到的所有故障知识，因此此种智能故障诊断方法所能覆盖的故障种类齐全。

本发明的智能诊断方法很好的解决了传统故障树诊断速度慢的问题。具体的讲，通过对故障树从顶事件到底事件逐层进行判断，当判断故障树的某个中间事件不会发生时，就不在对该事件的所有子事件进行判断，因此大大减少了故障诊断的计算量，提高了诊断速度。同时还提高了诊断精确程度，背景技术中的与方法6相比，本发明的智能诊断方法在诊断精确度和诊断准确程度方面都更为可取。

本发明的故障诊断方法在对故障树底事件进行搜寻的时候采用了规则推理的方法，因此诊断准确程度较高。同时采用了故障树的方法，故障知识存储比较系统、有层次，因此故障知识库比较充实，在诊断时，诊断覆盖范围大。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，在不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (5)

1.一种数控机床智能故障诊断方法，其特征在于：以故障树诊断为基础，结合贝叶斯概率与规则推理方法对故障进行诊断，找到故障原因，提出维修建议。

2.如权利要求1所述的数控机床智能故障诊断方法，其特征在于：其包括以下步骤：

1)前期故障知识的储备，从数控机床的历史维修记录以及机床使用说明书中提取曾经发生过的或者理论上会发生的故障信息，依据故障信息建立故障树，故障树集合构建为数控机床故障信息知识库；

2)当数控机床发生故障时，发送待诊断故障特征信息至智能故障诊断系统；

3)在数控机床故障信息知识库中查找到与状态信息S相关的故障树有m个，依次为F₁至F_m；

4)在数控机床故障信息知识库中查找状态信息S发生的概率为P(S)；故障树F_n的先验概率P(F_n)；F_n发生时，状态信息S发生的概率P(S|F_n)，根据贝叶斯公式

计算出其后验概率为P(F_n|S)，其中n＝(1，m)；

5)依据后验概率由大到小依次对故障树F₁至F_m进行遍历；

6)浏览故障树F₁的顶事件对应的所有下一级事件，即它的子事件，查找每一个子事件成立需要的判断条件，将需要进行判断的判断条件返回给工作现场；

7)根据已经收集的现场状态量，回馈判断条件需要的当前状态值；

8)根据返回的当前状态值与数控机床故障信息知识库中事件被触发时的触发值做比较，判断该事件是否发生且是否是底事件；若为底事件，则返回该事件对应的故障处理办法作为该故障的一条维修意见，反之则将判断该事件的子事件是否被触发需要的判断条件返回至工作现场；

9)重复步骤6)、7)与8)，直到没有判断条件返回到工作现场为止，此时返回已经诊断得到的该故障的维修意见的集合；

10)对故障树F₂至F_m重复步骤6)-9)，获得全部的故障维修意见，诊断结束。

3.如权利要求2所述的数控机床智能故障诊断方法，其特征在于：所述故障树以故障部位为故障树的顶事件，将故障信息进行分类和汇总，以导致该事件发生的事件作为当前事件的子事件，建立故障之间的父子关系，同时将上一级事件导致下一级事件发生的原因作为事件发生的判断条件；同时建立起各个故障检测状态与故障树之间的关系；并确定每个故障树F发生的概率P(F)、F发生时，其相关的故障状态S发生的概率P(S|F₁)。

4.如权利要求2所述的数控机床智能故障诊断方法，其特征在于：所述待诊断故障特征信息包括数控系统当前的报警号，数控系统监测到的机床各部位的当前状态量，以及现场工作人员发现的包括机床噪音、震动、部件损坏机床异常现象，将该状态信息记作S。

5.如权利要求2所述的数控机床智能故障诊断方法，其特征在于：所述步骤8)中在做比较之前，先确定当前状态值是开关量还是模拟量；如果是开关量，则读取数控机床故障信息知识库中当前开关量的触发值，若触发值与当前状态值相同，则该事件被发生；如果是模拟量，则读取数控机床故障信息知识库中当前模拟量被触发时的最大值与最小值，若当前状态值在最大值与最小值之间，则该事件发生。

Images