本發明涉及數控機床故障診斷與預警技術領域，尤其涉及一種具有故障診斷與預警功能的數控機床。
背景技術：
智能化技術是先進數控裝備的關鍵，是世界發達國家高端制造領域競爭的戰略高地。近年來，國際上以美、德、日等國為代表的工業國家相繼推出了旨在促進其高端裝備制造業發展的科技計劃；中國中長期科技發展計劃對“數字化智能化制造技術”也提出了迫切要求，并于2015年發布了“中國制造2025”戰略。數控機床是制造業中最基礎的加工設備，是集機械、電子、液壓等技術于一體的復雜系統，在數控裝備使用中量大面廣。在使用過程中,任何一個部分出現故障,均會影響機床的正常運行，尤其機械出現故障時，輕則長時間的停機檢修、導致整個生產線停產，重則導致機床損毀，造成巨大的經濟損失。因此，將故障診斷與預警技術應用于提升數控機床的智能化品質，不僅對提高我國裝備制造發展水準、實現由“制造大國”向“制造強國”的轉變具有重大意義，同時，也對推進制造業技術升級、提升企業競爭力具有重要的實用價值。
故障預測與預警是數控機床智能化的核心，主要包括三個關鍵技術：基于數理統計的故障預測技術、智能故障預測技術以及混合故障預測技術等。在國外，高端數控機床基本都配備有智能診斷功能，如德國西門子、日本發那科等主流高檔數控機床控制器；在國內，沈陽機床新近推出的5i智能機床也初步具備了智能診斷功能。文獻資料調研表明，無論是國外高端數控機床、還是國內智能機床，在系統故障診斷與預警方面的功能相對薄弱，數控機床故障診斷相關的研究也基本只面向一種機床類型或單一零件。現有的診斷系統還普遍存在漏報、誤報以及實時性較差的問題。實踐中，機床故障診斷通常依賴人工和經驗，對機床整體狀態的智能故障診斷還處在嘗試階段。隨著新的理論與方法的不斷出現，急需建立更加有效的智能故障計算模型，從而提高機床故障診斷與預警的準確性。
技術實現要素：
本發明的目的在于通過一種具有故障診斷與預警功能的數控機床，來解決以上背景技術部分提到的問題。
為達此目的，本發明采用以下技術方案：
一種具有故障診斷與預警功能的數控機床，其包括數控機床本體、多源感知模塊和工控機；所述數控機床本體包括床身、變速齒輪箱和數控控制器；所述多源感知模塊包括傳感器陣列、距離傳感器和影像傳感器，所述傳感器陣列安裝于床身和變速齒輪箱上；所述距離傳感器安裝于床身上，用于感知刀架和工件間的距離；所述影像傳感器用于測量刀具磨損量；所述工控機包括數據融合模塊、故障診斷模塊和故障預警模塊；所述數據融合模塊運行在工控機上，用于將多源感知模塊的感知參數進行信息融合，并將信息融合結果傳遞給故障診斷模塊和故障預警模塊；所述故障診斷模塊運行在工控機上，用于以所述數據融合模塊輸出的工況信息融合數據作為輸入，判斷數控機床是否出現故障；所述故障預警模塊運行在工控機上，用于以所述數據融合模塊輸出的工況信息融合數據作為輸入，輸出對可能故障的預測結果。
特別地，所述傳感器陣列用于對機床的切削力、主軸箱溫度、主軸振動、變形、加工噪聲、刀具磨損及輸入/輸出功率進行信號采集。
特別地，所述影像傳感器包括安裝于床身的用于監控加工過程的視頻CCD攝像機、安裝于床身的用于測量刀具磨損量的影像CCD相機以及照明光源。
特別地，所述數據融合模塊包括隨機融合算法、智能融合算法以及數據融合策略，其中，所述隨機融合算法包括加權均勻法、卡爾瑪濾波法、多貝葉斯估計法、D-S證據推理法、產生式規則法、統計決策法；所述智能融合算法包括聚類分析法、遺傳算法、神經網絡算法、模糊邏輯推理算法；所述數據融合策略是指按信息抽象的層次即數據層、特征層、決策層，對感知數據進行融合，并根據故障診斷模塊和故障預警模塊的算法需求而定義的用于融合數據篩選的規則。
特別地，所述故障診斷模塊具體用于采用支持向量回歸SVR模型，以所述數據融合模塊輸出的工況信息融合數據作為輸入，建立輸入數據SVR模型，通過將機床實際輸出的殘差平方和U與SVR計算模型輸出的殘差平方和閾值K對比來判定機床是否出現故障：若U小于K，則認為機床運行正常，反之，則認為出現故障。
特別地，所述故障預警模塊具體用于采用灰色預測模型，以所述數據融合模塊輸出的工況信息融合數據作為輸入，經過特征提取、自適應最優估計融合，以及特征序列灰色生成、灰色故障預測模型訓練、故障預測，建立灰色預測模型，并在模型精度符合要求時，輸出對可能故障的預測結果。
特別地，所述數據融合模塊通過多功能數據采集卡接收來自所述多源感知模塊的數據信息。
特別地，所述多源感知模塊、數據融合模塊、故障診斷模塊、故障預警模塊同時啟動運行。
本發明提出的具有故障診斷與預警功能的數控機床解決了現有技術無法對數控機床運行狀態進行在線對即時故障診斷的問題，同時，所述故障診斷模塊和故障預警模塊可以實現數控機床的運行狀態趨勢分析和對潛在的故障源進行故障預測和預警，降低數控機床故障率，提升了企業生產運營效率，減少由于數控機床發生故障所帶來的損失。
附圖說明
圖1為本發明實施例提供的具有故障診斷與預警功能的數控機床總體結構示意圖；
圖2為本發明實施例提供的數據融合模塊工作流程示意圖；
圖3為本發明實施例提供的故障診斷模塊工作流程示意圖；
圖4為本發明實施例提供的故障預警模塊工作流程示意圖。
具體實施方式
為了便于理解本發明，下面將參照相關附圖對本發明進行更全面的描述。附圖中給出了本發明的較佳實施例。但是，本發明可以以許多不同的形式來實現，并不限于本文所描述的實施例。相反地，提供這些實施例的目的是使對本發明的公開內容理解的更加透徹全面。除非另有定義，本文所使用的所有的技術和科學術語與屬于本發明的技術領域的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在于限制本發明。本文所使用的術語“及/或”包括一個或多個相關的所列項目的任意的和所有的組合。
請參照圖1所示，圖1為本發明實施例提供的具有故障診斷與預警功能的數控機床總體結構示意圖。
本實施例中具有故障診斷與預警功能的數控機床具體包括數控機床本體、多源感知模塊和工控機9；所述數控機床本體包括床身1、變速齒輪箱3和數控控制器10；所述多源感知模塊包括傳感器陣列2、距離傳感器4和影像傳感器5，所述傳感器陣列2安裝于床身1和變速齒輪箱3上；所述距離傳感器4安裝于床身1上，用于感知刀架和工件間的距離；所述影像傳感器5用于測量刀具磨損量；所述工控機9包括數據融合模塊6、故障診斷模塊7和故障預警模塊8；所述數據融合模塊6運行在工控機9上，用于將多源感知模塊的感知參數進行信息融合，并將信息融合結果傳遞給故障診斷模塊7和故障預警模塊8；所述故障診斷模塊7運行在工控機9上，用于以所述數據融合模塊6輸出的工況信息融合數據作為輸入，判斷數控機床是否出現故障；所述故障預警模塊8運行在工控機9上，用于以所述數據融合模塊6輸出的工況信息融合數據作為輸入，輸出對可能故障的預測結果。所述多源感知模塊、數據融合模塊6、故障診斷模塊7、故障預警模塊8同時啟動運行。
具體的，所述傳感器陣列2由安裝于床身1和變速齒輪箱3上的多種傳感器組成，包含振動、加速度、變形、切削力、噪聲、溫度等類型的傳感器，用于對機床的切削力、主軸箱溫度、主軸振動、變形、加工噪聲、刀具磨損及輸入/輸出功率等進行信號采集。所述影像傳感器5包括安裝于床身1的用于監控加工過程的視頻CCD攝像機、安裝于床身1的用于測量刀具磨損量的影像CCD相機以及其對應的照明光源。所述數據融合模塊6通過多功能數據采集卡接收來自所述多源感知模塊的數據信息，且具有多層次、多方法數據信息融合的能力。圖1中的視頻CCD即指所述視頻CCD攝像機，影像CCD即指所述影像CCD相機。
所述數據融合模塊6包括隨機融合算法、智能融合算法以及數據融合策略，其中，所述隨機融合算法包括加權均勻法、卡爾瑪濾波法、多貝葉斯估計法、D-S證據推理法、產生式規則法、統計決策法；所述智能融合算法包括聚類分析法、遺傳算法、神經網絡算法、模糊邏輯推理算法；在實際運行時，根據具體的需求選用最合適的數據融合算法。所述數據融合策略是指按信息抽象的層次即數據層、特征層、決策層，對感知數據進行融合，并根據故障診斷模塊7和故障預警模塊8的算法需求而定義的用于融合數據篩選的規則。所述數據融合策略根據定義的融合數據篩選規則組織數據，并分別傳送給故障診斷模塊7和故障預警模塊8。
所述故障診斷模塊7具體用于采用支持向量回歸SVR模型，以所述數據融合模塊6輸出的工況信息融合數據作為輸入，建立輸入數據SVR模型，通過將機床實際輸出的殘差平方和U與SVR計算模型輸出的殘差平方和閾值K對比來判定機床是否出現故障：若U小于K，則認為機床運行正常，反之，則認為出現故障。通過將機床整體劃分成若干重要的子系統，應用所述故障診斷模塊7分別對子系統計算Ui值，并比較其與對應Ki的大小，對機床各子系統是否出現故障進行精確判定。
所述故障預警模塊8具體用于采用灰色預測模型，以所述數據融合模塊6輸出的工況信息融合數據作為輸入，經過特征提取、自適應最優估計融合，以及特征序列灰色生成、灰色故障預測模型訓練、故障預測，建立灰色預測模型，并在模型精度符合要求時，輸出對可能故障的預測結果。
工作時，由所述包含傳感器陣列2、距離傳感器4和影像傳感器5的多源感知模塊在線實時感知機床運行工況，并將感知信息傳遞給數據融合模塊6；所述數據融合模塊6根據感知信息特征自動選用恰當的數據融合算法進行數據融合，并由數據融合策略模塊按照規則對融合數據進行篩選后分別傳遞給故障診斷模塊7和故障預警模塊8；然后，由所述故障診斷模塊7和故障預警模塊8分別對機床當前運行狀態進行判定，并對故障出現的趨勢進行預測。當加工過程中故障出現時，本發明能向機床數控控制器10發出停機指令，并能迅速確定發生故障的子系統(部位)，便于及時準確地維修；同時，在機床加工運行過程中，本發明的故障預警模塊8能對未來可能出現的機床故障進行預測并預警，以便在方便時及時對機床進行保養，提高數控機床的利用率。
本發明的技術方案解決了現有技術無法對數控機床運行狀態進行在線對即時故障診斷的問題，同時，所述故障診斷模塊和故障預警模塊可以實現數控機床的運行狀態趨勢分析和對潛在的故障源進行故障預測和預警，降低數控機床故障率，提升了企業生產運營效率，減少由于數控機床發生故障所帶來的損失。本發明解決了現有技術無法對機床運行狀態進行實時故障診斷和預警的問題，對于減少機床故障、提升利用率有重要的意義和實用價值。本發明解決了現有故障定位不準、故障診斷依賴人工經驗的局限，同時，本發明提供一種基于灰色理論的數控機床運行故障預警方法，實現機床運行故障的診斷與預警智能化。本發明從構成智能機床技術核心的感知、信息物理融合技術入手，利用改進的支持向量回歸故障診斷算法進行機床故障的準確定位、利用優化的灰度預測理論進行機床運行故障的預判，在技術方法突破和創新，形成具有故障診斷與預警功能的智能光控機床及系統，提高數控機床的運行壽命、降低運行故障率，提升數控機床的智能化品質。
注意，上述僅為本發明的較佳實施例及所運用技術原理。本領域技術人員會理解，本發明不限于這里所述的特定實施例，對本領域技術人員來說能夠進行各種明顯的變化、重新調整和替代而不會脫離本發明的保護范圍。因此，雖然通過以上實施例對本發明進行了較為詳細的說明，但是本發明不僅僅限于以上實施例，在不脫離本發明構思的情況下，還可以包括更多其他等效實施例，而本發明的范圍由所附的權利要求范圍決定。
本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質中，該程序在執行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機存儲記憶體(Random Access Memory，RAM)等。