面向数控机床故障诊断与故障预报的知识库构建方法技术

本发明专利技术涉及一种面向数控机床故障诊断与故障预报的知识库构建方法，其步骤如下：步骤一、通过远程监测设备对高档车削加工中心实时在线监测，获得代表不同故障类型的多组振动数据Xj(t)，j为采集到的振动数据组数，n为正整数；步骤二、对实时在线监测的多组振动数据Xj(t)依次进行时态粗糙小波包分析处理，得到能量特征向量T′作为条件属性，以故障类型为决策属性，构建故障知识原始决策表；步骤三、对故障知识原始决策表进行基于差别矩阵的故障特征属性约简，生成规则，构成知识库；步骤四、采用规则的可信度作为评价指标对最终规则进行度量和评价。本发明专利技术能为故障诊断和故障预报提供有效的保障，本发明专利技术可以广泛应用于高档车削加工中心。

【技术实现步骤摘要】

本专利技术 涉及一种故障诊断与故障预报方法，特别是关于一种面向高档车削加工中心的用于对数控机床故障诊断与故障预报的知识库构建方法。
技术介绍
以高速、精密、复合、多轴联动为核心的高档车削中心已成为现代化制造业的主要设备之一。由于高档车削中心在机构、功能等方面具有大型化、集成化、精密化和智能化等特点，使得在加工过程中常常会遇到精度退化，故障发生率高等问题。虽然高档车削中心自身带有的数控系统能完成简单的故障诊断功能，但是对机械系统的故障则很难做出预报和诊断。一旦专业人员未及时发现故障，则会给企业造成巨大损失，甚至会出现机毁人亡的严重后果。建立高档车削中心故障知识库，对及时判断设备故障征兆和保障设备加工精度具有重要意义。高档车削中心故障样本知识有效获取是实现机床智能故障预警与诊断的重要前提条件。传统的傅里叶变换(FFT)频域分析方法已经不能满足非平稳信号的故障特征提取，而以多分辨率分析和时-频域双重定域能力为显著特点的小波变换成为众多领域的研究热点。以高档车削中心典型功能部件为研究对象，根据典型功能部件故障信号中包含的非平稳性、故障特征微弱等特点，利用小波包分析理论将信号分解到不同频段，根据不同频段的能量值比例变化情况进行设备故障类型判断。由于机床运行工况存在很大的不确定性，输入的数据往往具有时态特性，会随着时间的变化而变化，那么小波包分析可能就不能准确进行定量分析，因为这种时态数据具有了区间性，并且不同时刻测量得到的数据具有不一致性，导致小波包分析之后的数据存在不完整或者缺失，这将造成单纯小波包分析方法无法进行准确故障获取。高档车削加工中心各关键功能部件间具有一定的关联性，使得故障源的分散性较为明显，致使故障信息和设备状态信息的对应规则获取较为困难。面向高档车削加工中心海量复杂数据，如何有效获取故障特征和知识库成为机床故障预警专家系统的一个重要挑战。目前国内外在构建机床故障知识库研究上，还存在以下问题1、缺乏对高档车削加工中心动态数据进行故障知识库构建研究，需要对机床故障诊断的动态数据和案例进行综合分析，并进行有效获取故障知识的研究。2、在处理海量故障信息时，许多冗余的故障特征对于故障诊断不仅没有用处，反而可能增加检测成本，并影响故障识别的精度。
技术实现思路
针对上述问题，本专利技术的目的是提供一种，该知识库构建方法能准确获取故障，并且故障识别精度较高。为实现上述目的，本专利技术采取以下技术方案一种，其步骤如下步骤一、通过远程监测设备对高档车削加工中心实时在线监测，获得代表不同故障类型的多组振动数据\(t)，j = l，2， ，!!，j为采集到的振动数据组数，n为正整数；步骤二、对实时在线监测的多组振动数据X^t)依次进行时态粗糙小波包分析处理，得到能量特征向量T'作为条件属性，以故障类型为决策属性，构建故障知识原始决策表；所述时态粗糙小波包分析方法如下(I)选择正交小波包分解公式 .、,，将采集到的多组振动信号 Mln^Ax)= Z^Sk-IxMnik)Xj(t)依次进行小波包分解，得到分解后的所有分解层的低频带系数U2n(X)和高频系数u2n+1(x);其中hk、gk是一对共轭正交实系数滤波器，且hk= (-l)kgk (1-k) ;k为小波包分解层数，k=l，2，…；n=0、l、2…，其为小波包分解频率带序列号；本文档来自技高网...

【技术保护点】
一种面向数控机床故障诊断与故障预报的知识库构建方法，其步骤如下：步骤一、通过远程监测设备对高档车削加工中心实时在线监测，获得代表不同故障类型的多组振动数据Xj(t)，j=1，2，…，n，j为采集到的振动数据组数，n为正整数；步骤二、对实时在线监测的多组振动数据Xj(t)依次进行时态粗糙小波包分析处理，得到能量特征向量T′作为条件属性，以故障类型为决策属性，构建故障知识原始决策表；所述时态粗糙小波包分析方法如下：（1）选择正交小波包分解公式μ2n(x)=Σkhk-2xμn(k)μ2n+1(x)=Σkgk-2xμn(k),将采集到的多组振动信号Xj(t)依次进行小波包分解，得到分解后的所有分解层的低频带系数u2n(x)和高频系数u2n+1(x)；其中hk、gk是一对共轭正交实系数滤波器，且hk＝(？1)kgk(1？k)；k为小波包分解层数，k=1,2，…；n=0、1、2…，其为小波包分解频率带序列号；（2）将小波包分解的最后一层利用粗糙集理论中的等价关系上、下近似的概念，划分成上、下两部分，分别表示粗糙集的上、下近似，此分解层的频率上边界为称为上边界时态粗糙小波包低频系数；下边界为u2n+1(x)，称为下边界时态粗糙小波包高频系数；（3）对上边界时态粗糙小波包低频系数和下边界时态粗糙小波包高频系数u2n+1(x)进行重构，则得到重构信号Sn为：（4）分别对各重构信号Sn求解相应的能量Enj＝∫|Snj(x)|2dx，得到能量向量T＝[En0，En1,En2,…,Enj]，j为采集到的振动数据组数；（5）将能量向量T进行归一化处理，得到能量特征向量T′，以能量特征向量T′为条件属性，故障类型为决策属性，构建故障知识原始决策表；步骤三、对故障知识原始决策表进行基于差别矩阵的故障特征属性约简，生成规则，构成知识库；步骤四、采用规则的可信度α作为评价指标对最终规则进行度量和评价，并将可信度α≥80%的最终规则形成知识库，并传输至故障诊断与预报知识库内；样本规则库和故障案例库存储的历史数据也传输至故障诊断与预报知识库内；故障诊断与预报知识库将接收到的各个数据综合处理后，输出故障信息，实现为高档 车削加工中心进行故障诊断及故障预测；同时将故障信息作为历史数据存储至样本规则库和故障案例库。FDA00001872321200012.jpg,FDA00001872321200013.jpg,FDA00001872321200014.jpg...

【技术特征摘要】
1.一种面向数控机床故障诊断与故障预报的知识库构建方法，其步骤如下 步骤一、通过远程监测设备对高档车削加工中心实时在线监测，获得代表不同故障类型的多组振动数据Xj (t)，j=l,2,…，n, j为采集到的振动数据组数，η为正整数； 步骤二、对实时在线监测的多组振动数据\(t)依次进行时态粗糙小波包分析处理，得到能量特征向量T'作为条件属性，以故障类型为决策属性，构建故障知识原始决策表；所述时态粗糙小波包分析方法如下 (1)选择正交小波包分解公式2.如权利要求I所述的面向数控机床故障诊断与故障预报的知识库构建方法，其特征在于所述步骤三中，采用所述基于差别矩阵的方法进行决策表属性约简，包括如下步骤 (1)基于所构建的故障知识原始决策表DT= (U，A = T' U D, V, f),采用动态层次聚类算法对故障知识原...

【专利技术属性】
技术研发人员：徐小力，吴国新，王少红，任彬，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：