案例分析

1.机床滚珠丝杠故障测试台ScrewTB-1

实验对象：数控机床滚珠丝杠传动系统

采集信号：振动加速度信号，电流信号，扭矩信号

功能：

• 不同工况负载条件下丝杠轴-丝杠副故障诊断研究
• 不同工况负载条件下轴承故障诊断研究

试验台：

关键部件参数：

采集配件列表：

可完成实验：

表1 工况描述

• 不同工况负载条件下丝杠轴-丝杠副故障诊断研究

丝杠轴-丝杠副共有六种故障类型，包括健康、丝杠副滚珠磨损、丝杠副滚道磨损、丝杠轴不对中、丝杠轴弯曲、丝杠轴破裂。每种故障类型的描述见表2

表2 丝杠-丝杠副故障类型描述

故障类型	图片描述	备注
健康	------	健康数据
丝杠副滚珠磨损		丝杠副内部滚珠出现磨损
丝杠副滚道磨损		丝杠副内部滚道出现磨损
丝杠轴不对中		丝杠轴出现不对中的情况，向一个方向出现了偏移
丝杠轴弯曲		丝杆轴出现弯曲
丝杠轴破裂		丝杠轴出现裂痕

• 不同工况负载条件下轴承故障诊断研究

轴承共有三种故障类型，包括内圈故障、外圈故障、滚动体故障。其中内圈和外圈故障加工方式为线切割加工，滚动体故障为电火花打点加工。每种故障类型的描述见表3

表3 丝杠故障类型描述

故障类型	图片描述	备注
健康	------	健康数据
内圈故障		内圈线切割加工
外圈故障		外圈线切割加工
滚动体故障		滚动体电火花打点加工

2. 数控机床设备故障诊断与智能维护系统MTAgent

数控机床设备故障诊断与智能维护系统MTAgent融合了目前各种先进的信息智能分析算法以工具箱的方式，采用了一种开发的、模块化的结构实现雷达信号各种分析处理，采用Python编程语言，满足不同平台需求(包括Windows、Linux)。数控机床设备故障诊断与智能维护系统MTAgent主要融合了目前各种先进的信号处理算法，人工智能算法以及振动机理算法，采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想实现型机床故障诊断与健康预测。MTAgent主要包括：实时可视化监测模块、振动异常检测模块、趋势监测模块、信号分析模块、多传感融合模块、变工况自适应监控模块、故障诊断模块、健康量化评估模块、剩余寿命预测模块、系统设置管理模块、维护报警管理模块、报表管理模块、数据存储管理模块等多个功能模块。

• 时变健康地图

通过实时监控机床的运行状态，利用二维地图健康监测、标准高斯逆参数化、边际健康监测以及一维健康指标监测等多种技术手段，为用户提供了全面的健康状态评估。界面直观地展示了机床的实时健康信息，包括故障概率、实时健康指数地图、旋转速度和振动信号等关键数据，帮助用户及时发现并预防潜在的机械故障，从而提高生产效率和设备可靠性。

• 多点矫正指标监控

界面显示了多种校正指标，包括校正均值、峰值、波形、标准差、均方根值和准确度指标，这些指标通过图表形式展现，便于用户监测机床的运行状态。界面还提供了数据筛选和检测区间设置功能，允许用户根据需要定制查看特定时间段或特定设备的数据。此外，系统还具备健康状态和故障状态的实时显示，帮助用户快速识别问题并采取相应措施。

• 时变工况深度学习指标监控

系统通过实时转频和深度EPSD指标图表，为用户提供了机床运行状态的直观展示。用户可以监控机床的实时数据，如转频的波动情况，以及通过深度EPSD指标来评估机床的健康状况。系统界面简洁，操作方便，具备数据筛选和检测区间设置功能，允许用户根据需要定制查看特定时间段的数据。

• 超球指标监控

界面展示了实时转频和超球指标两大核心监控功能，通过图表形式直观反映机床在不同时间点的性能变化。用户可以通过设置数据筛选和检测区间，自定义查看特定时间段内机床的运行数据。系统提供的实时转频数据帮助用户监测机床转速的波动，而超球指标则用于评估机床的健康状态，及时发现异常。

• 时变温控指标

界面提供了机床运行状态的长期趋势分析，通过温度曲线和健康指标图表，用户可以追踪机床在数年时间内的性能变化。温度曲线图显示了机床在不同时间点的温度波动，而健康指标图则通过不同阈值的标记，警示用户潜在的健康问题。系统界面允许用户选择不同的时间范围进行数据筛选，确保了监控的灵活性和精确性。

• 多传感多指标融合监控

系统界面提供了实时工况监控和时变工况状态监测功能，用户可以通过选择不同的传感器和集成源，如振动信号传感器、温度传感器、声发射传感器、热成像传感等。此外，还提供了模型源，如Poly_Ind、SOM-BIP、Hyperball、LSTMAE和Deep adaptive等，来定制监控方案。系统界面显示了实时工况的图表，以及自适应多源异构融合指标，帮助用户全面了解机床的运行状态。

• 多源自表征故障诊断

系统提供实时状态监控，包括机床的健康状态、识别状态、转速和运行条件。通过降维可视化技术，用户可以直观地看到机床的关键性能指标。系统还具备故障诊断功能，能够根据模型推断最可能的故障类型，并提供故障概率和连续计数。此外，系统还展示了振动与速度曲线，以及潜在故障推断，帮助用户提前预防和处理问题。这款软件是智能制造领域中，用于提高机床维护效率和预测性分析的重要工具。

• 时变靶向生成工况对齐

界面显示核心时变靶向振动信号生成SICGAN框架，通过选择对应旋转速度、使用基于IEEE754浮点数二进制序列化的速度嵌入和历史速度的二进制矩阵，以及数据库匹配和通道嵌入后的处理，来生成和分析机床的振动信号。系统能够生成健康状态下的振动信号和对应的谱特征，并将其实时与真实振动信号进行对比，以识别和区分不同的状态，如健康、外圈故障、内圈故障、复合故障等。以提供先进的信号处理和机器学习技术，使得系统能够有效地监测和预测机床的运行状态和潜在故障，从而提高维护效率和生产可靠性。

3、案例分析

下图显示了六种不同故障模式的监测结果。可以发现，即使转速发生显著变化，健康状态下的健康指标始终保持稳定。这表明转速的变化不会影响动态转速对齐网络的健康监测性能。动态转速对齐网络能够识别时变速度条件下的异常状态。有趣的是，球体故障的数据在低速下与健康状态的数据高度相似。然而，随着转速的增加，动态转速对齐网络仍然可以识别球体故障的异常。时变转速工况下的深度学习指标产成系统如下图所示。

健康监测与预诊系统健康指标趋势可视化结果

基于深度学习的时变转速工况健康指标产成监控模块