数控机床主轴系统故障预测方法研究

摘要：机床主轴故障会降低机床加工精度和加工效率，为制定合理的维修计划和主动维护方案，本文提出了基于BP神经网络的主轴故障预测方法，采用BP神经网络建立主轴故障预测模型，根据振动信号、电流信号和转速信号预测主轴的故障及故障类型，为制定主轴的维修计划和维护方案提供重要依据。

关键词：BP神经网络 故障 预测 主轴

本文通过BP神经网ღ络建立机床主轴系统的故障预测系统，在线采集机床主轴的电流信号和振动信号，并对电流信号和振动信号进行处理，预测机床主轴的故障，为机床主轴的性能评估和加工状态评估提供参考。

1 BP神经网络

隐含层中隐节点输出模型为：

（1）

输出层中输出节点的输出模型为：

（2）

其中，f――非线形作用函数；q――神经单元阈值。

神经网络的基函数是反映下层输入对上层节点刺激脉冲强度的函数，BP神经网络的基函数为Sigmoid函数，变量取值在（0，1）区间内。

Sigmoid函数的函数形式为：

（3）

BP神经网络可以实现机床主轴系统的主动维护和智能维修，提高机床主轴系统的加工效率和加工精度。

2 数据采集及信号处理

由于主轴系统故障时，主轴系统通常发生振动异常。因此，在主轴、齿轮箱及轴承上安装三向振动传感器，检测主轴系统不同位置的振动信号可评判主轴系统的故障形式，其采样频率为25k。另外，由于主轴电机的电流▲信号也是反应主轴故障的重要信号之一，故采用三相电流传感器检测主轴驱动电机的电流信号，进而评判主轴电机的负载力矩的动态特性。三相电流传感器的采样频率设置为10k。以主轴振动信号为例，当主轴转速800r/min时，将主轴齿轮箱位置的故障振动信号和正常振动信号进行特征提取，其特征值见表1所示，将振动信号的特征值作为主轴系统故障预测模型的第三类输入量，即振动信号特征值。

3 故障预测模型

本文采用BP神经网络作为机床主轴系统故障预测模型的计算方法，以电流信号、振动信号和转速信号的特征值为输入量，主轴系统是否故障以及故障程度作ช为输出量，故障预测模型如图 ☺2所示。根据机床主轴系统电流信号、振动信号和转速信号特点建立故障预测模型的算法，图3为算法流程图。将主轴系统的振动信号、转速信号和电流信号分为40组，其中故障信号20组，正常信号20组。将正常信号和故障信号中的各10组作为机床主轴系统预测模型的训练样本，训练BP神经网络的权值，其余样本作为机床主轴系统预测模型的验证样本。

定义预测模型输出值如下：预测输出值在[0，1]区间内代表主轴系统正常；预测输出值在[9，10]区间内代表主轴系统严重故障；预测结果在（1，9）区间内代表主轴系统是否故障无法判断，及预测结果不准确。

将20组验证样本（正常☃数据和故障数据各10组）作为训练后的预测模型的输入，验证预测模型输出结果的准确率，预测结果如图4所示。

4 结论

本文首先建立了主轴系统的故障预测模型，完成了机床主轴系统预测模型的计算流程设计。然后通过验证样本对机床主轴系统预测模型进行验证，其预测精度较高，预测结果对制定机床主轴系统的主动维护和维修计划具有重要的指导意义。