面向鈦合金復(fù)雜加工工況的機(jī)電一體化設(shè)備機(jī)械故障機(jī)理分析多物理量特征提取與智能診斷及剩余壽命預(yù)測研究

鈦合金憑借其出色的比強(qiáng)度、耐腐蝕性及高溫性能,成為航空航天、醫(yī)療器械及高端裝備制造等領(lǐng)域不可或缺的關(guān)鍵材料，但其高硬度、低導(dǎo)熱性、易產(chǎn)生加工硬化的特性[1-2],加重了在機(jī)電一體化設(shè)備加工過程中的負(fù)載與磨損，對設(shè)備的穩(wěn)定運(yùn)行與加工質(zhì)量構(gòu)成了嚴(yán)峻挑戰(zhàn)。

機(jī)械故障診斷技術(shù)作為保障機(jī)電設(shè)備可靠性、延長其使用壽命的關(guān)鍵手段，在多種金屬加工領(lǐng)域已取得一定進(jìn)展，然而針對鈦合金加工的故障診斷研究仍處于起始階段3-4。現(xiàn)有的研究大多聚焦于傳統(tǒng)材料的振動(dòng)信號(hào)分析、溫度監(jiān)測和聲發(fā)射技術(shù)，缺少針對鈦合金加工過程中復(fù)雜工況的綜合診斷方法，并且診斷精度和實(shí)時(shí)性難以契合實(shí)際生產(chǎn)的需求。另外，鈦合金加工過程中產(chǎn)生的特殊故障模式及其多變的工況環(huán)境，導(dǎo)致傳統(tǒng)故障診斷方法難以有效捕捉關(guān)鍵特征，限制診斷技術(shù)的推廣[5]。

如圖1所示，文章圍繞故障特征提取、信號(hào)處理、智能診斷模型構(gòu)建等方面展開分析，對機(jī)電一體化設(shè)備加工鈦合金時(shí)的機(jī)械故障診斷技術(shù)進(jìn)行系統(tǒng)研究，提出適應(yīng)鈦合金加工復(fù)雜特性的創(chuàng)新技術(shù)方案，為提高機(jī)電一體化設(shè)備加工鈦合金的穩(wěn)定性與可靠性提供理論支撐以及技術(shù)保障。

1、機(jī)電一體化設(shè)備的機(jī)械故障模式

機(jī)電一體化設(shè)備主軸軸承作為旋轉(zhuǎn)核心部件,長期存在磨損與剝落問題,表現(xiàn)為滾動(dòng)體表面微裂紋擴(kuò)展、潤滑膜破裂,導(dǎo)致溫升異常與振動(dòng)加劇。滾珠絲杠作為精密運(yùn)動(dòng)傳遞零件,其精度失效主要體現(xiàn)為導(dǎo)程誤差增大和軸向間隙變寬,卡滯現(xiàn)象多由潤滑不足或雜質(zhì)侵人引發(fā)。導(dǎo)軌的劃傷與變形主要源于切削過程中的切屑夾雜和過載沖擊,表面微觀劃痕和塑性變形會(huì)增大運(yùn)動(dòng)阻力,降低設(shè)備響應(yīng)速度與運(yùn)動(dòng)穩(wěn)定性。刀具作為直接接觸鈦合金工件的部件,其破損與磨損現(xiàn)象顯著,在鈦合金加工中磨損速率遠(yuǎn)高于其他材料。

2、基于動(dòng)力學(xué)與磨損理論的故障機(jī)理

鈦合金加工過程中,切削力激勵(lì)作用于主軸-軸承系統(tǒng)及進(jìn)給系統(tǒng),引發(fā)復(fù)雜的動(dòng)力響應(yīng)。基于此可精確描述系統(tǒng)在高頻振動(dòng)與沖擊載荷狀況下的動(dòng)態(tài)特性,進(jìn)而分析因振動(dòng)誘發(fā)的疲勞裂紋萌生與擴(kuò)展進(jìn)程。進(jìn)給系統(tǒng)在切削力作用下呈現(xiàn)出非線性動(dòng)力行為,加劇了機(jī)械部件的應(yīng)力集中及變形風(fēng)險(xiǎn)。磨損機(jī)理層面,采用 Archard磨損公式對關(guān)鍵運(yùn)動(dòng)副磨損速率展開定量分析,結(jié)合鈦合金加工特有的高溫、高應(yīng)力環(huán)境,闡明該環(huán)境導(dǎo)致磨損速率加快、潤滑膜破損及表面硬化現(xiàn)象的產(chǎn)生機(jī)制。

3、故障特征提取與狀態(tài)監(jiān)測方法

3.1多物理量同步采集方案

文章實(shí)驗(yàn)選取高剛性數(shù)控銑床作為加工平臺(tái),所加工的工件是典型的鈦合金材料 TC4,刀具選用硬質(zhì)合金涂層銑刀,以此保障加工的穩(wěn)定性。在振動(dòng)信號(hào)采集方面采用高靈敏度三軸加速度傳感器,分別放置在主軸箱和工作臺(tái)的關(guān)鍵位置,以此捕捉主軸振動(dòng)以及工件受力振動(dòng)的特征。聲發(fā)射傳感器固定于主軸箱側(cè)面,通過耦合劑來確保良好的信號(hào)傳導(dǎo),捕捉切削過程中微裂紋擴(kuò)展及材料破裂產(chǎn)生的聲波。動(dòng)態(tài)切削力通過高精度三分量測力儀進(jìn)行實(shí)時(shí)測量,測力儀安裝在刀具夾持部位,以此保證力信號(hào)可準(zhǔn)確反映切削狀態(tài)。

實(shí)驗(yàn)工況設(shè)置為轉(zhuǎn)速  1000 3000rpm、進(jìn)給速度0.05～0.2mm/rev、切深  0.2 ～  1.0 mm,模擬不同加工負(fù)載下的機(jī)械響應(yīng),數(shù)據(jù)采集系統(tǒng)采用 NI PXIe-1082平臺(tái),配備 NI PXIe-4492振動(dòng)聲發(fā)射同步采集模塊,采樣頻率統(tǒng)一設(shè)定為  100kHz,實(shí)驗(yàn)設(shè)備如圖 2所示。

3.2多域故障敏感特征提取與優(yōu)選

在機(jī)電一體化設(shè)備加工鈦合金的過程中,機(jī)械故障診斷的核心在于時(shí)域、頻域及時(shí)頻域特征提取，該部分是多源信息融合的關(guān)鍵環(huán)節(jié)。對原始振動(dòng)信號(hào)計(jì)算均方根值、峰值、峭度等時(shí)域特征指標(biāo)，可表征機(jī)械狀態(tài)的整體能量水準(zhǔn)與突變特性，這些指標(biāo)對于早期故障檢測有較高的敏感性，故障發(fā)生時(shí)會(huì)呈現(xiàn)顯著的狀態(tài)突變。采用快速傅里葉變換對信號(hào)進(jìn)行頻域分析，提取關(guān)鍵特征頻率的幅值及邊頻帶能量分布,可揭示機(jī)械振動(dòng)中的特征頻率成分,有效辨別不同故障類型的頻譜特征。

3.3深度信念網(wǎng)絡(luò)的故障特征自適應(yīng)學(xué)習(xí)

深度信念網(wǎng)絡(luò),即 DBN模型中包含可見層以及多層隱含層,得以達(dá)成對多源傳感器數(shù)據(jù)的深層次表征,在預(yù)訓(xùn)練階段,通過無監(jiān)督學(xué)習(xí)來逐層初始化網(wǎng)絡(luò)參數(shù),有效避免了傳統(tǒng)深度網(wǎng)絡(luò)訓(xùn)練里的梯度消失問題,提高了網(wǎng)絡(luò)的表達(dá)能力。某時(shí)刻(t)的設(shè)備健康指數(shù) HI(t)計(jì)算,如式(1):

式中:  F i (t)為不同傳感器信號(hào)中提取的第 i個(gè)優(yōu)選特征值;  Norm (F i (t))為歸一化函數(shù),將不同量綱和范圍的特征值統(tǒng)一映射到[-1,1]的區(qū)間內(nèi),以消除量綱影響;  w i 為第 i個(gè)特征的權(quán)重系數(shù),滿足,它反映了該特征對設(shè)備性能退化或故障的敏感程度,可通過主成分分析(PCA)或?qū)＜医?jīng)驗(yàn)法確定。  HI(t)的值越接近初始正常狀態(tài)值,表明設(shè)備越健康,其值的顯著偏離或下降趨勢,則預(yù)示著性能退化或故障的發(fā)生。

3.4設(shè)備健康狀態(tài)綜合評(píng)估模型

通過振動(dòng)、聲發(fā)射、力信號(hào)等多種傳感數(shù)據(jù),融合傳統(tǒng)時(shí)頻域特征與深度置信網(wǎng)絡(luò)提取的深層次特征,構(gòu)建高效的信息融合框架。此框架以 D-S證據(jù)理論為融合基礎(chǔ),可有效處理多源數(shù)據(jù)的不確定性與沖突信息,憑借給各類特征賦予不同權(quán)重,達(dá)成信息的有機(jī)整合,按照設(shè)備運(yùn)行狀態(tài)，從“正常”到“輕微故障”“中度故障”再到“嚴(yán)重故障”建立了細(xì)化的健康狀態(tài)等級(jí)劃分標(biāo)準(zhǔn),保障狀態(tài)評(píng)估的層次性與準(zhǔn)確性。

4、故障診斷與預(yù)測模型構(gòu)建

4.1基于SVM的故障模式分類器設(shè)計(jì)

將提取出來的優(yōu)選特征向量作為輸入，這些特征包含了設(shè)備運(yùn)行狀態(tài)的關(guān)鍵物理量及振動(dòng)信號(hào)特征,可切實(shí)反映出不同故障模式的內(nèi)在差異。故障模式有正常狀態(tài)、軸承磨損、絲杠故障等多種典型故障類型,將其作為輸出標(biāo)簽來進(jìn)行監(jiān)督學(xué)習(xí)。在模型訓(xùn)練過程中,考慮數(shù)據(jù)的非線性特征,選用徑向基函數(shù),即 RBF作為核函數(shù),以此提升分類器的非線性映射能力,運(yùn)用網(wǎng)格搜索方法對核函數(shù)參數(shù)和懲罰因子加以優(yōu)化,確保模型在訓(xùn)練集上的泛化能力和分類準(zhǔn)確率達(dá)到最優(yōu)狀態(tài)。訓(xùn)練結(jié)果說明,構(gòu)建的多故障分類器在測試集上的準(zhǔn)確率為 90.3%,混淆矩陣證實(shí)了各故障類別的識(shí)別效果,在區(qū)分軸承磨損和絲杠故障方面呈現(xiàn)出較高的識(shí)別率,誤判率低于 5%。

4.2基于 CNN的故障圖像識(shí)別方法

卷積神經(jīng)網(wǎng)絡(luò)(CNN)故障圖像識(shí)別方法,其原理是通過連續(xù)小波變換,將一維振動(dòng)信號(hào)或者聲發(fā)射信號(hào)轉(zhuǎn)變?yōu)槎S時(shí)頻圖,形成豐富的時(shí)頻特征表達(dá),以便深度學(xué)習(xí)模型進(jìn)行處理,所設(shè)計(jì)的 CNN模型結(jié)構(gòu)含有多層卷積層、池化層及全連接層,可自動(dòng)提取時(shí)頻圖中的關(guān)鍵故障特征,可避免傳統(tǒng)特征工程存在主觀性與局限性。此模型實(shí)現(xiàn)了端到端的學(xué)習(xí)流程,從輸入的時(shí)頻圖直接輸出故障類別,達(dá)成了故障模式的自動(dòng)識(shí)別。在具體實(shí)驗(yàn)中,CNN模型對多種典型故障狀態(tài)的識(shí)別準(zhǔn)確率為 92.5%,比 SVM的 90.3%要高。而且 CNN模型擁有較強(qiáng)的泛化能力,可適應(yīng)不同工況下的信號(hào)變化,減少對預(yù)處理以及人工特征提取的依賴,提升診斷效率與可靠性。

4.3剩余使用壽命預(yù)測

融合物理模型和數(shù)據(jù)驅(qū)動(dòng)方法,構(gòu)建剩余使用壽命預(yù)測模型。此模型可對設(shè)備關(guān)鍵部件由于摩擦、疲勞等機(jī)理致使的性能退化趨勢做定量描述,還可給出設(shè)備健康狀況的物理解釋及預(yù)測依據(jù),利用健康指數(shù)時(shí)間序列,運(yùn)用長短期記憶網(wǎng)絡(luò)等深度學(xué)習(xí)序列模型,捕捉復(fù)雜的非線性退化規(guī)律及其動(dòng)態(tài)變化特征,如式(2):

式(2)定義了在時(shí)刻 t預(yù)測的剩余使用壽命 RUL(t),即從當(dāng)前時(shí)刻積分到失效閾值時(shí)刻  t f° H(τ)為健康指數(shù)在時(shí)間  τ的值;  為其變化率;  V w (τ)為基于物理的磨損模型計(jì)算出的磨損率,它關(guān)聯(lián)了加工鈦合金的切削參數(shù);  V d (H(τ))為退化速率;  α為融合權(quán)重系數(shù),用于平衡物理模型與數(shù)據(jù)驅(qū)動(dòng)模型在預(yù)測中的貢獻(xiàn)。基于全壽命周期的實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證顯示，該融合模型的預(yù)測誤差大幅降低,平均絕對誤差從單一物理模型的 15%降至8%。

4.4實(shí)驗(yàn)驗(yàn)證與性能對比分析

為了驗(yàn)證所構(gòu)建模型是否有效,文章設(shè)計(jì)了獨(dú)立的測試實(shí)驗(yàn),采集未參與訓(xùn)練的新數(shù)據(jù)集,以此確保評(píng)估過程的客觀性與科學(xué)性。在實(shí)驗(yàn)中,運(yùn)用支持向量機(jī)(SVM分類器)、卷積神經(jīng)網(wǎng)絡(luò)(CNN分類器)以及剩余使用壽命預(yù)測模型(RUL),對鈦合金加工過程中的金屬機(jī)械故障展開多維度分析。實(shí)驗(yàn)結(jié)果表明,CNN分類器在故障識(shí)別方面,準(zhǔn)確率達(dá)到了 92.5%,召回率 90.7%,F1分?jǐn)?shù)為 91.5%,比 SVM分類器的準(zhǔn)確率 90.3%以及F1分?jǐn)?shù) 88.1%要更優(yōu),這體現(xiàn)出深度學(xué)習(xí)模型在復(fù)雜特征提取方面具有較大優(yōu)勢。對于 RUL預(yù)測模型,采用均方根誤差(RMSE)量化預(yù)測精度,實(shí)驗(yàn)結(jié)果表明,該模型在預(yù)測剩余壽命時(shí), RMSE為 3.8h,可以看出其有較高的預(yù)測精度。綜上可知,SVM模型在數(shù)據(jù)量較少的時(shí)候表現(xiàn)穩(wěn)定,而 CNN模型更適合處理大規(guī)模復(fù)雜數(shù)據(jù),RUL模型則為設(shè)備維護(hù)提供了精準(zhǔn)的壽命預(yù)測依據(jù)。

5、結(jié)語

文章全面深入地剖析了機(jī)電一體化設(shè)備加工鈦合金時(shí)金屬機(jī)械故障的診斷技術(shù),揭示出故障產(chǎn)生的關(guān)鍵原理,依據(jù)多源傳感器數(shù)據(jù)搭建了綜合監(jiān)測體系,達(dá)成了對機(jī)械狀態(tài)的實(shí)時(shí)且精準(zhǔn)的感知。運(yùn)用智能診斷與預(yù)測模型、聯(lián)合機(jī)器學(xué)習(xí)算法對故障特征進(jìn)行高效提取與分類,驗(yàn)證結(jié)果顯示模型在準(zhǔn)確率、魯棒性及響應(yīng)速度方面都表現(xiàn)出色,極大提高了故障預(yù)警的可靠性和及時(shí)性。未來,融合數(shù)字孿生技術(shù),以期實(shí)現(xiàn)設(shè)備全生命周期的動(dòng)態(tài)監(jiān)控與故障預(yù)測,提升診斷的精度和預(yù)見性。同時(shí),將該項(xiàng)技術(shù)的研究范圍擴(kuò)展到多變載荷及復(fù)雜加工環(huán)境,可為機(jī)電一體化設(shè)備加工鈦合金的故障診斷技術(shù)提供更為穩(wěn)固的理論基礎(chǔ)。

參考文獻(xiàn)

[1]卞小豐.機(jī)電一體化設(shè)備加工鈦合金中金屬機(jī)械故障診斷技術(shù)研究[J].中國金屬通報(bào), 2025(2): 130-132.

[2]劉洋.基于多源信息融合的主軸軸承故障診斷方法研究[D].西安:西安理工大學(xué),2024.

[3]傅媛.多源信息融合的齒輪點(diǎn)蝕診斷[D].重慶:重慶理工大學(xué),2023.

[4]王應(yīng)晨,段修生.深度學(xué)習(xí)融合模型在機(jī)械故障診斷中的應(yīng)用[J].振動(dòng).測試與診斷,2019,39(6):1271-1276+1363-1364.

[5]陳周亮.基于深度學(xué)習(xí)的機(jī)械故障診斷方法研究[D].南昌:南昌航空大學(xué),2018.

（注，原文標(biāo)題：機(jī)電一體化設(shè)備加工鈦合金時(shí)機(jī)械故障診斷技術(shù)與研究_鄧超）