基于决策树的数据融合技术在电主轴故障分析与预测中的应用

杜守印，李 斌，胡 鑫

(天津航天长征火箭制造有限公司 天津300462)

基于决策树的数据融合技术在电主轴故障分析与预测中的应用

杜守印，李 斌，胡 鑫

(天津航天长征火箭制造有限公司 天津300462)

随着大数据时代的到来和传感器在各个行业的广泛应用，传统装备制造业焕发出勃勃生机。首先对机械装备故障分析与预测的相关技术展开论述，结合实际业务需求，以机械加工壁板铣床电主轴故障分析为例，提出一种利用数据融合方式进行故障检测与预警的方法。该方法不仅可以实现为生产制造提供决策支持，还能为装备生产提供借鉴，具有广泛的应用前景。

故障分析 数据融合 故障预警 机器学习 智能制造

0 引 言

在装备制造业中，机械设备是否正常运转不仅影响产品质量，还严重制约着产量和生产安排。随着机器学习、人工智能等信息技术快速发展和两化融合的持续推进，传感器在工业生产的各个方面得以广泛应用(见图1)，为设备的运转状态及故障分析预警提供了良好的平台。

通过传感器采集设备的状态信息，技术人员能够准确掌握其运转状况，并提前预测可能发生故障的部位、时间和类型(如图1虚线框)。高速数控机床(CNC)是装备制造业的基础，电主轴是机床的核心关键部件，电主轴的跳动和振动，直接决定了数控机床的加工精度和使用寿命。[1]在生产实践中发现，电主轴在机床故障中出现问题的频率高，维修时间长。所以，对电主轴故障的分析与预测对生产经营和产品质量控制方面有着重要的意义。

传统分析方式中，技术人员对振动信号采用小波变换等方式进行分析，例如文献[2]描述了轧钢机械振动故障并进行诊断，这种处理方式参数较为单一，而且不能够很好预测故障发生的时间。Liu Kaibo采用数据融合的方法可以预测整台发动机剩余寿命，相比以前的方法，预测结果得到很大提升。[3]在实际应用中，设备是一个复杂的系统，不同故障对整个设备运转寿命的影响不同。本文提出首先对故障进行分类，基于有效的衰退信息，采用数据融合的方法构建退化模型，并在细分故障领域进行分析和预测。

图1 工业数据分析图Fig.1 Analysis diagram of industrial data

1 传感器数据分析领域的相关技术

目前，诸多文献提出关于构建退化演变模型的方法和技术，大多数模型仅仅依靠一个传感器数据对设备退化过程进行研究。单一传感器数据仅仅反映了设备某一部分的状态变化，无法从整体上反映退化规律。在多传感器环境下，许多学者开展数据融合方面的研究。数据融合按照实现方式划分为3类：[3]数据水平、特征水平以及决策水平。数据粒度上的融合，即数据未经任何加工处理，直接将采集得到的原始数据进行融合。特征层次的融合是从传感器采集的初始信息中抽取特征信息，并将特征进行综合分析。决策层融合是为设备的同一部位添加多种类型的传感器，并对各个传感器独立进行决策分析，然后再对多个决策结果融合在一起判决，形成联合推断结果。

2 机床电主轴分析方案

2.1 电主轴的结构与常见故障

图2 转轴结构简图Fig.2 Rotating shaft structure diagram

图2是电主轴的结构，该图中电主轴包括转轴、前轴承、平衡环、转子部件以及后轴承。电主轴正常运转取决于这五大组成部件的好坏。通常，为了延长电主轴的使用寿命，还需采集运转的温度，避免因为温度过高造成电主轴的损坏。文献[4]总结出汽轮机的常见的故障，本文也梳理出电主轴常见故障如表1所示：

表1 电主轴常见故障Tab.1 Common faults of the motorized spindle

本文使用多个传感器对电主轴运转状态进行监控，通过数据融合的方法将有用的信号处理，为故障分析提供预测和分析。

2.2 数据融合的方式对电主轴分析预测

通过将多个传感器嵌入到数控机床中，例如，根据电主轴组成结构和部件特点，在电主轴定子处添加温敏传感器以检测温度变化情况；在转子、前后轴承、平衡环以及转轴添加振动传感器等。通过传感器的安装，实现电主轴运转状态的全面覆盖，并以机床联网方式，将状态数据进行存储传输。

2.2.1 数据选择与处理

在多传感器的采集系统中，数据表现的曲线多种多样，需要分析人员筛选出有用信息。在故障发生初期，与故障相关数据会发生显著变化。Liu Kaibo等人发现，与故障有关的传感器数据应该随着故障恶化而变得愈加显著。[3]如图3所示，原先数据为平稳时间序列，从故障发生时间点tf＝15开始，呈现单调递增的变化趋势。而文献[6]经过变油温、变负荷、变真空试验，也找到故障出现时的相关规律。

作者选取分析的传感器具备以下特点：随着轻微故障的开始，传感器的数值逐渐呈现单调趋势。这些传感器数据需要进行抽取、清洗噪声数据等处理，为了避免数值量纲差异造成分析的难度，本文设定自从时间点tf=15时开始，从时间t=1～tf之间的平均值为Ei，传感器i在时间t的数值Xit。经过无量纲化处理，时间t的值转换为xit/Ei。故障发生初始阶段，图3振动数据存在一个转折点，为发生故障的初始点。根据这个特点，选取转折点之后的数据作为有效值进行分析。

图3 传感器振动时间波动图Fig.3 Wave pattern time of the sensor vibration

2.2.2 故障分类

本文中选取决定一般故障类型的3大属性：振动属性、转速和温度。在样本数据集O中，故障种类总数μ，故障类型k在样本的数量为μk。其中，样本γ是属于某故障类型k的一个时间序列Xkr。在样本集合中，Xkr在属性A上有r个不同取值{a1, a2,a3…ar}，将数据集分成r个空间，对每个空间Oq，含有t个样本，x1，x2，x3，…xt均属于Oq。将aq作为该空间对应的取值，见公式1：

公式1为该样本空间的重心位置。通过夹角公式[5](公式2)计算得到r−1个边界值，即将属性A划分为r个不同的区间。

这r个空间对应着r个不同分支。采用信息熵，计算空间在属性A的熵IA(O)(公式3)以及空间的熵I( O)(公式4)：

根据上面的结果，计算信息增益公式5：

在属性集合中选取信息增益最高值的属性作为节点的分裂属性，最终将整个数据集合划分到代表各个类别的叶子节点中，从而以信息熵构建整个决策树，实现故障细分类。

2.2.3 故障预测

本文不同于文献[7]，在故障细化分类的基础之上，选取对故障有影响的传感器数据Xij，将数据水平和特征水平融合方法结合起来，提出了构建不同故障情形下的时间序列函数(公式6)：

上式中的某故障模式ϑ数据集合中，在不同时间点i下，传感器j的值Xijϑ相应的系数为Cjϑ，k为传感器的数目。系数Cjϑ以及参数ϑθ采用最小二乘法计算获得。

根据故障模式ϑ的已知样本，在te时刻发生故障不能够使用时，公式6得到目标函数值ye。计算该故障模式ϑ所有故障函数值ye的平均值y，y作为该故障在发生故障的阈值。根据该阈值y，可以预测今后运转的设备的运转寿命。

最后，将决策数算法与预测算法(公式6)结合起来，通过决策树算法识别装备发生故障的模式，然后利用预测算法计算该模式下设备的寿命。

3 结 论

本文回顾了故障分析的常见技术，总结了电主轴常见故障类型，提出了一种结合决策树算法的数据融合技术。该方法根据不同的故障类型，提出了合理的预测分析方法，为生产制造提供决策支持。同时，通过分析把握装备运转特点，将机床工作知识运用到机械装备制造环节，进一步提升我国机床制造和产品的水平。■

［1］ 孙巩长. 如何进行电主轴的振动分析[J]. 装备制造技术，2008(10)：82-84.

［2］ 杨智宇. 浅谈轧钢机械振动故障的诊断[J]. 科技创新导报，2012(4)：53-55.

［3］ Liu K，Huang S. Integration of data fusion methodology and degradation modeling process to improve prognostics[J]. IEEE Transactions on Automation Science and Engineering，2016(1)：344-354.

［4］ 张利娟. 某超临界600,MW 机组9,X振动大的原因分析及处理[J]. 电力科技，2016(1)：197-198.

［5］ 孙即祥. 现代模式识别[M]. 2版，长沙：国防工业出版社，2009：1-280.

［6］ 黎瑜春. 某600,MW超临界机组振动故障分析与处理[J]. 中国电力，2014(47)：55-58.

［7］ Liu K B，Gebraeel N Z，Shi J J. A data-level fusion model for developing composite health indices for degradation modeling and prognostic analysis[J]. IEEE Transactions on Automation Science and Engineering，2013(3)：652-664.

The Application of Data Fusion Technology Based Decision Tree in Motorized Spindle Failure Analysis and Prediction

DU Shouyin，LI Bin，HU Xin
(Tianjin Aerospace Long March Rocket Manufacturing Co.，Ltd.，Tianjin 300462，China)

With big data era coming and sensors widely used in various industries, the traditional equipment manufacturing is booming. Technology relating to mechanical equipment failure analysis and prediction were discussed. Taking motorized spindle fault analysis of the wall plate milling machine as an example, the paper proposes a method for fault detection and early warning .This method not only provides decision supports for production process, but also offers references for equipment production, featuring a wide application prospect.

fault analysis；data fusion；failure prediction；machine learning；intelligent manufacturing

TG659

：A

：1006-8945(2016)10-0015-03

2016-09-09