数控机床伺服系统故障诊断技术研究综述

刘 超， 张玉玲， 张邦成＊， 舒凤德，张 鑫， 刘铁军

（1.吉林省知识产权事务中心，吉林长春 130051；2.长春工业大学机电工程学院，吉林长春 130012；3.第二炮兵工程大学控制工程系，陕西西安 710025；4.空军航空大学飞行基础训练基地，吉林长春 130022）

0 引 言

伺服系统是众多装置的重要组成部分，其性能直接影响设备的精度、工作效率及可靠性等［1］。伺服系统具有可靠性高、结构紧凑、操作性好、可重复性等优点，因此应用领域也越来越广泛。伺服系统长期工作在工业现场等恶劣环境中，元器件在长期使用中不可避免地出现老化、磨损等因素，进一步加剧了系统出现故障的几率。此外，随着伺服系统功能的不断增强和应用领域的扩大，其精密性和复杂程度也迅速提高，致使系统中出现故障的可能性大大增加。这些故障若不能及时被检测、排除，将会对设备的工作性能产生不利影响，甚至导致整个系统失效、瘫痪，或引起巨大的灾难性后果。如在连续生产系统中，数控机床伺服系统任何部分产生故障都会影响加工精度及效率，还可能损坏整个装置，甚至影响整个生产线的正常运行，并造成重大的经济损失［2］。因此，及时、准确地诊断出系统故障，可以降低生产成本，提高生产效率及可靠性，故研究伺服系统的故障诊断对于提高系统的可靠性及维修水平具有重要的实用价值和现实意义。数控机床伺服系统具有一般伺服系统所具有的特征，并且研究数控机床的伺服系统比航空炮塔、导弹发射架等军工装置的成本低，危险性要小。文中以数控机床伺服系统为例研究伺服系统故障诊断技术的进展。

过去的几十年中，数控机床伺服系统故障诊断问题得到了国内外学者的广泛关注，许多科研机构对其进行了深入研究，取得了一些重要的研究成果。文中主要分析了国内外数控机床伺服系统故障诊断的研究现状与进展，列举了各种主要方法的一些典型的应用实例，揭示出当前研究中存在的关键问题，并提出解决这些问题的途径。

1 数控机床伺服系统故障诊断的特点

伺服系统的机电部件主要由伺服电机、检测元件、联轴器、滚珠丝杠螺母副、轴承、编码器、导轨和滑块组成［3］。由于伺服系统涉及环节较多，故障原因复杂，一般既有机械故障又有电气故障，诊断起来较为困难。因此，数控机床伺服系统的故障诊断问题具有自身的结构特点和诊断难点。

1）伺服系统是较为复杂的机电一体化系统，在获取导轨、丝杠和工作台等机械振动信号时易受电机、传感器等电器元件的干扰，表现出一定的机电耦合特性，致使测得的信号带有较严重的干扰信号，该信号既有机械结构系统固有振动信号，又有电机振动信号以及传感器固有振动信号。从各种耦合的振动信号中提取出有效的振动信息较为困难，从而影响诊断故障精度。

2）在加工过程中，导轨与工作台结合面上的振动、工作台与丝杠结合处的振动以及丝杠本身的振动相互耦合造成的振动混在一起，使得测量得到的振动信号具有强烈的非线性，大大增加了有效振动信号分解的难度。

3）伺服系统一般都工作在恶劣的环境，表征故障特征信号总会伴有噪声，尤其是在早期故障时，故障信号极为微弱，很容易被噪声所淹没，早期故障特征的提取是实现伺服系统故障诊断的关键。

4）在切削力与伺服电机的共同激励作用下，丝杠振动特性较为复杂，使丝杠的故障呈现一定的复杂随机性。另外，丝杠的预应力、滚道的非线性、非均匀磨损等特性使得丝杠在行程的不同点其故障的表现形式有很大区别，增加了大量故障样本获取的难度。

2 数控机床故障诊断国内外研究现状

设备的故障诊断不仅在于研究故障本身，更在于研究故障诊断的方法。传统的故障诊断方法主要分为基于数学模型的方法、基于知识的方法和基于信号的方法三大类［4］。然而随着近年来各种新的诊断方法的出现，传统的分类方法已经不再适用。周东华［4］等从一个全新的角度将现有的故障诊断方法分为定性分析方法和定量分析方法两大类。这两类方法也是目前用于数控机床故障诊断的主要方法。

2.1 基于定性分析的故障诊断方法

定性分析方法主要有基于专家系统和时序逻辑的方法。基于专家系统的故障诊断方法是根据长期实践积累的经验建立知识库，再经过推理机对系统进行故障诊断。它主要包括知识库、推理机、综合数据库、人机接口及解释模块等。基于专家系统的故障诊断方法能够利用丰富的经验知识，无需对系统进行数学建模，并且诊断结果易于理解，因此得到了广泛的应用［5］。文献［6］采用专家系统的框架概念构造出数控机床故障诊断的专家系统模型，采用正反推理混合的方式，提高了诊断效率和精度。但是该方法也存在一定不足：诊断的准确程度取决于知识库中专家经验的丰富程度和知识水平的高低；缺少学习机制，推理的效率比较低。基于时序逻辑的方法对短期预报的效果比较好，由于故障产生因素与时间有密切的关系，当这些影响预测结果的各因素发生突变，利用该方法所得到的预测结果将受到影响。目前，采用该方法对数控机床故障进行故障诊断的研究较少。

2.2 基于定量分析的故障诊断方法

定量分析方法又分为基于解析模型的方法和数据驱动的方法。如果系统的解析模型已知，可以使用基于解析模型的方法对数控机床的故障进行诊断。基于解析模型的方法主要包括基于Kalman滤波器的方法、基于强跟踪滤波器的方法、基于粒子滤波器的方法和基于模糊Kalman滤波器的方法。中南大学的罗永顺［7］采用基于Kalman滤波器的方法对数控机床轴承的振动信号进行除噪，利用处理后的信号对其进行故障诊断，该方法提高了诊断效率。文献［8］利用扩展Kalman滤波的故障诊断方法对电机转子断条进行故障的在线检测，减少了精密转速测量装置的使用，降低了经济成本。

基于数据驱动的故障诊断方法可直接对运行过程中的数据进行分析处理，在不知道系统精确解析模型的情况下完成系统的故障诊断。基于数据驱动的方法主要包括神经网络法、粗糙集法、支持向量机法和时间序列法等。神经网络方法是指通过样本的学习可以掌握系统规律，无需对测量信号作模型假设。文献［9］将BP神经网络用于数控机床的故障诊断，使算法的收敛速度大大提高，适合于机床故障的在线诊断。文献［10］提出了一种新的基于匹配滤波模型的神经网络，实现了对系统的故障诊断，并且能够确定机床发生故障的部件。粗糙集是从数据中进行知识发现并揭示其潜在规律，它不需要数据集之外的任何主观先验信息就能够对不确定性进行客观的描述和处理。历史故障数据分析及诊断规则获取是机床智能诊断单元的系统框架的一个重要部分，姚鑫骅［11］提出了基于粗糙集理论的故障诊断决策规则生成算法。该算法不需要处理问题所需数据外的任何先验知识，可以从不完整的数据中探索到潜在规律，有效降低了属性集约简的计算复杂度，提高规则求取效率。支持向量机是一种新的基于统计学习理论的机器学习方法，并且在小样本训练数据的情况下该方法具有拟合精度高、推广能力强等特点。文献［12］利用支持向量机模型对数控机床刀具磨损进行检测，由于该模型对刀具状态的评估能够融合刀具的当前状态及刀具寿命引起的潜在风险，从而提供了更加合理的刀具更换的依据。

2.3 混合方法

数控机床是一种复杂的机电系统，采用单一的方法难以很好地对系统故障进行诊断，随着越来越多的故障诊断方法的提出，一些学者将多种方法有效地结合起来对故障进行诊断，结果表明混合方法充分发挥了各自的优点。文献［13］将Sugeno模糊模型用于数控机床故障诊断系统，实现了对各个诊断专家诊断结果的模糊综合，完善了专家系统中的诊断知识库，消除了诊断结论的随意性，保证诊断结果的准确、可靠。专家系统的自学习能力差，而神经网络的高效性和自学习功能，可以有效避免上述问题，但不能对自身推理方法进行解释。文献［14］采用神经网络和专家系统集成的故障诊断系统，对数控机床的故障进行诊断，有效地提高数控机床机械故障的诊断效率。

3 伺服系统故障诊断国内外研究现状

国内外学者利用现有的故障诊断方法对伺服系统故障诊断问题开展了大量的工作，并取得了一定的研究成果，主要可以分为控制与检测系统、驱动装置以及传动机构的故障诊断。

3.1 控制与检测系统的故障诊断

故障诊断系统功能的好坏关键在于对故障信号的提取是否及时，同时还需要尽量避免干扰信号的影响，为了提高故障诊断的精度，文献［15］基于数控系统中速度冗余信号，采用主元分析法（PCA）对其中的编码器故障进行诊断方法的研究。文献［16］提出一种基于光栅尺、编码器、伺服电机电流等内置传感器的机床状态监测系统，通过多种工况下试验分析，证明了内置传感器可为机械传动部件的故障诊断提供有效的信息，该系统测试原理简单，信噪比高，具有很高的性价比。

3.2 驱动装置故障诊断

驱动装置是伺服系统的动力源，对其故障诊断的研究极为重要。目前应用于驱动装置的故障诊断方法主要有神经网络、模糊逻辑、模糊神经和遗传算法等。

不同的故障会导致测量信号的频谱表现出不同的特征，因此可以通过对信号的功率谱、倒频谱等进行谱分析的方法来进行故障诊断。文献［17］通过对感应电机定子的能量谱进行分析，实现了电机中鼠笼式转子的故障诊断。平稳信号的谱分析方法在机械系统的故障诊断中得到了广泛应用。文献［18］提出基于小波神经网络故障状态识别方法，该方法先用小波分析对信号进行处理，将得到的故障特征信息作神经网络的输入，神经网络输出即为故障状态。文献［19］利用卡尔曼滤波对直流电机的转速进行了估计和多步外推，并根据外推结果对其进行了故障预测。文献［20］利用卡尔曼滤波器对直流电机的转速进行跟踪估计，并且推导得到一步和多步预报公式，从而实现对电机的故障预报。文献［21］利用改进的模糊卡尔曼滤波器成功对三容水箱DTS200非线性系统进行了状态估计。文献［22］研究了神经网络在起动电机故障诊断上的应用，并开发出了一套神经网络诊断系统。基于定子电流易于采集，文献［23］利用基于快速傅里叶变换的定子电流频谱分析方法对转子断条故障进行在线检测。文献［24］利用小波包分析技术对电机连续监测，可以实现感应电动机故障的预测。Burth M［25］等通过综合分析直流电机的振动信号和电枢电流信号来检测与诊断直流电机的换向片短路和电枢绕阻脱焊故障。

中南大学的王罗［26］等利用回归型支持向量机的方法对电机故障特征进行学习和分类，在此基础上建立同步电机故障诊断模型并进行仿真，能够及时检测到故障的发生并进行识别，是电机在线检测的一种有效方法。针对傅里叶变换方法无法对电机故障信号奇异信号点的时域信息进行检测，文献［27］提出基于小波包神经网络的电机故障诊断方法。文献［28］利用短时傅里叶变换对电机电流某一段上的信息进行时频分析，再通过时频信息进行故障诊断，该方法在一定程度上克服了传统傅里叶变换不具有局部分析能力的缺陷，其诊断结果更清晰、更准确。清华大学的邱阿瑞［29］等针对电机故障特征在实际中可能是非线性可分的情况，利用U函数可以将非线性可分的模式转化到线性空间并实现分类，提出了一种利用人工神经网络进行模式识别的方法。对于存在强非线性行为的机电伺服系统，且难以通过解析方法建立系统准确模型的情况，文献［30］通过最小二乘支持向量机对非线性关系的逼近来建立反映系统输入、输出关系的时序模型，利用该模型的预测输出与系统实际输出相比较得到的残差来进行故障检测与诊断，仿真实验验证了该方法的有效性。针对神经网络算法易陷入局部极小点，学习速度慢，迭代次数多等不足，文献［31］利用遗传算法对BP神经网络的权值和阀值进行优化，改善BP神经网络的诊断性能，并利用该方法对电机进行故障诊断，该方法可以减少训练时间，加快收敛速度，提高诊断精度。

3.3 传动机构的故障诊断

伺服系统的传动机构主要包括联轴器、轴承、滚珠丝杠螺母副和导轨等部件。导轨副和丝杠螺母副是进给传动装置最容易发生故障的部位。因此，主要研究用于轴承、丝杠螺母副、联轴器故障诊断的方法。

文献［32］最早将支持向量机用于小样本情况下轴承的故障检测，并对神经网络方法和支持向量机方法进行了比较，支持向量机更加适用于小样本的情况。文献［33］利用神经网络实现分相笼式感应电机匝间短路与轴承损耗两类故障的诊断；近年来还出现了大量将小波变换与其它方法相结合的故障诊断方法。文献［34］提出了基于小波变换和人工神经网络的旋转轴承故障诊断方法，首先对旋转轴承的振动信号进行小波变换，然后利用神经网络对从小波变换系数中提取的故障特征向量进行分类。Filbert D［35］等通过对直流电机电流信号中的频谱特征分析来诊断直流电机轴承故障。文献［36］利用小波分析的方法对滚动轴承的故障进行诊断，该方法可以提高信噪比，进而提高故障的诊断精度。文献［37］中利用统计方法研究了旋转轴承部分故障检测中声压和波动信号的应用。文献［38］将滤波后的电流信号用于训练AR模型，计算出健康状态下的基本频谱，然后通过比较不同状态下的频谱来诊断轴承的故障情况。文献［39］根据机械故障预测需要同时跟踪多个特征参数的要求，利用多变量灰色预测模型实现了对滚动轴承的故障预报。文献［40］利用神经网络融合小波包变换和能量谱分析的方法将得到的故障特征用于支撑座的早期松动故障诊断。基于小波变换的奇异性检测可用于突发型故障诊断，文献［17］将小波变换的模极大值方法用于轴承振动信号的突变故障检测。针对数控机床丝杠故障样本不易获取以及样本分布不均的问题，文献［41］利用小波包对振动信号进行分解，将分解后的频带能量作为特征向量，输入到超球面支持向量机分类器进行丝杠的故障识别与诊断，并建立了超球面支持向量机模型，该模型能够有效地对机床丝杠故障进行诊断。

4 问题及解决办法

4.1 关键问题

1）目前对数控机床伺服系统的故障诊断基本都是借助于一般的故障诊断技术，很少采用具有针对性和有效的方法对伺服系统进行故障分析，无法从根本上揭示伺服系统故障的产生及动态变化机理。因此，研究出适合数控机床伺服系统的故障诊断方法是当前一个急需解决的问题。

2）近年来，国内外对数控机床故障诊断方法研究的成果较多，对伺服系统整体的研究还不是那么丰富；伺服系统中对电机、轴承部件的故障诊断方法研究的较多，而对其它主要部件的研究较少，如对编码器、光栅尺等检测元件的研究。若这些主要组成部件如检测元件等发生故障，将会导致系统工作精度降低，效率下降。所以，深入研究伺服系统其它主要组成部件及系统整体的故障诊断具有重要意义。

3）伺服系统越来越复杂，涉及机械和电气，故障检测的难度越来越大，当前的故障检测系统性和深度还不够，分析的方法也急需探索和创新。在实际的生产运作中，进给伺服系统不是独立存在的，它包含在人－机－环境为一体的系统中，因此，故障信号的检测需要人机环境相结合这一问题也急需解决。

4.2 解决途径

针对伺服系统故障诊断的特点和难点，以及目前存在的一些问题，文中提出从以下几个方面深入研究其故障诊断技术，为伺服系统故障诊断与维护提供可靠的理论依据和有效的技术手段。

1）基于现代信号处理技术，提出具有针对性的伺服系统故障特征提取的方法，通过抑制噪声或利用信号处理技术提取噪声下的微弱故障信号，为故障诊断提供依据。

2）建立伺服系统的三维实体模型，通过模拟伺服系统的实际故障状态进行故障诊断，在此基础上建立考虑实际运行工况的伺服系统故障模型，深入研究系统参数、故障程度和模型响应等因素之间的相互关系，提高故障模型的精度及检测精度。

3）在一定理论基础上，试图将一些新方法用于数控机床伺服系统的故障诊断中。为了充分利用伺服系统带有各种不确定性的定量信息和定性知识，提出采用基于证据推理算法的置信规则库推理方法（RIMER），该方法较适合于伺服系统这类复杂非线性化的故障诊断，能够有效利用各种类型的信息建立输入和输出之间的非线性模型，并且可以利用置信规则库专家系统的优化模型对系统进行有效的故障诊断。

5 结 语

研究数控机床伺服系统的故障诊断必将为系统可靠性的提高提供一定的理论依据。分析总结了伺服系统故障诊断自身的特点及难点，通过国内外对数控机床、伺服系统的驱动装置、传动机构及检测元件故障诊断研究现状的综述分析，指出了伺服系统故障诊断现存的一些问题及解决方案，并提出了未来一些可能的发展方向。伺服系统故障检测手段的可行性需要在实际的应用中得到验证，是一个长期不断总结和改进的过程。由于数控机床伺服系统具有一般伺服系统所具有的特性，故可将对其故障诊断方法研究的成果广泛应用到一些昂贵装备和军工装备的伺服系统，这样可以大大降低该类设备故障诊断的研究成本。

［1］ 倪永宏.基于BP网的数控机床进给交流伺服系统研究［D］：［硕士学位论文］.南京：东南大学，2010.

［2］ 张莹.数控机床机械故障诊断方法的研究及应用［D］：［硕士学位论文］.大连：大连理工大学，2005.

［3］ 刘永久.数控机床故障诊断与维修技术（FANUC系统）［M］.2版.北京：机械工业出版社，2009.

［4］ 周东华，胡艳艳.动态系统的故障诊断技术［J］.自动化学报，2009，35（6）：748-758.

［5］ 周志杰，胡昌华，周东华.基于非解析模型的动态系统故障预报技术［J］.信息与控制，2006，35（5）：608-612.

［6］ 史晋芳.基于专家系统的数控机床故障诊断技术研究［J］.机械设计与制造，2006（7）：133-135.

［7］ 罗永顺.Kalman滤波在数控机床轴承故障信号处理中的应用［J］.轴承，2007（8）：36-39.

［8］ 方胜.基于扩展卡尔曼滤波器的感应电机转子断条故障检测［J］.电力系统及其自动化学报，2004，16（2）：28-32.

［9］ 马晓波，刘阔，刘春时，等.神经网络在机床故障诊断应用中的改进［J］.制造技术与机床，2011（2）：70-72.

［10］ 宋刚，胡德金.基于Sugeno模糊模型的数控机床故障诊断法［J］.上海交通大学学报，2005，39（1）：91-94.

［11］ 姚鑫骅，徐月同，傅建中，等.基于粗糙集理论的数控机床智能故障诊断研究［J］.浙江大学学报：工学版，2008，42（10）：1719-1723.

［12］ Sun J，Hong G S，Rahman M，et al.The appliaction of nonstandard support vector machine in tool condition monitoring system［C］／／Proceedings of the Second IEEE International Workshop on Electronic Design，Test and Appliactions.2004：1-6.

［13］ 郭佑民，宋刚.基于Sugeno模糊模型的CNC机床故障诊断方法［J］.兰州交通大学学报：自然科学版，2007，26（1）：89-91.

［14］ 陈会莲，谷明月，池丹丹，等.神经网络专家系统在数控机床机械故障诊断中的应用［J］.噪声与振动控制，2010（1）：86-91.

［15］ 肖金壮，王洪瑞.一种实用的数控系统中编码器故障诊断方法［J］.传感技术学报，2008（2）：358-361.

［16］ 周玉清，梅雪松，姜歌东，等.基于内置传感器的大型数控机床状态监测技术［J］.机械工程学报，2009，45（4）：125-130.

［17］ Drif M，Benouzza N，Kraloua B，et al.Squirrel cage rotor faults detection in induction motor utilizing stator power spectrum approach［C］／／Proceedings of International Conferenceon Power E-lectronics，Machines，and Drives.London，UK：IEEE，2002：133-138.

［18］ Su H，Chong K T.Induction machine condition monitoring using neural network modeling［J］. IEEE TransInd Electron，2007，54（1）：241-249.

［19］ Yang S K，Liu T S.State estimation for predictive main-tenance using Kalman filter［J］.Realiability Engineering and System Safety，1999，66（1）：29-39.

［20］ Yang S K.An experiment of state estimation for predictive maintenance using Kalman filter on a DCmotor［J］.Reliability Engineering ＆System Safety，2002，75（1）：103-111.

［21］ Zhou Z J，Hu C H，Chen M Y，et al.An improved fuzzy Kalman filter for state estimation of non-linear systems［J］.International Journal of Systems Science，2010，41（5）：537-546.

［22］ Raif Bayir，Omer Faruk Bay.Serial wound starter motor faults diagnosis using artificial neural network［C］／／Proceeding Soft the IEEE International Conference I CM.2004：194-199.

［23］ Bellini A，Filippetti F，Franceschini G，et al. Quantitative evaluation of induction motor broken bars by means of electric signals signatures［J］. IEEE Transactions on Industry Applications Society，2001，37（5）：1248-1255.

［24］ Levent Eren，Micael J Devaney.Bearing damage detection via wave let packet decom position of the stator current［C］／／IEEE Instrumentation and Measurement Technology Conference Anchonrage.AK，USA：［s.n.］，2002：21-23.

［25］ Burth M，Roepke K，Filbert D K，Filbert D.Diagnosis of universal motors by current and vibration signal analylsis（Part1）［J］.Technisches MessenTM，1997，64（1）：3-10.

［26］ 王罗，张桂新，陈特放.回归型支持向量机在电机故障诊断中的研究［J］.计算机测量与控制，2007，15（12）：1691-1694.

［27］ 顾文龙.胡业林.郑晓亮.基于小波包神经网络的电机故障诊断分析与研究［J］.煤矿机械，2011，32（9）：263-265.

［28］ 黄允凯，梁国栋，王刘芳，等.利用时频信息进行电机故障诊断［J］.大电机技术，2002（2）：17-20.

［29］ 邱阿瑞，孙健.电机故障模式识别与诊断［J］.清华大学学报：自然科学版，1999，39（3）：72-74.

［30］ 姜建国，苏鹏声，邱阿端，等.电机故障特征提取方法二则［J］.中国电机工程学报，1999，12（5）：68-72.

［31］ 杨超，王志伟.遗传算法和BP神经网络在电机故障诊断中的应用研究［J］.噪声与振动控制，2010（5）：153-156.

［32］ Jack L B，Nandi A K.Support vector machines for detection and characterization of rolling element bearing faults［J］.Proceedings of the Institution of Mechanical Engineers，PartC：Journal of Mechanical Engineering Science，2001，215（9）：1065-1074.

［33］ Chow M Y，Sharpe R N，Hung J C.On the application and design of artificial neural net works for motor fault detection［J］.IEEE Transon Industrial Electronics，1993，40（1）：181-188.

［34］ Al-Raheem K F，Roy A，Ramachandran K P，et al.Application of the laplacewaveletcombined with ANN for rolling bearing faultdiagnosis［J］. Journal of Vibrationand Acoustics，2008，130（5）：60-68.

［35］ Burth，Filbert D，Guehmann C，et al.Non-linear approach to the fault diagnosis of low power motors［J］.Engineering Simulation，1996，13（6）：1049-1060.

［36］ 田彦，李奇涵，汤海涛.小波分析在滚动轴承故障诊断系统中的应用［J］.长春工业大学学报：自然科学版，2011，32（6）：597-600.

［37］ Heng R B W，Nor M J M.Statistical analysis of sound and vibration singals for monitoring rolling element bearing condition［J］.Applied Acoustics，1998，53（1／3）：67-77.

［38］ Ayhan B，Trussell H J，Mo-Yuen Chow，et al. On the use of a lower sampling rate for broken rotor bar detection with DTFT and AR-based spectrum methods［J］.IEEE Transactions on Industrial Electronics，2008，55（3）：1421-1435.

［39］ Sun Q，Tang Y.Singularity analysis using continuous wave lettrans form for bearing fault diagnosis［J］.Mechanical Systems and Signal Processing，2002，16（6）：1025-1041.

［40］ 孙卫祥，陈进，伍星.基于信息融合的支撑座早期松动故障诊断［J］.上海交通大学学报，2006，40（2）：239-242.

［41］ 吴希曦，高宏力，燕继明，等.基于超球面支持向量机的丝杠故障诊断技术［J］.计算机集成制造系统，2010，16（12）：2661-2667.