基于注意力机制的数控车床主轴故障诊断方法

摘 要：为规范主轴运行，对其运行中的故障进行辨识与精准诊断，需要引进注意力机制，本文以某数控车床为例，对主轴故障诊断方法进行设计研究。按照预设的、精确的时间间隔，对主轴的各种性能参数进行连续、重复记录，对数控车床主轴运行数据进行采样与编码。引进注意力机制，利用其中的RNN或LSTM序列模型，对编码后的主轴运行数据进行训练与特征提取。通过训练好的深度学习模型，对数控车床主轴运行中的深度信号进行辨识与故障诊断。对比试验结果证明：设计的方法应用效果良好，按照规范应用此方法进行车床主轴故障诊断，可以对其运行中故障现象进行精准辨识。

关键词：注意力机制；特征提取；数据编码；故障诊断；主轴；数控车床

中图分类号：TH 13 " 文献标志码：A

在对产品质量要求日益严格的情况下，对设备故障特征提取和诊断进行研究显得尤为重要。邓宇翔等[1]通过非接触的方式，利用激光束照射主轴表面，并测量反射光的多普勒频移，对主轴振动状态进行高精度测量。但该方法对测量环境要求较高，例如光线、温度等因素都可能影响测量精度。同时，对某些复杂的故障模式来说，该方法可能难以准确识别，需要结合其他诊断技术进行综合判断。曹康栖等[2]利用小波包分解（WPD）对主轴振动信号进行多尺度分析，提取丰富的故障特征，通过t-分布随机邻域嵌入（tSNE）对高维特征进行降维处理，便于后续分类器识别，使用支持向量机（SVM）作为分类器，对降维后的特征进行故障分类。但WPD提取故障特征时，对复杂的非线性故障的分析能力可能受到限制。同时，tSNE在降维过程中可能丢失部分重要信息，影响后续分类的准确性。

为解决现有方法存在的不足，本文将引进注意力机制，以某数控车床为例，对主轴故障诊断方法进行设计研究。旨在通过此次研究，提高故障诊断的准确性，降低生产过程中的故障率，保证生产效率和产品质量。

1 数控车床主轴运行数据采样与编码

为满足数控车床主轴故障诊断方法的设计需求，在研究前，需要对主轴运行数据进行采样。此过程是指按照预设、精确的时间间隔，对主轴的各种性能参数进行连续、重复记录，通过这种方式，捕获主轴在运行过程中的实时状态。

在数控车床主轴的数据采样过程中，需要根据具体的应用需求、主轴的运行特性以及传感器的性能决定采样频率。如果采样频率过低，就可能会导致一些重要的信息被遗漏或失真，从而影响后续的数据分析和故障诊断的准确性[3-4]。反之，如果采样频率过高，虽然能够获得更详细的数据，但也会增加数据处理的复杂性和计算成本。为了在采样数据中无失真地恢复原始信号，采样频率f必须大于或等于信号中最高频率fmax的两倍。

为了确定fmax的数值，需要考虑主轴的转速、刀具的振动频率以及其他可能的动态特性。在本研究中，数控车床主轴的最高转速为 6000r/min，对应的基频（即每转一圈的频率）的计算过程如公式（1）所示。

（1）

采用公式（1）计算得出，采样频率至少为1000Hz。

按照预设的频率进行数据采样，按照时序对采集的样本数据进行编码，引进ADC模数转换器，对输入的模拟信号进行采集，即在特定的时间间隔内捕获信号的瞬时值，采样得到的模拟信号值需要转换为离散的数字级别。ADC会根据预设的量化级别确定每个采样值的数字[5]。在量化过程中会产生量化误差，但可以通过增加ADC的位数缩小误差。量化误差的计算过程如公式（2）所示。

（2）

式中：Vref为ADC的参考电压，即ADC能够测量的最大电压值；Q为量化级别。

在实际应用中，选择ADC的位数时需要权衡分辨率和量化误差。增加位数可以提高分辨率并缩小量化误差，但同时也会增加成本和复杂性。因此，需要根据具体的应用需求来选择合适的ADC位数。

当选择ADC的位数时，需要考虑信号的动态范围、ADC的检测分辨率。在本研究中，采集的信号动态为0V～5V，系统噪声水平为10mV，应用需要能够检测到1mV的变化。因此，可以采用以下方式来推算所需的ADC位数：动态范围= 5V-0V = 5V；所需的量化级别=动态范围/需要的分辨率= 5V / 1mV = 5000；所需的ADC位数 = log2（5000）≈12.3。

由于ADC的位数必须是整数，因此，选择一个13位的ADC。

在此基础上，将量化后的数字级别被转换为二进制或其他数字格式的代码。按照上述方式，完成数控车床主轴运行数据采样与编码。

2 基于注意力机制的主轴运行数据训练与特征提取

在上述内容的基础上，引进注意力机制，对编码后的主轴运行数据进行训练与特征提取。用注意力机制中的RNN或LSTM序列模型训练编码数据。将编码后的数据划分为适当的序列长度，并将其作为RNN或LSTM序列模型的输入，在模型输出层上集成注意力机制，允许模型为序列中的不同部分分配不同的权重[6]。根据任务类型（本次的任务为提取主轴编码序列数据中的特征信息），添加适当的输出层，并选择合适的激活函数，将输入序列（即编码后的主轴运行数据）传递给RNN或LSTM层，得到每个时间步的隐藏状态序列如公式（3）所示。

ht=tanh（ω1ht-1+ω2xt+bh） （3）

式中：ht为隐藏状态数据序列；xt为时间步t的输入；ht-1为前一个时间步的隐藏状态；ω1和ω2为权重；bh为偏置项。在此基础上，根据注意力机制计算注意力得分，并使用Softmax函数将其转换为注意力权重，将上下文向量传递给输出层，得到模型的预测输出，如公式（4）所示。

yt=Softmax（ω3ht+by） （4）

式中：ω3为权重；by为输出层的偏置项。

如果数据量过大，那么可重复前向传播、计算损失和反向传播的过程，通过多个迭代周期训练数据。在每个迭代周期中，模型会处理整个训练数据集或其中的一部分。采用上述方式，完成基于注意力机制的主轴运行数据训练与特征提取。

3 深度信号辨识与故障诊断

在完成上述内容设计后，通过训练好的深度学习模型，对数控车床主轴运行中深度信号进行辨识与故障诊断。利用现有的主轴运行特征，训练一个分类器，用于识别主轴在运行中的不同故障模式。通常情况下，可以在深度学习模型的顶部添加一个全连接层（也称为密集层或线性层）[7]。全连接层的输出结果yq如公式（5）所示。

yq=ωz+b （5）

式中：ω为权重；z为LSTM输出的特征量；b为全连接层的偏置项。利用分类器中的Softmax函数，将模型的输出转换为深度信号概率分布，其中，每个信号的分布对应一个特定的故障类别。给定输入数据，模型输出一个向量，计算输入数据为对应故障类别的概率如公式（6）所示。

（6）

在本文的研究中，主要针对数控车床主轴的不平衡、轴承损坏、传动带松弛3类故障进行诊断。因此，q=1，2，3，信号样本的线性输出为[2，1，−1]，则Softmax激活后的概率为P=≈[0.665，0.241，0.094]。如果真实标签为[1，0，0]（表示第一个类别为真实故障），则计算损失函数值如公式（7）所示。

L=-1×ln（0.665）≈0.405 （7）

在训练过程中，模型会通过反向传播算法调整权重和偏置，最小化损失函数。

在完成故障分类器训练后，可以对新的主轴运行数据进行故障预测和诊断。在此过程中，选择概率分布最高的类别作为故障诊断结果，从而对主轴的故障诊断与故障类别进行辨识。

4 对比试验

在完成上述内容设计后，选择某数控生产单位作为本次研究的试点，应用本文设计的方法，对数控车床在运行中的主轴故障进行诊断。为保证试验结果的客观性，对主轴运行中的设计参数进行分析，相关内容见表1。

在掌握上述内容的基础上，搭建主轴故障测试与诊断平台，主要仪器设备选型见表2。

在完成上述准备工作后，引进文献[1]中的基于激光多普勒振动谱的诊断方法、文献[2]中的基于WPD-tSNE-SVM的诊断方法，将其作为对照组方法，一同与本文方法应用进行数控车床主轴故障诊断。

在诊断过程中，可按照表3进行测试数据的采样。

当已知数控车床主轴运行采样数据中存在异常数据时，将主轴运行中的振动频率作为诊断其故障的关键指标。其结果如图1、图2所示。

振动频率的异常变化往往与主轴的故障状态直接相关，已知主轴在无故障条件下，其运行时的振动频率应小于20Hz，当振动频率≥20Hz时，说明主轴可能存在不平衡、轴承损坏、传动带松弛等问题。以此为依据，对3种方法的监测结果进行分析。

由图1可以看出，应用本文设计的方法进行主轴故障诊断，该方法精准辨识主轴运行过程中存在振动频率大于20Hz的现象，说明主轴运行存在故障，与已知条件一致。

由图2可以看出，应用文献[1]方法进行主轴故障诊断，该方法无法辨识主轴运行过程中存在振动频率大于20Hz的现象，诊断为主轴无故障，与已知条件存在差异。

由图3可以看出，应用文献[2]方法进行主轴故障诊断，该方法可以辨识主轴运行过程中存在振动频率大于20Hz的现象，但诊断结果中存在中断，无法将最终结果作为故障诊断的依据。

上述内容可以证明，本文设计的基于注意力机制的诊断方法应用效果良好，按照规范，应用此方法进行车床主轴故障诊断，可以对运行中故障现象进行精准辨识。

5 结语

主轴故障类型多样，例如主轴发热、主轴强力切削时停转、主轴工作时噪声过大、刀具无法夹紧等，每种故障都需要特定的诊断方法和处理措施。现有的大部分方法处理大量复杂故障数据时往往效率低下，难以满足现代制造业对故障诊断的实时性和准确性的要求。因此，本文引进注意力机制，以某数控车床为例，通过主轴运行数据采样与编码、主轴运行数据训练与特征提取、深度信号辨识与故障诊断，对主轴故障诊断方法进行设计研究。注意力机制是一种模拟人类注意力过程的机器学习技术，处理大量信息时可以关注重要部分，忽略不相关信息，从而提高工作的效率和准确性。采用这种方式，可以为数控机床的数字化建设提供支持，推动制造业的转型升级和高质量发展。

参考文献

[1] 邓宇翔， 李正红. 基于激光多普勒振动谱的数控机床主轴故障在线诊断[J]. 机械设计与制造工程， 2024， 53 （4）： 61-66.

[2] 曹康栖， 李灿. 基于WPD-tSNE-SVM方法的电站机组主轴故障诊断分析[J]. 机械制造与自动化， 2023， 52 （6）： 226-228.

[3] 张朝刚， 侍中楼， 李敏. 基于多状态时间序列预测学习的超精密机床主轴故障诊断仿真[J]. 吉林大学学报（工学版）， 2023， 53 （11）： 3056-3061.

[4] 王寿元， 李积元， 郎永存， 等. 基于PSO优化SVM数控机床主轴系统故障诊断的研究[J]. 组合机床与自动化加工技术， 2023 （9）： 151-155，159.

[5] 赵恒喆， 杨晓英， 石岩， 等. 基于XGBoost-LSTM的数控机床主轴轴承故障预测方法研究[J]. 现代制造工程， 2023 （8）： 155-160.

[6] 王伟平， 王琦， 于洋， 等. 采用PCA/D-S方法及FUKL融合算法的主轴系统弱故障动态判别与辨识[J]. 振动工程学报， 2022， 35 （3）： 771-782.

[7] 宋思瑜， 林正文， 赵薇， 等. 基于Stacking集成学习的风机主轴止推轴承故障预警研究[J]. 电力大数据， 2023， 26 （6）： 68-79.