面向鈦合金復雜加工工況的機電一體化設備機械故障機理分析多物理量特征提取與智能診斷及剩余壽命預測研究

鈦合金憑借其出色的比強度、耐腐蝕性及高溫性能,成為航空航天、醫療器械及高端裝備制造等領域不可或缺的關鍵材料，但其高硬度、低導熱性、易產生加工硬化的特性[1-2],加重了在機電一體化設備加工過程中的負載與磨損，對設備的穩定運行與加工質量構成了嚴峻挑戰。

機械故障診斷技術作為保障機電設備可靠性、延長其使用壽命的關鍵手段，在多種金屬加工領域已取得一定進展，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。現有的研究大多聚焦于傳統材料的振動信號分析、溫度監測和聲發射技術，缺少針對鈦合金加工過程中復雜工況的綜合診斷方法，并且診斷精度和實時性難以契合實際生產的需求。另外，鈦合金加工過程中產生的特殊故障模式及其多變的工況環境，導致傳統故障診斷方法難以有效捕捉關鍵特征，限制診斷技術的推廣[5]。

如圖1所示，文章圍繞故障特征提取、信號處理、智能診斷模型構建等方面展開分析，對機電一體化設備加工鈦合金時的機械故障診斷技術進行系統研究，提出適應鈦合金加工復雜特性的創新技術方案，為提高機電一體化設備加工鈦合金的穩定性與可靠性提供理論支撐以及技術保障。

1、機電一體化設備的機械故障模式

機電一體化設備主軸軸承作為旋轉核心部件,長期存在磨損與剝落問題,表現為滾動體表面微裂紋擴展、潤滑膜破裂,導致溫升異常與振動加劇。滾珠絲杠作為精密運動傳遞零件,其精度失效主要體現為導程誤差增大和軸向間隙變寬,卡滯現象多由潤滑不足或雜質侵人引發。導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增大運動阻力,降低設備響應速度與運動穩定性。刀具作為直接接觸鈦合金工件的部件,其破損與磨損現象顯著,在鈦合金加工中磨損速率遠高于其他材料。

2、基于動力學與磨損理論的故障機理

鈦合金加工過程中,切削力激勵作用于主軸-軸承系統及進給系統,引發復雜的動力響應。基于此可精確描述系統在高頻振動與沖擊載荷狀況下的動態特性,進而分析因振動誘發的疲勞裂紋萌生與擴展進程。進給系統在切削力作用下呈現出非線性動力行為,加劇了機械部件的應力集中及變形風險。磨損機理層面,采用 Archard磨損公式對關鍵運動副磨損速率展開定量分析,結合鈦合金加工特有的高溫、高應力環境,闡明該環境導致磨損速率加快、潤滑膜破損及表面硬化現象的產生機制。

3、故障特征提取與狀態監測方法

3.1多物理量同步采集方案

文章實驗選取高剛性數控銑床作為加工平臺,所加工的工件是典型的鈦合金材料 TC4,刀具選用硬質合金涂層銑刀,以此保障加工的穩定性。在振動信號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的關鍵位置,以此捕捉主軸振動以及工件受力振動的特征。聲發射傳感器固定于主軸箱側面,通過耦合劑來確保良好的信號傳導,捕捉切削過程中微裂紋擴展及材料破裂產生的聲波。動態切削力通過高精度三分量測力儀進行實時測量,測力儀安裝在刀具夾持部位,以此保證力信號可準確反映切削狀態。

實驗工況設置為轉速  1000 3000rpm、進給速度0.05～0.2mm/rev、切深  0.2 ～  1.0 mm,模擬不同加工負載下的機械響應,數據采集系統采用 NI PXIe-1082平臺,配備 NI PXIe-4492振動聲發射同步采集模塊,采樣頻率統一設定為  100kHz,實驗設備如圖 2所示。

3.2多域故障敏感特征提取與優選

在機電一體化設備加工鈦合金的過程中,機械故障診斷的核心在于時域、頻域及時頻域特征提取，該部分是多源信息融合的關鍵環節。對原始振動信號計算均方根值、峰值、峭度等時域特征指標，可表征機械狀態的整體能量水準與突變特性，這些指標對于早期故障檢測有較高的敏感性，故障發生時會呈現顯著的狀態突變。采用快速傅里葉變換對信號進行頻域分析，提取關鍵特征頻率的幅值及邊頻帶能量分布,可揭示機械振動中的特征頻率成分,有效辨別不同故障類型的頻譜特征。

3.3深度信念網絡的故障特征自適應學習

深度信念網絡,即 DBN模型中包含可見層以及多層隱含層,得以達成對多源傳感器數據的深層次表征,在預訓練階段,通過無監督學習來逐層初始化網絡參數,有效避免了傳統深度網絡訓練里的梯度消失問題,提高了網絡的表達能力。某時刻(t)的設備健康指數 HI(t)計算,如式(1):

式中:  F i (t)為不同傳感器信號中提取的第 i個優選特征值;  Norm (F i (t))為歸一化函數,將不同量綱和范圍的特征值統一映射到[-1,1]的區間內,以消除量綱影響;  w i 為第 i個特征的權重系數,滿足,它反映了該特征對設備性能退化或故障的敏感程度,可通過主成分分析(PCA)或專家經驗法確定。  HI(t)的值越接近初始正常狀態值,表明設備越健康,其值的顯著偏離或下降趨勢,則預示著性能退化或故障的發生。

3.4設備健康狀態綜合評估模型

通過振動、聲發射、力信號等多種傳感數據,融合傳統時頻域特征與深度置信網絡提取的深層次特征,構建高效的信息融合框架。此框架以 D-S證據理論為融合基礎,可有效處理多源數據的不確定性與沖突信息,憑借給各類特征賦予不同權重,達成信息的有機整合,按照設備運行狀態，從“正常”到“輕微故障”“中度故障”再到“嚴重故障”建立了細化的健康狀態等級劃分標準,保障狀態評估的層次性與準確性。

4、故障診斷與預測模型構建

4.1基于SVM的故障模式分類器設計

將提取出來的優選特征向量作為輸入，這些特征包含了設備運行狀態的關鍵物理量及振動信號特征,可切實反映出不同故障模式的內在差異。故障模式有正常狀態、軸承磨損、絲杠故障等多種典型故障類型,將其作為輸出標簽來進行監督學習。在模型訓練過程中,考慮數據的非線性特征,選用徑向基函數,即 RBF作為核函數,以此提升分類器的非線性映射能力,運用網格搜索方法對核函數參數和懲罰因子加以優化,確保模型在訓練集上的泛化能力和分類準確率達到最優狀態。訓練結果說明,構建的多故障分類器在測試集上的準確率為 90.3%,混淆矩陣證實了各故障類別的識別效果,在區分軸承磨損和絲杠故障方面呈現出較高的識別率,誤判率低于 5%。

4.2基于 CNN的故障圖像識別方法

卷積神經網絡(CNN)故障圖像識別方法,其原理是通過連續小波變換,將一維振動信號或者聲發射信號轉變為二維時頻圖,形成豐富的時頻特征表達,以便深度學習模型進行處理,所設計的 CNN模型結構含有多層卷積層、池化層及全連接層,可自動提取時頻圖中的關鍵故障特征,可避免傳統特征工程存在主觀性與局限性。此模型實現了端到端的學習流程,從輸入的時頻圖直接輸出故障類別,達成了故障模式的自動識別。在具體實驗中,CNN模型對多種典型故障狀態的識別準確率為 92.5%,比 SVM的 90.3%要高。而且 CNN模型擁有較強的泛化能力,可適應不同工況下的信號變化,減少對預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剩余使用壽命預測

融合物理模型和數據驅動方法,構建剩余使用壽命預測模型。此模型可對設備關鍵部件由于摩擦、疲勞等機理致使的性能退化趨勢做定量描述,還可給出設備健康狀況的物理解釋及預測依據,利用健康指數時間序列,運用長短期記憶網絡等深度學習序列模型,捕捉復雜的非線性退化規律及其動態變化特征,如式(2):

式(2)定義了在時刻 t預測的剩余使用壽命 RUL(t),即從當前時刻積分到失效閾值時刻  t f° H(τ)為健康指數在時間  τ的值;  為其變化率;  V w (τ)為基于物理的磨損模型計算出的磨損率,它關聯了加工鈦合金的切削參數;  V d (H(τ))為退化速率;  α為融合權重系數,用于平衡物理模型與數據驅動模型在預測中的貢獻。基于全壽命周期的實驗數據驗證顯示，該融合模型的預測誤差大幅降低,平均絕對誤差從單一物理模型的 15%降至8%。

4.4實驗驗證與性能對比分析

為了驗證所構建模型是否有效,文章設計了獨立的測試實驗,采集未參與訓練的新數據集,以此確保評估過程的客觀性與科學性。在實驗中,運用支持向量機(SVM分類器)、卷積神經網絡(CNN分類器)以及剩余使用壽命預測模型(RUL),對鈦合金加工過程中的金屬機械故障展開多維度分析。實驗結果表明,CNN分類器在故障識別方面,準確率達到了 92.5%,召回率 90.7%,F1分數為 91.5%,比 SVM分類器的準確率 90.3%以及F1分數 88.1%要更優,這體現出深度學習模型在復雜特征提取方面具有較大優勢。對于 RUL預測模型,采用均方根誤差(RMSE)量化預測精度,實驗結果表明,該模型在預測剩余壽命時, RMSE為 3.8h,可以看出其有較高的預測精度。綜上可知,SVM模型在數據量較少的時候表現穩定,而 CNN模型更適合處理大規模復雜數據,RUL模型則為設備維護提供了精準的壽命預測依據。

5、結語

文章全面深入地剖析了機電一體化設備加工鈦合金時金屬機械故障的診斷技術,揭示出故障產生的關鍵原理,依據多源傳感器數據搭建了綜合監測體系,達成了對機械狀態的實時且精準的感知。運用智能診斷與預測模型、聯合機器學習算法對故障特征進行高效提取與分類,驗證結果顯示模型在準確率、魯棒性及響應速度方面都表現出色,極大提高了故障預警的可靠性和及時性。未來,融合數字孿生技術,以期實現設備全生命周期的動態監控與故障預測,提升診斷的精度和預見性。同時,將該項技術的研究范圍擴展到多變載荷及復雜加工環境,可為機電一體化設備加工鈦合金的故障診斷技術提供更為穩固的理論基礎。

參考文獻

[1]卞小豐.機電一體化設備加工鈦合金中金屬機械故障診斷技術研究[J].中國金屬通報, 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,2024.

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

[4]王應晨,段修生.深度學習融合模型在機械故障診斷中的應用[J].振動.測試與診斷,2019,39(6):1271-1276+1363-1364.

[5]陳周亮.基于深度學習的機械故障診斷方法研究[D].南昌:南昌航空大學,2018.

（注，原文標題：機電一體化設備加工鈦合金時機械故障診斷技術與研究_鄧超）