摘要：加工中心主轴是机床最重要的机械部件之一，一般情况下，在机床所有的控制轴中，其消耗的功率最大，在切削工件时承受的负载较大，相对来讲，对主轴的各项精度要求也比较高，且能够输出不同的转速（每分钟几千转甚至一万转以上）和转矩，以满足不同加工工艺的要求。可见主轴能否正常运转直接制约着机床的整体运行，有必要针对加工中心主轴故障的诊断方法进行深入分析和探讨。本文正是在这样的背景下，并根据实际工作中的具体案例和经验，在研究典型故障的基础上，总结提炼出行之有效的解决方案。 关键词：钻夹头加工中心；主轴；故障诊断
引言
数控机床主轴系统是数控机床的核心功能系统之一，其在机床工作过程中起到了动力传输作用，关系着整个机床的稳定运行，它一旦发生故障将会严重影响到机床正常运行，降低加工零件的精度和质量，因此提高主轴系统的可靠性对提高整个机床的可靠性有着重要的意义。诸多学者对数控机床主轴系统做了大量的研究和分析，通过分析数控机床主轴的故障原因， 得到了系统的薄弱环节，并对其提出了改进措施。采用故障总时间法对主轴系统现场试验数据进行预处理，从而提高了可靠性建模的准确性。对数控磨床主轴系统的故障数据进行处理，确定主轴系统的分布类型，最终完成了对主轴系统的可靠性评估。
1.加工中心主轴不转故障及处理措施
（1）故障现象某龙门式加工中心在执行机械手自动换刀时，由于主轴不转而导致换刀失败，且在MDI/AUTO状态下均不能正常旋转，也无任何报警或提示。（2）故障分析和解决方案设备故障一般可分为硬件故障、软故障（参数、PLC等方面）或者机械、电气故障。此设备主轴不转的可能原因较多，首先进行机床的数据备份恢复，故障依旧，基本排除了软故障，硬件故障的可能性较大。然后去掉主轴使能，手转主轴可以正常旋转，无机械卡死等异常情况，加上使能后主轴停止。主轴和电动机脱开后，执行主轴正/反转指令后，主轴电动机也不转。从故障现象分析，考虑到该故障是在自动换刀过程中出现的，换刀流程中任何一步没有完成（有相应检测信号），都会影响到其他步骤，于是重点检查了“主轴紧刀完成”这一步。现场排查后发现主轴松紧刀的实际机械动作正常，主轴紧刀到位对应的传感器信号输入点是I35.5，利用PLC诊断功能，发现I35.5的状态为0（正常为1），经进一步
检查发现该传感器电缆线断裂，重新接好后故障彻底排除，即主轴不旋转的根本原因是紧刀到位信号异常。
激光模组2.建立主轴系统故障树
结合已发生故障对主轴系统建立故障树，以系统最不希望发生的事件作为故障树的顶事件，将直接导致顶事件发生的故障事件作为一级中间事件，再将故障事件逐层向下分解，直至分析到基本事件，确定各级事件之间的逻辑关系，并用逻辑门连接彼此。现假设主轴系统故障树中的各基本事件相互独立，以主轴系统故障为顶事件，以夹具装置故障、液压故障、主轴发出异响、主轴报警、主轴转速异常为一级中间事件展开分析。由于成本的限制往往无法通过实验获得足够的故障数据，并且零部件发生故障由多方面的因素构成，为了获得准确故障数据对其进行长期收集具有一定的困难。结合专家判断法和模糊集理论，将专家意见转化为梯形模糊数，该方法有效解决了基本事件概率难以得到的问题。对故障树展开定性定量分析，确定引起主轴系统发生故障的最小割集以及主轴系统发生故障的概率为９.９５０４×１０－４。通过计算基本事件的重要度，确定影响系统的关键故障因素为拉刀爪损坏Ｘ３、油缸外漏Ｘ１０和前端轴承发热Ｘ３１，顶事件发生的原因可根据基本事件概率重要度大小进行排查。
3.床主轴轴承外圈非接触式故障
传统轴承故障检测和诊断的方法是对轴承振动信号的进行监测和分析。采用带通滤波和包络谱细化的方法对轴承的振动信号进行分析。采用小波变换和经验模态分解对轴承的振动信号进行分析处理。采用HilbertHuang变换对轴承的振动信号进行分析。采用参数估计模型对轴承的振动信号进行分析。但振动采集数据系统要增加额外的振动传感器，成本相对较高；且发生轴承故障时，会引起振动信号的频率波动。因此，基于定子电流的故障检测被认为是轴承状态监测的未来趋势，而利用主轴电机的定子电流获取轴承故障检测所需信息的是一种轴承故障检测的非侵入性方法。电流传感器通常是大部分加工中心电力驱动系统的组成部分，因此不需要采用额外的传感器进行故障检测。
4.具有自寻优和协同感知的主轴系统故障
围绕智能机床主轴系统的振动故障数据分析算法展开研究，以提高数据分析体系抑制外部扰动、提升准确度，实现自寻优与多维度协同融合为目标，构建算法。文中以具备识别振动波形数据的波动特征分析、细节时频分析的双路径模块为核心，建立了数据主体辨识环节。为应对在线外部噪声扰动，建立了前置滤噪环节。通过采集电能质量分析仪监控的电
流数据，建立了电流分析环节。基于这些环节的建立，在整体算法层面，以强化学习的Ｑ⁃ｌｅａｒｎｉｎｇ为基础构建了自寻优驱动环节，以Ｄ⁃Ｓ证据理论为基础构建了面向整个算法架构的多维度协同感知评估环节。并以凯斯西储大学（ＣａｓｅＷｅｓｔｅｒｎＲｅｓｅｒｖｅＵｎｉｖｅｒｓｉｔｙ，ＣＷＲＵ）轴承数据集和实际机床主轴系统的故障数据，验证了所提方法的优越性、有效性与准确性。对于故障振动波形数据，从离、在线维度，提出建立了具有双路径特征的主体辨识环节，提出建立了具备自寻优特点的在线驱动环节与前置环节。在此基础上提出将双路径离、在线维度的自寻优结果与电流波动状态的辅助故障分析特征进行融合，通过对融合结果的协同评估，实现了整个自寻优和多维度协同感知算法架构。在构建上述算法架构模型的过程中，提出了由ＣＥＥＭＤＡＮ与复合ＧＲＵ模型构成的波动特征分析路径，提出了由４个小波基叠加的波形特征提取组合矩阵与改进的ＩＮＣＥＰＴＩＯＮ模型构成的细节时频分析路径。基于ＣＷＲＵ轴承试验台数据集验证了该双路径（即主体辨识环节）故障辨识的有效性和优越性。
模具计数器国徽制作结束语
机床主轴的工作状态直接影响着生产过程是否能够正常运行，对于机床主轴轴承利用定子
消音降噪
电流进行非接触式的状态监测及故障检测，能够在不影响运行的情况下，及时发现问题，最大限度地减少故障所造成的损失。本文在前人研究的基础上，提出了一种更有效、更可靠的故障诊断方法。将经验模态分解与维格纳分布相结合进行故障特征提取，再利用人工神经网络进行故障样本的模式识别，可有效检测机床主轴轴承外圈缺陷。试验结果表明，在不同负载条件下，基于经验模态分解的维格纳分布定子电流监测对外圈缺陷的故障检测和诊断具有准确率高，计算量小，检测成本低等优点，具有一定的工程实用及推广价值。
参考文献
[1]张英芝,侯胜冬,王志琼,董仁豪,杨升.基于灰理论的加工中心故障分析[J].吉林大学学报(工学版),2022,52(02):433-438.
[2]林超青.电主轴无转矩输出故障原因分析[J].金属加工(冷加工),2021(12):79-80.
[3]黄智勇,刘志勇.加工中心电主轴结构分析及典型故障修理[J].设备管理与维修,2020(23):63-64.
[4]李晓旭.加工中心主轴系统可靠性综合应力加速模型研究[D].吉林大学, 2019.000901.
[5]黄登红.加工中心主轴准停控制及其常见故障分析[J].机床与液压,2012,40(22):134-137.
电热画
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议