基于SABO-VMD的数控机床元动作单元故障可诊断性评价

doi:10.3969/j.issn.1004-132X.2025.08.013

摘要/Abstract

摘要：

为了判断并量化元动作单元故障诊断的难度，提出一种元动作单元的故障可诊断性评价方法。利用减法平均优化算法（SABO）优化的变分模态分解（VMD）对元动作单元的故障信号进行分解，利用峭度准则筛选IMF分量，构建基于包络熵的元动作单元特征向量；以余弦距离作为相似性度量指标，将故障可诊断性定量评价问题转换为不同故障模式下振动信号特征向量的相似性度量问题；构建元动作单元故障可诊断性评价矩阵，从而建立元动作单元的故障可诊断性评价指标。最后以蜗轮元动作单元为例进行实验验证分析，结果表明所提方法能够实现元动作单元不同故障模式的可诊断性的定量评价。

关键词: 元动作单元, 故障可诊断性, 减法平均优化算法, 变分模态分解

Abstract:

This paper introduced an evaluative approach to gauge the complexity of fault diagnosis within meta actuation units. The methodology commences with the decomposition of fault signals from these units， utilizing a VMD technique refined by SABO. The processes included the applications of a Kurtosis-based criterion to select pertinent intrinsic mode functions （IMFs）， culminating in the creation of a feature vector grounded in envelope entropy. The evaluative task then pivoted on employing Cosine distance as a measure of similarity， recasting the fault diagnosability problems into one of assessing the likeness of vibration signal feature vectors across varying fault conditions. A diagnosability evaluation matrix for the meta actuation units was formulated， which layed the foundation for a diagnostic index. It is concluded with an empirical validation using a worm gear-based meta actuation unit； the findings confirm the method’s efficacy in quantitatively gauging the diagnosability of diverse fault patterns.

Key words: meta actuation unit, fault diagnosability, subtraction-average-based optimizer （SABO）, variational mode decomposition （VMD）

中图分类号:

TH17

葛红玉, 赵展, 郭安祥, 孙佳瑞. 基于SABO-VMD的数控机床元动作单元故障可诊断性评价[J]. 中国机械工程, 2025, 36(8): 1774-1783.

Hongyu GE, Zhan ZHAO, Anxiang GUO, Jiarui SUN. Fault Diagnosability Evaluation of Meta Actuation Units Based on SABO-VMD[J]. China Mechanical Engineering, 2025, 36(8): 1774-1783.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2025.08.013

https://www.cmemo.org.cn/CN/Y2025/V36/I8/1774

图/表 18

图1 SABO优化VMD流程

Fig. 1 SABO-optimized VMD process flowchart

图2 实验平台

Fig. 2 Experimental platform

图3 各故障设置示意图

Fig. 3 Schematic diagram of various fault settings

表1 蜗杆元动作单元故障模式

Tab. 1 Worm gear meta actuation unit fault mode

故障状态编号	故障状态名称
t₀	正常
t₁	联轴器内接触面磨损
t₂	梅花星形弹性键形变
t₃	平键表面磨损
t₄	平键定位孔磨损
t₅	轴承装配间隙过大
t₆	轴承润滑不良
t₇	蜗杆轴线偏移

图4 蜗杆轴线偏移振动时频域信号

Fig. 4 Time-frequency domain signal of worm axis offset vibration

图5 SABO优化VMD迭代过程

Fig. 5 Iterative process of SABO-optimized VMD

图6 SABO-VMD分解结果时频图

Fig.6 Time-frequency diagram of SABO-VMD decomposition results

表2 局部最小包络熵、峭度值及相关系数

Tab. 2 Local minimum envelope entropy，kurtosis and correlation coefficients

模态分量	IMF1	IMF2	IMF3	IMF4
局部最小包络熵	7.5455	7.0693	6.4656	6.4808
峭度值	4.778	3.6927	3.2509	3.9918
相关系数	0.718	0.413	0.284	0.528

表3 实验数据类型

Tab. 3 Types of experimental data

编号	故障类型	最佳参数（k，α）
t₀	正常	（5，1716）
t₁	联轴器内接触面磨损	（7，2115）
t₂	梅花星形弹性键形变	（3，258）
t₃	平键表面磨损	（7，2312）
t₄	平键定位孔磨损	（8，1895）
t₅	轴承装配间隙过大	（6，1058）
t₆	轴承润滑不良	（9，1127）
t₇	蜗杆轴线偏移	（4，864）

图7 正常信号与故障信号对比

Fig. 7 Comparison between normal signal and fault signal

图8 正常状态振动图像

Fig. 8 Vibration image in normal state

图9 联轴器内表面磨损振动图像

Fig. 9 Vibration image of wear on the inner surface of the coupling

图10 梅花星形弹性键形变振动图像

Fig. 10 Vibration image of deformed star-shaped elastic keys

图11 平键表面磨损振动图像

Fig. 11 Vibration image of flat key surface wear

图12 平键定位孔磨损振动图像

Fig. 12 Vibration image of wear of flat key positioning hole

图13 轴承装配间隙过大振动图像

Fig. 10 Vibration image with excessive bearing assembly clearance

图14 轴承润滑不良振动图像

Fig. 14 Vibration image of poor bearing lubrication

图15 蜗杆轴线偏移振动图像

Fig. 15 Vibration image of worm axis offset

参考文献 30

[1]	王大轶，符方舟，刘成瑞，等. 控制系统可诊断性的内涵与研究综述［J］. 自动化学报， 2018， 44（9）： 1537-1553.
	WANG Dayi， FU Fangzhou， LIU Chengrui， et al. Connotation and Research Status of Diagnosability of Control Systems： a Review［J］. Acta Automatica Sinica， 2018， 44（9）： 1537-1553.
[2]	张根保，张恒，范秀君，等. 数控机床基于FMA的功能分解与可靠性分析［J］. 机械科学与技术， 2012， 31（4）： 528-533.
	ZHANG Genbao， ZHANG Heng， FAN Xiujun， et al. Function Decomposition and Reliability Analysis of CNC Machine Using Function-motion-action［J］. Mechanical Science and Technology for Aerospace Engineering， 2012， 31（4）： 528-533.
[3]	LIN Lixiong， WANG Qing， HE Bingwei， et al. Evaluation of Fault Diagnosability for Nonlinear Uncertain Systems with Multiple Faults Occurring Simultaneously［J］. Journal of Systems Engineering and Electronics， 2020， 31（3）： 634-646.
[4]	ZHAO Dong， AHN C K， PASZKE W， et al. Fault Diagnosability Analysis of Two-dimensional Linear Discrete Systems［J］. IEEE Transactions on Automatic Control， 2021， 66（2）： 826-832.
[5]	VERDIÈRE N， JAUBERTHIE C， TRAVÉ-MASSUYÈS L. Functional Diagnosability and Detectability of Nonlinear Models Based on Analytical Redundancy Relations［J］. Journal of Process Control， 2015， 35： 1-10.
[6]	TERMECHE A， BENAZZOUZ D， BOUAMAMA B O， et al. Augmented Analytical Redundancy Relations to Improve the Fault Isolation［J］. Mechatronics， 2018， 55： 129-140.
[7]	CABRAL F G， MOREIRA M V. Synchronous Diagnosis of Discrete-event Systems［J］. IEEE Transactions on Automation Science and Engineering， 2020， 17（2）： 921-932.
[8]	JIANG Dongnian， LI Wei. Multi-objective Optimal Placement of Sensors Based on Quantitative Evaluation of Fault Diagnosability［J］. IEEE Access， 2019， 7： 117850-117860.
[9]	FU Fangzhou， WANG Dayi. A Method for Quantitative Fault Diagnosability Analysis of Systems with Probabilistic Sensor Faults［J］. International Journal of Control， Automation and Systems， 2019， 17（8）： 2159-2164.
[10]	FU Fangzhou， WANG Dayi， LI Linlin， et al. Data-driven Method for the Quantitative Fault Diagnosability Analysis of Dynamic Systems［J］. IET Control Theory & Applications， 2019， 13（8）： 1197-1203.
[11]	FU Fangzhou， WANG Dayi， LI Wenbo， et al. Data-driven Fault Identifiability Analysis for Discrete-time Dynamic Systems［J］. International Journal of Systems Science， 2020， 51（2）： 404-412.
[12]	FU Fangzhou， XUE Ting， WU Zhigang， et al. A Fault Diagnosability Evaluation Method for Dynamic Systems without Distribution Knowledge［J］. IEEE Transactions on Cybernetics， 2020， 52（6）： 5113-5123.
[13]	彭珍瑞，刘臻. 基于故障可诊断性的齿轮箱传感器优化布置［J］. 振动与冲击， 2021， 40（4）： 155-163.
	PENG Zhenrui， LIU Zhen. Optimal Sensor Placement of a Gear Box Based on Fault Diagnosability［J］. Journal of Vibration and Shock， 2021， 40（4）： 155-163.
[14]	XUE Yajuan， CAO Junxing， WANG Daxing， et al. Application of the Variational-mode Decomposition for Seismic Time–Frequency Analysis［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2016， 9（8）： 3821-3831.
[15]	ZHANG Yaping， QI Xiaozhi， WANG Tao， et al. Tool Wear Condition Monitoring Method Based on Deep Learning with Force Signals［J］. Sensors， 2023， 23（10）： 4595.
[16]	XIE Zhijie， YU Di， ZHAN Changshu， et al. Ball Screw Fault Diagnosis Based on Continuous Wavelet Transform and Two-dimensional Convolution Neural Network［J］. Measurement and Control， 2023， 56（3/4）： 518-528.
[17]	LEE W G， LEE J W， HONG M S， et al. Failure Diagnosis System for a Ball-screw by Using Vibration Signals［J］. Shock and Vibration， 2015， 2015（1）： 435870.
[18]	ZHENG Jinde， SU Miaoxian， YING Wanming， et al. Improved Uniform Phase Empirical Mode Decomposition and Its Application in Machinery Fault Diagnosis［J］. Measurement， 2021， 179： 109425.
[19]	FENG Zhipeng， ZHANG Dong， ZUO M J. Adaptive Mode Decomposition Methods and Their Applications in Signal Analysis for Machinery Fault Diagnosis： a Review with Examples［J］. IEEE Access， 2017， 5： 24301-24331.
[20]	ZHENG Jinde. Rolling Bearing Fault Diagnosis Based on Partially Ensemble Empirical Mode Decomposition and Variable Predictive Model-based Class Discrimination［J］. Archives of Civil and Mechanical Engineering， 2016， 16（4）： 784-794.
[21]	ZHAO Huimin， LIU Hailong， XU Junjie， et al. Research on a Fault Diagnosis Method of Rolling Bearings Using Variation Mode Decomposition and Deep Belief Network［J］. Journal of Mechanical Science and Technology， 2019， 33（9）： 4165-4172.
[22]	DRAGOMIRETSKIY K， ZOSSO D. Variational Mode Decomposition［J］. IEEE Transactions on Signal Processing， 2014， 62（3）： 531-544.
[23]	ZHANG Xin， ZHAO Jianmin. Compound Fault Detection in Gearbox Based on Time Synchronous Resample and Adaptive Variational Mode Decomposition［J］. Eksploatacja I Niezawodność—Maintenance and Reliability， 2020， 22（1）： 161-169.
[24]	YI Yingmin， TIAN Ge. Feature Extraction Method of Ship Radiated Noise Based on BOA-VMD and Slope Entropy［J］. Frontiers in Physics， 2022， 10： 1043070.
[25]	ZHANG Yu， WU Yuhu， LI Lianmin， et al. A Hybrid Energy Storage System Strategy for Smoothing Photovoltaic Power Fluctuation Based on Improved HHO-VMD［J］. International Journal of Photoenergy， 2023， 2023（1）： 9633843.
[26]	唐贵基，王晓龙. 参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用［J］. 西安交通大学学报， 2015， 49（5）： 73-81.
	TANG Guiji， WANG Xiaolong. Parameter Optimized Variational Mode Decomposition Method with Application to Incipient Fault Diagnosis of Rolling Bearing［J］. Journal of Xi’an Jiaotong University， 2015， 49（5）： 73-81.
[27]	ZHANG Ying， WANG Anchen. Research on the Fault Diagnosis Method for Rolling Bearings Based on Improved VMD and Automatic IMF Acquisition［J］. Shock and Vibration， 2020， 2020： 6216903.
[28]	杨岗，邓琴，卫昱乾，等. 模态特征分量（IMF）在轴承故障诊断中的选用原则综述［J］. 铁道车辆， 2023， 61（6）： 7-15.
	YANG Gang， DENG Qin， WEI Yuqian， et al. Review of the Principle of Selecting the Intrinsic Mode Functions （IMF） in the Bearing Fault Diagnosis［J］. Rolling Stock， 2023， 61（6）： 7-15.
[29]	TROJOVSKÝ P， DEHGHANI M. Subtraction-average-based Optimizer： a New Swarm-inspired Metaheuristic Algorithm for Solving Optimization Problems［J］. Biomimetics， 2023， 8（2）： 149.
[30]	来凌红，吴虎胜，吕建新，等. 基于EMD和样本熵的滚动轴承故障SVM识别［J］. 煤矿机械， 2011， 32（1）： 249-252.
	LAI Linghong， WU Husheng， JianxinLYU， et al. SVM Recognition Method Based on EMD and Sample Entropy in Rolling Bearing Fault Diagnosis［J］. Coal Mine Machinery， 2011， 32（1）： 249-252.