數(shù)控機床要求較高運動精度，其故障信息的載體與一般機械有所不同。大量診斷實例表明，從加工零件的質(zhì)量上分析機床的運行狀態(tài)，是診斷機床的主要思路。主軸是數(shù)控機床的關(guān)鍵部件，其運動精度直接影響工件的加工質(zhì)量。當(dāng)主軸不平衡運行時，產(chǎn)生的往復(fù)慣性力使軸瓦與主軸頸在油膜壁*薄處發(fā)生撞擊，引起機床主軸的運動誤差。主要包括主軸的純徑向跳動D、純角度擺動和純軸向竄動L。

 

　　時間序列分析法是以模式識別理論為基礎(chǔ)，將動態(tài)過程為隨機的復(fù)雜系統(tǒng)抽象為簡單物理模型以便于實際系統(tǒng)運行狀態(tài)的監(jiān)測與診斷。現(xiàn)有文獻(xiàn)大部分都是基于一維時間序列進行討論，但對于許多實際問題，僅考慮一個因素并不能夠充分揭示系統(tǒng)內(nèi)部規(guī)律。為進一步解釋各相關(guān)物理量對系統(tǒng)的影響關(guān)系，提高模型擬合精度，可引入多維時間序列模型。本文將多維時間序列應(yīng)用于工件表面粗糙度Ra監(jiān)測，分析了D、、L與Ra之間的影響關(guān)系。

 

　　1時序模型的選擇常用時序模型有自回歸模型（AR）、滑動平均模型（MA）以及自回歸滑動模型（ARMA ）。后兩類模型都可以用高階的AR模型來逼近，其逼近程度取決于所取的自回歸模型的階次。由于AR模型的參數(shù)估計為線性回歸過程，其計算簡單、速度快，實際物理系統(tǒng)也往往是全極點系統(tǒng)，因此， AR模型的應(yīng)用廣泛，特別適用于機械故障診斷中。

 

　　對于AR模型討論的前提是假設(shè)所獲得的時間序列是平穩(wěn)、正態(tài)分布的序列。但當(dāng)機床運轉(zhuǎn)處于某種隱患并且情況在不斷惡化時，通過傳感器得到的數(shù)據(jù)將是不平穩(wěn)時間序列，含有某種隨時間穩(wěn)定發(fā)展的趨勢。對于非平穩(wěn)時序經(jīng)過若干階差分變換可以得到平穩(wěn)時間序列，然后對其進行ARMA建模。為此提出非平穩(wěn)時間序列ARIMA模型。

 

　　1 1 AR IMA模型ARIMA模型是平穩(wěn)時間序列在非平穩(wěn)狀態(tài)下的拓展，它與非平穩(wěn)序列{X t }密切相關(guān)， AR IMA模型經(jīng)過有限次差分（ Y t = （ 1- B ）d X t， B為后移算子）后，{ Y t }即為ARMA序列。

 

　　適合ARIMA模型建模的數(shù)據(jù)具有緩慢衰變的正樣本自相關(guān)系數(shù)函數(shù)的特征；經(jīng)過差分變換后，適合ARMA建模的數(shù)據(jù)應(yīng)具有快速下降的樣本自相關(guān)系數(shù)函數(shù)的特征。

 

　　1 2多維AR模型概念從一維AR模型的概念出發(fā)可以定義多維AR模型。多維AR模型可以擬合多數(shù)實際情況，因為它可以逼近多維ARMA模型。設(shè)有m維的AR（ p）模型：z t = A 1 z t- 1 + A 2 z t- 2 + + A p z t- p + u t（1）式中： z t是m 1維零均值平穩(wěn)序列；A j（ j = 1， 2，， p）是m m矩陣，其中A p 0； { u t }是m維白噪聲序列，在不同時刻彼此無關(guān)，即E < u t > = 0 E < u t u T s > = S，t= s 0，t s（2）式中：S是m m階正定陣，且E < u t z t- j > = 0（ j = 1，2，）。則多變量平穩(wěn)的條件： det p i= 0 A i B i = 0的根全在單位圓外。如果{ z t }滿足式（1）及平穩(wěn)性條件，則{ z t }就稱為m維AR（p ）序列。

 

　　2多維AR模型的建立2 1數(shù)據(jù)采集通過傳感器得到的振動、轉(zhuǎn)角信號都是連續(xù)信號，而建立時序模型需要對連續(xù)信號進行離散采樣。

 

　　因此首先要確定采樣間隔。若采樣間隔不合理，則會產(chǎn)生不同頻率諧波的混迭。當(dāng)取得過大，采樣數(shù)據(jù)將丟失觀測信號中原有的相關(guān)關(guān)系，以致模型發(fā)生降階，降低信號分辨率；當(dāng)取得過小時，又會將高頻噪聲作為有用信號計入，使模型發(fā)生升階，造成計算量增大。采用香農(nóng)采樣定理：當(dāng)采樣頻率f s高于諧波的*高頻率f max的2倍時，即可避免頻混，為此常取= 1/2 5f m ax進行采樣。

 

　　2 2多維AR模型的參數(shù)估計AR模型的參數(shù)估計法常用直接估計法，其中包括YuleW alker估計法和*小二乘估計法。相關(guān)矩估計方法是時間序列模型參數(shù)估計*常用的方法，它是建立在Y W方程基礎(chǔ)上的。雖然該方法的估計精度沒有*小二乘法那樣高，但其計算簡便實用。特別是對于具有正態(tài)特性的時間序列，在樣本數(shù)據(jù)足夠多的情況下，其估計精度可以與*小二乘估計法相當(dāng)。本文采用選擇Y W估算法。這就得到A j（ j = 1， 2，，p ）的矩估計。從理論上可知YuleW alker矩估計量有很多優(yōu)點，如正定性、漸近無偏性、弱相容性和漸近正態(tài)性。

 

　　3多維AR模型定階的FPE準(zhǔn)則FPE準(zhǔn)則（*小*終預(yù)報誤差準(zhǔn)則）是由樣本對模型定階。它是以模型輸出的一步預(yù)報誤差方差來判定模型階次：一步預(yù)報誤差方差陣的行列式越小，就認(rèn)為模型擬合得越理想，這時的模型階次認(rèn)為是*佳的階次。

 

　　由樣本長度為N的m維觀測數(shù)據(jù)所擬合的AR（p）模型見式（1）。^ T i（8）需要說明，如果FPE p（z t）的值隨p的增大而單調(diào)上升，則可判定模型為一階自回歸模型；如果FPE p（z t）的值隨p的上升而單調(diào)減小，則樣本序列不能用AR模型來描述；若隨p值增加FPE p（z t）的值上下劇烈跳動，可增大樣本長度再進行定階。

 

　　為了考察m維序列的規(guī)律能否由其部分分量，如前q個分量（ q< m ）來充分描述系統(tǒng)特征，進一步引入*終預(yù)報誤差方差的子方陣，其行列式FPE p， q， m（ z t）^ T i的左上角q階子方陣。如果m inFPE p， q， m（ z t） %m inFPE p， q， q（ z t），則認(rèn)為僅考察前q維序列就行了，考察m維序列并未比僅考慮前q維序列帶來顯著好處，因此可以排除次要因素，集中于主要因素的監(jiān)測診斷；反之如果m inFPE p， q， m（z t）< m inFPE p， q， q（z t），則必須全面考察m維序列，才能獲得對系統(tǒng)的全面了解。這也為如何建立多維序列模型提供了具體方法。

 

　　4算例研究本文以某數(shù)控車床加工工件的表面粗糙度Ra、車床主軸的純徑向跳動D、純角度擺動和純軸向竄為對象建立初始四維AR模型。其中，機床設(shè)計主軸的*高工作轉(zhuǎn)速為15 000r /m in.樣本數(shù)N為500.則非平穩(wěn)時間序列處理步驟如下：（1）觀測上述四維非平穩(wěn)觀測值前480個樣本序列{X t }， {X t } = （ Ra，D， ，L）T，其中{Ra }，{ D }原始數(shù)據(jù)如所示。對數(shù)據(jù)進行一次差分以后得到平穩(wěn)序列{ Y t }， { Y t } = （ 1- B ） {X t }.{R a t }經(jīng)一次差分后所得時間序列，一次差分后所得到的自相關(guān)系數(shù)，圖中顯示有顯著下降的趨勢，說明經(jīng)過差分變換的序列已符合ARMA建模的條件。然后對{ Y t }進行標(biāo)準(zhǔn)正態(tài)處理： z t = （ Y t - % y） / y，式中， % y為序列{ Y t }的均值， y是{ Y t }的均方差。進而，對{ z t }進行多維AR建模，由Y t =y z t + % y，逆變換得到時序{ Y t }，*終反變換得到序列{X t }.

 

　　（2）由多維YuleW alker算法依次估計四維模型AR（p） （其中p = 1， 2，）的參數(shù)，在此基礎(chǔ)上計算各階模型的FPE值，定出模型*佳階次。本文計算了10階AR模型的FPE值，當(dāng)AR（6）時FPE值*小，可知此四維AR模型*佳階次為6，依此建立四維AR（6）模型。

 

　　（3）分析各相關(guān)物理量對表面粗糙度的影響程度。

 

　　看出FPE 6， 1， 2 < FPE 6， 1， 1，則認(rèn)為純徑向跳動對加工工件表面粗糙度的影響較大； FPE 6， 2， 3 < FPE 6， 2， 2，則認(rèn)為純角度擺動對工件表面粗糙度也是重要的； FPE 6， 3， 4 > FPE 6， 3， 3，則可認(rèn)為主軸的純軸向竄動產(chǎn)生的運動誤差對加工工件表面的幾何形狀基本沒有影響，這與實際理論也是相符合的。依此結(jié)論，可知在建立機床主軸診斷的多維AR模型時，僅需考慮Ra，D，三個關(guān)鍵因素。

 

　　（4）根據(jù)上述觀點，建立{ Ra，D，} T三維AR （6）模型。依據(jù)此模型監(jiān)測并預(yù)報了序號480以后的20個Ra值，其結(jié)果如。從預(yù)測結(jié)果來看，使用AR （6）模型預(yù)測其*大相對誤差為8 7% ，*小僅為1 76% ，且基本吻合實測值發(fā)展趨勢，說明多維AR模型用于分析機床主軸部件故障是合理的。

 

　　5結(jié)論本文通過對工件表面粗糙度這一信息載體，研究了機床主軸各運動誤差對其影響程度。在此基礎(chǔ)上建立了基于非平穩(wěn)序列的多維AR模型，給出了從原始數(shù)據(jù)獲取到模型建立的理論依據(jù)。同時，依據(jù)FPE準(zhǔn)則，辨識出引起系統(tǒng)故障的主要因素，避免了次要因素的干擾。從而簡化了建模的難度與工作量。通過實例計算，證明基于非平穩(wěn)序列的多維AR模型符合機床故障診斷要求，預(yù)測精度滿足要求。