一、重型机床故障诊断的意义

　　重型机床的这种工作特点使得机床的安全性、稳定性、可靠性变得尤为重要，因为在工作条件下工作载荷以及工件的惯性巨大，一旦出现故障造成机器突然停车，巨大的载荷冲击会对整台设备造成难以控制的损害，尤其是对机床中执行动力传输的回转部件造成破坏。此外，由于大型设备制造、运营成本高，启动、停止都会带来巨大的载荷以及电流波动，对设备本身以及包括电网在内的周围环境产生较大的影响。因此对于它们工作状态的保障以及故障的诊断排除被人们广泛重视。所以对于工作的旋转部件的状态保障至关重要。因为在这种重载的工况之下，微小的瑕疵会迅速扩展，导致零件失效甚至造成突然停车等产生重大冲击破坏其它零部件的致命故障。所以，在故障初期诊断并确定故障，对于重型机床的使用维护，具有重要意义。

　　(一)为确保重型机床工作时的稳定状态，首先就要对机床装配出厂时的工作状态加以保证

　　由于重型机床床身零部件的尺寸以及质量都大于一般机床，因此工厂在装配过程中大多采用吊装的方式将机床各个部分分块组装，最后将各部分装配成机床整体，并调试试验。

　　(二)由于重型机床的体积、质量巨大，它的加工控制操作需要通过数控来完成，而且目前的国产重型机床已经实现了数控化

　　而未来的数控系统将向智能化的方向进一步发展，也就是逐步在某些方面替代脑力劳动。

　　对于重型机床的主轴箱装配故障的研究，不仅可以为机床装配过程中故障的消除提出指导性意见，还可以为后续的智能数控系统中自主监测状态这一子模块提供相关技术储备。

　　二、齿轮箱故障诊断技术

　　(一)齿轮箱故障诊断的主要阶段

　　齿轮箱被广泛应用于工业领域，由于其应用的广泛性以及在机械传动中的重要作用，对其故障进行研究，以期在故障导致破坏之前进行人为干预，排除故障。重型机床主轴箱也是齿轮箱的一种，其故障类型与普通齿轮箱相似，却又有其独特的地方。对于齿轮箱的故障诊断，基本上可以分为三个主要阶段。

　　1.原始数据的获取，根据齿轮箱故障时所引起的各种异常现象，利用不同的传感器来获取其异常信息。

　　2.对原始数据的处理以及表征故障和缺陷的有用特征的

　　提取。

　　3.基于模式识别的方法和理论根据提取出的特征识别出故障类型。

　　(二)不同类型数据的采集

　　为了实现有效准确地诊断故障的目标，用不同类型的数据来分析和对比。目前，基于齿轮箱在故障状态下工作情况的改变，主要被用来分析的信号包括振动信号、声发射信号、热信号以及油液磨粒信号。

　　机床的振动信号往往携带和包含着机床工作时的动态信息，这些信息能够帮助实现故障特征的获取和故障本身的诊断。振动信号被认为是最可靠的原始据而被普遍采用。但是在一些特殊情况下，振动信号会不再适用，比如在低速旋转的机器上。转速低于100r/min被认为是低工作转速，在这种情况下，振动幅值会由于能量过低而降低，这也导致不能及早地对故障实现诊断。但是声发射信号(AE)更适用于在这种工况。AE是在材料内部或者表面应变能瞬间释放时所产生的弹性波。AE信号在低速条件下的表现优于振动信号。此外，如果齿轮箱中存在不对中或者齿轮磨损，会在接触部分产生额外的热，而这些热也会传递到其它的零部件，利用红外照相机对齿轮箱的工作状态进行动态监测，并利用软件自动识别故障。油液颗粒监测是另一种无损监测手段，通过测量磨粒的尺寸、分析磨粒材料、计算磨粒积累的速度，可以对工作状态进行判断。

　　(三)不同方法对故障特征的提取

　　传统的用于齿轮箱分析的方法包括谱分析、倒谱分析、解调分析、统计分析、包络分析等。快速变换(FFT)的出现使得基于频谱分析的故障诊断方法进入崭新的阶段，为该领域带来了新的发展。但是慢慢的人们发现传统的FFT方法并不能有效地显示故障特征的瞬变信号，而包络谱分析虽然能够展现故障特征，却不能够有效处理非稳态信号。一些为了处理这种非稳态问题的方法被发现和应用，其中之一是短时变换(STFT)。这种方法将信号在等时间间隔上进行分析，但是由于它的时域分辨率不能改变，会在分析需要细小分辨率的信号应用上存在问题。小波变换的方法被成功地应用于非稳态信号的处理和内含特征的提取。表2-1从处理非稳定信号的能力、信号自适应性、信号参数独立性、时域表现能力四个方面对它们进行了对比分析。

　　(四)不同故障的识别分类方法

　　通过分析可以识别和判断出齿轮或者轴承的工作状态。使机器能够自己识别和判断出故障的种类是应用发展的方向。针对从故障齿轮箱提取的信号中存在各种不同源发出的不确定、随机以及不完整的信息，引入在语音识别领域得到成功运用的隐式Markov模型(HMM)，以在实验中测得的信号数据为基础，对未知故障的部件进行诊断，取得了不错的判断结果。