基于信息融合与关联规则的数控机床故障传播机制挖掘

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Mining of Fault Propagation Mechanisms in Computer Numerical Control Machine Tools via Information Fusion and Association Rules

　　

## 摘要

提升数控机床（Computer Numerical Control, CNC）的可靠性需要对故障传播路径进行精确识别。然而，现有方法往往将宏观拓扑结构与微观机理割裂处理，且受限于单一数据源固有的偏差。针对这些问题，本文提出了一种面向可靠性的机理挖掘框架，集成了信息融合与关联规则挖掘（Association Rule Mining, ARM）。首先，提出一种基于博弈论加权的评价室决策与试验评估实验室（DEMATEL）—解释结构模型（ISM）方法，将专家知识与故障统计信息进行融合，构建鲁棒的层级拓扑结构，以缓解数据稀疏问题。其次，以该拓扑作为物理约束，开发了一种基于约束的Apriori算法。通过以停机为聚焦的约束条件，从抽象路径中提取微观故障机理，同时克服了传统算法在捕获时间逻辑和故障链方面的局限。对一台五轴加工中心的案例研究表明，在所识别的故障传播拓扑中，电气系统是最具影响力的子系统，而自动换刀装置（ATC）是最易受影响的单元。该方法检测到潜在的高影响低概率（HILP）故障链，相比传统算法，精确率（Precision）、召回率（Recall）和F1分数分别提升了2.56倍、1.75倍和2.16倍。这些结果表明，该方法在与拓扑约束参考模式的可靠性诊断一致性方面取得了改善，适用于复杂机电系统的故障诊断。

## 引言

数控机床（CNC）作为现代工业的基石，是航空航天、汽车制造、能源设备和精密工程等核心领域的基础支撑。随着制造需求的发展，设备性能的关注点已从简单的自动化转向智能化，其特征为高速、高精度、高效率和高可靠性[1,2]。因此，现代高端数控机床不再是孤立的机械设备，而是典型的复杂机电系统，集成了机械传动链、电气驱动、液压辅助以及精密的数控软件[3]。

尽管在结构设计和材料科学方面取得了显著进展，但确保数控机床的可靠性仍然是一个艰巨的挑战，主要原因在于系统内部的高度耦合性与复杂性。从根本上说，数控机床可视为一个由轴承、齿轮、电机和传感器等部件组成的拓扑网络，其特征表现为物质流、能量流和信息流的交互作用[[4],[5],[6]]。在这种耦合环境中，故障很少是孤立发生的，而是表现出明显的动态传播特性。轻微的子系统偏差，如主轴轴承的轻微磨损或伺服电机的热异常，很少会立即导致停机。相反，它们通过机械传动链路和控制反馈回路在时空上传播，引发下游部件的次生故障，这一现象被称为"故障传播"。传统的诊断方法将各部件孤立地监控，往往无法捕捉这种"连锁效应"。这一局限性往往导致以症状为目标的被动维护，而非针对根本原因。因此，深入阐明故障传播的内在机理——尤其是其起源、传播和时空演化——对于将数控机床的维护策略从被动维护转变为主动维护和预测性维护至关重要[7]。

在可靠性工程的早期阶段，受限于传感器技术和计算能力的局限，研究人员主要依赖专家领域知识和定性模型来界定潜在的故障路径。其主要目标是阐明各部件之间的逻辑依赖关系，本质上确定特定部件故障对整个系统的后果。故障树分析（FTA）和故障模式与影响分析（FMEA）构成了传统可靠性分析的基石。FTA采用演绎的、自上而下的方法，通过逻辑门将系统级故障追溯至基本事件[[8],[9],[10]]。相比之下，FMEA采用归纳的、自下而上的方法，列举部件的故障模式以评估其局部和全局影响。尽管这些方法逻辑清晰，但它们主要局限于静态拓扑分析。因此，当应用于高度耦合的现代CNC系统时，往往无法充分捕捉由复杂运行状态引发的实时、动态故障演化路径[11,12]。

为克服这些局限并捕捉故障的时间演化特征，在传播网络中量化节点中心性的探索中，研究范式已从静态拓扑转向动态因果性。在识别了相互依赖网络的"稳健却脆弱"特性以及信息物理系统（CPS）中固有的故障传播风险之后，引入了最大发生概率（MOP）模型和传输熵（TE）集成的分层因果图（HCG）等方法。这些方法有效地校正了动态偏差并缓解了闭环反馈中的因果冗余[[13],[14],[15],[16]]。随着技术集成的深入，学者们现在利用双向可旋转可解释结构模型（BRISM）和卷积神经网络（CNN）等工具来处理非线性因果关系和模糊故障数据，从而显著提高了对复杂子系统依赖性的检测精度[17]。近期的前沿工作强调模型可解释性和计算优化。具体而言，布尔网络（BN）在诊断中实现了"语义可解释性"，而将二进制决策图（BDD）与"压缩-重构模型"相结合的混合架构简化了级联故障的计算，实现了对有向图结构中不稳定性的精确量化[[18],[19],[20],[21],[22],[23],[24]]。

尽管在量化动态依赖方面取得了显著进展，但网络级拓扑与物理级机理之间仍存在关键脱节。虽然上述基于物理模型和网络拓扑的方法能够准确识别关键子系统和故障传播路径，但其分析粒度通常局限于宏观层面。这种自上而下的方法建立了传播路径，但往往无法阐明具体的物理故障机理。正如Liu等人最近的研究所指出的，宏观拓扑擅长描绘系统级的"拓扑依赖关系"，但不足以揭示触发此类传播的具体故障模式。这种缺乏物理因果解释能力的局限限制了现有方法在细粒度故障传播研究中的应用[24]。此外，传播网络的构建通常依赖单一数据源。仅依赖专家经验会引入主观认知偏差，而纯粹数据驱动的方法在数据稀疏或噪声干扰条件下则容易产生伪相关。因此，亟需开发一种既能校准偏差又能将分析从宏观拓扑扩展到微观机理的分析框架。

图1总结了故障传播研究的演化轨迹。早期研究主要依赖图论，侧重于将具体物理系统结构抽象为拓扑模型。在此基础上，当前研究已进展到强调传播节点和路径的重要性，并采用多种方法来解决动态传播特性和复杂子系统依赖性问题。未来的挑战包括将分析视角从宏观拓扑扩展到具体故障传播机理的阐明，以及缓解单一数据源输入带来的主观偏差等问题。

在识别这些具体故障模式和固有数据关系的探索中，关联规则挖掘（ARM）因其在捕获数据关联模式方面的有效性而被广泛用于诊断故障数据中潜在的逻辑相关性。为满足不同工业场景下的故障诊断需求，Apriori算法已从特定领域增强发展为跨技术集成。最初，研究人员通过引入XML技术增强了该算法，显著提高了大型机械设备（如矿井提升机）远程诊断的有效性和准确性；该方法随后被扩展到电力系统故障分析中[[25],[26],[27]]。随着大数据处理需求的增长，基于Hadoop框架的挖掘方案被应用于动车组（EMU）的车轴故障检测。同时，为电力系统大数据开发的IM-Apriori算法通过比特串逻辑运算大幅优化了电网设备诊断中的计算效率。针对复杂耦合关系，将模糊Petri网与Apriori算法相结合有效地建立了故障指标与故障模式之间的关联模型，实现了对传感器故障原因的精确识别[28,29]。此外，面对日益复杂的汽车电子系统，相关研究利用该算法挖掘设备之间的强关联规则，为事故预防提供了关键的决策支持。近期的理论验证进一步表明，ARM算法在捕获长尾分布中的关键风险因素方面具有显著优势[30,31]。

尽管ARM技术在揭示微观静态相关性方面表现出色，但其直接应用于数控机床等复杂机电系统的故障传播研究仍面临关键挑战，主要是无法解析时间逻辑以及在捕获高影响低概率（HILP）故障方面存在困难。由于故障传播本质上是一个具有明确方向性的动态因果过程，而Apriori等传统算法基于数据频率提取规则且无固有的时间约束，往往将相关性混淆为传播分析所需的因果性[32,33]。加剧这一局限的是，在CNC故障模式的典型长尾分布中检测HILP故障的难度。虽然主驱动系统等核心部件因严格的可靠性设计而具有较低的固有故障率，但其关键地位意味着偶尔的异常可能迅速传播并引发灾难性损害，如进给过载或刀具断裂；然而，这些关键但罕见的事件通常被传统数据挖掘算法的支持度阈值过滤机制视为噪声而丢弃[[34],[35],[36]]。因此，整合基于物理拓扑的时间约束并提高对关键故障模式的敏感性，是推进故障传播研究的必要条件。

为应对故障传播研究中的关键挑战——即粗粒度、单一源偏差和时间逻辑缺失——本文提出三项主要贡献：

（1）提出了一种基于信息融合的改进DEMATEL—ISM方法。通过引入博弈论组合加权，该方法平衡了专家知识与历史统计数据以构建融合直接影响矩阵。这一策略利用专家经验来抑制虚假的数据相关性，同时运用客观统计来校正主观偏差，从而建立准确的故障传播层级拓扑。

（2）建立了从宏观拓扑映射到微观故障模式的层级框架。利用DEMATEL-ISM拓扑作为物理先验约束，该框架指导关联规则挖掘（ARM）中的Apriori算法。这种集成将分析视角从抽象子系统转向具体故障模式，有效地将传播路径解构为具有明确物理意义的演化故障机理。

（3）设计了针对故障传播的基于约束的Apriori算法。针对CNC故障的长尾分布和时间特性，引入了三条约束规则："传播路径停机剪枝规则"、"停机模式优先保留规则"和"停机模式后件保留规则"。这些约束通过在交易预处理中引入时间戳和基于拓扑的排序，解决了传统算法缺乏方向性信息的问题。

本文其余部分组织如下：第2节详细阐述所提出的方法；第3节介绍案例研究；第4节验证方法并讨论结果；最后总结结论。

## 方法概述

### 基于信息融合DEMATEL-ISM的故障传播层级建模

经典的DEMATEL-ISM方法为分析系统因素传播结构及其相互关系提供了一套连贯的工作流程。首先，DEMATEL通过矩阵运算量化因果影响力强度，以识别核心驱动因素和结果因素。随后，ISM利用布尔运算构建分层有向图。这种可视化揭示了每个子系统的层级以及它们之间的信息传输路径。详细的计算……

### 案例研究

基于前述各节提出的故障传播机理分析方法，本节利用某航空航天零部件生产线配备的六台卧式五轴加工中心的故障数据开展案例研究。该生产线主要用于铝合金箱形零部件的高精度铣削加工。原始运维记录的时间跨度为2021年3月10日至2024年4月30日，共包含227条维护/故障记录。在去重后……

### 验证与讨论

为严格验证所提出框架的可靠性和有效性，本节针对案例研究（第3节）中的实现建立了一套全面的验证方案。如图12所示，在核心方法与验证策略之间构建了系统的逻辑对应关系。具体而言，对宏观融合拓扑进行双重差异化敏感性分析以验证其鲁棒性，同时进行对比分析和……

## 结论

为弥合宏观拓扑与微观机理之间的鸿沟并避免单一数据源偏差，本文建立了一个融合专家知识与历史数据的面向可靠性挖掘框架。核心创新在于利用博弈论加权DEMATEL-ISM方法构建"物理先验"。

通过使用这种拓扑层次来约束 Apriori 算法，所提出的方法有效地抑制了由数据噪声引起的虚假相关性。
CRediT 作者贡献声明
Zihao Pan：写作 - 原稿，可视化，资源；Jianzhou Chen：方法学，数据整理；Jinyan Guo：软件，可视化；Chuanhai Chen：数据整理，方法学；Qingyu Meng：写作 - 审阅与编辑；Zhifeng Liu：写作 - 审阅与编辑，资金获取，项目管理。
生成式 AI 及 AI 辅助技术在写作过程中的声明
在准备本工作期间，作者使用了 AI 辅助语言编辑工具来提高稿件的可读性和语言一致性。在使用这些工具后，作者根据需要审阅和编辑了内容，并对出版物内容承担全部责任。
数据可用性
本研究中提出的原始贡献包含在文章中。进一步的查询可以致函通讯作者。
CRediT 作者贡献声明
Zihao Pan：写作 – 原稿，可视化，资源。Jianzhou Chen：方法学，数据整理。Jinyan Guo：验证，软件。Chuanhai Chen：方法学，数据整理。Qingyu Meng：写作 – 审阅与编辑。Zhifeng Liu：写作 – 审阅与编辑，资金获取。
Zihao Pan|Jianzhou Chen|Jinyan Guo|Chuanhai Chen|Qingyu Meng|Zhifeng Liu