《RELIABILITY ENGINEERING & SYSTEM SAFETY》：State assessment and fault evolution method based on field information fusion: An application in Computer Numerical Control machine tools
编辑推荐：
•该模型拓展了现场信息的融合来源。•该融合模型的核心是贝叶斯理论、模型变换与图论。•状态评估指标用于实时监控与故障定位。•该故障演化模型适用于中长期维护流程。•所提出的方法已应用于数控机床中。引言数十年来，可靠性一直是设备制造商和最终用户关注的核心问题[[1], [2], [3]
- •
该模型拓展了现场信息的融合来源。
- •
该融合模型的核心是贝叶斯理论、模型变换与图论。
- •
状态评估指标用于实时监控与故障定位。
- •
该故障演化模型适用于中长期维护流程。
- •
所提出的方法已应用于数控机床中。
引言
数十年来，可靠性一直是设备制造商和最终用户关注的核心问题[[1], [2], [3], [4]]。设备可靠性是指在指定条件和时间内完成规定功能的能力。作为制造业中的关键基础设备，数控机床的运行可靠性直接影响产品质量和生产效率。随着市场竞争和需求的增加，机床呈现出结构日益复杂且使用寿命延长的双重趋势。一方面，零部件制造技术的进步显著延长了机床的使用寿命[5]；另一方面，故障率的持续下降使得故障数据具有小样本特征[1]。这些特征给传统的可靠性建模带来了挑战：基于故障间时间间隔的模型由于样本量小而精度下降，导致分析结果无法反映实际机床状况。因此，技术人员往往会对设备状态和故障演化趋势做出错误判断，进而导致维护延迟和意外停机。信息融合技术已成为解决小样本问题的重要手段[5]。它通过将现场信息作为先验知识引入贝叶斯理论和概率论中，实现异构数据的融合[7][8]，从而克服这一难题，提高可靠性模型的精度。
目前用于状态评估的主流技术包括数据驱动技术（支持向量机[SVM] [9]、卷积神经网络[CNN] [10]及混合算法）、信号处理技术（小波变换[11]和变分模态分解[VMD] [12]）、模型驱动技术（退化模型[13]）以及混合驱动技术[14,15]。从诊断精度来看，数据驱动方法表现更为出色，它们利用传感器数据（温度、电流和振动测量值）来评估机床的运行状态，从而实现故障识别和趋势预测。然而，数据质量仍是这些方法面临的主要技术难题。概率方法在一定程度上能够反映设备性能，因此将概率方法与传感器数据相结合建立状态评估模型，是解决数据质量限制、便于监测关键子系统状态演化过程的有效途径。
数控机床由多个具有不同功能结构的子系统组成。这些子系统之间的耦合关系会促使故障在各个子系统之间传播和演化，这种现象被称为相关故障（也称为级联故障[16]）。传统的故障分析方法往往无法有效揭示故障沿传播路径的演化过程。其他领域的学者则运用常微分方程来构建动态模型，用于研究诸如疾病演化[17]、舆论扩散[18]以及交通拥堵演化[19]等演化过程。尽管这些研究为研究故障演化提供了宝贵见解，但基于特定故障传播机制在子系统之间构建共演化模型，仍是机床领域面临的重大挑战。
为填补这一空白，本文提出了一种动态评估与故障传播演化方法。与现有模型不同，该模型通过多源现场信息融合全面评估实际状态，并考虑子系统间的相互影响，动态模拟故障演化过程。
本文的主要贡献如下：
- (1)
通过贝叶斯方法和零一法融合异构现场信息，建立了可靠性建模框架，解决了小样本问题。
- (2)
基于图论，提出了一种整合故障概率与状态函数的评估方法，并开发出综合状态指标，用于定量描述数控机床各子系统的健康状况。
- (3)
综合考虑可靠性模型、故障传播机制以及拓扑图属性，基于SIRS模型建立了故障动态协同演化模型，用于定量分析子系统中故障的传播与演化过程。
本文的结构如下：第2节回顾相关研究，第3节介绍所提方法的建模过程，第4节通过实际案例应用并验证该方法，第5节讨论该方法的贡献与局限性，第6节总结相关方法与结果。
章节要点
信息融合
信息融合由White正式定义为“一种多层次、多源的数据对齐、关联与组合过程，用于估算或预测实体状态”[20]，最初是为提升军事目标跟踪的态势感知能力而开发的。一般来说，融合方法在三个层次上发挥作用：低层（数据层）、中层（特征层）和高层（决策层）[21,22]。在可靠性分析领域，现有的融合方法大致可
方法论
本文提出了一种针对数控机床的动态评估与故障演化框架，该框架整合了现场信息融合、状态评估以及故障共演化模型。如图1所示，该方法论由三个相互关联的部分组成。部分A（现场信息融合）是基础，其中通过贝叶斯理论和零一法融合包括二进制数据、故障间时间间隔数据以及退化数据在内的多种异构多源数据，以此构建可靠性模型
实验准备与数据采集
(1) 机床简介
本文采用一台龙门式五轴数控加工中心来验证所提方法。根据功能结构原理，该机床被划分为8个子系统：电气系统（E）、液压系统（H）、进给系统（F）、数控系统（NC）、冷却系统（C）、主轴系统（S）、润滑系统（L）以及底座系统（A）。各子系统包含的具体组件详见附录B的表B.1。
(2) 数据采集
讨论
(1) 实验环境与方法论贡献
在实验过程中，被测试的数控机床仅进行了必要的维护，未进行任何额外干预。采用这种方式是为了尽量减少外部因素对机床运行状态的影响，因为在可修复系统中过度维护可能会人为延长使用寿命，从而干扰真实退化数据的获取。
有效的故障传播分析至关重要
结论
本文提出了一种针对数控机床的动态评估与故障传播演化方法，旨在提升分析结果的可信度与可解释性。通过整合多源信息融合可靠性模型、动态状态指标SSP以及FDCoE模型，可以理论上获得各子系统的可靠性与演化状态。
具体而言，该方法首先利用异构数据估算可靠性参数的分布
CRediT作者贡献说明
王永奇：写作——初稿撰写、方法论设计、概念构思。杨丛斌：写作——审阅与编辑、可视化处理、实验研究。刘志峰：监督指导。傅忠奎：数据整理。程强：写作——审阅与编辑、验证工作、软件开发。
王永奇|杨丛斌|刘志峰|傅忠奎|程强
