图1  利用人工智能化——尤其是人工神经网络的方法，实时确定机床部件和机床设备真实的磨损情况。这样，也就第一次实现了被监控机床、设备在可靠的使用寿命周期内的故障诊断和分析

磨损是机床设备零部件损坏而停工的主要原因，一种新型的状态监控系统能够采集到对机床设备状态有影响的参数。智能化的方法分析各种因素共同作用的结果，从而能够有效地预报可能发生的零部件失效。

因零部件磨损而引起的风力发电机、加油设备或者挖掘机输送设备的停机待修，会给生产企业带来数千欧元的经济损失。为了能够及早地采取措施防止这种可能发生的故障，机床设备的状态监控越来越具有重要的意义。微电子应用技术有限责任公司Chemnitz与合作伙伴一起研发了一种新型状态监控系统Gemac，这是一种利用人工智能技术能够早期发现机床设备零部件失效的监控系统。出现错误或快要达到磨损极限时，生产厂家可以及时地采取有效措施避免可能的生产停止，降低机床设备的维修费用。

固定的周期性检修会产生不必要的费用

磨损是机床设备零部件损坏乃至机床设备停工待修的主要原因。为了把这种风险因素降低到最小程度，在长期的生产实践中一直有两种可能的办法：定期的检查维修；使用监控系统、采集各个物理量的极限值数据，随后采取相应的维修手段解决问题。在第一种情况下，会产生大量不必要的费用；而在第二种情况下则没有充分考虑各种磨损因素的综合作用。这些缺点和不足都可以利用CMS状态监控系统Gemac予以克服。

采集实时的磨损数据使得可靠的故障诊断成为可能

Chemnitz微电子技术有限责任公司在BMBF促进计划框架内的联合开发项目中，与Dresden市从事工业自动化智能化电路研究的EAS霍伦霍夫研究所、Brueninghaus Hydromatik Horb公司和VW Chemnitz公司一起研发了CMS状态监控系统。这种CMS状态监控系统首先是连续的采集各种对机床状态有影响的物理量信息和数据，利用这些数据通过人工智能化——尤其是人工神经网络的方法，实时确定机床部件和机床设备真实的磨损情况。这样，也就第一次实现了被监控机床、设备在可靠的使用寿命周期内的故障诊断和分析（图1）。机床、设备的使用者也可以根据真实的磨损状态进行相应的维修保养，避免损失惨重的停机事故。

监控的基础是传感器检测到对机床设备状态有影响的物理量。通过对这些数据按照应用目的处理和分析，可以提取出对被监测零部件状态变化有重要意义的特征值。这些获得的特征值都被输入到与应用有关的、受过学习和训练的人工智能神经网络中。在人工神经网络中，这些数据按照事先设定的、表示被监测对象特性的等级进行分类。

图2  CMS监控器的安全防护等级达到IP65，是专门为工业企业恶劣工作条件下使用而设计的

带有智能化工具的软件进行伴随式的模拟

为了帮助用户使用方便，还专门设计了易于使用操作的模拟软件：具有图形化的用户界面，带有信号分析工具和等级分类设置工具。这两种工具使得在计算机上进行伴随式的模拟成为可能：从检测数据的分析开始，到人工神经网络的生成，直至监控系统微处理器生成自我学习的代码为止。

CMS状态监控系统是标准的单独使用的仪器设备，坚固的铝合金外壳（IP65）使其适合于在恶劣的工业化应用环境中使用（图2）。它可以简单地安装到被监控的机床和设备中，包括由微处理器构成的硬件和专门研发设计的、适合于使用条件的软件。这一软件中包含了信号分析所需的程序语言和人工神经网络训练、学习所用的程序。

该仪器带有自己的检测信号传输接口（根据需要可选数字信号或者模拟信号输出接口），可以完成检测信号的数字处理准备和模拟处理准备。该系统是一种通用型的系统，可以很好的与各种应用情况相互匹配。

有多种可能性能够显示和评判被监控机床、设备当前的状态：通过仪器上的指示灯最简单的表示，或者利用其自身配带的显示屏。除此以外，还可以通过CAN现场总线系统把结果传输给上一级主控计算机或者保存到SD存储卡上。这样，这些数据也就可以为外部检验所使用了。

齿轮滚削加工时刀具耐用度是衡量磨损的标准

整个在线诊断技术已经成功地在轴向柱塞泵和齿轮滚削两个应用领域中得到了应用。在齿轮滚削加工中，评判滚刀磨损的标准是刀具耐用度：用被加工齿轮数量表示的齿轮滚刀耐用度。在被监控的加工过程中，长期以来一直使用的按照经验规定齿轮加工的数量，在检测室中对滚刀的磨损进行测量，滚刀重新调质、重新磨削、再次使用的过程被彻底改变了。

在过程分析的框架内，对磨损有影响的物理量都被监控了，例如振动、驱动电流、转速等。这些数据都由专门的传感器采集起来，汇总到一个数据包中并保存下来。然后对它们进行数据分析，此时规定了十个不同的、标志明显的特征值等级，并按这些等级把数据发送到人工神经网络之中。这些特征值中就包括了评判的频谱范围，振动和电流的统计数据等。

根据滚刀得出的数据，系统根据磨损的进展生成了自我学习的数据包（学习得到的结果）。根据这些学习、训练的数据，多层感知型的人工数据网络能够通过模拟训练学会如何判断和处理。最后，在使用新的测试数据情况下开始等级分类的测试。

通过卓有成效的模拟，将信号分析的专用软件和受过培训的人工神经网络保存到硬件中，并在实际机床设备中对整个系统进行测试。作为证据充分、有说服力的结论是：人工神经网络对齿轮滚刀的等级分类完全正确。

经机床旁CMS状态监控系统的显示屏，可以直接读取实际磨损特征值以及所出现的错误状态信息。这样也就实时向机床操作者传递着机床设备的当前状态和可能出现的错误信息。通过对齿轮滚削的状态监控，可以把每把滚刀的使用寿命延长一倍；或者在还没有达到原来的换刀时间限制时就因可能出现的问题而提前换刀。这样，就保证了齿轮加工的质量稳定性，也使滚刀实现了最大耐用度。