數控機床設備分布式健康監測與智能維護系統MTAgent-v1.1融合了目前各種先進的信號處理以及信息分析算法以算法工具箱的方式，采用了一種開發的、模塊化的結構實現信號各種分析處理，采用Python編程語言，滿足不同平臺需求(包括Windows、Linux)。在v1.0版本基礎上，MTAgent-v1.1對大型生產線的各種數控機床運作過程的振動情況實施監控與故障診斷系統，新增的功能包括：機床關鍵部件的振動、位移、溫度、聲音等多傳感信號融合分析與建模，變工況（變速、變溫）自適應學習建模、多時間周期與多健康指標聯合提供等，實現缺陷早期預示，健康趨勢評估與預測，及時發現異常，并對其進行故障診斷、健康預診與維修。

數控機床設備分布式健康監測與智能維護系統MTAgent-v1.1主要融合了目前各種先進的信號處理算法，人工智能算法、振動機理、以及多傳感信號融合算法，采用全Python語言，以B/S模式，通過前端與后端集成開發，采用開放的、模塊化、多層架構的設計思想實現型機床故障診斷與健康預測。MTAgent主要包括：實時可視化監測模塊、振動異常檢測模塊、趨勢監測模塊、信號分析模塊、故障診斷模塊、健康量化評估模塊、剩余壽命預測模塊、變工自學習模塊、系統設置管理模塊、維護報警管理模塊、報表管理模塊、數據存儲管理模塊等多個功能模塊。預計在v1.2版本，將提供數控機床智能維護系統的關鍵部件基于數字孿生的智能維護功能19946089034。

（1）多傳感信號采集與處理

在數控機床關鍵部件，如電主軸、軸承、絲杠、導軌、軸承等布置加速度傳感器，轉速、聲音、溫度等傳感器，實時采集數控機床運行時的不同部件的多傳感信號(可按需要布置相關傳感器)。通過數據庫管理與系統后臺的自動運行腳本，實現數據實時數據的計算、分類與向數據庫中定時保存，提供了對采集數據的計算、歸并及根據存儲功能。通過以上技術手段，保證系統數據的穩定讀取、計算與保存。同時在不同的系統展示界面，對需要進行進一步分析的數據按照不同算法完成各類數值計算，實現各種分析需要的特征量提取。

數控機床多傳感器安裝

2．系統功能

本系統聚焦于大數據驅動與人工智能賦能的數控機床關鍵部件在線監控與故障診斷系統研制，將信號分析、信號處理、深度學習、自適應學習、統計學習等最新信號處理與人工智能理論與方法系統地引入到數控機床關鍵部件在線監控與故障診斷系統，在信號層和特征層對設備狀態進行信號處理、融合、建模、監測、診斷及預測。

（1）分布式機床維護系統主駕駛艙

建立分布式機床的管理模型，實現工廠、機床、部件、測點四級設備樹動態管理，建立主駕駛艙操作系統。

（2）機床健康監測與智能智能系統主體功能

針對絲杠、電主軸等關鍵部件，建立了變工況（變速、變溫、變載荷）、多傳感信息融合（振動、轉速、位移、聲音、溫度等）的信號層與數據層的健康監測與智能維護系統，提供多時間周期多尺度的健康指標，評估機床部件的健康程度。

（3）多點矯正自適應學習模型

針對機床都運行在變工況（變速、變溫、變載荷）條件下，研制了特有的變工況在線動態數據處理模型，顯著減少系統的誤報警，提高報警的正確性。

（4）深度變速模型自適應學習

研制了變轉速信號與振動傳感信號（如振動信號）聯合學習的深度學習模型，實現對變轉速的振動信號自適應學習，進而提供機床部件健康的量化評估指標。

（5）變溫自適應學習模型

針對機床變溫下對加工精度以及部件健康的顯著影響，研制了變溫信號與振動傳感信號（如振動信號）聯合學習的深度學習模型，實現對變溫信號與振動信號融合自適應學習，進而提供機床部件健康的量化評估指標。

（6）健康評估模型

研制了基于超球模型、SOM、邏輯回歸、各類深度學習模型的機床健康量化評估模型，適合只有健康數據，或者具備故障數據的各種健康狀態建模場景。

（7）多傳感融合與多指標的健康監測

研制了多傳感信號融合（振動、溫度、聲音等），以及多指標自定義融合模型，開展可靠的機床部件健康在線量化評估，有效監測機床健康在線變化。

（8）預警事件監測與溯源模塊

通過系統自動監測計算，形成預警事件監測與溯源模塊，在線上報異常預警，并可溯源到該異常的時間點對應的數據、健康指標變化、信號診斷等功能，開展溯源分析。

（9）模型訓練管理模塊

實現對各個模型的訓練、研制與測試流程：

附：數控機床設備分布式健康監測與智能維護系統MTAgent-v1.0

MTAgent-v1.0主要包括：實時可視化監測模塊、振動異常檢測模塊、趨勢監測模塊、信號分析模塊、故障診斷模塊、健康量化評估模塊、剩余壽命預測模塊、系統設置管理模塊、維護報警管理模塊、報表管理模塊、數據存儲管理模塊等多個功能模塊。

（1）系統首頁

系統首頁為如圖所示。主界面分為四塊：左上部分位系統菜單導航區，供用戶在不同的頁面上切換；左中間部分為機床的工藝參數顯示；左下部分為當前設備信號與工藝參數展示區；右側為六個機床的24個測點實時監測可視化區域，可以直觀判斷當前不同機床測點的工作狀態。

系統首頁

主界面提供直觀的可視化監測，機床設備工況復雜多變，直接監測記錄費時費力，可以通過系統主界面用戶能夠直觀的看到所要查看的設備相關部件健康狀況。

系統數據采集與預處理流程描述如下，在每臺數控機床布置四個加速度傳感器（可按需布置產期），實時采集數控機床運行時的不同部件的振動信號。通過數據庫管理與系統后臺的自動運行腳本實現數據的讀取、計算、分類與存儲。

（2）設備健康監控與閾值設置

該界面為設備狀態總覽界面，可以直觀看到每臺機床的四個測點的雷達圖，并實時顯示每臺的機床不同傳感的當前狀態。傳統的分析手段速度較慢、無針對性的指標，該模塊包括設備實時振動信號過程的分析，在信息設置欄中分別選擇好設備、測點以后直接顯示實時信號的特征指標圖。所用的監測指標為加速度振動量、速度振動量、共振與支撐剛性，設置了預警線與故障線，當前指標超過預警線時，顯示為黃色，當前指標超過故障線時，顯示為紅色。點擊‘選擇所要查看機床’可選擇1號至6號機床，點擊‘選擇所要查看傳感’可選擇1號至4號傳感。

（3）信號高中低頻域分析

此界面為高中低頻濾波分析界面，通過低通、帶通、高通濾波對原始信號進行濾波，詳細展示原始振動信號在不同頻段所包含的有關設備運行的頻域信息。

（4）信號分解分析

此界面為分解算法分析界面，輥面振動紋早期振動微弱，故障脈沖與特征難以發現，通過該功能模塊依據實際采集的傳感信號，通過變分模態分解算法進行噪聲抑制與特征提取，抑制無關脈沖信息，抽取重要的特征。突出反映關鍵部件運行狀態中較微弱的周期性脈沖以及相應的故障特征頻率。

（5）三維頻譜分析

此界面為三維頻譜圖界面，展示擁有相同的X軸數據（如相同的時間序列）、不同的Y軸數據（如不同的類別變量）和Z軸數據，可以清晰地展示不同數據在時間以及幅值上的變化關系。

（6）信號降噪處理分析

該界面為降噪算法與降噪后包絡譜界面，通過降噪算法過濾設備原始振動信號中的噪聲成分，并顯示降噪后信號對應的頻譜分析。減少信號中無關成分，突出能反映設備運行狀態的周期性脈沖，使得時域圖與頻域圖都更加的清晰，以便于故障特征頻率的分析。

（7）健康評估與閾值設置

此界面為健康指標界面，可實現數據健康指標判別模型的訓練與建立，依據健康指標可以有效區分設備振動異常與正常狀態，通過正常工況數據進行訓練，并對其他工況的數據驗證健康指標的有效性。異常狀態的數據以黃色與紅色顯示。

（8）壽命預測與閾值設置

此界面為壽命預測界面，根據日平均健康因子做時間序列預測，當預測值超過設定的警告閾值，則會輸出可能失效的日期，從而在該時間節點之前采取相關維護計劃。

（9）健康趨勢監測

此界面為健康趨勢分析，選取了對振顫故障最為敏感的兩個指標：振動有效值趨勢與異常共振有效值趨勢進行顯示。在設置欄中分別選擇好開始日期、結束日期、所要查看的機床與所要查看的傳感后點擊查詢，就可以顯示相應時間段內的振動有效值歷史趨勢與異常共振有效值歷史趨勢。

（10）異常報警管理以及健康趨勢分析

對實時監控異常報警事件后臺進行自動管控，形成異常報警報表，進行閉環維護。

（11）異常報警溯源分析

針對異常報警事件，可進一步檢索查看預警時間點前后指標情況，指標查看界面添加了下拉框，可以查看各類指標在異常發生前后的健康曲線變化，通過具體查看按鈕跳轉到按時間查詢的多指標顯示界面，實現異常溯源診斷。

（12）變轉速處理以及自適應健康指標

針對機床加工過程處于不斷變速狀態，從而引起振動信號在線時變問題，為顯著減少誤報警，系統提供了信號自適應學習機制以及健康指標在線自適應預警模型。

（13）數據備份

此界面為數據備份界面，可以查詢指定日期數據在各個表中的條目數量，并對手動備份的數據的情況有詳細的數據參考，點擊手動備份對選定的數據進行備份。

數據備份

系統依托算法工具箱：

數控機床設備分布式健康監測與智能維護系統MTAgent-v1.1依托兩大算法工具箱進行了開發，機械設備信號處理工具箱SPAgent，設備智能維護工具箱SmartAgent：

機械設備信號處理工具箱SPAgent：

在機械設備信號處理算法軟件包SPAgent，基于機械設備型號處理典型算法模型，以及近3年公開的各種學術文獻，形成了信號處理各類經典算法模型以及最新的各類信號處理算法模型，融合了目前各種先進的信號處理算法（可處理振動信號、轉速信號、位移信號、聲信號等），合計包括近200套算法開發完成，集中于最新3年的新穎算法，可應用于各種機械部件對象（如滑動軸承、滾動軸承、轉子、齒輪箱、電機等）），采用全Python語言，以B/S模式，通過前端與后端集成開發，采用開放的、模塊化、多層架構的設計思想實現機械系統故障診斷與健康退化預診維護，能應用在不同場合的設備故障診斷與監測，滿足不同類型機械設備與關鍵部件（軸承、轉子、齒輪箱等）的健康預診與故障診斷需求。SPAgent所有算法模型可靈活地集成到各種設備診斷與健康預診系統，提供完整的算法類調用接口，基于該工具箱的各種信號處理模型，可迅速建立起一套完整的設備故障診斷與健康預診系統，也可支持各類系統研制與學術研究。SPAgent包含以下機械設備型號處理算法模塊：

（1）時域頻域信號處理模塊：信號濾噪、頻譜分析、時域統計分析、時頻域分析、多傳感信息融合、故障分離、故障診斷、多故障診斷、變轉速診斷等功能；

（2）可視化監測與故障診斷模塊：實時波形頻譜圖、設備振動實時趨勢、設備運行狀態、振動歷史比較圖、單多值棒圖、三維瀑布圖、伯德圖、提純軸心軌跡圖、二、三維全息譜圖、繪制階次譜圖、啟停機轉速譜圖、頻域譜細化圖、變速信號處理、稀疏保持、信號變換、形態濾波、轉子動靜平衡測試等算法模型；

（3）信號降噪算法模塊：形態濾波、梳狀濾波、小波包濾波、帶通濾波、一維Gabor濾波等

（4）信號分解算法模塊：小波分解、小波包分解、經驗模態分解、變分模態分解、局部均值分解、群分解、非負矩陣分解等

（5）變轉速下的信號處理典型算法模塊：階次跟蹤、廣義解調、同步壓縮變換、排列熵等典型算法模型；

（6）早期缺陷預示算法模塊：形態分量分析、能量分離算法、正則化正交匹配追蹤、子空間追蹤等

（7）針對滾動軸承、滑動軸承、轉子、變速箱、電機等典型關鍵機械部件提供各類信號分析處理算法；

（8）聲紋處理工具箱：梅爾倒譜系數、梅爾濾波器、Bark倒譜系數、線性預測倒譜系數等；

（9）近3年公開的各種學術文獻最新的各類信號處理算法模型。

設備智能維護工具箱SmartAgent：

在設備智能維護算法工具箱系統SmartAgent，包括了最新典型算法模型與最新發展的算法模型200多套，采用全Python語言，以B/S模式，通過前端與后端集成開發，采用開放的、模塊化、多層架構的設計思想實現機械系統故障診斷與健康退化預診維護，能應用在不同場合的裝備故障探測與故障診斷，滿足不同類型機械設備與關鍵部件（軸承、轉子、齒輪箱、聯軸器、電機等）的故障診斷需求。

SmartAgent主要包含6大功能模塊：信號處理模塊、健康特征抽取與選擇模塊、設備衰退預測模塊、設備健康預測模塊、設備維護知識管理與健康可視化模塊、設備故障診斷模塊。不同的功能模塊靈活組合完成不同的任務，這種開放式的結構使得新的算法模型可以隨時增加進去，也可按照客戶的需求或應用背景對SmartAgent中的模塊進行組合和封裝。

SmartAgent適用于各類設備或關鍵部件的性能退化預診與故障診斷，研發了各種關鍵機械部件的性能退化預診與故障診斷系統：軸承、齒輪箱、旋轉軸、刀具等，及各類大型裝備（如磨床、軋機、風機、數控機床、雷達、風電、引擎、各類移動機械、各類建筑結構）。該系統廣泛應用于高校、工礦、科研院所的科研、教學、產品開發及人員培訓等。