摘    要：文章系统分析了钛合金加工期间典型机械故障的动力学特性与磨损机理，揭示了主轴轴承、滚珠丝杠、导轨以及刀具等关键部件的失效模式及其内在动力学机制 。通过多源传感器同步采集振动、声发射及切削力信号，构建多域故障敏感特征提取方法，并结合时频分析与主成分分析实现特征优选。运用深度信念网络达成故障特征的自适应学习，显著提升诊断准确率 。构建基于 D-S 证据理论的多源信息融合综合评估模型，实现设备健康状态的量化与实时监测。采用支持向量机和卷积神经网络的智能诊断模型，均取得较高分类准确率，融合物理磨损模型与长短期记忆网络的剩余使用寿命预测模型有效降低预测误差。

       关键词：钛合金加工；机械故障诊断；多源信息融合；剩余使用寿命预测

       钛合金凭借其出色的比强度、耐腐蚀性及高温性能，成为航空航天、医疗器械及高端装备制造等领域不可或缺的关键材料，但其高硬度、低导热性、易产生加工硬化的特性［1-2］，加重了在机电一体化设备加工过程中的负载与磨损，对设备的稳定运行与加工质量构成了严峻挑战。

       机械故障诊断技术作为保障机电设备可靠性、延长其使用寿命的关键手段，在多种金属加工领域已取得一定进展，然而针对钛合金加工的故障诊断研究仍处于起始阶段［3-4］。现有的研究大多聚焦于传统材料的振动信号分析、温度监测和声发射技术，缺少针对钛合金加工过程中复杂工况的综合诊断方法，并且诊断精度和实时性难以契合实际生产的需求。另外，钛合金加工过程中产生的特殊故障模式及其多变的工况环境，导致传统故障诊断方法难以有效捕捉关键特征，限制诊断技术的推广［5］。

       如图 1 所示，文章围绕故障特征提取、信号处理、智能诊断模型构建等方面展开分析，对机电一体化设备加工钛合金时的机械故障诊断技术进行系统研究，提出适应钛合金加工复杂特性的创新技术方案，为提高机电一体化设备加工钛合金的稳定性与可靠性提供理论支撑以及技术保障。

       1   机电一体化设备的机械故障模式

       机电一体化设备主轴轴承作为旋转核心部件，长期存在磨损与剥落问题，表现为滚动体表面微裂纹扩展、润滑膜破裂，导致温升异常与振动加剧 。滚珠丝杠作为精密运动传递零件，其精度失效主要体现为导程误差增大和轴向间隙变宽，卡滞现象多由润滑不足或杂质侵入引发。导轨的划伤与变形主要源于切削过程中的切屑夹杂和过载冲击，表面微观划痕和塑性变形会增大运动阻力，降低设备响应速度与运动稳定性 。刀具作为直接接触钛合金工件的部件，其破损与磨损现象显著，在钛合金加工中磨损速率远高于其他材料。

       2   基于动力学与磨损理论的故障机理

       钛合金加工过程中，切削力激励作用于主轴-轴承系统及进给系统，引发复杂的动力响应 。基于此可精确描述系统在高频振动与冲击载荷状况下的动态特性，进而分析因振动诱发的疲劳裂纹萌生与扩展进程 。进给系统在切削力作用下呈现出非线性动力行为，加剧了机械部件的应力集中及变形风险 。磨损机理层面，采用 Archard 磨损公式对关键运动副磨损速率展开定量分析，结合钛合金加工特有的高温、高应力环境，阐明该环境导致磨损速率加快、润滑膜破损及表面硬化现象的产生机制。

       3   故障特征提取与状态监测方法

       3.1   多物理量同步采集方案

       文章实验选取高刚性数控铣床作为加工平台，所加工的工件是典型的钛合金材料 TC4，刀具选用硬质合金涂层铣刀，以此保障加工的稳定性 。在振动信号采集方面采用高灵敏度三轴加速度传感器，分别放置在主轴箱和工作台的关键位置，以此捕捉主轴振动以及工件受力振动的特征 。声发射传感器固定于主轴箱侧面，通过耦合剂来确保良好的信号传导，捕捉切削过程中微裂纹扩展及材料破裂产生的声波。动态切削力通过高精度三分量测力仪进行实时测量，测力仪安装在刀具夹持部位，以此保证力信号可准确反映切削状态。

       实验工况设置为转速 1000~3000rpm 、进给速度0.05~0.2mm/rev、切深 0.2~1.0mm，模拟不同加工负载下的机械响应，数据采集系统采用NI PXIe-1082 平台，配备 NI  PXIe-4492 振动声发射同步采集模块，采样频率统一设定为 100kHz，实验设备如图 2 所示。

       3.2   多域故障敏感特征提取与优选

       在机电一体化设备加工钛合金的过程中，机械故障诊断的核心在于时域、频域及时频域特征提取，该部分是多源信息融合的关键环节 。对原始振动信号计算均方根值、峰值、峭度等时域特征指标，可表征机械状态的整体能量水准与突变特性，这些指标对于早期故障检测有较高的敏感性，故障发生时会呈现显著的状态突变 。采用快速傅里叶变换对信号进行频域分析，提取关键特征频率的幅值及边频带能量分布，可揭示机械振动中的特征频率成分，有效辨别不同故障类型的频谱特征。

       3.3   深度信念网络的故障特征自适应学习

       深度信念网络，即 DBN 模型中包含可见层以及多层隐含层，得以达成对多源传感器数据的深层次表征，在预训练阶段，通过无监督学习来逐层初始化网络参数，有效避免了传统深度网络训练里的梯度消失问题，提高了网络的表达能力 。某时刻（t）的设备健康指数 HI （t）计算，如式（1）：

       式中：Fi（t）为不同传感器信号中提取的第 i 个优选特征值；Norm（Fi（t））为归一化函数，将不同量纲和范围的特征值统一映射到［-1，1］的区间内，以消除量纲影响；wi 为第 i 个特征的权重系数，满足它反映了该特征对设备性能退化或故障的敏感程度，可通过主成分分析（PCA）或专家经验法确定。HI（t）的值越接近初始正常状态值，表明设备越健康，其值的显著偏离或下降趋势，则预示着性能退化或故障的发生。

       3.4   设备健康状态综合评估模型

       通过振动、声发射、力信号等多种传感数据，融合传统时频域特征与深度置信网络提取的深层次特征，构建高效的信息融合框架 。此框架以 D-S 证据理论为融合基础，可有效处理多源数据的不确定性与冲突信息，凭借给各类特征赋予不同权重，达成信息的有机整合，按照设备运行状态，从“正常”到“轻微故障”“ 中度故障”再到“严重故障”建立了细化的健康状态等级划分标准，保障状态评估的层次性与准确性。

       4   故障诊断与预测模型构建

       4.1   基于 SVM 的故障模式分类器设计

       将提取出来的优选特征向量作为输入，这些特征包含了设备运行状态的关键物理量及振动信号特征，可切实反映出不同故障模式的内在差异 。故障模式有正常状态、轴承磨损、丝杠故障等多种典型故障类型，将其作为输出标签来进行监督学习 。在模型训练过程中，考虑数据的非线性特征，选用径向基函数，即 RBF作为核函数，以此提升分类器的非线性映射能力，运用网格搜索方法对核函数参数和惩罚因子加以优化，确保模型在训练集上的泛化能力和分类准确率达到最优状态。训练结果说明，构建的多故障分类器在测试集上的准确率为 90.3%，混淆矩阵证实了各故障类别的识别效果，在区分轴承磨损和丝杠故障方面呈现出较高的识别率，误判率低于5%。

       4.2   基于 CNN 的故障图像识别方法

       卷积神经网络（CNN）故障图像识别方法，其原理是通过连续小波变换，将一维振动信号或者声发射信号转变为二维时频图，形成丰富的时频特征表达，以便深度学习模型进行处理，所设计的 CNN 模型结构含有多层卷积层、池化层及全连接层，可自动提取时频图中的关键故障特征，可避免传统特征工程存在主观性与局限性 。此模型实现了端到端的学习流程，从输入的时频图直接输出故障类别，达成了故障模式的自动识别。在具体实验中，CNN 模型对多种典型故障状态的识别准确率为 92.5%，比 SVM 的 90.3%要高。而且 CNN 模型拥有较强的泛化能力，可适应不同工况下的信号变化，减少对预处理以及人工特征提取的依赖，提升诊断效率与可靠性。

       4.3   剩余使用寿命预测

       融合物理模型和数据驱动方法，构建剩余使用寿命预测模型 。此模型可对设备关键部件由于摩擦、疲劳等机理致使的性能退化趋势做定量描述，还可给出设备健康状况的物理解释及预测依据，利用健康指数时间序列，运用长短期记忆网络等深度学习序列模型，捕捉复杂的非线性退化规律及其动态变化特征，如式（2）：

       式（2）定义了在时刻 t 预测的剩余使用寿命 RUL （t），即从当前时刻积分到失效阈值时刻tf 。H(τ)为健康指数在时间 τ 的值；为其变化率；Vw(τ)为基于物理的磨损模型计算出的磨损率，它关联了加工钛合金的切削参数；Vd（H(τ))为退化速率；α 为融合权重系数，用于平衡物理模型与数据驱动模型在预测中的贡献。基于全寿命周期的实验数据验证显示，该融合模型的预测误差大幅降低，平均绝对误差从单一物理模型的 15%降至 8%。

       4.4   实验验证与性能对比分析

       为了验证所构建模型是否有效，文章设计了独立的测试实验，采集未参与训练的新数据集，以此确保评估过程的客观性与科学性 。在实验中，运用支持向量机（SVM 分类器）、卷积神经网络（CNN 分类器）以及剩余使用寿命预测模型（RUL），对钛合金加工过程中的金属机械故障展开多维度分析。实验结果表明，CNN 分类器在故障识别方面，准确率达到了 92.5%，召回率 90.7%， F1 分数为 91.5%，比 SVM 分类器的准确率 90.3%以及F1 分数 88.1%要更优，这体现出深度学习模型在复杂特征提取方面具有较大优势。对于 RUL 预测模型，采用均方根误差（RMSE）量化预测精度，实验结果表明，该模型在预测剩余寿命时，RMSE 为 3.8h，可以看出其有较高的预测精度。综上可知，SVM 模型在数据量较少的时候表现稳定， 而 CNN 模型更适合处理大规模复杂数据， RUL 模型则为设备维护提供了精准的寿命预测依据。

       5   结   语

       文章全面深入地剖析了机电一体化设备加工钛合金时金属机械故障的诊断技术，揭示出故障产生的关键原理，依据多源传感器数据搭建了综合监测体系，达成了对机械状态的实时且精准的感知 。运用智能诊断与预测模型、联合机器学习算法对故障特征进行高效提取与分类，验证结果显示模型在准确率、鲁棒性及响应速度方面都表现出色，极大提高了故障预警的可靠性和及时性 。未来，融合数字孪生技术，以期实现设备全生命周期的动态监控与故障预测，提升诊断的精度和预见性 。同时，将该项技术的研究范围扩展到多变载荷及复杂加工环境，可为机电一体化设备加工钛合金的故障诊断技术提供更为稳固的理论基础。

参考文献

［1］卞小丰.机电一体化设备加工钛合金中金属机械故障诊断技术研究［J］. 中国金属通报，2025（2）：130-132.

［2］刘洋.基于多源信息融合的主轴轴承故障诊断方法研究［D］.西安：西安理工大学，2024.

［3］傅媛.多源信息融合的齿轮点蚀诊断［D］.重庆：重庆理工大学，2023.

［4］王应晨，段修生.深度学习融合模型在机械故障诊断中的应用［J］. 振动 . 测试与诊断 ，2019，39（6）：1271 -1276 +1363 - 1364.

［5］陈周亮.基于深度学习的机械故障诊断方法研究［D］.南昌：南昌航空大学，2018.