智能主轴技术发展综述

李阗岐，李小虎，万少可，闫柯，洪军

(1.西安交通大学，西安 710049；2.现代设计与转子轴承系统教育部重点实验室，西安 710049)

摘要：主轴作为数控机床的核心部件，其智能化是未来的重点发展方向。对智能主轴的概念和发展现状进行了概括，并对目前智能主轴的相关研究进展进行了较全面的综述，描述了智能主轴的特点和未来发展方向，详细阐述了智能主轴的状态监测、多源信息融合以及状态决策和主动调控这3大功能，论述了智能主轴的发展局限性和面临的挑战，认为自顶向下设计、智能传感器和执行器、实时数据处理和决策、以预测为中心的控制和维护等潜在技术将进一步推动智能主轴的发展。

关键词：滚动轴承；智能主轴；状态监测；信息融合；主动控制；数控机床；智能化传感器

1 研究意义及价值

自工业4.0提出以智能制造为核心的第四次工业革命以来，世界各国纷纷将智能制造技术作为国家重点发展领域，努力推动本国的工业化水平提升，以期在工业革命中占据制高点[1-2]。我国也提出了智能制造2025的战略方针，力求在科技发展中不落下风[3]。数控机床作为制造业的“工作母机”，其发展水平能够直接体现一个国家的制造能力，是国家工业水平和综合国力的象征。随着我国机床行业的创新和发展，国产数控机床的技术水平日益提高，机床的国产化程度也越来越高，但核心技术与稳定性、可靠性水平还有待研究，多数的高档数控机床仍然依赖进口。我国的高档数控机床起步较晚，距发达国家还有很大的差距，为此《国家中长期科学和技术发展规划纲要》将“高档数控机床与基础制造设备”列为了十六个国家科技重大专项之一，同时把数控机床及其功能部件的可靠性列为重大专项的重要研究内容。

数控机床是一个复杂的机电系统，由数个子系统耦合而成。主轴是机床的核心部件，具有高精度、高刚度、高转速等特点，其性能及可靠性直接影响数控机床的加工精度、加工效率和产品性能。一方面，可以通过加强主轴的力学性能和稳定性提高主轴性能；另一方面，可以对主轴进行健康状态评估监测，在主轴运转过程中及时发现其故障状态并实施预防性维护，从而避免故障和加工事故，减少停机次数，节约生产成本并提升可靠性。

一旦主轴发生故障，机床其他子系统也无法正常运转，导致生产停滞，不仅影响正常的生产加工，降低生产效率，而且会增加故障查找难度，导致长时间维修停机，增加维修费用，提高生产成本。主轴是数控机床加工的直接驱动部件，需要承受较高的载荷，也是整个数控系统容易产生故障的环节，如果能对其进行监测、评估和适当的健康维护，保证其处于较为良好的状态，可避免发生加工故障。

目前，主流的主轴状态监测往往采用单个振动信号进行状态判别，随着机床和主轴结构日益复杂，故障耦合程度不断加深，单个传感器信号无法提供完整、准确的状态信息，在未来的状态监测过程中需要多种、多个传感器共同协作、深度融合，从而判别主轴状态，如何进行同种传感器信息的互补性融合和不同传感器的协同融合是研究的重点和难点。

主轴状态评估技术的进步能够为及时发现主轴潜在故障，判别主轴健康退化趋势提供便利，从而实现基于主轴状态的维护，在此基础上提高数控系统的维护和管理水平，延长主轴和其他部件的寿命，避免设备可靠性和稳定性不足等问题。研发合适的主轴监测系统并集成主轴状态评估技术有利于工厂实际加工过程中的进一步应用。使用多个传感器数据对主轴进行状态识别需要较强的处理性能和计算能力，需开发合适的监测软件以满足计算性能的要求；在此基础上开发制造配套的传感器嵌入式智能主轴，能够提高主轴监测的准确度和快速性。另外，友好的人机界面和功能丰富的状态监测系统能够很大程度上推动主轴监测的广泛应用，提高加工效率。

综上所述，在主轴运转过程中使用多个传感器监测主轴的状态参数，并运用数据处理方法对采集到的数据进行特征提取，状态识别等综合分析，结合多个传感器的数据进行综合性的主轴状态识别有利于实现主轴的健康状态评估，这是进行主轴状态维护的前提，也能为主轴和数控机床的智能化发展提供技术保障[4]。

2 智能主轴的概念

智能主轴是具有感知、决策和执行三大功能的主轴[5-6]。传统主轴在加工过程中只能被动地服从操作员的指令，而智能主轴则具有自主性和自学习性。目前，所期望的智能主轴应当具有智能化的技术，即直接根据目前状态决定加工参数，从而优化加工工艺和提高加工精度，保证生产的流畅进行。在此基础上，智能主轴需要发挥其自学习的特性，将过去的工况与知识结合起来，生成独立的参数规划模型，在遇到新工况时能够通过学习到的特性给出调控策略，从而实现不断的进步。

不同领域的智能主轴在具体功能上会有不同的设计，总体来讲，预期的智能主轴有6个主要功能[7]：刀具状态监控、颤振、主轴碰撞、温度/热误差、主轴平衡、主轴健康。除此之外，智能主轴还具有一定的专有特性，即根据预期功能进行专有设计，实现特定功能。因此，在智能主轴开发时，设计者需根据特定需求设计相应的功能，同时重点考虑对主轴的状态监测，准确的感知是后续调控的基础。

由于工业领域的自动化和智能化要求越来越高，对智能化机床的需求也越来越迫切，主轴单元的智能化则是未来机床主轴的发展方向。现代科技的发展为主轴的智能化提供了强力的技术，例如高精度、高灵敏度、结构精巧的传感器，快速的数据总线传输机制以及快速发展的人工智能等，使得智能化主轴单元成为可能。

3 智能主轴的功能

3.1 状态准确感知

目前，大多数高精高速主轴单元都配备了温度传感器以测量电动机、轴承等部件的温度，一些专用主轴还配备了振动传感器、力传感器、电流传感器等，这些传感器安装于主轴外壳或基座、电气箱等部位，大多采用直接测量的方式。在实际使用中，智能主轴更依赖间接测量的方法，基于主轴的切削力或与其关联的传感信号，如电动机电流、刀具扭矩等。目前，智能主轴的研究集中于主轴的一个或几个智能功能上，概念和特征尚不明确，没有形成整体化的智能主轴单元，在工业领域也没有实际使用的智能主轴。在智能化驱动的基础上，国外一些公司对主轴进行了智能化改造以实现主轴单元的智能化感知、控制以及状态评估。主轴的状态监测是对其进行评估的基础，通过传感器采集主轴各个位置和部件的状态信号并进行后续分析和处理。在主轴状态监测应用方面，各大数控机床厂商都有一些能够直接应用于生产加工的产品：2003年，米克朗公司开发了SPS主轴保护系统，其具有主轴碰撞监测保护功能[8]；2004年，Weiss公司将加速度传感器和温度传感器直接集成到主轴中，用于后处理过程中的碰撞检测，对主轴运行的历史记录、碰撞等时间有准确的记录[9]；2006年，Mazak公司推出智能化的主轴状态监测系统，具备热屏障保护、智能安全屏障保护、语音提示、振动控制等功能[10]；2016年，Fischer公司研制了带有主轴轴心冷却系统的电主轴，能够在监测轴温的同时对其冷却系统进行智能控制。国内相关的研究起步较晚，近年来也有一些成果：沈阳机床以工业化、信息化、网络化、智能化和集成管理为理念，推出i5系列智能机床，变革了机床生产模式，致力于实现数控联网加工[11]；华中科技大学则研发了8型智能数控系统以及INC型智能数控系统，能够实现数据互联和智慧数控。智能主轴功能丰富，对其配套的监测系统软件提出了更高的要求：文献[12]开发了基于SVDD模型的主轴健康指标评价系统(图1a)，具有在线状态监测、离线健康评估等功能；文献[13]开发了多传感信息融合的轴承状态监测系统(图1b)，通过判断轴承的退化寿命预测主轴寿命。

目前，能够直接应用的主轴监测系统大多是对基础的传感信号进行简单的时域分析，根据获得的峰值等参数直接判别当前状态，没有集成先进的主轴状态监测算法，智能化程度及识别准确率均较低。研究人员对主轴状态监测算法进行了较深入的研究：文献[12]基于多源信息融合及粗糙集理论，使用滑动SVDD模型建立了主轴健康指标计算方法；文献[14]在包络谱分析基础上开发了基于OSACBM及轴承故障判断的自动主轴状态监测系统；文献[15]提出了基于声发射信号的轴承判断指标，能够判断轴承剩余寿命并对其进行预防性维护；文献[16]对主轴振动信号进行小波包分解并以其能量熵值为指标判断铣削加工的状态，根据颤振的发生判别主轴状态；文献[17]开发了能够主动抑制铣削颤振的主动式主轴系统(图2)；文献[18]根据长短期记忆(LSTM)网络的优点，提出了具有深度学习能力态势感知的智能主轴自主感知方法。

(a) 电主轴状态评估模块

(b) 轴承状态监测系统
图1 智能主轴状态监测系统案例
Fig.1 Case of condition monitoring system for intelligent spindles

图2 基于压电作动器的主动颤振抑制系统
Fig.2 Active flutter suppression system based on piezoelectric actuator

3.1.1 主轴状态感知

主轴状态包括主轴的加工状态、刀具状态、主轴碰撞、热变形、主轴平衡、颤振等，主轴的加工状态由各部件的状态共同决定。

刀具是主轴的重要部件，直接与工件接触并影响加工性能和精度。一般采用力传感器[19]、振动传感器和声发射传感器等进行状态监测以判断刀具的磨损和破损情况，刀具磨损会导致切削力分量增加，刀具断裂会导致切削力不连续或产生脉冲信号，切削力则会引发机床结构的振动，由于切削力的测量具有局限性，在工程中往往使用振动信号代替切削力：文献[20]通过主轴支架上的振动传感器获取振动信号并通过在线监测诊断主轴故障；文献[21]安装2个传感器测量主轴位移信号，用于端面铣削时的刀具破损检测。刀具的耐用性很强，其出现问题的原因大部分是加工时的碰撞，包括编程错误和操作失误引起的碰撞。目前，对于主轴碰撞的研究类似于刀具磨损监测，主要通过力传感器或振动传感器的信号判断，也可使用多普勒雷达进行运动物体感知从而检测碰撞[22]。

主轴碰撞是一种强烈故障，可归类为比较容易监测识别的故障。

在主轴运转过程中，热变形引起的加工误差也会影响加工精度和可靠性。热变形是由不正常的主轴部件温升所导致，当主轴承受较大载荷或润滑不良时，轴承和电动机的温升会出现异常，这也在一定程度上预示着故障的发生。目前，普遍使用热电偶或热电阻传感器监测温升，使用时域阈值分析完成异常判别。另外，对于主轴内部没有集成温度传感器，无法直接获取温升的工况，可通过间接测量判断热变形，如利用基于猫眼反射镜的光学传感器测量高速电主轴的热伸长[14]。

高速主轴的发展对主轴的平衡提出了更高要求，主轴轻微不平衡就会引起工件和工具的不对称安装，从而导致振动。主轴平衡往往通过振动信号监测，加速度计的体积小、重量轻、灵敏度好、频带范围宽，在不平衡监测中广泛应用[23-24]。

颤振是对主轴影响最大，发生最频繁的一种故障，颤振监测则是一个二分类或三分类的问题，核心算法与轴承故障诊断研究类似。在颤振识别方面，除了广泛使用的卷积神经网络(CNN)外，传统的支持向量机和人工神经网络仍占有一席之地，其识别准确率达到90%以上。文献[25]使用小波包分解重构提取信号特征，通过粒子群算法优化SVM参数并识别主轴切削颤振状态；文献[26]将主轴振动信号进行连续小波变换后输入到卷积神经网络中，并根据网络的分类结果判别颤振；文献[27]使用小波包变换对主轴振动信号和声音信号进行分解，通过RFE寻找最佳特征子集并使用人工神经网络进行颤振诊断，同时提出一个新的特征指标。然而，颤振识别面临单传感器信号诊断准确率不高的问题；而且，主流算法均以特征明显的实验室数据集作为测试样本，不能满足实际工程需求，也难以满足实时性要求。

3.1.2 主轴部件状态感知

主轴部件状态主要分为电动机状态和轴承状态。

电动机作为直接动力源，涉及到各工业领域生产活动的连续运行，其故障会导致整个生产线停产[28]，故障模式主要包括短路、导条断裂、接地故障和气隙不均等。电动机是出厂时调试好的部件，其稳定性和寿命相对其他部件较优，目前的状态评估算法很少将电动机故障作为识别重点，一般通过与其相似的其他电动机故障类型进行分析。电动机一般以电流信号作为主要感知信号，由于电流信号受主轴功率和切削状态的影响很大，难以对电动机做出准确的状态判别。也有一些研究通过转速等其他信号进行电动机状态估计，如文献[29]根据转速波动提出AIEKF状态估计方法，优化了电动机评估的准确率。

轴承是主轴的基础部件和核心部件，约40%的旋转机械故障是轴承故障所引起的[30]。轴承的工作环境十分恶劣，环境温度高，承受载荷大，其状态也是重要的监测内容，关于轴承故障诊断的算法研究取得了很多成果，当前轴承故障诊断的两大类方法如图3所示。

图3 轴承故障诊断技术
Fig.3 Bearing fault diagnosis technology

基于信号处理的轴承诊断技术主要通过信号处理方法提取并分析响应信号的故障特征，从而有效识别轴承故障：文献[31]对轴承振动信号进行快速傅里叶变换并检测振动模式发生的变化，从而进一步得出故障情况；针对传统傅里叶变换难以解决信号的非平稳性及变化较快，无法准确获得有用信息的问题，文献[32]提出了一种新的自适应经验傅里叶变换方法，并通过试验证明该方法能够提高轴承故障诊断准确率；文献[33]研究了小波变换在轴承故障诊断中的应用，利用一种加权香农函数对某些频带的小波系数函数进行合成，并采用平均自相关功率谱突出轴承故障特征，试验表明该方法对非平稳信号的特征提取和状态识别的效果均优于其他方法；文献[34]提出了一种改进的经验小波变换方法，提升了滚动轴承故障诊断的快速性和准确性；文献[35]利用经验模态分解(EMD)和双谱分析进行轴承故障诊断，避免了选择小波基函数的经验问题；针对EMD的端点效应，文献[36]提出了改进的基于带宽的经验模态分解方法，文献[37]提出了新的自适应经验模态分解方法，使提取的故障特征更加集中，能够更有效地检测轴承故障。综上可知，信号处理方法的诊断过程比较复杂，而且需要依赖专家经验进行最终的判别。

学术界对深度神经网络的研究较为深入，轴承故障诊断也据此取得了较多成果：文献[38]提出了一种用于海量数据的旋转机械故障特征挖掘和智能诊断的深度神经网络(DNN)方法；文献[39]利用压缩感知改进卷积深度信念网络，提高了压缩数据特征学习能力；文献[40]使用多个振动传感器的信号进行数据层融合，通过改进结构的CNN网络进行轴承故障诊断。目前，主流的轴承故障诊断均采用卷积神经网络进行处理，具有深度特征提取，诊断准确率高等优点。

3.2 多源传感器信息融合技术

在工业控制和加工领域，系统的故障类型越来越多，通过单一信号及故障诊断方法难以做出准确可靠的判别，易产生误判和漏判。多源信息融合的意义是充分利用各个传感器信号源，通过一定的标准将多个信号源的信息进行整理和组合，从而得到对所研究对象的一致性描述和状态判断，使该系统具有更强的综合性和更高的准确性。信号融合算法是多源信息融合的基础和核心内容，其本质是通过数学方法加工多维度的传感器输入数据，实现传感信号的融合。

信息融合可分为数据层融合、特征层融合和决策层融合。数据层融合指直接融合同种或同类传感器的原始数据，并给出特征提取或局部诊断决策的结果：文献[41]融合了振动和电流信号进行特征获取，重构多域高维相空间，获得低维敏感特征，采用增殖流形相似度进行状态识别；文献[42]使用一级CNN进行多个传感器的特征提取，接着使用二级CNN进行多传感器决策融合，提高了轴承复合故障诊断的精度；数据层融合能够补足单一传感器的缺陷，消除部分噪声，但对于特征提取和最终决策的作用不大。

特征层融合直接提取数据源的特征信息并进行融合分析处理，能够保留单个传感器的重要信息，为后期的最终决策提供支持：文献[27]使用小波包提取振动信号和电流信号的特征后进行排列重选实现融合，作为人工神经网络的输入进行轴承故障诊断；文献[43]提取雷达和红外信号的特征后，提出基于Owen值的特征选择算法，结合信息论和合作博弈理论,建立合作博弈特征选择模型并选择合适的特征作为诊断依据；特征层融合能够在较大程度上实现信号的深层融合，但相关研究较少，融合深度也有待加强。

决策层融合是对单个传感器数据处理和特征提取后进行初步决策，然后将初步决策结果在某种规则下进行组合从而得到最终的联合决策结果：文献[12]根据各传感器对电主轴健康状态的敏感度计算权重,并采用加权DS证据理论融合传感器数据，通过对传感器加权的方式实现了较为准确的轴承健康状态分类；文献[42]使用二级CNN网络进行多传感器决策融合，提高了轴承复合故障诊断的精度；文献[44]对振动、谐波和温度信号进行EMD处理得到特征向量，通过BP神经网络得到单个传感器信号的诊断结果，最终使用DS证据理论融合得到多个传感器信号共同的诊断结果。决策层融合是一种高层次融合，虽然精度较低，但抗干扰能力强，对传感器依赖小，灵活性和容错性较好，是目前相对成熟的融合方式。

目前常用的信息融合算法有Bayes理论、模糊理论、DS证据理论、人工神经网络和卷积神经网络等。随着深度学习的发展，特征提取效果越来越好，多源信息融合也具有了更好的发展：文献[13]提出了一种基于多层DIN网络的自适应信号融合网络，使用软注意力机制将2层DIN网络的特征进行融合，并根据融合后的特征预测和判别轴承状态；文献[45]等将多通道振动信号转换为二维时间序列信号，进行数据层融合后使用CNN模型从原始数据中直接提取特征并输出轴承故障类型；文献[46]利用改进的CNN模型从多通道振动数据中提取特征，然后利用支持向量机进行故障分类；为避免多通道信号融合过程中的信息丢失，文献[47]提出了一种带有瓶颈层的CNN模型，利用瓶颈层融合来自同一时间节点的多通道振动数据，取得了较好的诊断效果；文献[48]采用一维卷积网络分别提取振动与声音信号的特征后，使用卷积层和池化层对其进行融合，最后由Softmax层输出故障类别，在不同的信噪比下均达到了较高的精度；文献[49]提出了基于深度LSTM网络的预测方法，将多个传感数据信号直接输入同一网络层实现数据自动融合，同时通过多层结构捕获退化特征。

不论是传统的信号处理方法，还是深度学习模型，其未来发展都离不开多传感器信息融合的要求，但大多数研究仍处于早期阶段，只是将多个传感器的数据拼接重构后提取对应的特征并输入模型进行检测，这会导致多个传感器数据的耦合信息丢失，同时也无法挖掘信号更深层的特征信息：因此，有必要在深度学习模型超强特征提取能力的基础上，结合多源信息融合的优势，设计合理的信息融合算法和框架，实现信息的互补融合，提高主轴状态监测的效果。

3.3 主轴状态决策及调控

在对智能主轴状态进行全面感知后，需要根据其状态进行一定的决策和控制，目前的研究主要针对刀具控制、颤振抑制、碰撞预防、热补偿、动平衡以及自动润滑控制等。

3.3.1 刀具状态调整

在基于测量的方法中，大多数方法会直接或间接地从测量信号中获得切削力，并对刀具的偏转或磨损进行补偿。文献[50]通过倾斜调整刀具位置，减小刀具偏转导致的加工误差。文献[51]开发了一种自适应主轴系统，用于补偿振动引起的刀具偏转和振动-过程力，根据测量的加工力和刀具刚度计算刀具挠度，主轴由压电驱动器在3个轴向定位，实现了铣削过程中刀具偏转的自动在线补偿。除控制刀具的偏转外，文献[52]还考虑了对工件进行偏转，以控制薄壁结构周边铣削过程中力引起的表面尺寸误差。

基于模型的方法在加工过程中使用一个力模型估计切削力，刀具被建模为一个悬臂梁，用估计的切削力计算刀具的挠度[53-58]。此外，刀具磨损引起的加工误差也可以用基于模型的方法控制：文献[59]提出了一种球头铣刀磨损模型预测切削刃的磨损，其通过计算刀具的实际路径提前预测加工误差，并在制造前对程序进行修正；文献[60]发现刀具偏转引起的表面倾斜是由刀具路径两侧的切削载荷不平衡所引起，其开发了一种刀具负载平衡算法，通过调整刀具路径和/或进给速度减小表面变化。基于模型的方法通常在模拟环境中进行研究[61]，通过各种补偿方案计算、修正刀具路径，直到得到所需的轮廓，为实际加工中的加工误差补偿奠定了理论基础。

3.3.2 颤振决策与控制

颤振是主轴的重要状态，识别后需进行调控抑制。文献[62]对不同的颤振抑制技术进行了评述。

第1类方法通过优化工艺参数(如主轴速度、每齿进给量、切削深度或切屑负载)缓解颤振[63-65]，这类方法主要依靠经验，缺乏适应性和鲁棒性，不能扩大稳定波瓣图中的颤振稳定区域。

第2类方法通过连续的主轴转速调制干扰再生效果[66]，其需要极快的主轴转速变化以缓解颤振，但主轴变化速度受主轴惯性和驱动功率的限制，而且主轴转速调节改变了稳定性边界[67]，此类方法不适用于高速铣削。

第3类方法是主动/半主动颤振控制，通过作动器(压电堆、主动磁轴承等)或主动阻尼元件(磁流变流体、电流变流体等)改变主轴动力学特性。

主动颤振控制是一种很有前途的智能主轴控制方法，可以根据不同的主轴转速和切削深度动态改善稳定区域。实际应用中，普遍采用安装外部作动装置的方式对主轴系统的振动进行控制，如图4所示的自适应主轴系统(Adaptive Spindle)[68]， 通过安装在主轴外部的压电作动器向主轴施加主动控制力保证工件加工质量，国内学者也利用安装在轴承径向上的压电装置对主轴的振动进行抑制。然而，上述方案受限于安装空间的同时， 容易给主轴系统机能带来负面影响(压电作动装置施加的径向力会影响轴承内部的接触应力进而影响主轴寿命)。

(a) 刀具变形自适应补偿主轴系统

(b) 基于压电作动器的自适应主轴系统
图4 集成作动装置的智能主轴系统
Fig.4 Intelligent spindle system integrated with actuator

对于滚动支承主轴系统而言，可考虑从轴承预紧的角度对主轴系统的性能进行主动调控：文献[69]提出了一种基于线性二次调节器和粒子群优化算法的颤振控制器，实现了主轴颤振的在线抑制；文献[70]通过理论和试验分析了轴承预紧力对主轴支承刚度、温升的非线性影响规律；文献[71]研究了考虑轴承打滑与温升的主轴高速球轴承在不同工况下的最佳预紧力调控准则；文献[72]则进一步研究了定压/定位预紧以及预紧力大小对主轴刚度、温升以及振动的影响；需要注意的是，通过预紧力调节实现主轴系统性能主动调控的方式在改变主轴系统刚度的同时往往会带来温升方面的复杂影响。

还可对主轴系统的阻尼、振动进行主动控制：文献[72]利用磁悬浮主轴中电磁轴承阻尼可控的特性，通过增加磁悬浮主轴系统阻尼实现了铣削颤振的主动抑制；文献[73]设计了一种基于线性二次高斯的自适应控制策略提高主轴的阻尼；文献[74]采用反馈补偿并结合自学习主动控制策略对主轴振动进行主动控制；文献[75]将自适应反馈控制与模糊逻辑算法相结合，利用电磁作动器对铣削过程中的切削力进行主动抵消以实现主轴回转中心位置的调控。

3.3.3 碰撞检测与调控

碰撞控制策略的目的是避免或减少损伤，当检测到碰撞时，通常采取的动作是紧急停止机床。基于距离的碰撞监测方法可以实现避碰，当监测距离小于某一数值时，数控系统会发出控制指令紧急停止机床。然而，大多数碰撞监测方法基于不能避免碰撞的接触传感器，因此除了紧急停止系统外，可能还需要过载耦合器装置来防止损坏。过载耦合器装置包括滚珠丝杠离合器和机械解耦保护装置，滚珠丝杠离合器用于进给驱动装置，当作用在进给轴上的力过高时，滚珠丝杠离合器触发，进给轴与进给驱动分离；机械解耦保护装置[76]包括内、外2个成形环，分别连接主轴凸缘和底座，当作用在主轴上的力超过夹持力时，2个环分离，主轴与机床轴间的力中断。此外，内环中安装了3个感应位移传感器元件以检测相对运动，可用于启动CNC控制的对策，如进给轴的紧急停止或后退运动[77]。最近，文献[78]提出了一种新型过载保护系统，发生碰撞时可以减小接触力。

3.3.4 热误差补偿

热误差补偿通过重新调整轴的定位实现，其基于对进给驱动系统的操纵，要么在伺服系统的反馈回路中插入补偿，要么通过移动控制系统的参考原点[79]。能够处理大量数据的能力使基于计算机的外部补偿操作得到广泛应用[81]，加工过程中通过外部补偿器实时获取机床温度和主轴转速信号，对热漂移进行估计并将补偿信号发送给数控系统以调整轴的位置或移动原点坐标[82]。然而，上述解决方案的固有缺陷是无法补偿驱动系统中排除的自由度(如主轴倾斜误差等)中的变形。

3.3.5 动平衡调节技术

动平衡相关的研究相对较多，文献[83]提出了在线自动平衡的概念，不需要机器停止就可以自动完成平衡，可分为被动平衡和主动平衡，主动平衡的应用效果更好且适应性更强，受到越来越多的关注。文献[85]详细回顾了旋转机械的主动平衡方法，最后采用基于机电、电磁或水力喷射技术的平衡装置产生力来抵消主轴的不平衡质量。

3.3.6 自动润滑控制

自动润滑控制主要是利用反馈信号主动控制润滑流量和主轴转速，改善轴承接触条件。合理的润滑能够有效减小主轴关键部位的磨损，降低轴承等部件的故障率，延长主轴寿命。目前常用的主轴润滑方式为自动润滑，即润滑系统通过将润滑油输送到主轴的各个润滑点实现周期性润滑，能起到较好的保护作用，但也存在一些问题，如恶劣工况下容易故障，油脂分配效率低下，润滑油脂浪费，成本高昂，润滑点较多而无法合理布局润滑系统管道等。国外对自动润滑系统的研究起步较早：文献[86]设计的新型润滑分配器能够根据当前润滑点的温度和流量自动设置润滑给油量，在保证润滑性能的同时避免润滑油脂的浪费；文献[87]改进了机床常用的集中式润滑系统，通过温度信号反馈润滑剂的给定状态，从而动态设置润滑剂的用量，试验表明其能够减少25%的润滑剂用量。国内的自动润滑系统大多沿用国外的技术，但近年来在智能化润滑系统方面有一定的研究成果：文献[88]设计了新型自动润滑系统，其使用CAN总线技术实现主控单元和润滑系统的数据互通，提高了润滑系统的可靠性；文献[89]设计的智能控制润滑系统能够在上位机中对给定的润滑剂进行监控，同时设置下一步的润滑时间、润滑用量等参数，实现了对润滑点的高效润滑；文献[90]研发了自动多流量润滑泵，使用PLC控制多流量泵分配润滑油，实现对润滑点的精准润滑，在保证发热符合要求的同时节约了润滑油的用量。

4 结论及展望

目前，智能主轴的研究已有近15年的时间，传感器、执行器、数据处理算法、人工智能技术、控制技术和维护策略等方面的发展为智能主轴提供了发展方向和便利。现有一些研究大多是对传统电主轴的改进，使其能够带有部分智能化的功能，如安装颤振监测和主动抑制模块，外置的振动传感器虽然能够获取主轴的振动状态，但鲁棒性很弱，而且额外附加的调控模块也需要复杂的控制软硬件，应用难度相对较大；另外，智能主轴的状态监测一般通过复杂的算法和人工智能模型实现，而当前主轴传感信号的数据量有限，其他领域的数据也难以共享到主轴，目前的主轴状态监测水平还处于较低水平。综上所述，智能主轴的发展有以下几个趋势：

1)设计时自顶向下，设计嵌入传感器、高鲁棒性的智能主轴。智能主轴的开发应当从设计开始，通过全面的功能设计整合各部件及模块的功能，如集成刀具控制、轴承监测、润滑控制、颤振监测控制等功能；传统的传感器布局及安装无法满足智能主轴的监测需要，研究紧凑化的传感器布局或采用无线传感器等新型智能化传感器也是未来的发展目标；另外，为实现监测与控制的协调功能，集成到主轴结构中的调控模块也十分重要。

2)准确的状态监测算法以及监测系统设计。感知是智能主轴的基础，在测量振动、电流、温度等信号的基础上，通过数据处理得到主轴的准确状态是一大难点。为实时监控智能主轴，需要更快速、更准确的数据处理方法提取信号特征，实现对数据的深层挖掘，同时要注意信号之间的耦合关系，将多源信息融合技术应用于主轴状态监测中。

3)协调传感器以及各功能模块的同步工作，在主轴安装调试时要注意传感器数量增多引起的干扰，以及内置变频电动机的安装方式带来的静电干扰等影响实际使用的问题。

4)根据主轴状态及时进行工艺参数决策和调控。实时决策是在状态监测前提下的智能化行为，智能主轴在加工中会面临复杂的工况，决策系统开发时应配备快速、准确的人工智能算法，并能在加工过程中通过自学习不断改进决策模型，提高智能主轴的稳定性。

5)实现机床智能互联，融入工业大数据时代。在工业4.0模块化结构的智能工厂中，智能机床将连接成为一个共同协作的整体，同种或类似的加工环境能够为智能主轴提供海量的共享数据以及决策方案，为智能主轴决策模型的快速丰富提供了基础。另外，云计算等技术的发展能够为智能主轴提供强大的计算能力和数据存储功能，避免了本地存储的局限性以及数据交换困难等问题。

对主轴不同领域的研究推动了智能主轴技术的发展，工业界日益认识到智能化的主轴是未来机床发展的必经之路。而随着智能化传感器，快速准确的数据处理算法，高效紧凑的控制器等关键技术的发展，智能主轴也将真正出现并应用，成为智能工厂的重要组成部分。