聯(lián)系電話
泰州市海陵區(qū)富士康數(shù)控機床廠
中級會員·16年
- 聯(lián)系人：
- 沈國盛
- 電話：
- 86-0523-82903030
- 手機：
- 13775759777
- 傳真：
- 86-0523-82903300
- 地址：
- 泰州市江蘇省泰州市倉儲路28號
- 個性化：
- www.fsksk.com
- 網(wǎng)址：
- www.fsksk.com/
掃一掃訪問手機商鋪
 提 供 商 |
泰州市海陵區(qū)富士康數(shù)控機床廠 |  資料大小 |
0K |
|---|---|---|---|
 資料類型 |
未傳 |
 資料圖片 |
|
 下載次數(shù) |
0次 |  瀏覽次數(shù) |
893次 |
數(shù)控機床是機、電、液一體化的先進制造設備，其故障復雜、對維修人員要求高，傳統(tǒng)的維修方法很難實現(xiàn)快速而準確的定位故障，實現(xiàn)智能化診斷是大勢所趨。目前，以符號推理為基礎的專家系統(tǒng)在數(shù)控機床故障診斷方面已取得了較大進展，但仍遇到了一些困難，主要表現(xiàn)為知識獲取的“瓶頸”與邏輯推理的“組合爆炸”問題，即推斷效率低、適應能力差等。而神經(jīng)網(wǎng)絡則以其所*的學習能力、聯(lián)想能力和知識獲取能力，能有效避免以上問題，但也存在著不能對自身推理方法進行解釋等問題。本研究將神經(jīng)網(wǎng)絡與專家系統(tǒng)結合，開發(fā)了神經(jīng)網(wǎng)絡故障診斷專家系統(tǒng)。
1神經(jīng)網(wǎng)絡專家系統(tǒng)結構根據(jù)專家系統(tǒng)與神經(jīng)網(wǎng)絡相互結合方式的不同，基于神經(jīng)網(wǎng)絡的專家系統(tǒng)可分為串行式、并行式和混合式3種，本方案采用神經(jīng)網(wǎng)絡在前、專家系統(tǒng)在后的串行方式。“故障征兆獲取與處理模塊”負責機床中故障征兆信號采集，并經(jīng)適當?shù)奶幚砗笞鳛樯窠?jīng)網(wǎng)絡的輸入信號，神經(jīng)網(wǎng)絡則采用多層并行結構來完成數(shù)控機床中多類故障類型的求解及推導，它接受規(guī)范化處理后的征兆信號輸入，給出處理后的結果，然后利用專家系統(tǒng)對其診斷結果進行驗證和解釋。
2。BP神經(jīng)網(wǎng)絡結構及改進的算法2.1BP神經(jīng)網(wǎng)絡拓撲結構數(shù)控機床組成復雜，故障多樣化，既有電氣故障，又有機械故障，既有強電故障，又有弱電故障，需要許多測量點。因此，設計單一的網(wǎng)絡易引起網(wǎng)絡結構龐大，訓練樣本增多，使網(wǎng)絡訓練難以進行；還會造成故障分類精度低，診斷結果不可靠。實際應用時采用了分層模塊化的設計方法，按數(shù)控機床的組成結構，分為伺服系統(tǒng)、PLC與電控系統(tǒng)、CNC系統(tǒng)及其他系統(tǒng)等4個診斷模塊，采用并聯(lián)組合方式，既提高了診斷速度和準確性，又可同時診斷多個故障。
神經(jīng)網(wǎng)絡采用目前應用較為成熟的BP網(wǎng)絡，它是一種單向傳播的多層前向網(wǎng)絡，網(wǎng)絡除輸入/輸出節(jié)點外，有一層或多層的隱含層節(jié)點。理論已經(jīng)證明：在隱含層節(jié)點數(shù)量可以根據(jù)實際需要進行自由設置的前提下，三層BP神經(jīng)網(wǎng)絡可實現(xiàn)以任意精度逼近任意連續(xù)函數(shù)的功能。因此，本研究采用標準的三層網(wǎng)絡拓撲結構形式。
圖中，輸入層對應于故障現(xiàn)象，輸出層對應于故障原因。網(wǎng)絡中的相鄰層采用全互聯(lián)方式連接，同層各神經(jīng)元之間沒有任何連接，輸出層與輸入層之間也沒有直接的。
2.2神經(jīng)網(wǎng)絡改進算法針對傳統(tǒng)的BP網(wǎng)絡算法存在運算速度低、容易陷入局部極小點等問題，該神經(jīng)網(wǎng)絡模型的學習算法采用帶有沖量項的BP算法，網(wǎng)絡的訓練過程如下：（1）將各權值和閾值的初始值ωj（0），θj（0）置為小的非零隨機數(shù)。
?。?）輸入學習樣本：輸入向量Xp（p=1，2，…，P）和目標輸出Tp（p=1，2，…，P）。opj=fj（∑ωioi-θj）（1）（3）計算網(wǎng)絡的實際輸出及隱含單元的狀態(tài)：opj=fj（∑ωioi-θj）式中，激發(fā)函數(shù)f為Sigmoid函數(shù)，即f（x）=1/（1+exp（-x））。
?。?）計算訓練誤差：輸出層：δpj=opj（1-opj）（tpj-opj）（2）隱含層：δpj=opj（1-opj）∑kδpkωk（3）（5）修改權值和閾值：ωi（t+1）=ωi（t）+ηδjopj+α（ωi（t）-ωi（t-1））（4）θi（t+1）=θi（t）+ηδj+α（θi（t）-θi（t-1））（5）式中η―學習步長，α―勢態(tài)項。
?。?）當p經(jīng)歷1～P后，判斷指標是否滿足精度要求E，這里E<ε。其中：E=∑Ep，Ep=∑（tpj-opj）2/2，ε為精度。若滿足要求則轉到（7），否則轉到（3）。（7）停止，結束。
3診斷實例3.1故障模式與故障分析本研究以SINUMERIK802C伺服驅(qū)動系統(tǒng)為例，比較典型的13種伺服故障模式和相應的故障原因分析，如所示。其他診斷模型方法與此類似。
輸入向量表示故障模式X，其中“1”表示故障，“0”表示正常。表中，與13個監(jiān)測點相應的故障點含義如下：X1―伺服驅(qū)動電源故障；X2―驅(qū)動未就緒；X3―數(shù)控機床超程報警；X4―數(shù)控機床找不到參考點；X5―反饋回路故障；X6―位置誤差過大報警；X7―兩軸聯(lián)動時圓度超差；X8―伺服系統(tǒng)過載報警；X9―伺服系統(tǒng)過壓報警；X10―發(fā)生漂移故障；X11―機床爬行與振動；X12―伺服電動機速度異常；X13―伺服電動機不轉故障。
輸出向量表示故障原因分析結果Y，對應含義如下：Y1―檢查交流電源（鐵路機車空調(diào)電源設計）；Y2―檢查直流電源；Y3―檢查熔斷器、繼電器和空氣開關等；Y4―檢查接線端子和連線；Y5―檢查切屑負荷；Y6―檢查數(shù)控系統(tǒng)設置的參數(shù)；Y7―檢查數(shù)控機床限位開關和零位開關；Y8―檢查伺服系統(tǒng)參數(shù)；Y9―檢查伺服系統(tǒng)硬件；Y10―檢查反饋編碼器硬件；Y11―檢查伺服電動機；Y12―檢查機械傳動鏈部件。
3.2仿真分析根據(jù)故障樣本表，可確定BP網(wǎng)絡的輸入層數(shù)為13，輸出層數(shù)為12，隱含層數(shù)根據(jù)經(jīng)驗取16，隱含層和輸出層神經(jīng)元的激勵函數(shù)選擇Sigmoid函數(shù)，網(wǎng)絡訓練函數(shù)選擇traingdm函數(shù)，用MATLAB神經(jīng)網(wǎng)絡工具箱進行仿真訓練，并選取學習率lr=0.5，動量因子mc=0.7，誤差e=0.0001.其誤差變化曲線，經(jīng)過6070次訓練，滿足要求。同時記錄各權值，以便神經(jīng)網(wǎng)絡的硬件實現(xiàn)之用。
針對訓練好的網(wǎng)絡結構，輸入故障模式向量X=<1010000000000000>進行驗證，實際輸出的故障分析向量Y=<111101100000000>，結果*正確。經(jīng)過多次試驗，驗證了該模型符合診斷要求。
4結束語將神經(jīng)網(wǎng)絡與專家系統(tǒng)結合，應用于數(shù)控機床的故障診斷，是一種優(yōu)勢互補的智能診斷系統(tǒng)。根據(jù)神經(jīng)網(wǎng)絡采用巨量并行分布信息處理結構的特點，還可采用超大規(guī)模的現(xiàn)場可編程門陣列（FPGA）集成電路制作診斷模塊，并將它當作一個電路嵌入到數(shù)控裝置中，從而實現(xiàn)數(shù)控機床的故障實時診斷。
相信這種基于專家系統(tǒng)與神經(jīng)網(wǎng)絡相融合的集成式故障診斷系統(tǒng)，將是數(shù)控機床故障診斷智能化發(fā)展的一個趨勢。但隨著數(shù)控技術與機床的發(fā)展，故障會變得更復雜與多樣。如何采用分層結構，進一步把診斷子網(wǎng)細化，同時收集到足夠的學習樣本，保證診斷的準確率，將是今后研究的課題。
1神經(jīng)網(wǎng)絡專家系統(tǒng)結構根據(jù)專家系統(tǒng)與神經(jīng)網(wǎng)絡相互結合方式的不同，基于神經(jīng)網(wǎng)絡的專家系統(tǒng)可分為串行式、并行式和混合式3種，本方案采用神經(jīng)網(wǎng)絡在前、專家系統(tǒng)在后的串行方式。“故障征兆獲取與處理模塊”負責機床中故障征兆信號采集，并經(jīng)適當?shù)奶幚砗笞鳛樯窠?jīng)網(wǎng)絡的輸入信號，神經(jīng)網(wǎng)絡則采用多層并行結構來完成數(shù)控機床中多類故障類型的求解及推導，它接受規(guī)范化處理后的征兆信號輸入，給出處理后的結果，然后利用專家系統(tǒng)對其診斷結果進行驗證和解釋。
2。BP神經(jīng)網(wǎng)絡結構及改進的算法2.1BP神經(jīng)網(wǎng)絡拓撲結構數(shù)控機床組成復雜，故障多樣化，既有電氣故障，又有機械故障，既有強電故障，又有弱電故障，需要許多測量點。因此，設計單一的網(wǎng)絡易引起網(wǎng)絡結構龐大，訓練樣本增多，使網(wǎng)絡訓練難以進行；還會造成故障分類精度低，診斷結果不可靠。實際應用時采用了分層模塊化的設計方法，按數(shù)控機床的組成結構，分為伺服系統(tǒng)、PLC與電控系統(tǒng)、CNC系統(tǒng)及其他系統(tǒng)等4個診斷模塊，采用并聯(lián)組合方式，既提高了診斷速度和準確性，又可同時診斷多個故障。
神經(jīng)網(wǎng)絡采用目前應用較為成熟的BP網(wǎng)絡，它是一種單向傳播的多層前向網(wǎng)絡，網(wǎng)絡除輸入/輸出節(jié)點外，有一層或多層的隱含層節(jié)點。理論已經(jīng)證明：在隱含層節(jié)點數(shù)量可以根據(jù)實際需要進行自由設置的前提下，三層BP神經(jīng)網(wǎng)絡可實現(xiàn)以任意精度逼近任意連續(xù)函數(shù)的功能。因此，本研究采用標準的三層網(wǎng)絡拓撲結構形式。
圖中，輸入層對應于故障現(xiàn)象，輸出層對應于故障原因。網(wǎng)絡中的相鄰層采用全互聯(lián)方式連接，同層各神經(jīng)元之間沒有任何連接，輸出層與輸入層之間也沒有直接的。
2.2神經(jīng)網(wǎng)絡改進算法針對傳統(tǒng)的BP網(wǎng)絡算法存在運算速度低、容易陷入局部極小點等問題，該神經(jīng)網(wǎng)絡模型的學習算法采用帶有沖量項的BP算法，網(wǎng)絡的訓練過程如下：（1）將各權值和閾值的初始值ωj（0），θj（0）置為小的非零隨機數(shù)。
?。?）輸入學習樣本：輸入向量Xp（p=1，2，…，P）和目標輸出Tp（p=1，2，…，P）。opj=fj（∑ωioi-θj）（1）（3）計算網(wǎng)絡的實際輸出及隱含單元的狀態(tài)：opj=fj（∑ωioi-θj）式中，激發(fā)函數(shù)f為Sigmoid函數(shù)，即f（x）=1/（1+exp（-x））。
?。?）計算訓練誤差：輸出層：δpj=opj（1-opj）（tpj-opj）（2）隱含層：δpj=opj（1-opj）∑kδpkωk（3）（5）修改權值和閾值：ωi（t+1）=ωi（t）+ηδjopj+α（ωi（t）-ωi（t-1））（4）θi（t+1）=θi（t）+ηδj+α（θi（t）-θi（t-1））（5）式中η―學習步長，α―勢態(tài)項。
?。?）當p經(jīng)歷1～P后，判斷指標是否滿足精度要求E，這里E<ε。其中：E=∑Ep，Ep=∑（tpj-opj）2/2，ε為精度。若滿足要求則轉到（7），否則轉到（3）。（7）停止，結束。
3診斷實例3.1故障模式與故障分析本研究以SINUMERIK802C伺服驅(qū)動系統(tǒng)為例，比較典型的13種伺服故障模式和相應的故障原因分析，如所示。其他診斷模型方法與此類似。
輸入向量表示故障模式X，其中“1”表示故障，“0”表示正常。表中，與13個監(jiān)測點相應的故障點含義如下：X1―伺服驅(qū)動電源故障；X2―驅(qū)動未就緒；X3―數(shù)控機床超程報警；X4―數(shù)控機床找不到參考點；X5―反饋回路故障；X6―位置誤差過大報警；X7―兩軸聯(lián)動時圓度超差；X8―伺服系統(tǒng)過載報警；X9―伺服系統(tǒng)過壓報警；X10―發(fā)生漂移故障；X11―機床爬行與振動；X12―伺服電動機速度異常；X13―伺服電動機不轉故障。
輸出向量表示故障原因分析結果Y，對應含義如下：Y1―檢查交流電源（鐵路機車空調(diào)電源設計）；Y2―檢查直流電源；Y3―檢查熔斷器、繼電器和空氣開關等；Y4―檢查接線端子和連線；Y5―檢查切屑負荷；Y6―檢查數(shù)控系統(tǒng)設置的參數(shù)；Y7―檢查數(shù)控機床限位開關和零位開關；Y8―檢查伺服系統(tǒng)參數(shù)；Y9―檢查伺服系統(tǒng)硬件；Y10―檢查反饋編碼器硬件；Y11―檢查伺服電動機；Y12―檢查機械傳動鏈部件。
3.2仿真分析根據(jù)故障樣本表，可確定BP網(wǎng)絡的輸入層數(shù)為13，輸出層數(shù)為12，隱含層數(shù)根據(jù)經(jīng)驗取16，隱含層和輸出層神經(jīng)元的激勵函數(shù)選擇Sigmoid函數(shù)，網(wǎng)絡訓練函數(shù)選擇traingdm函數(shù)，用MATLAB神經(jīng)網(wǎng)絡工具箱進行仿真訓練，并選取學習率lr=0.5，動量因子mc=0.7，誤差e=0.0001.其誤差變化曲線，經(jīng)過6070次訓練，滿足要求。同時記錄各權值，以便神經(jīng)網(wǎng)絡的硬件實現(xiàn)之用。
針對訓練好的網(wǎng)絡結構，輸入故障模式向量X=<1010000000000000>進行驗證，實際輸出的故障分析向量Y=<111101100000000>，結果*正確。經(jīng)過多次試驗，驗證了該模型符合診斷要求。
4結束語將神經(jīng)網(wǎng)絡與專家系統(tǒng)結合，應用于數(shù)控機床的故障診斷，是一種優(yōu)勢互補的智能診斷系統(tǒng)。根據(jù)神經(jīng)網(wǎng)絡采用巨量并行分布信息處理結構的特點，還可采用超大規(guī)模的現(xiàn)場可編程門陣列（FPGA）集成電路制作診斷模塊，并將它當作一個電路嵌入到數(shù)控裝置中，從而實現(xiàn)數(shù)控機床的故障實時診斷。
相信這種基于專家系統(tǒng)與神經(jīng)網(wǎng)絡相融合的集成式故障診斷系統(tǒng)，將是數(shù)控機床故障診斷智能化發(fā)展的一個趨勢。但隨著數(shù)控技術與機床的發(fā)展，故障會變得更復雜與多樣。如何采用分層結構，進一步把診斷子網(wǎng)細化，同時收集到足夠的學習樣本，保證診斷的準確率，將是今后研究的課題。
