聯系電話
泰州市海陵區富士康數控機床廠
中級會員·16年
- 聯系人：
- 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
- 網址：
- www.fsksk.com/
掃一掃訪問手機商鋪
 提 供 商 |
泰州市海陵區富士康數控機床廠 |  資料大小 |
0K |
|---|---|---|---|
 資料類型 |
未傳 |
 資料圖片 |
|
 下載次數 |
0次 |  瀏覽次數 |
886次 |
數控機床是機、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，傳統的維修方法很難實現快速而準確的定位故障，實現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在數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。而神經網絡則以其所*的學習能力、聯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。本研究將神經網絡與專家系統結合，開發了神經網絡故障診斷專家系統。
1神經網絡專家系統結構根據專家系統與神經網絡相互結合方式的不同，基于神經網絡的專家系統可分為串行式、并行式和混合式3種，本方案采用神經網絡在前、專家系統在后的串行方式。“故障征兆獲取與處理模塊”負責機床中故障征兆信號采集，并經適當的處理后作為神經網絡的輸入信號，神經網絡則采用多層并行結構來完成數控機床中多類故障類型的求解及推導，它接受規范化處理后的征兆信號輸入，給出處理后的結果，然后利用專家系統對其診斷結果進行驗證和解釋。
2。BP神經網絡結構及改進的算法2.1BP神經網絡拓撲結構數控機床組成復雜，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，設計單一的網絡易引起網絡結構龐大，訓練樣本增多，使網絡訓練難以進行；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，按數控機床的組成結構，分為伺服系統、PLC與電控系統、CNC系統及其他系統等4個診斷模塊，采用并聯組合方式，既提高了診斷速度和準確性，又可同時診斷多個故障。
神經網絡采用目前應用較為成熟的BP網絡，它是一種單向傳播的多層前向網絡，網絡除輸入/輸出節點外，有一層或多層的隱含層節點。理論已經證明：在隱含層節點數量可以根據實際需要進行自由設置的前提下，三層BP神經網絡可實現以任意精度逼近任意連續函數的功能。因此，本研究采用標準的三層網絡拓撲結構形式。
圖中，輸入層對應于故障現象，輸出層對應于故障原因。網絡中的相鄰層采用全互聯方式連接，同層各神經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神經網絡改進算法針對傳統的BP網絡算法存在運算速度低、容易陷入局部極小點等問題，該神經網絡模型的學習算法采用帶有沖量項的BP算法，網絡的訓練過程如下：（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。
（2）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）計算網絡的實際輸出及隱含單元的狀態：opj=fj（∑ωioi-θj）式中，激發函數f為Sigmoid函數，即f（x）=1/（1+exp（-x））。
（4）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―勢態項。
（6）當p經歷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伺服驅動系統為例，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個監測點相應的故障點含義如下：X1―伺服驅動電源故障；X2―驅動未就緒；X3―數控機床超程報警；X4―數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―兩軸聯動時圓度超差；X8―伺服系統過載報警；X9―伺服系統過壓報警；X10―發生漂移故障；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―檢查數控系統設置的參數；Y7―檢查數控機床限位開關和零位開關；Y8―檢查伺服系統參數；Y9―檢查伺服系統硬件；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仿真分析根據故障樣本表，可確定BP網絡的輸入層數為13，輸出層數為12，隱含層數根據經驗取16，隱含層和輸出層神經元的激勵函數選擇Sigmoid函數，網絡訓練函數選擇traingdm函數，用MATLAB神經網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，經過6070次訓練，滿足要求。同時記錄各權值，以便神經網絡的硬件實現之用。
針對訓練好的網絡結構，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。經過多次試驗，驗證了該模型符合診斷要求。
4結束語將神經網絡與專家系統結合，應用于數控機床的故障診斷，是一種優勢互補的智能診斷系統。根據神經網絡采用巨量并行分布信息處理結構的特點，還可采用超大規模的現場可編程門陣列（FPGA）集成電路制作診斷模塊，并將它當作一個電路嵌入到數控裝置中，從而實現數控機床的故障實時診斷。
相信這種基于專家系統與神經網絡相融合的集成式故障診斷系統，將是數控機床故障診斷智能化發展的一個趨勢。但隨著數控技術與機床的發展，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神經網絡專家系統結構根據專家系統與神經網絡相互結合方式的不同，基于神經網絡的專家系統可分為串行式、并行式和混合式3種，本方案采用神經網絡在前、專家系統在后的串行方式。“故障征兆獲取與處理模塊”負責機床中故障征兆信號采集，并經適當的處理后作為神經網絡的輸入信號，神經網絡則采用多層并行結構來完成數控機床中多類故障類型的求解及推導，它接受規范化處理后的征兆信號輸入，給出處理后的結果，然后利用專家系統對其診斷結果進行驗證和解釋。
2。BP神經網絡結構及改進的算法2.1BP神經網絡拓撲結構數控機床組成復雜，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，設計單一的網絡易引起網絡結構龐大，訓練樣本增多，使網絡訓練難以進行；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，按數控機床的組成結構，分為伺服系統、PLC與電控系統、CNC系統及其他系統等4個診斷模塊，采用并聯組合方式，既提高了診斷速度和準確性，又可同時診斷多個故障。
神經網絡采用目前應用較為成熟的BP網絡，它是一種單向傳播的多層前向網絡，網絡除輸入/輸出節點外，有一層或多層的隱含層節點。理論已經證明：在隱含層節點數量可以根據實際需要進行自由設置的前提下，三層BP神經網絡可實現以任意精度逼近任意連續函數的功能。因此，本研究采用標準的三層網絡拓撲結構形式。
圖中，輸入層對應于故障現象，輸出層對應于故障原因。網絡中的相鄰層采用全互聯方式連接，同層各神經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神經網絡改進算法針對傳統的BP網絡算法存在運算速度低、容易陷入局部極小點等問題，該神經網絡模型的學習算法采用帶有沖量項的BP算法，網絡的訓練過程如下：（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。
（2）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）計算網絡的實際輸出及隱含單元的狀態：opj=fj（∑ωioi-θj）式中，激發函數f為Sigmoid函數，即f（x）=1/（1+exp（-x））。
（4）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―勢態項。
（6）當p經歷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伺服驅動系統為例，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個監測點相應的故障點含義如下：X1―伺服驅動電源故障；X2―驅動未就緒；X3―數控機床超程報警；X4―數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―兩軸聯動時圓度超差；X8―伺服系統過載報警；X9―伺服系統過壓報警；X10―發生漂移故障；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―檢查數控系統設置的參數；Y7―檢查數控機床限位開關和零位開關；Y8―檢查伺服系統參數；Y9―檢查伺服系統硬件；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仿真分析根據故障樣本表，可確定BP網絡的輸入層數為13，輸出層數為12，隱含層數根據經驗取16，隱含層和輸出層神經元的激勵函數選擇Sigmoid函數，網絡訓練函數選擇traingdm函數，用MATLAB神經網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，經過6070次訓練，滿足要求。同時記錄各權值，以便神經網絡的硬件實現之用。
針對訓練好的網絡結構，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。經過多次試驗，驗證了該模型符合診斷要求。
4結束語將神經網絡與專家系統結合，應用于數控機床的故障診斷，是一種優勢互補的智能診斷系統。根據神經網絡采用巨量并行分布信息處理結構的特點，還可采用超大規模的現場可編程門陣列（FPGA）集成電路制作診斷模塊，并將它當作一個電路嵌入到數控裝置中，從而實現數控機床的故障實時診斷。
相信這種基于專家系統與神經網絡相融合的集成式故障診斷系統，將是數控機床故障診斷智能化發展的一個趨勢。但隨著數控技術與機床的發展，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。
