數(shù)控機床是機、電、液一體化的先進制造設(shè)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(chǔ)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(luò)則以其所特有的學習能力、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(luò)與專家系統(tǒng)結(jié)合，開發(fā)了神經(jīng)網(wǎng)絡(luò)故障診斷專家系統(tǒng)。

 

　　1神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)結(jié)構(gòu)根據(jù)專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相互結(jié)合方式的不同，基于神經(jīng)網(wǎng)絡(luò)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(luò)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(luò)的輸入信號，神經(jīng)網(wǎng)絡(luò)則采用多層并行結(jié)構(gòu)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(jié)果，然后利用專家系統(tǒng)對其診斷結(jié)果進行驗證和解釋。

 

　　2。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及改進的算法2. 1BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)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(shè)計單一的網(wǎng)絡(luò)易引起網(wǎng)絡(luò)結(jié)構(gòu)龐大，訓練樣本增多，使網(wǎng)絡(luò)訓練難以進行；還會造成故障分類精度低，診斷結(jié)果不可靠。實際應用時采用了分層模塊化的設(shè)計方法，按數(shù)控機床的組成結(jié)構(gòu)，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(luò)采用目前應用較為成熟的BP網(wǎng)絡(luò)，它是一種單向傳播的多層前向網(wǎng)絡(luò)，網(wǎng)絡(luò)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(shè)置的前提下，三層BP神經(jīng)網(wǎng)絡(luò)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(luò)拓撲結(jié)構(gòu)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(luò)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聯(lián)系。

 

　　2. 2神經(jīng)網(wǎng)絡(luò)改進算法針對傳統(tǒng)的BP網(wǎng)絡(luò)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(luò)模型的學習算法采用帶有沖量項的BP算法，網(wǎng)絡(luò)的訓練過程如下：（1）將各權(quán)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X p（ p = 1，2，…，P）和目標輸出T p（ p = 1，2，…， P）。o pj = f j（∑ωi o i -θj）（1）（3）計算網(wǎng)絡(luò)的實際輸出及隱含單元的狀態(tài)：o pj = f j（∑ωi o i -θj）式中，激發(fā)函數(shù)f為Sigmoid函數(shù)，即f （ x） = 1 / （1 + exp（ - x） ）。

 

　　（4）計算訓練誤差：輸出層：δpj = o pj（1 - o pj） （ t pj - o pj）（2）隱含層：δpj = o pj（1 - o pj）∑kδpkωk（3）（5）修改權(quán)值和閾值：ωi（ t + 1） =ωi（t） +ηδj o pj +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 =∑E p， E p =∑（t pj - o pj）2 / 2，ε為精度。若滿足要求則轉(zhuǎn)到（7） ，否則轉(zhuǎn)到（3）。（7）停止，結(jié)束。

 

　　3診斷實例3. 1故障模式與故障分析本研究以SINUMER IK802C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： X 1?伺服驅(qū)動電源故障； X 2?驅(qū)動未就緒； X 3?數(shù)控機床超程報警； X 4?數(shù)控機床找不到參考點； X 5?反饋回路故障； X 6?位置誤差過大報警； X 7?兩軸聯(lián)動時圓度超差； X 8?伺服系統(tǒng)過載報警； X 9?伺服系統(tǒng)過壓報警； X 10?發(fā)生漂移故障； X 11?機床爬行與振動； X 12?伺服電動機速度異常； X 13?伺服電動機不轉(zhuǎn)故障。

 

　　輸出向量表示故障原因分析結(jié)果Y，對應含義如下： Y 1?檢查交流電源()； Y 2?檢查直流電源； Y 3?檢查熔斷器、繼電器和空氣開關(guān)等； Y 4?檢查接線端子和連線； Y 5?檢查切屑負荷； Y 6?檢查數(shù)控系統(tǒng)設(shè)置的參數(shù)； Y 7?檢查數(shù)控機床限位開關(guān)和零位開關(guān)； Y 8?檢查伺服系統(tǒng)參數(shù)； Y 9?檢查伺服系統(tǒng)硬件； Y 10?檢查反饋編碼器硬件； Y 11?檢查伺服電動機； Y 12?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(luò)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(luò)訓練函數(shù)選擇traingdm函數(shù)，用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進行仿真訓練，并選取學習率lr =0. 5，動量因子m c = 0. 7，誤差e = 0. 000 1.其誤差變化曲線，經(jīng)過6 070次訓練，滿足要求。同時記錄各權(quán)值，以便神經(jīng)網(wǎng)絡(luò)的硬件實現(xiàn)之用。

 

　　針對訓練好的網(wǎng)絡(luò)結(jié)構(gòu)，輸入故障模式向量X = <1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 >進行驗證，實際輸出的故障分析向量Y = < 1 1 1 1 0 1 1 0 0 0 0 0 0 0 0 >，結(jié)果完全正確。經(jīng)過多次試驗，驗證了該模型符合診斷要求。

 

　　4結(jié)束語將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)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(luò)采用巨量并行分布信息處理結(jié)構(gòu)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，并將它當作一個專用電路嵌入到數(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(luò)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(shù)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(jié)構(gòu)，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。