基于改进神经网络的机床刀具故障诊断

来源:用户上传      作者:

　　摘 要： 针对机床刀具的故障诊断系统进行研究，使用智能人工神经网络算法建立诊断模型。为了提高神经网络模型的训练效率，避免网络陷入局部最优解，使用一种改进的量子神经网络，将附加动量与自适应学习速度方法融合，提高网络收敛效率。使用五轴联动铣床进行刀具故障诊断识别。对声发射信号进行特征提取，使用总振铃技术、总能量、有效电压、事件计数、重心频率、均方根频率以及频率标准方差作为网络的输入向量，判别刀具为新刀、轻微磨损或严重磨损。实验结果表明，使用的改进的量子神经网络的效率以及识别准确度均高于常规BP神经网络。
　　关键词： 机床刀具故障诊断； 量子神经网络； BP神经网络； 声发射信号
　　中图分类号： TN711?34； TH183 文献标识码： A 文章编号： 1004?373X（2016）17?0167?04
　　0 引 言
　　金属切削的生产环节出差错往往都是因为切割器械的问题。如果无法科学、合理、适当地进行机械事故排查，那么有可能造成加工阶段的不连续性，从而增加成本费用。除此之外，不确切地高估工具的运行期限，从而让工具效率大打折扣，使得变更工具的进程更加困难。所以，参照相关资料文献以及监控手段可以大大降低机械的出错率，从而增加机械的使用期限，最终达到降低成本，简化变更工具的生产过程。观察平常生产的环节，目前能够达到科学、合理、有效管控工具使用情况的手段极其丰富，直接和间接测量法是其中最主要的两种手段。因为前者以工具的刃口具体情况作为管控工具使用的依据，在此条件的限制下，该手段仅仅可以在工具静止的状态下完成状况评估。而后者对此的要求较低，可以通过相关的物理量对动态的工具开展实时管控，这种手段也是使用最多的。由于受管控的工具迹象、客观环境等问题的干扰，在现实管控环节中，使用最多的有切削力信号、振动信号、声发射、计算机视觉以及多传感器信息融合等监测方法[1?3]。
　　声发射监测法是将来可能被广泛普及的可供参考的途径。这种手段是通过其信号（也可以称为弹性应力波）由于外部冲击导致形变，从而发射某种物理能。因其具有大量汇聚信号、受到妨碍较小、效率高等优势而受到科学界的青睐。
　　对刀具故障甄辨的手段，主要有人工神经网络方法、多传感信息融合方法、模糊判别方法等[4?5]。
　　量子神经网络把量子力学和神经网络相关知识进行融会贯通，相比于经典的神经网络，具有如下优点：指数级的记忆容量和回忆速度；获得新技能以及分析数据的高效；由于没有标准间的阻碍，从而能够抹去灾变性失忆的痕迹；高准确度以及可信度[6?7]。
　　笔者在BP（Back Propagation，BP）神经网络的研究条件下，用量子演算手段来规划网络的分析途径，提高了样本分析水平和训练水准。在四层量子神经网络中，隐层量子神经元的激励函数采用多个传统激励函数的叠加，使网络有了一种固有的模糊性。通过这种方法可以分散总体决策的非稳定度和失误，降低故障评判的非稳定性，增加了评判的正确性。
　　4 结 语
　　本文针对机床刀具的故障诊断系统进行研究。使用一种改进的量子神经网络建立诊断模型，将附加动量以及自适应学习速度方法融合，提高网络收敛效率。使用五轴联动铣床进行刀具故障诊断识别。实验验证了本文研究的刀具诊断方法的可行性和可靠性，常规BP神经网络进行刀具诊断时，正确率约为91.6%，本文研究的刀具诊断方法诊断正确率达到98.2%，证明本文研究的刀具诊断方法效率更高。
　　参考文献
　　[1] 段性军.以“任务驱动”的数控机床故障诊断及维修课程探索与实践[J].中国科技信息，2012（4）：118.
　　[2] 喻俊馨，王计生，刘正华.基于声发射和神经网络的数控机床刀具故障诊断[J].机床与液压，2012（1）：165?168.
　　[3] 黄民，刘秀丽，谢厚正.高档数控机床刀具磨损故障监测方法及实验系统[J].北京信息科技大学学报（自然科学版），2012（1）：16?21.
　　[4] 邵占帅，黄民.基于双谱的刀具振动信号特征值提取[J].组合机床与自动化加工技术，2014（7）：70?72.
　　[5] 曾祥超，陈捷.数控机床刀具故障在线监测系统开发[J].机械设计与制造，2009（11）：152?154.
　　[6] 刘海燕.基于模糊支持向量机的刀具故障诊断研究[D].大连：大连交通大学，2014.
　　[7] 祁美玲.智能故障诊断融合技术在数控机床故障诊断中的应用[D].大连：大连交通大学，2010.
　　[8] 黄韬.基于WEB的数控远程监控系统的研究[D].长沙：湖南大学，2011.
　　[9] 官金，李国富，陈志刚.基于工作电流信号的车床刀具故障分析[J].宁波大学学报（理工版），2013（1）：113?116.
　　[10] 龙伯华，谭阳红，许慧，等.基于量子神经网络的电力电子电路故障诊断[J].电工技术学报，2009（10）：170?175.
　　[11] 龙伯华.电力电子电路故障诊断方法研究[D].长沙：湖南大学，2009.
　　[12] 王姣，刘海燕.基于支持向量机和遗传算法的刀具故障诊断[J].组合机床与自动化加工技术，2013（1）：74?76.
　　[13] 杨俊宇，王云霞，沈爱群.基于CORBA技术的数控机床远程服务系统[J].组合机床与自动化加工技术，2003（10）：62?64.
　　[14] 张永强.立式加工中心ATC装置常见故障的诊断与分析[J].汽车实用技术，2010（6）：28?29.
　　[15] 王亚辉.基于Web的开放式数控系统远程监测与故障查询诊断[D].南京：南京理工大学，2007.
　　[16] 赵春霞，白存军，潘经涛.基于LabVIEW数控机床刀具磨损的在线监测[J].设备管理与维修，2015（11）：97?100.
　　[17] 俞凯耀，席东民.人工鱼群算法优化的PID神经网络解耦控制[J].计算机仿真，2014，31（10）：350?353.
　　[18] 王华秋.自组织模糊神经网络的内模控制研究与应用[J].计算机仿真，2014，31（4）：343?346.
转载注明来源:https://www.xzbu.com/8/view-11005112.htm