基于MIV与RBF神经网络的滚珠丝杠故障诊断_温国强.pdf

《基于MIV与RBF神经网络的滚珠丝杠故障诊断_温国强.pdf》由会员分享，可在线阅读，更多相关《基于MIV与RBF神经网络的滚珠丝杠故障诊断_温国强.pdf（8页珍藏版）》请在装配图网上搜索。

1、基于 MIV 与 BF 神经网络的滚珠丝杠故障诊断*温国强文 妍 谭继文( 青岛理工大学，山东 青岛 266033)摘 要: 滚珠丝杠故障特性值引入平均影响值( MIV) 的特性值筛选措施，剔出冗余特性值，减少了特性向量 数; 设计了径向基( BF) 神经网络，并建立了基于 MIV 与 BF 神经网络的滚珠丝杠故障辨认模 型。经实验，对“未筛选 BP”、“未筛选 BF”和“MIV BF”三种诊断模型进行对比分析研究， 成果表白: “MIV BF”训练步数少、收敛快、诊断精度高，是一种较为抱负的滚珠丝杠故障诊断 措施。核心词: 滚珠丝杠 MIV 特性值筛选 BF 神经网络 故障诊断 中图分类号:

2、 TG659 文献标记码: AFault diagnosis of ball screw based on MIV and BF neural networkWEN Guoqiang，WEN Yan，TAN Jiwen( Qingdao Technological University，Qingdao 266033，CHN)Abstract: The Mean Impact Value ( MIV) is introduced to remove the redundant features and reduce the number of feature vectors Designing

3、the edial Basis Function( BF) neural network and building the model of ball screw fault diagnosis based on MIV and BF neural network Undergoing contrast research for the three diagnostic models about “Unfiltered BP”，“Unfiltered BF”and “MIV BF” Verified by experiments，the model of“MIV BF”is a rather

4、plausible ball screw fault diagnosis method with the advantages of less training steps，faster convergence rate and higher accuracyKeywords: Ball Screw; Mean Impact Value; Feature Values Selection; edial Basis Function Neural Network;Fault Diagnosis滚珠丝杠是数控机床中最常使用的核心传动元，1件 具有高精度、可逆性和高效率的特点 。滚珠丝 杠若浮现故障

5、，将会直接影响到数控机床的加工精度， 导致产品质量下降甚至报废，损失严重。因此，若能在 滚珠丝杠故障形成初期进行对的及时的诊断，对其生产效率与产品质量的提高大有裨益。在老式诊断措施中，一般是对原始故障信号进行 特性提取后，将所有特性值作为老式 BP 神经网络或 者支持向量机的输入参量进行模式辨认。这种措施输 入参量多、诊断过程复杂，同步，由于 BP 网络容易陷 入局部极小值，并且收敛速度相对较慢或无法收敛，诊 断精度相对较低。本文引入平均影响值( MIV) 措施对 故障特性进行筛选解决，清除冗余特性，将剩余特性作 为故障辨认的输入参量; 基于具有逼近精度高、无局部 极小问题且收敛速度快等特点的

6、径向基( BF) 神经网 络建立了数控机床滚珠丝杠故障辨认模型，有效提高了故障诊断精度和速度，效果良好。1 MIV 算法1 1 平均影响值( MIV)平均影响值( MIV，Mean Impact Value) ，是一种目前被觉得是在神经网络中评价变量有关性的最佳指标 之一2。该算法可用于拟定输入变量对输出变量的影响大小，其符号代表有关的方向，绝对值代表影响的大小。1 2 计算思想3( 1) 用原始样本 S 对 BP 神经网络进行训练，并对 训练集 S 进行回归预测;( 2) 在网络训练结束后，将训练样本 S 中每一自 变量在其原值的基本上分别加、减 10% 构成两个新的 训练样本 S1 和 S

7、2;( 3) 运用构建好的 BP 网络，对样本 Sl 和 S2 分别* 国家自然科学基金项目( 51075220) ; 青岛市科技筹划基本研究项目( 12 1 4 4 ( 3) JCH) 64 进行仿真，得到两个仿真成果 Ml 和 M2;( 4) 求出 Ml 和 M2 的差值，即为变动该自变量后 对输出产生的影响变化值( 简称 W) ;( 5) 将 W 按观测例数平均得出该自变量对于因 变量的平均影响值 MIV，同理可计算出各个自变量的MIV 值;( 6) 根据 MIV 绝对值的大小为各自变量排序，得 到各自变量对网络输出影响相对重要性的位次表，从 而判断出输入特性对于网络成果的影响限度，即实

8、现了变量筛选。2 BF 神经网络2 1 BF 网络BF 神经网络是 1985 年由 Powell 提出的多变量 差值的径向基函数( adial Basis Function，简称 BF)措施。该网络是一种性能优良的前馈型神经网络，具，4有唯一的最佳逼近特性 且无局部极小问题存在 。其构造与多层前向网络相似，是三层的前向网络，由一个输入层、一种隐含层、一种输出层构成。2 2 BF 网络算法学习算法具体环节如下5:环节 1: 基于 K 均值聚类措施求取基函数中心 c。( 1) 将网络进行初始化设立: 随机选用 h 个训练 样本作为聚类中心 ci ( i = 1，2，h) 。( 2) 运用近来邻规则

9、将输入的训练样本集合进行 分组: 按照 xp 与中心 ci 之间的欧式距离将 xp 分派到输 入样本的各个聚类集合 vp ( i = 1，2，h) 中。( 3) 聚类中心作重新调节: 对每个聚类集合 vp 中的训练样本求取平均值，构成新的聚类中心 ci ，如果 ci没有变化，则此时的 ci 就是 BF 神经网络最后的基函 数中心，否则返回( 2) ，进行下一轮的中心求解。环节 2: 求解方差 i 。选用高斯函数作为该 BF 神经网络的基函数，方差 i 可由下式求解:cmax，2，h( 1)i =i = 1槡2h式中，cmax 是所选用中心之间的最大距离。 环节 3: 求取隐含层和输出层之间的权

10、值。运用最小二乘法可直接计算出隐含层到输出层之间神经元的连接权值，计算公式如下: = exp( 2h xp ci 2 )cmax( 2)i = 1，2，h p = 1，2，P3 滚珠丝杠故障诊断实例与建模3 1 信息采集将加速度传感器布置于丝杠两端轴承座处，采集 工作状态下的滚珠丝杠振动信号。为获取较全面的故 障信息，采用 3 个传感器测量 X( 径向) 、Y( 轴向) 、Z( 径向) 3 个方向的信号，如图 1 所示。本实验用正常丝杠、滚珠磨损、滚道磨损及丝杠弯 曲 4 种状态试件，检测每种试件运营时 20 组振动信 号。取出每种状态前 16 组作为训练集，剩余 4 组作为 测试集。3 2

11、特性提取( 1) 时域特性: 原则差、均方根、峭度、峰值、峰度、 偏斜度。( 2) 频域特性: 能量。根据 EMD 措施适合于分析 非线性、非平稳信号序列的特性6 7。本例借该法对 采集的振动信号进行经验模态分解，并提取前 8 个本 征模函数( IMF) 的能量值 C 作为频域特性。本实例分别提取 X、Y、Z 三向振动信号的前 8 个 IMF 能量和 6 个时域特性指标，总共 42 类特性值。3 3 特性筛选3 3 1 BP 网络设计由于本例中 MIV 依附于 BP 网络训练进行筛选， 这里一方面需要对 BP 网络进行设计。( 1) 输入层: 等于特性值个数为 42; ( 2) 输出层: 运用

12、 1 个节点输出值表达 4 种故障状态，盼望输出成果为:正常为“1”、滚珠磨损为“2”、滚道磨损为“3”、丝杠弯曲为“4”;( 3) 隐含层: k = 槡a + b + c，其中，k 为隐层节点数， a 为输入层节点数，b 为输出层节点数，c1，10。依据公式，已知 a = 42，b = 1，代入得 7k16。根据网络不断调试，验证当 k = 13 时能使网络较快收敛。( 4) 学习速率 65 一般状况下倾向于选用较小的学习速率以保证系统的稳定性。学习速率的选用范畴在 0. 01 0. 8 之8，间 。结合本实验进行多次对比分析 选用学习速率 为 0. 1 可达较好效果。( 5) 盼望误差 一

13、般盼望误差设定值越小，网络诊断精度越高，但若太小会使网络训练时间过长甚至不能收敛。经多次 实验，选用盼望误差为 0. 001 较为合适。3 3 2 特性量筛选成果根据 MIV 算法得到各个特性的平均影响值 ( MIV) ，依次填入表格并进行位次排序，见表 1。由于表格格式限制，只列出排位前 14 的特性值。参照表 1，选用与成果正有关且绝对值较大的前 10 个特性作为新的特性集组合，按由大到小排序分别是: C1X 、C1Z 、C3X 、峰度Y 、C5Z 、C2X 、C1Y 、原则差X 、C2Y 、表 1平均影响值 MIV特性值X 测点Y 测点Z 测点位次C11 361 30 742 61 08

14、7 9C1XC20 756 30 654 80 002 5C1ZC30 895 5 0 420 10 186 4C3XC4 0 653 70 336 6 0 213 5峰度YC5 0 123 90 165 20 834 2C5ZC6 0 468 20 132 80 100 8C2XC7 0 008 4 0 210 30 000 3C1YC8 0 012 6 0 655 6 0 986 9原则差X原则差0 695 10 521 2 0 635 2C2Y均方根0 423 90 202 60 217 7原则差Y峭度 1 233 40 311 7 1 087 1均方根X峰值 0 586 1 0 189

15、 8 0 554 6C4Y峰度 0 323 30 856 4 0 236 9峭度Y偏斜度 0 002 5 0 066 4 0 074 9均方根原则差Y 。3 4 模式鉴别3 4 1 建立 BF 神经网络调用 Matlab 工具箱中 newrb 函数实现对 BF 网络进行的设计。newrb 函数格式如下:net = newrb( P，T，Goal，Spread，MN，DF)P 为输入向量: 相应经 MIV 筛选后的 10 类特性 量。T 为目的向量: 输出层节点数，运用 4 个节点输出 值表达 4 种故障状态，盼望输出成果为: 正常1，0，0， 0、滚珠磨损0，1，0，0、滚道磨损0，0，1，0

16、、丝杠弯 曲0，0，0，1 。Goal 为均方误差，本例取作 0 001;Spread 为径向基函数的分布密度，默觉得 1。MN 为神 经元的最大数目。DF 为两次显示之间所添加的神经 元数目，默觉得 1。3 4 2 不同诊断模式对比分析表 2 未筛选 BP、未筛选 BF 实际输出及诊断成果类型未筛选 BP诊断成果未筛选 BF诊断成果盼望成果正常0958 5，0 014 3，0 123 9， 0 181 11，0，0，00 987 9， 0001 2，0 019 8， 0 006 41，0，0，01，0，0，01 010 1， 0 008 9，0 024 3， 0 050 31，0，0，00

17、969 0， 0003 5，0 040 8， 0 006 31，0，0，01，0，0，00256 7，0 035 1，0 625 5，0 182 60，0，1，00 936 4， 0011 2，0 086 9， 0 012 11，0，0，01，0，0，01009 9，0 016 9，0 028 4， 0 014 51，0，0，01 031 0， 0 004 9， 0 023 1， 0 003 01，0，0，01，0，0，0滚珠磨损 0073 1，1 121 4， 0 097 3， 0 047 80，1，0，00 763 4，0 215 2，0 024 1， 0 002 81，0，0，00，1，

18、0，0 0 012 7，0 918 0，0 034 6，0 025 80，1，0，00 177 2，0800 5，0 021 3，0 001 00，1，0，00，1，0，0 0117 5，1 078 7， 0 205 8，0 091 00，1，0，0 0 052 6，1059 2， 0 007 5，0 000 90，1，0，00，1，0，00076 9，1 039 5， 0 171 4，0 017 90，1，0，00 292 1，0 674 6，0 034 9， 0 001 60，1，0，00，1，0，0滚道磨损 0046 9， 0 008 3，0 592 0，0 456 60，0，1，00

19、333 5， 0015 0，0 719 9， 0 038 40，0，1，00，0，1，0 0 030 7，0 026 1，0 344 2，0 681 70，0，0，10 507 0， 0 022 8，0 461 0，0 054 81，0，0，00，0，1，00088 5， 0 034 3，0 969 5，0 022 80，0，1，00 104 3，0000 3，0 886 3，0 009 20，0，1，00，0，1，0 0000 7， 0 004 6，1 032 4，0 012 00，0，1，00 455 6， 0 018 7，0 486 7，0 076 40，0，1，00，0，1，0丝杠弯曲

20、 0000 2， 0 031 4，0 711 9，0 290 40，0，1，00 337 0， 0 015 2，0 235 2，0 442 90，0，0，10，0，0，1 0 024 0，0 015 1，0 014 8，0 990 20，0，0，10 477 4， 0 020 9，0 159 8，0 383 70，0，0，10，0，0，10005 1， 0 004 1，0 758 5，0 257 20，0，1，00 280 1， 0 005 3，0 610 3，0 114 80，0，1，00，0，0，10002 0，0 009 1，0 015 9，1 011 00，0，0，10 229 0，

21、0 009 7，0 027 3，0 753 30，0，0，10，0，0，1 66 表 3MIV BF 实际输出及诊断成果类型MIV BF诊断成果盼望成果正常1 017 3， 0014 2， 0 006 0，0 002 91，0，0，01，0，0，00 981 9，0 011 8，0 014 9， 0 008 61，0，0，01，0，0，00 993 5，0 003 1，0 007 2， 0 003 81，0，0，01，0，0，01 004 9， 0008 8， 0 001 2，0 005 01，0，0，01，0，0，0滚珠磨损 0001 9，1006 9， 0 009 1，0 004 10，1

22、，0，00，1，0，00 003 0，0 981 9，0 049 2， 0 034 10，1，0，00，1，0，0 0000 8，1011 1， 0 035 6，0 025 40，1，0，00，1，0，0 0005 0，1031 5，0 003 0， 0 029 50，1，0，00，1，0，0滚道磨损 0006 4， 0 052 8，0 846 5，0 212 70，0，1，00，0，1，00 026 9，0 278 1，1 212 1， 0 517 10，0，1，00，0，1，00142 2，0019 2，0 813 2，0 025 40，0，1，00，0，1，0 0 013 5，0 118

23、 3，0 585 0，0 330 20，0，1，00，0，1，0丝杠弯曲 0023 7，0039 8， 0 098 8，1 082 70，0，0，10，0，0，1 0011 9，0148 4， 0 065 0，0 928 50，0，0，10，0，0，10222 6，0104 5，0 388 4，0 284 50，0，1，00，0，0，1 0 000 4，0 037 4，0 006 9，0 956 10，0，0，10，0，0，1对“未筛选 BP”、“未筛选 BF”、“MIV BF”三种模式训练与诊断成果进行分析，得到网络训 练误差曲线如图 2、图 3、图 4 所示; 网络实际输出及诊 断成果见表

24、 2、表 3。在 BP 网络、BF 网络的输入层、隐含层、输出层、 盼望误差一致的状况下，通过对 3 种诊断模式的训练 与诊断成果进行对比分析，得出结论汇总表，见表 4。由表 4 可得:表 4 汇总序号模式训练步数训练时间 /s正判率1未筛选 BP1 47610 0675%2未筛选 BF592 8181 25%3MIV BF592 2593 75%( 1) BF 网络相对于 BP 网络，能使用较少的训练 步数，在较短的训练时间内达到收敛，完毕训练; 同步 具有较高的正判率。( 2) 基于 MIV 筛选后的 BF 网络诊断相对于未 筛选的 BF 网络，训练速度相差不大，但是正判率有 明显地提高。

25、4 结语为了实现对滚珠丝杠的故障诊断，本文提出了一种基于 MIV 与 BF 神经网络的故障诊断措施。该方 法一方面通过 MIV 算法对获得的特性进行筛选解决，保留对诊断成果影响较大的特性构成新的特性集合。将新的特性集作为网络输入，构建 BF 神经网络以实现诊断功能，并与老式诊断措施进行比较，验证了该措施在滚珠丝杠故障诊断中的可行性和优越性。参考 文 献1王植，殷爱华 滚珠丝杠导程误差分析与计算机辅助诊断研究D 南京理工大学，: 1 32周莹，程卫东 基于 MIV 特性筛选和 BP 神经网络的滚动轴承故障 诊断技术研究D 北京: 北京交通大学，: 25 273王紫微，叶奇旺 基于神经网络 MIV

26、 值分析的肿瘤基因信息提取 J 数学的实践与结识，41( 14) : 47 574史峰，王小川，郁磊，等 MATLAB 神经网络 30 个案例分析M 北京: 北京航空航天大学出版社，: 65 725郭秀容，陆怀民 BF 神经网络在电喷发动机故障诊断中的应用研 究D 哈尔滨: 东北林业大学，: 9 126Huang N E，Shen Z，Long S ，et al The empirical mode decomposi-tion and the hilbert spectrum for non linear and non stationary time series analysisC Pr

27、oc Soc Lond A，1998，454: 903 9957Shen F，Zheng M，Shi D F，et al Using the cross correlation tech-nique to extract modal parameters on response only dataJ Journal of Sound and Vibration，259( 5) : 1163 11798王凡重，田慕琴 基于小波神经网络和支持向量机的电机故障诊断 与研究D 太原: 太原理工大学，: 46 47第一作者: 温国强，男，1988 年生，研究生研究生，研究方向为机械无损检测与故障诊断。( 编辑 谭弘颖)( 收稿日期: 01 30)文章编号: 140117如果您想刊登对本文的见解，请将文章编号填入读者意见调查表中的相应位置。 67