摘 要： 針對機床刀具的故障診斷系統(tǒng)進行研究，使用智能人工神經(jīng)網(wǎng)絡算法建立診斷模型。為了提高神經(jīng)網(wǎng)絡模型的訓練效率，避免網(wǎng)絡陷入局部最優(yōu)解，使用一種改進的量子神經(jīng)網(wǎng)絡，將附加動量與自適應學習速度方法融合，提高網(wǎng)絡收斂效率。使用五軸聯(lián)動銑床進行刀具故障診斷識別。對聲發(fā)射信號進行特征提取，使用總振鈴技術、總能量、有效電壓、事件計數(shù)、重心頻率、均方根頻率以及頻率標準方差作為網(wǎng)絡的輸入向量，判別刀具為新刀、輕微磨損或嚴重磨損。實驗結果表明，使用的改進的量子神經(jīng)網(wǎng)絡的效率以及識別準確度均高于常規(guī)BP神經(jīng)網(wǎng)絡。

關鍵詞： 機床刀具故障診斷； 量子神經(jīng)網(wǎng)絡； BP神經(jīng)網(wǎng)絡； 聲發(fā)射信號

中圖分類號： TN711?34； TH183 文獻標識碼： A 文章編號： 1004?373X（2016）17?0167?04

0 引 言

金屬切削的生產(chǎn)環(huán)節(jié)出差錯往往都是因為切割器械的問題。如果無法科學、合理、適當?shù)剡M行機械事故排查，那么有可能造成加工階段的不連續(xù)性，從而增加成本費用。除此之外，不確切地高估工具的運行期限，從而讓工具效率大打折扣，使得變更工具的進程更加困難。所以，參照相關資料文獻以及監(jiān)控手段可以大大降低機械的出錯率，從而增加機械的使用期限，最終達到降低成本，簡化變更工具的生產(chǎn)過程。觀察平常生產(chǎn)的環(huán)節(jié)，目前能夠達到科學、合理、有效管控工具使用情況的手段極其豐富，直接和間接測量法是其中最主要的兩種手段。因為前者以工具的刃口具體情況作為管控工具使用的依據(jù)，在此條件的限制下，該手段僅僅可以在工具靜止的狀態(tài)下完成狀況評估。而后者對此的要求較低，可以通過相關的物理量對動態(tài)的工具開展實時管控，這種手段也是使用最多的。由于受管控的工具跡象、客觀環(huán)境等問題的干擾，在現(xiàn)實管控環(huán)節(jié)中，使用最多的有切削力信號、振動信號、聲發(fā)射、計算機視覺以及多傳感器信息融合等監(jiān)測方法[1?3]。

聲發(fā)射監(jiān)測法是將來可能被廣泛普及的可供參考的途徑。這種手段是通過其信號（也可以稱為彈性應力波）由于外部沖擊導致形變，從而發(fā)射某種物理能。因其具有大量匯聚信號、受到妨礙較小、效率高等優(yōu)勢而受到科學界的青睞。

對刀具故障甄辨的手段，主要有人工神經(jīng)網(wǎng)絡方法、多傳感信息融合方法、模糊判別方法等[4?5]。

量子神經(jīng)網(wǎng)絡把量子力學和神經(jīng)網(wǎng)絡相關知識進行融會貫通，相比于經(jīng)典的神經(jīng)網(wǎng)絡，具有如下優(yōu)點：指數(shù)級的記憶容量和回憶速度；獲得新技能以及分析數(shù)據(jù)的高效；由于沒有標準間的阻礙，從而能夠抹去災變性失憶的痕跡；高準確度以及可信度[6?7]。

筆者在BP（Back Propagation，BP）神經(jīng)網(wǎng)絡的研究條件下，用量子演算手段來規(guī)劃網(wǎng)絡的分析途徑，提高了樣本分析水平和訓練水準。在四層量子神經(jīng)網(wǎng)絡中，隱層量子神經(jīng)元的激勵函數(shù)采用多個傳統(tǒng)激勵函數(shù)的疊加，使網(wǎng)絡有了一種固有的模糊性。通過這種方法可以分散總體決策的非穩(wěn)定度和失誤，降低故障評判的非穩(wěn)定性，增加了評判的正確性。

4 結 語

本文針對機床刀具的故障診斷系統(tǒng)進行研究。使用一種改進的量子神經(jīng)網(wǎng)絡建立診斷模型，將附加動量以及自適應學習速度方法融合，提高網(wǎng)絡收斂效率。使用五軸聯(lián)動銑床進行刀具故障診斷識別。實驗驗證了本文研究的刀具診斷方法的可行性和可靠性，常規(guī)BP神經(jīng)網(wǎng)絡進行刀具診斷時，正確率約為91.6%，本文研究的刀具診斷方法診斷正確率達到98.2%，證明本文研究的刀具診斷方法效率更高。

參考文獻

[1] 段性軍.以“任務驅(qū)動”的數(shù)控機床故障診斷及維修課程探索與實踐[J].中國科技信息，2012（4）：118.

[2] 喻俊馨，王計生，劉正華.基于聲發(fā)射和神經(jīng)網(wǎng)絡的數(shù)控機床刀具故障診斷[J].機床與液壓，2012（1）：165?168.

[3] 黃民，劉秀麗，謝厚正.高檔數(shù)控機床刀具磨損故障監(jiān)測方法及實驗系統(tǒng)[J].北京信息科技大學學報（自然科學版），2012（1）：16?21.

[4] 邵占帥，黃民.基于雙譜的刀具振動信號特征值提取[J].組合機床與自動化加工技術，2014（7）：70?72.

[5] 曾祥超，陳捷.數(shù)控機床刀具故障在線監(jiān)測系統(tǒng)開發(fā)[J].機械設計與制造，2009（11）：152?154.

[6] 劉海燕.基于模糊支持向量機的刀具故障診斷研究[D].大連：大連交通大學，2014.

[7] 祁美玲.智能故障診斷融合技術在數(shù)控機床故障診斷中的應用[D].大連：大連交通大學，2010.

[8] 黃韜.基于WEB的數(shù)控遠程監(jiān)控系統(tǒng)的研究[D].長沙：湖南大學，2011.

[9] 官金，李國富，陳志剛.基于工作電流信號的車床刀具故障分析[J].寧波大學學報（理工版），2013（1）：113?116.

[10] 龍伯華，譚陽紅，許慧，等.基于量子神經(jīng)網(wǎng)絡的電力電子電路故障診斷[J].電工技術學報，2009（10）：170?175.

[11] 龍伯華.電力電子電路故障診斷方法研究[D].長沙：湖南大學，2009.

[12] 王姣，劉海燕.基于支持向量機和遺傳算法的刀具故障診斷[J].組合機床與自動化加工技術，2013（1）：74?76.

[13] 楊俊宇，王云霞，沈愛群.基于CORBA技術的數(shù)控機床遠程服務系統(tǒng)[J].組合機床與自動化加工技術，2003（10）：62?64.

[14] 張永強.立式加工中心ATC裝置常見故障的診斷與分析[J].汽車實用技術，2010（6）：28?29.

[15] 王亞輝.基于Web的開放式數(shù)控系統(tǒng)遠程監(jiān)測與故障查詢診斷[D].南京：南京理工大學，2007.

[16] 趙春霞，白存軍，潘經(jīng)濤.基于LabVIEW數(shù)控機床刀具磨損的在線監(jiān)測[J].設備管理與維修，2015（11）：97?100.

[17] 俞凱耀，席東民.人工魚群算法優(yōu)化的PID神經(jīng)網(wǎng)絡解耦控制[J].計算機仿真，2014，31（10）：350?353.

[18] 王華秋.自組織模糊神經(jīng)網(wǎng)絡的內(nèi)?？刂蒲芯颗c應用[J].計算機仿真，2014，31（4）：343?346.