楊慧香,　寧騰飛,　高　智,　尹曉靜

(1.長(zhǎng)春工業(yè)大學(xué) 機(jī)電工程學(xué)院， 吉林 長(zhǎng)春　130012;

2.長(zhǎng)春工業(yè)大學(xué) 應(yīng)用技術(shù)學(xué)院， 吉林 長(zhǎng)春　130012)

?

EEMD兩級(jí)神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床伺服系統(tǒng)故障診斷

楊慧香1,寧騰飛1,高智2,尹曉靜1

(1.長(zhǎng)春工業(yè)大學(xué) 機(jī)電工程學(xué)院， 吉林 長(zhǎng)春130012;

2.長(zhǎng)春工業(yè)大學(xué) 應(yīng)用技術(shù)學(xué)院， 吉林 長(zhǎng)春130012)

摘要：首先通過(guò)集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition， EEMD)得到含有核心故障信號(hào)IMF分量作為特征量，按故障部件確定故障定位總神經(jīng)網(wǎng)絡(luò)，然后以電機(jī)、軸承、滾珠絲杠和聯(lián)軸器故障類型分別建立故障類型分神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵詞：數(shù)控機(jī)床； 伺服系統(tǒng)； EEMD； 兩級(jí)神經(jīng)網(wǎng)絡(luò)

0引言

數(shù)控機(jī)床伺服系統(tǒng)作為機(jī)床活動(dòng)最為頻繁的系統(tǒng)，與其本身的加工精度、可靠性以及使用壽命都有直接關(guān)系。目前故障診斷大多對(duì)單一部件，如軸承、齒輪等獨(dú)立建模診斷，而數(shù)控機(jī)床伺服系統(tǒng)是一個(gè)電機(jī)、軸承、聯(lián)軸器和滾珠絲杠等多部件系統(tǒng)，具有繁復(fù)非線性關(guān)系的故障原因與預(yù)示決定了該系統(tǒng)在故障診斷方面的難度明顯很大。故障診斷的本質(zhì)是對(duì)故障類型的辨別，人工神經(jīng)網(wǎng)絡(luò)依靠其特性(如自學(xué)習(xí)能力、自組織能力等)廣泛應(yīng)用在故障診斷領(lǐng)域中[1]。神經(jīng)網(wǎng)絡(luò)故障診斷對(duì)故障特征參數(shù)的提取有很強(qiáng)的依賴性，故障特征提取直接決定故障分類識(shí)別的精準(zhǔn)度。非平穩(wěn)信號(hào)為伺服系統(tǒng)故障信號(hào)較為顯著的特征選擇合適的處理非平穩(wěn)信號(hào)的特征提取方法是很重要的[2]。

常見(jiàn)的分析時(shí)頻域的手段在目前都或多或少存在局限性[3]。如Wigner分布應(yīng)用在信號(hào)處理時(shí)會(huì)產(chǎn)生交叉干擾項(xiàng)，造成時(shí)頻信號(hào)特征模糊不清現(xiàn)象[4]；時(shí)頻窗口固定下的短時(shí)傅里葉變換，其不能同時(shí)將時(shí)頻關(guān)系處理合適[5]；小波變換缺乏自適應(yīng)性[6]。EMD分解雖然是一種基于信號(hào)的自適應(yīng)分解方法，避免了小波基函數(shù)的選擇，但存在模態(tài)混疊、端點(diǎn)效應(yīng)等問(wèn)題[7]。EEMD不但具有良好的自適應(yīng)性，還可以有效解決EMD模態(tài)混疊的缺點(diǎn)[8]。數(shù)控機(jī)床伺服系統(tǒng)等復(fù)雜機(jī)電系統(tǒng)的故障診斷、故障定位和故障類型難以區(qū)分，對(duì)神經(jīng)網(wǎng)絡(luò)故障數(shù)據(jù)需求量大，數(shù)據(jù)差異性和同一性明顯，質(zhì)量要求高，造成神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，診斷效果差[9]。

針對(duì)以上存在的問(wèn)題，文中將EEMD和兩級(jí)神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，應(yīng)用于數(shù)控機(jī)床伺服系統(tǒng)的故障診斷方法中。就是用EEMD作為電機(jī)、軸承、聯(lián)軸器和滾珠絲杠振動(dòng)信號(hào)的預(yù)處理器，訓(xùn)練一級(jí)BP網(wǎng)絡(luò)作為故障定位器。滾動(dòng)軸承工作時(shí)的狀態(tài)要與故障時(shí)的多種類型狀態(tài)做辨別，就需要得出對(duì)應(yīng)的故障點(diǎn)，經(jīng)過(guò)EEMD分解得出的能量特征，其中含有故障信息。在建立二級(jí)故障狀態(tài)辨識(shí)BP神經(jīng)網(wǎng)絡(luò)下，實(shí)驗(yàn)證明EEMD方法和兩級(jí)神經(jīng)網(wǎng)絡(luò)相結(jié)合應(yīng)用于故障定位和故障類型識(shí)別準(zhǔn)確有效。

1基于EEMD與兩級(jí)神經(jīng)網(wǎng)絡(luò)建立

1.1EEMD方法

EMD是把繁復(fù)非線性信號(hào)依照其局部時(shí)間的特征作為尺度，分解成一定數(shù)量IMF分量的過(guò)程。大量實(shí)驗(yàn)表明，EMD有如模態(tài)混疊等方面的問(wèn)題，均體現(xiàn)于分解的過(guò)程，通常為兩種情況：一種是在IMF唯一時(shí)，其包含的頻率為相異的信號(hào)；另一種是分解同一頻率形成了不一樣的IMF。EEMD故障診斷和故障類型識(shí)別手段，解決了傳統(tǒng)EMD的模態(tài)混疊問(wèn)題。EEMD算法精髓是添加高斯白噪聲于原始信號(hào)之后進(jìn)行EMD分解，最后得到IMF分量期望值。在EMD的基礎(chǔ)上，可以得到以下EEMD算法：

1)首先給原始信號(hào)x(t)添加白噪聲；

2)分解加噪后信號(hào)，得到IMF的分量；

3)逐次加載不一樣的白噪聲信號(hào)，循環(huán)第一和第二步；

4)最后得到的IMF分量的期望值為最后輸出。

信號(hào)的標(biāo)準(zhǔn)差一般為噪聲幅值標(biāo)準(zhǔn)差的5倍。

對(duì)同一個(gè)信號(hào)EMD和EEMD進(jìn)行仿真對(duì)比分析，仿真信號(hào)以及分解結(jié)果如圖1所示。

EMD分解時(shí)，正弦信號(hào)會(huì)被兩個(gè)IMF分量分屬，結(jié)果出現(xiàn)與實(shí)際情況非常的不符，從而導(dǎo)致IMF沒(méi)有物理意義。用EEMD分解時(shí)，得到一個(gè)正弦和沖擊成分2個(gè)IMF分量，比較圖1(a)、圖1(c) 可得，EEMD可以有效改善信號(hào)處理中模態(tài)混疊的情況。

(a) 仿真信號(hào)

(b) EMD的分解

(c) EEMD的分解

1.2兩級(jí)BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一種誤差逆?zhèn)鞑ニ惴?，也是目前使用最多的神?jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)的功能是實(shí)現(xiàn)輸入與輸出的任意非線性映射關(guān)系，它的優(yōu)點(diǎn)是不需要事前表明映射關(guān)系。

數(shù)控機(jī)床伺服系統(tǒng)是一個(gè)多部件系統(tǒng)，故障數(shù)據(jù)量大，單層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)龐大，要求故障類型樣本質(zhì)量很高，即同一故障穩(wěn)定性好、不同故障差異性大。根據(jù)數(shù)控機(jī)床伺服系統(tǒng)的組成，故障定位的一級(jí)網(wǎng)絡(luò)由正常、電機(jī)故障、軸承故障、聯(lián)軸器故障和滾珠絲杠故障組成；二級(jí)類型的分網(wǎng)絡(luò)分別以組成部件故障類型建立。以電機(jī)故障、正常、軸承故障、聯(lián)軸器故障和滾珠絲杠故障狀態(tài)振動(dòng)信號(hào)特征量，訓(xùn)練總網(wǎng)絡(luò)；用典型的故障類型振動(dòng)信號(hào)特征量分別訓(xùn)練分網(wǎng)絡(luò)。故障信號(hào)首先經(jīng)過(guò)總網(wǎng)絡(luò)，實(shí)現(xiàn)定位故障部位；然后再將此故障信號(hào)輸入相應(yīng)部位的分網(wǎng)絡(luò)，進(jìn)行故障類型識(shí)別。兩級(jí)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，為了提高故障分類速度，可將高維度的對(duì)應(yīng)關(guān)系分解成為相對(duì)低維的對(duì)應(yīng)關(guān)系。伺服系統(tǒng)兩級(jí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

以圖2故障為例，如果是單層神經(jīng)網(wǎng)絡(luò)需要11種故障樣本，首先這11個(gè)故障樣本同一故障需要有很好的穩(wěn)定性，確定是同一故障；其次為了區(qū)分故障，還必須有顯而易見(jiàn)的差異性。而兩級(jí)神經(jīng)網(wǎng)絡(luò)總網(wǎng)絡(luò)只需5種故障樣本，減少了55%的樣本類型，減少了樣本質(zhì)量難度，提高了診斷精確度。另外，還能實(shí)現(xiàn)故障定位和類型辨識(shí)，增加了診斷的效果。

圖2數(shù)控機(jī)床伺服系統(tǒng)兩級(jí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2基于EEMD和兩級(jí)神經(jīng)網(wǎng)絡(luò)故障診斷

1)對(duì)伺服系統(tǒng)狀態(tài)進(jìn)行采樣；

2)利用EEMD分解原始信號(hào)，獲得各個(gè)IMF分量；

3)分析包含故障信息的IMF分量。

IMF分量能量

(1)

式中：ci(t)----每個(gè)IMF分量的數(shù)學(xué)表達(dá)式。

由于能量數(shù)值較大，將其歸一化處理：

令

(2)

構(gòu)造一個(gè)特征向量T：

(3)

建立一級(jí)故障定位網(wǎng)絡(luò)。

同上，以故障部位不同的故障類型按照步驟1)～3)構(gòu)造特征向量T，建立二級(jí)故障類型辨識(shí)網(wǎng)絡(luò)。

3基于EEMD與兩級(jí)神經(jīng)網(wǎng)絡(luò)伺服系統(tǒng)故障診斷實(shí)驗(yàn)驗(yàn)證

為了證明所提方法的有效性，采用Case Western Reserve中心的實(shí)驗(yàn)數(shù)據(jù)進(jìn)一步研究。以型號(hào)為6310型滾動(dòng)軸承，25 Hz的實(shí)驗(yàn)軸轉(zhuǎn)頻，4 096 Hz的采樣頻率的軸承故障為例，通過(guò)貼在軸承座上的振動(dòng)傳感器來(lái)獲取振動(dòng)信號(hào)。

用EEMD分解原始信號(hào)，提取含有核心故障信息的8個(gè)IMF，按式(2)、(3)和(4)求出參數(shù)T；采用一級(jí)BP故障網(wǎng)絡(luò)進(jìn)行定位分類，神經(jīng)網(wǎng)絡(luò)的輸入為正常、軸承故障和滾珠絲杠故障的T，正常、軸承故障和滾珠絲杠3種模式作為其輸出，即網(wǎng)絡(luò)結(jié)構(gòu)為8×10×3。每一個(gè)狀態(tài)用10個(gè)訓(xùn)練樣本，截止誤差為0.001。對(duì)15個(gè)測(cè)試樣本進(jìn)行測(cè)試，結(jié)果網(wǎng)絡(luò)全部能成功識(shí)別各種模式的5個(gè)樣本。

以故障軸承內(nèi)圈故障、外圈故障、正常特征量T這3種類型構(gòu)建二級(jí)BP故障類型辨識(shí)網(wǎng)絡(luò)，用10個(gè)樣本訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練至收斂。選取15個(gè)測(cè)試樣本進(jìn)行測(cè)試，每一種模式包含5個(gè)樣本，結(jié)果網(wǎng)絡(luò)全部正確識(shí)別。

4結(jié)語(yǔ)

EEMD方法自適應(yīng)信號(hào)分解，篩選核心故障信息的IMF分量，計(jì)算能量值，再將這些數(shù)據(jù)與兩級(jí)神經(jīng)網(wǎng)絡(luò)結(jié)合，以此實(shí)現(xiàn)了故障定位和故障識(shí)別。為了達(dá)到有效、快速、準(zhǔn)確地辨識(shí)伺服系統(tǒng)故障部位和故障類型的效果，EEMD方法和兩級(jí)BP網(wǎng)絡(luò)的故障診斷方法是可行的。若改善樣本分布或增加樣本數(shù)量,識(shí)別率將更高。

表1　一級(jí)故障定位網(wǎng)絡(luò)測(cè)試結(jié)果

表2　二級(jí)故障類型辨識(shí)網(wǎng)絡(luò)測(cè)試結(jié)果

參考文獻(xiàn)：

[1]尚志信,周宇,葉慶衛(wèi),等.基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)故障診斷模型研究[J].寧波大學(xué)學(xué)報(bào)：理工版,2013(2):45-48.

[2]楊國(guó)安,周世剛.一種適用于機(jī)械非平穩(wěn)故障信號(hào)的分析方法[J].信號(hào)處理,2001(3):287-290.

[3]楊宇,于德介,程軍圣.基于經(jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障診斷方法[J].中國(guó)機(jī)械工程,2004,10:64-67,76.

[4]李文偉,王忠仁.Wigner-Ville分布及在信號(hào)分析中的應(yīng)用[J].四川兵工學(xué)報(bào),2008(3):15-16,69.

[5]李舜酩,郭海東,李殿榮.振動(dòng)信號(hào)處理方法綜述[J].儀器儀表學(xué)報(bào),2013(8):1907-1915.

[6]潘旭峰,謝波,李曉雷.小波變換理論及其在機(jī)械故障診斷中的應(yīng)用[J].振動(dòng)與沖擊,1998(1):18-23,97.

[7]周智,朱永生,張優(yōu)云,等.基于EEMD和共振解調(diào)的滾動(dòng)軸承自適應(yīng)故障診斷[J].振動(dòng)與沖擊,2013(2):76-80.

[8]江航,尚春陽(yáng),高瑞鵬.基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌故障噪聲診斷識(shí)別方法研究[J].振動(dòng)與沖擊,2014,17:34-38.

[9]劉超,張?zhí)炝?張邦成,等.數(shù)控機(jī)床伺服系統(tǒng)故障診斷技術(shù)研究綜述[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版,2013，34(2):200-206.

Fault diagnosis of NC machine tool servo system based on EEMD and two level neural network

YANG Huixiang1,NING Tengfei1,GAO Zhi2,YIN Xiaojing1

(1.School of Mechatronic Engineering, Changchun University of Technology, Changchun 130012， China;2.School of Soft Technology， Changchun University of Technology, Changchun 130012， China)

Abstract：The Ensemble Empirical Mode Decomposition (EEMD) is applied to get the IMF component energy signal which includes the essential fault information. The signal is taken as the feature data to establish the first stage fault position neural network according to the fault sections. The second stage neural networks relating fault types from motor, the bearing, the ball screw and the axis couplings are built accordingly

Key words：CNC machine tool; servo system; EEMD(Ensemble Empirical Mode Decomposition); two stage neural network.

中圖分類號(hào)：TG 659

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-1374(2016)01-0073-05

DOI:10.15923/j.cnki.cn22-1382/t.2016.1.15

作者簡(jiǎn)介：楊慧香(1966-)，女，漢族，吉林長(zhǎng)春人，長(zhǎng)春工業(yè)大學(xué)副教授，主要從事機(jī)電一體化綜合技術(shù)方向研究,E-mail:yanghuixiang@ccut.edu.cn.

基金項(xiàng)目：吉林省教育廳“十一五”科學(xué)技術(shù)研究項(xiàng)目(2009109)

收稿日期：2015-12-10