艾 國

(神木職業(yè)技術(shù)學(xué)院，陜西 神木 719300)

科學(xué)技術(shù)的發(fā)展使得數(shù)控機床的應(yīng)用越來越廣泛，現(xiàn)已成為機械制造行業(yè)的中堅力量，創(chuàng)造了巨大的社會效益和經(jīng)濟效益。數(shù)控機床根據(jù)其驅(qū)動方式一般可分為變頻調(diào)速電機驅(qū)動和伺服主軸電機驅(qū)動兩類。交流主軸電機一般采用感應(yīng)式交流伺服電機，伺服主軸電機在應(yīng)用過程中必須采用與數(shù)控系統(tǒng)相匹配的主軸驅(qū)動器。使用主軸驅(qū)動方法雖然精度較高，但是使用成本也相對較高。變頻器主軸驅(qū)動屬于一種通用主軸驅(qū)動，能夠?qū)ζ胀ㄈ嘟涣鳟惒诫妱訖C進行無極調(diào)速，調(diào)速過程也比較簡單，利用這種變頻調(diào)速方式的數(shù)控機床屬于經(jīng)濟型機床，在相關(guān)領(lǐng)域得到了廣泛應(yīng)用[1-2]。但這類機床如果出現(xiàn)故障則需要外送維修，也就是說變頻調(diào)速數(shù)控機床的故障較為復(fù)雜，使用者無法自行對其進行維修，且維修周期較長，會耽誤生產(chǎn)。針對這一問題，本文提出了一種新的變頻調(diào)速數(shù)控機床健康狀態(tài)評估方法。利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建變頻調(diào)速數(shù)控機床故障診斷模型，為提高該模型的運算效率，對BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)進行改進，然后利用改進的模型對故障進行診斷，并針對故障提出相應(yīng)的維修方法，實現(xiàn)變頻調(diào)速數(shù)控機床運行健康狀態(tài)的可靠評估。實驗結(jié)果表明：變頻調(diào)速數(shù)控機床健康狀態(tài)評估方法要優(yōu)于傳統(tǒng)方法，能診斷出常見的幾種故障，準(zhǔn)確性提高了3%，時間縮短了2s。該方法彌補了傳統(tǒng)方法存在的不足，提高了診斷效率，基本達到快速、準(zhǔn)確排除故障的目的。

1 基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)監(jiān)測原理

1.1 BP神經(jīng)網(wǎng)絡(luò)下運行故障檢測模型

人工神經(jīng)網(wǎng)絡(luò)是模擬大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的產(chǎn)物，是一種復(fù)雜的、大規(guī)模的非線性信息處理系統(tǒng)[3]。由于神經(jīng)網(wǎng)絡(luò)具有模擬任何非連續(xù)性函數(shù)的能力、利用樣本學(xué)習(xí)能力、容錯能力以及天然模式識別能力，已被廣泛用于各種故障診斷中。其診斷原理如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)故障診斷原理

利用BP神經(jīng)網(wǎng)絡(luò)對變頻調(diào)速數(shù)控機床進行故障診斷，可以直接訓(xùn)練故障狀態(tài)信息，得到某種映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)本身自學(xué)習(xí)能力和自適應(yīng)能力決定了它在故障診斷領(lǐng)域中的重要地位[4]。當(dāng)利用該方法進行故障診斷時，神經(jīng)網(wǎng)絡(luò)的輸入與電氣系統(tǒng)的故障類別門限特征要一一對應(yīng)，即把采集到的故障樣本狀態(tài)的特征參數(shù)按照單位神經(jīng)元的結(jié)構(gòu)對應(yīng)排列。排列過程中，可以通過故障樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，從而診斷出變頻調(diào)速數(shù)控機床存在何種故障。

圖2所示為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。從圖中可以看出，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般有三層，由許多個節(jié)點連接而成(一個節(jié)點就是一個BP神經(jīng)元)，同一層的各節(jié)點不連接，不同層各節(jié)點通過權(quán)值連接[5]。

圖2 BP神經(jīng)網(wǎng)絡(luò)三層結(jié)構(gòu)圖

在圖2所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上構(gòu)建一個BP神經(jīng)元基本模型，如圖3所示。

在圖3模型中，每一個輸入的神經(jīng)元都有相對應(yīng)的權(quán)值，取值與偏差相加構(gòu)成神經(jīng)元輸出函數(shù)。隱含層與輸出層各個節(jié)點的輸出函數(shù)K和G分別為：

(1)

式中：N為神經(jīng)元數(shù)量；Cir為輸入層連接權(quán)值；Dij為隱含層連接權(quán)值；Er和Fr分別為隱含層和輸出層的單元閾值。

在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，公式(1)中的f(·)采用sigmoid函數(shù)，如圖4所示。

1.2 BP神經(jīng)網(wǎng)絡(luò)算法的改進

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法運算效率低、覆蓋面小，具有極大的局限性，導(dǎo)致診斷效率和準(zhǔn)確性不能滿足實際需求，因此本文提出一種改進的BP神經(jīng)網(wǎng)絡(luò)算法，以彌補傳統(tǒng)方法存在的不足[5-6]。算法過程如下。

圖4 BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)

選取若干個學(xué)習(xí)樣本，將各個樣本的權(quán)值系數(shù)初始化為非零的最小隨機數(shù)。然后輸入學(xué)習(xí)樣本，設(shè)置目標(biāo)輸出T為：

(2)

式中：T為目標(biāo)輸出；b為權(quán)值初始值；z為閾值初始值。

計算神經(jīng)網(wǎng)絡(luò)的實際輸出：

(3)

根據(jù)神經(jīng)網(wǎng)絡(luò)的實際輸出計算誤差值：

輸出層

δ=T(1-T)

(4)

隱含層

(5)

調(diào)整權(quán)值和閾值：

b(T+1)=b(t)+Er·η-δ

(6)

z(T+1)=z(t)+Fr·η-θ

(7)

式中：η為學(xué)習(xí)步長。

計算故障診斷精度E：

E=∑En

(8)

式中：En為固定學(xué)習(xí)步長下的單個精度。

判斷指標(biāo)是否滿足精度要求E小于e(e為故障診斷精度)，如果滿足要求，則返回式(7)，并矯正其誤差；如果不滿足要求，則返回式(3)，重新求得故障判斷數(shù)據(jù)的實際輸出。

BP神經(jīng)網(wǎng)絡(luò)算法具體流程如圖5所示。

1.3 數(shù)控機床健康狀態(tài)評估

利用上文建立的BP神經(jīng)網(wǎng)絡(luò)進行數(shù)控機床運行狀態(tài)評估，首先進行故障數(shù)據(jù)采樣，然后對故障數(shù)據(jù)進行分析，得出故障名稱。其評估步驟如圖6所示。

圖5 改進的BP神經(jīng)網(wǎng)絡(luò)算法流程

圖6 運行健康狀態(tài)評估步驟

首先對存在故障的變頻調(diào)速數(shù)控機床進行初始化操作，然后提取其故障特征，求出故障類別門限特征，并將其作為輸入層的輸入權(quán)值，最后利用BP神經(jīng)網(wǎng)絡(luò)模型求得輸出層的輸出權(quán)值，并根據(jù)輸出結(jié)果對比故障庫判斷屬于何種故障，實現(xiàn)變頻調(diào)速數(shù)控機床健康狀態(tài)的評估。

利用數(shù)控機床運行狀態(tài)評估模型，按照診斷流程，可以診斷出5種較為常見的故障，具體見表1。

2 變頻調(diào)速數(shù)控機床故障維修方法

故障維修是健康狀態(tài)可靠性評估第二階段工作，該階段工作完成后，也就達到健康運行目的。

表1 常見故障類型

變頻調(diào)速數(shù)控機床一旦出現(xiàn)故障就不會只存在一種，因為數(shù)控機床電氣系統(tǒng)是一個整體，各個部件相互連接，相互作用，如果其中一個部件出現(xiàn)缺陷，伴隨問題程度的逐漸加深，會緩慢破壞其他部件，導(dǎo)致其他部件失靈或癱瘓[7-8]。對于出現(xiàn)的不同原因、不同部位的故障采用不同的方式進行維修，對于某些綜合性故障則需要把幾種方式結(jié)合起來，靈活運用，以便達到治標(biāo)又治本的目的。

上述的數(shù)控機床故障，其具體的維修方法有：

1)直接維修法。該方法主要用于解決電源故障。首先縮小電源故障種類的檢查范圍，然后找到故障點進行健康狀態(tài)可靠性評估。該方法比較簡單，但也是最常用的方法，可以解決那些有外在特征表現(xiàn)的故障，需要維修人員有一定的技術(shù)和經(jīng)驗。

2)參數(shù)更正法。該方法主要用于解決無法恢復(fù)出廠設(shè)置的問題?；謴?fù)出廠設(shè)置屬于軟件應(yīng)用，因此只能通過調(diào)整系統(tǒng)參數(shù)才能修復(fù)好。此外，該方法也同樣適用于解決其他類似軟件問題，只要根據(jù)使用手冊輸入正確的參數(shù)即可。

3)備件置換法。該方法主要解決變頻調(diào)速數(shù)控機床動態(tài)性能差的問題。動態(tài)性能差是因為設(shè)備被過度使用，因此最直接的方法就是更換系統(tǒng)備件。更換時，需要在斷電的情況下進行，且維修人員必須按照設(shè)備更換要求嚴(yán)格執(zhí)行[8]。

4)初始化復(fù)位法。該方法可以通過硬件或開關(guān)系統(tǒng)電源來解決位置環(huán)故障和偶發(fā)性停機故障。需要注意一點：當(dāng)變頻調(diào)速數(shù)控機床工作區(qū)域由于突發(fā)性斷電、電流過大或電池欠壓造成混亂后，系統(tǒng)需要重啟，這時系統(tǒng)會自動進行初始化操作，系統(tǒng)中的數(shù)據(jù)會丟失，因此應(yīng)該注意做好數(shù)據(jù)備份[9]。

3 仿真實驗

無論是傳統(tǒng)運行狀態(tài)評估方法還是本文所提方法，在第二階段(維修階段)采用的方法都是一樣的，因此無法將維修手段作為本次實驗的參考指標(biāo)，僅選取第一階段，即故障診斷階段的診斷精確度和效率作為本次實驗的參考指標(biāo)[10]。得到的結(jié)果即可視為健康狀態(tài)可靠性評估效果。

假定在某次運行過程中，出現(xiàn)以下5個類別門限特征：A1為電壓不穩(wěn)、A2為坐標(biāo)軸定位偏移、A3為測量模塊出現(xiàn)問題、A4為機床磨損嚴(yán)重、A5為環(huán)境影響。5個類別門限所對應(yīng)的故障：B1為電源故障、B2為位置環(huán)故障、B3為出廠設(shè)置故障、 B4為動態(tài)性能故障、B5為偶發(fā)性停機故障[11-12]。以1表示出現(xiàn)故障，0表示不出現(xiàn)，得到部分訓(xùn)練樣本見表2。

表2 故障學(xué)習(xí)樣本

為保證實驗的客觀性，一共進行了5組仿真實驗，本文方法和傳統(tǒng)方法的實驗誤差對比見表3。

表3 故障診斷誤差對比

根據(jù)表3取兩種診斷方法的平均結(jié)果作為最終結(jié)果，兩種方法結(jié)果對比如圖7所示。

從圖7中可以看出，傳統(tǒng)方法診斷結(jié)果的正確率總體上要低于BP神經(jīng)網(wǎng)絡(luò)，其中二者最大誤差發(fā)生在T2輸出狀態(tài)，二者相差6%，最小誤差發(fā)生在T3輸出狀態(tài)，二者相差1%。取所有電氣系統(tǒng)輸出狀態(tài)下兩種方法的結(jié)果平均值進行對比：利用BP神經(jīng)網(wǎng)絡(luò)進行診斷，正確率高于傳統(tǒng)方法3%。由此證明BP神經(jīng)網(wǎng)絡(luò)診斷方法更適合用于故障診斷和排除。

圖7 不同方法結(jié)果對比

在故障診斷中，除了要保證精度外，診斷效率也十分重要。從圖8效率對比曲線圖中可以看出，傳統(tǒng)方法的診斷效率要低于BP神經(jīng)網(wǎng)絡(luò)診斷效率，BP神經(jīng)網(wǎng)絡(luò)診斷時長比傳統(tǒng)方法平均少了2s。

圖8 兩種方法效率對比結(jié)果圖

4 應(yīng)用實例

以某變頻調(diào)速數(shù)控機床為例，對其健康狀態(tài)進行評估。為保證數(shù)據(jù)的有效性，在評估過程中，機床測量參數(shù)固定，未做出修改，具體參數(shù)見表4。

表4 數(shù)控機床測量參數(shù)

選取不同時間段的機床健康狀態(tài)評估結(jié)果，繪制成為曲線圖，開始監(jiān)測時間為2016年1月。機床的健康狀態(tài)變化情況如圖9所示。

圖9 機床健康狀態(tài)變化曲線

從圖9中可以看出，變頻調(diào)速數(shù)控機床在運行的前5個月處于健康狀態(tài)，隨著運行時間的延長，逐漸呈亞健康狀態(tài)，在11個月的時候開始劣化，與實際的劣化過程比較吻合，也證明了本文所提方法具有一定的可靠性。

5 結(jié)束語

本文提出的變頻調(diào)速數(shù)控機床健康狀態(tài)可靠性評估方法，與傳統(tǒng)方法相比具有更高的準(zhǔn)確度和時效性，將本文方法應(yīng)用在數(shù)控機床的健康評估實踐中，可以及時檢測出機床設(shè)備的多種故障，保障了設(shè)備的運行安全，降低了生產(chǎn)成本，為我國數(shù)控機床的發(fā)展和經(jīng)濟增長提供了新的推動力。