第３期 机械设计与制造 ２０１６年３月 Ｍａｃｈｉｎｅｒｙ Ｄｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ １６７ 融合ＫＰＣＡ与ＰＳＯ—ＲＢＦ的数控机床故障诊断研究 杨东民 ，陈敏 ，吴庆朝。 （１．包头职业技术学院，内蒙古包头０１４０３０；２．浙江大学信息学部控制科学与工程学院，浙江杭州３１００００； ３＿中国北车大同电力机车有限责任公司，山西大同０３７０３８） 摘要：针对数控机床发生故障时多故障源、多变量、强耦合的特点和ＲＢＦ神经网络结构参数选取依据经验的问题，提 出一种融合核主元分析方法（ｋｅｒｎｅｌ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ，ＫＰＣＡ）与粒子群算法优化ＲＢＦ神经网络的数控机床 故障诊断方法。首先，对所测信号利用核主元分析方法进行降噪、拨冗余，提取故障特征；其次，利用粒子群算法（Ｐａｒｔｉｃｌｅ ｓｗａｍ ｏｐｔｉｍｉｚａｔｉｏｎ，Ｐｓ０）优化ＲＢＦ神经网络隐层节点中心和宽度；最后，将经ＫＰＣＡ提取的故障特征作为输入，建立 ＰＳＯ优化ＲＢＦ的故障诊断模型。通过某数控床伺服系统七种常见故障特征仿真实验，结果表明：与ＲＢＦ神经网络、ＰＳＯ 优化ＲＢＦ神经网络相比，融合ＫＰＣＡ和ＰＳＯ优化ＲＢＦ神经网络的故障诊断方法不仅提高了网络的训练速度及泛化能 力，而且具有更高辨识精度。 关键词：核主成分分析；粒子群算法；ＲＢＦ神经网络数：数控机床；故障诊断 中图分类号：ＴＨ１６；ＴＰ１８ 文献标识码：Ａ 文章编号：１００１—３９９７（２０１６）０３—０１６７—０４ Ｒｅｓｅａｒｃｈ ｏｎ ＣＮＣ Ｍａｃｈｉｎｅ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ Ｂａｓｅｄ ｏｎ ＫＰＣＡ－ＰＳＯ—ＲＢＦ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ＹＡＮＧ Ｄｏｎｇ—ｍｉｎ ，ＣＨＥＮ Ｍｉｎ ，ＷＵ Ｑｉｎｇ—ｃｈａｏ （１．Ｂａｏｔｏｕ Ｖｏｃａｔｉｏｎａｌ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｌｌｅｇｅ，Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ Ｂａｏｔｏｕ ０１４０３０，Ｃｈｉｎａ； ２．Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｏｎｔｒｏｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｚｈｅｊｉａｎｇ Ｈａｎｇｚｈｏｕ ３１００００，Ｃｈｉｎａ； ３．ＣＮＲ Ｄａｔｏｎｇ Ｅｌｅｃｔｒｉｃ Ｌｏｃｏｍｏｔｉｖｅ Ｃｏ．，Ｌｔｄ．，Ｓｈａｎｘｉ Ｄａｔｏｎｇ ０３７０３８，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｈａｃｉｎｇ ｔｈｅ ｆａｕｌｔ ｃｈａｒａｃｔｅｒｓｉｔｃｉｓ ｏｆｍｕｌｔｉ－ｓｏｕｒｃｅｓ ａｎｄ ｍｕｌｔｉ－ｖａｒｉａｂｌｅｓ ｃｏｕｐｌｉｎｇ，ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｉｓ ａ ｇｒｅａｔ ｃｈａｌｌｅｎｇｅ Ｉ厂０ｒ ｔｈｅ ｃｏｍｐｕｔｅｒ ｎｕｍｅｒｉｃａｌ ｃｏｎｔｒｏｌ（ＣＮＣ）ｍａｃｈｉｎｅ ｔｏｏ１．Ａｎ ｉｎｔｅｇｒｔａｅｄｆａｕｌｔ ｉｄｅｎｔｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｗｈｉｃｈｆｕｓｅｓ ｋｅｒｅｎｌ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ（ＫＰＣＡ）ｍｅｔｈｏｄ，ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍ ａｎｄ ＲＢＦ ｎｅｕｒｌａ ｅｎｔｗｏｒｋ ｓｉ ｐｒｏｐｏｓｅｄ．Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｅｆｉｆｃｉｅｎｃｙ ｆｏｆａｕｈ ｄｉａｇｎｏｓｉｓ，ｓｅｖｅｒｌａ ｉｍｐｒｏｖｅｍｅｎｔｓ ａｒｅ ｇｉｖｅｎ．Ｆｉｒｓｔ ｆｏａｌｌ，ｔｈｅ ｋｅｒｎｅｌｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄ ｉｓ ｅｍｐｌｏｙｅｄ ｔｏ ｅｘｔｒａｃｔ ｔｈｅｆａｕｌｔ ａｔｕｒｅ．Ｔｈｅｎ，ｏｗｎｉｎｇ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆｇｏｏｄ ｇｌｏｂａｌ ｓｅａｒｃｈ ａｂｉｌｉｔｙ ａｎｄｆａｓｔ ｃｏｎｖｅｒｇｅｎｃｅ ａｂｉｌｉｔｙ，ｐａｒｔｉｃｌｅ ｓｗａｒｌｎ ｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍ ｉｓ ｕｓｅｄｔｏ ｏｐｔｉｍｉｚｅ ｔｈｅ ｓｔｒｕｃｔｕｒｅｐａｒａｍｅｔｅｒｓ ｏｆＲＢＦ，ｓｕｃｈ ａｓ ｈｉｄｄｅｎ ｌａｙｅｒ ｎｏｄｅｓ ｃｅｎｔｅｒ ａｎｄ ｗｉｄｔｈ，ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｔｒａｉｎｉｎｇ ｓｐｅｅｄ ａｎｄ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ａｂｉｌｉｔｙ．Ｆｉｎａｌｌｙ，ｓｅｖｅｎ ｋｉｎｄｓ ｏｆｃｏｍｍｏｎｆａｉｌｕｒｅｓ ｏｆＣＮＣ ｍａｃｈｉｎｅ ｔｏｏｌ ｓｅｒｖｏ ｓｙｓｔｅｍ ｒａｅ ｔｅｓｔｅｄ ｗｉｔｈ ｔｈｅ ｐｒｏｐｏｓｅｄ ｌａｇｏｒｉｔｈｍ．Ｔｈｅ ｒｅｓｕｌ￣ｓｈｏｗ ｔｈａｔ，ｃｏｍｐａｒｅｄ ｗｉｔｈ ＲＢＦ ａｎｄ ＰＳＯ—ＲＢＦ ｍｏｄｅｌ，ｔｈｅ ｃａｃｕｒｃａｙ ｆｏｔｈｅｆａｕｌｔ ｉｄｅｎｔｆｉｃａｔｉｏｎ ｈｉｇｈｅｒ ａｎｄ ｔｈｅ ｇｅｎｅｒｌａｉｚａｔｉｏｎ ａｂｉｌｉｔｙ ｓｉ ｓｔｒｏｎｇｅｒ ｉｎ ｃ∞ｅ ｏｆｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ． Ｋｅｙ Ｗｏｒｄｓ：Ｋｅｒｎｅｌ Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ；Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ；ＲＢＦ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；Ｃｏｍｐｕｔｅｒ Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ（ＣＮＣ）Ｍａｃｈｉｎｅ；Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ １引言 难以实现陕速准确的定位，导致维修费用高、难度大，严重影响着 数控机床是工业生产、制造的基础设备，是提升我国装备制 我国数控机床的可用率和完好率＿１Ｊ。因此，针对如何快速、准确的 造业的关键要素。然而，数控机床复杂的机电一体化结构致使其 实现数控机床故障诊断的研究一直十分活跃日。 易发生故障且故障发生频率高、隐蔽性强，由此导致数控机床故 如今，数控机床的智能化故障诊断手段受到人们越来越多 障诊断复杂、维修难度大。传统维修方法对维修人员要求较高，且 的关注口】。文献嗍提出应用ＲＢＦ神经网络实现数控机床控制系统 来稿１３期：２０１５—０８—２４ 基金项目：国家自然科￣（６１１３４００１）；内蒙古科技厅高新技术领域科技计划重大项目的部分资助（２０１３０３０２） 作者简介：杨东民，（１９７７一），男，山西临汾人，硕士研究生，讲师，主要研究方向：于模具设计与制造的教学与研究工作 堡 杨东民等：融合ＫＰＣＡ与ＰＳＯ—ＲＢＦ的数控机床故障诊断研究 第３期 故障诊断的方法和程序设计；文献口牿合模式识别与神经网络各 活动的研究，其因算法简单、收敛迅速、全局搜索能力强等优点被 自的优点并应用到数控机床的故障诊断中，取得了较好的实验结 广泛应用并取得了较好的效果。其迭代公式如下： 果；文献 应用蚁群算法优化ＢＰ算法并建立了机床进给伺服系 统故障诊断模型，实验表明优化后的诊断模型，收敛迅速、运算效 率高、识别能力强。然而，数控机床工作环境十分复杂，提取的特征 ｖｏ（ｔ＋１）－ＷＸｖ （￡）＋ｃｌｘｒａｎｄ（）ｘ（ｐ （ｔ） （‘））＋ ｃ２ｘｒａｎｄ（）ｘ（ｇ￣；－ｘ （ ）） （ｔ＋１）＝； （ｔ）＋ ＃（ｔ＋１） （５） （６） 信号中包含大量的噪声和冗余，以上方法均未能对其进行有效剔 除，致使所建模型结构复杂、训练速度相对较慢，同时ＲＢＦ网络在 式中： ＝１，２，…，ｍ，—第ｉ个粒子 ＝１，２，…， ，—第＿『维空间；置＝ （Ｘｉｌ，Ｘ ．．， ），—粒子位置（优化问题的一个潜在解）；Ｖ （蛳， ，…， ）—粒子速度（决定了粒子移动的方向和距 故障诊断领域又较ＢＰ网络具有更强的发展潜力，鉴于此，提出 一种融合核主元分析方法（Ｋｅｒｎｅｌ Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ， ＫＰＣＡ）与粒子群算法优化ＲＢＦ神经网络的数控机床故障辨识方 离）； 、ｇ广由适应度确定的个体极值和全局极值．ｃｌ、ｃ广 法；即对所测信号利用核主元分析方法进行降噪、拨冗余，提取故 障特征；在此基础上，利用粒子群算法（ＰＳ０）优化ＲＢＦ网络隐层 节点中心和宽度并建立起ＰＳＯ优化ＲＢＦ的故障诊断模型，以期 提高诊断的效率和准确性。 ２基于ＫＰＣＡ故障特征提取 ＫＰＣＡ方法通过某种预选的非线性映射将低维空间特征信 号转换到高维空间进行线性主元分析，进而获取其非线性成分。 其在保留主要特征完整性的基础上有效地去除信号中的噪声和 冗余，降低原始信号维数，提高故障识别效率。基于ＫＰＣＡ的信号 特征提取步骤如下： （１）原始特征信号采集。通过安装在机床上的ｎ个不同类型 的传感器实现原始特征信号的采集，若采集ｍ组该信号，则构成 原始信号集为ｒｔｘｍ。 （２）非线性映射核主元提取。设原始数据ｘｉ（／＝ｌ，２，３…ｍ）的特 征空间Ｒ经非线性映射 映射到新的解空间 中的像为 （ ）， 若映射的数据为零均值，则其协方差矩阵如下： ．１ （ ） （ ） ｒ （１） 则样本 在第ｋ个特征向量上的投影如式（２）： Ｍ 【 ． （ ）］＝∑ 【／＝ｌ ４￣（ｘ１）， （ ）］ （２） 式中： ＿矩阵Ｃ对应于特征值Ａ的特征向量； —第ｋ个特征向 量；Ｋ （施， ｆ）＝ （ ）· （ 『）’ｊｌ。（魁， ）—核函数，其选择不 同得到的分类结果也不同，在此选择应用广泛、分类效果较 佳的高斯核函数即： Ｋｏ＝ｅｘｐ（ ） （３） （３）核主元特征向量确定。通过累积方差贡献率式（４）来确 定核主元特征向量。 Ａ ＝｝ （４） Ａ ／＝ｌ 从ｃ的特征值Ａ ，Ａ ，… 中由大到小选择选取前ｄ个特征 向量作为核主元特征向量，通常上述特征向量的累ｒ￣；ｈ－差贡献率 要达到８５％以上。 ３ ＰＳＯ优化ＲＢＦ神经网络的算法 ３．１ ＰＳＯ算法 ＰＳＯ算法起源于Ｅｂｅｒｈａｒｔ博士和ｋｅｎｎｅｄｙ博士对鸟类捕食 学习因子；卜送代次数，ｒａｎｄ（）一（Ｏ～１）之间的随机数； 一 惯性权重。 ３．２ ＲＢＦ神经网络模型 与ＢＰ神经网络训练时间长、易陷入局部最优相比，ＲＢＦ在 函数逼近和分类能力、学习速度等方面均优于ＢＰ网络，故被广 泛应用于故障诊断、模式识别、图像处理等领域 ＲＢＦ是一种采 用局部响应来映射函数的三层前向网络，其拓扑结构，如图１所 示。其输出结果为隐含层各个节点输出结果的线性加权和，即： －－ｂ￣＋∑ （７） 式中：１，０产［ ，， ，…， ］ｒ，高斯函数值 ＝［咖Ｉ， ：，…， ］ ，阈值 ６产［６ｎ，６＆，…，ｂ 最常用的高斯函数值由式（８）确定： ６￣ｘｐ（、 １ ，２，… ： （８） 式中： 一隐含层中第 个节点； ＝［ ％…，Ｘｎ１］ｚ＿‘输入样本； ｃ厂－高斯函数的中心；田一高斯函数的宽度；ｒｔ。、 ｎ广｛俞入 层、隐含层、输出层的节点数。 ． ｔ ｔ ｔ 输入层 隐含层 输出层 图１ ＲＢＦ神经网络结构模型 Ｆｉｇ．１ Ｔｈｅ Ｓｔｒｕｃｔｕｒｅ ｏｆ ＲＢＦ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ３．３ ＰＳＯ—ＲＢＦ故障诊断模型的建立 在上述ＲＢＦ网络训练学习过程中隐含层神经元的中心Ｃｊ 和宽度 的确定极其重要，若选取不当，易导致网络泛化能力 差、收敛误差大。目前为止，理论上仍未有有效的求解方法，对此， 采用ＰＳＯ算法优化ＲＢＦ网络的结构参数，即将高斯基函数的中 心ｃ 和宽度 ，转化为ＰＳＯ算法中的粒子进行不断迭代，寻求其 全局最优解。具体流程，如图２所示。 Ｎｏ．３ Ｍａｒ．２０１６ 机械设计与制造 １６９ 表１主轴伺服系统故障现象与原因对应关系 Ｔａｂ．１ Ｃｏｒｒｅｓｐｏｎｄｉｎｇ Ｒｅｌａｔｉｏｎｓ Ｂｅｔｗｅｅｎ ｔｈｅ Ｓｐｉｎｄｌｅ Ｓｅｒｖｅ Ｓｙｓｔｅｍ Ｆａｕｌｔ Ｐｈｅｎｏｍｅｎｏｎ ａｎｄ Ｒｅａｓｏｎ 图２粒子群优化ＲＢＦ神经网络算法流程 依据表１记录的实验数据作为训练样本建立基于ＰＳＯ— Ｆｉｇ．２ Ｔｈｅ Ａｌｇｏｒｉｔｈｍ Ｐｒｏｃｅｓｓ ｏｆ ＰＳＯ－ＲＢＦ ＲＢＦ故障辩识模型，则输入层、输出层的节点数均为７，为提高模 ４融合ＫＰＣＡ和ＰＳＯ—ＲＢＦ的数控机床 型的精度和泛化能力，首先利用ＫＰＣＡ提取上述数据的核主成分 故障诊断模型的构建 结果，如图４所示。从图４看出前４个核主成分的贡献率分别为 一 ＿） Ｅ ＿【ｄｘ瞄００目 ∞∞∞蚰∞如∞ｍ Ｏ 为了验证上述方法的有效性和可行性，以我院数控实训基 ５２．４％、２７．８％、１２．７％、８．６％，累计贡献率已达９８％以上，故在选择 地ＣＡＫ６１５０数控车床作为实验载体，其中主轴伺服系统，如图３ 训练样本时取保留原数据９８％以上特征信息的前４个核主成分 所示。是连接数控装置与机械传功部件的关键部分，由此以该车 替代／￣，６－的７个来作为模型的输入，以此简化网络结构。 床的主轴伺服系统故障作为研究对象。 指令．。．ＣＮＣ位置控制 ． 伺服速度控制 。．进给运动 图３ ＣＡＫ６１５０数控车主轴伺服系统工作原理图 Ｆｉｇ．３ Ｔｈｅ Ｐｒｉｎｃｉｐｌｅ Ｄｉａｇｒａｍ ｏｆ ＣＮＣ Ｍａｃｈｉｎｅ Ｔｏｏｌ Ｓｐｉｎｄｌｅ Ｓｅｒｖｅ Ｓｙｓｔｅｍ 融合ＫＰＣＡ和ＰＳＯ—ＲＢＦ的数控机床故障诊断模型的构建 ｌ ２ ％％％％％％％％％ ｛萋鼢 ３ ４ ｌ薹 思路：对记录的故障数据经ＫＰＣＡ降维除冗余后找到其主分；随 Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ 为训练样本，利用ＰＳＯ优化ＲＢＦ神 图４累积方差贡献率图 经网络算法建立故障辨识模型；利用余下的主成分数据作为测试 Ｆｉｇ．４ Ｃｕｍｕｌａｔｉｖｅ Ｖａｒｉａｎｃｅｓ Ｃｏｎｔｉｒｂｕｔｉｏｎ Ｒａｔｅ 样本验证模型的精度，具体流程为：ＣＮＣ故障数据一ＫＰｃＡ数据 ４．２故障诊断模型建立 处理—核主成分一ＰｓＯ—ＲＢＦ故障识别模型一故障原因。 经ＫＰＣＡ后，确定ＰＳＯ优化ＲＢＦ网络故障诊断模型的输入 ４．１实验数据的分析及其核主成分提取 层、输出层节点数分别为４和７，而隐含层节点数依据实验取９， 实验中，采用安装在ＣＡＫ６１５０上不同位置的传感器检测其 则该网络结构为４－９—７，进而确定粒子群中每个粒子的维数为４× 异常，通过长期的记录、观察及总结发现该设备的主要故障有：Ｅ （９＋１）－４０维，种群个数ｍ－－４０，迭代次数为１００次，精度为０．００１， 主轴随机振动、 主轴电动机过热、Ｅ，主轴定位抖动、日主轴转 Ｃｌ＝＝ｃ ＝１．４９；粒子的速度范围为［＿０．０ｌ，０．０１］，位置范围为［０，Ｉ］， 速与进给不匹配、 转速偏离指令值、 主轴噪声与振动、 主 Ｗｍａｘ￣－．９，ｗ，￣－－－Ｏ．４ｏ随机选取表１中１４０组作为训练样本，借助于 轴不转等七方面的故障。通过剖析及事后的维修发现与上述故障 Ｍａｔｌａｂ软件依图２所示流程建立ＰＳＯ优化ＲＢＦ的故障诊断模 对应的原因如： 屏蔽和接地故障、Ｒ 切削量过大、Ｒ 参数设置 型，训练结果，如图５所示。图５中实线为采用ＰＳＯ—ＲＢＦ网络算 错误、Ｒ 编码器故障、 ，电机过载、 主轴驱动装置故障、Ｒ，主 法训练时的ＰＳＯ迭代过程的适应度曲线，由图易知，上述方法中 轴机械故障。将上述故障编码为数字信号，便于ＰＳＯ—ＲＢＦ故障 该种群经过１７次迭代便收敛到０．００１附近，较没有进行ＫＰＣＡ 模型的辩识，采用文献 编码方式对引起故障的相应原因进行编 约简的ＰＳＯ－ＲＢＦ模型中粒子群的适应度曲线（图中虚线）收敛速 码，如：发生该类故障时为“１”，否则为“０”，据此采集到的１５０组 度快，精度高；经其优化的ＲＢＦ网络结构仅需４８步训练后网络 数据，如表１所示。 的迭代精度便达到设定的目标精度０．０００１，如图６所示。余下的 Ｎｏ．３ １７０ 机械设计与制造 表３三种诊断模型辨识准确率的比较 Ｔａｂ．３ Ｔｈｅ Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｄｉｆｅｒｅｎｔ Ｍａｒ．２０１ ６ １０组作为测试样本，输出结果与期望结果的对比，如表２所示。 从表２可知，测试输出中除序号为３、５、９三组故障类别不能准确 识别，其余７组识别率达１００％。 一 哪） 趟挈｝ Ｄｉａｇｎｏｓｉｓ Ｍｏｄｅｌ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ａｃｃｕｒａｃｙ ５结论 针对数控机床发生故障时多故障源、多变量、强耦合的特点 和ＲＢＦ神经网络结构参数选取依据经验的问题，将ＫＰＣＡ、ＰＳＯ 与ＲＢＦ神经网络相融合，一方面，在有效去除数控机床故障诊断 进化代数 图５粒子迭代过程适应度值曲线 Ｆｉｇ．５ Ｆｉｔｎｅｓｓ Ｖａｌｕｅ Ｃｕｒｖｅ ｏｆ Ｐａｒｔｉｃｌｅ Ｉｔｅｒａｔｉｏｎ Ｐｒｏｃｅｓｓ ４８ Ｅｐｏｃｈｓ 图６ ＰＳＯ—ＲＢＦ神经网络训练误差曲线 Ｆｉｇ．６ Ｅｒｒｏｒ Ｃｕｒｖｅ ｏｆ ＫＰＣＡ－ＰＳＯ－ＲＢＦ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｔｒａｉｎｉｎｇ 表２融合ＫＰＣＡ和ＰＳＯ—ＲＢＦ神经网络诊断模型 测试输出与期望输出 Ｔａｂ．２ Ｄｉａｇｎｏｓｉｓ Ｍｏｄｅｌ ｏｆ ＫＰＣＡ—ＰＳＯ—ＲＢＦ Ｔｅｓｔ Ｏｕｔｐｕｔ ａｎｄ ｔｈｅ Ｅｘｐｅｃｔｅｄ Ｏｕｔｐｕｔ 霉 测试输出 期望输出 故障 类型 ｌ Ｒ２ ３ Ｒ４ Ｒ５ ６ ７ ｌＲ２Ｒ３ ４Ｒ５Ｒ６ ７ ｌ ０．９５４０．９８２ ０．２１２ ０ ０．１０２ ０．１１４ ０．４０２ １ １ Ｏ Ｏ ０ １ １ ２ Ｏ Ｏ ０．９６４０Ｄ５１ ０．８９６ ０．９７８ ０脚０ Ｏ ｌ Ｏ １ ｌ ０ Ｅ ３ ０．９６５ ０．０１２０．１２７ Ｏ ０．９９４ ０．９２６ ０．９６８ ０ ０ ０ ０ １ ｌ １ ４ ０．０ｏ１ ０ ０．ｏｏ７ ０．９８９ ０ ０．４５３ ０．３４１ ０ ０ ０ １ Ｏ Ｏ ０ ５ ０．２４７０．６２ｌ ０．９３２ ０．７５２ ０．２１ｌ Ｏ．２１３ ０．８５７ ０ １ １ Ｏ ｌ ０ ｌ ６ Ｏ．４２３ Ｏ．９９５ Ｏ Ｏ ０．８９４ ０．７９６ ０．９８９ Ｏ １ Ｏ Ｏ ｌ １ １ Ｅ ７ ０．１２２ ０ ０．９８８ ０．３２４ ０．０１９ ０ ０．０３２ ０ ０ １ Ｏ Ｏ ０ ０ ， ， ８ Ｏ ０．９８９ ０．１１５ ０ ０．１２０ ０．０ｏ８ ０．１０５ ０ １ Ｏ ０ ０ ０ ０ Ｅｌ， ９ ０舯６０．１２７ ０Ｉ９６７ ０，８９５ ０．１２７ ０．９２４ ０．１５５ ０ ０ ｌ ｌ ０ Ｏ ０ ｌＯ０．２１００Ｄｏ３ ０．３１００．９９９ ０ Ｏ．Ｏｌ１ Ｏ Ｏ Ｏ Ｏ Ｏ Ｏ Ｏ Ｏ Ｅ２，Ｂ 同理，采用标准ＲＢＦ神经网络、ＰＳＯ优化ＲＢＦ神经网络将 上述训练样本作为输入建立该伺服系统故障诊断模型，利用上述 测试样本完成测试，结果如表３所示。从表３中易知，融合 ＫＰＣＡ—ＰＳＯ—ＲＢＦ神经网络的故障辨识准确率最高。 过程中的信息冗余和噪声点的基础上，约简网络结构，提高了机 床故障诊断效率与准确率；另一方面，利用全局搜索能力强、算法 简单的ＰＳＯ算法优化ＲＢＦ网络结构，克服了ＲＢＦ网络中高斯核 函数中心和宽度参数选择困难的问题。将构建的融合ＫＰＣＡ— ＰＳＯ～ＲＢＦ故障诊断模型，应用到数控机床故障诊断中，实现了主 轴伺服系统故障的准确辨识。实验结果表明，故障诊断方法准确 率更高、泛化能力更强，优于ＲＢＦ神经网络、ＰＳＯ优化的ＲＢＦ神 经网络，从而能够更好的实现数控机床的故障诊断。 参考文献 ［１］王家海，黄江涛，沈斌擞控机床智能故障诊断技术的研究现状与展望 ［Ｊ］．机械制造，２０１４（５）：３０－３２． （ＷａｎｇＪｉａ－ｈａｉ，ＨｕａｎｇＪｉａｎｇ－ｔａｏ，ＳｈｅＢｉｎ．Ｒｅｓｅａｒｃｈ ｓｔａｔｕｓ ａｎｄＰｒｏｓｐｅｃｔ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｆｏｒ ＮＣ ｍａｃｈｉｎｅ ｔｏｏｌｓ［Ｊ］．Ｍａｃｈｉｎｅ Ｍａｎｕｆａｃｔｕｒ－ ｉｎｇ，２０１４（５）：３０－３２．） ［２］夏太武，黄大贵．基于神经网络联想记｝乙的数控机床故障诊断系统［Ｊ］． 制造业自动化，２００８（７）：２１—２３． （ＸｉａＴａｉ－ｗｕ，ＨｕａｎｇＤａ－ｇｕｉ．Ｎｕｍｅｒｉｃａｌ ｃｏｎｔｒｏｌｍａｃｈｉｎｅｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍ ｂａｓｉｎｇ ｏｎ ｎｅｒｖｅ ｎｅｔ ａｓｓｏｃｉａｔｉｏｎａｌ ｍｅｍｏｒｙ［Ｊ］．Ｍａｎｕｆａｃｔｕｒｉｎｇ Ａｕｔｏｍａｔｉｏｎ， ２００８（７）：２ｌ一２３．） ［３］唐甜，张向利，陶晗．基于ＬＭ—ＢＰ神经网络的机床伺服系统故障诊断 ［Ｊ］．桂林电子科技大学学报，２０１３（３）：２１８—２２２． （ＴａｎｇＴｉａｎ，ＺｈａｎｇＸｉａｎｇ－ｌｉ，Ｔａｏ Ｈａｎ．Ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｓｅｒｖｏｍｅｃｈａｎｉｓｍ ｆｏｒ ｍａｃｈｉｎｅ ｔｏｏｌ ｂａｓｅｄ ｏｎ ＬＭ—ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］Ｊｏｕｒｎａｌ ｏｆ Ｇｕｉｌｉｎ ＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｏｎｉｃＴｅｃｈｎｏｌｏｇｙ，２０１３（３）：２１８—２２２．） ［４］李捷辉．基于ＲＢＦ神经网络的数控机床故障诊断研究［ｎ机床电器， ２００３（５）：１０—１３． （ＬｉＪｉｅ－ｈｕｉ．ＳｔｕｄｙｏｆＮＣｍａｃｈｉｎｅｔｏｏｌｆａｉｌｕｒｅｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎＲＢＦｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］．ＭａｃｈｉｎｅＴｏｏ１．２００３（５）：１ １３．） ［５］Ｄｕ Ｊｕａｎ，ＹａｎＸｉａｎ－ｇｕｏ，ＮａＳｈａ－ｗｅｉ．ＦａｕｈｄｉａｇｎｏｓｉｓｏｆＣＮＣ ｍａｃｈｉｎｅ ｕｓｉｎｇ ｈｙｂｒｉｄ ｎｅｕｒ￣ｎｅｔｗｏｒｋ［Ｊ］．Ａｐｐｌｉｅｄ Ｍｅｃｈａｎｉｃ ａｎｄ Ｍａｔｅｒｉａｌｓ，２０１２（１２８－ １２９）：８６５—８６９． ［６］吴冬敏，邵剑平，芮延年基于蚁群算法和神经网络的数控机床故障诊 断技术研究［Ｊ］．机械设计与制造，２０１３（１）：１６５—１６７． （Ｗｕ Ｄｏｎｇ－ｍｉｎ，ＳｈａｏＪｉａｎ－ｐｉｎｇ，Ｒｕｉ Ｙａｎ－ｎｉａｎ．Ｒｅｓｅａｒｃｈ ｏｎ ＣＮＣ ｍａｃｈｉｎｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｂａｓｅｄ ｏｎ ａｎｔ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ ａｎｄ ｎｅｕｒｌａ ｎｅｔｗｏｒｋ ｌＪ Ｊ． Ｍａｃｈｉｎｅｒｙ Ｄｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ．２０１３（１）：１６５—１６７．） ］Ｌｉｎ Ｃｈｕａｎ－ｋａｉ．Ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ－ｂａｓｅｄ ａｄａｐｔｉｖｅ ｃｒｉｔｉｃ ｃｏｎｔｒｏｌ ｏｆｉｎｄｕｃｔｉｏｎ ｍｏｔｏｒｓ［Ｊ］．Ａｐｐｌｉｅｄ Ｓｏｆｔ Ｃｏｍｐｕｔｉｎｇ，２０１１，１１（７）： ３０６６－３０７４．
