基于麻雀算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)診斷數(shù)控機床故障

王舒瑋

(山西大同大學(xué) 機電工程學(xué)院, 山西 大同 037000)

數(shù)控機床是目前最典型的機電一體化設(shè)備,其主要特點是靈活性好、效率高、精度高且產(chǎn)品質(zhì)量穩(wěn)定.數(shù)控機床集自動控制技術(shù)、機械制造技術(shù)、計算機技術(shù)和測試技術(shù)于一體,在現(xiàn)代機械制造業(yè)中發(fā)揮著重要作用[1].然而,如果數(shù)控機床的機械結(jié)構(gòu)更復(fù)雜,部件更多,則出現(xiàn)故障的概率將會增加,數(shù)控機床的可靠性則會降低.數(shù)控機床的故障是多種多樣的,導(dǎo)致出現(xiàn)故障的因素也是不確定的,故障主要出現(xiàn)在機械、電氣、控制等方面[2].同一故障的引發(fā)因素不同,甚至存在多種因素共同作用的情況,導(dǎo)致檢測數(shù)控機床故障的難度大大提升.因此,如何分析數(shù)控機床故障出現(xiàn)的誘發(fā)因素,準確判斷并查找故障出現(xiàn)的位置,采用合理排除方法使數(shù)控機床能夠繼續(xù)恢復(fù)正常工作,是解決數(shù)控機床故障診斷的首要任務(wù)[3].

目前常見的數(shù)控機床故障診斷方法為逐層逐步診斷法.準確判斷并查找故障出現(xiàn)的位置至關(guān)重要.可能出現(xiàn)問題的位置主要包括主機結(jié)構(gòu)、數(shù)控系統(tǒng)、伺服系統(tǒng)、電機驅(qū)動系統(tǒng)、機床電氣系統(tǒng)和液壓系統(tǒng)等[4].在數(shù)控機床中往往故障的癥狀發(fā)生在機床的某個環(huán)節(jié),而故障原因卻又可能出現(xiàn)在一個或多個系統(tǒng)中.

目前,我國自主研發(fā)的數(shù)控機床在自診斷故障環(huán)節(jié)相對比較薄弱,智能診斷能力較低,即使診斷到故障環(huán)節(jié),但對查找故障出現(xiàn)的原因定位仍不夠準確,容易出現(xiàn)維修人員無法根據(jù)故障現(xiàn)象準確確定故障原因的問題[5].因此,在數(shù)控機床使用和研發(fā)過程中,如何根據(jù)出現(xiàn)的故障現(xiàn)象快速準確地診斷故障原因是非常重要的.隨著智能化、現(xiàn)代化的發(fā)展以及自動控制和人工智能領(lǐng)域知識的不斷融合,現(xiàn)代數(shù)控機床故障診斷工具實現(xiàn)了從智能到綜合智能的轉(zhuǎn)變[6].在使用數(shù)控機床時,每個傳感器都有其特定的功能和測量范圍,每個傳感器的數(shù)據(jù)僅限于描述特定對象或系統(tǒng).基于單傳感器的特點,數(shù)控機床的故障產(chǎn)生、診斷和分析無法完成整體判斷[7].若故障分析和預(yù)測方法能夠預(yù)測故障的發(fā)生或發(fā)展趨勢誤差(即預(yù)測誤差或事后效應(yīng)),則可進行及時預(yù)防或維護,因此,誤差預(yù)測對數(shù)控機床的實際使用和可靠性研究具有深遠意義[8].

麻雀搜索算法[9]是一種群體優(yōu)化算法,可以抽象地表述為探測者—跟隨者—預(yù)警者模型.目前麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在各個領(lǐng)域都已廣泛應(yīng)用,但將其應(yīng)用于數(shù)控機床故障的診斷尚未有深度研究.本文采用麻雀搜索算法改善BP神經(jīng)網(wǎng)絡(luò)的性能,提出了一種新的數(shù)控機床狀態(tài)故障檢測方法,進而診斷數(shù)控機床服役中的常見故障.

1 常見數(shù)控機床故障類型及診斷

數(shù)控機床在機械工業(yè)中得到了廣泛應(yīng)用,其后續(xù)維護、維修工作變得越來越重要.為了提高數(shù)控機床的維修效率、維修水平和故障診斷率,排查數(shù)控機床系統(tǒng)故障的重要任務(wù)之一是在數(shù)控機床發(fā)生故障時,對故障產(chǎn)生的誘發(fā)因素進行判斷和評估,從而便于準確確定故障發(fā)生位置,及時有效地采取相應(yīng)故障診斷措施進行故障修復(fù)[10].數(shù)控機床常見故障現(xiàn)象和誘因如表1、2所示.

表1 部分數(shù)控機床故障現(xiàn)象集Tab.1 Partial symptom sets of CNC machine tool faults

表2 部分數(shù)控機床故障誘因集Tab.2 Partial cause sets of CNC machine tool faults

2 麻雀搜索算法

麻雀搜索算法是一種新型群體智能優(yōu)化算法,具有優(yōu)化能力強、目標限制低、設(shè)置參數(shù)少等優(yōu)點,已成功應(yīng)用于圖像分割、短期光伏性能預(yù)測等實際應(yīng)用中[11].在麻雀搜索算法中種群中的個體具備以下特點:每個個體可以隨時監(jiān)控種群中其他個體的行為,種群中的個體可與食物供應(yīng)量較高的個體進行競爭以提高捕食效率;個體策略的選擇主要取決于食物儲備;由于生活在種群邊緣的個體更易受到攻擊,故將努力靠近中部地區(qū),而中心地區(qū)個體將與其附近個體靠攏從而降低風(fēng)險;當個體發(fā)現(xiàn)捕食者時,會向種群發(fā)出警告[12].根據(jù)以上種群特征,將種群分為探測者和跟隨者兩種類型,麻雀搜索算法的具體步驟為:

1) 首先確定麻雀種群數(shù)量、所需優(yōu)化變量維數(shù)、最大迭代次數(shù)和搜索區(qū)域上、下邊界.

2) 探測者負責(zé)尋找食物,引導(dǎo)整個種群行動,跟隨者跟隨探測者尋找食物.同時,安排一定比例的個體進行勘查,當意識到危險時發(fā)出信號警告種群并采取反捕行動[13].種群中探測者負責(zé)尋找食物的方向和位置,從而使跟隨者更接近食物所在方向.跟蹤到捕食者后發(fā)出警告信號,如果警告信號值大于安全閾值,探測者將引導(dǎo)種群進入安全區(qū)域,即

(1)

3) 當探測者所處位置的能力值較低時,一些饑餓的跟隨者會轉(zhuǎn)移到其他地方覓食,同時跟隨者會不斷地監(jiān)視探測者,然后爭奪食物資源以降低饑餓率.因此,追隨者在種群中的位置更新表達式為

(2)

4) 當個體意識到種群中的危險時,個體沿著邊緣移動到安全區(qū)域,而麻雀(最初在種群中心)則隨機移動以形成新的種群,即

(3)

式中:β為控制步長參數(shù),且為服從N(0,1)的隨機數(shù);K∈[-1,1]為麻雀位置,用于確定步長;fi為第i只麻雀的適應(yīng)度值;fb為當前麻雀種群的最優(yōu)適應(yīng)度值;fw為當前麻雀種群的最差適應(yīng)度值;e為極小數(shù).

3 機床故障診斷設(shè)計實例

3.1 SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法

在SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的具體過程中,首先建立故障診斷模型樣本,確定閾值和權(quán)值為不為零的任意數(shù),然后確定輸入和目標輸出,計算實際輸出和隱含層數(shù)量,將故障現(xiàn)象集作為訓(xùn)練樣本模型的輸入,確定訓(xùn)練樣本集和測試樣本集,對訓(xùn)練誤差進行計算,輸出層和輸入層計算公式[3]分別為

δpj=Opj(1-Opj)(tpj-Opj)

(4)

(5)

隨后確定BP神經(jīng)網(wǎng)絡(luò)基本參數(shù),其中輸入層設(shè)定為34個輸入向量,與34組故障征兆集數(shù)量一致;輸出層設(shè)定為54個輸出向量,與54組故障誘因集數(shù)量一致,利用MATLAB程序函數(shù)設(shè)定隱藏層數(shù)量為12個.此外,利用MATLAB程序?qū)SA-BP神經(jīng)網(wǎng)絡(luò)進行設(shè)定,初始化BP網(wǎng)絡(luò)權(quán)值和閾值表達式[5]分別為

ωi(t+1)=ωi(t)+ηδjOpj+

α[ωi(t)-ωi(t-1)]

(6)

θi(t+1)=θi(t)+ηδj+

θα[θi(t)-θi(t-1)]

(7)

利用麻雀搜索算法計算種群個體,確定麻雀適應(yīng)度,并搜索相關(guān)設(shè)定參數(shù),確定覓食和反捕食行為,并更新最佳適應(yīng)度值和位置信息[14].利用最佳適應(yīng)度值和位置信息,根據(jù)式(1)～(3)分別更新探測者位置、追隨者位置與麻雀危險位置,確定最新麻雀位置的適應(yīng)度,將更新后的適應(yīng)度與最優(yōu)適應(yīng)度進行比較,若滿足終止準則,獲取最優(yōu)參數(shù)并進行仿真預(yù)測后輸出結(jié)果;若不滿足終止準則,檢查迭代情況并重新初始化BP權(quán)值和閾值.數(shù)控機床故障診斷具體步驟如圖1[15]所示.

圖1 數(shù)控機床故障診斷具體步驟Fig.1 Specific steps for fault diagnosis of CNC machine tool

3.2 故障現(xiàn)象訓(xùn)練樣本分析

將CAK6150型數(shù)控車床作為實驗設(shè)備,整理了該車床的常見故障征兆與原因,將故障出現(xiàn)概率數(shù)據(jù)化后輸入SSA-BP神經(jīng)網(wǎng)絡(luò)中.在診斷過程中由于故障頻率變化很大,故障征兆中所產(chǎn)生的等級分為高、中、低三等,具體結(jié)果如圖2所示.

圖2 故障發(fā)生概率Fig.2 Fault probability

圖2中的信息應(yīng)適用于機床重復(fù)處理和常見錯誤之間的因果關(guān)系.以主軸常見故障為例,表3列出了主軸電機故障的一些常見原因和出現(xiàn)概率.

表3 故障征兆和誘因Tab.3 Fault symptoms and causes

由表3可見,在數(shù)控機床主軸停轉(zhuǎn)(作為輸入向量P1)的故障原因中,最容易導(dǎo)致主軸停轉(zhuǎn)的原因(作為輸出向量T1)是錯誤激活脫機信號和開關(guān)故障;其次是超載和電路板故障;另外還有可能是液壓缸電纜開關(guān)跌落、需更換液壓缸或漏油.因此,主軸停轉(zhuǎn)所對應(yīng)的向量表達式為

P1=[0,0,0.934,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]T

T1=[0.821,0,0,0,0,0,0,0,0,0,0,0.623,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0.598,0.421,0.398,0.821,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]T

將34組故障征兆集定義為輸入向量,54組故障誘因集定義為輸出向量,并將其作為訓(xùn)練樣本應(yīng)用到SSA-BP神經(jīng)網(wǎng)絡(luò)中,則

3.3 診斷收斂效果對比

圖3為BP神經(jīng)網(wǎng)絡(luò)收斂情況.由圖3可見,標準BP網(wǎng)絡(luò)對數(shù)控機床常見故障的仿真誤差較大,迭代收斂效果不佳且存在較大誤差震蕩現(xiàn)象[16].

圖3 BP神經(jīng)網(wǎng)絡(luò)收斂情況Fig.3 Convergence of BP neural network

利用SSA-BP神經(jīng)網(wǎng)絡(luò)對故障仿真誤差進行重新測試,將實際工況中發(fā)生的數(shù)控機床故障數(shù)據(jù)作為網(wǎng)絡(luò)樣本集,利用MATLAB軟件對其進行訓(xùn)練,SSA-BP神經(jīng)網(wǎng)絡(luò)收斂情況如圖4所示.由圖4可見,SSA-BP神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)迭代100次的效果,與標準BP神經(jīng)網(wǎng)絡(luò)相比,收斂速度更快,收斂曲線更平穩(wěn).

圖4 SSA-BP神經(jīng)網(wǎng)絡(luò)收斂情況Fig.4 Convergence of SSA-BP neural network

圖5中SSA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測故障輸出誤差.由圖5可以計算得到SSA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差為2.29%,接近預(yù)期效果對應(yīng)的理論偏差,仿真結(jié)果與理論輸出非常接近.SSA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測故障輸出誤差與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比較小.

圖5 SSA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測故障輸出誤差Fig.5 Fault output error predicted by SSA-BP neural network

4 結(jié) 論

采用麻雀算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)解決數(shù)控機床故障診斷問題,對數(shù)控機床常見故障創(chuàng)建訓(xùn)練樣本模型,對其故障誘因?qū)е碌墓收犀F(xiàn)象進行了誤差分析.將實際工況中發(fā)生的數(shù)控機床故障數(shù)據(jù)作為網(wǎng)絡(luò)樣本集,利用MATLAB軟件對其進行訓(xùn)練后,不僅提高了診斷時效,還提高了判斷故障誘因的準確性.因此,將SSA-BP神經(jīng)網(wǎng)絡(luò)模型用于檢測數(shù)控機床故障的方案是可行的.