CK6150数控车床故障诊断研究

1、第1章绪论1.1选题背景及意义纵观21世纪的社会和经济形势，我国机械制造行业仍以高速向更大规模发展。其 中数控车床作为具有高精度、高自动化、高效率的现代化加工设备，在机械加工行业中 占有举足轻重的地位，由于目前机械制造业普遍釆用数控车床进行加工，因此对数控车 床的故障诊断系统的研究是具有重大意义的。滚珠丝杠副因具有很高的传动效率、定位精度和刚度等特点而成为数控机床进给系 统中主要的基础传动部件之一，其作用是将旋转运动转变成直线运动或直线运动转变成 旋转运动，在机床的力矩传动以及加工定位过程中占有不可替代的地位。滚珠丝杠副一 旦发生故障就会导致数控车床的加工精度下降、加工效率降低，从而导致很大的

2、经济损 失。还会带来严重的安全隐患以至于威胁现场工作人员的生命安全。因此，滚珠丝杠副 发生故障时，及时对其进行系统的分析，找出机械故障原因并采取有效的解决方案，以 便数控车床更加安全有效的运行，避免造成较大损失。1.2国内外数控车床故障诊断现状和发展趋势我国早期故障诊断技术较为落后，只能靠现场工作人员的视听感官对数控车床的故 障位置与类型进行简单判断，主观性、局限性较强，无法对易忽视的微小细节故障进行 判断，无法满足如今口趋大型化、高速化、自动化的设备要求。随着现代工业和科学技 术的迅速发展以及各种先进数学算法的出现，为数控车床故障诊断技术的发展提供了有 利的条件。在技术飞速发展的现代，数控车

3、床故障诊断也在朝着高智能，高速、高精 度的方向发展，它能在不停机的情况下，对数控车床的各种部件进行监控，并准确判断 出车床设备故障原因和部位，避免事故进一步扩大。目前，世界各国都在故障诊断技术 领域深入研究并取得显著成果。1.2.1国外滚珠丝杠副故障诊断现状近年来，随着传感器技术和计算机技术的不断发展，对滚珠丝杠副的状态监测与故 障诊断技术有了新的发展，国外很多学者对滚珠丝杠副工作状态的监测与故障诊断进行 了更深入的研究，研究内容涉及了滚珠丝杠副的振动噪声、摩擦、温升等问题。在国外， 对滚珠丝杠副相关技术的研究集屮在口本、美国、韩国等发达国家，口本学者针对外循 环插管式滚珠丝杠副的噪声问题进行

4、深入的研究，最终采用局部覆盖法将滚珠在反向器 管道中的冲击噪声成功的识别出来。美国威斯康辛大学基于运动学和动力学角度, 对滚珠丝杠副在运动过程中的受力情况进行了理论分析。罗马尼亚学者根据受力平衡原 理，通过分析滚珠丝杠副中滚珠的受力情况建立摩擦力矩模型，利用数值计算方法研究负荷和运行速度对摩擦力矩的影响。韩国学者分析了数控机床进给传动系统中滚珠丝 杠副受热变长的状况，并据此研究了它受热伸长而产生的温差变化。koderatakehiko 等人还研究出了一种光学测温系统，利用此系统能分析数控机床滚珠丝杠副的热分布情 况以及产生的热仲长。1.2.2内滚珠丝杠副故障诊断现状国内滚珠丝杠副行业与发达国家

5、相比而言起步比较晚，只有几十年的发展历史，但 经过几十年的发展，也已经逐步跻身于世界先进行列。我国对滚珠丝杠副的研究主要 围绕它的刚度、精度、力学、可靠性、性能、故障诊断等方面来开展。山东大学的张佐 营基于摩擦力学、接触力学、运动学及结构噪声学等理论，对端部偏转式高速滚珠丝杠 副的噪声机理及特性展开研究，为滚珠丝杠副的设计、制造及应用提供了基础罔。宁夏 长城机床厂对滚珠丝杠副轴向载荷变化时的计算进行研究，探讨了关于预测及延长滚珠 丝杠副使用寿命的理论性问题。西安汉川机床集团对数控机床滚珠丝杠副的支撑方式、 丝杠轴中心误差等对其精度的影响进行研究，并针对各种因素提出相应的解决措施。 孙奎洲等人对

6、滚珠丝杠副的刚度及接触疲劳寿命的可靠性进行了分析，并对其建立了可 靠性优化设计数学模型。上海交通大学对滚珠丝杠副常见的失效形式及产生原因进行简 要的分析，并对其使用环境、安装及润滑方面提出了相应的预防措施。123滚珠丝杠副故障诊断技术的发展趋势当今故障诊断技术向着传感器的精密、多维化，诊断理论、模型的多元化，诊断技 术的智能化方向发展，具体内容如下*（1）最新的传感技术和激光测量技术与之相结合。近年来，激光技术已从军事、 医疗等相关行业发展到故障诊断中。（2）最新的信号处理方法与之相结合。小波分析技术在设备故障诊断领域中得到 广泛的应用，使传统信号分析在应用上达到了一定的高度。（3）非吸纳性原

7、理和方法与之相结合。机械发生故障吋，其表征经常表现为非线 性特征。以混沌和分形几何的完善，这个问题将进一步解决。（4）现代智能方法与之相结合。随着智能科技的不断发展，应用在仪表的故障检 测中，并且更加方便实用的出现在工业诊断现场中。智能故障诊断想要在未来工业中发挥更大的用处，人工智能理论或者说人工神经网 络知识有必要进行普及，这种高新技术的特点本文会在下一章论述。1.3本论文的主要内容本文的设计重点为基于神经网络的故障诊断，因此神经网络的建立是本次课程设计 的屮心。先选用相关的硬件系统并提取出故障数据输入计算机中，再使用这些传输的故 障样木以及目标输出来训练所建立的故障诊断系统神经网络，通过使

8、用gui来模拟诊断 系统诊断所得到的故障参数。全文的主要内容如下：第一章，明确所选课题研究方向。了解国内外滚珠丝杠副故障诊断的现状与发展趋 势，对本课题的主要内容进行介绍。第二章，简要的讲述滚珠丝杠副故障诊断基础理论。论述导致滚珠丝杠副发生故障 的主要原因，神经网络的主要特点和具体实验的实质。第三章，介绍ck6150数控车床故障诊断系统的硬件组成。对传感器、前置放大器、 a/d转换器的功能进行简要阐述，对三种电子元件的型号类型进行确定，总结在硬件选 择方面的漏洞以及需要完善的地方。第四章，数控车床故障诊断系统的软件组成。主要介绍利用matlab进行bp神 经网络编程的过程，各种函数的选择，gu

9、i在界面编程中的应用，人机界面的主要结构 与作用。第五章，实验分析，做出诊断系统的实际使用部分并进行仿真，在网络上找到不同 的故障样本用所设计网络进行诊断。分析所得到结果，讨论网络的整体性能。结论，总结本次设计完成的任务与取得的成果，分析本次设计中的不足之处以及可 以改进之处。第2章 数控车床故障诊断基础理论2.1引言滚珠丝杠副在数控车床中发生故障是难以避免的，造成滚珠丝杠副失效的原因比较 繁杂，单一的一种失效情况也可能由于多种原因综合作用而引起，但是其振动信号与温 度信号给外界传递了一系列有用的信息。信息的处理可以利用小波分析，分离出信号所 反映的各个部分，它们可以翔实的反映故障信息。开发故

10、障诊断系统，需对故障的特征 和故障产生原因方面进行深入的研究。在导致滚珠丝杠副故障中比较常见的原因有：静 载荷过高，受到大的冲击载荷，异物进入造成运转阻塞等，滚珠丝杠副塑性变形；金属 颗粒等异物侵入，滚珠在进入与离开承载区域时的急剧变速，润滑剂不合适，滚珠滚动 受阻，有水侵入，滚珠丝杠副磨损失效；水、腐蚀性物质等侵入，温差变化大形成泠凝 水，润滑不当，滚珠丝杠副腐蚀失效；载荷过大，丝杠倾斜，受到冲击振动，瞬间载荷 过大；转速过高，急剧变速，滚珠丝杠副断裂失效。2.2滚珠丝杠副介绍滚珠丝杠副发明于19世纪末，经过100多年来的发展，滚珠丝杠副的性能越来 越完善。冃前滚珠丝杠副的种类已有十余种，其

11、按结构分一般分为内循环、外循环、端 盖与盖板结构。其屮，内循环滚珠丝杠副有圆形反向器和椭圆形反相器等。外循环滚珠 丝杠副有插管式滚珠丝杠副等。对于内循环滚珠丝杠副，其螺母外形尺寸较小，反相器固定较牢固，不易磨损、刚 性优良。滚珠数较少，流畅性较好、噪声小、摩擦损失小。故其传动效率高，广泛应用 在中小型数控车床的传动系统中。外循环滚珠丝杠副外形尺寸大，造成的噪声也大，耐 磨性较差，但其加工简单且承载能力较大，广泛应用于大型数控车床中。滚珠丝杠副的作用是实现直线运动与旋转运动的相互转换，较传统的滑动丝杠相比 具有以下优点：（1）传动效率高滚珠丝杠副中，力通过滚珠在螺母与丝杠之间传递，与传统的滑动丝

12、杠相比将滑 动摩擦替换为滚动摩擦，使传动效率变高，发热率也大大降低。（2）定位精度高滚珠丝杠副发热量低且温升小，在加工屮可对其进行预拉伸、预紧、消除轴间隙等 措施，使其有很高的定位精度。（3）传动可逆滚珠丝杠副能够实现旋转运动与直线运动的转换。（4）使用寿命长滚珠丝杠在制作时，选用材料等较为严格，使用寿命远远高于滑动丝杠，从而满足 了数控机床的性能要求，以其工作效率和使用时间弥补了滚珠丝杠副制造成木高于滑动 丝杠的缺点。(5) 同步性能好滚珠丝杠副工作时可实现多套滚珠驱动多个装置共同工作，其速度与位移有一致性, 工作时的摩擦阻力较小，使其准确度和灵敏度较高，同步性能好。2.3滚珠丝杠副常见故障

13、原因2.3.1塑性变形滚珠丝杠副的最主要的失效形式之一，即塑性变形；主要原因是其螺杆较长，故螺 杆屮间位置承受载荷能力较差，一旦载荷发生突变，或者异物阻塞、安装拆卸时用力过 大都会引起丝杠的弯曲，从而造成其塑性变形。2.3.2磨损失效滚珠丝杠副在正常使用吋，会有杂质进入零件接触的间隙之中，造成零件与杂质接 触，这是导致滚珠丝杠副磨损的主要原因。另外，滚珠丝杠副装配时不同的表面粗糙度 会对其造成不同的磨损量，当表面粗糙度较高时，长期使用后其磨损程度会比低粗糙度 高。其次滚珠在进入与离开承载区域时急剧变速或润滑剂不合适，有水侵入时都会引起 磨损失效。2.3.3腐蚀失效滚珠丝杠副的工作环境错综复杂，

14、若接触到水分和酸性物质时，会引起化学腐蚀， 若有电流经过，电流会击穿油膜产生电火花，引起电腐蚀。从而引起腐蚀失效。2.3.4断裂失效滚珠丝杠副的断裂失效是滚珠丝杠副各种失效形式中最危险的一种，如其遇到突发 性的冲击载荷或工作时超出其承受量都会引起断裂失效，另外在制造过程中材料热处理 不良导致滚珠丝杠刚度不够也是滚珠丝杠副断裂失效的促进因素。此外，当滚珠丝杠副发生故障，往往都会引起数控车床的过载、窜动与爬行。大大 影响了数控车床的加工精度与加工效率，更可能威胁工作人员的生命安全，造成经济损 失与安全隐患。(1) 过载数控车床过载的主要原因是进给系统工作时负载过大。当滚珠丝杠副的 轴向预加载荷太大

15、、螺母轴线与导轨不平行、丝杠与导轨不平行等状况发生时都会引起 过载。(2) 爬行 发生爬行时机床工作台开始不启动，启动后乂突然加速而后停顿，再 继续加速如此做循环运动，同时其移动部件有明显振动。机床爬行的原因一般为润滑不 良、机械传动发生故障等原因。(3) 窜动 发生窜动时，机床首先止常工作，速度平稳后突然加速。其原因为滚珠 丝杠副进给传动的润滑不良、丝杠支撑轴承破损、滚珠破损、轴向预加载荷过小等原因 导致传动链传动间隙过大引起窜动。2.4人工神经网络概述2.4.1定义人工神经网络(artificial neural network,简称ann)是人工智能领域屮扮演着重 要的角色。它是由大量形

16、式多样的神经微小单元组成，它们扮演着信息的微处理单元, 其复杂程度确定着生物的智能程度，同时还确定着对事物的认知和模仿能力。神经网络 建立就是以仿生为基础，根据学习和公式计算使神经微小单元具有非线性的认识能力并 自行工作。虽然单个神经微小单元处理能力有限，但大量神经元经过组合形成类似大脑 的特殊系统网络。主要分为前向型神经网络、反馈型神经网络、随机型神经网络等，其 中前向型神经网络应用最为广泛，也是一切神经网络的基础卩現如今，人工神经网络在 社会的很多领域都得到了应用，其实际运用价值极高，在未来的信息化工程中是不可或 缺的工具。如图21人工神经元模型，图22传递函数的非线性特性。人工神经元的数

17、学公式如下：(2-1)式中神经元输入神经元连接权输入信号线性组合器的输出神经元阈值神经元输出信号输入信号连接权图21人工神经元模型f()三种非线性特性表示如下图:0 /.心)(a)阶梯型(b)分段型(c) s型函数图2-2传递函数的非线性特性(1) 阶梯函数(2) 分段函数(3) s型函数f(v)=f(v)=f(v)=(2-2)(2-3)(2-4)2.4.2人工神经网络的特点人工神经网络功能强大,具有较强的信息处理能力,快速计算能力，容错率较高,能根据要求处理相应的目标问题，并突出表现在:(1) 系统经过学习后会具备记忆的能力，能够直接根据曾经输入的故障信息进行 学习。还可以根据对以往出现的故

18、障的判断，并和以往故障发生的位置进行比较，从而 准确找到故障位置2】。(2) 思维方式为曲线，类似于生物神经网络，拥有很好的表达效果，同时诊断的 核心又主要表现在对信号的识别和异常原因的发现，即建立一种输入与输出的直接关系。(3) 拥有很强的自我学习的特性，可以根据曾经的学习过的知识，进行自主识别， 培育岀全新的系统来诊断任何一个被感知到的信号，这个功能在诊断过程中具有重要意 义。2.4.3 bp神经网络模型算法及原理在机械故障诊断方面应用的人工神经网络的模型大部分是应用了上世纪80年代 rumclhart提出的多层神经网络反向学习计算法，称为bp(back propagation)神经网络。

19、 它是由多个前向型神经网络共同组成，通过比较输入与输出间存在的不同点，对隐层进 行不断的修改，最终实现输入与输出合理的盲接关系。其网络结构如图23所示。x为 神经网络的输入，w为输入层神经元与中间层神经元间的权值，v为中间层神经元与输 出层神经元间权值w图2-3典型的三层bp神经网络结构在选择完合适的结构之后，并且想达到最终的模式识别功能，可以根据故障数据与 原因间的一定关系，对隐层进行不断调整，使诊断精度大大提高。对于普通的三层神经 网络学习训练过程作如下简述。神经网络的输入向量p=xl, x2, x3, x4, .xm;神经网络的输出向量t二yl, y2, y3, y4, .yn|;中间层

20、输入向量se=sl, s 2, s3,.sq,输出向量be二bl, b 2, b3,bq; 输出层输入向量le二11, 12, 13,lp,输出向量ce=cl, c2, c3,cp; 输入和中间层之间的连接权wij, i=l, 2, 3, 4m,j=l 2, 3, 4. q;中间层输出层之间的连接权vjt, j=l, 2, 3, 4.q,t=l 2, 3, 4.q；8中间层输出阈值qj , j=l, 2, 3, 4.q输出层输出阈值ij, j=l 2, 3, 4.q；e=l, 2, 3, 4.m;bp神经网络的训练也通常分为儿个过程：首先wij、vjt> oj> rj会随机在(-1

21、, 1)范 围内进行赋值；然后提供输入数据向量组pe和目标输出数据向量组te给所建立的神经 网络；根据输入与输出数据计算出中间层se和be；之后在计算第三层的输入向量le 和输出向量ce,求出一般化误差，再对权值和阈值根据一般化误差进行校正。上述的 学习过程将会反复进行，直到满足规定次数或达到设定的训练精度。bp神经网络的算 法过程框图如图24所示。图2-4神经网络的算法过程框图第3章数控车床故障诊断系统硬件设计3.1数控车床进给系统基本信息及硬件结构本课题研究对象是应用较为广泛的、上海通实机床制造有限公司制造的ck6150数 控车床，由数控装置、床身、主轴箱、刀架进给系统、尾座、液压系统、冷

22、却系统、润 滑系统与排屑器等部分组成。其进给系统结构如图31,滚珠丝杠副结构如图32。工作台电动机图3-1数控车床进给系统结构图图3-2滚珠丝杠副结构图硬件设计部分主要分为传感器、信号放大器、a/d转换器以及最后的计算机接口部 分。传感器探头是故障诊断监测系统主要的信息来源，主要是把压力、温度、液位变化 的信号转化为变化的电信号，是故障诊断特征提取的保障，数据的稳定准确传输提高了 后期处理的可靠性。信号放大器需要将传感器检测到的信息进行放大，再利用a/d转换 器进行转换，并最终传入计算机。通过接口的信号通过计算机诊断软件部分，并得到输 岀结果。硬件系统流程图如图33所示。图3-3数控车床故障诊

23、断系统的硬件流程图3.2传感器的特点及选择3.2.1传感器的特点在感应装置的选择通常考虑以下两点：一是根据检测对象对传感器的类型进行确定, 二是根据传感器具体的型号特征确定最终选用的传感器，这样就可以选择满足实验要求 的感应装置。在对滚珠丝杠副进行数据采集时，监测其异常信号的感应装置通常可以使 用压力感应装置、红外温度感应装置等。压力传感器的特点：(1) 压力感应装置具有卓越的抗蚀能力、不易被破坏。(2) 此外，准确度相比较而言较高、不易发生大的波动。(3) 体积小巧、易封装、价格低。红外温度传感器的特点：(1) 测量精度较高，抗干扰。(2) 可实现远距离测温。(3) 价格低。3.2.2传感器

24、的选择根据我们所研究的滚珠丝杠副的故障原因以及各感应装置在收集信号方面的性能 特点，最终选择压力感应装置、红外温度感应装置、作为拟确定的传感器。根据传感器 的具体型号，各型号传感器的特征初选确定了两种传感器。压力感应装置在收集信号过程屮屮是比为常见的传感器，输出的通常为信息参数在 给定范围内的模拟信号。在此我们选择lc0101型压电加速度传感器进行信号收集。它将传统的压电加速度传感器与电荷放大器集于一体，能直接与记录、显示和采集仪器连 接，简化了测试系统，提高了测试的精度与稳定性。其突岀特点如下：(1) 低阻抗输出，抗干扰，噪音小，可进行长电缆传输；(2) 性价比高，安装方便；(3) 稳定性高

25、，抗干扰能力强。内装ic压电加速度传感器由压电加速度传感器与微型ic放大器组成。其信号输出 有两线特征，即信号输出线与微型ic放大器所需的恒流源电缆采用同一线，另一线为 地线。内装ic压电式传感器原理如图34；外界信号调理器后，及速度传感器能将输出 信号转换为5v+5v的电压信号变化。lc0101型压电加速度传感器技术指标如表32； 其实物图如3-5 (a)压电加速度传感器微型ic放大器图3-4内装ic压电式传感器原理简图自然界中的物体由于分子间的热运动无时无刻都在想周围空间辐射包括红外波段 在内的电磁波，其辐射频率与能量与物体本身温度关系有一定规律。在远距离测控方面 红外温度传感器有着优异的

26、性能，其特点如下：抗干扰能力较强；精度高；体积小；能实现远距离测控，安装维修较为方便；irtp-300l型红外温度传感器是一种非接触的高精度温度传感器，它是一种高效的 不受环境影响的测温头。因强光直射或在太阳光的照射下传感器精度会受到一定影响, 因此在使用时应注意避免被测物有较亮背景光及阳光照射，其主要参数如表33,其实 物图如图3-5 (b)表3t lc0101压电加速度传感器灵敏度谐振频率分辨率抗冲击范围量程使用温度范围外廓尺寸100mv/g s40khz0.0002200g50g-40+120 °c4xl2h=13.58gg表3-2 irtp-300l红外温度传感器主要参数测量

27、范围坏境温度储存温度响应时间距离系数电源输出信号尺寸-20° c-10° c-20° c300ms10:124v标准05vm18mmx92mm300° c70° c100° c(a) lc0101加速度传感器(b) irtp-300温度传感器图3-5两种传感器实物图以上两种传感器作为适用度较高的传感器都能满足在滚珠丝杠在复杂工况下异常信号的提取，所以最终确定使用压力、温度传感器用来完成硬件部分设计。由于加速度传感器为有线传感器，在对滚珠丝杠副进行检测时会出现缠绕的问题，因此需谨慎选择其安装的位置，其可以安装的位置有滚珠丝杠的支撑轴承、

28、滚珠丝杠螺母座和其工作台 上。安装在支撑轴承时，工作时轴承的振动会对其产生很大影响，故此不能安装于支撑轴承。如若安装至工作台，会有更多的因素对检测进行影响，主轴及导轨都会对传感器产生影响。最终确定将传感器安装至滚珠丝杠的螺母座上。安装位置i如图3-6.0f府视图(b)传感器安装位置左视图(a)传感器安装位置俯视图图3-6传感器安装位置示意图3.3恒流源模块由于内装ic压电式传感器内部含有微型放大器，故再次不在选择放大器型号。但 其内部传感器输出电信号过弱以至于无法驱动放大器，故为了其正常工作需选择一恒流 或恒压源作为驱动。lc01系列传感器所需一恒流源以驱动传感器运作，典型值为24v. 4ma

29、o lc0207 恒流源模块是专为lc01系列传感器进行配套设计的，其主要技术指标如下表；表3-3 lc0207恒流源主要技术指标恒流源电压恒流源电流尺寸18-30v4ma25 x 25 x 20mm3.4数据采集卡数据采集卡可以实现模拟信号向数字信号的转换，为信号的下一步处理做准备。在 选择数据采集卡时需要考虑的因素有：分辨率、通道数、采样率、数据总线接口类型、输入模式。对于滚珠丝杠副的故障诊断需将温度故障信号与振动故障信号进行采集与转 换，本文将选择ni公司的m系列的pxi-6281多功能高速数据采集卡。pxi-6281型多功能数据采集卡自带一可编程的低通滤波辭，可以防止数据采集过程 中机

30、床工作时振动及周围环境的影响。使硕件更为简便，采集的信号更加易于处理。其 信号输入范围为10v+10v此板卡被应用时还需配备ni公司的scb-68接线盒进行高 质量的信号传输。由于数据采集卡的安装与运行已有成例，此处便不做讨论。3.5计算机型号的选择现如今市场的计算机主要为搭载windows系统计算机，在实际生活中计算机的选择 上也是以市场上通用的计算机为主，经过挑选我们选择的计算机型号为联想扬天 t4900d,运行window 10系统，接口为通用型usb接口。该计算机采用intel奔腾双核e6600处理器，机身内存4g,便盘500g。此外在机 箱内部散热片面积很大，可以保证机箱更好的散热，

31、保证了运行故障诊断系统的软件部 分系统稳定性。图37为计算机的实物图。图3-7联想扬天t4900d计算机为了保证工作安全，防止机床由于滚珠丝杠副的损坏而加工失败，由传感器检测信 号输入计算机后计算机会反馈一信号至伺服电动机，组成一闭环反馈系统。若滚珠丝杠 副发生故障则立即停机。其反馈系统原理如下图383.6小结本章对数控车床故障诊断系统的硬件部分进行了概述，在互联网的论文与书籍资料 中查找了部分资料与参数，理论上来说可以满足系统对于故障信号的提取与反馈工作。 由于条件的限制，我们无法在实际工况中寻求真实的运行效果，只是通过中国知网的硕 士博士论文来验证我们的设计的可行性，对于传感器，其与数据采

32、集卡的实际工作状况, 信号采集状况无法了解。这是木次设计中的不严谨的地方。接下来我们将重点放在故障 诊断系统的软件设计中，以保证弥补硬件设计的不足。第4章数控车床故障诊断系统软件部分设计4.1引言对神经网 络进行训练在软件部分的设计主耍包括两部分的内容，一方面是通过matlab建立人工神经 网络并针对所得到的故障数据进行训练与学习,另一方面是通过guide人机交互界而 进行故障诊断系统的开发。具体过程框图如图41所示利用matlab 仓u建 bp神经网络进行仿真利用guide制作故障诊断界而通过按钮 的冋调函数调 用神经网络图41故障诊断系统软件设计框图4.2数控车床故障诊断的bp神经网络模型

33、设计建立bp神经网络时，其中很多参数需要提前进行确定，这包括训练精度、迭代次 数等，但是最核心的还是每一层的节点、神经微小单元数量和每一层之间关系式的设计。 这些网络必需部分的确定直接影响bp神经网络进行模式识别的效果，所以我们将把这 些参数作为本部分设计的重点。4.2.1 bp神经网络各层节点的确定我们设计的bp神经网络并不复杂，三层即可满足模式识别功能的要求。典型的三 层bp神经网络由输入层，中间层和输出层组成。输入层的确定要根据通过采样点检测 到的故障信号数量，如果是输入单个单元，则输出的样本就是连续采样的时间序列。本 课题设计的故障诊断系统屮bp神经网络的输入数据是由硬件系统提取转化的

34、数字信号 特征向量组成的矩阵。在上海通实机床制造有限公司制造的ck6150数控车床滚珠丝杠 副故障信息进行搜索吋，找到其滚珠丝杠副的4种故障数据共80组，每种故障对应4 组数据。数据是通过针对滚珠丝杠副的振动频率，温度变化实验中安装在滚珠丝杠副上 的2支传感器经过每0.2秒测一次数据，共测试出80组320个故障数据的连续测试经调 理电路滤波器等对每个传感器信号整合得到的，满足本课题对于训练神经网络的输入向 量矩阵的要求。输入层节点的数量主要取决于检测到的故障数据。2支传感器对4种故障进行了数 据的提取形成了 80组8维向量，所以输入层的节点个数为8o理论上，目标输出层的节点个数和滚珠丝杠副的故

35、障种类数目相同，这样更有利于 对神经网络的训练和最终的模式识别。本次研究的故障类型有4种，所以输出层的节点 数为4,输出向量就是一个4维向量。中间层对于神经网络的模式识别有着极其重要的传递作用，增加中间层神经元数量 能提高神经网络数据运算的能力，但与此同时也增加了神经网络的复杂程度与训练时间, 所以说中间层节点的数量的确定对于整个系统的精度与灵敏程度都有很大的影响。对于 经验公式m = sqrt(n + l) + a来说。其中m为隐层节点数，n为输入层节点数，1为输出层 节点，a为15之间的常数，由于输入为8维，输出为4维，则中间层的节点的数目应 该满足在4到13之间，我们尽可能选取中间值，最

36、终确定中间层为8。因此木论文神经 网络的8维到4维向量的映射是可以实现的。中间层神经元数量的设计是十分复杂的，有经验的设计人员往往根据自我的工作经 验对其进行设计，但是适用的范围太小，不能满足所有的耍求。上述提高，中间层应 满足4到13之间，若选的值太小，则对误差的优化不够，导致无法达到设定的精度要 求；若选的值太大，则训练花费的时间太长，整个神经网络显得十分冗杂。在本次设计 屮，输入为8维向量，输出目标向量为4维向量，根据经验公式，所以我们选择屮间层 节点数为8,在之后的神经网络训练中进行最终的确定i。4.2.2 bp神经网络的建立以及传递函数、训练函数的选择bp神经网络的创建有三种形式：1

37、) newcf函数：该函数用于创建级前向bp网络。2) newff函数：该函数用于常见一个基木bp网络。3) newfftd函数：该函数用于创建一个存在输入延迟的前向型网络【"i。由于我们设计的故障诊断系统并不复杂，创建一个基本的bp神经网络就可以满足 设计要求。其创建格式如下：net=newff(p, t, si s2 s3.sn), tf1tf2.tfn1, btf, blfpf, ipf, opf, ddf)其中si：第i层的长度，共计ni层；tfi：依次使用的传递函数，没有设置的情况下默认为“tansig” ；btf：代表训练函数，没有设置的情况下默认为"train

38、lm"；其他的参数为为权值与阈值等参数，对网络整体的影响不大，使用默认参数即可。传递函数也称为激活函数，并且是连续可微的函数，神经网络的收敛速度、精度与 传递函数有很大的关系，bp神经网络中常用的传递函数有logsig、tansig型函数以及纯 线性函数purelinl，7jo s型函数的非线性放大系数特点可以把输入的+->)的信号变 换成(-1, 1)的输出。可是当s型函数运用于输出层时，输出会被限定在一个很小的范围 内了，如果釆用线性传递函数purelin,则可以使输出任意值。因此，s型适合用于中间 层部分，而purelin函数适合用于第三层输出的部分。这三种传递函数的曲线

39、如图42所 /j'* o(b) tansig 函数图42三种bp神经网络传递函数根据上述的几种传递函数的特点，本次课题中滚珠丝杠副的故障诊断系统bp神经 网络选择tansig> tansig> logsig函数作为神经网络的输入层、中间层和输出层的传递函 数。在matlab神经网络工具箱中有各种各样类型的函数可供选择。常见的函数有： traingd函数> traingdm函数> traingdx函数和trainlm函数。四种训练函数的特点不一, 每种函数都有其优点与劣势的地方，由于初始值是随机的，并不确定，相同的数据、传 递函数和训练函数得到的结果也是不同的。分

40、别采用这四种函数对输入特征向量进行训练，设置误差值为0.01训练次数为 10000,四种训练曲线如图43所示。在训练过程中，由于初始值的随机性，同一种训练方法训练多次的结果也是不同的, 但训练的过程都是向着目标误差的方向进行。所以我们从这些训练结果屮每种函数选择 了一种比较有代表性的训练曲线，对这些曲线进行最终的分析确定最优的训练函数。从训练曲线可以看岀traingdm函数和traingd函数经过了 10000步的训练之后还精 度还是没有达到0.01的范围内。从曲线的走势来看，曲线已近趋近于平行于横轴的直线, 继续增加训练步数在很大的区间内不会使得曲线收敛达到目标误差，这对于故障诊断系统来说响

41、应速度和精度都没有在较短的时间内达到目标的要求，训练结果是不成功的。 uoingdx函数在训练5000步之后达到了目标精度，虽然训练曲线最终完成收敛，但是相 对来说花费的时间也是较长的，trainlm函数在训练步数接近30步时达到目标精度，花 费的时间很短，选择函数的标准中往往时间是最重要的参数，这一函数满足了这一条件 并且在之后的仿真中表现良好，相比于traingdx函数在相同精度的条件下训练时间有着 绝对优势。考虑到在界而设计中对不同组的输入数据进行诊断时需要重复进行训练，所 以最终选择训练速度较高的trainlm函数作为训练函数。m neural network training per

42、formance (plotperform). epoch 22, performs. o fst|s3 文似f)编絹(e)查看m 履入(i) 工me 翹(d) sq(w) wtt(h)鼻best training performance is 0.0049755 at epoch 22ose)0tlljpaienbs craos(a) trainlm函数训练曲线(b) traingdm函数训练曲线z neural network training performance (plotperform). epoch 10000, maxi一 | o | 回 文似 f) 扁(e) o(v) ffi

43、xo)工®(d)窗 帮助(h)(c) traingd函数训练曲线色 neural network training performance (plotperform). epoch 5409, perfor. i 文件(f)編辑(e)奁看(v)插a(i) im(t) ®(d)窗口 (w)帮助(h)best training performance is 0.0099965 at epoch 54090° train best goal10*-ose)o山 paenbsueow05001000 1500 2000 2500 3000 3500 4000 4500 5

44、0005409 epochs(d) traingdx函数训练曲线图4-3四种训练函数所得的训练曲线我们习惯于一行为单位将每一行的数据输入，如果将这样的数据矩阵输入matla b工具箱屮进行训练，错误的输入特征向量与错误的目标向量构成了非线性映射，最终 训练得到的bp神经网络是没有意义的或者根本无法训练神经网络，不能实现的模式识 别功能。为了避免这种现象，我们需要利用命令调整输入输出矩阵的排列方式，将二者 的行与列进行交换。矩阵的转置方法是：在原来的输入输出矩阵之后加入s”，这样就可以实现矩阵的 转置，即:»p=p*虽然提前就对神经网络进行了精度的设定，可是由于训练次数存在着限制，所以

45、在 使用不同的函数进行训练时所得到的曲线不一定能符合预期的精度，如同上述的第四章 中"traingd"与“traingdni”函数的训练曲线就是因为训练的步数无法满足收敛的要求 而没有达到规定的精度。相对来说，对神经网络进行检验时的对比谋差越小，得到的 bp神经网络的精度就越高，对于样本数据的识别程度一对故障的诊断成功率就越高， 训练完成的神经网络仿真精度计算如下i罔。y=sim(net, p);%调用训练的神经网络“net”，用矩阵“p”进行仿真e=t-y;mse二mse(e);%计算仿真误差得到的谋差为mse=0.0100,和我们规定的课差值是相等的，证明我们所训练的神

46、 经网络是成功的。z后，我们需要结合人机交互界面，对训练完成的神经网络进行实践 仿真，结合仿真结果程度比较，对整个系统的的实用性进行分析。在神经网络的训练仿真过程屮，一般情况下输出的数据矩阵和目标矩阵的差距不大。 如果训练仿真出现问题，在输入数据没有问题的前提下需要考虑在矩阵转置以及符号、 语句、参数的问题以达到目标效果。在训练完成后需要将所得到的结果与初始数据进行检测，通过仿真功能将输出的结 果导出，与滚珠丝杠副故障实验的原始故障数据进行对比。在bp神经网络利用 matlab平台进行编程训练的过程中，训练会一直达到目标的精度训练才会停止，但 是存在的语句问题会使训练过程从句中间断掉，无法生成

47、所需要的训练曲线，要注意语 句和中间符号的标准应用。4.3故障诊断系统人机交互界面设计单纯的bp神经网络对于故障的诊断需要人为的将提取的数据进行输入，训练与比 对进行故障的确定，这对于现代智能化的系统设计来说是不合理的，无法完成最终的故 障诊断。完整的滚珠丝杠副故障诊断系统需要有可以在计算机系统界面上运行的软件人 机交互界面来进行计算机智能故障诊断，直接显示故障的类型。这就需要运用matlab 软件中自带的guide工具来进行软件界面的编译。汉化的matlab r2014b软件中可以直接新建图形用户界面。单击“新建”按钮, 点击“图形用户界面”，进入gui快速启动界面，界面上方的两个按钮可以创

48、建新的 gui界面或者打开原有的gui界面。在创建新gui下有四种类型的gui界面可以供选 择，选择"blank gui（空口界而）”创建一个空白的gui界而，得到如图4-4所示的界而。图44 guide图形用户界面工具箱类似于vb软件的设计界面，gui是一基于matlab的软件应用程序开发工具。 在界面中拥有很多可以完成不同功能的控件，通过打开其回调函数并在相应的位置正确 的编辑程序就可以达到预想的功能。界面的设计很人性化，双击即可打开控件或者界面 的屈性编辑器，在里面可以根据自我要求对控件的大小、位置、文字、颜色等多种属性 进行编辑。右键打开callback函数即可界面中所有控件

49、的回调函数进行编译，以实现特 定的功能，完成系统的设计。根据故障诊断系统的要求，需要对故障数据进行提取，分析和诊断，所以我们需要 12个文本框进行数据的显示;两个按钮进行故障提取和故障诊断功能两个静态文本框用 来说明输入输出的区域；一个静态文本框说明本次设计的题目；最后的一个文本框需要 输出具体的故障类型。编译完成的gui未运行与正在运行界面分别如图45、图46所 zj 0其中，12个编辑文木框定义（ag为editl> edit2> edit3-*editl2,三个按钮定义tag 为pushbutton 1、pushbutton2和pushbutton3,另外两个静态文本框分别为输

50、入与输岀数 据的标题，最后一静态文本框表明题目。值得注意的是12个文本框与2个按钮的定义 tag十分重要，一定要按顺序进行定义，如果定义混乱会导致之后的在对按钮的回调函数编写时出现错误，输入与输出数据的位置错乱，故障诊断失败，并且在界面设计中尽 量避免使用复制粘贴操作，此操作会影响最后的系统运行。(遽属性定义完成后，需要 对三个按钮的回调函数进行编辑，由于我们无法在实际的环境对故障数据进行提取，软 件与破件实际处于分离状态，所以无法对故障提取按钮进行定义。在这里我们设定按钮 1回调函数为提取输入数据矩阵中的一组数据，使用的为set(handles.edit, 'string*, x)i

51、§ 句。按钮1 (pushbutton 1)是bp神经网络调用与故障类型诊断的重要部分，在对其回调函 数的进行定义时，要确保bp神经网络的准确性，精度达到标准。图4-5未运行的gui编译完成的界面部分为实现数据提取功能按钮1的回调函数如下：load text2.txttext2=text2'p=text2;d 二p；n=randi(size(d,l); %在矩阵中随机选取一-组数据 b=d(n,:);al =b(1,1);a2 =b(1,2);a3 =b(1,3);a4 =b(1,4);a5 二b(l,5);a6 =b(1,6);a7 =b(1,7);a8 =b(1,8);s

52、et (handles.editl /string1,a 1);set (handles-edit2/stringa2);set (handles.edit3/stringa3);set (handles.edit4/stringa4);set (handles.edit5/stringa5);set (handles.edit6/stringa6);set (handles.edit7/stringa7);set (handles.edit8,'string1,a8); %将选择的数据组分别显示于文木框为实现故障检测功能，按钮2需先进行神经网络的训练后提取出以上八个文木框的 数据进行

53、分析，并将结果进行处理，最终显示在最后的文木框中，其回调函数如下：load textl.txtdata=textl;size(data);data 二 data'pl=data(l:8,:);tl=data(9:12,:);p=p1;t=t1;threshold=0 l;0 l;0 l;0 l;0 l;0 l;0 l;0 l;%threshold 根据输入层节点个数确定，将输 入层归一化，让输入层节点在01之间。net=newff(threshold,8,4,'tansig','logsig*,'trainlm1); %创建一个 bp 反馈式网络net.

54、trainparam.epochs= 10000;% 最大收敛次数net.trainparam.goal=0.01;% 收敛误差lp.lr=0.01;%学习速率为0.01 ；lp为学习参数，可通过该参数设置学习速率，格式：lp.lr=0.01； ls为学习状态初始为空；net=train(net,p,t);%调用trainlm函数算法训练bp网络01 = str2num(get(handles.edit 1 /string1);02 = str2num(get(handles.edit2,string1);03 = str2num(get(handles.edit3/stringr);04 =

55、 str2num(get(handles.edit4,string1);05 = str2num(get(handles.edit5/stringr);06 = str2num(get(handles.edit6,string1);07 = str2num(get(handles.edit7/string,);08 = str2num(get(handles.edit8,string1);b=01;02;03;04;05;06;07;081;y=sim(net,b)；a=y*set(handles.edit9/stringa( 1)set(handles.edit 10,'string

56、',a(2)set(handles.editl 1,string*,a(3)set(handles.edit 12,'string',a(4)t1 =eval(get(handles.edit9,'string');%提取 edit9> editl0> editl 1 > edit 12 编辑文本框中 的数据数值t2=eval(get(handles.edit 10,'string');t3=eval(get(handles.edit 11,'string');t4=eval(get(handles.edit 12,'string');if tl>0.9 set(handles.editl 3,string*,'塑性变形')；elseif t2>0.9 set(handles.edit 13,'string','磨损失效')；elseif t3>0.9 set(handles.edit 13,&#