基于miv与rbf神经网络的滚珠丝杠故障诊断_温国强.pdf

《基于miv与rbf神经网络的滚珠丝杠故障诊断_温国强.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于MIV与ＲBF神经网络的滚珠丝杠故障诊断*温国强文妍谭继文(青岛理工大学，山东青岛266033)摘要:滚珠丝杠故障特征值引入平均影响值(MIV)的特征值筛选方法，剔出冗余特征值，减少了特征向量数;设计了径向基(ＲBF)神经网络，并建立了基于MIV与ＲBF神经网络的滚珠丝杠故障识别模型。经试验，对“未筛选－BP”、“未筛选－ＲBF”和“MIV－ＲBF”三种诊断模型进行对比分析研究，结果表明:“MIV－ＲBF”训练步数少、收敛快、诊断精度高，是一种较为理想的滚珠丝杠故障诊断方法。关键词:滚珠丝杠MIV

2、特征值筛选ＲBF神经网络故障诊断中图分类号:TG659文献标识码:AFaultdiagnosisofballscrewbasedonMIVandＲBFneuralnetworkWENGuoqiang，WENYan，TANJiwen(QingdaoTechnologicalUniversity，Qingdao266033，CHN)Abstract:TheMeanImpactValue(MIV)isintroducedtoremovetheredundantfeaturesandreducethenumb

3、eroffeaturevectors．DesigningtheＲedialBasisFunction(ＲBF)neuralnetworkandbuildingthemodelofballscrewfaultdiagnosisbasedonMIVandＲBFneuralnetwork．Undergoingcontrastresearchforthethreediagnosticmodelsabout“Unfiltered－BP”，“Unfiltered－ＲBF”and“MIV－ＲBF”．Verified

4、byexperiments，themodelof“MIV－ＲBF”isaratherplausibleballscrewfaultdiagnosismethodwiththeadvantagesoflesstrainingsteps，fasterconvergencerateandhigheraccuracy．Keywords:BallScrew;MeanImpactValue;FeatureValuesSelection;ＲedialBasisFunctionNeuralNetwork;FaultD

5、iagnosis．滚珠丝杠是数控机床中最常使用的关键传动元，［1］件具有高精度、可逆性和高效率的特点。滚珠丝杠若出现故障，将会直接影响到数控机床的加工精度，造成产品质量下降甚至报废，损失严重。因此，若能在滚珠丝杠故障形成早期进行正确及时的诊断，对其生产效率与产品质量的提高大有裨益。在传统诊断方法中，通常是对原始故障信号进行特征提取后，将所有特征值作为传统BP神经网络或者支持向量机的输入参量进行模式识别。这种方法输入参量多、诊断过程复杂，同时，由于BP网络容易陷入局部极小值，而且收敛速度相对较慢或无法收

6、敛，诊断精度相对较低。本文引入平均影响值(MIV)方法对故障特征进行筛选处理，去除冗余特征，将剩余特征作为故障识别的输入参量;基于具有逼近精度高、无局部极小问题且收敛速度快等特点的径向基(ＲBF)神经网络建立了数控机床滚珠丝杠故障识别模型，有效提高了故障诊断精度和速度，效果良好。1MIV算法1．1平均影响值(MIV)平均影响值(MIV，MeanImpactValue)，是一种目前被认为是在神经网络中评价变量相关性的最好指标之一［2］。该算法可用于确定输入变量对输出变量的影响大小，其符号代表相关的方向

7、，绝对值代表影响的大小。1．2计算思想［3］(1)用原始样本S对BP神经网络进行训练，并对训练集S进行回归预测;(2)在网络训练结束后，将训练样本S中每一自变量在其原值的基础上分别加、减10%构成两个新的训练样本S1和S2;(3)利用构建好的BP网络，对样本Sl和S2分别*国家自然科学基金项目(51075220);青岛市科技计划基础研究项目(12－1－4－4－(3)－JCH)·64·进行仿真，得到两个仿真结果Ml和M2;(4)求出Ml和M2的差值，即为变动该自变量后对输出产生的影响变化值(简称W);(

8、5)将W按观测例数平均得出该自变量对于因变量的平均影响值MIV，同理可计算出各个自变量的MIV值;(6)根据MIV绝对值的大小为各自变量排序，得到各自变量对网络输出影响相对重要性的位次表，从而判断出输入特征对于网络结果的影响程度，即实现了变量筛选。2ＲBF神经网络2．1ＲBF网络ＲBF神经网络是1985年由Powell提出的多变量差值的径向基函数(ＲadialBasisFunction，简称ＲBF)方法。该网络是一种性能优良的前馈型神经网络，具，［4］有