張歡 張新宇 黃海鳳

摘要：機床主軸故障會降低機床加工精度和加工效率，為制定合理的維修計劃和主動維護方案，本文提出了基于BP神經(jīng)網(wǎng)絡的主軸故障預測方法，采用BP神經(jīng)網(wǎng)絡建立主軸故障預測模型，根據(jù)振動信號、電流信號和轉(zhuǎn)速信號預測主軸的故障及故障類型，為制定主軸的維修計劃和維護方案提供重要依據(jù)。

關鍵詞：BP神經(jīng)網(wǎng)絡 故障 預測 主軸

本文通過BP神經(jīng)網(wǎng)絡建立機床主軸系統(tǒng)的故障預測系統(tǒng)，在線采集機床主軸的電流信號和振動信號，并對電流信號和振動信號進行處理，預測機床主軸的故障，為機床主軸的性能評估和加工狀態(tài)評估提供參考。

1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，能學習和存貯大量的輸入-輸出模式映射關系。其拓撲結(jié)構(gòu)如圖1所示。圖1所示的x1，x2，…，xn為輸入量，y1，y2，…，ym為輸出量，ωih為輸出層至隱含層的權值，ωhj為隱含層至輸出層的權值。

隱含層中隱節(jié)點輸出模型為：

（1）

輸出層中輸出節(jié)點的輸出模型為：

（2）

其中，f——非線形作用函數(shù)；q——神經(jīng)單元閾值。

神經(jīng)網(wǎng)絡的基函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)，BP神經(jīng)網(wǎng)絡的基函數(shù)為Sigmoid函數(shù)，變量取值在（0，1）區(qū)間內(nèi)。

Sigmoid函數(shù)的函數(shù)形式為：

（3）

BP神經(jīng)網(wǎng)絡可以實現(xiàn)機床主軸系統(tǒng)的主動維護和智能維修，提高機床主軸系統(tǒng)的加工效率和加工精度。

2 數(shù)據(jù)采集及信號處理

由于主軸系統(tǒng)故障時，主軸系統(tǒng)通常發(fā)生振動異常。因此，在主軸、齒輪箱及軸承上安裝三向振動傳感器，檢測主軸系統(tǒng)不同位置的振動信號可評判主軸系統(tǒng)的故障形式，其采樣頻率為25k。另外，由于主軸電機的電流信號也是反應主軸故障的重要信號之一，故采用三相電流傳感器檢測主軸驅(qū)動電機的電流信號，進而評判主軸電機的負載力矩的動態(tài)特性。三相電流傳感器的采樣頻率設置為10k。以主軸振動信號為例，當主軸轉(zhuǎn)速800r/min時，將主軸齒輪箱位置的故障振動信號和正常振動信號進行特征提取，其特征值見表1所示，將振動信號的特征值作為主軸系統(tǒng)故障預測模型的第三類輸入量，即振動信號特征值。

3 故障預測模型

本文采用BP神經(jīng)網(wǎng)絡作為機床主軸系統(tǒng)故障預測模型的計算方法，以電流信號、振動信號和轉(zhuǎn)速信號的特征值為輸入量，主軸系統(tǒng)是否故障以及故障程度作為輸出量，故障預測模型如圖2所示。根據(jù)機床主軸系統(tǒng)電流信號、振動信號和轉(zhuǎn)速信號特點建立故障預測模型的算法，圖3為算法流程圖。將主軸系統(tǒng)的振動信號、轉(zhuǎn)速信號和電流信號分為40組，其中故障信號20組，正常信號20組。將正常信號和故障信號中的各10組作為機床主軸系統(tǒng)預測模型的訓練樣本，訓練BP神經(jīng)網(wǎng)絡的權值，其余樣本作為機床主軸系統(tǒng)預測模型的驗證樣本。

定義預測模型輸出值如下：預測輸出值在[0，1]區(qū)間內(nèi)代表主軸系統(tǒng)正常；預測輸出值在[9，10]區(qū)間內(nèi)代表主軸系統(tǒng)嚴重故障；預測結(jié)果在（1，9）區(qū)間內(nèi)代表主軸系統(tǒng)是否故障無法判斷，及預測結(jié)果不準確。

將20組驗證樣本（正常數(shù)據(jù)和故障數(shù)據(jù)各10組）作為訓練后的預測模型的輸入，驗證預測模型輸出結(jié)果的準確率，預測結(jié)果如圖4所示。

4 結(jié)論

本文首先建立了主軸系統(tǒng)的故障預測模型，完成了機床主軸系統(tǒng)預測模型的計算流程設計。然后通過驗證樣本對機床主軸系統(tǒng)預測模型進行驗證，其預測精度較高，預測結(jié)果對制定機床主軸系統(tǒng)的主動維護和維修計劃具有重要的指導意義。

參考文獻：

[1]張珂，佟俊，吳玉厚，等.陶瓷軸承電主軸的模態(tài)分析及其動態(tài)性能實驗[J].沈陽建筑大學學報，2008，24（3）：490-493.

[2]楊貴杰，秦冬冬.高速電主軸的關鍵技術及發(fā)展趨勢[J].伺服控制，2012，2：32-36.

[3]謝小正.數(shù)控機床主軸組件故障的知識發(fā)現(xiàn)研究[D].蘭州理工大學，2013.