EEMD兩級神經(jīng)網(wǎng)絡(luò)的數(shù)控機床伺服系統(tǒng)故障診斷

楊慧香,　寧騰飛,　高　智,　尹曉靜

(1.長春工業(yè)大學 機電工程學院， 吉林 長春　130012;

2.長春工業(yè)大學 應(yīng)用技術(shù)學院， 吉林 長春　130012)

?

EEMD兩級神經(jīng)網(wǎng)絡(luò)的數(shù)控機床伺服系統(tǒng)故障診斷

楊慧香1,寧騰飛1,高智2,尹曉靜1

(1.長春工業(yè)大學 機電工程學院， 吉林 長春130012;

2.長春工業(yè)大學 應(yīng)用技術(shù)學院， 吉林 長春130012)

摘要：首先通過集合經(jīng)驗模態(tài)分解(Ensemble Empirical Mode Decomposition， EEMD)得到含有核心故障信號IMF分量作為特征量，按故障部件確定故障定位總神經(jīng)網(wǎng)絡(luò)，然后以電機、軸承、滾珠絲杠和聯(lián)軸器故障類型分別建立故障類型分神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵詞：數(shù)控機床； 伺服系統(tǒng)； EEMD； 兩級神經(jīng)網(wǎng)絡(luò)

0引言

數(shù)控機床伺服系統(tǒng)作為機床活動最為頻繁的系統(tǒng)，與其本身的加工精度、可靠性以及使用壽命都有直接關(guān)系。目前故障診斷大多對單一部件，如軸承、齒輪等獨立建模診斷，而數(shù)控機床伺服系統(tǒng)是一個電機、軸承、聯(lián)軸器和滾珠絲杠等多部件系統(tǒng)，具有繁復非線性關(guān)系的故障原因與預示決定了該系統(tǒng)在故障診斷方面的難度明顯很大。故障診斷的本質(zhì)是對故障類型的辨別，人工神經(jīng)網(wǎng)絡(luò)依靠其特性(如自學習能力、自組織能力等)廣泛應(yīng)用在故障診斷領(lǐng)域中[1]。神經(jīng)網(wǎng)絡(luò)故障診斷對故障特征參數(shù)的提取有很強的依賴性，故障特征提取直接決定故障分類識別的精準度。非平穩(wěn)信號為伺服系統(tǒng)故障信號較為顯著的特征選擇合適的處理非平穩(wěn)信號的特征提取方法是很重要的[2]。

常見的分析時頻域的手段在目前都或多或少存在局限性[3]。如Wigner分布應(yīng)用在信號處理時會產(chǎn)生交叉干擾項，造成時頻信號特征模糊不清現(xiàn)象[4]；時頻窗口固定下的短時傅里葉變換，其不能同時將時頻關(guān)系處理合適[5]；小波變換缺乏自適應(yīng)性[6]。EMD分解雖然是一種基于信號的自適應(yīng)分解方法，避免了小波基函數(shù)的選擇，但存在模態(tài)混疊、端點效應(yīng)等問題[7]。EEMD不但具有良好的自適應(yīng)性，還可以有效解決EMD模態(tài)混疊的缺點[8]。數(shù)控機床伺服系統(tǒng)等復雜機電系統(tǒng)的故障診斷、故障定位和故障類型難以區(qū)分，對神經(jīng)網(wǎng)絡(luò)故障數(shù)據(jù)需求量大，數(shù)據(jù)差異性和同一性明顯，質(zhì)量要求高，造成神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復雜，診斷效果差[9]。

針對以上存在的問題，文中將EEMD和兩級神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，應(yīng)用于數(shù)控機床伺服系統(tǒng)的故障診斷方法中。就是用EEMD作為電機、軸承、聯(lián)軸器和滾珠絲杠振動信號的預處理器，訓練一級BP網(wǎng)絡(luò)作為故障定位器。滾動軸承工作時的狀態(tài)要與故障時的多種類型狀態(tài)做辨別，就需要得出對應(yīng)的故障點，經(jīng)過EEMD分解得出的能量特征，其中含有故障信息。在建立二級故障狀態(tài)辨識BP神經(jīng)網(wǎng)絡(luò)下，實驗證明EEMD方法和兩級神經(jīng)網(wǎng)絡(luò)相結(jié)合應(yīng)用于故障定位和故障類型識別準確有效。

1基于EEMD與兩級神經(jīng)網(wǎng)絡(luò)建立

1.1EEMD方法

EMD是把繁復非線性信號依照其局部時間的特征作為尺度，分解成一定數(shù)量IMF分量的過程。大量實驗表明，EMD有如模態(tài)混疊等方面的問題，均體現(xiàn)于分解的過程，通常為兩種情況：一種是在IMF唯一時，其包含的頻率為相異的信號；另一種是分解同一頻率形成了不一樣的IMF。EEMD故障診斷和故障類型識別手段，解決了傳統(tǒng)EMD的模態(tài)混疊問題。EEMD算法精髓是添加高斯白噪聲于原始信號之后進行EMD分解，最后得到IMF分量期望值。在EMD的基礎(chǔ)上，可以得到以下EEMD算法：

1)首先給原始信號x(t)添加白噪聲；

2)分解加噪后信號，得到IMF的分量；

3)逐次加載不一樣的白噪聲信號，循環(huán)第一和第二步；

4)最后得到的IMF分量的期望值為最后輸出。

信號的標準差一般為噪聲幅值標準差的5倍。

對同一個信號EMD和EEMD進行仿真對比分析，仿真信號以及分解結(jié)果如圖1所示。

EMD分解時，正弦信號會被兩個IMF分量分屬，結(jié)果出現(xiàn)與實際情況非常的不符，從而導致IMF沒有物理意義。用EEMD分解時，得到一個正弦和沖擊成分2個IMF分量，比較圖1(a)、圖1(c) 可得，EEMD可以有效改善信號處理中模態(tài)混疊的情況。

(a) 仿真信號

(b) EMD的分解

(c) EEMD的分解

1.2兩級BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一種誤差逆?zhèn)鞑ニ惴?，也是目前使用最多的神?jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)的功能是實現(xiàn)輸入與輸出的任意非線性映射關(guān)系，它的優(yōu)點是不需要事前表明映射關(guān)系。

數(shù)控機床伺服系統(tǒng)是一個多部件系統(tǒng)，故障數(shù)據(jù)量大，單層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)龐大，要求故障類型樣本質(zhì)量很高，即同一故障穩(wěn)定性好、不同故障差異性大。根據(jù)數(shù)控機床伺服系統(tǒng)的組成，故障定位的一級網(wǎng)絡(luò)由正常、電機故障、軸承故障、聯(lián)軸器故障和滾珠絲杠故障組成；二級類型的分網(wǎng)絡(luò)分別以組成部件故障類型建立。以電機故障、正常、軸承故障、聯(lián)軸器故障和滾珠絲杠故障狀態(tài)振動信號特征量，訓練總網(wǎng)絡(luò)；用典型的故障類型振動信號特征量分別訓練分網(wǎng)絡(luò)。故障信號首先經(jīng)過總網(wǎng)絡(luò)，實現(xiàn)定位故障部位；然后再將此故障信號輸入相應(yīng)部位的分網(wǎng)絡(luò)，進行故障類型識別。兩級神經(jīng)網(wǎng)絡(luò)簡化網(wǎng)絡(luò)結(jié)構(gòu)，為了提高故障分類速度，可將高維度的對應(yīng)關(guān)系分解成為相對低維的對應(yīng)關(guān)系。伺服系統(tǒng)兩級神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

以圖2故障為例，如果是單層神經(jīng)網(wǎng)絡(luò)需要11種故障樣本，首先這11個故障樣本同一故障需要有很好的穩(wěn)定性，確定是同一故障；其次為了區(qū)分故障，還必須有顯而易見的差異性。而兩級神經(jīng)網(wǎng)絡(luò)總網(wǎng)絡(luò)只需5種故障樣本，減少了55%的樣本類型，減少了樣本質(zhì)量難度，提高了診斷精確度。另外，還能實現(xiàn)故障定位和類型辨識，增加了診斷的效果。

圖2數(shù)控機床伺服系統(tǒng)兩級神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2基于EEMD和兩級神經(jīng)網(wǎng)絡(luò)故障診斷

1)對伺服系統(tǒng)狀態(tài)進行采樣；

2)利用EEMD分解原始信號，獲得各個IMF分量；

3)分析包含故障信息的IMF分量。

IMF分量能量

(1)

式中：ci(t)----每個IMF分量的數(shù)學表達式。

由于能量數(shù)值較大，將其歸一化處理：

令

(2)

構(gòu)造一個特征向量T：

(3)

建立一級故障定位網(wǎng)絡(luò)。

同上，以故障部位不同的故障類型按照步驟1)～3)構(gòu)造特征向量T，建立二級故障類型辨識網(wǎng)絡(luò)。

3基于EEMD與兩級神經(jīng)網(wǎng)絡(luò)伺服系統(tǒng)故障診斷實驗驗證

為了證明所提方法的有效性，采用Case Western Reserve中心的實驗數(shù)據(jù)進一步研究。以型號為6310型滾動軸承，25 Hz的實驗軸轉(zhuǎn)頻，4 096 Hz的采樣頻率的軸承故障為例，通過貼在軸承座上的振動傳感器來獲取振動信號。

用EEMD分解原始信號，提取含有核心故障信息的8個IMF，按式(2)、(3)和(4)求出參數(shù)T；采用一級BP故障網(wǎng)絡(luò)進行定位分類，神經(jīng)網(wǎng)絡(luò)的輸入為正常、軸承故障和滾珠絲杠故障的T，正常、軸承故障和滾珠絲杠3種模式作為其輸出，即網(wǎng)絡(luò)結(jié)構(gòu)為8×10×3。每一個狀態(tài)用10個訓練樣本，截止誤差為0.001。對15個測試樣本進行測試，結(jié)果網(wǎng)絡(luò)全部能成功識別各種模式的5個樣本。

以故障軸承內(nèi)圈故障、外圈故障、正常特征量T這3種類型構(gòu)建二級BP故障類型辨識網(wǎng)絡(luò)，用10個樣本訓練，網(wǎng)絡(luò)訓練至收斂。選取15個測試樣本進行測試，每一種模式包含5個樣本，結(jié)果網(wǎng)絡(luò)全部正確識別。

4結(jié)語

EEMD方法自適應(yīng)信號分解，篩選核心故障信息的IMF分量，計算能量值，再將這些數(shù)據(jù)與兩級神經(jīng)網(wǎng)絡(luò)結(jié)合，以此實現(xiàn)了故障定位和故障識別。為了達到有效、快速、準確地辨識伺服系統(tǒng)故障部位和故障類型的效果，EEMD方法和兩級BP網(wǎng)絡(luò)的故障診斷方法是可行的。若改善樣本分布或增加樣本數(shù)量,識別率將更高。

表1　一級故障定位網(wǎng)絡(luò)測試結(jié)果

表2　二級故障類型辨識網(wǎng)絡(luò)測試結(jié)果

參考文獻：

[1]尚志信,周宇,葉慶衛(wèi),等.基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)故障診斷模型研究[J].寧波大學學報：理工版,2013(2):45-48.

[2]楊國安,周世剛.一種適用于機械非平穩(wěn)故障信號的分析方法[J].信號處理,2001(3):287-290.

[3]楊宇,于德介,程軍圣.基于經(jīng)驗模態(tài)分解的滾動軸承故障診斷方法[J].中國機械工程,2004,10:64-67,76.

[4]李文偉,王忠仁.Wigner-Ville分布及在信號分析中的應(yīng)用[J].四川兵工學報,2008(3):15-16,69.

[5]李舜酩,郭海東,李殿榮.振動信號處理方法綜述[J].儀器儀表學報,2013(8):1907-1915.

[6]潘旭峰,謝波,李曉雷.小波變換理論及其在機械故障診斷中的應(yīng)用[J].振動與沖擊,1998(1):18-23,97.

[7]周智,朱永生,張優(yōu)云,等.基于EEMD和共振解調(diào)的滾動軸承自適應(yīng)故障診斷[J].振動與沖擊,2013(2):76-80.

[8]江航,尚春陽,高瑞鵬.基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌故障噪聲診斷識別方法研究[J].振動與沖擊,2014,17:34-38.

[9]劉超,張?zhí)炝?張邦成,等.數(shù)控機床伺服系統(tǒng)故障診斷技術(shù)研究綜述[J].長春工業(yè)大學學報：自然科學版,2013，34(2):200-206.

Fault diagnosis of NC machine tool servo system based on EEMD and two level neural network

YANG Huixiang1,NING Tengfei1,GAO Zhi2,YIN Xiaojing1

(1.School of Mechatronic Engineering, Changchun University of Technology, Changchun 130012， China;2.School of Soft Technology， Changchun University of Technology, Changchun 130012， China)

Abstract：The Ensemble Empirical Mode Decomposition (EEMD) is applied to get the IMF component energy signal which includes the essential fault information. The signal is taken as the feature data to establish the first stage fault position neural network according to the fault sections. The second stage neural networks relating fault types from motor, the bearing, the ball screw and the axis couplings are built accordingly

Key words：CNC machine tool; servo system; EEMD(Ensemble Empirical Mode Decomposition); two stage neural network.

中圖分類號：TG 659

文獻標志碼：A

文章編號：1674-1374(2016)01-0073-05

DOI:10.15923/j.cnki.cn22-1382/t.2016.1.15

作者簡介：楊慧香(1966-)，女，漢族，吉林長春人，長春工業(yè)大學副教授，主要從事機電一體化綜合技術(shù)方向研究,E-mail:yanghuixiang@ccut.edu.cn.

基金項目：吉林省教育廳“十一五”科學技術(shù)研究項目(2009109)

收稿日期：2015-12-10