基于PSO和属性约减的模糊神经网络机床故障诊断.pdf

2 0 1 2年 1 月 第 4 O卷 第 1 期 机床与液压 MACHI NE TOOL HYDRAUL I C S J a n ． 2 01 2 Vo 1 ． 4 0 No ．1 D OI 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 2 ． 0 1 ． 0 4 6 基于 P S O和属性约减的模糊神经网络机床故障诊断 陈磊 马鞍山钢铁股份有限公司第四钢轧总厂，安徽马鞍山2 4 3 0 0 0 摘要数控机床伺服系统工作原理复杂。为 了提高智能故障诊断的准确性，提 出基于 P S O理论和属性约束规则 R S M的模糊神经网络算法。先对训练样本进行属性约减；由于 P S O算法具有全局优化能力和 B P算法具有局部搜索效率 高的优点，利用它t f ] l l 练神经网络，克服了传统方法收敛速度慢的缺点；并通过 M a t l a b仿真证明，该方法具有较高的诊断 准确性。 关键词模糊神经网络 ；粒子群 ；反向传播；机床故障诊断 中图分类号T P 1 8 3 文献标识码A 文章编号1 0 0 1 3 8 8 1 2 0 1 2 11 6 9 3 M a c hi ne Fa u l t Di a g no s e o f Fuz z y Ne ur a l Ne t wo r k Ba s e d o n Pa r t i c l e Swa r m Op t i mi z a t i o n a n d At t r i b ut e Re s t r i c t i o n CHEN L e i N o ． 4 S t e e l M a k i n gR o l l i n g P l a n t ，Ma a n s h a n I r o nS t e e l C o m p a n y L t d ． ，Ma a n s h a n A n h u i 2 4 3 0 0 0 ，C h i n a Ab s t r a c t C NC ma c h i n e t o o l h a s a s e r v o s y s t e m w i t h c o mp l e x wo r k i n g p ri n c i p l e s ． I n o r d e r t o i mp r o v e t h e i n t e l l i g e n t d i a g n o s e p r e c i s i o n ，a f u z z y n e u r a l n e t w o r k F N N a l g o r i t h m b a s e d o n p a r t i c l e s w a r m o p t i mi z a t i o n P S O t h e o r y a n d a t t ri b u t e r e s t r i c t i o n p r e d i g e s t i n g m e t h o d R S Mw a s p r o p o s e d f o r C N C m a c h i n e f a u l t d i a gno s e ．T h e t r a i n i n g s a mp l e s w e r e p r e d i g e s t e d w i t h a t t ri b u t e r e s t r i c t i o n，t h e n t h e F NN w a s t r a i n e d w i t h t h e me t h o d c o mp o s e d o f t h e P S O a n d BP，f o r ma k i n g a n e x e r t i o n o f a d v a n t a g e s f r o m b o t h t h e g l o b a l o p t i mi z a t i o n o f P S O a n d l o c a l a c c u r a t e s e a r c h i n g o f B P，a n d t h e s l o w c o n v e r g e n c e s h o rt a g e o f t h e t r a d i t i o n l e a r n i n g a l g o r i t h m wa s o v e r c o me ． I t i s p r o v e d t h a t t h e me t h o d h a s b e t t e r d i a g n o s e a c c u r a c y t h r o u g h Ma t l a b e mu l a t o r ． Ke y wo r d s F u z z y n e u r a l n e t w o r k； P a r t i c l e s w a ／ ／ n o p t i mi z a t i o n ； Ba c k p r o p a g a t i o n；Ma c h i n e t o o l f a u l t d i a g n o s e 随着工业革命的发展，数控机床作为一种重要的 机械加工工具，已经成为工业加工领域不可或缺的基 础装备，但是由于传统机械和现代电子技术的结合 ， 使得系统的复杂性和系统故障概率大为增加，快速准 确的诊断故障已经成为一门新兴的学科。 神经网络作为人工智能的一个重要研究方向，已 经在故障诊断领域得到了广泛的应用⋯ ，B P神经 网 络算法 是 A N N发展史上的一个重要里程碑，为多 层感知器 的训练提供了有效手段，但是由于其存在 学习收敛效率低下、目标 函数容易陷入极小值的缺 点 ，还需要 改进。作者提出 了一种基于条件属性约简 和粒子群优化的算法 ，并将这一方法应用到数控机床 伺 服系统 的故 障诊断 中。 1 粒子群算法 P S O 粒子群算 法 P S O P a r t i c l e S w a r m O p t i m i z a t i o n 是美国社会心理学家 J a n n e s K e n n e d y 联合电气工程师 R u s s e l l E b e r h a rt于 1 9 5 5共 同提出，其思想源于生物 学家 F r a n k H e p p n e r发现 的鸟类群 体模 型。当前， P S O算法的研究大都以惯性权重为重点，对其进行扩 展，这种算法被称为标准 P S O。P S O假设 ／7 , 维空间中 的多个 自由飞行的带有一定参数权值的微粒是平等 的，它们的各项飞行参数则 由每个个体和整个群落的 经验值设定 。 P S O算法 的 目标进化公式为 t 1 t c I u t P t 一 t c r2 ， t P 一 t 1 t 1 t t 1 2 式中 和 分别表示微粒在群体中的位置和初始速 度 ；r 表示独立定义域 [ 0 ，1 ]的随机变量； P i 代表 微粒的最终位置，P 则是群 中全体微粒的最终位置； 表示惯性权重参数；C ， 和 C 表示粒子加速系数常 数 。 由于微粒 的追 随性 和聚合性 ，每个微粒都要收敛 于自己的最终点P ，才能保证算法的最优收敛性，可 知 P 0 的坐标为 3 1 ， 2 7 式 中 ／ x l } C t ∽ 2 } C 2 r 2 o 收稿 日期 2 0 1 01 2 0 9 作者简介 陈磊 1 9 8 3 一 ，硕士研究生 ，助理工程师 。E一,n a i l s h u y e s o n g 2 0 0 0 1 6 3 ． c o m。 1 7 0 机床与液压 第 4 0卷 从引力势能的角度理解 ，点P位置产生一个引力 来驱使其他 的微粒加速度不断减小最后到达点 P收 敛，这使得点P具有引力势能 ，因此微粒群保持聚集 的特性 。 2 R S M属性约简算法 由于神经网络前期的训练样本存在冗余性 ，且传 统 B P网络收敛速度很慢，所以可以对训练集进行预 处理简化，删除冗余项 ，R S M算法具体步骤如下 1 初始化集合 UC UD； 2 删除 U中重复的行 ； 3 定义集合 Js 、 、 ，令 S ，T C ，W ，fl a g 0 ，增加变量 i 1 ； 4 任选 C E T计算 p o s c D ，p o s 。 D ，如 果 p o s c D p o s c D ，则 SS U{ C } ； 5 通过 { C } 修改 的元素 ， T T一{ c } ； 6 如果 T 2 j 则 C O R E 。 { C } S跳转 7 ，否 则跳转 4 ； 7 定义 L A S T CS { Z ．Z 。 ， ⋯ ， Z } ，T L A S T 为 LAS T幂集，T i LAS T 为 LAS T的第 i 阶幂子集； 8 如果 p o s D p o s 。 D ，则 R E D 。 C S ，跳 转 1 4 ； 9 TT i LA S T ； 1 0 V t ∈T ，W S U { t } ，如 果 p o s D p o s D ，则 fl a g 1 ，跳转 1 3 ； 1 1 TT t ，i f 2 j ，跳转 1 0 ； 1 2 如果 ≤m，将 i I 赋给 i ，跳转 9 ； 1 3 如果 fl a g 1 ，则 R E D 。 C ； 1 4 定义集合 VR E D C ，定义集合 R VUD ； 1 5 将集合 尺中的重复行删除； 1 6 在集合 中增加一 列 ，数 值 即为 相应行 的 数值之和。 R S M算法中的 p o s D 表示集合 D的 C正域 ， p o s 。 D 表示集合 D对于集合 C除去任意元素 C 后 的正域，C O R E 。 { C} 表示集合 C对于 D的核属性 ， R E D C 表示集合 C对于 D的一个约减。 3 基于 P S O算法优化的模糊神经网络 3 ． 1 模糊神经 网路的构建 1 输入层。在 n个训练样本集合 中，其中每 个样本都有 m个特征属性 ，由此得到特征值矩 阵 X i 1 ， 2 ， ⋯ ， m； 1 ， 2 ， ⋯ ， n ， 表示待 训练样本 的第 i 个特征值。 Y Y ， Y ， ⋯， Y 为样本 集的一个特征向量，由隶属度函数 4 对样本进行 归一化 YkY i Ym a - - Y mi ． 4 式中Y m a x 和 Y m in 分别为样本中的最大值和最小值。 2 隐层。对 于三 层模 糊神 经元 ，采用 s i g m o i d 函数作为激励函数，其形式如公式 5 所 示 u O J 寺 5 kFi 1 一 _ -■ 7 L 1 [ ， 一 一 ] l 一 J 其中 ∞ ， 表示样本序号，6 0 为第 i 层与 第 层之间的连接权值，“ 为第 k 层节点输 出。这里 可 以用公式 6 调整其权重 6 0 t 1 t △ t 1 ／ A o J t 6 式中△ u 叼 r A ， 代表学习能力参数 ； 是 动量系数；t 为迭代次数；A为隐层误差。 3 输出层 一一一 一一一 一／7 、 “ 一 1 [ 至 u r 】 一 l 一 1 ] 一 l f 一 1 [ 三 r H ～一] H 坷 ， 式中 z 可 乏∞ r 为样本序号， r 目 为隐层输入； 挑为 k 层和 h 层 的连接度 ，u 为 k 层 节点输 出。采用 的权 重调整公式为 从 t 1 t △ t 1 ／ x A o 肌 t 式中 叼代表学 习能 力参 数 ， 是 动量 系数 ，t 为 迭 代次数 ，A为隐层误差 。 3 ． 2 P S O融合 的模 糊神 经网络 由于 P S O算法具有整体优化参数的能力，所以 可以将其与具有局部极值发现能力的反向传播算法 B P 相融合 。对样本集的训l 练步骤如下 1 首先 随 机 初 始 化 微 粒 的 群 位 置 和 初 速 度 对应神经网络的权值和阀值 ，这里群的规模为 m， X i 和 分 别 表示 位置 和速 度 ， ∈[ 。 ， ] ， ∈ [ ～ ⋯， ⋯] ，V m a x 是微粒的最大速度常数。 2 根据权重 ，加速度 c 、C 初始化神经网络 的输入层样本，进行迭代计算 ，采用适应度函数f MI U j 一 l 计算微粒的适应度，I 一 ． 1 表示实际输出 和期望输出的绝对误差。 3 比较每个微粒的适应度参数和全局最优位 置 p ，局 部最优位 置 g g o o d 如果 比 更 优 ，则根 据 公式 1 、 2 调整速度 则对应的网络权值调 整公 式为 6．0 t 1 t c i r 1 ， t P g 。 o d 一 ∞ t C 2 r 2 ， t ∞ 目 g 一 t 8 4 粒子群进行 自适应搜索 ，如果适应度小于 初始阀值或者小于最大迭代次数 ，则重复步骤 3 。 第 1期 陈磊基于 P S O和属性约减的模糊神经网络机床故障诊断 1 7 1 5 在 P S O全局搜索的同时，利用反 向局域搜 索微调 ，当误差小于最低收敛精度时则结束搜索过 程 。 4 实验及仿真分析 总结机床主轴伺服系统有 7种故障原因 ，分别 为 1 屏蔽和接地不 良； 2 切削量过大操作失 误 ； 3 参数设置错误； 4 主轴编码器件损坏； 5 电机过载，电流过大； 6 驱动机械损坏； 7 主轴机构磨损 。数控机床伺服系统故 障现象 和故 障原 因编号如表 1 所示 。 表 1 故障诊断表 故障现象 可能故障原因编号 主轴转速不规律波动 主轴电机温度高 主轴定位异常， 抖动 主轴转速与进给不协调 转速与指令数不符 噪声及振动超标 通 电后 电机不 转 1 2 6 7 2 3 5 7 3 4 4 5 6 2 5 6 7 5 6 7 实验中选取 1 0 0条记 录 ，其 中 8 0条 用 于训练 神 经网络 ，2 0条用于诊断准确性测试。在开始训练之 前先调用 R S M约简算法 ，消除训练记录矩阵中冗余 的属性 ，然后通过 P S O融合学习算法 ，对样本进行 训 练。 初始 P S O种群数为 2 0 ，迭代次数 t 为 2 5 0 0 ，速 度 p ， d 0 w ∈[ 一1 ， 1 ] ⋯ 0 ． 1 8 x p 一 d o w ，参数 从 0 ． 7到 0 ． 3线性减小 ，C 。 C 2 ，反向传播算 法中，微调距离为 0 ． 0 5 ，动量数为 0 ． 5 。最后通过 MA T L A B编程 ，仿真结果如图 1 和表 2 。 表 2 P S O融合方法和传统 F N N准确率对比 仿真结果可知当设定初始迭代次数后，P S O融 合 的训练 方法的网络收敛速度明显优于原始 的训练方 法，在迭代 5 0 0次时基本可以满足误差精确度要求 。 因为训练时每个网络权值所代表的微粒 自适应搜索之 前，就已经将训练样本中的冗余属性约减，所以在短 时间内网络迅速收敛，而传统的反向传播方法则陷入 了局部极小值，网络无法继续收敛。在诊断准确率和 误诊率方面，P S O融合神经 网络误差训练精度高 ， 具有很好的表现 ，误诊率相对较低 ，同时还能够更 多地诊断出原始训练集合中没有 出现的故障类型 ， 所以非常适用于故障样本较多、结构复杂、故障率较 高的数控机床诊断。 0 ． 0． 4 0 ． 0． 3 0 ． 0 ． 2 蜊0 ． 0． 1 0 ． 0． 0 U 5UU l U I l U l 5U U 2tO Ot 2 5 UU 迭代 次数， 次 图1 传统学习算法 P S O融 合算法收敛曲线对比 5结 论 首先对训练集进行 R S M属性约减，再将 P S O算 法融入传统 F N N中，得到的新的训练方法具有收敛 速度快、诊断正确率高、且能诊断未知故障的优点， 在数控机床的故障诊断中具有应用价值。 参考文献 【 1 】L i Y C ， F u J Z ， Y a o X H ． R e s e a r c h o n R e m o t e I n t e l l i g e n t F a u l t Di a g n o s i s o f C NC Ma c h i n e T o o l s a n d R e a l i z a t i o n o f i t s S o f t w a r e[ J ] ． K e y E n g i n e e ri n g Ma t e ri a l s ， 2 0 1 0 ， 4 2 6 ／ 4 27 2 5 4 2 59． 【 2 】Y U S h i w e i ， Z H U K e j u n ， D I A O F e n g q i n ． A D y n a m i c A l l P a r a me t e r s A d a p t i v e B P Ne u r al N e t w o r k s Mo d e l a n d I t s Ap p l i c a t i o n o n O i l R e s e r v o i r P r e d i c t i o n[ J ] ． A p p l i e d Ma t h e m a t i c s a n d C o mp u t a t i o n J a n u a r y ， 2 0 0 8 ， 1 9 5 1 6 6 7 5 ． 【 3 】Y U M U S A K N ， T E M U R T A S F ， G U N T U R K U N R ． H a r m o n i c D e t e c t i o n U s i n g N e u r a l N e t w o r k s w i t h C o n j u g a t e G r a d i e n t A l g o r i t h m[ C ] ／ ／ L N A I ， 2 0 0 4 3 0 4 3 1 1 ． 【 4 】V A N D E N B E R G H F ， E N G E L B R E C H T A P ． C o o p e r a t i v e L e a r n i n g i n Ne u r al Ne t w o r k s Us i n g P a r t i c l e S w a r m Op t i mi - z e r [ J ] ． S o u t h A f ri c a n C o mp u t e r J o u r n a l ， 2 0 0 0 ， 2 6 8 4 90． 【 5 】 Z H A O L i a n g ， Q I A N F e n g ． T u n i n g t h e S t r u c t u r e a n d P a r a m e t e r s o f a Ne u r a l Ne t w o r k U s i n g C o o p e r a t i v e Bi n a r y - r e a l P a r t i c l e S w a rm O p t i m i z a t i o n[ J ]E x p e r t S y s t e ms w i t h A p p l i c a t i o n s ， 2 0 1 1 ， 3 8 5 4 9 7 2 4 9 7 7 ． 【 6 】T S A N G E C C ， W A N G X Z ， Y E L T N G D s ． I m p r o v i n g L e a rn i n g Ac c u r a c y o f F u z z y De c i s i o n T r e e s b y Hy b ri d Ne u r a l N e t w o r k s[ J ] ． I E E E T r a n s o n F u z z y S y s t e ms ， 2 0 0 0 ， 8 5 3 3 7 3 4 2 ． 【 7 】 姚敏强． 数控机床故障诊断维修技术[ M] ． 北京 电子工 业出版社 ， 2 0 0 7 ． 【 8 】V A N D E N B E R G H F ， E N G E L B R E C H T A P ． T r a i n i n g P r o d u c t Un i t Ne t wo r k s Us i n g C o o p e r a t i v e P a rti c l e S w a rm O p t i m i z e r s [ C] ／ ／P r o c I J C N N 2 0 0 1 ， Wa s h i n g t o n D C， US A， 2 0 0 1 1 2 61 3 2 ．