文摘
滚珠丝杠的性能,评估螺钉性能退化评估技术基于量子遗传算法(相)和动态模糊神经网络(DFNN)进行了研究。滚珠丝杆的cincinnativ5 - 3000加工中心作为研究对象。8765 8704 b100m1加速计和两个基斯特勒公司基斯特勒公司a250m5三向加速度计安装监控螺钉性能的退化趋势。首先,螺旋振动信号特征提取时域和频域。然后特征向量可以通过主成分分析(PCA)。第二,DFNN的初始化参数优化的实现。最后,特征向量输入DFNN培训然后获得螺旋桨性能退化模型。实验结果表明,螺杆的性能退化模型可以有效地评估数控机器螺丝的性能。
1。介绍
数控机床是现代制造业的重要基础,它直接影响经济发展(1,2]。随着现代制造技术的不断发展,数控机床已广泛应用于航空航天、汽车、造船等行业(3,4]。在制造过程中,滚珠丝杆的不断退化直接导致减少数控机床的静态几何精度和动态精度,这意味着企业应该提高他们的生产和维护成本。由于滚珠螺杆的性能和工作条件的变化将发生巨大变化和处理环境,定期更换滚珠螺杆既不科学也不合理(5,6]。因此,螺杆的性能下降需要实时评估,以减少企业的维护成本。
DFNN是一种信息处理方法与模糊集理论相结合。其本质是一个动态映射网络权重和模糊输入信号(7]。在学习过程中,网络参数和尺寸会改变根据规则。与传统的神经网络相比,DFNN更适合描述动态系统。然而,很难选择DFNN的初始化参数,这意味着DFNN将很容易陷入局部最优8,9]。DFNN的缺陷,本文采用相结合,效率高的优点,避免局部最优,选择最好的初始化参数DFNN能够提高DFNN的性能和增加系统的操作稳定性。
本文的目的是提供一个有用的方法的性能退化评估基于相结合和DFNN滚珠螺杆。同时提出了特征向量的选择方法。特别是,我们提取螺旋振动信号在时域和频域特性。输入信号特征空间的维数降低了PCA的帮助下。然后DFNN的初始化参数优化的实现。螺钉性能退化模型可以得到训练后的特征向量。最后,我们比较不同类型的神经网络的预测精度检验该方法的有效性。
2。螺旋振动特征向量
2.1。螺杆在线监测系统
图1显示了螺钉在线监测系统应用于cincinnativ5 - 3000加工中心。8704两个基斯特勒公司b100m1单向加速度计安装在两个轴承导缆孔的径向振动监测螺钉结束,8765年而基斯特勒公司a250m5三向加速度计安装在监控的三维振动的螺母螺钉螺母。INV1870是信号调节器与Advantech PCI1710数据采集卡。工业计算机可以通过PCI1710存储振动数据数据采集卡,和采样频率是2.56 kHz。滚珠螺杆在水平安装工作状态;与此同时滚珠丝杠的安装方法是一端固定,另一端浮动。滚珠丝杠轴直径45毫米,12毫米,和762毫米的旅程。
2.2。信号分析和特征提取
与使用寿命的增加,滚珠丝杠的性能会逐渐降低;与此同时,螺丝固定端逐渐变化的振动。经过五年多的使用寿命、振动显著增加。故障发生在第七年的使用寿命。振动的螺钉固定端在不同的使用寿命是显示在图2。
(一)
(b)
(c)
(d)
考虑滚珠螺杆振动信号的分布特征,最初的功能由以下部分组成。时域或频域特性(如均方根值,峰值,和重力频率),目前用来反映时域或频域,提取原始信号的一部分功能。利用小波分析方法,振动信号分解为5个层次选择小波“db1、基于小波包能量和不同的时频特性。近似熵,最近开发的统计理论在机械故障诊断中,也被应用到丰富的原始特性。
原始特征提取的不同方法,高维度和沉重的计算特点,不利于网络的建模和评估。与此同时,考虑到某些相关的高维的原始功能,消除冗余信息的一个主要集中在特征提取的研究。
主成分分析是一种统计方法,它使用一个正交变换将一组观测可能相关变量转化为一组线性不相关的变量的值。的维空间可以表示为原始特性。通过主成分分析,线性无关的特征向量,,可以获得。的贡献th组件可以表示如下: 在哪里的方差吗。
然后第一个的贡献主成分可以建立如下:
第十个主成分的贡献是绘制,如图3。前三个主成分的贡献超过20%,与前五个主成分的累计贡献超过90%。考虑到实时操作速度和操作精度,本文以前五个主成分的特征向量螺钉性能评估系统。
3所示。螺杆的性能退化评估
3.1。动态模糊神经网络
DFNN五层,包括输入层、输出层和三个隐藏层(10,11]。图4显示了DFNN的结构。在图4,输入变量,系统输出,是的隶属函数输入变量,是th规范化节点的重量吗规则。系统规则的数量。
每一层的主要功能可以解释如下。
输入层:变量分别输入到相应的节点。
隶属函数层:每个节点代表一个成员函数,它可以表示如下: 在哪里是的隶属函数。和代表的中心和宽度,分别。
准则层:在层、模糊规则表示为节点。的输出th节点被定义为
归一化层:归一化处理的输出在这一层标准层。的输出th节点可以表示如下:
输出层:系统输出的叠加可以制定为输入变量
生成第一个规则之前,DFNN应该设置网络的初始化参数。十DFNN需要初始化的参数,包括隶属函数宽度的第一条规则基于径向函数的,重叠因子、宽度更新因子、规则的阈值衰变常数,收敛因子、最大调试标准,最低调试标准、最大输出误差和最小输出误差。十个初始化参数的具体细节介绍(12- - - - - -15]。
DFNN很容易陷入局部最优,因为网络的随机初始化参数。因此,本文应用相结合获得DFNN的最佳初始化参数。
3.2。量子遗传算法
实现可以表达的主要思想如下:根据DFNN的参数特征,染色体基因构造量子比特编码系统和人口,包括几个染色体产生。采用量子交叉、变异和量子门旋转,DFNN的最佳初始化参数。图5显示相结合的算法流程图。
3.2.1之上。种群初始化
初始化人口的人口规模是。通过量子比特编码系统,任意的染色体初始化的人口可以表示如下: 在哪里是染色体基因的数量和代表每个染色体基因的量子比特数,分别。是th染色体的的一代。在本文中,染色体包括十个基因,它们分别对应于十DFNN的初始化参数。初始化概率振幅是因此每个染色体表达相同的状态。适应度函数是建立如下(16,17]: 在哪里是模仿预测样本的预测价值,的真正价值是模仿预测样本,然后呢是模仿预测样本的数量。
DFNN培训处理,测试样本的预测值容易失真虽然训练样本的预测值是非常好。为了避免严重扭曲的预测,可以使用适应度函数和模仿预测样本。健身功能考虑训练样本的拟合程度和优化DFNN的可移植性。因此,优化DFNN的预测精度是保证。
3.2.2。量子交叉和变异
为了避免陷入局部最优,量子交叉使用。的帮助下量子交叉,生成新的染色体这意味着实现染色体之间的信息交换。跨流程如下:(1)两条染色体随机选择的人口,以及是否应该考虑交叉操作是由交叉概率。(2)如果有必要考虑交叉操作,交换两个染色体之间的随机交叉位置信息应用。(3)检查染色体可行性,交叉操作完成。
通过使用量子变异,我们可以干扰当前的染色体的进化方向避免早熟,所以获得了良好的全局搜索能力。
3.2.3。量子门旋转
量子门的进化过程的执行机构实现。量子门旋转的更新过程如下: 在哪里和代表量子比特概率振幅更新之前和之后分别。是量子旋转角。量子旋转角的调整策略如表所示1。
在哪里和是th当前染色体和最好的染色体,分别调整角度一步和吗是旋转角方向。本文采用动态调整策略基于量子门旋转膨胀系数(18- - - - - -21];旋转角定义如下: 在哪里和的最小值和最大值呢分别是当前遗传后代的数量,是最大的数量遗传代膨胀系数。
3.3。螺杆的性能退化模型
传感器信号通过螺钉在线监测系统和高维度特征在时域和频域提取。然后可以通过PCA特征向量。特征向量被发送到特征向量库的实时工作条件。训练样本和模仿预测样本是随机选择的特征向量库和用于训练DFNN和实现。训练后,测试样品从特征向量库中选择用于测试优化和DFNN训练。如果预测精度的系统误差容许范围内,可以使用此DFNN螺钉性能退化模型。否则,DFNN必须重新训练通过增加样本或修改网络参数,直到可以保证预测精度。流程图的螺钉性能退化模型显示在图6。
4所示。实验结果
螺旋振动信号不仅是由螺钉性能下降程度,也取决于工作环境。特征向量库包括实时工作条件积累的帮助下螺钉在线监测系统。在这篇文章中,一个滚珠螺杆cincinnativ5 - 3000作为实验对象。四类性能降低滚珠螺杆是随机选择样本的特征向量库连同他们的工作条件。性能样品每个螺丝的长度是10秒的采样频率是2.56 kHz。四类螺钉性能样品包括0.5 -year-service螺丝样品,2-year-service螺丝样品,5-year-service螺丝样品,7-year-service螺丝样品。训练样本包括400个样本(100每个类的样本),模仿预测样本包括400个样本(100每个类的样本),包括400个样本和测试样本(100每个类样本)。
一个映射方法用于描述螺钉的输出性能退化模型。在这种方法中,不同的输出时间间隔螺钉性能退化模型的显示不同的螺杆的性能。时间间隔表明良好的性能。时间间隔显示性能略有下降。时间间隔表明中产退化性能仍能保证加工精度。时间间隔提出了严重退化性能这意味着螺丝很容易出错。时间间隔失败意味着螺丝。结合现场经验,模型的输出0.5 -year-service螺丝样品,2-year-service螺丝样品,5-year-service螺丝样品,和7-year-service螺丝样品是0.1,0.25,0.7和0.9。
实现人口规模和迭代的数量应该基于综合考虑训练样本和搜索效率。的参数量子交叉、变异和旋转大门可以由经验的前提下快速搜索优化。DFNN的初始化参数范围可以与多个算法运行测试(22- - - - - -25]。在这篇文章中,参数的实现选择如下26,27]:人口规模是40岁的迭代的数量是100,DFNN的初始化参数区间交叉概率为0.3,变异概率为0.1,最大旋转角度是0.15π和最小旋转角是0.01π,膨胀系数是2。
表2显示两个DFNN的预测精度。与硬度DFNN相比,优化DFNN具有较高的预测精度,在训练样本和测试样本。从训练样本和测试样本的预测精度,很明显,优化DFNN维护一个稳定的预测精度。
数据7和8显示硬度DFNN的混淆矩阵。它可以发现,非DFNN不能辨别5-year-service螺丝很好,特别是对测试样本。数据9和10是优化DFNN的混淆矩阵。可以看出,优化DFNN显示了更好的预测精度。数据11和12显示两个DFNN的训练和测试积累的错误。很明显,优化DFNN礼物更好的预测精度。
为了验证优化DFNN的效果,反向传播(BP)神经网络和径向基函数(RBF)神经网络的训练和测试样本。表3显示三个网络的预测精度。结果显示在表3,优化DFNN的预测精度优于BP神经网络和RBF神经网络。
数据13和14混淆矩阵的BP神经网络在数据吗15和16混淆矩阵的RBF神经网络。从图13来16,它是发现2-year-service螺钉和5-year-service螺丝很难区分为BP神经网络和RBF神经网络。众所周知,螺丝浴缸曲线的性能下降会遵守规则;2-year-service螺钉和5-year-service螺钉在随机故障。因此不容易预测2-year-service螺钉和5-year-service螺丝。与数据9和10优化DFNN显示,预测精度优于BP神经网络和RBF神经网络。
数据17和18显示三个网络的训练和测试积累误差。见数据17和18BP网络和RBF网络的累积误差比优化DFNN的更大。正如前面讨论的,它可以得出结论,优化DFNN可以有效评估螺钉性能下降。
5。结论
螺杆的性能退化评估基于相结合,研究了DFNN。实验结果分类的优化DFNN表明,我们建议的方法具有最佳的性能比其他三种模式。(1)螺杆在线监测系统应用于cincinnativ5 - 3000加工中心。考虑到加工中心总是多变的工作环境,工作的实时工作条件也存储为特征向量库的一个重要组成部分。(2)解决使用DFNN模型的预测稳定性问题,一种基于相结合的优化算法和模拟预测提出了样品。硬度DFNN相比,优化DFNN维护一个良好的预测精度。(3)螺旋特征向量的不同寿命应用于测试模型性能试验;从三种网络模型之间的讨论,结论可以达到优化DFNN礼物比BP和RBF网络预测精度和适用于螺钉性能评估。
利益冲突
作者宣称没有利益冲突有关的出版。
承认
作者想扩展他们的共同财政支持中国国家自然科学基金(51275426)。