變頻調速數控機床健康狀態可靠性評估研究

艾 國

(神木職業技術學院，陜西 神木 719300)

科學技術的發展使得數控機床的應用越來越廣泛，現已成為機械制造行業的中堅力量，創造了巨大的社會效益和經濟效益。數控機床根據其驅動方式一般可分為變頻調速電機驅動和伺服主軸電機驅動兩類。交流主軸電機一般采用感應式交流伺服電機，伺服主軸電機在應用過程中必須采用與數控系統相匹配的主軸驅動器。使用主軸驅動方法雖然精度較高，但是使用成本也相對較高。變頻器主軸驅動屬于一種通用主軸驅動，能夠對普通三相交流異步電動機進行無極調速，調速過程也比較簡單，利用這種變頻調速方式的數控機床屬于經濟型機床，在相關領域得到了廣泛應用[1-2]。但這類機床如果出現故障則需要外送維修，也就是說變頻調速數控機床的故障較為復雜，使用者無法自行對其進行維修，且維修周期較長，會耽誤生產。針對這一問題，本文提出了一種新的變頻調速數控機床健康狀態評估方法。利用BP神經網絡構建變頻調速數控機床故障診斷模型，為提高該模型的運算效率，對BP神經網絡學習進行改進，然后利用改進的模型對故障進行診斷，并針對故障提出相應的維修方法，實現變頻調速數控機床運行健康狀態的可靠評估。實驗結果表明：變頻調速數控機床健康狀態評估方法要優于傳統方法，能診斷出常見的幾種故障，準確性提高了3%，時間縮短了2s。該方法彌補了傳統方法存在的不足，提高了診斷效率，基本達到快速、準確排除故障的目的。

1 基于神經網絡的運行狀態監測原理

1.1 BP神經網絡下運行故障檢測模型

人工神經網絡是模擬大腦神經網絡結構和功能的產物，是一種復雜的、大規模的非線性信息處理系統[3]。由于神經網絡具有模擬任何非連續性函數的能力、利用樣本學習能力、容錯能力以及天然模式識別能力，已被廣泛用于各種故障診斷中。其診斷原理如圖1所示。

圖1 神經網絡故障診斷原理

利用BP神經網絡對變頻調速數控機床進行故障診斷，可以直接訓練故障狀態信息，得到某種映射關系。BP神經網絡本身自學習能力和自適應能力決定了它在故障診斷領域中的重要地位[4]。當利用該方法進行故障診斷時，神經網絡的輸入與電氣系統的故障類別門限特征要一一對應，即把采集到的故障樣本狀態的特征參數按照單位神經元的結構對應排列。排列過程中，可以通過故障樣本訓練神經網絡，得到BP神經網絡的連接權值和閾值，從而診斷出變頻調速數控機床存在何種故障。

圖2所示為BP神經網絡結構。從圖中可以看出，BP神經網絡結構一般有三層，由許多個節點連接而成(一個節點就是一個BP神經元)，同一層的各節點不連接，不同層各節點通過權值連接[5]。

圖2 BP神經網絡三層結構圖

在圖2所示的神經網絡結構的基礎上構建一個BP神經元基本模型，如圖3所示。

在圖3模型中，每一個輸入的神經元都有相對應的權值，取值與偏差相加構成神經元輸出函數。隱含層與輸出層各個節點的輸出函數K和G分別為：

(1)

式中：N為神經元數量；Cir為輸入層連接權值；Dij為隱含層連接權值；Er和Fr分別為隱含層和輸出層的單元閾值。

在BP神經網絡結構中，公式(1)中的f(·)采用sigmoid函數，如圖4所示。

1.2 BP神經網絡算法的改進

傳統BP神經網絡學習算法運算效率低、覆蓋面小，具有極大的局限性，導致診斷效率和準確性不能滿足實際需求，因此本文提出一種改進的BP神經網絡算法，以彌補傳統方法存在的不足[5-6]。算法過程如下。

圖4 BP神經網絡的傳遞函數

選取若干個學習樣本，將各個樣本的權值系數初始化為非零的最小隨機數。然后輸入學習樣本，設置目標輸出T為：

(2)

式中：T為目標輸出；b為權值初始值；z為閾值初始值。

計算神經網絡的實際輸出：

(3)

根據神經網絡的實際輸出計算誤差值：

輸出層

δ=T(1-T)

(4)

隱含層

(5)

調整權值和閾值：

b(T+1)=b(t)+Er·η-δ

(6)

z(T+1)=z(t)+Fr·η-θ

(7)

式中：η為學習步長。

計算故障診斷精度E：

E=∑En

(8)

式中：En為固定學習步長下的單個精度。

判斷指標是否滿足精度要求E小于e(e為故障診斷精度)，如果滿足要求，則返回式(7)，并矯正其誤差；如果不滿足要求，則返回式(3)，重新求得故障判斷數據的實際輸出。

BP神經網絡算法具體流程如圖5所示。

1.3 數控機床健康狀態評估

利用上文建立的BP神經網絡進行數控機床運行狀態評估，首先進行故障數據采樣，然后對故障數據進行分析，得出故障名稱。其評估步驟如圖6所示。

圖5 改進的BP神經網絡算法流程

圖6 運行健康狀態評估步驟

首先對存在故障的變頻調速數控機床進行初始化操作，然后提取其故障特征，求出故障類別門限特征，并將其作為輸入層的輸入權值，最后利用BP神經網絡模型求得輸出層的輸出權值，并根據輸出結果對比故障庫判斷屬于何種故障，實現變頻調速數控機床健康狀態的評估。

利用數控機床運行狀態評估模型，按照診斷流程，可以診斷出5種較為常見的故障，具體見表1。

2 變頻調速數控機床故障維修方法

故障維修是健康狀態可靠性評估第二階段工作，該階段工作完成后，也就達到健康運行目的。

表1 常見故障類型

變頻調速數控機床一旦出現故障就不會只存在一種，因為數控機床電氣系統是一個整體，各個部件相互連接，相互作用，如果其中一個部件出現缺陷，伴隨問題程度的逐漸加深，會緩慢破壞其他部件，導致其他部件失靈或癱瘓[7-8]。對于出現的不同原因、不同部位的故障采用不同的方式進行維修，對于某些綜合性故障則需要把幾種方式結合起來，靈活運用，以便達到治標又治本的目的。

上述的數控機床故障，其具體的維修方法有：

1)直接維修法。該方法主要用于解決電源故障。首先縮小電源故障種類的檢查范圍，然后找到故障點進行健康狀態可靠性評估。該方法比較簡單，但也是最常用的方法，可以解決那些有外在特征表現的故障，需要維修人員有一定的技術和經驗。

2)參數更正法。該方法主要用于解決無法恢復出廠設置的問題。恢復出廠設置屬于軟件應用，因此只能通過調整系統參數才能修復好。此外，該方法也同樣適用于解決其他類似軟件問題，只要根據使用手冊輸入正確的參數即可。

3)備件置換法。該方法主要解決變頻調速數控機床動態性能差的問題。動態性能差是因為設備被過度使用，因此最直接的方法就是更換系統備件。更換時，需要在斷電的情況下進行，且維修人員必須按照設備更換要求嚴格執行[8]。

4)初始化復位法。該方法可以通過硬件或開關系統電源來解決位置環故障和偶發性停機故障。需要注意一點：當變頻調速數控機床工作區域由于突發性斷電、電流過大或電池欠壓造成混亂后，系統需要重啟，這時系統會自動進行初始化操作，系統中的數據會丟失，因此應該注意做好數據備份[9]。

3 仿真實驗

無論是傳統運行狀態評估方法還是本文所提方法，在第二階段(維修階段)采用的方法都是一樣的，因此無法將維修手段作為本次實驗的參考指標，僅選取第一階段，即故障診斷階段的診斷精確度和效率作為本次實驗的參考指標[10]。得到的結果即可視為健康狀態可靠性評估效果。

假定在某次運行過程中，出現以下5個類別門限特征：A1為電壓不穩、A2為坐標軸定位偏移、A3為測量模塊出現問題、A4為機床磨損嚴重、A5為環境影響。5個類別門限所對應的故障：B1為電源故障、B2為位置環故障、B3為出廠設置故障、 B4為動態性能故障、B5為偶發性停機故障[11-12]。以1表示出現故障，0表示不出現，得到部分訓練樣本見表2。

表2 故障學習樣本

為保證實驗的客觀性，一共進行了5組仿真實驗，本文方法和傳統方法的實驗誤差對比見表3。

表3 故障診斷誤差對比

根據表3取兩種診斷方法的平均結果作為最終結果，兩種方法結果對比如圖7所示。

從圖7中可以看出，傳統方法診斷結果的正確率總體上要低于BP神經網絡，其中二者最大誤差發生在T2輸出狀態，二者相差6%，最小誤差發生在T3輸出狀態，二者相差1%。取所有電氣系統輸出狀態下兩種方法的結果平均值進行對比：利用BP神經網絡進行診斷，正確率高于傳統方法3%。由此證明BP神經網絡診斷方法更適合用于故障診斷和排除。

圖7 不同方法結果對比

在故障診斷中，除了要保證精度外，診斷效率也十分重要。從圖8效率對比曲線圖中可以看出，傳統方法的診斷效率要低于BP神經網絡診斷效率，BP神經網絡診斷時長比傳統方法平均少了2s。

圖8 兩種方法效率對比結果圖

4 應用實例

以某變頻調速數控機床為例，對其健康狀態進行評估。為保證數據的有效性，在評估過程中，機床測量參數固定，未做出修改，具體參數見表4。

表4 數控機床測量參數

選取不同時間段的機床健康狀態評估結果，繪制成為曲線圖，開始監測時間為2016年1月。機床的健康狀態變化情況如圖9所示。

圖9 機床健康狀態變化曲線

從圖9中可以看出，變頻調速數控機床在運行的前5個月處于健康狀態，隨著運行時間的延長，逐漸呈亞健康狀態，在11個月的時候開始劣化，與實際的劣化過程比較吻合，也證明了本文所提方法具有一定的可靠性。

5 結束語

本文提出的變頻調速數控機床健康狀態可靠性評估方法，與傳統方法相比具有更高的準確度和時效性，將本文方法應用在數控機床的健康評估實踐中，可以及時檢測出機床設備的多種故障，保障了設備的運行安全，降低了生產成本，為我國數控機床的發展和經濟增長提供了新的推動力。