資源描述：
《基于miv與rbf神經(jīng)網(wǎng)絡(luò)的滾珠絲杠故障診斷_溫國(guó)強(qiáng).pdf》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。
1、基于MIV與ＲBF神經(jīng)網(wǎng)絡(luò)的滾珠絲杠故障診斷*溫國(guó)強(qiáng)文妍譚繼文(青島理工大學(xué)，山東青島266033)摘要:滾珠絲杠故障特征值引入平均影響值(MIV)的特征值篩選方法，剔出冗余特征值，減少了特征向量數(shù);設(shè)計(jì)了徑向基(ＲBF)神經(jīng)網(wǎng)絡(luò)，并建立了基于MIV與ＲBF神經(jīng)網(wǎng)絡(luò)的滾珠絲杠故障識(shí)別模型。經(jīng)試驗(yàn)，對(duì)“未篩選－BP”、“未篩選－ＲBF”和“MIV－ＲBF”三種診斷模型進(jìn)行對(duì)比分析研究，結(jié)果表明:“MIV－ＲBF”訓(xùn)練步數(shù)少、收斂快、診斷精度高，是一種較為理想的滾珠絲杠故障診斷方法。關(guān)鍵詞:滾珠絲杠MIV
2、特征值篩選ＲBF神經(jīng)網(wǎng)絡(luò)故障診斷中圖分類(lèi)號(hào):TG659文獻(xiàn)標(biāo)識(shí)碼:AFaultdiagnosisofballscrewbasedonMIVandＲBFneuralnetworkWENGuoqiang，WENYan，TANJiwen(QingdaoTechnologicalUniversity，Qingdao266033，CHN)Abstract:TheMeanImpactValue(MIV)isintroducedtoremovetheredundantfeaturesandreducethenumb
3、eroffeaturevectors．DesigningtheＲedialBasisFunction(ＲBF)neuralnetworkandbuildingthemodelofballscrewfaultdiagnosisbasedonMIVandＲBFneuralnetwork．Undergoingcontrastresearchforthethreediagnosticmodelsabout“Unfiltered－BP”，“Unfiltered－ＲBF”and“MIV－ＲBF”．Verified
4、byexperiments，themodelof“MIV－ＲBF”isaratherplausibleballscrewfaultdiagnosismethodwiththeadvantagesoflesstrainingsteps，fasterconvergencerateandhigheraccuracy．Keywords:BallScrew;MeanImpactValue;FeatureValuesSelection;ＲedialBasisFunctionNeuralNetwork;FaultD
5、iagnosis．滾珠絲杠是數(shù)控機(jī)床中最常使用的關(guān)鍵傳動(dòng)元，［1］件具有高精度、可逆性和高效率的特點(diǎn)。滾珠絲杠若出現(xiàn)故障，將會(huì)直接影響到數(shù)控機(jī)床的加工精度，造成產(chǎn)品質(zhì)量下降甚至報(bào)廢，損失嚴(yán)重。因此，若能在滾珠絲杠故障形成早期進(jìn)行正確及時(shí)的診斷，對(duì)其生產(chǎn)效率與產(chǎn)品質(zhì)量的提高大有裨益。在傳統(tǒng)診斷方法中，通常是對(duì)原始故障信號(hào)進(jìn)行特征提取后，將所有特征值作為傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)或者支持向量機(jī)的輸入?yún)⒘窟M(jìn)行模式識(shí)別。這種方法輸入?yún)⒘慷?、診斷過(guò)程復(fù)雜，同時(shí)，由于BP網(wǎng)絡(luò)容易陷入局部極小值，而且收斂速度相對(duì)較慢或無(wú)法收
6、斂，診斷精度相對(duì)較低。本文引入平均影響值(MIV)方法對(duì)故障特征進(jìn)行篩選處理，去除冗余特征，將剩余特征作為故障識(shí)別的輸入?yún)⒘?基于具有逼近精度高、無(wú)局部極小問(wèn)題且收斂速度快等特點(diǎn)的徑向基(ＲBF)神經(jīng)網(wǎng)絡(luò)建立了數(shù)控機(jī)床滾珠絲杠故障識(shí)別模型，有效提高了故障診斷精度和速度，效果良好。1MIV算法1．1平均影響值(MIV)平均影響值(MIV，MeanImpactValue)，是一種目前被認(rèn)為是在神經(jīng)網(wǎng)絡(luò)中評(píng)價(jià)變量相關(guān)性的最好指標(biāo)之一［2］。該算法可用于確定輸入變量對(duì)輸出變量的影響大小，其符號(hào)代表相關(guān)的方向
7、，絕對(duì)值代表影響的大小。1．2計(jì)算思想［3］(1)用原始樣本S對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對(duì)訓(xùn)練集S進(jìn)行回歸預(yù)測(cè);(2)在網(wǎng)絡(luò)訓(xùn)練結(jié)束后，將訓(xùn)練樣本S中每一自變量在其原值的基礎(chǔ)上分別加、減10%構(gòu)成兩個(gè)新的訓(xùn)練樣本S1和S2;(3)利用構(gòu)建好的BP網(wǎng)絡(luò)，對(duì)樣本Sl和S2分別*國(guó)家自然科學(xué)基金項(xiàng)目(51075220);青島市科技計(jì)劃基礎(chǔ)研究項(xiàng)目(12－1－4－4－(3)－JCH)·64·進(jìn)行仿真，得到兩個(gè)仿真結(jié)果Ml和M2;(4)求出Ml和M2的差值，即為變動(dòng)該自變量后對(duì)輸出產(chǎn)生的影響變化值(簡(jiǎn)稱(chēng)W);(
8、5)將W按觀(guān)測(cè)例數(shù)平均得出該自變量對(duì)于因變量的平均影響值MIV，同理可計(jì)算出各個(gè)自變量的MIV值;(6)根據(jù)MIV絕對(duì)值的大小為各自變量排序，得到各自變量對(duì)網(wǎng)絡(luò)輸出影響相對(duì)重要性的位次表，從而判斷出輸入特征對(duì)于網(wǎng)絡(luò)結(jié)果的影響程度，即實(shí)現(xiàn)了變量篩選。2ＲBF神經(jīng)網(wǎng)絡(luò)2．1ＲBF網(wǎng)絡(luò)ＲBF神經(jīng)網(wǎng)絡(luò)是1985年由Powell提出的多變量差值的徑向基函數(shù)(ＲadialBasisFunction，簡(jiǎn)稱(chēng)ＲBF)方法。該網(wǎng)絡(luò)是一種性能優(yōu)良的前饋型神經(jīng)網(wǎng)絡(luò)，具，［4］有
