基于遗传神经网络的数控机床故障预测

李 雪王 鹤邵秋萍熊建桥朱晓翠

（1.南京工程学院 机械工程学院，南京 211167；2.河南工程学院 机械工程学院，郑州 451191；3.吉林大学 机械科学与工程学院，长春 130025）

基于遗传神经网络的数控机床故障预测

李 雪1王 鹤2邵秋萍1熊建桥1朱晓翠3

（1.南京工程学院 机械工程学院，南京 211167；2.河南工程学院 机械工程学院，郑州 451191；3.吉林大学 机械科学与工程学院，长春 130025）

将遗传算法与神经网络相结合，用于数控机床故障预测。应用遗传算法优化神经网络的权值和阈值，克服单独使用神经网络所带来的网络收敛速度慢以及得不到全局最优解等缺点。实验结果表明，优化后的遗传神经网络具有良好的预测能力，可以作为数控机床故障预测的有效手段。

数控机床 遗传算法 神经网络 故障预测

引言

数控机床作为装备制造业的“工作母机”，是实现国家工业化和现代化的基础装备，是衡量一个国家工业现代化水平和综合国力的重要标志[1]。近年来，随着科技的发展，数控机床等复杂装备在汽车、航空航天、家电产品、高速铁路、海洋船舶等行业的需求日益增加[2]。随着精密制造技术、信息处理技术等相关技术的发展，数控机床许多性能指标都在提高，然而可靠性问题却一直是阻碍数控机床发展的主要关键技术问题。

机床可靠性是指机床在规定条件下和规定的时间内完成规定功能的能力。机床的故障时有发生，增加了维修损失和停机费用，降低了使用效率[3-4]。可靠性预测是根据已有的故障信息，来预测故障可能发生的时间以及故障可能发生的部位，为整机及子系统的预防提供依据。准确的预测结果不仅能够指导用户提前采取预防措施，减少停机损失，还能够有效延长机床的运行时间，节约设备的维护成本，提高设备投资回报率。常用的预测方法有时间序列预测法、回归预测法、灰色预测法、神经网络预测法、马尔可夫预测法等。灰色预测法是以灰色系统理论为基础，该建模方法无需太多样本，但有时预测精度不高[5]。神经网络预测具有高度的非线性映射能力，能以任意精度逼近任意一个连续函数，但有时网络收敛速度慢，得不到全局最优解，并且网络结构难以确定。综上所述，本文提出用遗传算法优化网络结构，建立遗传神经网络预测模型。

1 遗传神经网络模型

1.1 神经网络模型

人工神经网络又称神经网络，是在人类对其大脑神经元认识理解的基础上，构造出来的能够实现人类某些思维功能的人工智能系统，包括输入层、隐含层和输出层。BP网络（即反向传播网络）是应用最多的一类神经网络[6-7]，其特点是具有很高的非线性映射能力，但其容易陷入局部极小点而无法获得全局最优解。网络结构如图1所示。

图1 神经网络结构

1.2 遗传神经网络

遗传算法是通过遗传算子模拟生物进化过程中的选择、交叉以及变异过程，最终得到最优个体，所以是一种全局优化随机搜索算法。由于在神经网络结构中，权值和阈值是随机产生的，这样得到的网络结构准确性不高，而通过遗传算法对网络的权值和阈值进行全局搜索，将权值和阈值编码为遗传算法的个体[8]，使权阈值种群聚集在参数空间的某几处，这样优化后的神经网络能更好地逼近输出函数。流程图如图2所示。通过引入遗传算法中的交叉和变异操作，把粒子个体和群体极值进行交叉以及粒子自身的变异的方式来搜索最优解。步骤如下：（1）把组成输入层到隐含层的权值和阈值及隐含层到输出层的权值和阈值编码为实数；（2）将系统实际输出与理论输出之间的误差绝对值的和作为个体适应度值；（3）计算每个个体的选择概率，并按照种群规模迭代；（4）从新种群中任意选择2个个体，相互交换部分基因，从而产生2个新个体；（5）从新种群中任意选择1个个体用其他基因值替换，从而形成一个新的个体。

2 故障预测

本文通过编制Matlab程序对神经网络的权值和阈值进行优化。其中，神经网络采用4-9-1型网络结构，即输入层4个节点、隐含层9个节点、输出层1个节点。用表1中的数据对遗传神经网络进行训练，训练误差设为0.0001，遗传算法中种群规模为20，迭代次数为80。

图2 遗传神经网络流程图

表1 故障间隔时间数据

所得部分预测结果，如表2所示。从表2可以看出，本文所建立的遗传神经网络预测模型具有较好的预测能力。

表2 预测结果

3 结论

（1）遗传算法优化神经网络的权阈值，改进了神经网络收敛速度慢以及容易陷入局部极小点的缺陷，提高了网络的预测精度。

（2）建立的遗传神经网络预测模型应用于数控机床的故障预测，具有较高的预测精度，为进一步有针对性地制定维修策略、避免事故的发生、提高数控机床的可靠性，提供了一种有效手段。

[1]张根保，柳剑.数控机床可靠性概述[J].制造技术与机床，2014，（7）：8-14.

[2]张传思.精密卧式加工中心典型结构的分析[J].机械工程师，2011，（4）：116-117.

[3]陈保家，陈雪峰，李兵.Logistic回归模型在机床刀具可靠性评估中的应用[J].机械工程学报，2011，47（18）：158-164.

[4]贾亚洲，杨兆军.数控机床可靠性国内外现状与技术发展策略[J].中国制造业信息化，2008，（4）：35-37.

[5]何庆飞，陈桂明，陈小虎.基于灰色支持向量机的液压泵寿命预测方法[J].润滑与密封，2012，37（4）：73-77.

[6]刘增良，刘有才.模糊逻辑与神经网络—理论研究与探索[M].北京：北京航空航天大学出版社，1996.

[7]楼乐明，李明辉，彭颖红.利用神经网络建立电火花加工工艺模型[J].中国机械工程，2001，12（4）：408-410.

[8]闫楚良，郝云霄，刘克格.基于遗传算法优化的BP神经网络的材料疲劳寿命预测[J].吉林大学学报：工学版，2014，44（6）：1710-1715.

Fault Prediction of Numerical Control Machine Tool based on Genetic Neural Network

LI Xue1, WANG He2, SHAO Qiuping1, XiONG Jianqiao1, ZHU Xiaocui3
(1.Nanjing Institute of Technology, Mechanical Engineering College,Nanjing 211167;2.Henan Institute of Engineering, Mechanical Engineering College,Zhengzhou 451191;3.Jilin University,Mechanical Science and Engineering College, Changchun 130025)

This article combine genetic algorithm and neural network to use on prediction of numerical control tool fault. Utilizing genetic algorithm to optimize weight and threshold value of neural network, which overcome defects including low convergence rate and can not get global optimal solution when using only neural network. Experiment results show, optimized neural network have very good prediction ability and can be used as a very effective method for numerical control machine tool fault.

numerical control machine tools, genetic algorithm, neural network, fault prediction

教育部人文社会科学研究青年基金项目（13YJCZH091）。