变频调速数控机床健康状态可靠性评估研究

艾 国

(神木职业技术学院，陕西 神木 719300)

科学技术的发展使得数控机床的应用越来越广泛，现已成为机械制造行业的中坚力量，创造了巨大的社会效益和经济效益。数控机床根据其驱动方式一般可分为变频调速电机驱动和伺服主轴电机驱动两类。交流主轴电机一般采用感应式交流伺服电机，伺服主轴电机在应用过程中必须采用与数控系统相匹配的主轴驱动器。使用主轴驱动方法虽然精度较高，但是使用成本也相对较高。变频器主轴驱动属于一种通用主轴驱动，能够对普通三相交流异步电动机进行无极调速，调速过程也比较简单，利用这种变频调速方式的数控机床属于经济型机床，在相关领域得到了广泛应用[1-2]。但这类机床如果出现故障则需要外送维修，也就是说变频调速数控机床的故障较为复杂，使用者无法自行对其进行维修，且维修周期较长，会耽误生产。针对这一问题，本文提出了一种新的变频调速数控机床健康状态评估方法。利用BP神经网络构建变频调速数控机床故障诊断模型，为提高该模型的运算效率，对BP神经网络学习进行改进，然后利用改进的模型对故障进行诊断，并针对故障提出相应的维修方法，实现变频调速数控机床运行健康状态的可靠评估。实验结果表明：变频调速数控机床健康状态评估方法要优于传统方法，能诊断出常见的几种故障，准确性提高了3%，时间缩短了2s。该方法弥补了传统方法存在的不足，提高了诊断效率，基本达到快速、准确排除故障的目的。

1 基于神经网络的运行状态监测原理

1.1 BP神经网络下运行故障检测模型

人工神经网络是模拟大脑神经网络结构和功能的产物，是一种复杂的、大规模的非线性信息处理系统[3]。由于神经网络具有模拟任何非连续性函数的能力、利用样本学习能力、容错能力以及天然模式识别能力，已被广泛用于各种故障诊断中。其诊断原理如图1所示。

图1 神经网络故障诊断原理

利用BP神经网络对变频调速数控机床进行故障诊断，可以直接训练故障状态信息，得到某种映射关系。BP神经网络本身自学习能力和自适应能力决定了它在故障诊断领域中的重要地位[4]。当利用该方法进行故障诊断时，神经网络的输入与电气系统的故障类别门限特征要一一对应，即把采集到的故障样本状态的特征参数按照单位神经元的结构对应排列。排列过程中，可以通过故障样本训练神经网络，得到BP神经网络的连接权值和阈值，从而诊断出变频调速数控机床存在何种故障。

图2所示为BP神经网络结构。从图中可以看出，BP神经网络结构一般有三层，由许多个节点连接而成(一个节点就是一个BP神经元)，同一层的各节点不连接，不同层各节点通过权值连接[5]。

图2 BP神经网络三层结构图

在图2所示的神经网络结构的基础上构建一个BP神经元基本模型，如图3所示。

在图3模型中，每一个输入的神经元都有相对应的权值，取值与偏差相加构成神经元输出函数。隐含层与输出层各个节点的输出函数K和G分别为：

(1)

式中：N为神经元数量；Cir为输入层连接权值；Dij为隐含层连接权值；Er和Fr分别为隐含层和输出层的单元阈值。

在BP神经网络结构中，公式(1)中的f(·)采用sigmoid函数，如图4所示。

1.2 BP神经网络算法的改进

传统BP神经网络学习算法运算效率低、覆盖面小，具有极大的局限性，导致诊断效率和准确性不能满足实际需求，因此本文提出一种改进的BP神经网络算法，以弥补传统方法存在的不足[5-6]。算法过程如下。

图4 BP神经网络的传递函数

选取若干个学习样本，将各个样本的权值系数初始化为非零的最小随机数。然后输入学习样本，设置目标输出T为：

(2)

式中：T为目标输出；b为权值初始值；z为阈值初始值。

计算神经网络的实际输出：

(3)

根据神经网络的实际输出计算误差值：

输出层

δ=T(1-T)

(4)

隐含层

(5)

调整权值和阈值：

b(T+1)=b(t)+Er·η-δ

(6)

z(T+1)=z(t)+Fr·η-θ

(7)

式中：η为学习步长。

计算故障诊断精度E：

E=∑En

(8)

式中：En为固定学习步长下的单个精度。

判断指标是否满足精度要求E小于e(e为故障诊断精度)，如果满足要求，则返回式(7)，并矫正其误差；如果不满足要求，则返回式(3)，重新求得故障判断数据的实际输出。

BP神经网络算法具体流程如图5所示。

1.3 数控机床健康状态评估

利用上文建立的BP神经网络进行数控机床运行状态评估，首先进行故障数据采样，然后对故障数据进行分析，得出故障名称。其评估步骤如图6所示。

图5 改进的BP神经网络算法流程

图6 运行健康状态评估步骤

首先对存在故障的变频调速数控机床进行初始化操作，然后提取其故障特征，求出故障类别门限特征，并将其作为输入层的输入权值，最后利用BP神经网络模型求得输出层的输出权值，并根据输出结果对比故障库判断属于何种故障，实现变频调速数控机床健康状态的评估。

利用数控机床运行状态评估模型，按照诊断流程，可以诊断出5种较为常见的故障，具体见表1。

2 变频调速数控机床故障维修方法

故障维修是健康状态可靠性评估第二阶段工作，该阶段工作完成后，也就达到健康运行目的。

表1 常见故障类型

变频调速数控机床一旦出现故障就不会只存在一种，因为数控机床电气系统是一个整体，各个部件相互连接，相互作用，如果其中一个部件出现缺陷，伴随问题程度的逐渐加深，会缓慢破坏其他部件，导致其他部件失灵或瘫痪[7-8]。对于出现的不同原因、不同部位的故障采用不同的方式进行维修，对于某些综合性故障则需要把几种方式结合起来，灵活运用，以便达到治标又治本的目的。

上述的数控机床故障，其具体的维修方法有：

1)直接维修法。该方法主要用于解决电源故障。首先缩小电源故障种类的检查范围，然后找到故障点进行健康状态可靠性评估。该方法比较简单，但也是最常用的方法，可以解决那些有外在特征表现的故障，需要维修人员有一定的技术和经验。

2)参数更正法。该方法主要用于解决无法恢复出厂设置的问题。恢复出厂设置属于软件应用，因此只能通过调整系统参数才能修复好。此外，该方法也同样适用于解决其他类似软件问题，只要根据使用手册输入正确的参数即可。

3)备件置换法。该方法主要解决变频调速数控机床动态性能差的问题。动态性能差是因为设备被过度使用，因此最直接的方法就是更换系统备件。更换时，需要在断电的情况下进行，且维修人员必须按照设备更换要求严格执行[8]。

4)初始化复位法。该方法可以通过硬件或开关系统电源来解决位置环故障和偶发性停机故障。需要注意一点：当变频调速数控机床工作区域由于突发性断电、电流过大或电池欠压造成混乱后，系统需要重启，这时系统会自动进行初始化操作，系统中的数据会丢失，因此应该注意做好数据备份[9]。

3 仿真实验

无论是传统运行状态评估方法还是本文所提方法，在第二阶段(维修阶段)采用的方法都是一样的，因此无法将维修手段作为本次实验的参考指标，仅选取第一阶段，即故障诊断阶段的诊断精确度和效率作为本次实验的参考指标[10]。得到的结果即可视为健康状态可靠性评估效果。

假定在某次运行过程中，出现以下5个类别门限特征：A1为电压不稳、A2为坐标轴定位偏移、A3为测量模块出现问题、A4为机床磨损严重、A5为环境影响。5个类别门限所对应的故障：B1为电源故障、B2为位置环故障、B3为出厂设置故障、 B4为动态性能故障、B5为偶发性停机故障[11-12]。以1表示出现故障，0表示不出现，得到部分训练样本见表2。

表2 故障学习样本

为保证实验的客观性，一共进行了5组仿真实验，本文方法和传统方法的实验误差对比见表3。

表3 故障诊断误差对比

根据表3取两种诊断方法的平均结果作为最终结果，两种方法结果对比如图7所示。

从图7中可以看出，传统方法诊断结果的正确率总体上要低于BP神经网络，其中二者最大误差发生在T2输出状态，二者相差6%，最小误差发生在T3输出状态，二者相差1%。取所有电气系统输出状态下两种方法的结果平均值进行对比：利用BP神经网络进行诊断，正确率高于传统方法3%。由此证明BP神经网络诊断方法更适合用于故障诊断和排除。

图7 不同方法结果对比

在故障诊断中，除了要保证精度外，诊断效率也十分重要。从图8效率对比曲线图中可以看出，传统方法的诊断效率要低于BP神经网络诊断效率，BP神经网络诊断时长比传统方法平均少了2s。

图8 两种方法效率对比结果图

4 应用实例

以某变频调速数控机床为例，对其健康状态进行评估。为保证数据的有效性，在评估过程中，机床测量参数固定，未做出修改，具体参数见表4。

表4 数控机床测量参数

选取不同时间段的机床健康状态评估结果，绘制成为曲线图，开始监测时间为2016年1月。机床的健康状态变化情况如图9所示。

图9 机床健康状态变化曲线

从图9中可以看出，变频调速数控机床在运行的前5个月处于健康状态，随着运行时间的延长，逐渐呈亚健康状态，在11个月的时候开始劣化，与实际的劣化过程比较吻合，也证明了本文所提方法具有一定的可靠性。

5 结束语

本文提出的变频调速数控机床健康状态可靠性评估方法，与传统方法相比具有更高的准确度和时效性，将本文方法应用在数控机床的健康评估实践中，可以及时检测出机床设备的多种故障，保障了设备的运行安全，降低了生产成本，为我国数控机床的发展和经济增长提供了新的推动力。