基于MIV与RBF神经网络的滚珠丝杠故障诊断_温国强.pdf.doc

基于 MIV 与 ＲBF 神经网络的滚珠丝杠故障诊断* 温国强 文 妍 谭继文 ( 青岛理工大学，山东 青岛 266033) 摘 要: 滚珠丝杠故障特征值引入平均影响值( MIV) 的特征值筛选方法，剔出冗余特征值，减少了特征向量 数; 设计了径向基( ＲBF) 神经网络，并建立了基于 MIV 与 ＲBF 神经网络的滚珠丝杠故障识别模 型。经试验，对“未筛选 － BP”、“未筛选 －ＲBF”和“MIV －ＲBF”三种诊断模型进行对比分析研究， 结果表明: “MIV －ＲBF”训练步数少、收敛快、诊断精度高，是一种较为理想的滚珠丝杠故障诊断 方法。 关键词: 滚珠丝杠 MIV 特征值筛选 ＲBF 神经网络 故障诊断 中图分类号: TG659 文献标识码: A Fault diagnosis of ball screw based on MIV and ＲBF neural network WEN Guoqiang，WEN Yan，TAN Jiwen ( Qingdao Technological University，Qingdao 266033，CHN) Abstract: The Mean Impact Value ( MIV) is introduced to remove the redundant features and reduce the number of feature vectors． Designing the Ｒedial Basis Function( ＲBF) neural network and building the model of ball screw fault diagnosis based on MIV and ＲBF neural network． Undergoing contrast research for the three diagnostic models about “Unfiltered － BP”，“Unfiltered －ＲBF”and “MIV －ＲBF”． Verified by experiments，the model of“MIV －ＲBF”is a rather plausible ball screw fault diagnosis method with the advantages of less training steps，faster convergence rate and higher accuracy． Keywords: Ball Screw; Mean Impact Value; Feature Values Selection; Ｒedial Basis Function Neural Network; Fault Diagnosis．  滚珠丝杠是数控机床中最常使用的关键传动元 ， ［1］ 件 具有高精度、可逆性和高效率的特点 。滚珠丝 杠若出现故障，将会直接影响到数控机床的加工精度， 造成产品质量下降甚至报废，损失严重。因此，若能在 滚珠丝杠故障形成早期进行正确及时的诊断，对其生 产效率与产品质量的提高大有裨益。 在传统诊断方法中，通常是对原始故障信号进行 特征提取后，将所有特征值作为传统 BP 神经网络或 者支持向量机的输入参量进行模式识别。这种方法输 入参量多、诊断过程复杂，同时，由于 BP 网络容易陷 入局部极小值，而且收敛速度相对较慢或无法收敛，诊 断精度相对较低。本文引入平均影响值( MIV) 方法对 故障特征进行筛选处理，去除冗余特征，将剩余特征作 为故障识别的输入参量; 基于具有逼近精度高、无局部 极小问题且收敛速度快等特点的径向基( ＲBF) 神经网 络建立了数控机床滚珠丝杠故障识别模型，有效提高  了故障诊断精度和速度，效果良好。 MIV 算法 1． 1 平均影响值( MIV) 平均影响值( MIV，Mean Impact Value) ，是一种目 前被认为是在神经网络中评价变量相关性的最好指标 之一［2］。该算法可用于确定输入变量对输出变量的 影响大小，其符号代表相关的方向，绝对值代表影响 的大小。 1． 2 计算思想［3］ ( 1) 用原始样本 S 对 BP 神经网络进行训练，并对 训练集 S 进行回归预测; ( 2) 在网络训练结束后，将训练样本 S 中每一自 变量在其原值的基础上分别加、减 10% 构成两个新的 训练样本 S1 和 S2; ( 3) 利用构建好的 BP 网络，对样本 Sl 和 S2 分别  * 国家自然科学基金项目( ; 青岛市科技计划基础研究项目( 12 － 1 － 4 － 4 － ( 3) － JCH)  · 64 ·  进行