基于模糊神经网络的自动生产线故障诊断方法研究

作者:吴宗彦;韩煜;张建军;张利 刊名:中国机械工程 上传者:杨小茸

【摘要】针对自动生产线故障的特点,选择了利用模糊神经网络对其进行故障诊断的方法,并给出了进行故障诊断的总体方案。在此基础上,建立了基于模糊神经网络与信息融合技术的自动生产线故障诊断模型。为了验证该模型,结合某球轴承套圈磨削超精自动生产线,运用MATLAB神经网络工具箱对该生产线上数控内圆磨床砂轮部分的故障数据进行建模、仿真与测试,结果表明,该模型能快速、准确、有效地诊断出故障。

全文阅读

0引言自动生产线上某台关键设备出现故障而又未能及时发现和排除,将会造成巨大的经济损失。本文采用模糊神经网络(fuzzyneuralnetwork,FNN)对自动线进行故障诊断。借助神经网络的学习功能来构成模糊逻辑系统,根据数据信息对模糊逻辑系统的参数进行调整,再利用模糊逻辑系统实现模糊信息处理,从而为实现系统的故障诊断提供了有力的支持[1,2]。1自动生产线故障特点及故障诊断总体方案一条完整的自动生产线由若干台工艺设备、若干质量检查装置、若干辅助装置、控制系统组成[3]。自动生产线由诸多的机械、电气、液压和气动相结合的设备所构成,因而故障的症状和原因较多,且故障性质往往不同[4],自动生产线故障具有层次性、相关性、随机性、耦合性的特点。如果采用普通单一模糊神经网络诊断,即将所有这些设备的全部传感器得到的检测参数全部作为FNN的输入,势必会造成模糊规则的组合爆炸,降低模糊神经网络的运算速度,失去故障诊断的实时性,同时也有可能造成故障的定位错误。为了克服以上弊端,本文采取了单台设备单独诊断的措施,即为每台设备建立其FNN诊断模型。然而,采用单台设备单独诊断的措施,就把一条连续的自动生产线人为地分割成几个孤立的毫无联系的模块。事实上,一条自动生产线每道工序、每台设备之间都存在信息传递,是一个完整的系统,为了真实地反映自动线的这个特征,我们在单台设备单独诊断的基础上增加一个融合网络[5,6],从而确保故障诊断的准确性。经过以上分析,本文建立了生产线故障诊断的总体方案,如图1所示。2模糊神经网络设计2.1单台设备FNN诊断子网故障诊断是故障征兆向量至故障原因向量的连续映射过程,输出向量中的元素取可信度区域为[0,1]之内的连续值。本文单台设备的故障诊断子网采用了4层结构的模糊神经网络。生产线的故障征兆信息的模糊化是比较复杂的,随着装备运行时的工况不同,各个模糊论域对应的分界值和特征值是变化的。考虑到生产线的图1生产线故障诊断的总体建模方案各种因素,本文采用高斯型隶属函数。采用反向传播(backwardpropagation,BP)算法为网络的学习算法。2.2FNN子网的融合决策融合层接收FNN诊断子网的诊断结论,并进行决策融合处理。如图1所示,生产线故障诊断由n个FNN诊断子网和一个融合中心组成,诊断m类故障。诊断子网的输出称为故障向量。设诊断子网形成的故障向量Pi=[p1ip2i…pmi],其对每类故障的置信权值向量ri=[r1ir2i…rmi],则子网络的并行组合形成了故障矩阵P和置信权矩阵R。这样融合中心的输出Y为Y=PR,其中第i个故障发生的概率为pi=pi1r1i+pi2r2i+…+pinrni由上式可知,这种融合方法主要进行了乘和加两n种运算。其中j=1rij=1。代数和“+”表示对各诊断子网结果的综合,各诊断子网对故障的贡献用权系数r表示。因rij已归一化,因而在这一综合中,用代数和可以反映出各因素的作用和影响。3实例分析组成球轴承内圈磨削超精自动生产线的设备多为数控设备,本文通过对该生产线上内圆磨床部分故障进行诊断来说明该模糊神经网络故障诊断模型的应用。3.1知识获取及样本组织数控机床一般由数控装置、包括伺服电动机及位置反馈的伺服系统、主传动系统、强电控制部分、机床本体及辅助装置组成。其中数控磨床的辅助装置包括砂轮主轴、砂轮自动平衡系统、工件主轴、自动测量装置等。这里针对砂轮部分进行故障分析。该生产线中的内圆磨床由变频器驱动电主轴,转速可达每分钟数万转。砂轮主轴的故障一般可分为机械故障、控制部分故障、变频器故障以及电主轴故障等。砂轮平衡系统

参考文献

引证文献

问答

我要提问