融合KPCA与PSO—RBF的数控机床故障诊断研究.pdfVIP

第 3期 机械设计 与制造 2016年 3月 Machinery Design Manufacture 167 融合 KPCA与PSO—RBF的数控机床故障诊断研究 杨东民 ，陈 敏 ，吴庆朝 。 (1．包头职业技术学院，内蒙古 包头 014030；2．浙江大学 信息学部控制科学与工程学院，浙江 杭州 310000； 3_中国北车大同电力机车有限责任公司，山西 大同 037038) 摘 要：针对数控机床发生故障时多故障源、多变量、强耦合的特点和RBF神经网络结构参数选取依据经验的问题 ，提 出一种融合核主元分析方法(kernelprincipalcomponentanalysis，KPCA)与粒子群算法优化RBF神经网络的数控机床 故障诊断方法。首先，对所测信号利用核主元分析方法进行降噪、拨冗余，提取故障特征 ；其次，利用粒子群算法(Particle swam optimization，Ps0)优化RBF神经网络隐层节点中心和宽度；最后 ，将经KPCA提取的故障特征作为输入，建立 PSO优化RBF的故障诊断模型。通过某数控床伺服系统七种常见故障特征仿真实验，结果表明：与RBF神经网络、PSO 优化RBF神经网络相比，融合KPCA和PSO优化 RBF神经网络的故障诊断方法不仅提高了网络的训练速度及泛化能 力，而且具有更高辨识精度。 关键词：核主成分分析 ；粒子群算法；RBF神经网络数：数控机床；故障诊断 中图分类号：TH16；TP18 文献标识码：A 文章编号：1001—3997(2016)03—0167—04 ResearchonCNC MachineFaultDiagnosisBasedon KPCA-PSO—RBFNeuralNetwork YANGDong—min，CHENMin，WUQing—chao (1．BaotouVocationalTechnologyCollege，InnerMongoliaBaotou014030，China； 2．ZhejiangUniversity，DepartmentofControlScienceandEngineering，ZhejiangHangzhou310000，China； 3．CNRDatongElectricLocomotiveCo．，Ltd．，ShanxiDatong037038，China) Abstract：Hacingthefaultcharactersitcisofmulti-sourcesandmulti-variablescoupling，faultdiagnosisisagreatchallenge I厂0rthecomputernumericalcontrol(CNC)machinetoo1．Anintegratedfaultidentfiicationmethodwhichfuseskernelprincipal componentanalyssi (KPCA)method，particleswarmoptimization (PSO)algorithmandRBFneuralnetworksiproposed．In ordertoimprovetheefficiencyoffuahdiagnosis，severalimprovementsraegiven．Firstofall，thekernelprincipalcomponent analyssimethodisemployedtoextractthefault ature．Then，owningtheadvantagesofgoodglobalserachbailityandfast convergencebaility，particleswarlnoptimization (PS