EEMD两级神经网络的数控机床伺服系统故障诊断

杨慧香,　宁腾飞,　高　智,　尹晓静

(1.长春工业大学 机电工程学院， 吉林 长春　130012;

2.长春工业大学 应用技术学院， 吉林 长春　130012)



EEMD两级神经网络的数控机床伺服系统故障诊断

杨慧香1,宁腾飞1,高智2,尹晓静1

(1.长春工业大学 机电工程学院， 吉林 长春130012;

2.长春工业大学 应用技术学院， 吉林 长春130012)

摘要：首先通过集合经验模态分解(Ensemble Empirical Mode Decomposition， EEMD)得到含有核心故障信号IMF分量作为特征量，按故障部件确定故障定位总神经网络，然后以电机、轴承、滚珠丝杠和联轴器故障类型分别建立故障类型分神经网络。

关键词：数控机床； 伺服系统； EEMD； 两级神经网络

0引言

数控机床伺服系统作为机床活动最为频繁的系统，与其本身的加工精度、可靠性以及使用寿命都有直接关系。目前故障诊断大多对单一部件，如轴承、齿轮等独立建模诊断，而数控机床伺服系统是一个电机、轴承、联轴器和滚珠丝杠等多部件系统，具有繁复非线性关系的故障原因与预示决定了该系统在故障诊断方面的难度明显很大。故障诊断的本质是对故障类型的辨别，人工神经网络依靠其特性(如自学习能力、自组织能力等)广泛应用在故障诊断领域中[1]。神经网络故障诊断对故障特征参数的提取有很强的依赖性，故障特征提取直接决定故障分类识别的精准度。非平稳信号为伺服系统故障信号较为显著的特征选择合适的处理非平稳信号的特征提取方法是很重要的[2]。

常见的分析时频域的手段在目前都或多或少存在局限性[3]。如Wigner分布应用在信号处理时会产生交叉干扰项，造成时频信号特征模糊不清现象[4]；时频窗口固定下的短时傅里叶变换，其不能同时将时频关系处理合适[5]；小波变换缺乏自适应性[6]。EMD分解虽然是一种基于信号的自适应分解方法，避免了小波基函数的选择，但存在模态混叠、端点效应等问题[7]。EEMD不但具有良好的自适应性，还可以有效解决EMD模态混叠的缺点[8]。数控机床伺服系统等复杂机电系统的故障诊断、故障定位和故障类型难以区分，对神经网络故障数据需求量大，数据差异性和同一性明显，质量要求高，造成神经网络结构复杂，诊断效果差[9]。

针对以上存在的问题，文中将EEMD和两级神经网络相结合的方法，应用于数控机床伺服系统的故障诊断方法中。就是用EEMD作为电机、轴承、联轴器和滚珠丝杠振动信号的预处理器，训练一级BP网络作为故障定位器。滚动轴承工作时的状态要与故障时的多种类型状态做辨别，就需要得出对应的故障点，经过EEMD分解得出的能量特征，其中含有故障信息。在建立二级故障状态辨识BP神经网络下，实验证明EEMD方法和两级神经网络相结合应用于故障定位和故障类型识别准确有效。

1基于EEMD与两级神经网络建立

1.1EEMD方法

EMD是把繁复非线性信号依照其局部时间的特征作为尺度，分解成一定数量IMF分量的过程。大量实验表明，EMD有如模态混叠等方面的问题，均体现于分解的过程，通常为两种情况：一种是在IMF唯一时，其包含的频率为相异的信号；另一种是分解同一频率形成了不一样的IMF。EEMD故障诊断和故障类型识别手段，解决了传统EMD的模态混叠问题。EEMD算法精髓是添加高斯白噪声于原始信号之后进行EMD分解，最后得到IMF分量期望值。在EMD的基础上，可以得到以下EEMD算法：

1)首先给原始信号x(t)添加白噪声；

2)分解加噪后信号，得到IMF的分量；

3)逐次加载不一样的白噪声信号，循环第一和第二步；

4)最后得到的IMF分量的期望值为最后输出。

信号的标准差一般为噪声幅值标准差的5倍。

对同一个信号EMD和EEMD进行仿真对比分析，仿真信号以及分解结果如图1所示。

EMD分解时，正弦信号会被两个IMF分量分属，结果出现与实际情况非常的不符，从而导致IMF没有物理意义。用EEMD分解时，得到一个正弦和冲击成分2个IMF分量，比较图1(a)、图1(c) 可得，EEMD可以有效改善信号处理中模态混叠的情况。

(a) 仿真信号

(b) EMD的分解

(c) EEMD的分解

1.2两级BP神经网络

BP网络是一种误差逆传播算法，也是目前使用最多的神经网络模型之一。BP网络的功能是实现输入与输出的任意非线性映射关系，它的优点是不需要事前表明映射关系。

数控机床伺服系统是一个多部件系统，故障数据量大，单层神经网络结构庞大，要求故障类型样本质量很高，即同一故障稳定性好、不同故障差异性大。根据数控机床伺服系统的组成，故障定位的一级网络由正常、电机故障、轴承故障、联轴器故障和滚珠丝杠故障组成；二级类型的分网络分别以组成部件故障类型建立。以电机故障、正常、轴承故障、联轴器故障和滚珠丝杠故障状态振动信号特征量，训练总网络；用典型的故障类型振动信号特征量分别训练分网络。故障信号首先经过总网络，实现定位故障部位；然后再将此故障信号输入相应部位的分网络，进行故障类型识别。两级神经网络简化网络结构，为了提高故障分类速度，可将高维度的对应关系分解成为相对低维的对应关系。伺服系统两级神经网络结构如图2所示。

以图2故障为例，如果是单层神经网络需要11种故障样本，首先这11个故障样本同一故障需要有很好的稳定性，确定是同一故障；其次为了区分故障，还必须有显而易见的差异性。而两级神经网络总网络只需5种故障样本，减少了55%的样本类型，减少了样本质量难度，提高了诊断精确度。另外，还能实现故障定位和类型辨识，增加了诊断的效果。

图2数控机床伺服系统两级神经网络结构

2基于EEMD和两级神经网络故障诊断

1)对伺服系统状态进行采样；

2)利用EEMD分解原始信号，获得各个IMF分量；

3)分析包含故障信息的IMF分量。

IMF分量能量

(1)

式中：ci(t)----每个IMF分量的数学表达式。

由于能量数值较大，将其归一化处理：

令

(2)

构造一个特征向量T：

(3)

建立一级故障定位网络。

同上，以故障部位不同的故障类型按照步骤1)～3)构造特征向量T，建立二级故障类型辨识网络。

3基于EEMD与两级神经网络伺服系统故障诊断实验验证

为了证明所提方法的有效性，采用Case Western Reserve中心的实验数据进一步研究。以型号为6310型滚动轴承，25 Hz的实验轴转频，4 096 Hz的采样频率的轴承故障为例，通过贴在轴承座上的振动传感器来获取振动信号。

用EEMD分解原始信号，提取含有核心故障信息的8个IMF，按式(2)、(3)和(4)求出参数T；采用一级BP故障网络进行定位分类，神经网络的输入为正常、轴承故障和滚珠丝杠故障的T，正常、轴承故障和滚珠丝杠3种模式作为其输出，即网络结构为8×10×3。每一个状态用10个训练样本，截止误差为0.001。对15个测试样本进行测试，结果网络全部能成功识别各种模式的5个样本。

以故障轴承内圈故障、外圈故障、正常特征量T这3种类型构建二级BP故障类型辨识网络，用10个样本训练，网络训练至收敛。选取15个测试样本进行测试，每一种模式包含5个样本，结果网络全部正确识别。

4结语

EEMD方法自适应信号分解，筛选核心故障信息的IMF分量，计算能量值，再将这些数据与两级神经网络结合，以此实现了故障定位和故障识别。为了达到有效、快速、准确地辨识伺服系统故障部位和故障类型的效果，EEMD方法和两级BP网络的故障诊断方法是可行的。若改善样本分布或增加样本数量,识别率将更高。

表1　一级故障定位网络测试结果

表2　二级故障类型辨识网络测试结果

参考文献：

[1]尚志信,周宇,叶庆卫,等.基于粗糙集和BP神经网络算法的网络故障诊断模型研究[J].宁波大学学报：理工版,2013(2):45-48.

[2]杨国安,周世刚.一种适用于机械非平稳故障信号的分析方法[J].信号处理,2001(3):287-290.

[3]杨宇,于德介,程军圣.基于经验模态分解的滚动轴承故障诊断方法[J].中国机械工程,2004,10:64-67,76.

[4]李文伟,王忠仁.Wigner-Ville分布及在信号分析中的应用[J].四川兵工学报,2008(3):15-16,69.

[5]李舜酩,郭海东,李殿荣.振动信号处理方法综述[J].仪器仪表学报,2013(8):1907-1915.

[6]潘旭峰,谢波,李晓雷.小波变换理论及其在机械故障诊断中的应用[J].振动与冲击,1998(1):18-23,97.

[7]周智,朱永生,张优云,等.基于EEMD和共振解调的滚动轴承自适应故障诊断[J].振动与冲击,2013(2):76-80.

[8]江航,尚春阳,高瑞鹏.基于EMD和神经网络的轮轨故障噪声诊断识别方法研究[J].振动与冲击,2014,17:34-38.

[9]刘超,张天玲,张邦成,等.数控机床伺服系统故障诊断技术研究综述[J].长春工业大学学报：自然科学版,2013，34(2):200-206.

Fault diagnosis of NC machine tool servo system based on EEMD and two level neural network

YANG Huixiang1,NING Tengfei1,GAO Zhi2,YIN Xiaojing1

(1.School of Mechatronic Engineering, Changchun University of Technology, Changchun 130012， China;2.School of Soft Technology， Changchun University of Technology, Changchun 130012， China)

Abstract：The Ensemble Empirical Mode Decomposition (EEMD) is applied to get the IMF component energy signal which includes the essential fault information. The signal is taken as the feature data to establish the first stage fault position neural network according to the fault sections. The second stage neural networks relating fault types from motor, the bearing, the ball screw and the axis couplings are built accordingly

Key words：CNC machine tool; servo system; EEMD(Ensemble Empirical Mode Decomposition); two stage neural network.

中图分类号：TG 659

文献标志码：A

文章编号：1674-1374(2016)01-0073-05

DOI:10.15923/j.cnki.cn22-1382/t.2016.1.15

作者简介：杨慧香(1966-)，女，汉族，吉林长春人，长春工业大学副教授，主要从事机电一体化综合技术方向研究,E-mail:yanghuixiang@ccut.edu.cn.

基金项目：吉林省教育厅“十一五”科学技术研究项目(2009109)

收稿日期：2015-12-10