基于蚁群算法和神经网络的数控机床故障诊断技术研究

基于蚁群算法和神经网络的数控机床故障诊断技术研究吴冬敏，邵剑平，芮延年（苏州大学，江苏苏州215021）来稿日期：2012-03-16基金项目：“高档数控机床与基础制造装备”科技重大专项（2011ZX04004-061）作者简介：吴冬敏，（1979-），女，江苏南通人，讲师，硕士，主要研究方向为机电智能、可靠性分析；芮延年，（1951-），男，安徽，教授，博士生导师，主要研究方向为仿真工程学，人工智能及机器人等1引言数控机床作为大中型企业生产中的关键设备，任何部分出现故障，都可能导致零件加工精度降低、机床停机、生产停顿，造成巨大的经济损失，严重时还会危及到人身安全。

与传统加工设备相比，数控机床的集成化、自动化程度越来越高，这使设备发生故障的概率增大、种类增多。

经验表明:即使一个熟练的技术人员，在故障诊断时，确定故障原因和部位的时间约占总时间的（70~90）%，而只有约（10~30）%用于最后排除故障的维修工作。

据调查，我国企业现有的数控设备的利用率和完好率普遍偏低，主要原因之一是维修力量不足，检修过程中故障处理速度较慢且受人为因素影响较大，因此，要提高维修效率，提高故障诊断能力是关键[1]。

文献[2]提出了用蚁群算法来训练BP 神经网络的权值，并将其应用于求解非线性模型的辨识问题及倒立摆的控制问题，取得了良好的效果。

因此，将蚁群算法和BP 神经网络结合起来，可兼有神经网络的非线性映射能力和蚁群算法的快速、全局收敛及启发式学习等特点，在某种程度上避免了神经网络收敛速度慢，易于陷局部极小点的问题[2]。

将其应用于数控机床的故障诊断中，可有效地提高故障诊断的准确度和效率。

2蚁群算法的基本原理蚁群算法（Ant Colony Algorithm ）又称为蚁群优化算法[3]，是一种模拟蚂蚁智能行为的仿生优化算法。

其基本思想是:蚂蚁个体之间是通过在其走过的路径上留下一种被称为信息素的物质来进行信息传递的，并根据信息素的浓度来选择自己的前进方向。

因此，在某条路径上，走过的蚂蚁越多，后面的蚂蚁选择该路径的可能性就越大，形成正反馈机制。

随着算法的推移，代表最优解路径上的信息素逐渐增多，而其他路径上的信息素却会随着时间的流逝而逐渐消减，最终整个蚁群在正反馈的作用下集中到代表最优解的路径上，也就找到了最优解。

蚁群算法具有较强的鲁棒性、优良的分布式计算机制、易摘要：为了克服BP 神经网络收敛速度慢、易于陷入局部极小点的缺点，在研究蚁群算法优化神经网络训练算法的基础上，以数控机床的进给伺服系统故障诊断为例，建立其故障诊断模型。

利用训练后的蚁群神经网络对其进行故障诊断，并把BP 神经网络和蚁群神经网络的训练和诊断结果相比较。

实验结果表明：蚁群神经网络比BP 神经网络的收敛速度快、运算效率高、识别能力强。

这说明蚁群神经网络应用于数控机床的故障诊断中，可有效地提高故障诊断的准确度和效率，具有良好的应用效果。

关键词：蚁群算法；神经网络；数控机床；进给伺服系统；故障诊断中图分类号：TH16；TG659；TH165+.3文献标识码：A文章编号：1001-3997（2013）01-0165-03Research on CNC Machine Fault Diagnosis Based on Ant Colony Algorithm and Neural NetworkWU Dong-min ，SHAO Jian-ping ，RUI Yan-nian（Soochow University ，Jiangsu Suzhou 215021，China ）Abstract ：In order to overcome the shortcomings of slow convergence speed and easy falling into the local minimum points in the BP neural network ，based on the research of ant colony algorithm to optimizate neural network training algorithm ，it takes CNC machine tool feed servo system fault diagnosis as example to establish the fault diagnosis model.The fault of feed servo system is diagnosed by trained ant colony neural network ，and the training and diagnosis results of the BP neural network and the ant colony neural network are comparied.The result shows that the ant colony neural network has the advantages of more quick convergence speed ，higher operation efficiency ，stronger identification ability than BP neural network.These show that the ant colony neural used in the fault diagnosis of CNC machine tool ，which can effectively improve the accuracy of fault diagnosis and efficiency ，has good application prospects.Key Words ：Ant Colony Algorithm ；Neural Network ；CNC Machine ；Feed Servo System ；Fault DiagnosisMachinery Design ＆Manufacture机械设计与制造第1期2013年1月165于与其他方法结合的优点，目前已经渗透到多个应用领域，成为研究的热点之一[4]。

3基于蚁群算法的神经网络训练神经网络中应用最多的是BP 网络，是一种误差反向传播前馈多层神经网络，学习训练过程由正向传播和误差反传两部分组成。

因计算简单、通用性强而得到广泛应用，但是存在收敛速度慢、易于陷入局部极值等缺陷。

蚁群算法具有全局启发式寻优的特点，因此用它来训练神经网络可避免BP 算法的诸多缺陷，以达到神经网络模型的智能寻优目的。

3.1基本思想假定网络中有m 个参数，其中包括所有的权值和阈值。

首先，对这些参数进行排序，记为p 1，p 2，…，p m 。

对于参数p i （1≤p i ≤m ），将其设置为N 个随机非零值，形成集合I pi 。

然后定义蚂蚁的数目为s ，这些蚂蚁从蚁巢出发去寻找食物。

每只蚂蚁从第1个集合出发，根据集合中每个元素的信息素状态，随机地从每个集合I pi 中选择一个元素，并对所选元素的信息素做相应调节。

当蚂蚁在所有集合中完成元素的选择后，它就到达到了食物源，并沿着刚走过的路径返回蚁巢，同时调节集合中所选元素的信息素。

这一过程反复进行，当全部蚂蚁收敛到同一路径时，也就意味着找到了网络参数的最优解[5-6]。

3.2实现过程用蚁群算法优化神经网络的主要步骤如下[7-8]：（1）初始条件：令集合I pi （1≤i ≤m ）中的元素j 的信息素τj（I pi ）（t ）=C ，（1≤j ≤N ），蚂蚁的数目为s ，全部蚂蚁置于蚁巢。

（2）启动所有蚂蚁，每只蚂蚁从第1个集合开始，按照下述规则一次在每个集合中选择一个元素。

路径选择规则：对于集合I pi ，任意一只蚂蚁k （k =1，2，L ，s ），根据下式计算的概率随机地选择它的第j 个元素。

Prob τkj I pi ≤≤≤≤=τI pi ≤≤≤≤/Nu =1Στu I pi ≤≤（1）直到蚁群全部到达食物源。

（3）当所有蚂蚁在每个集合中都选择了一个元素，并按照原路径返回蚁巢，设该过程经历的时间为m 个时间单位，则所选择的元素的信息素按下式做相应调节。

τj I pi ≤≤（t+m ）ρτj I pi ≤≤（t ）+△τj I pi ≤≤△τj I pi ≤≤=sk =1Σ△τkj I pi ≤≤（2）式中：参数P （0≤ρ＜1）—信息素的持久性，则1-ρ表示信息素的消逝程度；△τkj I pi ≤≤—第k 只蚂蚁在本次循环中，在集合I pi 的第j 个元素p j （I pi ）上留下的信息素，可用下式计算：△τkj I pi ≤≤=Q /e k，本次循环选择了p j I pi ≤≤0，否Σ则（3）式中：Q —常数，用于调节信息素的调整速度；e k—将第k 个蚂蚁选择的一组权值作为神经网络的权值的输出误差，e k=O n -O q ；O n 、O q —神经网络的实际输出和期望输出。

误差越小，相应信息素的增加就越多。

（4）重复上述步骤，直到所有蚂蚁全部收敛到一条路径，即找到了参数的最优解，则循环结束。

4数控机床故障诊断实例用蚁群算法来训练神经网络，并将它用在数控机床的故障诊断中，即利用已有的数控机床故障诊断实例作为学习样本训练网络，把训练后的最优化参数存储下来，用于数控机床的实际故障诊断推理。

由于数控机床的结构复杂，故障形式多样化。

鉴于篇幅原因，以数控机床的进给伺服系统故障诊断为例来说明蚁群神经网络应用于数控机床故障诊断的过程。

其他系统模块的诊断方法类似。

数控机床进给伺服系统结构图，如图1所示。

X 1X 2X 3X 4X 5X 6伺服发动机机床本体编码器反馈电源伺服驱动CNC PLC图1数控机床进给伺服系统结构图Fig 1CNC Machine Tool Servo System Structure Diagram为了全面地反映数控机床进给伺服系统的故障模式，提高网络对故障的识别率，在进给伺服系统上布置了6个故障检测点，即图1中（X 1～X 6）作为网络输入层的特征量。

根据专家经验，总结数控机床进给伺服系统常见故障有：驱动电源故障、CNC 故障、PLC 故障、反馈回路故障、驱动模块故障和伺服电机故障，将这六类故障作为网络输出的故障类型。

因此，确定BP 神经网络的输入层数为6，输出层数为6，隐含层数根据经验取10。

通过总结专家的故障诊断经验，归纳出12个实例作为神经网络的训练样本，每2个样本对应1个故障部位，归一化处理后的12组训练样本数据，如表1所示。

首先利用BP 算法来训练神经网络，学习步长取5，权值收敛因子为0.0001，误差收敛因子为0.00001，经过48755次迭代后得到的输出结果，如表2所示。