基于改进BP神经网络的数控机床振动趋势预测.pdfVIP

基于改进 BP神经网络的数控机床振动趋势预测 黄建军① 刘会霞① 杨润党② 倪炎榕② 王 霄① (①江苏大学机械工程学院，江苏镇江212013； ②上海交通大学机械与动力工程学院，上海200240) 摘 要：为准确预测数控车削时机床 的振动情况，搭建了一个能用于测量机床振动信号的实验平台，并运用 Levenberg—Marquardt算法改进BP神经元网络，建立了改进BP神经网络的非线性系统预测模型， 实现了对机床刀架的振动趋势进行多步预测，为提高工件加工质量、加工精度和进行故障诊断提供 了依据。结果表明L—M 算法的收敛速度和预测精度均明显优于标准的BP算法。 关键词：振动 预测 神经网络 Levenberg—Marquardt算法 PredictingofVibrationTrendofCNC BasedonImprovedBP NeuralNetwork HUANGJianjun①。LIUHuixia①，YANGRundang②，NIYanrong②，WANGXiao① ((~)SchoolofMechanicalEngineering，JiangsuUniversity，Zhenjiang212013，CHN； (~)SchoolofMechanicalEngineering。ShanghaiJiaotongUniversity，Shanghai200240，CHN) Abstract：Inordertopredictthevibrationofmachinetoolduringturning，anexperimentplatform issetupfortes— tingthemachinetoolvibrationsigna1．Onthisbasis，thepredictivemodelofnonlinearsystem issetup basedonimprovedBPneuralnetwork(IBNN)toexactlypredictthevibrationofthecuttingtoo1．Then themulti——steppredictionofrvibrationtrendofthetoolcarriageisrealized．Thepredictiondataprovides evidenceofrimprovingtheprocessingqualityandmachiningaccuracy．Theresultsshow thattheconver— genceandforecastingaccuracyofLevenberg-Marquardtalgorithm islargelysuperiortothatofthestand— ardBPalgorithm． Keywords：Vibration；Prediction；NeuralNetwork；Levenberg—MarquardtAlgorithm 数控机床在现代化生产中起着重要作用，一旦发 1 BP神经网络及其改进 生故障会对企业造成巨大损失。数控机床 自带的数控 系统虽然能完成简单的故障诊断，但不能对故障出现 标准BP算法原理简单，实现方便，但在实际应用 率高的机械系统做出预报和诊断。文献 [1]表明刀架 中，存在收敛速度慢、易陷入局部极小点和网络不稳定 系统发生故障的频率 占整机故障发生频率的31．4％。 等缺陷。针对 BP算法收敛速度慢的缺陷，采用 Lev． 刀架是整机中故障发生最频繁的部位 ，刀架系统是影 enberg—Marquardt数值优化算法对 BP神经网络进行 响数控车床整机可靠性的最重要因素。为了提高数控 改进。Levenberg—Marquardt数值优化算法适用于中小 机床的可靠性，有必要对刀架系统进行在线监测，根据 型网络，并且学习速率最快，采用 Levenberg—Mar