基于BP神经网络数控机床切削能耗的研究

基于BP神经网络的数控机床刀具磨损状态识别方法何一千，黄民，孙巍伟（北京信息科技大学机电工程学院，北京100192）摘要：为了提高三相电流信号监测刀具磨损状态的可靠性，提出了一种基于BP神经网络的数控机床刀具磨损状态识别方法。

首先对采集得到的三相电流信号进行时域、频域和小波分析，从中提取出与刀具磨损程度相关性较好的多个特征量，组合成敏感特征向量，然后搭建BP神经网络，建立三相电流信号特征向量与刀具磨损状态之间的联系。

最后，用经过训练后的BP神经网络识别多组未知样本的刀具磨损状态。

实验结果表明，该方法能够准确判定刀具的磨损状态。

关键词：三相电流信号；BP神经网络；刀具磨损；状态识别中图分类号：TG71文献标识码：B DOI：10.16621/ki.issn1001-0599.2019.09.150引言在数控机床切削加工的过程中，刀具的磨损是不可避免的。

刀具的磨损直接导致切削力的增大、切削温度的上升、工件表面粗糙度增大，严重时甚至会影响整个加工系统的正常运行，造成不可估量的损失[1]。

目前，刀具的磨损状态主要通过停机卸刀后，依靠工人的观察和经验来判断刀具的磨损程度，这严重影响了数控加工的整个自动化过程，且大大降低了生产效率。

因此对刀具的磨损状态进行在线监测，及时有效地识别刀具的磨损状态十分重要。

目前，在刀具状态监测这一领域经过各国学者的研究和探索总结出很多方法。

例如通过测量切削力、主机电流、光学图像、振动分析等多种方法都可以有效地监测刀具的磨损状态，总结起来可以分为直接监测和间接监测两大类[2]。

直接监测不能在线监测，如光学法、电阻法等直接检测方法需要停机获取刀具的磨损参数，所以在自动化系统中一般不予采用[3]。

间接监测虽然能够在线监测，但是如切削力信号检测法、振动检测法等大多数监测方法的传感器安装会影响到加工进程。

综合考虑多种原因，通过电流信号在线监测是一种比较好的监测方法，目前有很多研究均是监测机床主轴或者进给电机的电流信号。

2009年第30卷第6期中北大学学报(自然科学版).30No.62009Vol(总第128期)(SumNo.128)JOURNALOFNORTHUNIVERSITYOFCHINA(NATURALSCIENC EEDITION)文章编号:167323193(2009)0620574205基于BP神经网络的数控机床误差辨识方法研究李耀明1,沈兴全1,孟庆义2,王爱玲1(1.中北大学机械工程与自动化学院,山西太原030051;2.北京卫星制造厂,北京100190)Ξ摘要:数控机床误差辨识是进行误差补偿的关键技术,一般很难通过建立准确的数学模型对误差进行辨识.而神经网络具有良好的非线性函数逼近能力,.BP神经网络的数控机床测头测量误差参数的辨识方法.,测量误差参数的模型,.提供了可靠的依据.关键词16文献标识码:AStudyonNCMachineErrorIdentificationBasedonBPNeuralNetwork1121LIYao2ming,SHENXing2quan,MENGQing2yi,WANGAi2ling(1.SchoolofMechanicalEngineeringandAutomatization,NorthUniversityofChina,Taiyua n030051,China;2.BeijingSateliteManufacturingFactory,Beijing100190,China)Abstract:NCmachine’serroridentificationisakeytechnologyforerrorcompensation.It’sdiff icultto.Theneuralnetworkhasagoodidentifytheerrorbyestablishinganaccuratemathematicalmode lnonlinearfunctionapproximationcapability,whichcanbeusedinNCmachineerroridentificat ion.ParameteridentificationmethodofNCmachine’stoolprobemeasurementerrorwasproposedbasedonBPneuralnetwork.Throughtheoreticalanalysisandexperimentalresearch,them odelsoftheprobe’sinstallationandmeasurementerrorparameters,andtheconditiontoelimina teuncertaintyofprobesystemerrortermcanbedetermined. detectionmethodandplanningtestpath.Keywords:BPneuralnetwork;NCmachine;identificationTheresearchcanprovidereliableba sisfordeterminingthe0引言数控机床误差辨识是实现高精度误差补偿的关键技术之一,只有通过误差参数辨识,为误差模型提供准确的误差参数,才能计算出系统各部件的定位误差,从而达到高精度误差补偿的目的[1].由于数控机床机构复杂,难以建立精确模型,并且加工误差随加工环境的变化而变化,因此很难通过建立精确数学模型Ξ收稿日期:2009202219基金项目:山西省青年自然科学基金资助项目(200902102222);山西省研究生创新基金资助项目作者简介:李耀明(19772),男,讲师,博士生.主要从事先进制造技术研究.(总第128期)基于BP神经网络的数控机床误差辨识方法研究(李耀明等)575对误差进行辨识.BP神经网络有很强的映射能力,主要用于模式识别和函数逼近.而BP 神经网络强大的函数逼近能力可用来求解复杂函数,因此可以将其应用于数控机床误差参数辨识[223].数控机床测头系统各误差参数是由测量误差作用或测头系统安装误差形成的,测头系统的测量误差包括测头重复误差、测头死区误差、测头动态随机误差项、测头动态误差.当测头进行在线检测时,这些误差综合作用产生测量误差.因此,对测头系统误差参数进行辨识极其重要.测头误差测量一般采用高精度的双频激光干涉仪[425].数控机床测头系统的测量误差参数受到测头结构和测量条件的综合影响,不仅依赖于测量方向、速度,而且与测杆长度以及碰触方式等诸多因素有关[6].这些影响因素对测头误差参数有非线性作用,因此本文利用神经网络的非线性影射性质,采用BP网络模型实现测头误差参数辨识.1BP神经网络原理及算法改进1.1BP网络模型原理.采用BP算法的多层前馈神经网络简称BP网络.、输出层和中间隐含层构成,nn层上的每个节点形成全联结,wkk=2,…,m)个神经元与隐含层第j个神经元间的联结强度为[729]wjk,wij表示.BP神经网络可以看作是一个从输入到输出的高度非线性映射,即F:RN→Rm,f(X)=Y.对于样本集合:输入xi(∈Rn)和输出yi(∈Rm),可认为存在某一映射f使得f(Xi)=yi(i=1,2,∧,n)成立.输入层的神经元接受外界输入给网络的数据,输入层神经元的输出(1)ok=ik,隐含层和输出层所有神经元都对其本身的所有输入量加权求和得到净输入net(激活值),然后再通过激活函数f(net)的变换作用,才能得到神经元的输出值.因此,隐含层的输入、输出值netj=图1三层前馈神经网络示意图Fig.1Diagrammaticsketchthree2layeredfeed2forwardneuralnetwork6mwjk×ik-Ηj,(2)k=1输出层的输入输出值neti=6nwij×ij-Ηi,(3)j=1式中:Η为神经元的偏置值(阈值),其物理意义相当于激活函数曲线在X轴上的平移,神经网络处理单元常用的传递函数如图2所示.图2(a)中,x<0,y=-1;x≥0,y=1.图2(b)中,x<0,y=0;0≤x≤1,y=;x<0,y=-1+x;x>1,y=1.图2(c)中,y=-x图2(d)中,x≥0,y=1-1+x1-x1+e其中,应用最多的是图2(c)所示的S型函数。

面向能耗的数控铣削过程建模与参数优化黄拯滔;杨杰;张超勇;周志恒;谢阳;林文文【摘要】为了选择合理的切削参数以达到降低能耗的目的，对稳定的数控铣削过程面向能耗进行建模并优化。

首先，在分析输入功率去向构成的基础上，建立数控铣床系统输入功率模型。

然后，建立数控铣床系统能耗测试平台。

通过对实验数据的多元回归建立数控铣床输入功率与切削参数的函数，对比分析证实函数的精确性。

随后，由该函数得出数控铣床稳定切削阶段的单位体积能耗函数，以此为优化目标，以铣床性能和表面质量为约束，通过引力搜索算法(GSA)进行切削参数的能效优化。

最后，与经验的切削参数进行对比，结果表明优化后切削参数显著提高了铣床能量效率，大幅节省了电能。

%In order to select the appropriate cutting parameters to reduce energy consumption,a stable CNC milling process was modeled and optimized based on energy consumption function.Firstof all,the input power model of CNC milling system was built by characterizing its components.Then an energy consumption test platform was set up.The function between the input power of CNC milling system and cutting parameters was established through multiple regression,andits accuracy was con-firmed by a comparative analysis.After that the specific energy consumption function during stable CNC milling process was figured out from the input power function.GSA was used to optimize the cutting parameters by a model,which regarded the ESEC as goal and the performance of milling ma-chine and surface quality as pared with empirical data,it is shown that the optimizedcutting parameters will improve the energy efficiency of milling machine significantly and drastically.【期刊名称】《中国机械工程》【年(卷),期】2016(027)018【总页数】9页(P2524-2531,2532)【关键词】数控铣床;节能;功率模型;切削参数优化;引力搜索算法【作者】黄拯滔;杨杰;张超勇;周志恒;谢阳;林文文【作者单位】华中科技大学数字制造装备与技术国家重点实验室，武汉，430074;中国地质大学武汉，武汉，430074;华中科技大学数字制造装备与技术国家重点实验室，武汉，430074;华中科技大学数字制造装备与技术国家重点实验室，武汉，430074;华中科技大学数字制造装备与技术国家重点实验室，武汉，430074;华中科技大学数字制造装备与技术国家重点实验室，武汉，430074【正文语种】中文【中图分类】TH18数控机床系统能耗建模一直以来都是学术界研究的热点，近年来一系列数控机床系统能耗的间接建模方法逐渐发展起来。

*Green Manufacturing2020年第12期基于BP-Adaboost算法的数控机床材料切削能耗预测研究**国家自然科学基金(51705055)陈世平谢俊罗小陈伟(重庆理工大学机械工程学院，重庆400054)摘要:针对数控机床能耗组成成分复杂，理论分析很难以较高精准度预测能耗的问题，提出了一种基于数据驱动的BP-Adaboost数控机床能耗预测模型。

该模型引入Adaboost算法集成强预测器的能力，对BP神经网络进行改进,通过反复调整BP弱预测器权重和样本权重,得到强预测器，从而提高预测精准度。

实验结果表明,BP-Adaboost预测模型与独立的BP神经网络预测模型相比能够更精确地对材料切削能耗进行预测，均方根误差和绝对误差均有所降低。

由此可见,该预测模型在数控机床材料切削能耗预测方面，具有切实的可行性，为机床加工总能耗预测研究提供一种新的工具支持。

关键词:数控机床；Adaboost算法;BP神经网络;预测模型中图分类号:TG65文献标识码:ADOI：10.19287/j・cnki・1005-2402.2020.12.002Study on material cutting energy consumption prediction of CNCmachine tool based on BP-Adaboost algorithmCHEN Shiping,XIE Jun,LUO Xiao,CHEN Wei(School of Mechanical Engineering,Chongqing University of Technology,Chongqing400054,CHN)Abstract:In view of the complex composition of energy consumption of CNC machine tools,it is difficult to predict energy consumption with high accuracy in theoretical analysis.A data-driven BP-Adaboost CNC machine tool consumption prediction model is proposed・This model introduces the ability of the Adaboost algorithm to integrate strong predictors,and improves the BP neural network.By repeatedly adjusting the weight of the BP weak predictor and the sample weight,a strong predictor is obtained,thereby improving the prediction accuracy・Experimental results show that the BP-Adaboost prediction model can predict the energy consumption of material cutting more accurately than the independent BP neural network pre­diction model,and the root mean square error and absolute error are reduced.It can be seen that the pre­diction model has practical feasibility in predicting the energy consumption of CNC machine tools,and provides a new tool support for the prediction of the total energy consumption of machine tools. Keywords:CNC machine;Adaboost algorithm；BP neural network；prediction model制造业能量消耗巨大，因此降低能耗、减少对环境的影响已经成为现代绿色制造领域研究的重点问题。

第25卷 第6期2010年12月郑州轻工业学院学报(自然科学版)J OURNAL OF Z H ENGZ HOU UNI VERS I TY OF L I G HT I NDUSTRY(Nat u ral S cience)V o.l 25 N o .6D ec .2010收稿日期:2010-09-07作者简介:倪永宏(1970 ),男,江苏省靖江市人,扬州工业职业技术学院副教授,东南大学硕士研究生,主要研究方向为自动控制.文章编号:1004-1478(2010)06-0025-04BP 神经网络在数控伺服系统中的应用倪永宏(扬州工业职业技术学院电子信息工程系,江苏扬州225127)摘要:在分析三环伺服系统的基础上,针对传统PI D 控制的不足,将BP 神经网络与常规PI D 控制相结合,提出了一种基于BP 算法的PI D 控制新策略,通过编写有关程序,应用M atlab 进行仿真运行.仿真实验表明系统跟随输出响应迅速,超调小,调速精度高,且能适时对参数进行在线调整,表现了很好的自适应性和鲁棒性,能很好地满足系统设计要求.关键词:伺服系统;PI D 控制;BP 神经网络中图分类号:TP275 文献标志码:AApplicati on of BP neural net work on NC servo syste mN I Yong hong(D ep t .of E lectr .Infor.E ng .,Yangzhou Po l y.Inst .,Yangzhou 225127,China )Abstract :Through co m b i n i n g BP neural net w ork w ith conventionalPI D control and ana l y zi n g the three ri n g servo syste m ,a ne w controlm ethod PI D contr o lw as proposed based on the BP algor ith m.By co m pileing t h e re lative progra m M atlab soft w are w as used to si m ulate .The resu lts o f si m ulations and experi m en ts sho w ed t h at th is BP neura lnet w ork con tro ll e r can respond to fo ll o w i n g ou t p u t quick l y ,has little over shoot h i g h pre scision o f adjusti n g speed ,and has very str ong se lf adapti v e and robus.t It can ti m ely ad j u st the para m eters on line and sati s fy the requ ire m ent o f the ser vo syste m co m plete l y .Key w ords :servo syste m;PI D contro;l BP neural net w or k0 引言数控技术是制造自动化的基础,是现代制造业的灵魂;伺服系统是数控系统的重要组成部分,其性能优劣直接决定了数控系统的定位精度和静态、动态性能,从而直接影响机床的加工精度和产品质量.在数控机床中,进给伺服系统是数控装置和机床的中间联接环节,由于各种数控机床所完成的加工任务不同,它们对进给伺服系统的要求也不尽相同,但通常数控机床进给用伺服系统应满足性能稳定、精度高、快速响应特性好、调速范围宽等基本要求.随着计算机、电力电子、控制理论、永磁电机材料等技术的发展,特别是矢量控制算法的突破,使一直困扰着交流电动机的问题得以解决.目前交流伺服系统以其稳定性好、快速性强、精度高、调速范围宽等优点已获得越来越广泛的应用.随着控制对象复杂程度的加深,特别是因交流伺服系统存在非线性、强耦合、大滞后等情况,传统的PI D 控制就显得无能为力,难以使系统获得良好的跟随性能和抗干扰性能.采用智能化控制策略,可以较好地弥补传统PI D郑州轻工业学院学报(自然科学版)控制的不足.基于人工神经网络的控制,因其自学习、自组织能力强,可以调和动态和稳态性能之间的矛盾,对对象模型精度要求不高以及抗干扰能力强等特点,使其在高精度伺服系统中的应用日益广泛.本文拟在分析三环伺服系统的基础上,针对传统PI D 控制的不足,将BP 神经网络与常规PI D 控制相结合,提出一种基于BP 算法的PI D 控制新策略.1 常规三环交流伺服系统1.1 三环交流伺服系统的组成高性能交流伺服系统主要由功率变换单元、位置控制、速度控制、电流控制、电动机及位置检测元件等部分组成,系统原理如图1所示.系统中,电动机采用永磁同步电动机,其优点是:结构简单、运行可靠、易维护或免维护;体积小、重量轻;损耗少、效率高.其定子采用三相正弦交流电驱动,正弦交流电由电压源型逆变器变换而得,转子由永磁体磁化为3 4对磁极,产生正弦磁动势.图1 电流、转速、位置三环伺服系统原理图 电流环的作用是提高系统的快速性,抑制电流环内部干扰,限制最大电流,保障系统安全运行;速度环的作用是增强系统抗负载扰动的能力,抑制速度波动;位置环作为系统外环,其作用是保证系统静态精度和动态跟踪的性能.根据系统对各个控制环的要求,对速度环和电流环均可采用PI 控制以提高系统的快速跟踪能力及在稳态时实现误差控制;对于位置环可以采用P 控制,也可采用PI D 控制.1.2 三环交流伺服系统的仿真根据三环系统的设计过程,用M atlab 中的S i m u li n k 构造如图2所示交流伺服系统简化模型.使用M atlab 反复调试PI D 的3个参数,观察不同的输出波形,当比例、积分、微分系数分别取2,0.5,2时,系统单位阶跃-响应曲线如图3所示.由此可见,位置调节器采用PI D 调节后,如果比例、积分、微分的系数设定得比较理想,其跟踪输出曲线能基本满足一般性能要求,但其响应速度较慢(上升时间t r 2.5s ,调整时间t s 13s);最大超调量偏高( i 20%).如果考虑系统的干扰或参数的变化等,系统继续采用上述PI D 的参数,性能将会更差(见图4).这说明系统的自适应能力较差,鲁棒性不强.2 基于BP 网的P I D 控制伺服系统2.1 基于BP 网的PID 控制实现为了克服常规PI D 的弱点,前人已经提出了多种对常规PI D 控制的改进方案,采用基于BP 神经网络的PI D 控制,是对常规PI D 控制的改进和优化.通过BP 神经网络训练和学习来实时调整PI D 控制参数,以达到对伺服系统的最佳控制.构建基于BP 网的PI D 交流伺服系统时,仍采用三环结构,其中位置环也采用负反馈控制,其控制器采用基于BP 算法的PI D 控制器,以保证系统静态精度和动态跟踪的性能.为便于分析比较,基于BP 网络中的位置环的内部结构仍采用常规控制中的交流伺服系统的部分参数.为此,可构建基于BP 网络的PI D 控制框图,如图5所示.图5中,BP 网络输入层输入为[ri n (k ),you t(k ),error(k )],输出层输出为[K P ,K I ,K D ],r 为框架参考角位置输入信号,y 为输出角位置信号.图5中的PI D 控制器由2个部分组成:1)经典PI D 控制器直接对被控对象进行闭环控制;2)神经网络BPNN 采用3-4-3结构,根据系统的运行状图2 交流伺服系统位置环采用PI D 控制的简化仿真模型!26!2010年倪永宏:BP神经网络在数控伺服系统中的应用态,调节PI D 控制器的参数,以期达到某种性能指标的最优化.也就是使输出层神经元的输出状态对应于PI D 控制器的3个可调参数K P ,K I ,K D ,通过神经网络的自学习,并且调整相应的权系数,从而使其稳定状态对应于某种最优控制律下的PI D 控制器参数.2.2 基于BP 网的P I D 控制仿真结果分析根据控制器的算法,编写M atlab 程序.M 文件主要包括BP 网络结构的选定、系统控制对象的离散化、神经网络各层输入输出的计算、PI D 控制器的输出计算、神经网络的自学习与权系数的在线调整以及绘制相关波形等.运行上述程序后,可以得到系统的单位阶跃响应曲线yout 及PI D 3个参数K P ,K I ,K D 自适应整定曲线,如图6 7所示.将图6,图7与传统PI D 控制的仿真结果图3,图4比较,可以明显看到采用BP 算法下的PI D 控制超调量很小,响应时间很短,基本没有振荡,且PI D 控制器的比例、积分、微分的系数有明显的自动整定功能.考虑输入变动或出现干扰的情况.为简便起见,假设在第100个采样时间点依输出端外加一幅值为0.5的干扰.重新运行上述程序后,可得到系统受干扰下的单位阶跃响应曲线yout 及PI D 3个参数自适应整定曲线,如图8 9所示.上述仿真结果显示,系统在受到干扰后,由于BP 网络具有自学习、加权系数的自动调整,其输出也即PI D 控制器的3个参数K P ,K I ,K D 能适时进行在线调整,从而使得系统的位置响应曲线能迅速达到理想的效果,同时也证明当被控对象发生明显变化时系统具有良好的鲁棒性.!27! 第6期郑州轻工业学院学报(自然科学版)3 结语作为PI D 控制,其智能化的控制策略很多,就其与BP 神经网络的结合应用,利用BP 网络具有很强的自学习能力、信息综合能力和非线性拟合能力,可适时对参数进行在线调整,体现了很好的自适应性和鲁棒性,能很好地满足系统设计要求,将会在控制领域展示出更加广阔的应用前景.参考文献:[1] 舒志兵.交流伺服运动控制系统[M ].北京:清华大学出版社,2006.[2] 陈伯时.电力拖动自动控制系统[M ].北京:机械工业出版社,2003.[3] 王德斌.交流伺服进给系统及其数学模型的研究[J].机械制造与自动化,2006(1):86.[4] 邵群涛,赵伟军.基于M atlab /S i m u li nk 的数控机床伺服系统动态性能仿真[J].机床与液压,2003(6):222.[5] 刘金琨.先进P I D 控制M ATLAB 仿真[M ].2版.北京:电子工业出版社,2004.[6] 丁曙光,吴卫平,桂贵生.基于神经网络PID 的液压位置伺服系统控制的研究[J].控制与检测,2009(3):49.[7] Shi Chunchao ,Zhang Guoshan .A ne w m et hod o f P I D contro lbased on m i proved BP neural net w ork[C ]//Ch i nese Con tro l Con ,f Beiji ng :BUAA P ress ,2006.!28!2010年。

开题报告：基于BP神经网络的技术创新一、研究背景随着人工智能和大数据技术的迅猛发展，BP神经网络逐渐成为人工智能领域中非常重要的一个分支。

BP神经网络是一种有监督学习神经网络，主要应用于分类和回归问题，优化算法主要是通过反向传播来实现的。

BP神经网络不仅能够应用于传统的图像识别和语音识别等领域，也能应用于更广泛和复杂的领域，如自然语言处理、数据挖掘、金融分析等等。

因此探究BP 神经网络技术的创新是非常有意义的研究方向。

二、研究目的与意义本次研究的目的是通过分析BP神经网络的优缺点，探究如何在该算法的基础上进行技术创新，并运用其在一些实际应用中，以解决一些实际问题。

本研究的意义在于：1.为人工智能领域的发展提供参考和思路。

2.推动BP神经网络技术在实际应用中的广泛普及和进一步发展。

3.实现一些实际问题的解决。

三、研究内容本研究计划分成以下三个部分：1.BP神经网络算法的基本原理和流程。

2.探究BP神经网络算法的优缺点，并进行技术创新。

3.将BP神经网络算法应用于一些实际问题中，以展示其在实际应用中的价值和优势。

四、研究方法本研究主要采用以下两种方法：1.理论分析法：通过文献查阅和分析，了解BP神经网络的相关原理和流程，研究其优缺点，并探究如何进行技术创新。

2.实例分析法：选择一些实际数据和问题，将BP神经网络算法应用于其中，并研究优化算法的效果和实际应用的价值。

五、研究计划本研究计划分成以下三个阶段：1.研究BP神经网络算法的基本原理和流程，分析其优缺点。

–时间安排：2周。

–完成任务：理论分析报告。

2.探究BP神经网络算法的优缺点，并进行技术创新。

–时间安排：4周。

–完成任务：技术创新实验报告。

3.将BP神经网络算法应用于一些实际问题中，以展示其在实际应用中的价值和优势。

–时间安排：4周。

–完成任务：实例分析报告。

六、预期成果通过本次研究，预期能够达到以下成果：1.综合了解BP神经网络的优缺点。

2.探究BP神经网络在技术创新方面的前景。

第４５卷第５期２０２３年９月沈　阳　工　业　大　学　学　报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＶｏｌ ４５Ｎｏ ５Ｓｅｐ ２０２３收稿日期：２０２２－１１－０４．基金项目：山西省基础研究计划项目（２０２１０３０２１２２４３１３）；山西大同大学２０２１年度科研专项课题项目（２０２１ＹＧＺＸ５３）．作者简介：王舒玮（１９９０－），女，山西大同人，讲师，硕士，主要从事机械工程、智能制造等方面的研究．ｄｏｉ：１０．７６８８／ｊ．ｉｓｓｎ．１０００－１６４６．２０２３．０５．１２基于麻雀算法优化ＢＰ神经网络诊断数控机床故障王舒玮（山西大同大学机电工程学院，山西大同０３７０００）摘　要：针对数控机床的同一故障引发因素不同，甚至存在多因素共同作用的问题，提出了数控机床故障诱因分析方法，准确判断并查找故障位置，从而解决数控机床出现的故障．采用麻雀搜索算法改善ＢＰ神经网络性能，进而诊断数控机床服役中的常见故障，采集不同状态的故障信号作为ＢＰ神经网络样本，利用经过麻雀搜索算法优化后的ＢＰ算法识别机床的故障状态．结果表明：诊断结果发生误判的概率仅为２ ２９％，说明麻雀搜索算法优化ＢＰ神经网络在检测数控机床故障诊断问题中能够进行推广应用．关　键　词：麻雀搜索算法；神经网络；数控机床；故障诊断；优化处理；仿真；误差处理；训练样本中图分类号：ＴＨ１６５ 文献标志码：Ａ 文章编号：１０００－１６４６（２０２３）０５－０５４６－０６ＦａｕｌｔｓｄｉａｇｎｏｓｉｓｏｆＣＮＣｍａｃｈｉｎｅｔｏｏｌｂｙｕｓｉｎｇＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｏｐｔｉｍｉｚｅｄｂｙｓｐａｒｒｏｗａｌｇｏｒｉｔｈｍＷＡＮＧＳｈｕｗｅｉ（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｘｉＤａｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｄａｔｏｎｇ０３７０００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｓａｍｅｆａｕｌｔｏｆｃｏｍｐｕｔｅｒｎｕｍｅｒｉｃａｌｃｏｎｔｒｏｌ（ＣＮＣ）ｍａｃｈｉｎｅｔｏｏｌｍａｙｂｅｃａｕｓｅｄｂｙｄｉｆｆｅｒｅｎｔｆａｃｔｏｒｓ，ｏｒｅｖｅｎｂｙｍｕｌｔｉｐｌｅｆａｃｔｏｒｓｗｏｒｋｉｎｇｔｏｇｅｔｈｅｒ，ａｎｉｎｄｕｃｉｎｇｆａｃｔｏｒａｎａｌｙｓｉｓｍｅｔｈｏｄｆｏｒＣＮＣｍａｃｈｉｎｅｔｏｏｌｗａｓｐｒｏｐｏｓｅｄｔｏａｃｃｕｒａｔｅｌｙｊｕｄｇｅａｎｄｆｉｎｄｔｈｅｆａｕｌｔｌｏｃａｔｉｏｎａｎｄｓｏｌｖｅｔｈｅｆａｕｌｔｓｏｆＣＮＣｍａｃｈｉｎｅｔｏｏｌ．Ｔｈｅｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ（ＳＳＡ）ｗａｓｕｓｅｄｔｏｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｄｉａｇｎｏｓｉｎｇｔｈｅｃｏｍｍｏｎｆａｕｌｔｓｏｆＣＮＣｍａｃｈｉｎｅｔｏｏｌｓｉｎｓｅｒｖｉｃｅ．ＴｈｅｆａｕｌｔｓｉｇｎａｌｓｏｆｄｉｆｆｅｒｅｎｔｓｔａｔｅｓｗｅｒｅｃｏｌｌｅｃｔｅｄａｓｔｈｅｓａｍｐｌｅｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ａｎｄｔｈｅｆａｕｌｔｓｔａｔｅｏｆｍａｃｈｉｎｅｔｏｏｌｗａｓｉｄｅｎｔｉｆｉｅｄｂｙｔｈｅＢＰａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚｅｄｂｙＳＳＡ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｉｓｄｉａｇｎｏｓｉｓｐｒｏｂａｂｉｌｉｔｙｏｆｄｉａｇｎｏｓｉｎｇｒｅｓｕｌｔｓｉｓｏｎｌｙ２ ２９％，ｗｈｉｃｈｉｎｄｉｃａｔｅｓｔｈａｔｔｈｅＳＳＡｏｐｔｉｍｉｚｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｃａｎｂｅｗｉｄｅｌｙｕｓｅｄｆｏｒｔｈｅｆａｕｌｔｄｅｔｅｃｔｉｏｎａｎｄｄｉａｇｎｏｓｉｓｏｆＣＮＣｍａｃｈｉｎｅｔｏｏｌ．Ｋｅｙｗｏｒｄｓ：ｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；ＣＮＣｍａｃｈｉｎｅｔｏｏｌ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｃｅｓｓｉｎｇ；ｓｉｍｕｌａｔｉｏｎ；ｅｒｒｏｒｐｒｏｃｅｓｓｉｎｇ；ｔｒａｉｎｉｎｇｓａｍｐｌｅ 数控机床是目前最典型的机电一体化设备，其主要特点是灵活性好、效率高、精度高且产品质量稳定．数控机床集自动控制技术、机械制造技术、计算机技术和测试技术于一体，在现代机械制造业中发挥着重要作用［１］．然而，如果数控机床的机械结构更复杂，部件更多，则出现故障的概率将会增加，数控机床的可靠性则会降低．数控机床的故障是多种多样的，导致出现故障的因素也是不确定的，故障主要出现在机械、电气、控制等方面［２］．同一故障的引发因素不同，甚至存在多种因素共同作用的情况，导致检测数控机床故障的难度大大提升．因此，如何分析数控机床故障出现的诱发因素，准确判断并查找故障出现的位置，采用合理排除方法使数控机床能够继续恢复正常工作，是解决数控机床故障诊断的首要任务［３］．目前常见的数控机床故障诊断方法为逐层逐Copyright ©博看网. All Rights Reserved.步诊断法．准确判断并查找故障出现的位置至关重要．可能出现问题的位置主要包括主机结构、数控系统、伺服系统、电机驱动系统、机床电气系统和液压系统等［４］．在数控机床中往往故障的症状发生在机床的某个环节，而故障原因却又可能出现在一个或多个系统中．目前，我国自主研发的数控机床在自诊断故障环节相对比较薄弱，智能诊断能力较低，即使诊断到故障环节，但对查找故障出现的原因定位仍不够准确，容易出现维修人员无法根据故障现象准确确定故障原因的问题［５］．因此，在数控机床使用和研发过程中，如何根据出现的故障现象快速准确地诊断故障原因是非常重要的．随着智能化、现代化的发展以及自动控制和人工智能领域知识的不断融合，现代数控机床故障诊断工具实现了从智能到综合智能的转变［６］．在使用数控机床时，每个传感器都有其特定的功能和测量范围，每个传感器的数据仅限于描述特定对象或系统．基于单传感器的特点，数控机床的故障产生、诊断和分析无法完成整体判断［７］．若故障分析和预测方法能够预测故障的发生或发展趋势误差（即预测误差或事后效应），则可进行及时预防或维护，因此，误差预测对数控机床的实际使用和可靠性研究具有深远意义［８］．麻雀搜索算法［９］是一种群体优化算法，可以抽象地表述为探测者—跟随者—预警者模型．目前麻雀搜索算法优化ＢＰ神经网络在各个领域都已广泛应用，但将其应用于数控机床故障的诊断尚未有深度研究．本文采用麻雀搜索算法改善ＢＰ神经网络的性能，提出了一种新的数控机床状态故障检测方法，进而诊断数控机床服役中的常见故障．１　常见数控机床故障类型及诊断数控机床在机械工业中得到了广泛应用，其后续维护、维修工作变得越来越重要．为了提高数控机床的维修效率、维修水平和故障诊断率，排查数控机床系统故障的重要任务之一是在数控机床发生故障时，对故障产生的诱发因素进行判断和评估，从而便于准确确定故障发生位置，及时有效地采取相应故障诊断措施进行故障修复［１０］．数控机床常见故障现象和诱因如表１、２所示．２　麻雀搜索算法 麻雀搜索算法是一种新型群体智能优化算表１　部分数控机床故障现象集Ｔａｂ １　ＰａｒｔｉａｌｓｙｍｐｔｏｍｓｅｔｓｏｆＣＮＣｍａｃｈｉｎｅｔｏｏｌｆａｕｌｔｓ序号故障征兆１主轴电机不工作２发动机转速不稳定３主轴停转４主轴发热５主轴在强力切削下停转序号故障征兆６主轴无润滑油循环７伺服电动机不工作８加工过程中坐标轴震动９电气元件损坏１０电气元件过热、冒烟、起火或散发焦糊味表２　部分数控机床故障诱因集Ｔａｂ ２　ＰａｒｔｉａｌｃａｕｓｅｓｅｔｓｏｆＣＮＣｍａｃｈｉｎｅｔｏｏｌｆａｕｌｔｓ序号故障原因１使能信号没有正常接通２刀架本身故障３电气线路连接不良４电机运转不良或自身故障５零点开关不灵敏６参数设置不合理７联动节松动序号故障原因８滚珠丝杆副间隙过大９干扰１０润滑不良１１编码器及连接线路不良１２负载过大１３变频器故障１４电源故障法，具有优化能力强、目标限制低、设置参数少等优点，已成功应用于图像分割、短期光伏性能预测等实际应用中［１１］．在麻雀搜索算法中种群中的个体具备以下特点：每个个体可以随时监控种群中其他个体的行为，种群中的个体可与食物供应量较高的个体进行竞争以提高捕食效率；个体策略的选择主要取决于食物储备；由于生活在种群边缘的个体更易受到攻击，故将努力靠近中部地区，而中心地区个体将与其附近个体靠拢从而降低风险；当个体发现捕食者时，会向种群发出警告［１２］．根据以上种群特征，将种群分为探测者和跟随者两种类型，麻雀搜索算法的具体步骤为：１）首先确定麻雀种群数量、所需优化变量维数、最大迭代次数和搜索区域上、下边界．２）探测者负责寻找食物，引导整个种群行动，跟随者跟随探测者寻找食物．同时，安排一定比例的个体进行勘查，当意识到危险时发出信号警告种群并采取反捕行动［１３］．种群中探测者负责寻找食物的方向和位置，从而使跟随者更接近食物所在方向．跟踪到捕食者后发出警告信号，如果警告信号值大于安全阈值，探测者将引导种群进入安全区域，即７４５第５期 王舒玮：基于麻雀算法优化ＢＰ神经网络诊断数控机床故障Copyright©博看网. All Rights Reserved.ｘｋ＋１ｉｄ＝ｘｋｉｄｅ－ｉαθｍａｘ　（Ｒ２＜Ｓ）ｘｋｉｄ＋ＱＬ（Ｒ２≥Ｓ{）　（１）式中：ｘｋｉｄ为第ｋ次迭代时麻雀ｉ在第ｄ维种群中的个体位置；α为（０，１］范围内的均匀随机数；Ｑ为服从标准正态分布的随机数；Ｌ为１×ｄ维元素均为１的矩阵；Ｒ２∈［０，１］为预警值；Ｓ∈［０ ５，１］为安全值；θｍａｘ为最大迭代次数．３）当探测者所处位置的能力值较低时，一些饥饿的跟随者会转移到其他地方觅食，同时跟随者会不断地监视探测者，然后争夺食物资源以降低饥饿率．因此，追随者在种群中的位置更新表达式为ｘｋ＋１ｉｄ＝Ｑｅｘｋｗｄ－ｘｋｉｄｉ２　ｉ＞Ｎ()２ｘｋ＋１ｂｄ＋１Ｄ∑Ｄｄ＝１（ｒａｎｄ｛－１，１｝ｘｋｉｄ－ｘｋ＋１ｂｄ）ｉ≤Ｎ()２（２）式中：ｘｋｗｄ为在第ｋ次迭代时麻雀在第ｄ维种群中的最差个体位置；ｘｋ＋１ｂｄ为在第ｋ＋１迭代时麻雀在第ｄ维种群中的最优个体位置；Ｎ为麻雀种群数量．４）当个体意识到种群中的危险时，个体沿着边缘移动到安全区域，而麻雀（最初在种群中心）则随机移动以形成新的种群，即ｘｋ＋１ｉｄ＝ｘｋｂｄ＋β（ｘｋｉｄ－ｘｋｂｄ） （ｆｉ≠ｆｂ）ｘｋｉｄ＋Ｋｘｋｉｄ－ｘｋｗｄｆｉ－ｆｗ＋()ｅ（ｆｉ＝ｆｂ{）　（３）式中：β为控制步长参数，且为服从Ｎ（０，１）的随机数；Ｋ∈［－１，１］为麻雀位置，用于确定步长；ｆｉ为第ｉ只麻雀的适应度值；ｆｂ为当前麻雀种群的最优适应度值；ｆｗ为当前麻雀种群的最差适应度值；ｅ为极小数．３　机床故障诊断设计实例３ １　ＳＳＡ优化ＢＰ神经网络算法在ＳＳＡ优化ＢＰ神经网络训练的具体过程中，首先建立故障诊断模型样本，确定阈值和权值为不为零的任意数，然后确定输入和目标输出，计算实际输出和隐含层数量，将故障现象集作为训练样本模型的输入，确定训练样本集和测试样本集，对训练误差进行计算，输出层和输入层计算公式［３］分别为δｐｊ＝Ｏｐｊ（１－Ｏｐｊ）（ｔｐｊ－Ｏｐｊ）　（４）δ′ｐｊ＝Ｏｐｊ（１－Ｏｐｊ）∑ｋδｐｋωｋ　（５）随后确定ＢＰ神经网络基本参数，其中输入层设定为３４个输入向量，与３４组故障征兆集数量一致；输出层设定为５４个输出向量，与５４组故障诱因集数量一致，利用ＭＡＴＬＡＢ程序函数设定隐藏层数量为１２个．此外，利用ＭＡＴＬＡＢ程序对ＳＳＡ ＢＰ神经网络进行设定，初始化ＢＰ网络权值和阈值表达式［５］分别为ωｉ（ｔ＋１）＝ωｉ（ｔ）＋ηδｊＯｐｊ＋ α［ωｉ（ｔ）－ωｉ（ｔ－１）］（６）θｉ（ｔ＋１）＝θｉ（ｔ）＋ηδｊ＋ θα［θｉ（ｔ）－θｉ（ｔ－１）］（７）利用麻雀搜索算法计算种群个体，确定麻雀适应度，并搜索相关设定参数，确定觅食和反捕食行为，并更新最佳适应度值和位置信息［１４］．利用最佳适应度值和位置信息，根据式（１）～（３）分别更新探测者位置、追随者位置与麻雀危险位置，确定最新麻雀位置的适应度，将更新后的适应度与最优适应度进行比较，若满足终止准则，获取最优参数并进行仿真预测后输出结果；若不满足终止准则，检查迭代情况并重新初始化ＢＰ权值和阈值．数控机床故障诊断具体步骤如图１［１５］所示．图１　数控机床故障诊断具体步骤Ｆｉｇ １　ＳｐｅｃｉｆｉｃｓｔｅｐｓｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆＣＮＣｍａｃｈｉｎｅｔｏｏｌ３ ２　故障现象训练样本分析将ＣＡＫ６１５０型数控车床作为实验设备，整理了该车床的常见故障征兆与原因，将故障出现概率数据化后输入ＳＳＡ ＢＰ神经网络中．在诊断过程中由于故障频率变化很大，故障征兆中所产生的等级分为高、中、低三等，具体结果如图２所示．图２中的信息应适用于机床重复处理和常见错误之间的因果关系．以主轴常见故障为例，表３列出了主轴电机故障的一些常见原因和出现概率．８４５沈　阳　工　业　大　学　学　报 第４５卷Copyright ©博看网. All Rights Reserved.图２　故障发生概率Ｆｉｇ ２　Ｆａｕｌｔｐｒｏｂａｂｉｌｉｔｙ由表３可见，在数控机床主轴停转（作为输入向量Ｐ１）的故障原因中，最容易导致主轴停转的原因（作为输出向量Ｔ１）是错误激活脱机信号和开关故障；其次是超载和电路板故障；另外还有可能是液压缸电缆开关跌落、需更换液压缸或漏油．因此，主轴停转所对应的向量表达式为Ｐ１＝［０，０，０ ９３４，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ表３　故障征兆和诱因Ｔａｂ ３　Ｆａｕｌｔｓｙｍｐｔｏｍｓａｎｄｃａｕｓｅｓ故障征兆形成原因发生概率／％主轴停转错误激活脱机信号８０超载６０电路板故障６０液压缸电缆开关跌落４０需更换液压缸或漏油４０开关故障８０Ｔ１＝［０ ８２１，０，０，０，０，０，０，０，０，０，０，０ ６２３，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０ ５９８，０ ４２１，０ ３９８，０ ８２１，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ将３４组故障征兆集定义为输入向量，５４组故障诱因集定义为输出向量，并将其作为训练样本应用到ＳＳＡ ＢＰ神经网络中，则Ｐ１＝［０ ９３４，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ［０，０ ９１２，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ［０，０，０ ９０５，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ［０，０，０，０ ８９７，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ［０，０，０，０，０ ９４３，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ ［０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０ ９３２］Ｔ３４Ｔ１＝［０ ８２１，０，０，０，０，０，０，０，０，０，０，０ ６２３，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，００，０ ５９８，０ ４２１，０ ３９８，０ ８２１，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ［０，０，０，０，０，０，０，０，０ ７８６，０，０，０ ８０３，０，０ ５８７，０，０，０，０，０，０，０，０，０，０，０，０，００，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ［０，０，０，０，０，０，０，０，０，０，０ ８２１，０，０，０，０，０，０，０ ６１１，０，０，０，０，０，０，０，０，０，０，００，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ［０，０，０，０，０，０，０，０，０，０ ８２１，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０ ４１２，０ ４２１０ ８３２，０ ６２１，０ ６１１，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ［０ ８０９，０，０，０，０，０，０，０，０，０，０，０ ６２３，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，００，０ ５９８，０ ４１２，０ ４３４，０ ７８６，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ［０，０，０，０，０，０，０，０，０ ６２１，０，０，０，０，０，０，０ ８３２，０，０，０，０ ４２２，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０］Ｔ５４３ ３　诊断收敛效果对比图３为ＢＰ神经网络收敛情况．由图３可见，标准ＢＰ网络对数控机床常见故障的仿真误差较大，迭代收敛效果不佳且存在较大误差震荡现象［１６］．利用ＳＳＡ ＢＰ神经网络对故障仿真误差进行重新测试，将实际工况中发生的数控机床故障数据作为网络样本集，利用ＭＡＴＬＡＢ软件对其进行训练，ＳＳＡ ＢＰ神经网络收敛情况如图４所示．由图４可见，ＳＳＡ ＢＰ神经网络可以实现迭代１００次的效果，与标准ＢＰ神经网络相比，收敛速度更快，收敛曲线更平稳．图５中ＳＳＡ ＢＰ神经网络预测故障输出误差．由图５可以计算得到ＳＳＡ ＢＰ神经网络预测误差为２ ２９％，接近预期效果对应的理论偏差，仿真结果与理论输出非常接近．ＳＳＡ ＢＰ神经网络预测故障输出误差与传统ＢＰ神经网络相比较小．９４５第５期 王舒玮：基于麻雀算法优化ＢＰ神经网络诊断数控机床故障Copyright©博看网. All Rights Reserved.图３　ＢＰ神经网络收敛情况Ｆｉｇ ３　ＣｏｎｖｅｒｇｅｎｃｅｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ图４　ＳＳＡ ＢＰ神经网络收敛情况Ｆｉｇ ４　ＣｏｎｖｅｒｇｅｎｃｅｏｆＳＳＡ ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ图５　ＳＳＡ ＢＰ神经网络预测故障输出误差Ｆｉｇ ５　ＦａｕｌｔｏｕｔｐｕｔｅｒｒｏｒｐｒｅｄｉｃｔｅｄｂｙＳＳＡ ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ４　结　论采用麻雀算法优化ＢＰ神经网络解决数控机床故障诊断问题，对数控机床常见故障创建训练样本模型，对其故障诱因导致的故障现象进行了误差分析．将实际工况中发生的数控机床故障数据作为网络样本集，利用ＭＡＴＬＡＢ软件对其进行训练后，不仅提高了诊断时效，还提高了判断故障诱因的准确性．因此，将ＳＳＡ ＢＰ神经网络模型用于检测数控机床故障的方案是可行的．参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］胡建华，黄宇龙，张坚，等．基于麻雀搜索算法优化双隐含层ＢＰ神经网络的张力减径钢管壁厚预测［Ｊ］．塑性工程学报，２０２２，２９（８）：１４５－１５１．（ＨＵＪｉａｎｈｕａ，ＨＵＡＮＧＹｕｌｏｎｇ，ＺＨＡＮＧＪｉａｎ，ｅｔａｌ．ＷａｌｌｔｈｉｃｋｎｅｓｓｐｒｅｄｉｃｔｉｏｎｏｆｓｔｅｅｌｐｉｐｅｄｕｒｉｎｇｔｅｎｓｉｏｎｒｅｄｕｃｔｉｏｎｂａｓｅｄｏｎｄｏｕｂｌｅｈｉｄｄｅｎｌａｙｅｒＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｏｐｔｉｍｉｚｅｄｂｙｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｌａｓｔｉｃｉｔｙＥｎｇｉｎｅｅｒｉｎｇ，２０２２，２９（８）：１４５－１５１．）［２］陈鑫，肖明清，文斌成，等．基于变分模态分解和混沌麻雀搜索算法优化支持向量机的滚动轴承故障诊断［Ｊ］．计算机应用，２０２１，４１（增刊２）：１１８－１２３．（ＣＨＥＮＸｉｎ，ＸＩＡＯＭｉｎｇｑｉｎｇ，ＷＥＮＢｉｎｃｈｅｎｇ，ｅｔａｌ．Ｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｖａｒｉａｔｉｏｎａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ｃｈａｏｔｉｃｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓ，２０２１，４１（Ｓｕｐ２）：１１８－１２３．）［３］周超，曹春平，孙宇．利用ＧＳ优化ＳＭ ＳＶＭ的滚动轴承故障诊断方法研究［Ｊ］．机械设计与制造，２０２０（６）：１６－１９．（ＺＨＯＵＣｈａｏ，ＣＡＯＣｈｕｎｐｉｎｇ，ＳＵＮＹｕ．ＲｅｓｅａｒｃｈｏｎｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎＧＳｏｐｔｉｍｉｚｅｄＳＭ ＳＶＭ［Ｊ］．ＭａｃｈｉｎｅｒｙＤｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ，２０２０（６）：１６－１９．）［４］解永亮．基于混合蚁群的多温区冷链物流配送路径优化算法［Ｊ］．沈阳工业大学学报，２０２２，４４（５）：５５２－５５７．（ＸＩＥＹｏｎｇｌｉａｎｇ．Ｄｉｓｔｒｉｂｕｔｉｏｎｒｏｕｔｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏ ｒｉｔｈｍｂａｓｅｄｏｎｈｙｂｒｉｄａｎｔｃｏｌｏｎｙｆｏｒｍｕｌｔｉ ｔｅｍｐｅｒａｔｕｒｅｚｏｎｅｃｏｌｄｃｈａｉｎｌｏｇｉｓｔｉｃｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２０２２，４４（５）：５５２－５５７．）［５］马廷洪，姜磊．基于混合粒子群算法优化ＢＰ神经网络的机床热误差建模［Ｊ］．中国工程机械学报，２０１８，１６（３）：２２１－２２４．（ＭＡＴｉｎｇｈｏｎｇ，ＪＩＡＮＧＬｅｉ．ＯｐｔｉｍｉｚａｔｉｏｎｏｆｔｈｅｒｍａｌｅｒｒｏｒｍｏｄｅｌｉｎｇｏｆｍａｃｈｉｎｅｔｏｏｌｉｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｏｎｈｙｂｒｉｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＣｏｎｓｔｒｕｃｔｉｏｎＭａｃｈｉｎｅｒｙ，２０１８，１６（３）：２２１－２２４．）［６］马晨佩，李明辉，巩强令，等．基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断［Ｊ］．科学技术与工程，２０２１，２１（１０）：４０２５－４０２９．（ＭＡＣｈｅｎｐｅｉ，ＬＩＭｉｎｇｈｕｉ，ＧＯＮＧＱｉａｎｇｌｉｎｇ，ｅｔａｌ．Ｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｂａｓｅｄｏｎｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚｅｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０２１，２１（１０）：４０２５－４０２９．）［７］张文帅，王占刚．基于改进麻雀算法优化深度极限学习机的缺失数据预测［Ｊ］．电子测量技术，２０２２，４５（１５）：６３－６７．（ＺＨＡＮＧＷｅｎｓｈｕａｉ，ＷＡＮＧＺｈａｎｇａｎｇ．Ｍｉｓｓｉｎｇｄａｔａｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｓｐａｒｒｏｗａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚｅｄｄｅｅｐｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ［Ｊ］．ＥｌｅｃｔｒｏｎｉｃＭｅａｓｕｒｅｍｅｎｔＴｅｃｈｎｏｌｏｇｙ，２０２２，４５（１５）：６３－６７．）［８］褚惟，王贵勇，刘韬，等．麻雀算法参数优化ＶＭＤ联合Ｋ ＳＶＤ滚动轴承故障诊断［Ｊ］．噪声与振动控制，２０２２，４２（４）：１００－１０６．（ＣＨＵＷｅｉ，ＷＡＮＧＧｕｉｙｏｎｇ，ＬＩＵＴａｏ，ｅｔａｌ．ＲｏｌｌｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｏｆｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍＶＭＤａｎｄＫ ＳＶＤ［Ｊ］．ＮｏｉｓｅａｎｄＶｉｂｒａｔｉｏｎＣｏｎｔｒｏｌ，２０２２，４２（４）：１００－１０６．）［９］ＸＵＥＪＫ，ＳＨＥＮＢ．Ａｎｏｖｅｌｓｗａｒｍｉｎｏｐｔｉｍｉｚａｔｉｏｎａｐｐｒｏａｃｈ：ｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ［Ｊ］．ＳｙｓｔｅｍｓＳｃｉ ｅｎｃｅ＆ＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇａｎＯｐｅｎＡｃｃｅｓｓＪｏｕｒｎａｌ，０５５沈　阳　工　业　大　学　学　报 第４５卷Copyright ©博看网. All Rights Reserved.２０２２，８（１）：２２－３４．［１０］徐金花，陈四利，董冠男，等．基于神经网络的橡胶混凝土抗冻性预测［Ｊ］．沈阳工业大学学报，２０２２，４４（５）：５９０－５９４．（ＸＵＪｉｎｈｕａ，ＣＨＥＮＳｉｌｉ，ＤＯＮＧＧｕａｎｎａｎ，ｅｔａｌ．Ｐｒｅｄｉｃｔｉｏｎｏｆｆｒｏｓｔｒｅｓｉｓｔａｎｃｅｏｆｒｕｂｂｅｒｃｏｎｃｒｅｔｅｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２０２２，４４（５）：５９０－５９４．）［１１］胡鸿志，覃畅，管芳，等．基于麻雀搜索算法量机的刀具磨损识别［Ｊ］．科学技术与工程，２０２１，２１（２５）：１０７５５－１０７６１．（ＨＵＨｏｎｇｚｈｉ，ＱＩＮＣｈａｎｇ，ＧＵＡＮＦａｎｇ，ｅｔａｌ．Ｔｏｏｌｗｅａｒｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚｅｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０２１，２１（２５）：１０７５５－１０７６１．）［１２］辛梅．神经网络训练算法在数控机床故障诊断中的应用［Ｊ］．自动化技术与应用，２０２０，３９（２）：３－１７．（ＸＩＮＭｅｉ．ＡｐｐｌｉｃａｔｉｏｎｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｔｒａｉｎｉｎｇａｌｇｏｒｉｔｈｍｉｎｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆＮＣｍａｃｈｉｎｅｔｏｏｌ［Ｊ］．ＴｅｃｈｎｉｑｕｅｓｏｆＡｕｔｏｍａｔｉｏｎａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０２０，３９（２）：３－１７．）［１３］李振雨，王好臣，王功亮，等．基于ＢＰ网络的机床主轴故障诊断研究［Ｊ］．机械设计与制造，２０１９（１０）：１３０－１３３．（ＬＩＺｈｅｎｙｕ，ＷＡＮＧＨａｏｃｈｅｎ，ＷＡＮＧＧｏｎｇｌｉａｎｇ，ｅｔａｌ．ＲｅｓｅａｒｃｈｏｆｓｐｉｎｄｌｅｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＭａｃｈｉｎｅｒｙＤｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ，２０１９（１０）：１３０－１３３．）［１４］江世雄，黄鸿标，陈苏芳，等．基于ＧＡ改进ＬＳＴＭ ＢＰ神经网络的智慧楼宇用能行为预测方法［Ｊ］．沈阳工业大学学报，２０２２，４４（４）：３６６－３７１．（ＪＩＡＮＧＳｈｉｘｉｏｎｇ，ＨＵＡＮＧＨｏｎｇｂｉａｏ，ＣＨＥＮＳｕｆａｎｇ，ｅｔａｌ．ＩｎｔｅｌｌｉｇｅｎｔｂｕｉｌｄｉｎｇｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｂｅｈａｖｉｏｒｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎＧＡｉｍｐｒｏｖｅｄＬＳＴＭ ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２０２２，４４（４）：３６６－３７１．）［１５］李建伟，于广滨．改进麻雀搜索算法的轮毂减速器优化设计［Ｊ］．哈尔滨理工大学学报，２０２２，２７（５）：５６－６３．（ＬＩＪｉａｎｗｅｉ，ＹＵＧｕａｎｇｂｉｎ．Ｏｐｔｉｍｉｚａｔｉｏｎｄｅｓｉｇｎｏｆｈｕｂｒｅｄｕｃｅｒｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＨａｒｂｉｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０２２，２７（５）：５６－６３．）［１６］陈鑫，肖明清，孙曜，等．基于改进麻雀搜索算法与支持向量机的光纤陀螺故障诊断［Ｊ］．空军工程大学学报（自然科学版），２０２１，２２（３）：３３－４０．（ＣＨＥＮＸｉｎ，ＸＩＡＯＭｉｎｇｑｉｎｇ，ＳＵＮＹａｏ，ｅｔａｌ．ＡｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｆｉｂｅｒｏｐｔｉｃｇｙｒｏｂａｓｅｄｏｎＩＳＳＡ ＳＶＭ［Ｊ］．ＪｏｕｒｎａｌｏｆＡｉｒＦｏｒｃｅＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２１，２２（３）：３３－４０．）（责任编辑：尹淑英　英文审校：尹淑英）１５５第５期 王舒玮：基于麻雀算法优化ＢＰ神经网络诊断数控机床故障Copyright©博看网. All Rights Reserved.。