文献类型：期刊文章

作　　者：杨东民[1] 陈敏[2] 吴庆朝[3]

机构地区：[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

出　　处：《机械设计与制造》

基　　金：国家自然科学基金(61134001);内蒙古科技厅高新技术领域科技计划重大项目的部分资助(20130302)

年　　份：2016

期　　号：3

起止页码：167-170

语　　种：中文

收录情况：BDHX、BDHX2014、JST、RCCSE、ZGKJHX、核心刊

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(kernel principal component analysis,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 swarm optimization,PSO)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  

分 类 号：TH16] TP18]