1、第1期2 0 2 3年2 月石河子科技中图分类号：TH133文献标识码：B文章编号：1008-0899（2023）02-0059-03高速数控锻床已经成为当前加密各类精密机械部件的重要设备，对于各国工业化水平起到了关键作用1-2。如何提高机床控制精度并达到更高生产效率也获得了越来越多研究人员的关注，其中最关键的因素确保传动主轴可以保持稳定、安全工作状态。针对传动主轴运行过程开展故障检测分析，提早识别故障类型是预防机械故障与确保整体设备安全性的一项重要研究内容3-4。深度置信网络属于一类典型深度学习算法，非常适合进行设备故障识别分析，根据DBN理论诊断飞机发动机运行故障，由此判断飞机发动机的运行
2、性能5。黄续芳等6设计了一种以DBN融合后构建的新算法，对于工业大型发电机组故障识别方面获得了更高故障识别精度，从而更准确预测设备潜在运行问题。本文在DBN基础上经过优化后再将其用于诊断传动主轴故障，此方法是通过建立新激活函数来消除神经网络对于反向传播产生的梯度缺陷。1DBN方法深度置信网络(DBN)中包含多层受限玻尔兹曼机(RBM)，并在外层设置反向传播网络(BP)，如图1所示7。图1DBN结构示意图假定RBM结构包含可视层神经元数量为n，隐藏层神经元数量为m，以=(1，2，)与=(1，2，)表示可视层与隐藏层的神经元集合，构建得到以下的RBM能量函数：其中，=，；表示可视层与隐藏层之间的连
3、接权值；表示隐藏层偏置参数。设定与联合分布如下：由于RBM具备层间全连接与层内无连接特征，因此可通过联合分布方式计算出与条件概率。正向阶段中由可视层获得隐藏层的概率如下：进入反向重构阶段后，由隐藏层获得可视层的概率如下：通过DBN训练来实现DBN故障识别优化并确基于BP优化DBN算法的数控锻床传动主轴故障识别（郑州电力职业技术学院，机电工程系，河南郑州市，451450）薄青红摘要滚动轴承实际运行阶段受到多种外部因素干扰，使得监测数据中含有多种工况的复杂故障信号，可以通过DBN模型的特征自适应提取性能从复杂信号中提取出故障参数。为了解决处理更深层次神经网络会导致时间明显增加现象，在DBN基础上经
4、过优化后再将其用于诊断传动主轴故障，此方法是通过建立新激活函数来消除神经网络对于反向传播产生的梯度缺陷，实现了故障识别准确率的明显提升，具备显著优势。关键词传动主轴；滚动轴承；特征提取；深度置信网络；激活函数；故障识别作者简介：薄青红(1987)，女，汉，河南扶沟人，本科，讲师，研究方向：机械设计。-59石河子科技总第2 6 7期定最优、，由此获得最低能量误差的RBM，从而达到稳定状态。为缩短RBM网络训练时间并减小震荡幅度，本实验根据权值动量建立RBM加速学习模型，同时运用权值动量和算法实现参数的优化。进行反向微调时通过以下式子对参数进行更新：将DBN的预训练过程理解成调整各层RBM权值的过
5、程，但不能确保获得最优的全局DBN参数。可以选择BP算法微调网络，由此得到全局最优网络参数。在上述过程中结合具体误差对RBM层参数进行调节，由此实现DBN的整体微调功能，实现DBN故障识别性能的显著提升。2基于DBN的传动主轴故障识别通过发挥DBN优势并结合滚动轴承运行参数特征，采用DBN算法诊断传动主轴的运行故障，图2给出了传动主轴故障的具体诊断流程。图2传动主轴故障识别流程图DBN故障识别流程，以DBN模型对传动主轴进行故障识别的流程如下8：对各工况的传动主轴滚动轴承进行振动信号采集，再对其经验模态分解获得IMF分量，通过EMD阈值对IMF分量进行降噪，再重构上述IMF分量，由此获得降噪信
6、号。接着通过傅里叶转换与归一化方法构建训练集与测试集；DBN参数初始化，图2给出了设定的权值、隐藏层、偏置参数以及各层包含的神经元数与学习率；数据预训练，先在DBN中输入训练集数据，根据吉布斯采样原理，通过输入层v确定隐藏层h，再通过反向重构隐藏层h的方式建立输入层v，再以反向重构输入层的方式确定隐藏层h，按照上述方式重复处理后直到完成所有RBM层的训练；利用监督BP算法对全局DBN进行反向微调；采用训练后的DBN诊断传动主轴故障，同时利用softmax分类器识别输入故障。3实验分析3.1数据集选取本实验选择轴承数据集作为测试参数。此数据集中包括电火花对轴承外圈、内圈、滚珠部位产生的故障，同时
7、记录的轴承振动信号获得同时包含故障参数和正常参数的10种故障数据集。分别通过三种负荷轴承故障参数建立数据集。本次总共选择2048个数据点进行故障划分，使各类故障都包含200个样本。从而更准确反馈实际过程的故障复杂性，统计得到表1的结果。表1故障数据集故障类型正常内1内2内3外1外2外3滚1滚2滚3故障深度/Inch00.0070.0140.0210.0070.0140.0210.0070.0140.021数据集200200200200200200200200200200本文设计 DBN 为 5 层网络，将节点数设定在2048-1200-600-300-10，动量参数取值0.8，学习率保持0.1
8、。3.2结果分析各类激活函数对于DBN反向传播的故障识别率与效率，结果见表2。根据表2结果可以发现，以新激活函数IM-Tahh构建的DBN网络相对其它激活函数建立的DBN网络可以在更短时间内完成数据计算，并且达到了最高的故障识别率，为99.8%。表2不同激活函数下故障识别正确率激活函数正确率/%迭代数时间t/sSigmoid91.584042.2857Tanh89.7820035.5231IM-Tanh99.864020.8966Relu86.993033.1854将新激活函数IM-Tahh的初始斜率参数设定在0=0.01，位置参数为3，9，控制步长等于0.1，完成位置参数更新后，获得图3中不
9、同位置对应的障诊断准确率。-60第1期2 0 2 3年2 月石河子科技图3故障识别正确率与位置参数关系对图3进行分析可知，斜率0.01与位置=6的条件下获得了最高故障识别准确率。因此设定最优位置0=6。确定最优位置后，将斜率参数设置为00.001，0.1，步长0.001，按照同样方法获得图4中不同斜率参数下的故障识别准确率曲线。对迭代次数进行更新后，得到图4中的轴承故障识别准确率测试结果。图4不同激活函数下故障识别正确率随迭代变化图4显示，新激活函数进行故障识别时相对其它类型激光函数达到了更优收敛性，其中，准确率最高的是IM-Tahh函数。上述测试结果表明，采用新激活函数一方面能够克服DBN梯
10、度消失的缺陷，并且缩短了数据处理时间，实现了故障识别准确率的明显提升，具备显著优势。4结论本文在DBN基础上经过优化后再将其用于诊断传动主轴故障，以新激活函数 IM-Tahh 构建的DBN网络相对其它激活函数可以在更短时间内完成数据计算，达到99.8%的故障识别率。斜率0.01与位置=6的条件下keyi获得了最高故障识别准确率。采用新激活函数一方面能够克服DBN梯度消失的缺陷，并且缩短了数据处理时间，实现了故障识别准确率的明显提升，具备显著优势。参考文献1沈斌，赵淑玉.编辑距离的数控锻床故障识别案例推理方法J.中国工程机械学报，2017，15(4)：359-364.2AKIOH，YOHICHI
11、N.Rotationalspeed control system of water drivenspindleconsideringinfluenceofcuttingforceusingdisturbanceobserverJ.PrecisionEngineering，2018，51(1)：88-96.3杨英豪,王会良,苏建新.RBF神经网络在数控锻床可靠性评估中的应用J.机械设计与制造,2022(01)：177-180.4陈勇,丁文政,卞荣.数控锻床主轴的多传感器迁移学习故障识别J.机械设计与制造,2021(10)：259-262.5王建国,刘冀韬.LTSA和深度置信网络的行星齿轮箱故障识
12、别J.机械设计与制造,2022(01)：5-8.6黄续芳,杨雪银,张小波,等.基于DBN模型的航空液压管路故障识别方法J.机械设计与研究,2021,37(05)：94-98+105.我国科学家进一步揭示星形胶质细胞参与癫痫发作新机制癫痫是一种常见中枢神经系统疾病，具有高致残率，易造成意外伤亡，解析其精准发病机制并研发新靶点治疗药物尤为迫切。经典癫痫发作理论主要聚焦于神经元的“兴奋-抑制”失衡上，近年来研究发现“星形胶质细胞-神经元”的相互作用在癫痫发作中扮演了重要角色。浙江中医药大学的研究团队开展了相关研究，并在Nature Communications发表题为：ActivatedastrocytesattenuateneocorticalseizuresinrodentmodelsthroughdrivingNa+-K+-ATPase的研究论文。该研究将光敏感通道蛋白ChR2特异性表达到皮层的星形胶质细胞中，利用光遗传学选择性激活星形胶质细胞，发现其具有明显的抗癫痫作用。这类抗癫痫作用依赖于星形胶质细胞上Na+-K+-ATP酶的激活，介导癫痫发作时细胞外大量钾离子缓冲，从而抑制锥体神经元兴奋性。该研究结果揭示了星形胶质细胞参与癫痫发作的新机制，并提示星形胶质细胞的Na+-K+-ATP酶可能是癫痫治疗的潜在干预靶点。(摘自科技部网站：https：/
