CK6150數(shù)控車床故障診斷研究

1、第1章緒論1.1選題背景及意義縱觀21世紀的社會和經(jīng)濟形勢，我國機械制造行業(yè)仍以高速向更大規(guī)模發(fā)展。其 中數(shù)控車床作為具有高精度、高自動化、高效率的現(xiàn)代化加工設備，在機械加工行業(yè)中 占有舉足輕重的地位，由于目前機械制造業(yè)普遍釆用數(shù)控車床進行加工，因此對數(shù)控車 床的故障診斷系統(tǒng)的研究是具有重大意義的。滾珠絲杠副因具有很高的傳動效率、定位精度和剛度等特點而成為數(shù)控機床進給系 統(tǒng)中主要的基礎傳動部件之一，其作用是將旋轉運動轉變成直線運動或直線運動轉變成 旋轉運動，在機床的力矩傳動以及加工定位過程中占有不可替代的地位。滾珠絲杠副一 旦發(fā)生故障就會導致數(shù)控車床的加工精度下降、加工效率降低，從而導致很大的

2、經(jīng)濟損 失。還會帶來嚴重的安全隱患以至于威脅現(xiàn)場工作人員的生命安全。因此，滾珠絲杠副 發(fā)生故障時，及時對其進行系統(tǒng)的分析，找出機械故障原因并采取有效的解決方案，以 便數(shù)控車床更加安全有效的運行，避免造成較大損失。1.2國內外數(shù)控車床故障診斷現(xiàn)狀和發(fā)展趨勢我國早期故障診斷技術較為落后，只能靠現(xiàn)場工作人員的視聽感官對數(shù)控車床的故 障位置與類型進行簡單判斷，主觀性、局限性較強，無法對易忽視的微小細節(jié)故障進行 判斷，無法滿足如今口趨大型化、高速化、自動化的設備要求。隨著現(xiàn)代工業(yè)和科學技 術的迅速發(fā)展以及各種先進數(shù)學算法的出現(xiàn)，為數(shù)控車床故障診斷技術的發(fā)展提供了有 利的條件。在技術飛速發(fā)展的現(xiàn)代，數(shù)控車

3、床故障診斷也在朝著高智能，高速、高精 度的方向發(fā)展，它能在不停機的情況下，對數(shù)控車床的各種部件進行監(jiān)控，并準確判斷 出車床設備故障原因和部位，避免事故進一步擴大。目前，世界各國都在故障診斷技術 領域深入研究并取得顯著成果。1.2.1國外滾珠絲杠副故障診斷現(xiàn)狀近年來，隨著傳感器技術和計算機技術的不斷發(fā)展，對滾珠絲杠副的狀態(tài)監(jiān)測與故 障診斷技術有了新的發(fā)展，國外很多學者對滾珠絲杠副工作狀態(tài)的監(jiān)測與故障診斷進行 了更深入的研究，研究內容涉及了滾珠絲杠副的振動噪聲、摩擦、溫升等問題。在國外， 對滾珠絲杠副相關技術的研究集屮在口本、美國、韓國等發(fā)達國家，口本學者針對外循 環(huán)插管式滾珠絲杠副的噪聲問題進行

4、深入的研究，最終采用局部覆蓋法將滾珠在反向器 管道中的沖擊噪聲成功的識別出來。美國威斯康辛大學基于運動學和動力學角度, 對滾珠絲杠副在運動過程中的受力情況進行了理論分析。羅馬尼亞學者根據(jù)受力平衡原 理，通過分析滾珠絲杠副中滾珠的受力情況建立摩擦力矩模型，利用數(shù)值計算方法研究負荷和運行速度對摩擦力矩的影響。韓國學者分析了數(shù)控機床進給傳動系統(tǒng)中滾珠絲 杠副受熱變長的狀況，并據(jù)此研究了它受熱伸長而產(chǎn)生的溫差變化。koderatakehiko 等人還研究出了一種光學測溫系統(tǒng)，利用此系統(tǒng)能分析數(shù)控機床滾珠絲杠副的熱分布情 況以及產(chǎn)生的熱仲長。1.2.2內滾珠絲杠副故障診斷現(xiàn)狀國內滾珠絲杠副行業(yè)與發(fā)達國家

5、相比而言起步比較晚，只有幾十年的發(fā)展歷史，但 經(jīng)過幾十年的發(fā)展，也已經(jīng)逐步躋身于世界先進行列。我國對滾珠絲杠副的研究主要 圍繞它的剛度、精度、力學、可靠性、性能、故障診斷等方面來開展。山東大學的張佐 營基于摩擦力學、接觸力學、運動學及結構噪聲學等理論，對端部偏轉式高速滾珠絲杠 副的噪聲機理及特性展開研究，為滾珠絲杠副的設計、制造及應用提供了基礎罔。寧夏 長城機床廠對滾珠絲杠副軸向載荷變化時的計算進行研究，探討了關于預測及延長滾珠 絲杠副使用壽命的理論性問題。西安漢川機床集團對數(shù)控機床滾珠絲杠副的支撐方式、 絲杠軸中心誤差等對其精度的影響進行研究，并針對各種因素提出相應的解決措施。 孫奎洲等人對

6、滾珠絲杠副的剛度及接觸疲勞壽命的可靠性進行了分析，并對其建立了可 靠性優(yōu)化設計數(shù)學模型。上海交通大學對滾珠絲杠副常見的失效形式及產(chǎn)生原因進行簡 要的分析，并對其使用環(huán)境、安裝及潤滑方面提出了相應的預防措施。123滾珠絲杠副故障診斷技術的發(fā)展趨勢當今故障診斷技術向著傳感器的精密、多維化，診斷理論、模型的多元化，診斷技 術的智能化方向發(fā)展，具體內容如下*（1）最新的傳感技術和激光測量技術與之相結合。近年來，激光技術已從軍事、 醫(yī)療等相關行業(yè)發(fā)展到故障診斷中。（2）最新的信號處理方法與之相結合。小波分析技術在設備故障診斷領域中得到 廣泛的應用，使傳統(tǒng)信號分析在應用上達到了一定的高度。（3）非吸納性原

7、理和方法與之相結合。機械發(fā)生故障吋，其表征經(jīng)常表現(xiàn)為非線 性特征。以混沌和分形幾何的完善，這個問題將進一步解決。（4）現(xiàn)代智能方法與之相結合。隨著智能科技的不斷發(fā)展，應用在儀表的故障檢 測中，并且更加方便實用的出現(xiàn)在工業(yè)診斷現(xiàn)場中。智能故障診斷想要在未來工業(yè)中發(fā)揮更大的用處，人工智能理論或者說人工神經(jīng)網(wǎng) 絡知識有必要進行普及，這種高新技術的特點本文會在下一章論述。1.3本論文的主要內容本文的設計重點為基于神經(jīng)網(wǎng)絡的故障診斷，因此神經(jīng)網(wǎng)絡的建立是本次課程設計 的屮心。先選用相關的硬件系統(tǒng)并提取出故障數(shù)據(jù)輸入計算機中，再使用這些傳輸?shù)墓?障樣木以及目標輸出來訓練所建立的故障診斷系統(tǒng)神經(jīng)網(wǎng)絡，通過使

8、用gui來模擬診斷 系統(tǒng)診斷所得到的故障參數(shù)。全文的主要內容如下：第一章，明確所選課題研究方向。了解國內外滾珠絲杠副故障診斷的現(xiàn)狀與發(fā)展趨 勢，對本課題的主要內容進行介紹。第二章，簡要的講述滾珠絲杠副故障診斷基礎理論。論述導致滾珠絲杠副發(fā)生故障 的主要原因，神經(jīng)網(wǎng)絡的主要特點和具體實驗的實質。第三章，介紹ck6150數(shù)控車床故障診斷系統(tǒng)的硬件組成。對傳感器、前置放大器、 a/d轉換器的功能進行簡要闡述，對三種電子元件的型號類型進行確定，總結在硬件選 擇方面的漏洞以及需要完善的地方。第四章，數(shù)控車床故障診斷系統(tǒng)的軟件組成。主要介紹利用matlab進行bp神 經(jīng)網(wǎng)絡編程的過程，各種函數(shù)的選擇，gu

9、i在界面編程中的應用，人機界面的主要結構 與作用。第五章，實驗分析，做出診斷系統(tǒng)的實際使用部分并進行仿真，在網(wǎng)絡上找到不同 的故障樣本用所設計網(wǎng)絡進行診斷。分析所得到結果，討論網(wǎng)絡的整體性能。結論，總結本次設計完成的任務與取得的成果，分析本次設計中的不足之處以及可 以改進之處。第2章 數(shù)控車床故障診斷基礎理論2.1引言滾珠絲杠副在數(shù)控車床中發(fā)生故障是難以避免的，造成滾珠絲杠副失效的原因比較 繁雜，單一的一種失效情況也可能由于多種原因綜合作用而引起，但是其振動信號與溫 度信號給外界傳遞了一系列有用的信息。信息的處理可以利用小波分析，分離出信號所 反映的各個部分，它們可以翔實的反映故障信息。開發(fā)故

10、障診斷系統(tǒng)，需對故障的特征 和故障產(chǎn)生原因方面進行深入的研究。在導致滾珠絲杠副故障中比較常見的原因有：靜 載荷過高，受到大的沖擊載荷，異物進入造成運轉阻塞等，滾珠絲杠副塑性變形；金屬 顆粒等異物侵入，滾珠在進入與離開承載區(qū)域時的急劇變速，潤滑劑不合適，滾珠滾動 受阻，有水侵入，滾珠絲杠副磨損失效；水、腐蝕性物質等侵入，溫差變化大形成泠凝 水，潤滑不當，滾珠絲杠副腐蝕失效；載荷過大，絲杠傾斜，受到?jīng)_擊振動，瞬間載荷 過大；轉速過高，急劇變速，滾珠絲杠副斷裂失效。2.2滾珠絲杠副介紹滾珠絲杠副發(fā)明于19世紀末，經(jīng)過100多年來的發(fā)展，滾珠絲杠副的性能越來 越完善。冃前滾珠絲杠副的種類已有十余種，其

11、按結構分一般分為內循環(huán)、外循環(huán)、端 蓋與蓋板結構。其屮，內循環(huán)滾珠絲杠副有圓形反向器和橢圓形反相器等。外循環(huán)滾珠 絲杠副有插管式滾珠絲杠副等。對于內循環(huán)滾珠絲杠副，其螺母外形尺寸較小，反相器固定較牢固，不易磨損、剛 性優(yōu)良。滾珠數(shù)較少，流暢性較好、噪聲小、摩擦損失小。故其傳動效率高，廣泛應用 在中小型數(shù)控車床的傳動系統(tǒng)中。外循環(huán)滾珠絲杠副外形尺寸大，造成的噪聲也大，耐 磨性較差，但其加工簡單且承載能力較大，廣泛應用于大型數(shù)控車床中。滾珠絲杠副的作用是實現(xiàn)直線運動與旋轉運動的相互轉換，較傳統(tǒng)的滑動絲杠相比 具有以下優(yōu)點：（1）傳動效率高滾珠絲杠副中，力通過滾珠在螺母與絲杠之間傳遞，與傳統(tǒng)的滑動絲

12、杠相比將滑 動摩擦替換為滾動摩擦，使傳動效率變高，發(fā)熱率也大大降低。（2）定位精度高滾珠絲杠副發(fā)熱量低且溫升小，在加工屮可對其進行預拉伸、預緊、消除軸間隙等 措施，使其有很高的定位精度。（3）傳動可逆滾珠絲杠副能夠實現(xiàn)旋轉運動與直線運動的轉換。（4）使用壽命長滾珠絲杠在制作時，選用材料等較為嚴格，使用壽命遠遠高于滑動絲杠，從而滿足 了數(shù)控機床的性能要求，以其工作效率和使用時間彌補了滾珠絲杠副制造成木高于滑動 絲杠的缺點。(5) 同步性能好滾珠絲杠副工作時可實現(xiàn)多套滾珠驅動多個裝置共同工作，其速度與位移有一致性, 工作時的摩擦阻力較小，使其準確度和靈敏度較高，同步性能好。2.3滾珠絲杠副常見故障

13、原因2.3.1塑性變形滾珠絲杠副的最主要的失效形式之一，即塑性變形；主要原因是其螺桿較長，故螺 桿屮間位置承受載荷能力較差，一旦載荷發(fā)生突變，或者異物阻塞、安裝拆卸時用力過 大都會引起絲杠的彎曲，從而造成其塑性變形。2.3.2磨損失效滾珠絲杠副在正常使用吋，會有雜質進入零件接觸的間隙之中，造成零件與雜質接 觸，這是導致滾珠絲杠副磨損的主要原因。另外，滾珠絲杠副裝配時不同的表面粗糙度 會對其造成不同的磨損量，當表面粗糙度較高時，長期使用后其磨損程度會比低粗糙度 高。其次滾珠在進入與離開承載區(qū)域時急劇變速或潤滑劑不合適，有水侵入時都會引起 磨損失效。2.3.3腐蝕失效滾珠絲杠副的工作環(huán)境錯綜復雜，

14、若接觸到水分和酸性物質時，會引起化學腐蝕， 若有電流經(jīng)過，電流會擊穿油膜產(chǎn)生電火花，引起電腐蝕。從而引起腐蝕失效。2.3.4斷裂失效滾珠絲杠副的斷裂失效是滾珠絲杠副各種失效形式中最危險的一種，如其遇到突發(fā) 性的沖擊載荷或工作時超出其承受量都會引起斷裂失效，另外在制造過程中材料熱處理 不良導致滾珠絲杠剛度不夠也是滾珠絲杠副斷裂失效的促進因素。此外，當滾珠絲杠副發(fā)生故障，往往都會引起數(shù)控車床的過載、竄動與爬行。大大 影響了數(shù)控車床的加工精度與加工效率，更可能威脅工作人員的生命安全，造成經(jīng)濟損 失與安全隱患。(1) 過載數(shù)控車床過載的主要原因是進給系統(tǒng)工作時負載過大。當滾珠絲杠副的 軸向預加載荷太大

15、、螺母軸線與導軌不平行、絲杠與導軌不平行等狀況發(fā)生時都會引起 過載。(2) 爬行 發(fā)生爬行時機床工作臺開始不啟動，啟動后乂突然加速而后停頓，再 繼續(xù)加速如此做循環(huán)運動，同時其移動部件有明顯振動。機床爬行的原因一般為潤滑不 良、機械傳動發(fā)生故障等原因。(3) 竄動 發(fā)生竄動時，機床首先止常工作，速度平穩(wěn)后突然加速。其原因為滾珠 絲杠副進給傳動的潤滑不良、絲杠支撐軸承破損、滾珠破損、軸向預加載荷過小等原因 導致傳動鏈傳動間隙過大引起竄動。2.4人工神經(jīng)網(wǎng)絡概述2.4.1定義人工神經(jīng)網(wǎng)絡(artificial neural network,簡稱ann)是人工智能領域屮扮演著重 要的角色。它是由大量形

16、式多樣的神經(jīng)微小單元組成，它們扮演著信息的微處理單元, 其復雜程度確定著生物的智能程度，同時還確定著對事物的認知和模仿能力。神經(jīng)網(wǎng)絡 建立就是以仿生為基礎，根據(jù)學習和公式計算使神經(jīng)微小單元具有非線性的認識能力并 自行工作。雖然單個神經(jīng)微小單元處理能力有限，但大量神經(jīng)元經(jīng)過組合形成類似大腦 的特殊系統(tǒng)網(wǎng)絡。主要分為前向型神經(jīng)網(wǎng)絡、反饋型神經(jīng)網(wǎng)絡、隨機型神經(jīng)網(wǎng)絡等，其 中前向型神經(jīng)網(wǎng)絡應用最為廣泛，也是一切神經(jīng)網(wǎng)絡的基礎卩現(xiàn)如今，人工神經(jīng)網(wǎng)絡在 社會的很多領域都得到了應用，其實際運用價值極高，在未來的信息化工程中是不可或 缺的工具。如圖21人工神經(jīng)元模型，圖22傳遞函數(shù)的非線性特性。人工神經(jīng)元的數(shù)

17、學公式如下：(2-1)式中神經(jīng)元輸入神經(jīng)元連接權輸入信號線性組合器的輸出神經(jīng)元閾值神經(jīng)元輸出信號輸入信號連接權圖21人工神經(jīng)元模型f()三種非線性特性表示如下圖:0 /.心)(a)階梯型(b)分段型(c) s型函數(shù)圖2-2傳遞函數(shù)的非線性特性(1) 階梯函數(shù)(2) 分段函數(shù)(3) s型函數(shù)f(v)=f(v)=f(v)=(2-2)(2-3)(2-4)2.4.2人工神經(jīng)網(wǎng)絡的特點人工神經(jīng)網(wǎng)絡功能強大,具有較強的信息處理能力,快速計算能力，容錯率較高,能根據(jù)要求處理相應的目標問題，并突出表現(xiàn)在:(1) 系統(tǒng)經(jīng)過學習后會具備記憶的能力，能夠直接根據(jù)曾經(jīng)輸入的故障信息進行 學習。還可以根據(jù)對以往出現(xiàn)的故

18、障的判斷，并和以往故障發(fā)生的位置進行比較，從而 準確找到故障位置2】。(2) 思維方式為曲線，類似于生物神經(jīng)網(wǎng)絡，擁有很好的表達效果，同時診斷的 核心又主要表現(xiàn)在對信號的識別和異常原因的發(fā)現(xiàn)，即建立一種輸入與輸出的直接關系。(3) 擁有很強的自我學習的特性，可以根據(jù)曾經(jīng)的學習過的知識，進行自主識別， 培育岀全新的系統(tǒng)來診斷任何一個被感知到的信號，這個功能在診斷過程中具有重要意 義。2.4.3 bp神經(jīng)網(wǎng)絡模型算法及原理在機械故障診斷方面應用的人工神經(jīng)網(wǎng)絡的模型大部分是應用了上世紀80年代 rumclhart提出的多層神經(jīng)網(wǎng)絡反向學習計算法，稱為bp(back propagation)神經(jīng)網(wǎng)絡。

19、 它是由多個前向型神經(jīng)網(wǎng)絡共同組成，通過比較輸入與輸出間存在的不同點，對隱層進 行不斷的修改，最終實現(xiàn)輸入與輸出合理的盲接關系。其網(wǎng)絡結構如圖23所示。x為 神經(jīng)網(wǎng)絡的輸入，w為輸入層神經(jīng)元與中間層神經(jīng)元間的權值，v為中間層神經(jīng)元與輸 出層神經(jīng)元間權值w圖2-3典型的三層bp神經(jīng)網(wǎng)絡結構在選擇完合適的結構之后，并且想達到最終的模式識別功能，可以根據(jù)故障數(shù)據(jù)與 原因間的一定關系，對隱層進行不斷調整，使診斷精度大大提高。對于普通的三層神經(jīng) 網(wǎng)絡學習訓練過程作如下簡述。神經(jīng)網(wǎng)絡的輸入向量p=xl, x2, x3, x4, .xm;神經(jīng)網(wǎng)絡的輸出向量t二yl, y2, y3, y4, .yn|;中間層

20、輸入向量se=sl, s 2, s3,.sq,輸出向量be二bl, b 2, b3,bq; 輸出層輸入向量le二11, 12, 13,lp,輸出向量ce=cl, c2, c3,cp; 輸入和中間層之間的連接權wij, i=l, 2, 3, 4m,j=l 2, 3, 4. q;中間層輸出層之間的連接權vjt, j=l, 2, 3, 4.q,t=l 2, 3, 4.q；8中間層輸出閾值qj , j=l, 2, 3, 4.q輸出層輸出閾值ij, j=l 2, 3, 4.q；e=l, 2, 3, 4.m;bp神經(jīng)網(wǎng)絡的訓練也通常分為兒個過程：首先wij、vjt> oj> rj會隨機在(-1

21、, 1)范 圍內進行賦值；然后提供輸入數(shù)據(jù)向量組pe和目標輸出數(shù)據(jù)向量組te給所建立的神經(jīng) 網(wǎng)絡；根據(jù)輸入與輸出數(shù)據(jù)計算出中間層se和be；之后在計算第三層的輸入向量le 和輸出向量ce,求出一般化誤差，再對權值和閾值根據(jù)一般化誤差進行校正。上述的 學習過程將會反復進行，直到滿足規(guī)定次數(shù)或達到設定的訓練精度。bp神經(jīng)網(wǎng)絡的算 法過程框圖如圖24所示。圖2-4神經(jīng)網(wǎng)絡的算法過程框圖第3章數(shù)控車床故障診斷系統(tǒng)硬件設計3.1數(shù)控車床進給系統(tǒng)基本信息及硬件結構本課題研究對象是應用較為廣泛的、上海通實機床制造有限公司制造的ck6150數(shù) 控車床，由數(shù)控裝置、床身、主軸箱、刀架進給系統(tǒng)、尾座、液壓系統(tǒng)、冷

22、卻系統(tǒng)、潤 滑系統(tǒng)與排屑器等部分組成。其進給系統(tǒng)結構如圖31,滾珠絲杠副結構如圖32。工作臺電動機圖3-1數(shù)控車床進給系統(tǒng)結構圖圖3-2滾珠絲杠副結構圖硬件設計部分主要分為傳感器、信號放大器、a/d轉換器以及最后的計算機接口部 分。傳感器探頭是故障診斷監(jiān)測系統(tǒng)主要的信息來源，主要是把壓力、溫度、液位變化 的信號轉化為變化的電信號，是故障診斷特征提取的保障，數(shù)據(jù)的穩(wěn)定準確傳輸提高了 后期處理的可靠性。信號放大器需要將傳感器檢測到的信息進行放大，再利用a/d轉換 器進行轉換，并最終傳入計算機。通過接口的信號通過計算機診斷軟件部分，并得到輸 岀結果。硬件系統(tǒng)流程圖如圖33所示。圖3-3數(shù)控車床故障診

23、斷系統(tǒng)的硬件流程圖3.2傳感器的特點及選擇3.2.1傳感器的特點在感應裝置的選擇通?？紤]以下兩點：一是根據(jù)檢測對象對傳感器的類型進行確定, 二是根據(jù)傳感器具體的型號特征確定最終選用的傳感器，這樣就可以選擇滿足實驗要求 的感應裝置。在對滾珠絲杠副進行數(shù)據(jù)采集時，監(jiān)測其異常信號的感應裝置通常可以使 用壓力感應裝置、紅外溫度感應裝置等。壓力傳感器的特點：(1) 壓力感應裝置具有卓越的抗蝕能力、不易被破壞。(2) 此外，準確度相比較而言較高、不易發(fā)生大的波動。(3) 體積小巧、易封裝、價格低。紅外溫度傳感器的特點：(1) 測量精度較高，抗干擾。(2) 可實現(xiàn)遠距離測溫。(3) 價格低。3.2.2傳感器

24、的選擇根據(jù)我們所研究的滾珠絲杠副的故障原因以及各感應裝置在收集信號方面的性能 特點，最終選擇壓力感應裝置、紅外溫度感應裝置、作為擬確定的傳感器。根據(jù)傳感器 的具體型號，各型號傳感器的特征初選確定了兩種傳感器。壓力感應裝置在收集信號過程屮屮是比為常見的傳感器，輸出的通常為信息參數(shù)在 給定范圍內的模擬信號。在此我們選擇lc0101型壓電加速度傳感器進行信號收集。它將傳統(tǒng)的壓電加速度傳感器與電荷放大器集于一體，能直接與記錄、顯示和采集儀器連 接，簡化了測試系統(tǒng)，提高了測試的精度與穩(wěn)定性。其突岀特點如下：(1) 低阻抗輸出，抗干擾，噪音小，可進行長電纜傳輸；(2) 性價比高，安裝方便；(3) 穩(wěn)定性高

25、，抗干擾能力強。內裝ic壓電加速度傳感器由壓電加速度傳感器與微型ic放大器組成。其信號輸出 有兩線特征，即信號輸出線與微型ic放大器所需的恒流源電纜采用同一線，另一線為 地線。內裝ic壓電式傳感器原理如圖34；外界信號調理器后，及速度傳感器能將輸出 信號轉換為5v+5v的電壓信號變化。lc0101型壓電加速度傳感器技術指標如表32； 其實物圖如3-5 (a)壓電加速度傳感器微型ic放大器圖3-4內裝ic壓電式傳感器原理簡圖自然界中的物體由于分子間的熱運動無時無刻都在想周圍空間輻射包括紅外波段 在內的電磁波，其輻射頻率與能量與物體本身溫度關系有一定規(guī)律。在遠距離測控方面 紅外溫度傳感器有著優(yōu)異的

26、性能，其特點如下：抗干擾能力較強；精度高；體積??；能實現(xiàn)遠距離測控，安裝維修較為方便；irtp-300l型紅外溫度傳感器是一種非接觸的高精度溫度傳感器，它是一種高效的 不受環(huán)境影響的測溫頭。因強光直射或在太陽光的照射下傳感器精度會受到一定影響, 因此在使用時應注意避免被測物有較亮背景光及陽光照射，其主要參數(shù)如表33,其實 物圖如圖3-5 (b)表3t lc0101壓電加速度傳感器靈敏度諧振頻率分辨率抗沖擊范圍量程使用溫度范圍外廓尺寸100mv/g s40khz0.0002200g50g-40+120 °c4xl2h=13.58gg表3-2 irtp-300l紅外溫度傳感器主要參數(shù)測量

27、范圍壞境溫度儲存溫度響應時間距離系數(shù)電源輸出信號尺寸-20° c-10° c-20° c300ms10:124v標準05vm18mmx92mm300° c70° c100° c(a) lc0101加速度傳感器(b) irtp-300溫度傳感器圖3-5兩種傳感器實物圖以上兩種傳感器作為適用度較高的傳感器都能滿足在滾珠絲杠在復雜工況下異常信號的提取，所以最終確定使用壓力、溫度傳感器用來完成硬件部分設計。由于加速度傳感器為有線傳感器，在對滾珠絲杠副進行檢測時會出現(xiàn)纏繞的問題，因此需謹慎選擇其安裝的位置，其可以安裝的位置有滾珠絲杠的支撐軸承、

28、滾珠絲杠螺母座和其工作臺 上。安裝在支撐軸承時，工作時軸承的振動會對其產(chǎn)生很大影響，故此不能安裝于支撐軸承。如若安裝至工作臺，會有更多的因素對檢測進行影響，主軸及導軌都會對傳感器產(chǎn)生影響。最終確定將傳感器安裝至滾珠絲杠的螺母座上。安裝位置i如圖3-6.0f府視圖(b)傳感器安裝位置左視圖(a)傳感器安裝位置俯視圖圖3-6傳感器安裝位置示意圖3.3恒流源模塊由于內裝ic壓電式傳感器內部含有微型放大器，故再次不在選擇放大器型號。但 其內部傳感器輸出電信號過弱以至于無法驅動放大器，故為了其正常工作需選擇一恒流 或恒壓源作為驅動。lc01系列傳感器所需一恒流源以驅動傳感器運作，典型值為24v. 4ma

29、o lc0207 恒流源模塊是專為lc01系列傳感器進行配套設計的，其主要技術指標如下表；表3-3 lc0207恒流源主要技術指標恒流源電壓恒流源電流尺寸18-30v4ma25 x 25 x 20mm3.4數(shù)據(jù)采集卡數(shù)據(jù)采集卡可以實現(xiàn)模擬信號向數(shù)字信號的轉換，為信號的下一步處理做準備。在 選擇數(shù)據(jù)采集卡時需要考慮的因素有：分辨率、通道數(shù)、采樣率、數(shù)據(jù)總線接口類型、輸入模式。對于滾珠絲杠副的故障診斷需將溫度故障信號與振動故障信號進行采集與轉 換，本文將選擇ni公司的m系列的pxi-6281多功能高速數(shù)據(jù)采集卡。pxi-6281型多功能數(shù)據(jù)采集卡自帶一可編程的低通濾波辭，可以防止數(shù)據(jù)采集過程 中機

30、床工作時振動及周圍環(huán)境的影響。使碩件更為簡便，采集的信號更加易于處理。其 信號輸入范圍為10v+10v此板卡被應用時還需配備ni公司的scb-68接線盒進行高 質量的信號傳輸。由于數(shù)據(jù)采集卡的安裝與運行已有成例，此處便不做討論。3.5計算機型號的選擇現(xiàn)如今市場的計算機主要為搭載windows系統(tǒng)計算機，在實際生活中計算機的選擇 上也是以市場上通用的計算機為主，經(jīng)過挑選我們選擇的計算機型號為聯(lián)想揚天 t4900d,運行window 10系統(tǒng)，接口為通用型usb接口。該計算機采用intel奔騰雙核e6600處理器，機身內存4g,便盤500g。此外在機 箱內部散熱片面積很大，可以保證機箱更好的散熱，

31、保證了運行故障診斷系統(tǒng)的軟件部 分系統(tǒng)穩(wěn)定性。圖37為計算機的實物圖。圖3-7聯(lián)想揚天t4900d計算機為了保證工作安全，防止機床由于滾珠絲杠副的損壞而加工失敗，由傳感器檢測信 號輸入計算機后計算機會反饋一信號至伺服電動機，組成一閉環(huán)反饋系統(tǒng)。若滾珠絲杠 副發(fā)生故障則立即停機。其反饋系統(tǒng)原理如下圖383.6小結本章對數(shù)控車床故障診斷系統(tǒng)的硬件部分進行了概述，在互聯(lián)網(wǎng)的論文與書籍資料 中查找了部分資料與參數(shù)，理論上來說可以滿足系統(tǒng)對于故障信號的提取與反饋工作。 由于條件的限制，我們無法在實際工況中尋求真實的運行效果，只是通過中國知網(wǎng)的碩 士博士論文來驗證我們的設計的可行性，對于傳感器，其與數(shù)據(jù)采

32、集卡的實際工作狀況, 信號采集狀況無法了解。這是木次設計中的不嚴謹?shù)牡胤?。接下來我們將重點放在故障 診斷系統(tǒng)的軟件設計中，以保證彌補硬件設計的不足。第4章數(shù)控車床故障診斷系統(tǒng)軟件部分設計4.1引言對神經(jīng)網(wǎng) 絡進行訓練在軟件部分的設計主耍包括兩部分的內容，一方面是通過matlab建立人工神經(jīng) 網(wǎng)絡并針對所得到的故障數(shù)據(jù)進行訓練與學習,另一方面是通過guide人機交互界而 進行故障診斷系統(tǒng)的開發(fā)。具體過程框圖如圖41所示利用matlab 倉u建 bp神經(jīng)網(wǎng)絡進行仿真利用guide制作故障診斷界而通過按鈕 的冋調函數(shù)調 用神經(jīng)網(wǎng)絡圖41故障診斷系統(tǒng)軟件設計框圖4.2數(shù)控車床故障診斷的bp神經(jīng)網(wǎng)絡模型

33、設計建立bp神經(jīng)網(wǎng)絡時，其中很多參數(shù)需要提前進行確定，這包括訓練精度、迭代次 數(shù)等，但是最核心的還是每一層的節(jié)點、神經(jīng)微小單元數(shù)量和每一層之間關系式的設計。 這些網(wǎng)絡必需部分的確定直接影響bp神經(jīng)網(wǎng)絡進行模式識別的效果，所以我們將把這 些參數(shù)作為本部分設計的重點。4.2.1 bp神經(jīng)網(wǎng)絡各層節(jié)點的確定我們設計的bp神經(jīng)網(wǎng)絡并不復雜，三層即可滿足模式識別功能的要求。典型的三 層bp神經(jīng)網(wǎng)絡由輸入層，中間層和輸出層組成。輸入層的確定要根據(jù)通過采樣點檢測 到的故障信號數(shù)量，如果是輸入單個單元，則輸出的樣本就是連續(xù)采樣的時間序列。本 課題設計的故障診斷系統(tǒng)屮bp神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)是由硬件系統(tǒng)提取轉化的

34、數(shù)字信號 特征向量組成的矩陣。在上海通實機床制造有限公司制造的ck6150數(shù)控車床滾珠絲杠 副故障信息進行搜索吋，找到其滾珠絲杠副的4種故障數(shù)據(jù)共80組，每種故障對應4 組數(shù)據(jù)。數(shù)據(jù)是通過針對滾珠絲杠副的振動頻率，溫度變化實驗中安裝在滾珠絲杠副上 的2支傳感器經(jīng)過每0.2秒測一次數(shù)據(jù)，共測試出80組320個故障數(shù)據(jù)的連續(xù)測試經(jīng)調 理電路濾波器等對每個傳感器信號整合得到的，滿足本課題對于訓練神經(jīng)網(wǎng)絡的輸入向 量矩陣的要求。輸入層節(jié)點的數(shù)量主要取決于檢測到的故障數(shù)據(jù)。2支傳感器對4種故障進行了數(shù) 據(jù)的提取形成了 80組8維向量，所以輸入層的節(jié)點個數(shù)為8o理論上，目標輸出層的節(jié)點個數(shù)和滾珠絲杠副的故

35、障種類數(shù)目相同，這樣更有利于 對神經(jīng)網(wǎng)絡的訓練和最終的模式識別。本次研究的故障類型有4種，所以輸出層的節(jié)點 數(shù)為4,輸出向量就是一個4維向量。中間層對于神經(jīng)網(wǎng)絡的模式識別有著極其重要的傳遞作用，增加中間層神經(jīng)元數(shù)量 能提高神經(jīng)網(wǎng)絡數(shù)據(jù)運算的能力，但與此同時也增加了神經(jīng)網(wǎng)絡的復雜程度與訓練時間, 所以說中間層節(jié)點的數(shù)量的確定對于整個系統(tǒng)的精度與靈敏程度都有很大的影響。對于 經(jīng)驗公式m = sqrt(n + l) + a來說。其中m為隱層節(jié)點數(shù)，n為輸入層節(jié)點數(shù)，1為輸出層 節(jié)點，a為15之間的常數(shù)，由于輸入為8維，輸出為4維，則中間層的節(jié)點的數(shù)目應 該滿足在4到13之間，我們盡可能選取中間值，最

36、終確定中間層為8。因此木論文神經(jīng) 網(wǎng)絡的8維到4維向量的映射是可以實現(xiàn)的。中間層神經(jīng)元數(shù)量的設計是十分復雜的，有經(jīng)驗的設計人員往往根據(jù)自我的工作經(jīng) 驗對其進行設計，但是適用的范圍太小，不能滿足所有的耍求。上述提高，中間層應 滿足4到13之間，若選的值太小，則對誤差的優(yōu)化不夠，導致無法達到設定的精度要 求；若選的值太大，則訓練花費的時間太長，整個神經(jīng)網(wǎng)絡顯得十分冗雜。在本次設計 屮，輸入為8維向量，輸出目標向量為4維向量，根據(jù)經(jīng)驗公式，所以我們選擇屮間層 節(jié)點數(shù)為8,在之后的神經(jīng)網(wǎng)絡訓練中進行最終的確定i。4.2.2 bp神經(jīng)網(wǎng)絡的建立以及傳遞函數(shù)、訓練函數(shù)的選擇bp神經(jīng)網(wǎng)絡的創(chuàng)建有三種形式：1

37、) newcf函數(shù)：該函數(shù)用于創(chuàng)建級前向bp網(wǎng)絡。2) newff函數(shù)：該函數(shù)用于常見一個基木bp網(wǎng)絡。3) newfftd函數(shù)：該函數(shù)用于創(chuàng)建一個存在輸入延遲的前向型網(wǎng)絡【"i。由于我們設計的故障診斷系統(tǒng)并不復雜，創(chuàng)建一個基本的bp神經(jīng)網(wǎng)絡就可以滿足 設計要求。其創(chuàng)建格式如下：net=newff(p, t, si s2 s3.sn), tf1tf2.tfn1, btf, blfpf, ipf, opf, ddf)其中si：第i層的長度，共計ni層；tfi：依次使用的傳遞函數(shù)，沒有設置的情況下默認為“tansig” ；btf：代表訓練函數(shù)，沒有設置的情況下默認為"train

38、lm"；其他的參數(shù)為為權值與閾值等參數(shù)，對網(wǎng)絡整體的影響不大，使用默認參數(shù)即可。傳遞函數(shù)也稱為激活函數(shù)，并且是連續(xù)可微的函數(shù)，神經(jīng)網(wǎng)絡的收斂速度、精度與 傳遞函數(shù)有很大的關系，bp神經(jīng)網(wǎng)絡中常用的傳遞函數(shù)有l(wèi)ogsig、tansig型函數(shù)以及純 線性函數(shù)purelinl，7jo s型函數(shù)的非線性放大系數(shù)特點可以把輸入的+->)的信號變 換成(-1, 1)的輸出。可是當s型函數(shù)運用于輸出層時，輸出會被限定在一個很小的范圍 內了，如果釆用線性傳遞函數(shù)purelin,則可以使輸出任意值。因此，s型適合用于中間 層部分，而purelin函數(shù)適合用于第三層輸出的部分。這三種傳遞函數(shù)的曲線

39、如圖42所 /j'* o(b) tansig 函數(shù)圖42三種bp神經(jīng)網(wǎng)絡傳遞函數(shù)根據(jù)上述的幾種傳遞函數(shù)的特點，本次課題中滾珠絲杠副的故障診斷系統(tǒng)bp神經(jīng) 網(wǎng)絡選擇tansig> tansig> logsig函數(shù)作為神經(jīng)網(wǎng)絡的輸入層、中間層和輸出層的傳遞函 數(shù)。在matlab神經(jīng)網(wǎng)絡工具箱中有各種各樣類型的函數(shù)可供選擇。常見的函數(shù)有： traingd函數(shù)> traingdm函數(shù)> traingdx函數(shù)和trainlm函數(shù)。四種訓練函數(shù)的特點不一, 每種函數(shù)都有其優(yōu)點與劣勢的地方，由于初始值是隨機的，并不確定，相同的數(shù)據(jù)、傳 遞函數(shù)和訓練函數(shù)得到的結果也是不同的。分

40、別采用這四種函數(shù)對輸入特征向量進行訓練，設置誤差值為0.01訓練次數(shù)為 10000,四種訓練曲線如圖43所示。在訓練過程中，由于初始值的隨機性，同一種訓練方法訓練多次的結果也是不同的, 但訓練的過程都是向著目標誤差的方向進行。所以我們從這些訓練結果屮每種函數(shù)選擇 了一種比較有代表性的訓練曲線，對這些曲線進行最終的分析確定最優(yōu)的訓練函數(shù)。從訓練曲線可以看岀traingdm函數(shù)和traingd函數(shù)經(jīng)過了 10000步的訓練之后還精 度還是沒有達到0.01的范圍內。從曲線的走勢來看，曲線已近趨近于平行于橫軸的直線, 繼續(xù)增加訓練步數(shù)在很大的區(qū)間內不會使得曲線收斂達到目標誤差，這對于故障診斷系統(tǒng)來說響

41、應速度和精度都沒有在較短的時間內達到目標的要求，訓練結果是不成功的。 uoingdx函數(shù)在訓練5000步之后達到了目標精度，雖然訓練曲線最終完成收斂，但是相 對來說花費的時間也是較長的，trainlm函數(shù)在訓練步數(shù)接近30步時達到目標精度，花 費的時間很短，選擇函數(shù)的標準中往往時間是最重要的參數(shù)，這一函數(shù)滿足了這一條件 并且在之后的仿真中表現(xiàn)良好，相比于traingdx函數(shù)在相同精度的條件下訓練時間有著 絕對優(yōu)勢?？紤]到在界而設計中對不同組的輸入數(shù)據(jù)進行診斷時需要重復進行訓練，所 以最終選擇訓練速度較高的trainlm函數(shù)作為訓練函數(shù)。m neural network training per

42、formance (plotperform). epoch 22, performs. o fst|s3 文似f)編絹(e)查看m 履入(i) 工me 翹(d) sq(w) wtt(h)鼻best training performance is 0.0049755 at epoch 22ose)0tlljpaienbs craos(a) trainlm函數(shù)訓練曲線(b) traingdm函數(shù)訓練曲線z neural network training performance (plotperform). epoch 10000, maxi一 | o | 回 文似 f) 扁(e) o(v) ffi

43、xo)工®(d)窗 幫助(h)(c) traingd函數(shù)訓練曲線色 neural network training performance (plotperform). epoch 5409, perfor. i 文件(f)編輯(e)奩看(v)插a(i) im(t) ®(d)窗口 (w)幫助(h)best training performance is 0.0099965 at epoch 54090° train best goal10*-ose)o山 paenbsueow05001000 1500 2000 2500 3000 3500 4000 4500 5

44、0005409 epochs(d) traingdx函數(shù)訓練曲線圖4-3四種訓練函數(shù)所得的訓練曲線我們習慣于一行為單位將每一行的數(shù)據(jù)輸入，如果將這樣的數(shù)據(jù)矩陣輸入matla b工具箱屮進行訓練，錯誤的輸入特征向量與錯誤的目標向量構成了非線性映射，最終 訓練得到的bp神經(jīng)網(wǎng)絡是沒有意義的或者根本無法訓練神經(jīng)網(wǎng)絡，不能實現(xiàn)的模式識 別功能。為了避免這種現(xiàn)象，我們需要利用命令調整輸入輸出矩陣的排列方式，將二者 的行與列進行交換。矩陣的轉置方法是：在原來的輸入輸出矩陣之后加入s”，這樣就可以實現(xiàn)矩陣的 轉置，即:»p=p*雖然提前就對神經(jīng)網(wǎng)絡進行了精度的設定，可是由于訓練次數(shù)存在著限制，所以

45、在 使用不同的函數(shù)進行訓練時所得到的曲線不一定能符合預期的精度，如同上述的第四章 中"traingd"與“traingdni”函數(shù)的訓練曲線就是因為訓練的步數(shù)無法滿足收斂的要求 而沒有達到規(guī)定的精度。相對來說，對神經(jīng)網(wǎng)絡進行檢驗時的對比謀差越小，得到的 bp神經(jīng)網(wǎng)絡的精度就越高，對于樣本數(shù)據(jù)的識別程度一對故障的診斷成功率就越高， 訓練完成的神經(jīng)網(wǎng)絡仿真精度計算如下i罔。y=sim(net, p);%調用訓練的神經(jīng)網(wǎng)絡“net”，用矩陣“p”進行仿真e=t-y;mse二mse(e);%計算仿真誤差得到的謀差為mse=0.0100,和我們規(guī)定的課差值是相等的，證明我們所訓練的神

46、 經(jīng)網(wǎng)絡是成功的。z后，我們需要結合人機交互界面，對訓練完成的神經(jīng)網(wǎng)絡進行實踐 仿真，結合仿真結果程度比較，對整個系統(tǒng)的的實用性進行分析。在神經(jīng)網(wǎng)絡的訓練仿真過程屮，一般情況下輸出的數(shù)據(jù)矩陣和目標矩陣的差距不大。 如果訓練仿真出現(xiàn)問題，在輸入數(shù)據(jù)沒有問題的前提下需要考慮在矩陣轉置以及符號、 語句、參數(shù)的問題以達到目標效果。在訓練完成后需要將所得到的結果與初始數(shù)據(jù)進行檢測，通過仿真功能將輸出的結 果導出，與滾珠絲杠副故障實驗的原始故障數(shù)據(jù)進行對比。在bp神經(jīng)網(wǎng)絡利用 matlab平臺進行編程訓練的過程中，訓練會一直達到目標的精度訓練才會停止，但 是存在的語句問題會使訓練過程從句中間斷掉，無法生成

47、所需要的訓練曲線，要注意語 句和中間符號的標準應用。4.3故障診斷系統(tǒng)人機交互界面設計單純的bp神經(jīng)網(wǎng)絡對于故障的診斷需要人為的將提取的數(shù)據(jù)進行輸入，訓練與比 對進行故障的確定，這對于現(xiàn)代智能化的系統(tǒng)設計來說是不合理的，無法完成最終的故 障診斷。完整的滾珠絲杠副故障診斷系統(tǒng)需要有可以在計算機系統(tǒng)界面上運行的軟件人 機交互界面來進行計算機智能故障診斷，直接顯示故障的類型。這就需要運用matlab 軟件中自帶的guide工具來進行軟件界面的編譯。漢化的matlab r2014b軟件中可以直接新建圖形用戶界面。單擊“新建”按鈕, 點擊“圖形用戶界面”，進入gui快速啟動界面，界面上方的兩個按鈕可以創(chuàng)

48、建新的 gui界面或者打開原有的gui界面。在創(chuàng)建新gui下有四種類型的gui界面可以供選 擇，選擇"blank gui（空口界而）”創(chuàng)建一個空白的gui界而，得到如圖4-4所示的界而。圖44 guide圖形用戶界面工具箱類似于vb軟件的設計界面，gui是一基于matlab的軟件應用程序開發(fā)工具。 在界面中擁有很多可以完成不同功能的控件，通過打開其回調函數(shù)并在相應的位置正確 的編輯程序就可以達到預想的功能。界面的設計很人性化，雙擊即可打開控件或者界面 的屈性編輯器，在里面可以根據(jù)自我要求對控件的大小、位置、文字、顏色等多種屬性 進行編輯。右鍵打開callback函數(shù)即可界面中所有控件

49、的回調函數(shù)進行編譯，以實現(xiàn)特 定的功能，完成系統(tǒng)的設計。根據(jù)故障診斷系統(tǒng)的要求，需要對故障數(shù)據(jù)進行提取，分析和診斷，所以我們需要 12個文本框進行數(shù)據(jù)的顯示;兩個按鈕進行故障提取和故障診斷功能兩個靜態(tài)文本框用 來說明輸入輸出的區(qū)域；一個靜態(tài)文本框說明本次設計的題目；最后的一個文本框需要 輸出具體的故障類型。編譯完成的gui未運行與正在運行界面分別如圖45、圖46所 zj 0其中，12個編輯文木框定義（ag為editl> edit2> edit3-*editl2,三個按鈕定義tag 為pushbutton 1、pushbutton2和pushbutton3,另外兩個靜態(tài)文本框分別為輸

50、入與輸岀數(shù) 據(jù)的標題，最后一靜態(tài)文本框表明題目。值得注意的是12個文本框與2個按鈕的定義 tag十分重要，一定要按順序進行定義，如果定義混亂會導致之后的在對按鈕的回調函數(shù)編寫時出現(xiàn)錯誤，輸入與輸出數(shù)據(jù)的位置錯亂，故障診斷失敗，并且在界面設計中盡 量避免使用復制粘貼操作，此操作會影響最后的系統(tǒng)運行。(遽屬性定義完成后，需要 對三個按鈕的回調函數(shù)進行編輯，由于我們無法在實際的環(huán)境對故障數(shù)據(jù)進行提取，軟 件與破件實際處于分離狀態(tài)，所以無法對故障提取按鈕進行定義。在這里我們設定按鈕 1回調函數(shù)為提取輸入數(shù)據(jù)矩陣中的一組數(shù)據(jù)，使用的為set(handles.edit, 'string*, x)i

51、§ 句。按鈕1 (pushbutton 1)是bp神經(jīng)網(wǎng)絡調用與故障類型診斷的重要部分，在對其回調函 數(shù)的進行定義時，要確保bp神經(jīng)網(wǎng)絡的準確性，精度達到標準。圖4-5未運行的gui編譯完成的界面部分為實現(xiàn)數(shù)據(jù)提取功能按鈕1的回調函數(shù)如下：load text2.txttext2=text2'p=text2;d 二p；n=randi(size(d,l); %在矩陣中隨機選取一-組數(shù)據(jù) b=d(n,:);al =b(1,1);a2 =b(1,2);a3 =b(1,3);a4 =b(1,4);a5 二b(l,5);a6 =b(1,6);a7 =b(1,7);a8 =b(1,8);s

52、et (handles.editl /string1,a 1);set (handles-edit2/stringa2);set (handles.edit3/stringa3);set (handles.edit4/stringa4);set (handles.edit5/stringa5);set (handles.edit6/stringa6);set (handles.edit7/stringa7);set (handles.edit8,'string1,a8); %將選擇的數(shù)據(jù)組分別顯示于文木框為實現(xiàn)故障檢測功能，按鈕2需先進行神經(jīng)網(wǎng)絡的訓練后提取出以上八個文木框的 數(shù)據(jù)進行

53、分析，并將結果進行處理，最終顯示在最后的文木框中，其回調函數(shù)如下：load textl.txtdata=textl;size(data);data 二 data'pl=data(l:8,:);tl=data(9:12,:);p=p1;t=t1;threshold=0 l;0 l;0 l;0 l;0 l;0 l;0 l;0 l;%threshold 根據(jù)輸入層節(jié)點個數(shù)確定，將輸 入層歸一化，讓輸入層節(jié)點在01之間。net=newff(threshold,8,4,'tansig','logsig*,'trainlm1); %創(chuàng)建一個 bp 反饋式網(wǎng)絡net.

54、trainparam.epochs= 10000;% 最大收斂次數(shù)net.trainparam.goal=0.01;% 收斂誤差lp.lr=0.01;%學習速率為0.01 ；lp為學習參數(shù)，可通過該參數(shù)設置學習速率，格式：lp.lr=0.01； ls為學習狀態(tài)初始為空；net=train(net,p,t);%調用trainlm函數(shù)算法訓練bp網(wǎng)絡01 = str2num(get(handles.edit 1 /string1);02 = str2num(get(handles.edit2,string1);03 = str2num(get(handles.edit3/stringr);04 =

55、 str2num(get(handles.edit4,string1);05 = str2num(get(handles.edit5/stringr);06 = str2num(get(handles.edit6,string1);07 = str2num(get(handles.edit7/string,);08 = str2num(get(handles.edit8,string1);b=01;02;03;04;05;06;07;081;y=sim(net,b)；a=y*set(handles.edit9/stringa( 1)set(handles.edit 10,'string

56、',a(2)set(handles.editl 1,string*,a(3)set(handles.edit 12,'string',a(4)t1 =eval(get(handles.edit9,'string');%提取 edit9> editl0> editl 1 > edit 12 編輯文本框中 的數(shù)據(jù)數(shù)值t2=eval(get(handles.edit 10,'string');t3=eval(get(handles.edit 11,'string');t4=eval(get(handles.edit 12,'string');if tl>0.9 set(handles.editl 3,string*,'塑性變形')；elseif t2>0.9 set(handles.edit 13,'string','磨損失效')；elseif t3>0.9 set(handles.edit 13,&#