PLC在CA6140车床改造中的应用

本资料包含pdf文件1个，下载需要1积分

金属挤压alto是利用金属塑性压力成形的-种重要方法，其重要特点是将金属锭坯-次陛完成成管、棒、型材的加工，这是其他任何方法无法相比的。挤压机是挤压加工生产线中的关键设备，决定着挤压车间的生产品种和能力。因此，对挤压机的故障诊断和及时排除故障对保证产品质量和生产进度显得尤为重要。即使是经验丰富的工人诊断设备的运行状态也无法与-套完整表2挤压机样本实际输出99750005000300040022O.O0130.99820.0002O OO130.0006000400149991000500040.00020.00070.00l10.99850.00070.OO12。

0.0001r0.0004O.OOlO0.9996的设备状态监控系统的判断精度相比。-旦判断失误就会造成重大损失。为了提高挤压机可靠性、经济性，降低生产成本，提高设备的利用率，通过设备的状态监测与故障诊断技术，实现设备的状态维修”就成为现代设备管理和维护的必然需要。

根据文献检索和现场事故调查结果，发现挤压机发生故障的主要原因有以下几种情况：(1)现有的装置可靠性和系统保护功能差，对诱发事故发生的初期状态无有效的预测、预报措施。为了预防事故的发生，挤压机采取定期检修的方法。计划检修的钝 是灵活性差，到检修时间挤压机没有故障，检修就会造成浪费；没有到检修期间挤压机却发生了故障，造成了停l初.或设备的损坏，损失更大。

(2)大型挤压机结构复杂，涉及到机、电、液等多个专业，对设备维护管理人员的技术水平有较高的要求，-般工作人员不易判断故障原因。

(3)对挤压机的故障诊断机理和方法缺乏系统的研究，有效实用的故障诊断措施较少。

因此，对挤压机进行工况监测与故障诊断可及时发现故障的早期征兆，防患于未然。变定期维修或故障维修为预防维修，提高设备维修管理水平，特别是利用远程智能故障诊断系统，可使-般人员也能完成复杂的故障诊断。挤压机的实时监测、保护和故障诊断是金属加工领域的重要课题之-。

为了解决以上问题，提出了-种基于BP神经网络模型的挤压机故袁 1挤压机故障征兆表障诊断系统。

2 BP神经网络模型BP算法的基本思想：信号的正向传播与误差的反向传播组成了BP网络的学习过程，这-过程则通过正向传播和方向传播中各层权值的不断调整得以实现。目前采用BP算法的多层感知器的神经网络应用广泛，其中以具有 3层感知器的单隐层网络为主。3层感知器包括输入层、隐层和输出层。其中输入层节点为故障征兆，输出层节点为故障原因。故障现象及结论组成训练学习的样本空间，通过训练学习已知样本层，确定网络结构，分析故障征兆，得出故障原因。神经网络系统具备高度非线生映射能力，是-个并行和分布式的网络信息处理结构。

3挤压机故障诊断以挤压机几种常见故障为例。如表 1所示.利用表l的5种征兆作为诊断中的输入层.因此输入层节点数设置为 5。以5种故障作为输出层输出层节点数设置为5，选用 100个样本对网络进行训练。由于本诊断中数据均小于1，因此无需对数据进行归-化处理。由中间层节点经验公式～中间层节点数设置为34形成了5345的神经网络模型。网络结构中，从输入层到隐含层的传递函数采用tansigO函数.中间层到输出层的传递函数采用 logsig函数，训练函数选取收敛速度最快的trainlm函数，训练次数为 10 000。训练误差目标为0.0050设置系统误差为0.0001，经4352次运算满足学习设定次数，满足要求，该算法对学习的知识有很好的记忆功能∩以对挤压机故障进行诊断样本的目标输出中。l表示故障发生，0表示故障不发生。

输出结果与目标结果是-样的，验证了该网络的可行性及实用性。