第1期2023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ｖ=(ｖ1，ｖ2，…，ｖｉ)与ｈ=(ｈ1，ｈ2，…，ｈｊ)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，θ=｛ｗ，ｂ，ｄ｝；ｗｉｊ表示可视层ｉ与隐藏层ｊ之间的连接权值；ｂｊ表示隐藏层ｈｊ偏置参数。设定ｖ与ｈ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ｖ与ｈ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，...
