基于人工神經(jīng)網(wǎng)絡(luò)的通用低速圓度儀

張煒，郝大慶，李亮，蔣峰，魏闖

(1.洛陽軸研科技股份有限公司，河南 洛陽 471039；2.洛陽軸承研究所有限公司，河南 洛陽 471039)

21世紀(jì)以來，隨著制造技術(shù)、計算機技術(shù)和網(wǎng)絡(luò)技術(shù)的飛躍發(fā)展，企業(yè)在滿足顧客對產(chǎn)品多樣化、個性化需求的同時，還需要節(jié)省成本并保證產(chǎn)品質(zhì)量，從而在激烈的市場競爭中占有一席之地，解決這個問題的關(guān)鍵就是質(zhì)量控制。預(yù)防為主的統(tǒng)計過程控制[1-2](Statistical Process Control，SPC)是質(zhì)量控制領(lǐng)域最活躍的研究分支之一，控制圖作為SPC的核心，關(guān)鍵在于異常模式判定。傳統(tǒng)的異常模式判定方法多數(shù)用于大批量生產(chǎn)，需要大量的數(shù)據(jù)支持，而且依賴技術(shù)員的自身素質(zhì)，適用范圍有限且容易產(chǎn)生誤差。

人工神經(jīng)網(wǎng)絡(luò)[3-4](Artificial Neural Networks，ANN)是一種模仿生物大腦神經(jīng)網(wǎng)絡(luò)行為特征，由大量人工神經(jīng)元以串并聯(lián)方式構(gòu)成的具有智能計算能力的信息處理系統(tǒng)，由于具有高度的并行結(jié)構(gòu)和信息處理能力，超強的自學(xué)習(xí)和信息記憶能力以及很強的容錯能力,ANN被逐漸應(yīng)用到工業(yè)領(lǐng)域，尤其在SPC控制圖的異常模式識別和預(yù)測中發(fā)揮越來越重要的作用。其中,前向型人工神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Network，F(xiàn)NN)的典型代表BP神經(jīng)網(wǎng)絡(luò)[3，5]一直是研究的重點，人工神經(jīng)網(wǎng)絡(luò)應(yīng)用中80%～90%的網(wǎng)絡(luò)模型都采用BP神經(jīng)網(wǎng)絡(luò)或其變化形式。

通用低速圓度儀是軸承檢測常用的精密測量儀器，目前市場需求量大，隨著軸承制造水平及精度要求的不斷提高，與之相關(guān)的質(zhì)量檢測技術(shù)也不斷提高。針對通用低速圓度儀的使用特點，在該儀器上添加了采用人工神經(jīng)網(wǎng)絡(luò)的質(zhì)量檢測軟件，采用均值-極差[6]方法構(gòu)建控制圖，然后通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)成的異常模式識別網(wǎng)絡(luò)模型對控制圖異常模式進行判定，并建立數(shù)據(jù)庫以便對歷史數(shù)據(jù)進行對比分析，使用戶可以方便觀測產(chǎn)品的質(zhì)量狀態(tài)，盡早發(fā)現(xiàn)異常問題，從而調(diào)整生產(chǎn)，減少殘次品的產(chǎn)生，達到節(jié)約生產(chǎn)成本、保證產(chǎn)品質(zhì)量的目的。

1 通用低速圓度儀的測量原理

將滾針放在與精密主軸軸線相垂直的儀器工作臺上，使傳感器測頭接觸工件，旋轉(zhuǎn)工作臺并調(diào)整滾針的中心，使其盡可能與旋轉(zhuǎn)的精密主軸中心重合，當(dāng)進入傳感器測量范圍后，傳感器獲取滾針在該截面的半徑變化并將信號送入信號調(diào)理電路，經(jīng)過放大、相敏檢波、濾波后送入多功能A/D轉(zhuǎn)換卡進行模數(shù)轉(zhuǎn)換，計算機根據(jù)最小二乘圓算法運算后得出偏心量以及2～15，2～50，2～500，15～150和15～250 upr共5個波段的圓度值。

通過設(shè)計的質(zhì)量檢測軟件對得到的圓度值進行分析處理，得出產(chǎn)品的控制圖、過程能力指數(shù)Cpk和異常模式分析的結(jié)果圖，用戶以此為參考可以快速判斷此批滾針的質(zhì)量特性和產(chǎn)生異常模式的原因，以便對產(chǎn)生異常情況的原因進行及時修正。具體的電氣原理如圖1所示。

圖1 通用低速圓度儀電氣原理圖

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖2所示，分為輸入層、隱層和輸出層，指導(dǎo)思想是沿著性能函數(shù)下降最快的方向(負梯度方向)對網(wǎng)絡(luò)權(quán)值和閾值進行修正[8-9]。確定一個BP神經(jīng)網(wǎng)絡(luò)，必須設(shè)計出網(wǎng)絡(luò)的隱層數(shù)，每層的神經(jīng)元個數(shù)和算法。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖

如圖3所示，BP神經(jīng)網(wǎng)絡(luò)算法由輸入信號的正向傳播(計算網(wǎng)絡(luò)各層的輸出)和誤差信號的反向傳播(利用梯度下降法，調(diào)整網(wǎng)絡(luò)輸入層的權(quán)值)2部分組成。假設(shè)網(wǎng)絡(luò)輸入層、隱層、輸出層的節(jié)點數(shù)分別為n，m，k；輸入樣本總數(shù)為P；xpi表示第p個樣本的第i個輸入值；ypj表示第p個樣本的隱層第j個節(jié)點的輸出；opl表示第p個樣本的輸出層第l個節(jié)點的輸出；vji表示輸入層第i個節(jié)點到隱層第j個節(jié)點的權(quán)值；wlj表示隱層第j個節(jié)點到輸出層第l個節(jié)點的權(quán)值；Tpl表示輸出層第p個樣本第l個節(jié)點的期望輸出；E為網(wǎng)絡(luò)誤差；樣本模式計數(shù)器p和訓(xùn)練計數(shù)器q均初始化為1。則

圖3 BP神經(jīng)網(wǎng)絡(luò)算法流程圖

其中：xp0=yp0=-1，vj0和wl0為閾值。

3 基于人工神經(jīng)網(wǎng)絡(luò)的質(zhì)量檢測

3.1 BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計

設(shè)計的質(zhì)量分析系統(tǒng)采用Visual Studio 2008開發(fā)環(huán)境、SOL SERVER 2008數(shù)據(jù)庫、MATLAB以及C#語言進行開發(fā)[10-11]，系統(tǒng)運行環(huán)境一般要求為Windows XP/Vista/7/8。

設(shè)計的輸入節(jié)點數(shù)為20(即現(xiàn)場采集20個數(shù)據(jù)作為輸入)，輸出層節(jié)點數(shù)為4(對應(yīng)正常模式、周期型異常模式、突變型異常模式和傾向型異常模式),輸出節(jié)點數(shù)值的設(shè)定見表1。對隱含層結(jié)點進行優(yōu)化得節(jié)點數(shù)為16，轉(zhuǎn)換函數(shù)為對數(shù)sigmoid型轉(zhuǎn)換函數(shù)，訓(xùn)練函數(shù)為Learnbpm，學(xué)習(xí)函數(shù)為Trainbr，均值偏差為0.001，網(wǎng)絡(luò)精度為0.02，最大訓(xùn)練次數(shù)為5 000。采用MATLAB建立網(wǎng)絡(luò)模型，使用C#調(diào)用訓(xùn)練好的模型并將判定結(jié)果顯示于操作界面。主程序流程如圖4所示。

表1 輸出節(jié)點數(shù)值的設(shè)定

圖4 主程序流程圖

3.2 實際分析

圓度測量儀測量范圍為：內(nèi)徑5～400 mm；外徑5～400 mm；最大高度320 mm(可擴展)；最大重量200 N。在此，以Ⅲ級滾子(滾子直徑3 mm、長度20 mm)為例進行在線抽檢，波段設(shè)定為2～50 upr。圓度測量儀的空氣主軸精度為±0.03 μm，分辨率為0.01 μm。根據(jù)質(zhì)量檢測軟件得到的結(jié)果如圖5所示。

由圖5可知，存在周期型異常模式，參考原因為操作工的輪崗操作或疲勞等因素。根據(jù)檢測結(jié)果調(diào)整生產(chǎn)，重新檢測的結(jié)果如圖6所示。調(diào)整后檢測結(jié)果顯示為正常模式，說明根據(jù)軟件的異常模式分析對生產(chǎn)過程進行的調(diào)整是有效的，軟件獲得的過程能力指數(shù)Cpk=1.2，表明生產(chǎn)過程能力較好。另外，還可以保存或打印具體數(shù)據(jù)，方便在調(diào)整生產(chǎn)的過程中查看和利用。

圖5 直接檢測的結(jié)果

圖6 調(diào)整后檢測的結(jié)果

4 結(jié)束語

相對于傳統(tǒng)人工判別依賴操作者自身專業(yè)水平，浪費人力成本，極易出現(xiàn)錯判而影響產(chǎn)品質(zhì)量的缺點，基于BP神經(jīng)網(wǎng)絡(luò)算法的異常模式識別系統(tǒng)通過構(gòu)建合理的網(wǎng)絡(luò)模型，可以準(zhǔn)確、快速地給出判定結(jié)果，在原有的基礎(chǔ)上增加了對產(chǎn)品的質(zhì)量控制，可以直接獲取產(chǎn)品的控制圖、過程能力指數(shù)和異常模式的參考原因，以便及時發(fā)現(xiàn)問題，調(diào)整生產(chǎn)，在提高生產(chǎn)效率的同時保證了產(chǎn)品質(zhì)量。另外，通過建立的數(shù)據(jù)庫，用戶可以隨時對檢測結(jié)果和計算數(shù)據(jù)進行保存。但由于目前的技術(shù)有限，在網(wǎng)絡(luò)參數(shù)的設(shè)置方面還沒有固定的方法，需要在以后的生產(chǎn)和研究中不斷探索。