基于卷積神經(jīng)網(wǎng)絡的車用鋁合金表面粗糙度預測

付仁杰

（201620 上海市 上海工程技術大學 機械與汽車工程學院）

0 引言

在機械加工和生產(chǎn)過程中，工件的表面粗糙程度嚴重影響機械的使用可靠性，特別是在日益追求高收益的生產(chǎn)加工中，因此應該合理設計加工參數(shù)。表面粗糙度值越低，零件表面質(zhì)量越好，使用的壽命越高，實現(xiàn)簡便的在線預測對于智能磨削加工具有重要意義?？茖W研究人員通過實驗法、理論建模法、人工智能建模法等方法，對零件表面進行了有效的檢測。Luttervelt A V C[1]指出了早期理論模型的局限性。針對小波包分析、貝氏網(wǎng)路、多維云和支持向量機等人工智能算法進行了細致的研究，這些機械零件的使用和研究促進了機械零件磨損研究的進展，對于零件的使用和研究有著有效的提高作用；針對粗糙度預測系統(tǒng)模型的構建，張振翔[2]通過對數(shù)控車削加工過程中表面粗糙度和切削參數(shù)的相關影響因素進行研究，建立了科學的人工神經(jīng)網(wǎng)絡模型，這種模型的構建，加強了對數(shù)控車科學嚴謹?shù)氖褂茫涣謩俒3]等利用卷積神經(jīng)網(wǎng)絡建立了帶鋼產(chǎn)品質(zhì)量與工藝參數(shù)之間的預測模型，這種模型的構建，對于帶鋼質(zhì)量的評價有著良好的促進作用。劉思志[5]等建立預測模型，使表面粗糙度符合切削用量與刀尖圓弧半徑的最佳組合，結(jié)果表明，方法運用在加工過程中(如刀具磨損、切削力和殘余應力等)，使得參數(shù)達到最佳優(yōu)化。引進算法到加工生產(chǎn)中，利用神經(jīng)網(wǎng)絡強大的非線性擬合能力和自學習能力可以快速建成，精準度方面有極大的提高空間。

本研究基于6061 鋁合金標準試件打磨，獲取相關實驗數(shù)據(jù)，得到多組表面粗糙值。通過Python 軟件構建了CNN 神經(jīng)網(wǎng)絡模型，利用打磨參考數(shù)值和粗糙度值作為輸入和輸出的信息，對神經(jīng)網(wǎng)絡模型進行相應的驗證和校準。驗證結(jié)果表明，模型的預測具有較高的精度和性能表現(xiàn)。

1 試驗打磨方案

1.1 試驗設備和材料

試件按照美國試驗材料學會ASTM E8/E8M-15a 標準及《金屬材料軸向等幅低循環(huán)疲勞試驗方法》（GB15248-2008）等國家標準的要求進行制備。如圖1 所示，為了減小試件在制備過程中的誤差，避免出現(xiàn)不必要的損傷，將試件安裝在固定板上，采取了同軸切削加工的方式。為了確保試件表面光滑度和精確度，采用了拋光處理。材料的成分如表 1 所示。

圖1 試件打磨Fig.1 Specimen polished

表1 AL6061 材料成分Tab.1 AL6061 material composition

1.2 試驗方案及結(jié)果

不同于要求高的車削實驗，本文選擇輕便簡易的砂紙打磨試驗。采用正交實驗，對車用6061鋁合金疲勞試件打磨。因素考慮的變量分別為時間、壓力、砂紙型號。對打磨后的試件進行3 次測量表面粗糙度值。為了保證數(shù)據(jù)精度，取試件上表面粗糙度平均值，如圖2 所示，采用SJ-210粗糙度測量儀測量表面粗糙度值。

圖2 表面粗糙度測量Fig.2 Surface roughness measurement

測量部分數(shù)據(jù)見表2。打磨時間影響著粗糙度值。砂紙磨削光滑表面，粗糙度值增加，如圖3 所示，隨著時間的增加，表面紋理逐漸密集進而粗糙度值減小。圖4 可以看出，表面粗糙度Ra 由于砂紙型號的增大顆粒體積減小，細小的顆粒在鋁合金表面形成的凹凸越不平和劃痕越淺也越集中，因此粗糙度值越小。研磨壓力值增大，使得表面粗糙度降低。

表2 試驗參數(shù)及結(jié)果Tab.2 Test parameters and results

圖3 粗糙度值隨打磨試件的變化Fig.3 Changes of roughness value with polishing specimen

圖4 不同壓力下砂紙型號和粗糙度的關系Fig.4 Relation between sandpaper type and roughness under different pressures

2 卷積神經(jīng)網(wǎng)絡的建立

圖5 為卷積的結(jié)構組成圖。卷積結(jié)構的圖形展示較為簡單，但是卷積神經(jīng)網(wǎng)絡是由輸入層、卷積層、池化層、全連接層和輸出層等構成[6-8]。卷積神經(jīng)網(wǎng)絡與生物的神經(jīng)網(wǎng)絡性質(zhì)基本相同，都是通過信息的接收、網(wǎng)絡的傳入、中心系統(tǒng)的處理、利用全面的鏈接，構建起相應的網(wǎng)絡系統(tǒng)。卷積神經(jīng)網(wǎng)絡在同樣識別率下收斂速度更快，模仿生物神經(jīng)網(wǎng)絡模型，利用其優(yōu)越性，更好地解決數(shù)據(jù)中存在的問題，權值共享減少了復雜數(shù)據(jù)重建，使得結(jié)果更加準確。

圖5 卷積神經(jīng)網(wǎng)絡結(jié)構Fig.5 Structure of convolutional neural network

卷積層是一個卷積神經(jīng)網(wǎng)絡中最核心的內(nèi)容。經(jīng)過多層卷積可以提取得到更加深層次的特征數(shù)據(jù)，每一個節(jié)點的輸入，也是上一層神經(jīng)網(wǎng)絡數(shù)據(jù)的結(jié)果。每個卷積核跟上一層特征圖進行卷積計算，在經(jīng)過一個激活函數(shù)后，得到抽象程度更高的特征。卷積過程的計算公式為

式中:l——卷積神經(jīng)網(wǎng)絡結(jié)構的層數(shù)；j——第 j個通道；——卷積層第j 個通道輸出；f（·）——激活函數(shù)；Nj——特征圖子集；——卷積核；*——卷積操作；——偏置項。

卷積層周期性內(nèi)插入池化層，在神經(jīng)網(wǎng)絡系統(tǒng)中又進行了特征提取的作用和性質(zhì)。池化層可以有效地對特征圖進行降維處理，降低數(shù)據(jù)處理量，減少網(wǎng)絡參數(shù)，提高計算效率。不同的池化方式計算的方式存在一定的差異，其結(jié)果也存在極大的不同。最大池化通過計算最大值來對池化窗口中輸入的特征圖進行計算，防止過擬合，提高泛化性能。池化層計算公式為

式中:down（·）——池化操作過程；w 和bs——權值矩陣和偏置。在全連接網(wǎng)絡中，針對上一層的網(wǎng)絡點特征圖的拼接，作為全網(wǎng)鏈接網(wǎng)絡的輸入，并進行全連接計算。計算公式為

式中：wj——全連接網(wǎng)絡權值。

卷積神經(jīng)網(wǎng)絡的訓練過程通常都是分階段進行，不同的階段其表達的作用和性質(zhì)也不相同。主要分為前向傳播階段和反向傳播階段。在權值和偏置初始化之后，通過一輪一輪的訓練，在降低損失函數(shù)的目的下不斷改進學習，進而成功計算。

3 表面粗糙度神經(jīng)網(wǎng)絡預測模型

表面粗糙度神經(jīng)網(wǎng)絡預測模型的精準性需要進行相應的訓練和校驗。首先需要歸一化處理，因為某次測量值的偏差和數(shù)據(jù)單位不統(tǒng)一會導致預測結(jié)果千差萬別。在本次實驗訓練過程中，利用部分樣本為訓練數(shù)據(jù)，其余數(shù)據(jù)來檢驗網(wǎng)絡的性能，通過這兩組數(shù)據(jù)的實驗處理，可以有效地對網(wǎng)絡的性能進行檢驗，把數(shù)據(jù)的大小框定在一個比例協(xié)調(diào)范圍內(nèi)。歸一化[4]的公式如下：

4 結(jié)果與分析

由圖6 可以看出，神經(jīng)網(wǎng)絡模型的預測結(jié)果與實際表面粗糙度值整體趨勢基本吻合，而且預測誤差也非常小。

圖6 表面粗糙度預測結(jié)果Fig.6 Surface roughness prediction results

研磨機的精度、砂紙的質(zhì)量以及神經(jīng)網(wǎng)絡模型帶存在計算偏差使得預測值與實際測量值有差異。通過圖6 的實驗結(jié)果分析發(fā)現(xiàn)，實驗值和預測值還存在一定的偏差，但偏差的數(shù)據(jù)不是很大，在工程建設過程中，在可控制范圍內(nèi)。說明本次建設的神經(jīng)網(wǎng)絡模型較為成功，對于零件磨損度的測量較為精準，可以實現(xiàn)在線預測。

本次預測模型的構建可以應用于針對零件表面粗糙度的打磨設計。在工程建設過程中，可以有效保證工程建設的穩(wěn)定性和可靠性，對于生產(chǎn)而言可以大大提高生產(chǎn)的效率，延長機械零件的使用周期，減少零件損耗，節(jié)約加工的成本，對于經(jīng)濟發(fā)展有著良好的促進作用。

5 結(jié)論

采用砂紙打磨鋁合金試驗，利用卷積神經(jīng)網(wǎng)絡預測模型實現(xiàn)了對表面粗糙度的快速預測。較為準確地反映打磨因素對鋁合金表面粗糙度的影響關系。能夠合理設計零件的實際加工工藝參數(shù)?？焖贉蚀_選擇試驗方案，科學利用，提高生產(chǎn)效率。研究主要結(jié)論如下：

（1）設計并進行了全因素打磨實驗，分析得到零部件表面粗糙度與打磨工藝參數(shù)之間的影響關系。

（2）根據(jù)打磨試驗數(shù)據(jù)，以時間、型號、壓力為輸入，以表面粗糙度為輸出建立了基于卷積神經(jīng)網(wǎng)絡的打磨參數(shù)對表面粗糙度的預測模型。

（3）通過實際粗糙度數(shù)據(jù)驗證預測模型的預測精度，驗證結(jié)果表明該方法使用性強，在線預測實踐性高。