一種基于PaddlePaddle 的裝配調整預測方法

祁海東

（鄭州飛機裝備有限責任公司維修中心，河南鄭州 450000）

引言

在飛機上，有許多結構復雜的航空附件產(chǎn)品，特別是其中很多機械類產(chǎn)品，由于尺寸精度要求較高，在產(chǎn)品裝配時大多需要視情調整產(chǎn)品中的某些裝配尺寸，增減墊片就是較為常用的調整方式之一。當前調整的墊片的主要方法是試裝，通過“粗調- 精調”的反復裝卸的試裝環(huán)節(jié)，最終將產(chǎn)品尺寸調整到滿足圖紙技術要求為止。原調整方法對新員工極為不友好，由于新員工缺乏調整經(jīng)驗，致使單套產(chǎn)品的反復調整次數(shù)較多。如何有效的預測墊片的調整量，減少裝配調整次數(shù)，提升產(chǎn)品裝配效率成為目前急需解決的問題。針對這個問題，本文采用百度PaddlePaddle 深度學習平臺，在其平臺上快速搭建一個回歸模型，來實現(xiàn)對墊片調整量的預測。實驗結果表明，用150 組數(shù)據(jù)訓練產(chǎn)生的模型預測墊片調整量，可使單套產(chǎn)品單側的平均調整次數(shù)由原來的4 次降低為1.3 次，極大提高了裝配效率。

1 產(chǎn)品墊片調整過程的分析

根據(jù)產(chǎn)品結構得到簡化示意圖，見圖1，該產(chǎn)品支架與底座通過主軸相連，支架兩端裝有限位機構，在限位機構與支架之間安裝有調整墊片，通過增減墊片，控制支架繞主軸的旋轉角度范圍，調整墊片的目標是使支架旋轉到預定角度后會觸發(fā)限位機構轉接。原有的調整方法為：在限位機構與支架之間先墊上若干數(shù)量的墊片，這個數(shù)量一般都是由操作人員憑感覺而定，然后給產(chǎn)品通電，測試支架運動的角度范圍，根據(jù)測試結果，視情增減墊片后，再進行角度范圍測試，按照此方法，反復調整墊片數(shù)量，直至產(chǎn)品角度運動范圍滿足圖紙技術條件要求。由于該產(chǎn)品支架的角度公差很小，僅有±0.15°，需反復調整次數(shù)較多，裝配效率很低。僅對該簡化示意圖進行初步分析，就可以得到，與墊片的調整量有關的因素有：支架的各段的公差因素，限位機構的轉接行程因素，主軸在底座上的位置偏差因素等。按照一般的分析思路，通過測試出所有零件的尺寸，通過尺寸鏈計算，可以得到墊片調整量的具體數(shù)值。但實際上，很多零件加工完成后是通過檢驗工裝進行檢驗，只能知道零件是符合尺寸要求的，不知道零件的具體數(shù)值，所以就無法通過實際尺寸計算的方法計算出墊片的調整量。而且實際產(chǎn)品復雜程度更高，很難對影響因素進行全面分析。

圖1 產(chǎn)品簡化示意圖

2 對調整中可測量數(shù)據(jù)的分析

通過分析，該調整過程實際可以測量的數(shù)據(jù)見表1。在產(chǎn)品調整完成后，可以記錄上述數(shù)據(jù)。但在調整前，“初始角度”的數(shù)值可以通過空載通電測量得到的；“目標角度”是產(chǎn)品技術要求中的需要達到的角度，也是可以在調整前得到的；“墊片值”是調整過程中需要加墊片的數(shù)量，這個值在調整前是一個未知量。綜上所述，如果“初始角度”、“目標角度”與“墊片值”之間存在某種關系的話，就可以通過該關系來預測“墊片值”。這時，可以考慮嘗試通過PaddlePaddle深度學習平臺構建模型，探索其中的關系。

表1 可測量數(shù)據(jù)表

3 利用PaddlePaddle 構建預測模型

3.1 PaddlePaddle 簡介

PaddlePaddle 又稱飛槳，是百度出品的深度學習平臺，該平臺集合了學習核心訓練和推理框架、基礎模型庫、端到端開發(fā)套件與豐富的工具組件，是中國首個自主研發(fā)、功能豐富、開源開放的產(chǎn)業(yè)級深度學習平臺。從2016 年至今，經(jīng)歷了多次版本更新，現(xiàn)在已經(jīng)來到了飛槳2.x 時代[1]。通過PaddlePaddle 深度學習平臺構建模型一般需要5 個步驟，分別是數(shù)據(jù)處理、模型設計、訓練配置、模型訓練、模型保存。

3.2 數(shù)據(jù)的采集與處理

由于本文需采集的數(shù)據(jù)量較小，所以采用人工記錄的方法進行數(shù)據(jù)采集，根據(jù)項目數(shù)據(jù)需求，制作調整數(shù)據(jù)記錄表，由工人在調整時進行記錄，每調整完成一套產(chǎn)品后，記錄調整前后“初始角度”、“目標角度”與“墊片值”的具體數(shù)值。人工記錄數(shù)據(jù)后，用“記事本”軟件建立一個.data 文件，第一列為“初始角度”，第二列為“目標角度”，第三列為“墊片值”，列與列之間用“空格”隔開。為了方便后續(xù)計算，減少小數(shù)點的存在，這里將角度數(shù)值記為4 位整數(shù)，例如角度“12.50°”記為“1 250”；同樣，將“墊片值”也記為4 位整數(shù)，例如墊片值為3.3 mm，記為3 300。數(shù)據(jù)記錄見圖2。

圖2 數(shù)據(jù)記錄示意圖

數(shù)據(jù)準備完成后，在Pycharm 中建立一個.py 文件，并定義一個數(shù)據(jù)載入函數(shù)load_data()。該函數(shù)會讀取.data 中的數(shù)據(jù)，并經(jīng)過數(shù)據(jù)形狀變換，最終得到一個2 維矩陣，矩陣每行是一個包含3 個值的數(shù)據(jù)樣本，每個數(shù)據(jù)樣本包含2 個X（初始角度x1 與目標角度x2），和一個Y（墊片值y），這就建立了一個小型數(shù)據(jù)集。由于后續(xù)要使用數(shù)據(jù)進行模型訓練與測試，所以將數(shù)據(jù)集劃分為訓練集與測試集，其中訓練集用于模型訓練，以確定模型中的參數(shù)，測試集用于評判模型的效果，本文將原始數(shù)據(jù)隨機打亂后，使用前80%的數(shù)據(jù)作為訓練集，后20%的數(shù)據(jù)作為測試集。劃分好數(shù)據(jù)集后，要對數(shù)據(jù)進行歸一化處理，使得數(shù)據(jù)樣本中的每一個值縮放到0～1 之間，這樣可以使得后續(xù)的模型訓練更加高效，可以改善由初始化不良引起的訓練困難等問題[2]。

3.3 模型設計

一般只需要調用PaddlePaddle 深度學習平臺中的庫文件與函數(shù)，即可完成模型構建工作。本文用到的庫文件與函數(shù)見表2。

表2 本文使用的庫文件與函數(shù)

本文構建一個全連接神經(jīng)網(wǎng)絡，網(wǎng)絡輸入的維度為2，輸出的維度為1。該網(wǎng)絡僅由一個全連接層、一個輸出層組成，并通過飛槳構建一個前向計算網(wǎng)絡，通過飛槳VisualDL 查看網(wǎng)絡結構，見圖3。

圖3 模型網(wǎng)絡示意圖

這里使用的是飛槳2.x 平臺，構建網(wǎng)絡的方法非常簡單。具體代碼如下：

如上述代碼所示，本文完成模型設計僅需要3 步，第一步需要創(chuàng)建一個Python 類，這里為Regreessor()，該類需要繼承paddle.nn.Layer 父類；第二步需要在新建的類中定義__init__函數(shù)，并在初始化函數(shù)定義一層全連層，僅使用一行代碼即可完成，其中“in_features=2,out_features=1”表示輸入特征為2 個，輸出為1 個；第三步需要定義forward 函數(shù)，完成神經(jīng)網(wǎng)絡結構構件，實現(xiàn)前向計算過程，并返回預測的結果。

3.4 訓練配置與過程

模型設計完成后，一般要進行訓練配置工作，訓練配置工作一般有四步組成，分別是指定運行訓練的機器資料、聲明模型實例、加載訓練和測試數(shù)據(jù)、設置優(yōu)化算法和學習率。使用飛槳2.x 框架完成這四步較為簡單，這里特別需要注意的是優(yōu)化算法的選擇與學習率的設置，本文使用的是SGD（隨機梯度下降法）[3]，需要設置學習率，根據(jù)經(jīng)驗，學習速率暫時設為0.001[4]，后續(xù)可根據(jù)訓練情況進行調整。有時候模型學習速率的調整非常耗時，找到最佳的學習率并不輕松，工程上為了獲得成功的模型，只要找到足夠大的學習率使得模型有效收斂就行。完成模型的配置工作后，即可開始訓練，本文采用內(nèi)、外兩層循環(huán)套嵌的方式進行訓練，外層定義了遍歷數(shù)據(jù)集的次數(shù)，內(nèi)層用于設置遍歷一次數(shù)據(jù)集的方法。一般來說，如果數(shù)據(jù)集較大，可以采用分批的方式進行學習，經(jīng)過數(shù)據(jù)準備、前向計算、計算損失函數(shù)、反向傳播后，模型內(nèi)的參數(shù)得到不斷的更新，隨著訓練測試的提升，損失會逐漸降低。若出現(xiàn)損失函數(shù)不變或上升的問題，可能通過調整學習批次、調整學習速率、調整模型結構或清洗數(shù)據(jù)集等方法進行改善。主要代碼如下：

學習完成后，得到了相對滿意的模型，即可進行保存，飛槳2.x 可將模型保存為動態(tài)圖或靜態(tài)圖模式，本文使用“paddle.jit.save(layer=model, path=path)”函數(shù)直接進行模型保存。

3.5 模型測試

模型測試需要用到測試集數(shù)據(jù)，基本方法就是將測試集數(shù)據(jù)依次輸入模型，并計算結果，經(jīng)過分析，評估模型的準確程度。這里需要注意的是測試集數(shù)據(jù)的輸入也要經(jīng)過歸一化，經(jīng)過模型計算后的結果，還要進行反歸一化運算才能使用。整個模型測試的過程中，模型預測成功與否的評價標準在這里顯得比較重要，在裝配領域，一般都有對應的公差要求，可以將公差要求作為對應的評判標準。本文的應用由于裝配公差的要求為±0.15°，根據(jù)統(tǒng)計計算，只要預測的墊片厚度誤差在±0.3 mm 之內(nèi)，一般可滿足工程要求。最終模型經(jīng)過測試，預測誤差大部分為±0.1 mm，未發(fā)現(xiàn)預測誤差超過±0.3 mm 的情況，可以滿足工程要求。

4 模型部署及應用

由于模型訓練與測試都采用Python 語言，在模型部署階段，可以考慮使用Pycharm+QT5 進行人機界面設計開發(fā)。飛槳2.x 的部署有服務器部署、移動端/嵌入式部署等方式[5]，可參考百度飛槳官網(wǎng)的教程進行相應的開發(fā)。最終墊片預測軟件的運行效果見圖4，打開軟件后，按照選擇產(chǎn)品相應的調整位置、輸入產(chǎn)品調整前的運行的數(shù)據(jù)后，點擊“預測”按鈕即可進行預測，現(xiàn)場操作人員根據(jù)預測結果對產(chǎn)品進行調整，再次進行測試觀察產(chǎn)品調整后是否滿足要求。若最終的墊片調整值與預測值不同，可以在軟件中輸入實際的墊片調整值并記錄，軟件會將該值加入數(shù)據(jù)集，方便后續(xù)對模型進行重新訓練。

圖4 軟件運行效果示意圖

經(jīng)過工程實踐，PaddlePaddle 深度學習平臺生成的模型已經(jīng)可以有效的指導現(xiàn)場操作人員進行作業(yè)，將單套產(chǎn)品單側的平均調整次數(shù)由原來的4 次降低到1.3 次，極大的提高了裝配調整效率。

5 結論

本文提出了一種利用百度PaddlePaddle 深度學習平臺解決產(chǎn)品裝配調整問題的方法，該方法具有開發(fā)過程簡單、開發(fā)周期較短、預測精度較高、部署簡單方便等特點，該方法可以通過數(shù)據(jù)積累不斷提高預測精度，提高裝配調整效率，而且該深度學習平臺為開源平臺，大大提高了軟件開發(fā)的便捷性與經(jīng)濟性，能為企業(yè)帶來巨大的經(jīng)濟效益。