基于人工神经网络的通用低速圆度仪
2014-07-22张炜郝大庆李亮蒋峰魏闯
张炜,郝大庆,李亮,蒋峰,魏闯
(1.洛阳轴研科技股份有限公司,河南 洛阳 471039;2.洛阳轴承研究所有限公司,河南 洛阳 471039)
21世纪以来,随着制造技术、计算机技术和网络技术的飞跃发展,企业在满足顾客对产品多样化、个性化需求的同时,还需要节省成本并保证产品质量,从而在激烈的市场竞争中占有一席之地,解决这个问题的关键就是质量控制。预防为主的统计过程控制[1-2](Statistical Process Control,SPC)是质量控制领域最活跃的研究分支之一,控制图作为SPC的核心,关键在于异常模式判定。传统的异常模式判定方法多数用于大批量生产,需要大量的数据支持,而且依赖技术员的自身素质,适用范围有限且容易产生误差。
人工神经网络[3-4](Artificial Neural Networks,ANN)是一种模仿生物大脑神经网络行为特征,由大量人工神经元以串并联方式构成的具有智能计算能力的信息处理系统,由于具有高度的并行结构和信息处理能力,超强的自学习和信息记忆能力以及很强的容错能力,ANN被逐渐应用到工业领域,尤其在SPC控制图的异常模式识别和预测中发挥越来越重要的作用。其中,前向型人工神经网络(Feedforward Neural Network,FNN)的典型代表BP神经网络[3,5]一直是研究的重点,人工神经网络应用中80%~90%的网络模型都采用BP神经网络或其变化形式。
通用低速圆度仪是轴承检测常用的精密测量仪器,目前市场需求量大,随着轴承制造水平及精度要求的不断提高,与之相关的质量检测技术也不断提高。针对通用低速圆度仪的使用特点,在该仪器上添加了采用人工神经网络的质量检测软件,采用均值-极差[6]方法构建控制图,然后通过BP神经网络构成的异常模式识别网络模型对控制图异常模式进行判定,并建立数据库以便对历史数据进行对比分析,使用户可以方便观测产品的质量状态,尽早发现异常问题,从而调整生产,减少残次品的产生,达到节约生产成本、保证产品质量的目的。
1 通用低速圆度仪的测量原理
将滚针放在与精密主轴轴线相垂直的仪器工作台上,使传感器测头接触工件,旋转工作台并调整滚针的中心,使其尽可能与旋转的精密主轴中心重合,当进入传感器测量范围后,传感器获取滚针在该截面的半径变化并将信号送入信号调理电路,经过放大、相敏检波、滤波后送入多功能A/D转换卡进行模数转换,计算机根据最小二乘圆算法运算后得出偏心量以及2~15,2~50,2~500,15~150和15~250 upr共5个波段的圆度值。
通过设计的质量检测软件对得到的圆度值进行分析处理,得出产品的控制图、过程能力指数Cpk和异常模式分析的结果图,用户以此为参考可以快速判断此批滚针的质量特性和产生异常模式的原因,以便对产生异常情况的原因进行及时修正。具体的电气原理如图1所示。
图1 通用低速圆度仪电气原理图
2 BP神经网络
BP神经网络拓扑结构如图2所示,分为输入层、隐层和输出层,指导思想是沿着性能函数下降最快的方向(负梯度方向)对网络权值和阈值进行修正[8-9]。确定一个BP神经网络,必须设计出网络的隐层数,每层的神经元个数和算法。
图2 BP神经网络拓扑结构图
如图3所示,BP神经网络算法由输入信号的正向传播(计算网络各层的输出)和误差信号的反向传播(利用梯度下降法,调整网络输入层的权值)2部分组成。假设网络输入层、隐层、输出层的节点数分别为n,m,k;输入样本总数为P;xpi表示第p个样本的第i个输入值;ypj表示第p个样本的隐层第j个节点的输出;opl表示第p个样本的输出层第l个节点的输出;vji表示输入层第i个节点到隐层第j个节点的权值;wlj表示隐层第j个节点到输出层第l个节点的权值;Tpl表示输出层第p个样本第l个节点的期望输出;E为网络误差;样本模式计数器p和训练计数器q均初始化为1。则
图3 BP神经网络算法流程图
其中:xp0=yp0=-1,vj0和wl0为阈值。
3 基于人工神经网络的质量检测
3.1 BP神经网络模型设计
设计的质量分析系统采用Visual Studio 2008开发环境、SOL SERVER 2008数据库、MATLAB以及C#语言进行开发[10-11],系统运行环境一般要求为Windows XP/Vista/7/8。
设计的输入节点数为20(即现场采集20个数据作为输入),输出层节点数为4(对应正常模式、周期型异常模式、突变型异常模式和倾向型异常模式),输出节点数值的设定见表1。对隐含层结点进行优化得节点数为16,转换函数为对数sigmoid型转换函数,训练函数为Learnbpm,学习函数为Trainbr,均值偏差为0.001,网络精度为0.02,最大训练次数为5 000。采用MATLAB建立网络模型,使用C#调用训练好的模型并将判定结果显示于操作界面。主程序流程如图4所示。
表1 输出节点数值的设定
图4 主程序流程图
3.2 实际分析
圆度测量仪测量范围为:内径5~400 mm;外径5~400 mm;最大高度320 mm(可扩展);最大重量200 N。在此,以Ⅲ级滚子(滚子直径3 mm、长度20 mm)为例进行在线抽检,波段设定为2~50 upr。圆度测量仪的空气主轴精度为±0.03 μm,分辨率为0.01 μm。根据质量检测软件得到的结果如图5所示。
由图5可知,存在周期型异常模式,参考原因为操作工的轮岗操作或疲劳等因素。根据检测结果调整生产,重新检测的结果如图6所示。调整后检测结果显示为正常模式,说明根据软件的异常模式分析对生产过程进行的调整是有效的,软件获得的过程能力指数Cpk=1.2,表明生产过程能力较好。另外,还可以保存或打印具体数据,方便在调整生产的过程中查看和利用。
图5 直接检测的结果
图6 调整后检测的结果
4 结束语
相对于传统人工判别依赖操作者自身专业水平,浪费人力成本,极易出现错判而影响产品质量的缺点,基于BP神经网络算法的异常模式识别系统通过构建合理的网络模型,可以准确、快速地给出判定结果,在原有的基础上增加了对产品的质量控制,可以直接获取产品的控制图、过程能力指数和异常模式的参考原因,以便及时发现问题,调整生产,在提高生产效率的同时保证了产品质量。另外,通过建立的数据库,用户可以随时对检测结果和计算数据进行保存。但由于目前的技术有限,在网络参数的设置方面还没有固定的方法,需要在以后的生产和研究中不断探索。