基于卷积神经网络的在线盲孔深度预测模型

周加乐 刘宏 苟淞 万文慧

【摘 要】在使用电火花加工技术对难加工金属进行加工时，因为加工过程的复杂性，单纯通过电火花加工实验方法研究各种加工参数对盲孔深度的影响，不能满足现代工艺的需求。本文提出了一种基于卷积神经网络的在线盲孔深度预测模型。考虑电极直径大小，峰值电流大小和碳黑膜长度的影响，预测加工孔的实际深度。采用正交实验设计，产生的小样本数据用于卷积神经网络的训练和测试。实验结果表明，卷积神经网络模型在预测盲孔深度时具有较高的准确性。

【关键词】电火花加工；盲孔深度；预测模型；卷积神经网络

中图分类号： TG661 文献标识码： A 文章编号： 2095-2457（2018）13-0174-003

DOI：10.19694/j.cnki.issn2095-2457.2018.13.080

【Abstract】When using EDM technology to process difficult-to-machine metals， due to the complexity of the machining process， the effects of various machining parameters on blind hole depth can not be satisfied by the EDM experiment method alone. In this paper， an on-line blind hole depth predicted model based on convolutional neural network is proposed. The influence of electrode diameter， peak current size and carbon black film length is considered to predict the actual depth of the machining hole. Using orthogonal experimental design， the resulting small sample data is used for convolutional neural network training and testing. The experimental results show that the convolutional neural network model has high accuracy in predicting blind hole depth.

【Key words】EDM； Blind hole depth； Prediction model； Convolutional neural network

0 引言

电火花加工过程是一个剧烈的热过程，其中一定体积的金属材料在极短的时间内通过工件和工具之间的间隙的数千次放电被去除[1]。已广泛应用于模具制造，航空航天，航空，电子，核能，仪器仪表，轻工等领域，解决各种难加工材料和复杂形状物体的加工问题。某些关键加工参数，如峰值电流，工具电极直径等会影响加工结果。选择不当的参数可能导致严重的后果，如异常放电状态[2]。

在某些工业，如航天航空中发动机与散热孔的制造，对盲孔的深度要求很高。杨立光[3]等人对径比盲孔电火花加工工艺进行了探讨，结果表明电火花加工工艺方法是解决盘轴类零件大深径比盲孔加工的有效方法。然而由于电火花加工过程的复杂性，难以确定各电火花加工参数对实验结果的影响，所以需要一种新方法来准确的预测加工后盲孔的深度，以达到现代工艺需求。

本文提出了一种基于卷积神经网络的盲孔深度预测模型，用来预测加工过程中盲孔的深度，方便實时的知道加工孔深，以提高加工效率，节约成本。

1 实验

本次实验中，使用ES540-NC EDM作为加工机床，机床的装备结构如图1所示。加工工件为钛合金（TC4），选用同批次的紫铜电极作为加工电极，采用浸液式加工，完成20组电火花加工实验。加工参数如表一。由于数据量受到严重限制，实验设计采用正交实验设计[4-5]，设计峰值电流大小，电极直径大小，为5水平的正交实验。Smart Eye系统用于获取每次抬刀时加工电极的图像，图2显示了抬刀时加工电极的图像。系统处理获得的图像并计算碳黑膜长度，然后将数据发送给上位机，进行数据分析。加工完成后，使用线切割沿加工孔纵向切割钛合金，选择千分尺对加后的TC4钛合金工件上的盲孔深度进行多次测量并计算平均值。从而得到24组TC4钛合金的相关加工参数及其对应的实验结果，实验记录如表二。图3为加工后的工件。

A伺服机构 B工具电极 C工件材料 D直流电源 E M0252电火花油 F流量阀 G 油泵

2 卷积神经网络模型的设计

谷歌开源的TensorFlow框架用来构建CNN模型[6]。该模型包括一个输入层，五个隐藏层和一个输出层。这个模型的函数表达式如（1）。

在这个方程中，Y表示模型输出，X是神经网络输入变量，W和B是在网络训练过程中评估的权重和偏差变量。将电极直径和峰值电流的大小，电极表面上的炭黑膜的附着长度作为模型的输入，并行连接多个神经元，最后形成若干层，构建CNN模型，加工孔的深度作为模型的输出。图4显示了CNN模型。修正线性单元（Rectified linear unit，ReLU）作为神经元的激活函数[7]，方程表达式如（2）。

ReLU功能的主要优点是只需要一个阈值即可获得激活值。均方误差（Mean Square Error，MSE）算法用于执行梯度下降。在（3）式中，observed是实际值，predicted是预测值，N是20，表示20组实验数据。

图5显示不同隐藏层的卷积神经网络，迭代相同的次数时，神经网络性能和MSE大小。

3 卷积神经网络的训练和测试

本次实验中，随机抽取20组数据用于卷积神经网络模型的训练，使用Adam Optimizer[8-9]来控制学习速率，MSE算法用于减小训练结果与目标之间的差值，迭代200000万次得到训练好的CNN模型，将训练好的卷积神经网络模型移植到上位机上，用于在线预测盲孔的深度。表三显示了实验预测的结果。

4 结论

本次研究表明，卷积神经网络模型可以精确的反映电火花加工参数与加工结果的非线性映射关系，预测的平均误差仅为3.82%，最大误差为7.41%，证明了此方案的可行性。在实际工程中，尤其在机床经验数据缺乏的情况下，可以构建卷积神经网络模型，将峰值电流和电极直径的大小，炭黑膜的长度作为模型的输入来在线的预测盲孔深度，以达到控制加工孔深的目的。既可以提高工作效率，也达到了降级人工成本的需求。

【参考文献】

[1]Ming W， Ma J， Zhang Z， et al. Soft computing models and intelligent optimization system in electro-discharge machining of SiC/Al composites[J]. International Journal of Advanced Manufacturing Technology， 2016， 87（1-4）：1-17.

[2]Zhang Z， Ming W， Zhang G， et al. A new method for on-line monitoring discharge pulse in WEDM-MS process[J]. International Journal of Advanced Manufacturing Technology， 2015， 81（5-8）：1403-1418.

[3]杨立光， 伏金娟， 任连生，等. 镍基高温合金大深径比盲孔电火花加工工艺探讨[J]. 航空制造技術， 2014， 460（16）：42-46.[4].Duric PM （1990） Model selection by cross-validation. IEEE ISCAS 4：2760–2763

[4]Djuric P M. Model selection by cross-validation[C]// IEEE International Symposium on Circuits and Systems. IEEE， 1990：2760-2763 vol.4.

[5]Lela B， Baji？ D， Jozi？ S. Regression analysis， support vector machines， and Bayesian neural network approaches to modeling surface roughness in face milling[J]. International Journal of Advanced Manufacturing Technology， 2009， 42（11-12）：1082-1088.

[6]Abadi M， Barham P， Chen J， et al. TensorFlow： a system for large-scale machine learning[J]. 2016.

[7]Li H， Ouyang W， Wang X. Multi-Bias Non-linear Activation in Deep Neural Networks[J]. 2016.

[8]Radford A， Metz L， Chintala S. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks[J].Computer Science， 2015.

[9]Kingma D P， Ba J. Adam： A Method for Stochastic Optimization[J]. Computer Science， 2014.