基于卷积神经网络的制孔出口毛刺预测方法

2020-04-24周越田威廖文和张霖李波

机械制造与自动化 2020年2期

周越，田威，廖文和，张霖，李波

(南京航空航天大学机电学院，江苏南京 210016)

0 引言

近年来，随着材料轻量化的发展，轻质合金(钛合金、铝合金等)和碳纤维增强复合材料(CFRP)等在制造领域被更多地使用。随之而来的难题是:大量的复合材料、钛合金及铝合金零部件等需要通过制孔铆接的方式连接装配在一起。在航空领域内的失效形式主要为疲劳失效，75%以上的疲劳失效发生在装配连接件上[1]，而航空装配中70%以上的装配结构连接由铆接和螺接形式完成，连接制孔的数量十分庞大[2]。由于加工误差、壁板变形等多种因素影响，不能保证装配连接的稳定性，装配连接孔的加工无法在零件加工时一次成型[3]。因此，航空制造单位通常将具有装配关系的零件预先装夹在一起，一次性钻削连接孔，其装配制孔的质量是保证飞机构件连接可靠性和寿命的关键。图1为航空铆接装配试样。

图1 航空铆接装配试样

与此同时，卷积神经网络的相关研究发展十分迅速，早已在深度学习技术领域得到较为广泛的应用。早期的神经网络在建模、机器学习、模糊控制等方面取得了良好的效果，但受深层网络模型的技术瓶颈限制，很长时间以来没有获得可观的发展[4]。伴随近十几年来深度学习理论的不断进步，深层网络模型的技术难点得以攻破，它提取抽象深层关联特征的能力被不断挖掘，在音频、文字和图像处理等诸多领域取得巨大成功[5]。

本文受此启发，使用卷积神经网络针对航空装配制孔工艺过程进行分析学习，以不同的工艺参数和对应的制孔过程主轴电流信号图为输入，实验设备、材料与刀具型号固定不变，对制孔工艺结果进行预测，并设计实验验证预测结果的准确性与方法的有效性。

1 卷积神经网络

卷积神经网络是当下应用最为广泛的几种深度网络之一，与以往的神经网络结构有着较大的不同，它由多个卷积层与亚采样层组成。其中，由神经元矩阵组成的特征平面构成一个卷积层。而亚采样层使得输入维数大幅降低，提高了整个网络的鲁棒性。在这种网络中，单个神经元不会与全部神经元产生连接关系，而只会与部分神经元产生连接[6]。卷积神经网络区别于传统神经网络的两大特点为共享权值和亚采样，降低了网络维数和复杂度，减少了网络各层间的连接，以尽可能消除网络过拟合的情况。图2所示为一个常规的卷积神经网络结构。因其良好的鲁棒性以及可以降低网络复杂度、削弱过拟合的特点，本文选择卷积神经网络进行制孔出口毛刺的预测研究。目前能够建立卷积神经网络的平台很多，本文使用Google的Tensorflow平台完成模型的建立和算法的实现。

图2 常规卷积神经网络结构

2 数据获取与处理

2.1 数据来源

本文数据来源于所在课题组实验中获取的相关制孔实验数据。样本数据量：共采集了符合要求的数据2 462条。数据输入包括制孔过程中从第1层钻入到第1层钻出，再到第2层钻入，最后到第2层完全钻出的分阶段制孔主轴电流信号图，以及各阶段制孔工艺参数中的主轴转速、主轴实际进给速度、主轴每转进给速度。数据输出包括对制孔的后续铆接工艺影响较大的出口毛刺高度。表1列出了所有输入、输出数据的取值范围，其中主轴电流信号包括所有符合标准制孔样本的电流信号，不在表内列出。图3为未归一化处理前的制孔样本电流信号。

表1 输入输出数据范围表

图3 未经归一化处理的部分典型电流信号图

2.2 数据清洗

数据清洗采用了下述几种策略进行：遇到超出表1数据范围的奇异值时，移除该项数据；同工艺参数的多组实验中，出现偏差较大单个数据时，移除该项数据；同参数组数据过于不一致时，移除整组数据。在上述过程清洗后，对移除数据进行部分补充采样。

2.3 数据归一化

数据归一化对模型训练至关重要，影响着模型收敛至最优解的能力，归一化中采用了下述几种策略：对每一维的数据量纲和数量级进行调整；对制孔过程阶段进行标准划分；对数据集本身进行Z-SCORE标准化；使用滤波和去噪算法对电流信号进行处理后作为输入。

3 模型建立与影响因素分析

首先为建立模型必须要确定一种模型可靠性评估方法，目前针对预测问题常用的评估方法有平均绝对百分比误差(MAPE)、均方误差(MSE)、绝对平均误差(MAE)和预测精度(ACC)等。以上方法的评价均为指标越趋近于0，模型预测效果越好[7]。本文经过分析，采用MSE作为预测模型的评估标准。MSE定义如下，其中predicted为预测值，label为实际值：

卷积神经网络模型的建立主要分为以下几个部分：激活函数选择；目标优化算法选择；卷积核个数的设置；卷积层层数的设置；卷积神经网络的网络窗口大小设置；学习率的设置。为单独确定每个部分的设置，利用所获取的数据设计了4组实验，其中每组实验的超参数只有待测试项为变数，其余超参数均为可用范围内的固定值。非待测试项超参数设置如表2所示。

表2 非待测试项超参数实验设置表

在激活函数的选择上，本文通过对比分析常用的Relu、Tanh、Sigmoid等几种激活函数，选用了较为简单的Relu函数，以提高收敛能力[8]。在目标优化算法的选择上，选用了经过改良的随机梯度下降算法(adaptive moment estimation, Adam)，以简化学习率的调节[9-10]。为简化超参数的设置调整，本文还加入了批量标准化算法(Batch Normalization)[11]。

卷积核核数、卷积层层数、窗口大小和学习率通过多组对比实验，获得MSE变化趋势的方式进行确定。

卷积神经网络的特征识别提取能力很大程度上取决于卷积核个数。本文设置了卷积核个数从8个到128个，间隔8的多组对比实验。实验过程数据如图4所示。

图4 卷积核个数对预测模型的影响

通过分析图4可知，在卷积核<64前MSE呈下降趋势，>64后呈上升趋势。分析原因可能是，卷积核数量在一定程度上是对数据特征提取的角度数量，过多的卷积核可能导致训练提取到对宏观影响很小的特征，而使预测效果下降。

卷积层层数通过设置层数1到层数6的对比实验确定。实验过程数据如图5所示。

图5 卷积层层数对预测模型的影响

通过分析图5可知，在卷积层层数<3前MSE呈下降趋势，>3后呈上升趋势。分析原因可能是，工艺参数、主轴电流信号与最终毛刺有着较为紧密的内在联系，更深层次的模型对内在联系的特征提取更加准确，但本文使用的模型输入域输出相对较少，过多的隐层可能导致训练拟合不充分，影响预测结果。

卷积窗口大小通过设置窗口大小2到大小6的对比实验进行确定。实验过程数据如图6所示。

图6 卷积窗口大小对预测模型的影响

通过分析图6可知，在卷积窗口大小<4前MSE呈下降趋势，>4后呈上升趋势。分析原因可能是，卷积过程实际上就是模型学习卷积窗口特征的过程，合适的窗口大小可以在获得足够感受的情况过滤掉非特征因素。

学习率通过设置学习率0.000 01～0.2的10组对比实验进行确定。实验过程数据如图7所示。

图7 学习率对预测模型的影响

通过分析图7可知，学习率与MSE呈正相关关系，过大的学习率会使模型无法训练到最优。较小的学习率会使得训练结果更优，但训练效率降低，而过小的学习率并不能使训练结果显著改变。

在超参数的影响趋势确定之后，本文引入了Dropout技术优化测试集的测试表现[12-13]，设置了随机概率0.1～0.9的多组对比试验，测试过程与测试数据如图8所示。

图8 随机概率取值对预测模型的影响

通过分析图8，设置了0.90的随机概率取值，在众多常见应用Dropout技术的论文与研究中，通常取0.4～0.6范围内的随机概率，即采用相对较大的神经元丢弃概率时，测试集表现改善更加明显。本文取较小的丢弃概率时表现更好，分析原因是本文所采用预测模型复杂程度相对较低，丢弃比率较小就足够达到避免过拟合的优化目标，而丢弃比率较大时会影响训练的拟合。

在以上模型影响因素的影响趋势确定后，采用启发式设置的方法确定最终模型使用的超参数。比较通用的启发式算法一般有模拟退火算法(SA)、遗传算法(GA)、蚁群算法(ACO)、人工神经网络(ANN)。本文采用一种应用较为广泛的基于蚁群算法(ACO)的启发式算法，对超参数进行整体优化调整。通过上述影响因素分析缩小了超参数选取区间，将超参数选取范围选定在各自独立的较优区间内，区间如表3所示。