張煒，郝大慶，李亮，蔣峰，魏闖

(1.洛陽軸研科技股份有限公司，河南 洛陽 471039；2.洛陽軸承研究所有限公司，河南 洛陽 471039)

21世紀(jì)以來，隨著制造技術(shù)、計(jì)算機(jī)技術(shù)和網(wǎng)絡(luò)技術(shù)的飛躍發(fā)展，企業(yè)在滿足顧客對(duì)產(chǎn)品多樣化、個(gè)性化需求的同時(shí)，還需要節(jié)省成本并保證產(chǎn)品質(zhì)量，從而在激烈的市場(chǎng)競(jìng)爭(zhēng)中占有一席之地，解決這個(gè)問題的關(guān)鍵就是質(zhì)量控制。預(yù)防為主的統(tǒng)計(jì)過程控制[1-2](Statistical Process Control，SPC)是質(zhì)量控制領(lǐng)域最活躍的研究分支之一，控制圖作為SPC的核心，關(guān)鍵在于異常模式判定。傳統(tǒng)的異常模式判定方法多數(shù)用于大批量生產(chǎn)，需要大量的數(shù)據(jù)支持，而且依賴技術(shù)員的自身素質(zhì)，適用范圍有限且容易產(chǎn)生誤差。

人工神經(jīng)網(wǎng)絡(luò)[3-4](Artificial Neural Networks，ANN)是一種模仿生物大腦神經(jīng)網(wǎng)絡(luò)行為特征，由大量人工神經(jīng)元以串并聯(lián)方式構(gòu)成的具有智能計(jì)算能力的信息處理系統(tǒng)，由于具有高度的并行結(jié)構(gòu)和信息處理能力，超強(qiáng)的自學(xué)習(xí)和信息記憶能力以及很強(qiáng)的容錯(cuò)能力,ANN被逐漸應(yīng)用到工業(yè)領(lǐng)域，尤其在SPC控制圖的異常模式識(shí)別和預(yù)測(cè)中發(fā)揮越來越重要的作用。其中,前向型人工神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Network，F(xiàn)NN)的典型代表BP神經(jīng)網(wǎng)絡(luò)[3，5]一直是研究的重點(diǎn)，人工神經(jīng)網(wǎng)絡(luò)應(yīng)用中80%～90%的網(wǎng)絡(luò)模型都采用BP神經(jīng)網(wǎng)絡(luò)或其變化形式。

通用低速圓度儀是軸承檢測(cè)常用的精密測(cè)量?jī)x器，目前市場(chǎng)需求量大，隨著軸承制造水平及精度要求的不斷提高，與之相關(guān)的質(zhì)量檢測(cè)技術(shù)也不斷提高。針對(duì)通用低速圓度儀的使用特點(diǎn)，在該儀器上添加了采用人工神經(jīng)網(wǎng)絡(luò)的質(zhì)量檢測(cè)軟件，采用均值-極差[6]方法構(gòu)建控制圖，然后通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)成的異常模式識(shí)別網(wǎng)絡(luò)模型對(duì)控制圖異常模式進(jìn)行判定，并建立數(shù)據(jù)庫以便對(duì)歷史數(shù)據(jù)進(jìn)行對(duì)比分析，使用戶可以方便觀測(cè)產(chǎn)品的質(zhì)量狀態(tài)，盡早發(fā)現(xiàn)異常問題，從而調(diào)整生產(chǎn)，減少殘次品的產(chǎn)生，達(dá)到節(jié)約生產(chǎn)成本、保證產(chǎn)品質(zhì)量的目的。

1 通用低速圓度儀的測(cè)量原理

將滾針放在與精密主軸軸線相垂直的儀器工作臺(tái)上，使傳感器測(cè)頭接觸工件，旋轉(zhuǎn)工作臺(tái)并調(diào)整滾針的中心，使其盡可能與旋轉(zhuǎn)的精密主軸中心重合，當(dāng)進(jìn)入傳感器測(cè)量范圍后，傳感器獲取滾針在該截面的半徑變化并將信號(hào)送入信號(hào)調(diào)理電路，經(jīng)過放大、相敏檢波、濾波后送入多功能A/D轉(zhuǎn)換卡進(jìn)行模數(shù)轉(zhuǎn)換，計(jì)算機(jī)根據(jù)最小二乘圓算法運(yùn)算后得出偏心量以及2～15，2～50，2～500，15～150和15～250 upr共5個(gè)波段的圓度值。

通過設(shè)計(jì)的質(zhì)量檢測(cè)軟件對(duì)得到的圓度值進(jìn)行分析處理，得出產(chǎn)品的控制圖、過程能力指數(shù)Cpk和異常模式分析的結(jié)果圖，用戶以此為參考可以快速判斷此批滾針的質(zhì)量特性和產(chǎn)生異常模式的原因，以便對(duì)產(chǎn)生異常情況的原因進(jìn)行及時(shí)修正。具體的電氣原理如圖1所示。

圖1 通用低速圓度儀電氣原理圖

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示，分為輸入層、隱層和輸出層，指導(dǎo)思想是沿著性能函數(shù)下降最快的方向(負(fù)梯度方向)對(duì)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行修正[8-9]。確定一個(gè)BP神經(jīng)網(wǎng)絡(luò)，必須設(shè)計(jì)出網(wǎng)絡(luò)的隱層數(shù)，每層的神經(jīng)元個(gè)數(shù)和算法。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

如圖3所示，BP神經(jīng)網(wǎng)絡(luò)算法由輸入信號(hào)的正向傳播(計(jì)算網(wǎng)絡(luò)各層的輸出)和誤差信號(hào)的反向傳播(利用梯度下降法，調(diào)整網(wǎng)絡(luò)輸入層的權(quán)值)2部分組成。假設(shè)網(wǎng)絡(luò)輸入層、隱層、輸出層的節(jié)點(diǎn)數(shù)分別為n，m，k；輸入樣本總數(shù)為P；xpi表示第p個(gè)樣本的第i個(gè)輸入值；ypj表示第p個(gè)樣本的隱層第j個(gè)節(jié)點(diǎn)的輸出；opl表示第p個(gè)樣本的輸出層第l個(gè)節(jié)點(diǎn)的輸出；vji表示輸入層第i個(gè)節(jié)點(diǎn)到隱層第j個(gè)節(jié)點(diǎn)的權(quán)值；wlj表示隱層第j個(gè)節(jié)點(diǎn)到輸出層第l個(gè)節(jié)點(diǎn)的權(quán)值；Tpl表示輸出層第p個(gè)樣本第l個(gè)節(jié)點(diǎn)的期望輸出；E為網(wǎng)絡(luò)誤差；樣本模式計(jì)數(shù)器p和訓(xùn)練計(jì)數(shù)器q均初始化為1。則

圖3 BP神經(jīng)網(wǎng)絡(luò)算法流程圖

其中：xp0=yp0=-1，vj0和wl0為閾值。

3 基于人工神經(jīng)網(wǎng)絡(luò)的質(zhì)量檢測(cè)

3.1 BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

設(shè)計(jì)的質(zhì)量分析系統(tǒng)采用Visual Studio 2008開發(fā)環(huán)境、SOL SERVER 2008數(shù)據(jù)庫、MATLAB以及C#語言進(jìn)行開發(fā)[10-11]，系統(tǒng)運(yùn)行環(huán)境一般要求為Windows XP/Vista/7/8。

設(shè)計(jì)的輸入節(jié)點(diǎn)數(shù)為20(即現(xiàn)場(chǎng)采集20個(gè)數(shù)據(jù)作為輸入)，輸出層節(jié)點(diǎn)數(shù)為4(對(duì)應(yīng)正常模式、周期型異常模式、突變型異常模式和傾向型異常模式),輸出節(jié)點(diǎn)數(shù)值的設(shè)定見表1。對(duì)隱含層結(jié)點(diǎn)進(jìn)行優(yōu)化得節(jié)點(diǎn)數(shù)為16，轉(zhuǎn)換函數(shù)為對(duì)數(shù)sigmoid型轉(zhuǎn)換函數(shù)，訓(xùn)練函數(shù)為L(zhǎng)earnbpm，學(xué)習(xí)函數(shù)為Trainbr，均值偏差為0.001，網(wǎng)絡(luò)精度為0.02，最大訓(xùn)練次數(shù)為5 000。采用MATLAB建立網(wǎng)絡(luò)模型，使用C#調(diào)用訓(xùn)練好的模型并將判定結(jié)果顯示于操作界面。主程序流程如圖4所示。

表1 輸出節(jié)點(diǎn)數(shù)值的設(shè)定

圖4 主程序流程圖

3.2 實(shí)際分析

圓度測(cè)量?jī)x測(cè)量范圍為：內(nèi)徑5～400 mm；外徑5～400 mm；最大高度320 mm(可擴(kuò)展)；最大重量200 N。在此，以Ⅲ級(jí)滾子(滾子直徑3 mm、長(zhǎng)度20 mm)為例進(jìn)行在線抽檢，波段設(shè)定為2～50 upr。圓度測(cè)量?jī)x的空氣主軸精度為±0.03 μm，分辨率為0.01 μm。根據(jù)質(zhì)量檢測(cè)軟件得到的結(jié)果如圖5所示。

由圖5可知，存在周期型異常模式，參考原因?yàn)椴僮鞴さ妮啀彶僮骰蚱诘纫蛩?。根?jù)檢測(cè)結(jié)果調(diào)整生產(chǎn)，重新檢測(cè)的結(jié)果如圖6所示。調(diào)整后檢測(cè)結(jié)果顯示為正常模式，說明根據(jù)軟件的異常模式分析對(duì)生產(chǎn)過程進(jìn)行的調(diào)整是有效的，軟件獲得的過程能力指數(shù)Cpk=1.2，表明生產(chǎn)過程能力較好。另外，還可以保存或打印具體數(shù)據(jù)，方便在調(diào)整生產(chǎn)的過程中查看和利用。

圖5 直接檢測(cè)的結(jié)果

圖6 調(diào)整后檢測(cè)的結(jié)果

4 結(jié)束語

相對(duì)于傳統(tǒng)人工判別依賴操作者自身專業(yè)水平，浪費(fèi)人力成本，極易出現(xiàn)錯(cuò)判而影響產(chǎn)品質(zhì)量的缺點(diǎn)，基于BP神經(jīng)網(wǎng)絡(luò)算法的異常模式識(shí)別系統(tǒng)通過構(gòu)建合理的網(wǎng)絡(luò)模型，可以準(zhǔn)確、快速地給出判定結(jié)果，在原有的基礎(chǔ)上增加了對(duì)產(chǎn)品的質(zhì)量控制，可以直接獲取產(chǎn)品的控制圖、過程能力指數(shù)和異常模式的參考原因，以便及時(shí)發(fā)現(xiàn)問題，調(diào)整生產(chǎn)，在提高生產(chǎn)效率的同時(shí)保證了產(chǎn)品質(zhì)量。另外，通過建立的數(shù)據(jù)庫，用戶可以隨時(shí)對(duì)檢測(cè)結(jié)果和計(jì)算數(shù)據(jù)進(jìn)行保存。但由于目前的技術(shù)有限，在網(wǎng)絡(luò)參數(shù)的設(shè)置方面還沒有固定的方法，需要在以后的生產(chǎn)和研究中不斷探索。