李玉科
(青島海益電加工機床研究所 山東 青島 266003)
隨著陶瓷工業(yè)和技術的突飛猛進,陶瓷金屬配件的運用越來越多,對其質量和性能要求也越來越高,沖壓加工就是一種最常見的陶瓷金屬配件加工形式之一。陶瓷金屬配件沖壓加工過程中出現(xiàn)的錯誤會直接導致生產(chǎn)不合格產(chǎn)品,輕則會損壞模具和損傷沖壓機關鍵部件,重則會帶來對人民生命財產(chǎn)的巨大損失。對此,研究分析沖壓過程中的錯誤及其產(chǎn)生的原因,并開發(fā)神經(jīng)網(wǎng)絡分類算法對錯誤進行自動診斷的技術具有重要現(xiàn)實意義。
目前,國內外高校和工業(yè)界都在對此項技術進行研究。其中利用壓力傳感器采集板材在變形過程中所受到的壓力信號進行分析和錯誤診斷,不但可以對沖壓出的產(chǎn)品質量進行直接的判斷,而且可以實現(xiàn)對錯誤產(chǎn)生原因的分析,從而實現(xiàn)對機床和模具的保護。筆者通過對沖壓過程中采集的多路數(shù)字信號進行處理,利用特定的人工智能神經(jīng)網(wǎng)絡分類算法,診斷分析不同板材加工錯誤的試驗數(shù)據(jù)。實驗證明,神經(jīng)網(wǎng)絡分類算法在實際操作過程中能夠取得很好的效果。
在實際的板材沖壓過程中,可能會由于各種原因導致不合格產(chǎn)品的產(chǎn)生,例如模具安裝不當,上下模的間隙配合不合理,板材與模具間缺少潤滑等,都會導致沖壓過程的錯誤。這些錯誤的形式多樣,產(chǎn)生原因也各有不同。筆者對幾種常見的沖壓錯誤類型進行分析和研究,從中總結了各自的測量信號特征,從而實現(xiàn)利用神經(jīng)網(wǎng)絡算法對錯誤類型的自動分類。幾種常見的沖壓錯誤類型如下:
板材在沖壓過程中,如果彈簧的壓邊力設置過低,極容易使板材在變形時產(chǎn)生很大的切向壓力,從而使材料邊緣失去穩(wěn)定,形成鄒折。另一種情況是板材表面與頂部壓邊模具的摩擦力在沖壓過程中過低,也會導致成形后的元件帶有凸緣起皺。
成形元件出現(xiàn)底部裂紋是一種常見的錯誤類型。當凸緣變形過大時,筒壁所受到的拉應力高于材料本身能夠承受的拉伸極限屈服強度,會使筒壁在靠近底部的邊緣區(qū)域附近產(chǎn)生裂紋或破裂。這種成形的錯誤大多由凸模下降過快或板材表面潤滑不足所導致。
材料的重疊錯誤多發(fā)生于多級沖壓機的自動送料過程中。在自動送料機構運行不穩(wěn)定的情況下,時常會出現(xiàn)送料過度的錯誤,即板材重疊錯誤。如果這種錯誤在沖壓機自動運行時不被及時發(fā)現(xiàn),就很容易造成凸、凹模具的同時損壞,造成較大的經(jīng)濟損失。筆者對這種典型的錯誤形式進行了研究分析,使之能夠通過人工智能算法自動識別。
另一種常見的由自動送料機構引發(fā)的錯誤是板材的填料不足或板料出現(xiàn)嚴重的偏心。這種錯誤可導致材料的受力不均,使凸模在下降過程與凹模之間的間隙改變或產(chǎn)生沖撞,造成模具的損壞。
Backpropagation of Error (簡稱BP算法)廣義上講,是一種基于人工智能的神經(jīng)網(wǎng)絡算法。它是通過多層前饋網(wǎng)絡算法結構,實現(xiàn)誤差反向傳播,進而達到學習訓練集數(shù)據(jù)的目的,常被應用于對某些傳統(tǒng)分類方法難以直接分類的問題中,并能提供很好的學習和分類結果。因此,BP神經(jīng)網(wǎng)絡算法在圖像處理加工領域、故障自動診斷領域、系統(tǒng)及模式識別分類中廣泛應用。筆者將對采集的力學信號及其所對應的沖壓錯誤類型進行BP神經(jīng)網(wǎng)絡分析,從而使系統(tǒng)能夠根據(jù)測量到的數(shù)據(jù)進行自動分類識別。
BP神經(jīng)網(wǎng)絡屬于監(jiān)督式學習(Superisedlearning),利用在多層神經(jīng)網(wǎng)絡結構中的最小均方算法(Least MeanSquares Algorithmus)計算學習誤差。它是由對采集信號的正向傳播過程和對計算誤差的反向傳播原理組成。在正向信號傳播的過程中,采集信號作為輸入樣本傳入輸入層,再由隱含層對其進行計算加工,所得數(shù)據(jù)將繼續(xù)傳遞到輸出層,其網(wǎng)絡的基本結構圖1所示。
圖1 BP神經(jīng)網(wǎng)絡多層結構模型
如果輸出層數(shù)據(jù)與對應目標值之間的誤差大于期望誤差,則將誤差反向傳遞回隱含層。BP算法將利用反傳的誤差調節(jié)每個節(jié)點上的權值。權值的調節(jié)首先是通過對輸入激勵與反傳誤差求積,即權值的梯度值獲得權值的梯度值,然后利用梯度值與學習速率(learning rate)的乘積并取反后再加到原來的權值中,最終實現(xiàn)對權值的更新。權值的更新過程是循環(huán)進行的,這也對應于BP算法的學習過程。輸出層數(shù)據(jù)與目標值間的誤差將逐漸縮小,當達到預定要求時,權值更新過程將停止并輸出結果。如未能達到要求,算法將根據(jù)計算的收斂程度和最大學習次數(shù)中斷循環(huán)。其數(shù)學表達關系如下所示:
輸入樣本數(shù)據(jù)定義為xi,其與權值的乘積的累加之和記為網(wǎng)絡在第j層的輸出netj。為了求得最終網(wǎng)絡輸出與期望目標的誤差,將使用
其中ti為第i個神經(jīng)元節(jié)點處的目標值,o為在輸出層第j個神經(jīng)元節(jié)點的實際輸出,E為網(wǎng)絡的輸出誤差。為了盡可能降低誤差,在BP算法中將使用梯度下降法(Gradient descent)對網(wǎng)絡中被的權值進行更新。對誤差求偏導,然后其值于學習速率 的乘積作為權值更新值Δwij,為在第j層的輸出誤差系數(shù),表達式如下:
當j為輸出神經(jīng)元節(jié)點時,Δwij更新為:
Δwij=ηxisig(netj)(tj-oj)
式中sig(netj)函數(shù)為Sigmoid傳遞函數(shù)。又當j為隱藏層神經(jīng)元節(jié)點時,其表達式為:
最后權值w的更新過程為
BP網(wǎng)絡算法是利用梯度下降算法來求得誤差的最小值點。梯度下降算法容易在收斂的過程中陷入對局部最小值的求解,而忽略了全局最小值,使BP算法的收斂達不到最佳效果。另一個潛在問題是如果訓練次數(shù)設定過高,將可能導致算法的學習效率降低,從而也會影響到收斂的效果及速度。筆者將通過對初始權值、學習速率等參數(shù)的調節(jié)來優(yōu)化算法,提高錯誤分類問題的準確率。
圖2 正常的壓力信號
圖3 含有沖壓錯誤的壓力信號
從壓力傳感器采集到的模擬信號將先通過放大器放大,然后由數(shù)據(jù)采集卡以2 000 Hz的頻率、16 bit的分辨率進行數(shù)字化,再輸入到計算機。為避免低通濾波器的通帶帶寬對信號本身產(chǎn)生影響,在軟件中將使用中值濾波(median filter)對原始采樣信號進行濾波,以消除或降低高頻干擾信號。另一個對實驗起重要作用的參數(shù)是沖壓機上下模具間的距離。這個距離信號是通過一個位移傳感器獲得,并通過采集卡傳入計算機。通過對壓力信號及位移信號的同步采集,以及對信號進行簡單加工后,可得到被沖壓板材的受力位移曲線,如圖2和圖3所示。
在神經(jīng)網(wǎng)絡算法對數(shù)據(jù)進行學習前,先要對采集數(shù)據(jù)進行特征值的提取,以減少大量輸入的數(shù)據(jù)對算法學習速率的影響(如圖2所示)。通過采集到的位移信號,將壓力信號分段,再分別提取其中的特征值。提取圖中第一段灰色區(qū)域的曲線斜率作為c1,第一個波峰的頂點坐標作為c2和c3,第二段曲線頂點坐標c4和c5以及第三段的斜率c6。將提取到的特征值與所對應的錯誤類型寫入一個向量中作為一個實驗樣本。
在測試中,分別對無錯誤的正常沖壓和含有錯誤的4種類型,即成形元件凸緣起皺、元件底部裂紋、板材從重疊和嚴重偏心進行信號采集處理及提取特征值,并對每個實驗類型取100組試驗數(shù)據(jù),共計500組試驗數(shù)據(jù)作為總數(shù)據(jù)庫。算法的訓練集取每個實驗類型的前80組數(shù)據(jù)共400組。剩余每個類型的20組數(shù)據(jù)共100組將構成算法的測試集。所有訓練和測試集的數(shù)據(jù)完全各自獨立,互不重疊。
在算法的學習過程中,將首先從訓練集讀取數(shù)據(jù)作為BP網(wǎng)絡的輸入數(shù)據(jù),然后初始化學習率和權值,設定輸入層、隱含層和輸出層的節(jié)點數(shù)。在算法完成對訓練集的學習過程后,利用測試集對算法的學習質量進行檢測,并根據(jù)結果對參數(shù)進行優(yōu)化。通過BP網(wǎng)絡的預測輸出和期望輸出的比較,分析網(wǎng)絡對輸入數(shù)據(jù)的學習程度,調整學習率,以防止算法在學習工程中不能收斂,找不到全局最小值的情況。最后通過調節(jié)隱含層節(jié)點數(shù)目,提高算法的精度及對測試數(shù)據(jù)的泛化程度和對參數(shù)擬合的速度。
表1 實驗結果
表1所示的為基于現(xiàn)有訓練及測試數(shù)據(jù)的實驗結果。第1行對應于算法對正常沖壓過程的識別,其識別率可以達到98%。算法對含有錯誤的信號的錯誤類型識別也保持較高的正確率,如表1中第2~5行所示,其最低的識別率也達到87%。
對沖壓錯誤類型識別的正確率還可以提高?,F(xiàn)有的算法是通過提取的6個特征值進行識別,但有些錯誤類型存在一定的相似度。6個特征值很難使算法最高效率的識別近似的錯誤信號,因此作為下一步的改進措施,可以對數(shù)字處理后的信號做更多的特征值提取,使之能夠更好的描述一個錯誤類型的特征。
筆者提出的基于BP網(wǎng)絡神經(jīng)算法的檢測模式應用在板材沖壓領域已經(jīng)取得了良好的效果。沖壓過程中產(chǎn)生的錯誤能夠更快、更準確地被識別和檢測出來。BP網(wǎng)絡神經(jīng)算法能以很高的識別率區(qū)分沖壓過程中正確和錯誤的情況,并且能夠區(qū)分較為復雜的具體沖壓錯誤類型。其識別效果能夠滿足現(xiàn)代沖壓機對過程檢測的要求,是一種對工業(yè)生產(chǎn)較為理想的錯誤識別方法,對提高陶瓷金屬配件生產(chǎn)質量和產(chǎn)品性能有重要意義。