楊澤青，范 敏，彭 凱，劉麗冰，黃鳳榮

(河北工業(yè)大學(xué) 機械工程學(xué)院，天津 300131)

0 引 言

發(fā)動機缸體頂面孔組的加工質(zhì)量直接影響其產(chǎn)品裝配精度，研究孔組加工質(zhì)量分級監(jiān)控方法對工藝參數(shù)的及時調(diào)整、提高加工過程質(zhì)量反饋控制的響應(yīng)速度、實現(xiàn)工序間缸體加工質(zhì)量實時監(jiān)控及柔性化生產(chǎn)具有重要意義。目前常用的質(zhì)量分級監(jiān)控方法有多元數(shù)據(jù)回歸分析[1]、支持向量機(support vector machine，SVM)[2-6]、決策樹[7]、隨機森林(random forest，RF)[8]等。如WANG等[6]基于支持向量機建立了面向銑削加工過程刀具磨損狀況的監(jiān)控系統(tǒng)，實現(xiàn)了銑削過程未磨損、中度磨損和重度磨損的刀具磨損狀態(tài)分類；M.M. Sofu等[7]將蘋果的顏色、面積等特征作為C4.5決策樹的輸入實現(xiàn)蘋果質(zhì)量分級；Bejoy Abraham等[8]將隨機森林分類器與稀疏自編碼器結(jié)合來區(qū)分臨床上的癌變細胞的無痛性或有痛性表現(xiàn)，分類精度可達93.65%。但該類方法存在監(jiān)控寬泛、動態(tài)適應(yīng)性弱等問題，難以滿足制造過程精準(zhǔn)細化的質(zhì)量智能監(jiān)控需求，不能有效及時反饋控制。如何利用數(shù)字圖像特征建立精準(zhǔn)反映加工質(zhì)量分級監(jiān)控模型成為解決發(fā)動機缸體零件頂面孔組實時智能監(jiān)控的關(guān)鍵?；谏鲜鏊悸?，本文提出一種RF和SVM相結(jié)合的工序節(jié)點處加工質(zhì)量分級監(jiān)控方法，首先采用機器視覺獲取孔組圖像特征參數(shù)，用主成分分析法對原始特征參數(shù)進行降維篩選以消除冗余信息，建立特征參數(shù)樣本集合訓(xùn)練孔組整體加工質(zhì)量分級模型及單孔加工質(zhì)量分級模型，然后用訓(xùn)練好的RF-SVM模型進行在線分級監(jiān)控，從而提高響應(yīng)速度和生產(chǎn)效率。

1 發(fā)動機缸體孔組加工質(zhì)量分級監(jiān)控方法

1.1 發(fā)動機缸體孔組加工質(zhì)量特征描述

發(fā)動機缸體作為發(fā)動機的核心部件之一，既是發(fā)動機的基礎(chǔ)零件和骨架，又是發(fā)動機總裝配時的基準(zhǔn)零件，其加工精度直接關(guān)系到曲軸、連桿、活塞運動的準(zhǔn)確性，以及換氣、冷卻和潤滑系統(tǒng)的正常運作。缸體結(jié)構(gòu)復(fù)雜，主要由缸體底面、頂面、前后端面、頂面缸孔系、前后端面孔系、頂面排氣面孔系、底面進氣面孔系、主軸承孔、缸孔、曲軸孔、瓦蓋結(jié)合面及噴油嘴等組成，其中缸體頂面孔組加工精度對其它型面和孔系加工起重要作用，與其它加工特征有強關(guān)聯(lián)性，且加工過程異常狀態(tài)識別具有較大的不確定性，直接影響工序間動態(tài)基準(zhǔn)的校準(zhǔn)、加工工藝參數(shù)的及時調(diào)整及工序間主要幾何要素的加工質(zhì)量，并且影響加工過程質(zhì)量反饋控制的響應(yīng)速度及后續(xù)發(fā)動機裝配精度的保障。

數(shù)字圖像為加工過程運行狀態(tài)高耦合、非線性特征分析提供依據(jù)，這里采用機器視覺方法檢測缸體頂面缸孔系加工質(zhì)量，獲取凸包算法填充圓的孔間距、長軸、短軸、周長、面積、似圓度、長短軸差值以及最小二乘法擬合圓半徑這8個特征參數(shù)對發(fā)動機缸體孔組質(zhì)量進行描述，如圖1所示。

圖1 缸孔特征參數(shù)

特征參數(shù)具體獲取方式為：利用最小面積外接矩形計算每個缸孔的長、短軸，可間接獲得長短軸差值；通過統(tǒng)計凸包擬合圓的邊緣相鄰像素對之間的距離來獲取周長；通過統(tǒng)計凸包擬合圓的圓內(nèi)像素個數(shù)計算面積；計算每個缸孔的質(zhì)心以求取孔間距；利用最小二乘法擬合圓公式直接獲取圓半徑；利用式(1)來計算似圓度

O=4*π*Area/Perimeter2

(1)

其中，Area為所求區(qū)域面積，Perimeter為所求區(qū)域周長。

1.2 加工質(zhì)量分級監(jiān)控方法

上述特征參數(shù)直接反映了孔組的加工精度，為準(zhǔn)確、快速實現(xiàn)發(fā)動機缸體頂面孔組加工質(zhì)量分級，首先對特征參數(shù)用主成分分析法進行降維處理，建立訓(xùn)練樣本集合，將訓(xùn)練樣本集合的特征參數(shù)作輸入建立并訓(xùn)練分級監(jiān)控模型，最終實現(xiàn)孔組加工質(zhì)量分級。

適合的分級器是實現(xiàn)孔組質(zhì)量準(zhǔn)確、快速分級的關(guān)鍵。由于獲取的特征參數(shù)是連續(xù)變量且特征參數(shù)一般不會缺失的特點，支持向量機、C4.5決策樹及隨機森林對連續(xù)變量值表現(xiàn)出較好的處理、分級效果，因此通過對比分析，從中選擇最合適的分級算法。

1.2.1 支持向量機

支持向量機(support vector machine，SVM)是建立在統(tǒng)計學(xué)習(xí)的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上[10]，能較好解決小樣本、非線性、高維數(shù)、避免神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部極小點等實際問題，但對缺失數(shù)據(jù)敏感。算法思想是建立一個超平面作為決策曲面，將不同類別的樣本劃分開，其學(xué)習(xí)策略是間隔最大化，最終轉(zhuǎn)化為一個凸二次規(guī)劃求解最優(yōu)分類函數(shù)的問題，最優(yōu)分類函數(shù)f(x) 如式(2)所示

(2)

通過引入核函數(shù)解決在原始空間中線性不可分的問題，此時最優(yōu)分類函數(shù)為式(3)，常用的核函數(shù)有線性核函數(shù)、二次核函數(shù)、多項式核函數(shù)、徑向基函數(shù)和多層感知器等。結(jié)合線性不可分問題及徑向基核函數(shù)同時適用于小樣本、大樣本，高維、低維特點，選用徑向基函數(shù)作為核函數(shù)

(3)

其中，K為徑向基核函數(shù)，它的核參數(shù)gamma的選取直接影響支持向量機的分級效果。

1.2.2 C4.5決策樹

C4.5決策樹[7]是以規(guī)則為基礎(chǔ)的歸納學(xué)習(xí)方法，能夠處理具有缺失特征參數(shù)的訓(xùn)練數(shù)據(jù)及連續(xù)變量，但使用的熵模型中的大量對數(shù)運算提高了運算強度。C4.5決策樹由上層的一個根結(jié)點、中間層的若干內(nèi)部結(jié)點以及底層的若干葉結(jié)點3部分組成，采用自上而下的建樹方式，根結(jié)點包含樣本全集，選擇信息增益率最大的特征參數(shù)作為內(nèi)部結(jié)點的劃分依據(jù)，由決策規(guī)則輸出葉結(jié)點的分級結(jié)果。其中某特征參數(shù)的信息增益率計算為：

假設(shè)D為樣本集合，樣本集合D的信息熵Ent(D) 為，那么

(4)

其中，n為類別數(shù)，pk指當(dāng)前樣本集合D中第k類樣本所占比例。

若特征參數(shù)連續(xù)，則先將其離散化，離散特征參數(shù)a有V個可能的取值 {a1,a2,…aV}，若使用特征參數(shù)a對樣本集合D進行劃分，則會產(chǎn)生V個分支結(jié)點，其中第v個分支結(jié)點包含了D中所有在特征參數(shù)a上取值為av的樣本，記為Dv，根據(jù)式(4)可計算出Dv的信息熵Ent(Dv)，從而可得特征參數(shù)a對樣本D進行劃分的“信息增益”Gain(D,a) 為式(5)[14]

(5)

那么特征參數(shù)a的信息增益率Gain_ratio(D,a) 為式(6)

(6)

式中

(7)

由式(7)可知，特征參數(shù)a的可取值數(shù)目越少(即V越小)，IV(a) 的值通常會越小，此時的信息增益率越大，說明信息增益率準(zhǔn)則對可取值數(shù)目較少的特征參數(shù)有所偏好，所以C4.5決策樹采用先從候選劃分特征參數(shù)中找出信息增益高于平均水平的特征參數(shù)，再從中選擇信息增益率最高的特征參數(shù)[15]。

1.2.3 隨機森林

隨機森林(random forest，RF)本質(zhì)上是一種非線性多類分類器，在以決策樹為“基學(xué)習(xí)器”并行化構(gòu)建弱分類器的基礎(chǔ)上，進一步在決策樹的訓(xùn)練過程中引入隨機選擇[10]，使其不易陷入過擬合、可解決決策樹泛化能力弱的問題，有良好的抗噪能力，能處理連續(xù)屬性值并且訓(xùn)練可高度并行化，對大樣本訓(xùn)練有速度優(yōu)勢，在處理小樣本、高維度數(shù)據(jù)時也能獲得較好的性能。

隨機森林是從N個樣本集合中采用bootsrap sampling采樣方法抽取N個樣本，假設(shè)每個樣本的總特征參數(shù)為M，從中隨機選取m個特征，將采樣后的N個樣本集合作為一棵CART決策樹的根節(jié)點，選擇Gini指數(shù)(如式(9)所示)最小的特征參數(shù)作為內(nèi)部結(jié)點的劃分依據(jù)，在決策樹的葉結(jié)點處輸出分級結(jié)果，利用同樣的方法建立t棵CART決策樹，由決策樹的投票最大概率決定測試樣本的分級結(jié)果。

假設(shè)D為樣本集合，用Gini(D) 表示樣本集合D的Gini值，那么如式(8)所示

(8)

其中，n為類別數(shù)，pk指當(dāng)前樣本集合D中第k類樣本所占比例。

特征參數(shù)a的Gini指數(shù)Gini_index(D,a) 如式(9)所示

(9)

其符號定義與式(5)相同。

1.2.4 多工序加工質(zhì)量分級監(jiān)控模型

為減少發(fā)動機缸體零件多工序加工質(zhì)量指標(biāo)之間的誤差傳播、耦合與累積對產(chǎn)品加工質(zhì)量穩(wěn)定性的影響，將監(jiān)控模型細化到工序節(jié)點處質(zhì)量指標(biāo)層面，結(jié)合隨機森林處理高維度、非線性、相關(guān)性特征參數(shù)優(yōu)勢以及支持向量機處理小樣本、高維度、非線性特征參數(shù)速度快優(yōu)點，提出一種隨機森林與支持向量機相結(jié)合的分級監(jiān)控方法，提高復(fù)雜工件加工過程質(zhì)量監(jiān)控策略的合理性，建立多工序加工質(zhì)量分級監(jiān)控模型，如圖2所示，監(jiān)控模型包括離線訓(xùn)練和在線監(jiān)控兩個階段，各階段的實現(xiàn)步驟如下：

(1)離線訓(xùn)練階段

步驟1 降維處理：采用主成分分析法將提取的各缸孔7個特征參數(shù)降維處理為3個分級主特征參數(shù)；

步驟2 建立訓(xùn)練樣本集合1(N*(M+1))：其中N為發(fā)動機缸體樣本數(shù)，M是樣本的總特征參數(shù)，包括步驟1處理得到的各缸孔分級主特征參數(shù)與4個缸孔相鄰孔間距特征參數(shù)，(M+1)列表示特征參數(shù)與孔組級別標(biāo)簽的組合形式；

步驟3 建立單棵CART決策樹：采用隨機、有放回采樣方法從訓(xùn)練樣本集合1中抽取N個樣本作為單棵CART決策樹的訓(xùn)練樣本(N行*(m+1)列)，其中m為從總的特征參數(shù)M中隨機選取的特征參數(shù)數(shù)量；

步驟4 確定m值：若總的特征參數(shù)數(shù)量為M，那么隨機抽取的特征參數(shù)數(shù)量m可以是sqrt(M)、 1/2sqrt(M) 或2sqrt(M)，一般選使袋外誤差最小的m；

步驟5 構(gòu)建并訓(xùn)練隨機森林分級模型：模型由t棵CART決策樹組成，一般決策樹數(shù)量t由訓(xùn)練樣本的袋外誤差最小值確定，訓(xùn)練t棵決策樹，使每個子決策樹輸出一個結(jié)果，將概率最大者作為隨機森林分級模型的輸出；

步驟6 若步驟5得到缸體頂面孔組加工質(zhì)量分級結(jié)果為“1(優(yōu))”，則直接進入下一道生產(chǎn)工序；若分級結(jié)果為“-1(差)”，則該缸體退出生產(chǎn)線；若分級結(jié)果為“0(良)”，則需采用支持向量機對各單孔加工質(zhì)量進行二次分級監(jiān)控，進入步驟7；

步驟7 構(gòu)建并訓(xùn)練單孔加工質(zhì)量支持向量機分級模型：將各缸孔分級主特征參數(shù)及單孔級別標(biāo)簽建立訓(xùn)練樣本集合2(O*(P+1))，其中O為單缸孔樣本數(shù)，P為缸孔特征參數(shù)數(shù)量，訓(xùn)練支持向量機分級模型，確定錯分懲罰因子和核參數(shù)，進而得到單孔加工質(zhì)量分級監(jiān)控模型。

(2)在線監(jiān)控階段

步驟8 通過機器視覺采集工序間工件圖像，提取主特征參數(shù)，監(jiān)控窗口得到監(jiān)測數(shù)據(jù)；

步驟9 將監(jiān)測數(shù)據(jù)輸入步驟5中離線訓(xùn)練好的缸體頂面孔組加工質(zhì)量隨機森林分級監(jiān)控模型，若分級結(jié)果為“1(優(yōu))”，則直接進入下一道生產(chǎn)工序；若分級結(jié)果為“-1(差)”，則該缸體退出生產(chǎn)線，并在監(jiān)控窗口中記錄相關(guān)信息為后續(xù)加工誤差追蹤溯源提供數(shù)據(jù)來源；若分級結(jié)果為“0(良)”，則進入步驟10；

步驟10 將監(jiān)測數(shù)據(jù)輸入步驟7中離線訓(xùn)練好的單孔加工質(zhì)量支持向量機分級監(jiān)控模型進行二次分級監(jiān)控，若分級結(jié)果為“Ⅰ”，說明該單孔滿足工序公差要求，可進入下一工序；若分級結(jié)果為“Ⅱ”，需調(diào)整加工工藝參數(shù)對該單孔進行二次加工、檢測，重復(fù)步驟8～步驟10分級監(jiān)控步驟。

圖2 加工質(zhì)量分級監(jiān)控方法流程

2 應(yīng)用實例

2.1 檢測系統(tǒng)構(gòu)建

為滿足發(fā)動機缸體生產(chǎn)線自動、快速、在線檢測要求，驗證所提出的加工質(zhì)量分級監(jiān)控模型的合理性和有效性，在CNC加工中心集成發(fā)動機缸體頂面孔組加工質(zhì)量在線檢測系統(tǒng)獲取數(shù)字圖像特征參數(shù)。在線檢測系統(tǒng)由CCD相機、遠心鏡頭、環(huán)形光源、千兆以太網(wǎng)線、相機支架等構(gòu)成，如圖3所示。由被測對象特點、測量精度、物距及視場范圍選用型號為MV-EM120M(分辨率為1280×960)的工業(yè)CCD相機、焦距為8 mm、型號為VT0814-M2的遠心定焦工業(yè)鏡頭；為解決垂直光照射易產(chǎn)生缸孔內(nèi)側(cè)及通孔底部反光的問題，選用兩個成120°的白色環(huán)形光源從兩側(cè)照射發(fā)動機缸體頂面以保證缸孔部位與頂面有較大的灰度差，為圖像分割提供保障。

圖3 在線檢測系統(tǒng)組成及安裝

2.2 特征提取

為獲取發(fā)動機缸體孔組加工質(zhì)量特征參數(shù)，需要將工業(yè)相機采集的發(fā)動機缸體原始灰度圖像進行預(yù)處理，后進行邊緣檢測、邊緣細化和邊緣擬合，提取與孔組加工質(zhì)量及形位精度相關(guān)的圖像特征參數(shù)。

2.2.1 圖像預(yù)處理

發(fā)動機缸體零件圖像預(yù)處理步驟如圖4所示，首先對采集的發(fā)動機缸體原始灰度圖像進行圖像裁剪，去除與缸孔無關(guān)的背景區(qū)域；采用5×5中值濾波及二維小波變換去噪，且利用圖像銳化補償圖像輪廓，增強圖像缸孔邊緣與頂面的對比度；針對發(fā)動機缸體缸孔的形態(tài)特點，考慮到目標(biāo)形狀是近圓形，選擇半徑為3的圓盤形結(jié)構(gòu)元素[11]對銳化處理后的圖像進行灰度形態(tài)學(xué)閉運算操作[12]，保留更多有用信息，發(fā)現(xiàn)閉運算后的直方圖為理想雙模直方圖；結(jié)合OTSU閾值分割法在處理雙?；蚨嗄D像直方圖的優(yōu)勢[13]，這里采用OTSU閾值分割法實現(xiàn)快速、準(zhǔn)確的圖像分割[14]，得到初始二值化圖像；然后進行閉合區(qū)域孔洞填充，為清除缸孔邊緣毛刺，選擇半徑為3的圓盤形結(jié)構(gòu)元素進行二值形態(tài)學(xué)開運算操作；最后，設(shè)置閾值T，利用去除小面積算法將像素面積小于T的連通區(qū)域去除。

圖4 圖像預(yù)處理

2.2.2 邊緣檢測和邊緣細化

輪廓是物體最重要的屬性之一,邊緣檢測的準(zhǔn)確性將直接影響尺寸測量的效果[15,16]。結(jié)合Canny算子的低誤碼率、高定位精度和抑制虛假邊緣等優(yōu)點，這里首先采用Canny算子初定位缸孔邊緣，然后采用形態(tài)學(xué)細化邊緣的方法進一步提高定位精度，選取其中一個缸孔的邊緣處理結(jié)果如圖5所示。

圖5 邊緣處理結(jié)果

2.2.3 凸包處理

為避免由光照反射及遮擋影響輪廓提取效果，剔除邊緣內(nèi)陷產(chǎn)生的凹陷點，這里采用二維凸包算法Graham掃描法提取凸包點，擬合一個新圓，然后填充凹陷區(qū)域，恢復(fù)缸孔輪廓，如圖6所示，進而提取每個缸孔凸包算法填充圓的長軸、短軸、周長、面積、似圓度、長短軸差值6個特征參數(shù)及4個缸孔間相鄰孔的3個孔間距。

圖6 凸包處理結(jié)果對比

2.2.4 最小二乘圓擬合

結(jié)合最小二乘法處理速度快、可滿足實時在線檢測需求的優(yōu)點，為精確描述缸孔加工質(zhì)量，需提取每個缸孔最小二乘擬合圓半徑特征參數(shù)。當(dāng)缸孔邊緣存在凹陷點時，直接最小二乘圓擬合結(jié)果如圖7(a)所示，可知凹陷點對最小二乘擬合會產(chǎn)生干擾，擬合的圓與實際輪廓有較大偏差，所以，這里采用凸包算法先提取凸包點，再進行最小二乘圓擬合的處理方法，結(jié)果如圖7(b)所示。

2.2.5 特征參數(shù)提取結(jié)果

采用上述特征提取方法獲取的某型號發(fā)動機缸體零件各缸孔的長軸、短軸、周長、面積、似圓度、長短軸差值、最小二乘擬合圓半徑7個特征參數(shù)及4個缸孔間相鄰孔的3個孔間距特征參數(shù)見表1。

表1 發(fā)動機缸體頂面孔組特征參數(shù)

為驗證圖像處理方法及特征提取的合理性，計算各缸孔的實際直徑、測量直徑(測量直徑=(長軸+短軸)/2)的絕對誤差和相對誤差，見表2，最大相對誤差為0.079%，說明圖像處理方法可滿足測量精度要求。

表2 缸孔直徑測量結(jié)果

2.3 特征參數(shù)處理

為消除原始數(shù)據(jù)中的冗余信息，采用主成分分析法對提取的特征參數(shù)進行降維處理[1]，首先將提取的每個缸孔的長軸、短軸、周長、面積、似圓度、長短軸差值、最小二乘法擬合圓半徑7個相關(guān)性特征參數(shù)進行標(biāo)準(zhǔn)化處理，消除量綱不同對分析的影響，如式(10)所示，利用標(biāo)準(zhǔn)化處理后的數(shù)據(jù)求取每個缸孔的相關(guān)系數(shù)矩陣R，如式(11)所示。用雅克比方法求相關(guān)系數(shù)矩陣R的特征值和特征向量，然后根據(jù)某個特征參數(shù)的特征值占全部特征值的比重來求取各個特征參數(shù)的貢獻率，如式(12)所示，最終根據(jù)累計貢獻率選取能包含大部分原始信息的特征參數(shù)作為主成分

(10)

(11)

(12)

其中，P為貢獻率，p為特征根的個數(shù)，p=7，λi為第j個特征根。

將包含20個優(yōu)級缸孔、20個良級缸孔及20個差級缸孔的長短軸差值、似圓度、周長、面積、最小二乘擬合圓半徑、長軸、短軸7個特征參數(shù)作為主成分分析數(shù)據(jù)，得到的特征根、貢獻率及累計貢獻率見表3，可以看出，似圓度、長短軸差值及最小二乘擬合圓半徑的累計貢獻率超過98%，因此選用長短軸差值、似圓度與最小二乘圓擬合半徑這3個互不相關(guān)的主特征參數(shù)對發(fā)動機缸體孔組加工質(zhì)量進行描述。

表3 缸孔加工質(zhì)量的主成分分析數(shù)據(jù)

2.4 發(fā)動機缸體孔組加工質(zhì)量分級監(jiān)控實現(xiàn)

利用本文所提出的RF-SVM分級監(jiān)控模型對某型號發(fā)動機缸體頂面孔組加工質(zhì)量進行分級監(jiān)控。首先，在發(fā)動機缸體柔性生產(chǎn)線上批量選取90個缸體(包括優(yōu)級、良級、差級缸體各30個)零件作為研究對象，在工序間采用機器視覺系統(tǒng)采集發(fā)動機缸體頂面圖像，通過上述特征提取及主成分分析法選用90個缸體的單缸孔似圓度、長短軸差值、最小二乘擬合圓半徑及4個缸孔間相鄰孔的3個孔間距特征參數(shù)，將其與孔組級別標(biāo)簽建立特征參數(shù)樣本集合1(90行*16列)，從中按1∶1隨機抽取訓(xùn)練樣本集合1和測試樣本集合1用來訓(xùn)練和測試RF分級模型的精度。

RF分級模型的特征子集個數(shù)m和決策樹數(shù)量t直接影響其分級準(zhǔn)確率，根據(jù)m的選取規(guī)則，對特征子集個數(shù)m取值為2～8時的袋外誤差值進行比較，選取使袋外誤差最小的m值；決策樹的數(shù)量t則選擇使袋外誤差穩(wěn)定時對應(yīng)的數(shù)值[15]。將訓(xùn)練樣本集合1作為RF分級模型的輸入，m和t的尋優(yōu)過程如圖8和圖9所示?？芍?，當(dāng)m=4時，RF分級模型的袋外誤差值最小，為0.0222；當(dāng)t≥150時，RF分級模型袋外誤差值開始趨于穩(wěn)定，不再隨著t值的增加而波動，因此，選擇m=4，t=150建立RF分級監(jiān)控模型，利用測試樣本集合1對RF分級監(jiān)控模型的分級準(zhǔn)確率進行驗證，得到其分級精度為97.778%。

圖8 m值尋優(yōu)折線

圖9 RF分級模型分級錯誤率

提取工業(yè)現(xiàn)場采集的缸體頂面孔組圖像的特征參數(shù)，將其輸入離線訓(xùn)練好的RF分級監(jiān)控模型中進行分級識別，若孔組加工質(zhì)量分級結(jié)果為“1(優(yōu))”，則直接進入下一道生產(chǎn)工序；若分級結(jié)果為“-1(差)”時，則該缸體退出生產(chǎn)線，并在監(jiān)控窗口中記錄相關(guān)信息，以便后續(xù)對加工誤差追蹤溯源；若分級結(jié)果為“0(良)”，則需進一步采用支持向量機對各單孔加工質(zhì)量進行二次分級監(jiān)控。

將240個“Ⅰ”、“Ⅱ”級缸孔(各級別缸孔120個)的似圓度、最小二乘擬合圓半徑和長短軸差值特征參數(shù)及單孔級別標(biāo)簽建立樣本集合2(240行×4列)，從中按 1∶1 隨機抽取訓(xùn)練樣本集合2和測試樣本集合2用來訓(xùn)練和測試SVM分級模型的精度。這里選用徑向基核函數(shù)，需要確定錯分懲罰因子c和核參數(shù)gamma，采用網(wǎng)格搜索法選擇交叉驗證正確率最高的那組c和gamma值，并對其泛化能力進行評估，將訓(xùn)練樣本集合2作為SVM分級模型的輸入，c和gamma值的尋優(yōu)過程如圖10所示。當(dāng)c= 0.0039063、g=256時，建立的SVM分級監(jiān)控模型分級效果最佳，此時模型的交叉驗證正確率為100%，利用測試樣本集合2對SVM分級監(jiān)控模型的分級準(zhǔn)確率進行驗證，得到其分級精度為99.167%。

圖10 SVM分級模型參數(shù)選擇結(jié)果

為進一步驗證本文所提的RF-SVM分級監(jiān)控模型的有效性[16]，利用上述樣本集合1及樣本集合2作為數(shù)據(jù)來源，將其與RF分級模型、SVM分級模型、C4.5決策樹分級模型的平均分級精度和運行時間進行對比，如表4及圖11可知，不同的分級模型在分級精度及分級時間都存在較大差異，雖然SVM分級模型有最少的運行時間，但其分級精度低于RF分級模型；C4.5決策樹分級模型則因其內(nèi)部大量的對數(shù)運算，使得分級時間大幅度增加；本文提出的RF-SVM分級模型與其它模型相比不但提高了分級精度而且降低了運行時間，表明其在動態(tài)監(jiān)控缸體頂面孔組加工質(zhì)量時更有優(yōu)勢。

表4 不同模型的分級結(jié)果對比

圖11 不同模型的分級結(jié)果對比

3 結(jié)束語

本文將隨機森林和支持向量機進行有效結(jié)合，并根據(jù)發(fā)動機缸體零件多工序加工質(zhì)量監(jiān)控特點，將監(jiān)控模型細化到工序節(jié)點處質(zhì)量指標(biāo)層面，提出了基于RF-SVM的發(fā)動機缸體孔組加工質(zhì)量分級監(jiān)控模型。通過與RF模型、SVM模型、決策樹C4.5模型分級識別對比結(jié)果表明：RF-SVM模型具有較高的分級識別精度及較低的運行耗時，實現(xiàn)對孔組整體加工質(zhì)量分級精度可達97.778%，單孔分級精度可達99.167%，運行耗時為20.236 ms，說明該模型能動態(tài)在機監(jiān)控發(fā)動機缸體頂面孔組的加工質(zhì)量，且能快速響應(yīng)發(fā)動機缸體柔性生產(chǎn)線制造過程，提高其加工質(zhì)量反饋控制策略的合理性。然而，在一些復(fù)雜工序節(jié)點處，需要在機檢測及提取其它特征參數(shù)，并根據(jù)樣本數(shù)據(jù)的分布特點，采用不同的主元特征和處理方法以提高模型的識別精度和訓(xùn)練效率，這將在以后的研究中進行探討。