李玉科

(青島海益電加工機(jī)床研究所 山東 青島 266003)

隨著陶瓷工業(yè)和技術(shù)的突飛猛進(jìn)，陶瓷金屬配件的運(yùn)用越來越多，對(duì)其質(zhì)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(cuò)誤會(huì)直接導(dǎo)致生產(chǎn)不合格產(chǎn)品，輕則會(huì)損壞模具和損傷沖壓機(jī)關(guān)鍵部件，重則會(huì)帶來對(duì)人民生命財(cái)產(chǎn)的巨大損失。對(duì)此，研究分析沖壓過程中的錯(cuò)誤及其產(chǎn)生的原因，并開發(fā)神經(jīng)網(wǎng)絡(luò)分類算法對(duì)錯(cuò)誤進(jìn)行自動(dòng)診斷的技術(shù)具有重要現(xiàn)實(shí)意義。

目前，國(guó)內(nèi)外高校和工業(yè)界都在對(duì)此項(xiàng)技術(shù)進(jìn)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(hào)進(jìn)行分析和錯(cuò)誤診斷，不但可以對(duì)沖壓出的產(chǎn)品質(zhì)量進(jìn)行直接的判斷，而且可以實(shí)現(xiàn)對(duì)錯(cuò)誤產(chǎn)生原因的分析，從而實(shí)現(xiàn)對(duì)機(jī)床和模具的保護(hù)。筆者通過對(duì)沖壓過程中采集的多路數(shù)字信號(hào)進(jìn)行處理，利用特定的人工智能神經(jīng)網(wǎng)絡(luò)分類算法，診斷分析不同板材加工錯(cuò)誤的試驗(yàn)數(shù)據(jù)。實(shí)驗(yàn)證明，神經(jīng)網(wǎng)絡(luò)分類算法在實(shí)際操作過程中能夠取得很好的效果。

1 沖壓板材錯(cuò)誤診斷機(jī)理

在實(shí)際的板材沖壓過程中，可能會(huì)由于各種原因?qū)е虏缓细癞a(chǎn)品的產(chǎn)生，例如模具安裝不當(dāng)，上下模的間隙配合不合理，板材與模具間缺少潤(rùn)滑等，都會(huì)導(dǎo)致沖壓過程的錯(cuò)誤。這些錯(cuò)誤的形式多樣，產(chǎn)生原因也各有不同。筆者對(duì)幾種常見的沖壓錯(cuò)誤類型進(jìn)行分析和研究，從中總結(jié)了各自的測(cè)量信號(hào)特征，從而實(shí)現(xiàn)利用神經(jīng)網(wǎng)絡(luò)算法對(duì)錯(cuò)誤類型的自動(dòng)分類。幾種常見的沖壓錯(cuò)誤類型如下：

1.1 沖壓成形元件凸緣起皺

板材在沖壓過程中，如果彈簧的壓邊力設(shè)置過低，極容易使板材在變形時(shí)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(huì)導(dǎo)致成形后的元件帶有凸緣起皺。

1.2 沖壓成形元件板材底部裂紋

成形元件出現(xiàn)底部裂紋是一種常見的錯(cuò)誤類型。當(dāng)凸緣變形過大時(shí)，筒壁所受到的拉應(yīng)力高于材料本身能夠承受的拉伸極限屈服強(qiáng)度，會(huì)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(cuò)誤大多由凸模下降過快或板材表面潤(rùn)滑不足所導(dǎo)致。

1.3 板材重疊

材料的重疊錯(cuò)誤多發(fā)生于多級(jí)沖壓機(jī)的自動(dòng)送料過程中。在自動(dòng)送料機(jī)構(gòu)運(yùn)行不穩(wěn)定的情況下，時(shí)常會(huì)出現(xiàn)送料過度的錯(cuò)誤，即板材重疊錯(cuò)誤。如果這種錯(cuò)誤在沖壓機(jī)自動(dòng)運(yùn)行時(shí)不被及時(shí)發(fā)現(xiàn)，就很容易造成凸、凹模具的同時(shí)損壞，造成較大的經(jīng)濟(jì)損失。筆者對(duì)這種典型的錯(cuò)誤形式進(jìn)行了研究分析，使之能夠通過人工智能算法自動(dòng)識(shí)別。

1.4 板材形狀缺失或嚴(yán)重偏心

另一種常見的由自動(dòng)送料機(jī)構(gòu)引發(fā)的錯(cuò)誤是板材的填料不足或板料出現(xiàn)嚴(yán)重的偏心。這種錯(cuò)誤可導(dǎo)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。

2 BP神經(jīng)網(wǎng)絡(luò)介紹

Backpropagation of Error (簡(jiǎn)稱BP算法)廣義上講，是一種基于人工智能的神經(jīng)網(wǎng)絡(luò)算法。它是通過多層前饋網(wǎng)絡(luò)算法結(jié)構(gòu)，實(shí)現(xiàn)誤差反向傳播，進(jìn)而達(dá)到學(xué)習(xí)訓(xùn)練集數(shù)據(jù)的目的，常被應(yīng)用于對(duì)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(xué)習(xí)和分類結(jié)果。因此，BP神經(jīng)網(wǎng)絡(luò)算法在圖像處理加工領(lǐng)域、故障自動(dòng)診斷領(lǐng)域、系統(tǒng)及模式識(shí)別分類中廣泛應(yīng)用。筆者將對(duì)采集的力學(xué)信號(hào)及其所對(duì)應(yīng)的沖壓錯(cuò)誤類型進(jìn)行BP神經(jīng)網(wǎng)絡(luò)分析，從而使系統(tǒng)能夠根據(jù)測(cè)量到的數(shù)據(jù)進(jìn)行自動(dòng)分類識(shí)別。

3 基于BP神經(jīng)網(wǎng)絡(luò)的錯(cuò)誤識(shí)別原理

BP神經(jīng)網(wǎng)絡(luò)屬于監(jiān)督式學(xué)習(xí)(Superisedlearning)，利用在多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的最小均方算法(Least MeanSquares Algorithmus)計(jì)算學(xué)習(xí)誤差。它是由對(duì)采集信號(hào)的正向傳播過程和對(duì)計(jì)算誤差的反向傳播原理組成。在正向信號(hào)傳播的過程中，采集信號(hào)作為輸入樣本傳入輸入層，再由隱含層對(duì)其進(jìn)行計(jì)算加工，所得數(shù)據(jù)將繼續(xù)傳遞到輸出層,其網(wǎng)絡(luò)的基本結(jié)構(gòu)圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)多層結(jié)構(gòu)模型

如果輸出層數(shù)據(jù)與對(duì)應(yīng)目標(biāo)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(diào)節(jié)每個(gè)節(jié)點(diǎn)上的權(quán)值。權(quán)值的調(diào)節(jié)首先是通過對(duì)輸入激勵(lì)與反傳誤差求積，即權(quán)值的梯度值獲得權(quán)值的梯度值，然后利用梯度值與學(xué)習(xí)速率(learning rate)的乘積并取反后再加到原來的權(quán)值中，最終實(shí)現(xiàn)對(duì)權(quán)值的更新。權(quán)值的更新過程是循環(huán)進(jìn)行的，這也對(duì)應(yīng)于BP算法的學(xué)習(xí)過程。輸出層數(shù)據(jù)與目標(biāo)值間的誤差將逐漸縮小，當(dāng)達(dá)到預(yù)定要求時(shí)，權(quán)值更新過程將停止并輸出結(jié)果。如未能達(dá)到要求，算法將根據(jù)計(jì)算的收斂程度和最大學(xué)習(xí)次數(shù)中斷循環(huán)。其數(shù)學(xué)表達(dá)關(guān)系如下所示：

輸入樣本數(shù)據(jù)定義為xi,其與權(quán)值的乘積的累加之和記為網(wǎng)絡(luò)在第j層的輸出netj。為了求得最終網(wǎng)絡(luò)輸出與期望目標(biāo)的誤差，將使用

其中ti為第i個(gè)神經(jīng)元節(jié)點(diǎn)處的目標(biāo)值，o為在輸出層第j個(gè)神經(jīng)元節(jié)點(diǎn)的實(shí)際輸出，E為網(wǎng)絡(luò)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(duì)網(wǎng)絡(luò)中被的權(quán)值進(jìn)行更新。對(duì)誤差求偏導(dǎo)，然后其值于學(xué)習(xí)速率 的乘積作為權(quán)值更新值Δwij，為在第j層的輸出誤差系數(shù)，表達(dá)式如下：

當(dāng)j為輸出神經(jīng)元節(jié)點(diǎn)時(shí),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(dāng)j為隱藏層神經(jīng)元節(jié)點(diǎn)時(shí)，其表達(dá)式為：

最后權(quán)值w的更新過程為

BP網(wǎng)絡(luò)算法是利用梯度下降算法來求得誤差的最小值點(diǎn)。梯度下降算法容易在收斂的過程中陷入對(duì)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(dá)不到最佳效果。另一個(gè)潛在問題是如果訓(xùn)練次數(shù)設(shè)定過高，將可能導(dǎo)致算法的學(xué)習(xí)效率降低，從而也會(huì)影響到收斂的效果及速度。筆者將通過對(duì)初始權(quán)值、學(xué)習(xí)速率等參數(shù)的調(diào)節(jié)來優(yōu)化算法，提高錯(cuò)誤分類問題的準(zhǔn)確率。

4 基于BP神經(jīng)網(wǎng)絡(luò)的沖壓加工錯(cuò)誤自動(dòng)診斷

圖2 正常的壓力信號(hào)

圖3 含有沖壓錯(cuò)誤的壓力信號(hào)

4.1 信號(hào)采集及處理

從壓力傳感器采集到的模擬信號(hào)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(jìn)行數(shù)字化，再輸入到計(jì)算機(jī)。為避免低通濾波器的通帶帶寬對(duì)信號(hào)本身產(chǎn)生影響，在軟件中將使用中值濾波(median filter)對(duì)原始采樣信號(hào)進(jìn)行濾波，以消除或降低高頻干擾信號(hào)。另一個(gè)對(duì)實(shí)驗(yàn)起重要作用的參數(shù)是沖壓機(jī)上下模具間的距離。這個(gè)距離信號(hào)是通過一個(gè)位移傳感器獲得，并通過采集卡傳入計(jì)算機(jī)。通過對(duì)壓力信號(hào)及位移信號(hào)的同步采集，以及對(duì)信號(hào)進(jìn)行簡(jiǎn)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(luò)算法對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)前，先要對(duì)采集數(shù)據(jù)進(jìn)行特征值的提取，以減少大量輸入的數(shù)據(jù)對(duì)算法學(xué)習(xí)速率的影響(如圖2所示)。通過采集到的位移信號(hào)，將壓力信號(hào)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(gè)波峰的頂點(diǎn)坐標(biāo)作為c2和c3，第二段曲線頂點(diǎn)坐標(biāo)c4和c5以及第三段的斜率c6。將提取到的特征值與所對(duì)應(yīng)的錯(cuò)誤類型寫入一個(gè)向量中作為一個(gè)實(shí)驗(yàn)樣本。

4.2 學(xué)習(xí)分類過程

在測(cè)試中，分別對(duì)無錯(cuò)誤的正常沖壓和含有錯(cuò)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(yán)重偏心進(jìn)行信號(hào)采集處理及提取特征值，并對(duì)每個(gè)實(shí)驗(yàn)類型取100組試驗(yàn)數(shù)據(jù)，共計(jì)500組試驗(yàn)數(shù)據(jù)作為總數(shù)據(jù)庫。算法的訓(xùn)練集取每個(gè)實(shí)驗(yàn)類型的前80組數(shù)據(jù)共400組。剩余每個(gè)類型的20組數(shù)據(jù)共100組將構(gòu)成算法的測(cè)試集。所有訓(xùn)練和測(cè)試集的數(shù)據(jù)完全各自獨(dú)立，互不重疊。

在算法的學(xué)習(xí)過程中，將首先從訓(xùn)練集讀取數(shù)據(jù)作為BP網(wǎng)絡(luò)的輸入數(shù)據(jù)，然后初始化學(xué)習(xí)率和權(quán)值，設(shè)定輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)。在算法完成對(duì)訓(xùn)練集的學(xué)習(xí)過程后，利用測(cè)試集對(duì)算法的學(xué)習(xí)質(zhì)量進(jìn)行檢測(cè)，并根據(jù)結(jié)果對(duì)參數(shù)進(jìn)行優(yōu)化。通過BP網(wǎng)絡(luò)的預(yù)測(cè)輸出和期望輸出的比較，分析網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)的學(xué)習(xí)程度，調(diào)整學(xué)習(xí)率，以防止算法在學(xué)習(xí)工程中不能收斂，找不到全局最小值的情況。最后通過調(diào)節(jié)隱含層節(jié)點(diǎn)數(shù)目，提高算法的精度及對(duì)測(cè)試數(shù)據(jù)的泛化程度和對(duì)參數(shù)擬合的速度。

4.3 結(jié)果分析

表1 實(shí)驗(yàn)結(jié)果

表1所示的為基于現(xiàn)有訓(xùn)練及測(cè)試數(shù)據(jù)的實(shí)驗(yàn)結(jié)果。第1行對(duì)應(yīng)于算法對(duì)正常沖壓過程的識(shí)別，其識(shí)別率可以達(dá)到98%。算法對(duì)含有錯(cuò)誤的信號(hào)的錯(cuò)誤類型識(shí)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(shí)別率也達(dá)到87%。

對(duì)沖壓錯(cuò)誤類型識(shí)別的正確率還可以提高?，F(xiàn)有的算法是通過提取的6個(gè)特征值進(jìn)行識(shí)別，但有些錯(cuò)誤類型存在一定的相似度。6個(gè)特征值很難使算法最高效率的識(shí)別近似的錯(cuò)誤信號(hào)，因此作為下一步的改進(jìn)措施，可以對(duì)數(shù)字處理后的信號(hào)做更多的特征值提取，使之能夠更好的描述一個(gè)錯(cuò)誤類型的特征。

5 結(jié)語

筆者提出的基于BP網(wǎng)絡(luò)神經(jīng)算法的檢測(cè)模式應(yīng)用在板材沖壓領(lǐng)域已經(jīng)取得了良好的效果。沖壓過程中產(chǎn)生的錯(cuò)誤能夠更快、更準(zhǔn)確地被識(shí)別和檢測(cè)出來。BP網(wǎng)絡(luò)神經(jīng)算法能以很高的識(shí)別率區(qū)分沖壓過程中正確和錯(cuò)誤的情況，并且能夠區(qū)分較為復(fù)雜的具體沖壓錯(cuò)誤類型。其識(shí)別效果能夠滿足現(xiàn)代沖壓機(jī)對(duì)過程檢測(cè)的要求，是一種對(duì)工業(yè)生產(chǎn)較為理想的錯(cuò)誤識(shí)別方法，對(duì)提高陶瓷金屬配件生產(chǎn)質(zhì)量和產(chǎn)品性能有重要意義。