基于人工神經網絡的通用低速圓度儀

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世紀以來，隨著制造技術、計算機技術和網絡技術的飛躍發展，企業在滿足顧客對產品多樣化、個性化需求的同時，還需要節省成本并保證產品質量，從而在激烈的市場競爭中占有一席之地，解決這個問題的關鍵就是質量控制。預防為主的統計過程控制[1-2](Statistical Process Control，SPC)是質量控制領域最活躍的研究分支之一，控制圖作為SPC的核心，關鍵在于異常模式判定。傳統的異常模式判定方法多數用于大批量生產，需要大量的數據支持，而且依賴技術員的自身素質，適用范圍有限且容易產生誤差。

人工神經網絡[3-4](Artificial Neural Networks，ANN)是一種模仿生物大腦神經網絡行為特征，由大量人工神經元以串并聯方式構成的具有智能計算能力的信息處理系統，由于具有高度的并行結構和信息處理能力，超強的自學習和信息記憶能力以及很強的容錯能力,ANN被逐漸應用到工業領域，尤其在SPC控制圖的異常模式識別和預測中發揮越來越重要的作用。其中,前向型人工神經網絡(Feedforward Neural Network，FNN)的典型代表BP神經網絡[3，5]一直是研究的重點，人工神經網絡應用中80%～90%的網絡模型都采用BP神經網絡或其變化形式。

通用低速圓度儀是軸承檢測常用的精密測量儀器，目前市場需求量大，隨著軸承制造水平及精度要求的不斷提高，與之相關的質量檢測技術也不斷提高。針對通用低速圓度儀的使用特點，在該儀器上添加了采用人工神經網絡的質量檢測軟件，采用均值-極差[6]方法構建控制圖，然后通過BP神經網絡構成的異常模式識別網絡模型對控制圖異常模式進行判定，并建立數據庫以便對歷史數據進行對比分析，使用戶可以方便觀測產品的質量狀態，盡早發現異常問題，從而調整生產，減少殘次品的產生，達到節約生產成本、保證產品質量的目的。

1 通用低速圓度儀的測量原理

將滾針放在與精密主軸軸線相垂直的儀器工作臺上，使傳感器測頭接觸工件，旋轉工作臺并調整滾針的中心，使其盡可能與旋轉的精密主軸中心重合，當進入傳感器測量范圍后，傳感器獲取滾針在該截面的半徑變化并將信號送入信號調理電路，經過放大、相敏檢波、濾波后送入多功能A/D轉換卡進行模數轉換，計算機根據最小二乘圓算法運算后得出偏心量以及2～15，2～50，2～500，15～150和15～250 upr共5個波段的圓度值。

通過設計的質量檢測軟件對得到的圓度值進行分析處理，得出產品的控制圖、過程能力指數Cpk和異常模式分析的結果圖，用戶以此為參考可以快速判斷此批滾針的質量特性和產生異常模式的原因，以便對產生異常情況的原因進行及時修正。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神經網絡

BP神經網絡拓撲結構如圖2所示，分為輸入層、隱層和輸出層，指導思想是沿著性能函數下降最快的方向(負梯度方向)對網絡權值和閾值進行修正[8-9]。確定一個BP神經網絡，必須設計出網絡的隱層數，每層的神經元個數和算法。

圖2 BP神經網絡拓撲結構圖

如圖3所示，BP神經網絡算法由輸入信號的正向傳播(計算網絡各層的輸出)和誤差信號的反向傳播(利用梯度下降法，調整網絡輸入層的權值)2部分組成。假設網絡輸入層、隱層、輸出層的節點數分別為n，m，k；輸入樣本總數為P；xpi表示第p個樣本的第i個輸入值；ypj表示第p個樣本的隱層第j個節點的輸出；opl表示第p個樣本的輸出層第l個節點的輸出；vji表示輸入層第i個節點到隱層第j個節點的權值；wlj表示隱層第j個節點到輸出層第l個節點的權值；Tpl表示輸出層第p個樣本第l個節點的期望輸出；E為網絡誤差；樣本模式計數器p和訓練計數器q均初始化為1。則

圖3 BP神經網絡算法流程圖

其中：xp0=yp0=-1，vj0和wl0為閾值。

3 基于人工神經網絡的質量檢測

3.1 BP神經網絡模型設計

設計的質量分析系統采用Visual Studio 2008開發環境、SOL SERVER 2008數據庫、MATLAB以及C#語言進行開發[10-11]，系統運行環境一般要求為Windows XP/Vista/7/8。

設計的輸入節點數為20(即現場采集20個數據作為輸入)，輸出層節點數為4(對應正常模式、周期型異常模式、突變型異常模式和傾向型異常模式),輸出節點數值的設定見表1。對隱含層結點進行優化得節點數為16，轉換函數為對數sigmoid型轉換函數，訓練函數為Learnbpm，學習函數為Trainbr，均值偏差為0.001，網絡精度為0.02，最大訓練次數為5 000。采用MATLAB建立網絡模型，使用C#調用訓練好的模型并將判定結果顯示于操作界面。主程序流程如圖4所示。

表1 輸出節點數值的設定

圖4 主程序流程圖

3.2 實際分析

圓度測量儀測量范圍為：內徑5～400 mm；外徑5～400 mm；最大高度320 mm(可擴展)；最大重量200 N。在此，以Ⅲ級滾子(滾子直徑3 mm、長度20 mm)為例進行在線抽檢，波段設定為2～50 upr。圓度測量儀的空氣主軸精度為±0.03 μm，分辨率為0.01 μm。根據質量檢測軟件得到的結果如圖5所示。

由圖5可知，存在周期型異常模式，參考原因為操作工的輪崗操作或疲勞等因素。根據檢測結果調整生產，重新檢測的結果如圖6所示。調整后檢測結果顯示為正常模式，說明根據軟件的異常模式分析對生產過程進行的調整是有效的，軟件獲得的過程能力指數Cpk=1.2，表明生產過程能力較好。另外，還可以保存或打印具體數據，方便在調整生產的過程中查看和利用。

圖5 直接檢測的結果

圖6 調整后檢測的結果

4 結束語

相對于傳統人工判別依賴操作者自身專業水平，浪費人力成本，極易出現錯判而影響產品質量的缺點，基于BP神經網絡算法的異常模式識別系統通過構建合理的網絡模型，可以準確、快速地給出判定結果，在原有的基礎上增加了對產品的質量控制，可以直接獲取產品的控制圖、過程能力指數和異常模式的參考原因，以便及時發現問題，調整生產，在提高生產效率的同時保證了產品質量。另外，通過建立的數據庫，用戶可以隨時對檢測結果和計算數據進行保存。但由于目前的技術有限，在網絡參數的設置方面還沒有固定的方法，需要在以后的生產和研究中不斷探索。