基于卷積神經網絡的平面磨削溫度預測①

孫為釗, 周 俊

(上海工程技術大學 機械與汽車工程學院，上海 201620)

近年來, 隨著產業改革的深入進行, 以往追求數量的運營方式已經無法適應現代需求, 企業紛紛從追求數量的模式轉變到追求數量和質量并重的模式.為了提高零件的產量以及質量需要精確掌握磨削時的溫度,在溫度過高時及時采取措施, 減少損失.

磨削加工是現代機械制造業中實現精密加工和超精密加工的基本工藝技術.通過磨削加工可以得到滿意的尺寸精度、形狀精度、表面質量等.由于磨削過程持續的時間較短以及加工的金屬層較薄, 磨削過程中產生的熱量大部分會集中在磨削區內, 在工件表面形成局部高溫, 當溫度在超過某一臨界值, 就會引起表面熱損傷, 從而降低零件的使用性能和可靠性, 所以磨削溫度是衡量磨削加工質量好壞的一個重要指標.磨削過程具有非線性、強耦合、多變量等特點, 傳統獲得磨削溫度的方式一般為熱電偶測量法以及使用熱源計算結合有限元法獲得.使用熱電偶法來測量磨削溫度簡單方便、成本低廉, 但是會破壞工件的整體性, 造成熱量傳導與實體工件有差異, 影響測量精度.使用熱源計算結合有限元法存在較多缺點, 熱源計算的影響因素過多, 計算復雜, 有限元法的耗時較長.

AlphaGo 的出現, 引起了人工智能以及深度學習的熱潮.深度學習的本質是通過多層次的特征映射從聲音、圖片、文字等輸入數據中提取有助于理解數據本身含義的有效特征表示, 深度學習方法的目的是尋找原始數據之間的關系.目前基于數據驅動的磨削溫度預測研究已經展開, 馬占龍等[1]利用BP 算法對磨削溫度進行了預測, 所得結果與實驗結果比較接近.蔣天一等[2]利用改進型BP 神經網絡對球面磨削的最高溫度進行了預測, 所得結果較傳統的單一BP 神經網絡有了較大提升.馬生彪[3]利用RBF 和BP 神經網絡分別對磨削溫度進行了預測并進行了比較, 結果表明,RBF 神經網絡的誤差和訓練次數均低于BP 神經網絡,證明了RBF 網絡比BP 神經網絡更具優越性.彭遠志[4]使用了改進型BP 神經網絡預測了大平面砂輪磨削齒面的溫度, 準確的反映了實際齒面磨削溫度.Liu CJ 等[5]使用PSO-BP (粒子群優化BP 神經網絡)、GD-BP (用梯度下降法訓練的B P 神經網絡)、L M-B P (用Levenberg-Marquardt 算法訓練的BP 神經網絡) 3 種方式預測鈦基材料的磨削溫度, 結果表明PSO-BP 在預測精度方面比其它兩種方式更高.Odior AO[6]提出了一種利用神經網絡和模糊技術進行磨削過程的控制系統,使用神經模糊模型來控制磨削過程, 使得磨削過程在可接受的溫度水平下獲得最大的輸出功率, 最大金屬去除率, 不會導致工件燒傷.

卷積神經網絡(Convolutional Neural Network,CNN)作為深度學習的核心算法模型, 以其強大的特征提取能力在圖像識別、語音分析、自然語言處理等領域取得了突破性進展, 但在機械加工方面的應用研究仍然不多.本文提出基于CNN 的磨削溫度預測模型,希望能夠提高預測精度, 對CNN 預測模型應用到實際生產加工中有一定的理論指導作用.

1 卷積神經網絡原理

CNN 來源于生物的視覺系統結構對局部信息進行感知并進行分層理解的模仿, 在逐層提取不同的低級特征之后, 最終將低級特征結合成為高級特征.與傳統全連接形成大量參數以及手動提取特征的方式不同,CNN 能夠自動提取特征并采用權值共享來降低網絡訓練復雜度以及確保預測準確性.

1.1 前向傳播

CNN 包含了一個特征抽取器, 特征抽取器主要包括卷積和池化操作.卷積層是卷積神經網絡的核心層,主要用于提取特征.輸入圖像和卷積核的對應位置元素相乘再求和, 即得到輸入數據的特征圖.在卷積層,前一層的矩陣作為輸入, 與卷積核進行卷積運算.池化層是對卷積層提取的特征進行下采樣, 以達到降維的目的.池化層一般位于卷積層的下一層, 兩者總是成對出現.卷積及池化輸出公式分別為:

1.2 反向傳播

在反向傳播階段, 神經網絡主要完成誤差計算以及卷積層權值的更新.卷積神經網絡的主要工作是使預測輸出值 O 與仿真值之間的Loss 函數 L(W )值最小,這樣預測輸出值與仿真值才能更接近, 預測精度才能更高.本文采用隨機梯度下降算法更新權值參數, 梯度下降算法公式為:

式中, WL為待優化的權值; LW(X(i))為預測值和仿真值之間的誤差損失函數; D 為樣本總個數; λ為正則化系數; r (W) 是對應權值矩陣的正則化函數; Δ Wt+1為 t+1次迭代時更新的權值; μ為權重衰減因子; η為學習率.

2 基于CNN 的磨削溫度預測模型

2.1 傳統溫度預測模型

一般二維平面磨削熱源計算模型可表示為[7,8]:

式中, ls為接觸弧長; Ft為切向磨削力; Rw為熱量分配比; Vs為砂輪速度; b 為磨削寬度.

熱源計算公式(5)得到的結果是磨削區瞬時發熱量, 需將其輸入仿真軟件, 由仿真軟件計算才能得出磨削溫度值.將所獲得的大量溫度數據收集起來之后, 當做訓練樣本來來訓練預測模型并預測磨削溫度.因此很多科研人員不再使用解析法或有限元法轉而研究使用BP 神經網絡來預測磨削溫度.BP 神經網絡是由輸入層、隱層和輸出層組成的多層前饋網絡.層與層之間采用全連接的方式連接.由于BP 神經網絡預測模型存在預測時間長, 模型不易收斂, 容易陷入局部極小值等缺點, 無法適應實際生產過程.其它傳統的神經網絡也如BP 神經網絡一樣存在預測精度較差, 預測時間長等缺點, 為了克服傳統神經網絡的缺點, 本文提出的基于CNN 的磨削溫度預測模型的預測精度高于BP 神經網絡, 這說明了CNN 模型克服了傳統神經網絡的缺點, 并達到很高的精度.

2.2 基于CNN 的溫度預測模型

卷積神經網絡因其局部連接、權值全局共享以及池化操作, 極大的降低了網絡的復雜度, 并且大大縮減了參數數量.在機械加工過程中, 變量之間存在復雜的非線性關系, 很難通過數學模型來準確反映變量之間的關系.CNN 因對平移、扭曲、縮放具有一定的不變性而具有很強的泛化能力被廣泛應用到各行各業中,并且取得豐碩的成果.本文將CNN 引入到磨削溫度的預測中, 使用經典的LeNet-5 模型來建立磨削溫度預測模型, 其結構如圖1 所示.

圖1 CNN 結構圖

輸入層為影響磨削溫度的相關影響因素構成, 如砂輪速度、磨削深度、進給速度、磨削時間、接觸面積等, 這些影響因素構成一維輸入矩陣.然而二維矩陣比一維矩陣具有更加豐富的信息特性, 能夠提取更多有效特征.將圖片中的每一個像素點看成一個值, 那么圖片就相當于二維矩陣數據.利用Tensorflow 框架中的reshape 命令將影響因數作為像素點填入16×16 的二維矩陣中, 使之成為二維圖像數據, 轉變過程如圖2所示[9].二維矩陣從輸入層到卷積層, 由5×5 的卷積核進行特征提取, 然后到池化層進行下采樣來降低數據維度, 減少計算量.常用的池化方法有最大池化、均值池化, 本文建立的模型采用最大池化, 最大池化能有效保留大部分信息.在幾對卷積層和池化層之后與全連接層相連.全連接層將前面的低級特征進行補充融合形成高級特征, 傳遞給輸出層, 在輸出層采用回歸模型得到預測結果.

圖2 數據轉換示意圖

激活函數將非線性特性引入網絡中, 使神經網絡具有非線性, 避免了神經網絡只是單純的線性組合, 使得神經網絡在理論上可以擬合任何的函數.常見激活函數如下: Sigmoid 函數、Tanh 函數和ReLU 函數等.本文選用ReLU 作為激活函數, 其函數表達式如下:

式中, f 為激勵函數; m ax(·)為 求最大值函數; x為輸入變量.

Sigmoid 函數容易出現梯度消失現象, 導致深層網絡很難訓練, 并且收斂緩慢, 最后存在冪運算, 計算耗時.Tanh 也存在梯度消失和冪運算問題.ReLU 函數梯度不會飽和, 解決了梯度消失問題緩解了Sigmoid 和Tanh 函數的梯度消失和冪運算問題, 計算復雜度低, 不需要進行指數運算, 使部分神經元不進行輸出(值為0), 從而使得網絡更加具有稀疏性, 緩解了過擬合問題的發生.

3 仿真結果

3.1 有限元仿真

在制造工程領域中, 應用計算機模擬磨削過程是有限元法的強力的應用方式之一.因此, 越來越多的研究者應用有限元技術研究磨削過程.有限元法無論是使用宏觀還是微觀的模型都對分析磨削溫度有很好的研究價值[10].Tahvilian AM 等[11]利用使用3D 瞬態熱有限元模擬工件中的溫度分布.并用使用柔性機器人進行磨削實驗.結果表明, 模擬結果與測量溫度之間具有良好的一致性.Wang ZX 等[12]采用6 種不同類型的熱源模擬鈦合金的磨削溫度場, 并與實驗結果進行對比,結果表明三角形分布熱源的模擬結果與實驗結果吻合較好.

本文采用熱源計算模型及有限元法結合方式進行了3000 組仿真, 將每一次仿真的數據收集起來得到3000 組數據.每組數據由砂輪速度、磨削深度、進給速度、磨削時間、接觸面積、材料導熱系數、材料密度、材料比熱容、切向力以及傳熱比例這10 個數據組成.其中砂輪速度、磨削深度、進給速度、切向力以及傳熱作為熱源計算參數, 磨削時間、接觸面積、材料導熱系數、材料密度及材料比熱容為有限元仿真必要參數.用從有限元法仿真中收集的數據假設為實際值對CNN 模型進行訓練及測試, 有限元仿真模型結果如圖3 所示.

3.2 卷積神經網絡數值仿真

選用鈦合金作為主要材料, 在各種磨削參數組合下的得到的溫度仿真數據, 其中訓練樣本數量為3000,測試樣本數量為25.實驗的軟件環境為Windows 10操作系統, 處理器為Inter i7-8750H, 內存為16 GB DDR4.利用Google 開源深度學習工具TensorFlow 編寫相應的仿真程序.

選取2 層深度的CNN 訓練模型得到的Loss 動手術值作為參考, 得到的Loss 值與訓練次數關系如圖4所示.

圖3 有限元仿真結果

圖4 損失值隨訓練次數的變化示意圖

從圖4 中可以看出模型訓練1000 次以后趨于穩定, 模型的Loss 值基本不變.將25 個測試樣本輸入CNN預測模型得到的結果如圖5 所示以及部分數據如表1所示.圖5 中分別將BP 模型、1 層深度CNN 模型、2 層深度CNN 模型、3 層深度CNN 模型的預測值與仿真值進行了對比, 從圖中可知, 3 種CNN 模型比BP 模型預測結果的精度提高較多, 并且在3 種CNN模型中, 隨著深度的增加, 預測結果的精度依次有比較明顯的提升.這是因為BP 神經網絡是全連接神經網絡, 且設置的隱藏層數較少, 所以預測效果較差, 如果將BP 神經網絡的隱藏層數設置的較多, 則需要訓練的參數會變得非常多, 模型訓練的時間會變的很長.卷積神經網絡因其局部連接、參數共享以及池化操作的特性, 相比于BP 神經網絡需要訓練的參數少很多, 并且相對誤差最高為3.14%高于1 層CNN 預測模型的1.53%.3 層深度CNN 模型的平均相對誤差最低, 僅為0.42%.由于平均相對誤差越低, 模型精度越高, 所以BP 神經網絡模型預測精度最低, 3 層深度CNN 模型的預測精度最高.在CNN 模型中, 隨著卷積-池化層數增加, 預測精度也有很明顯的提升, 表明了CNN 模型深度越深, 非線性擬合能力越強, 且適用于磨削溫度預測.能夠獲得絕大部分有用信息, 所以卷積神經網絡模型的預測時間短并且精度較高.卷積神經網絡隨著層數的增加, 卷積-池化層的數量相應的增加, 提取的特征也越來越多, 預測精度也越來越高但是當卷積-池化層數量達到一定程度時, 精度達到極限, 再增加層數也無法得到更精確的結果.其中, n 層深度CNN (n=1, 2,3)中的n 表示n 對卷積層和池化層.

4 種模型的平均相對誤差見表2, BP 模型的平均

圖5 4 種模型預測值與仿真值對比

表1 部分預測數據與仿真數據對比表

表2 4 種模型的平均相對誤差

4 結論

本文利用TensorFlow 深度學習框架建立了基于CNN 的磨削溫度預測模型, 希望能提高磨削溫度預測精度.現在得出如下結論:

(1)使用神經網絡預測磨削溫度能夠獲得較高的準確度和精確度.

(2)卷積神經網絡預測平均相對誤差低于BP 神經網絡誤差, 且卷積神經網絡層數越深獲得的預測值誤差越小.

(3)使用兩層深度的卷積神經網絡足夠獲得準確的預測溫度值, 無需使用更深層次的卷積神經網絡模型.