基于CNN的脹管工序質量狀態識別方法與應用

李曉濤，關 輝，李朝暉，趙松濤，吳淑敏

（廣東省智能機器人研究院，廣東東莞 523808）

0 引言

脹管工序屬于冷凝管加工過程中的環節，利用脹管機將穿好銅管的兩器進行機械擴張，使得銅管和翅片實現過盈配合。在空調行業冷凝管的脹管工序生產過程中，其產生的脹管質量問題主要是管口質量一致性弱，具體包括管口偏小、管口偏大和管口脹裂等問題。由于銅管質地較軟、管口直徑較小且單件產品的管口數量較多，人工測量誤差較大且很容易發生漏檢某些管口的情況?，F有方案中可利用圖像識別技術實現管口質量的快速識別，由于加工設備較多、生產環境復雜，視覺檢測設備成本過高，調試過程復雜且存在一定的安全隱患。

脹管工序質量檢測的目的是要準確識別加工后管口的4種質量狀態，其問題本質與設備故障狀態識別等問題類似，均可轉化為一種基于間接信號進行模式識別的問題。隨著人工智能、制造物聯網等技術的發展，對制造過程的動態感知、智能分析的能力正在不斷增強，目前人工神經網絡（Artificial Neural Network,ANN）、支持向量機（Support Vector Machine,SVM）等人工智能技術已成功應用于質量異常模式識別領域[1-2]。常見的有通過將人工智能技術與控制圖技術相結合，先提取控制圖的統計特征和形狀特征后再利用人工智能技術進行質量異常趨勢的模式識別。如Du等[3]提出的基于最小歐式距離的控制圖用于監控自相關過程的均值漂移，同時利用支持向量回歸（Support vector regression,SVR）來預測時間序列中的正常值，并在此基礎上計算歐式距離再與控制閾值比較從而判斷是否異常。Addeh等[4]將控制圖的統計特征和形狀特征與神經網絡相結合，并利用布谷鳥優化算法（Cuckoo Optimization Algorithm,COA）提高分類器的泛化性能。上述方法能夠較為準確地識別到質量變化趨勢，但僅是針對控制圖特征而非產品本身提取過多的特征進行挖掘分析，且仍需要解決單件產品質量的檢測問題。

深度學習技術能夠滿足從產品加工過程中獲取的數據出發，自動獲取相關特征，精準快速地識別產品質量狀態，能夠大幅度提升檢測效率，節省人力成本。如Li Guoqiang等[5]利用多源傳感器信號，將S-transform算法與Convolutional Neural Networks（CNN）融合，提出了一種傳感器數據驅動的故障模式識別方法，有更高的診斷性能和更強的魯棒性。Min Xia等[6]結合了傳感器融合技術，利用CNN結構實現了更高、更魯棒的診斷精度。上述研究說明CNN在模式識別中具有較好的應用效果，因此，本文將研究對象的異常質量識別問題轉換為設備故障診斷等模式識別問題，針對脹管工序加工過程設計數據采集方案獲取能夠間接反映管口質量狀態的壓力數據，再利用CNN模型自動獲取信號特征，實現脹管工序管口質量狀態的準確識別。

1 脹管工序管口質量狀態識別流程

如圖1所示，空調冷凝管脹管工序管口質量狀態識別過程如下：首先利用脹管工序加工過程的壓力信號作為數據分析基礎；然后對數據進行降噪和分段等處理，基于小波尺度圖和CNN構建管口質量狀態識別模型；最后基于識別模型實現脹管工序管口質量狀態的在線識別。

圖1 空調冷凝管管口質量狀態識別過程

1.1 數據采集平臺

如圖2所示，針對脹管工序管口質量狀態識別需求，設計了由視覺傳感器和壓力傳感器組成的數據采集平臺。視覺傳感器僅用于為管口質量狀態提供數據標簽，輔助建立準確的算法模型，由于成本昂貴僅在實驗設備上使用；壓力傳感單元用于采集單根冷凝管所受壓力，為質量狀態識別算法模型建立提供數據源。

圖2 冷凝管脹管工序數據采集方案

視覺、壓力傳感器部署數量和精度等信息如表1所示。

表1 傳感器部署信息

1.2 數據預處理

脹管工序對應的壓力序列有著明顯的分段特征，對應脹管工序中進桿、擴管、擴口、退桿、退模這5個加工過程，結合人工經驗，擴口是決定脹管4類質量狀態的最重要因素，因此只以擴口階段的壓力數據為分析基礎，更容易提取能夠反映管口質量狀態的數據特征。然而在實際生產過程中，由于產品類型等不一致，導致數據采集量不同，很難憑借人工經驗根據點數位置將每次加工數據準確分為5段，具體原因如下：

（1）不同類型產品的高度不一致，一次加工的壓力數據長度不同；

（2）由于數據采集方案不夠精確，生產同種產品時，多次加工的數據初始點并非對齊狀態；

（3）由于存在噪聲干擾，不同區域段相鄰的數據特征差異難以區分。

為解決以上問題，本節首先對壓力數據進行缺省值及奇異值處理和小波降噪，然后基于差分疊加法實現壓力數據分段。

1.2.1 缺省值及奇異值處理

由于采集方案不夠成熟，且不同類型的產品一次加工的數據長度不同，采集數據中不可避免包含一些奇異值、缺省值，對奇異值進行平滑處理以及缺省值進行補充，對信號采集不穩定因素導致的缺省值現象，使用空缺值前緊鄰一個值補充。針對奇異值現象，假設數據滿足正態分布，使用3δ原則進行異常點識別，即如果多次加工的壓力數據集合中存在某個時間點的數據值距離該時間點數據分布所服從的正態分布均值μ超過了3δ范圍，則認為該數據點為奇異值，使用前后兩點的平均值代替該奇異值。

1.2.2 小波閾值降噪

小波降噪過程就是利用小波分解將信號分解到各尺度中，然后把每一尺度中屬于噪聲的小波系數去掉，保留并增強屬于信號的小波系數，最后利用小波逆變換將處理后的小波系數重構得出降噪后的信號。小波降噪的方法較多，其中以小波閾值降噪法的應用最為廣泛，小波基函數和分解層數的選擇、閾值λ的選取規則和閾值函數的設計，則是影響最終降噪效果的關鍵因素。如圖3所示，小波降噪過程主要分為小波分解、閾值處理和小波重構3個步驟。

圖3 小波閾值降噪流程

1.2.3 基于差分疊加法的數據分段

結合脹管加工過程特性，利用差分規則進行多次分段，不斷累積分段之后新序列中點的勢能大小，從而擴大和突出了不同分段區域中數據的特征，能夠較為容易的選取到準確的分段點，提高了分段穩定性和效率。數據分段步驟如圖4所示。

圖4 基于差分疊加法的數據分段流程

1.3 小波尺度譜

小波變換是一種能夠通過將時間信號系列分解到時域和頻域內，從而獲得時間信號系列的顯著的波動模式的方法，具有多分辨率分析的特點，并且在時頻兩域都具有表征信號局部特征的能力。當信號完成連續小波變換后，求分解至各個子空間的信號平方和，即得到信號的小波尺度譜。小波尺度譜較好地解決信號時間和頻率分辨率的矛盾，可通過調整位移和尺度變化得到能夠反映信號特征變化的能量分布。對一個時間系列進行小波轉換時，小波基函數的選擇顯得尤為重要。Morlet小波具有非正交性而且還是指數復值小波，因此采用更適用于圖像識別與特征提取的Mrolet小波作為小波基函數。

1.4 基于CNN的產品質量識別模型

CNN是一種具備優異的特征提取能力的深度神經網絡，現已成功應用于各種分類問題。CNN由涉及線性和非線性運算的可訓練多級架構組成，每個階段的輸入和輸出是一組數組，稱為特征圖。用于質量狀態識別的卷積神經網絡主要包含了以下幾種層級。

（1）卷積層

在卷積層中，將輸入與一組可學習的過濾器（也稱為內核）進行卷積，以生成新的特征圖，作為對下一層的輸入。其目的是提取輸入的不同特征，第一層卷積層可能只能提取一些低級的特征如邊緣、線條和角等層級，更多層的網絡能從低級特征中迭代提取更復雜的特征。

（2）池化層

池化層通過降低特征圖的分辨率來實現空間不變性。通過將合適的運算符提取主要特征從而降低了計算復雜度，采用最大池化法進行池化操作。

（3）局部響應歸一化處理層

局部響應歸一化處理一般是在激活、池化后進行的一種處理方法，對局部神經元的活動創建競爭機制，使得其中響應比較大的值變得相對更大，并抑制其他反饋較小的神經元，增強了模型的泛化能力。

（4）全連接層及Softmax分類層

卷積層、池化層和激活函數層等操作是將原始數據映射到隱層特征空間，全連接層將二維特征圖轉換為類別的概率分布映射，再將其傳遞給Softmax分類器實現質量狀態分類。在全連接層后面加入一層丟失層，在訓練深度學習網絡的過程中，按照一定的概率將神經網絡單元暫時從網絡中丟棄，從而減少數據過擬合現象。

2 實例與實驗結果分析

2.1 實例簡介與數據處理

根據工藝標準將產品質量狀態分為4個等級：脹后管口尺寸小于6.60 mm時，為偏小狀態，需要進行二次擴口；脹后管口尺寸大于6.60 mm且小于7.1 mm，為正常狀態，此時進行下一道焊接工序時能夠得到更高的良品率；當脹后管口尺寸大于7.1 mm且小于7.4 mm時，為偏大狀態，若人工判斷出現裂口則視為廢品；當脹后管口尺寸大于7.40 mm時，由于銅管材質限制，脹后管口為脹裂狀態，屬于報廢產品。在訓練分類模型時，將訓練數據集貼上4類標簽，分別代表4種產品質量狀態，如表2所示。

表2 冷凝管管口質量狀態劃分

對實驗獲取的數據進行缺省值及奇異值處理后進行小波閾值降噪，如圖5所示，小波閾值降噪在一定程度上降低了壓力信號的異常波動情況，有利于進行下一步的基于差分疊加法的動態數據分段操作。

進行5次隨機分段實驗，得到擴口過程對應的壓力序列段為第3段，其分段長度如表3所示。從表中可看出第3段壓力序列的分段效果較為穩定，可以作為后續數據分析的基礎。

圖5 小波閾值降噪

表3 5次隨機分段實驗分段結果對比

針對A、B兩種型號產品進行實驗驗證，兩種產品之間管口數目和冷凝管高度均不同，其中產品B的數據集僅包含偏小、正常和偏大3種管口質量狀態數據，分別從產品A正確分段中的壓力序列中選取2 000條、2 400條第3段分段數據序列，每種質量狀態數據量相同，按照7∶3的比例分成訓練集和測試集，具體如表4所示。

表4 實驗數據集

2.2 實驗過程及結果分析

在本例研究中，所有的實驗使用的計算機配置為Intel（R）Core（TM） i7-7700-3.6 GHz處理器，8 GB內存和Windows版本的Matlab平臺。如圖6所示，CNN模型包含3次卷積和池化、2個全連接層，全連接層之間使用一次丟失層防止過擬合現象，最后采用Softmax進行分類。

圖6 基于CNN的冷凝管管口質量狀態識別流程

對各類管口質量狀態對應的第3段壓力序列信號進行連續小波變換后，求分解至各個子空間的信號平方和，將頻率歸一化為0～0.5之間，從而得到信號的小波尺度譜。

圖7所示為轉換后的小波尺度圖，4種管口質量狀態對應的小波尺度譜在頻帶1～頻帶4之間有著明顯的差別。經過多次實驗，選擇SGDM（Stochastic Gradient Descent with Momen-tum）算法優化CNN模型，MiniBatchSize設為128，設初始學習率lr=0.002，每隔50個enpoch學習率減小1倍以增快收斂速度，配置以上參數后進行訓練和測試。

圖7 產品A四種管口質量狀態第3段序列小波尺度譜對比圖

如圖8所示，產品A對應的訓練過程在第100個enpoch時精度已接近100%且僅出現微小的波動，設置損失值連續5次小于或等于0.001時停止訓練，5次測試的平均準確率為94.46%，如表5所示。

圖8 訓練過程和測試集結果

最后采用模式識別常用的SVM、KNN、SOM神經網絡進行5次實驗，求其各算法模型測試集平均準確率作為評價指標，結果如表6所示，本文提出的基于CNN的脹管管口質量狀態識別模型具有更好的識別效果。

表5 5次實驗結果

表6 不同算法識別準確率對比

3 結束語

本文針對空調冷凝管管口異常質量狀態識別問題，提出了基于CNN的管口質量狀態識別算法，結合脹管生產工序的特征設計了相關數據采集方案，利用小波閾值降噪和基于差分疊加法的動態數據分段技術完成對原始數據的處理，利用小波變換得到小波尺度譜，最后采用CNN網絡模型進行模式識別。在測試和對比試驗中，本文提出的方法得到了較好的識別效果。