基于卷積神經網絡的微電機裝配故障診斷研究

劉冰潔，陳炳發，丁力平

(南京航空航天大學 機電學院，江蘇 南京 210016)

0 引言

中國制造2025計劃強調智能制造在實際生產中的應用，同時也強調“中國質造”，提升產品質量，開啟質量管理新模式。而如何提高質量控制的信息化、智能化，實現質量管理模式的升級，成為了中國眾多制造型企業，尤其是中小型制造企業面臨的難題。

統計過程控制(SPC)作為一種過程控制工具，被廣泛運用到質量科學中。控制圖是SPC的常用方法，是一種借助數理統計方法，通過測定、記錄、評估過程質量特性，從而監測過程是否處于受控狀態的圖[1]。隨著信息技術的發展與應用，控制圖從最原始的人工控制圖識別階段，到后來的統計過程控制圖軟件階段，現如今已向智能控制圖識別階段發展。控制圖模式的智能識別作為現在的熱門研究方向，已有不少學者進行了這方面的研究。文獻[2]對6種控制圖異常模式建立了數學模型；文獻[3]使用自適應修改學習率BP網絡和概率神經網絡進行控制圖異常模式識別；文獻[4]結合遷移學習和卷積神經網絡VGG16研究了控制圖識別技術。

故障診斷作為質量管理領域中的一個熱門研究方向，已從基于定性經驗知識向基于數據驅動發展，數據驅動的故障診斷方法可分為三步：1)信號獲取；2)特征提取；3)故障分類[5]。許多人工智能方法被引入，文獻[6]用訓練好的網絡檢測電機早期故障；文獻[7]結合神經網絡和專家系統提高診斷系統的魯棒性；文獻[8]對比分析了神經網絡和支持向量機在故障診斷上的效果；文獻[9]結合傅里葉變換和卷積神經網絡設計了故障診斷方法；深度學習作為更強大的數學工具也被引入到故障診斷領域中來[10]。

現有某微電機制造企業，其裝配線存在質量控制水平較低、缺少有效的數據分析工具、產線故障發現不及時和難以做出最佳決策等問題。為了解決上述問題，本文提出一種基于卷積神經網絡的微電機裝配故障診斷方法，將LeNet-5模型作為控制圖模式識別模型。首先利用裝配線實時采集的微電機裝配質量特性數據繪制控制圖，再將實時控制圖數據輸入模型進行模式識別，最后通過建立控制圖異常模式與產線故障的映射關系，實現微電機裝配故障診斷，并為該企業開發了一套在線故障診斷系統。本文就該系統故障診斷的方法設計和實現過程進行闡述。

1 微電機裝配流程與故障診斷原理

本節所闡述的相關研究包括微電機裝配、控制圖模式和卷積神經網絡(CNN)。

1.1 微電機裝配

本文的研究對象是微電機裝配過程。微電機是“微型電動機”的縮寫，常被用在控制系統中實現機電信號的放大與轉換等功能，被廣泛運用于航空航天、國防以及人類生活等領域。

該企業微電機的裝配過程已實現自動化，其裝配工藝流程如圖1所示。

圖1 微電機的裝配工藝流程

影響微電機產品整體性能的關鍵質量特性有自定位轉矩、牽入轉矩、空載牽入頻率、空載牽出頻率、外觀及安裝尺寸等。裝配階段作為微電機產品生命周期中的核心階段，決定了產品最終質量的形成。

1.2 控制圖模式

控制圖判斷過程異常的依據主要有兩個方面，一是有數據點落在控制限范圍以外，二是數據點在控制限內的排列不具有隨機性。在GB/T4091—2000的判異準則中給出了控制圖的異常模式，研究人員經過抽象與歸納，將控制圖的異常定義為了6種具有泛化性的模式(圖2)包括正常模式、向上趨勢模式、向下趨勢模式、向上階躍模式、向下階躍模式和周期模式。

圖2 控制圖的6種模式

本文以控制圖作為微電機裝配過程質量統計分析與監控的工具，并對控制圖模式進行識別。當識別結果為“正常模式”時，則裝配過程處于正常受控狀態；當識別結果為其他5種模式，即異常模式時，說明此時的裝配過程出現了系統性故障。

1.3 卷積神經網絡

卷積神經網絡是一種前饋人工神經網絡，用卷積運算代替傳統的矩陣乘法運算，專門用來處理例如時間序列數據、圖像數據等具有類似網格結構的數據[11]。它受到生物學的啟發，為哺乳動物的視覺皮層提供了一個簡單的模型，如今已被廣泛使用到圖像識別領域[12]。

在卷積神經網絡中有3種關鍵的層：1)卷積層；2)池化層；3)全連接層。其中，卷積層用于進行特征提取，根據輸入計算得到輸出特征圖；池化層用于根據輸入圖像計算出下采樣輸出圖像；全連接層位于網絡的末尾位置，起到“分類器”的作用。

本文選用卷積神經網絡作為微電機裝配質量特性控制圖模式的識別工具，是因為卷積神經網絡在圖像模式識別分類的鄰域已發展得十分成熟。如何將微電機裝配質量特性控制圖轉換為圖像輸入卷積神經網絡的方法將在故障診斷方法的設計中作詳細闡述。

2 數據采集方案

要進行故障診斷，首先需要實時采集微電機裝配過程質量數據作為數據基礎。本節就質量監測點設置和硬件布局兩方面進行數據采集方案設計。

2.1 質量監測點設置

綜合考慮影響產品整體性能的關鍵質量特性，客戶的驗收指標，工藝復雜、合格率低的質量特性以及消費者反饋問題，在微電機裝配線中的貼銘牌工位前設置質量監測點，具體的檢測工位及其負責檢測的質量特性見表1。

表1 檢測工位及檢測項目

2.2 數據采集管理硬件布局

微電機裝配過程質量數據采集管理的硬件布局如圖3所示。堵力測試、高頻測試、耐壓測試及外觀檢測分別使用力傳感器、光纖傳感器、耐壓測試儀和圖像傳感器實現。傳感器采集的信號經過采集卡轉換為數字量后存儲到數據庫服務器中，然后基于企業內部局域網通訊，使用TCP/IP協議完成服務器到客戶端的通訊。

圖3 質量數據采集管理硬件布局

3 基于卷積神經網絡的故障診斷方法

本文提出的基于卷積神經網絡的故障診斷方法可以通過四步實現：首先用采集到的微電機裝配過程質量特性數據繪制出實時控制圖，然后將質量特性數值轉換為灰色圖像，之后通過設計好的卷積神經網絡對圖像模式進行識別，最后通過異常模式向具體故障映射，檢索案例庫，完成故障診斷。該方法的框架結構如圖4所示。

圖4 故障診斷方法框架結構

3.1 數據到圖像的預處理方法

為了能將控制圖上的質量特性數據輸入到卷積神經網絡中，本文采用一種有效的數據預處理方法，將數值型數據轉化為圖像。

如圖5所示，在數值到圖像的轉換方法中，控制圖中的原始質量特性數據按順序排列到灰色圖像的像素點中。

要生成大小為M×M的圖像，就要從控制圖上任意取到連續的容量大小為M2的質量特性樣本集。用L(i)表示所取樣本集中質量特性的數值，其中i=1，…，M2，用P(j，k)表示灰色圖像中第j行第k列的像素強度，其中j=1，…，M，k=1，…，M。從質量特性數值到像素強度的轉換公式為：

將圖像所有的像素值歸一化在0～255之間，作為灰色圖像的像素強度。6種控制圖模式在經過上述數據預處理方法轉化后的圖像如圖6所示。

圖6 6種控制圖模式轉換為圖像的結果

從轉化后的6張圖片可以直觀地發現，控制圖不同模式轉化成的灰色圖像彼此之間有很明顯的區別。

3.2 卷積神經網絡結構

本文的CNN模型是基于LeNet-5模型設計的。LeNet-5是一個經典的CNN模型，被應用在手寫體和印刷體的識別任務中，它能夠有效地識別圖像模式。本文根據研究對象的實際情況改善網絡結構。根據實際樣本容量大小，規定輸入圖像的大小為16×16，該網絡包括2個卷積層、2個最大池化層和1個全連接層。全連接層的神經元數量由不同數量下的網絡測試準確率實驗結果決定，選用準確率最高的神經元數量為8的全連接層。具體的CNN網絡各層參數設置見表2。

表2 CNN模型各層的參數設置

3.3 控制圖異常模式向故障的映射

CNN完成對控制圖異常模式的識別后，建立控制圖異常模式與故障之間的映射關系，實現故障診斷。本文使用案例推理的方法，通過對應質量特性控制圖異常模式的識別結果，搜索以往成功解決過的類似控制圖模式的故障案例，參考以前的知識和信息，完成當下的故障診斷任務。可以將案例表示為：

Casei={Cmn，Ri，Mi}

其中：Casei表示第i個案例，微電機裝配共有q個裝配質量特性；Cmn表示第m個質量特性的控制圖模式為第n種異常模式；Ri表示第i個案例的異常原因；Mi表示第i個案例的解決辦法和效果評價。

建立控制圖異常模式與故障的映射關系，如表3所示。

表3 控制圖異常模式與故障的映射關系

根據長期經驗的積累及工作總結，針對不同質量特性的異常情況，具體化映射關系及案例庫的內容，并對案例庫進行完善與補充。

4 微電機裝配故障診斷原型系統

基于上述方法和Visual Studio .NET開發出一套微電機裝配故障診斷系統。從圖7可以看出，用戶選擇具體裝配線和質量特性后，可對對應控制圖進行實時監控。當后臺監測到控制圖模式異常時，檢索案例庫進行故障診斷并在客戶端進行報警。如圖8所示，用戶可以查看具體故障信息，并提供修改功能，以更新案例庫。

圖7 軟件運行界面

圖8 故障詳細信息界面

5 結語

本文提出了一種基于卷積神經網絡和控制圖異常模式識別的微電機裝配故障診斷方法，并基于該方法開發了微電機裝配故障診斷原型系統。該方法將微電機裝配控制圖上的質量特性統計量轉換為灰色圖像，輸入到CNN模型中，成功實現了控制圖異常模式的智能識別；再通過控制圖異常模式向故障的映射，實現了微電機裝配故障診斷，幫助企業的裝配質量管理水平向信息化、智能化升級。