基于卷積神經(jīng)網(wǎng)絡(luò)的在線盲孔深度預(yù)測模型

周加樂 劉宏 茍淞 萬文慧

【摘 要】在使用電火花加工技術(shù)對難加工金屬進(jìn)行加工時，因為加工過程的復(fù)雜性，單純通過電火花加工實驗方法研究各種加工參數(shù)對盲孔深度的影響，不能滿足現(xiàn)代工藝的需求。本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的在線盲孔深度預(yù)測模型?？紤]電極直徑大小，峰值電流大小和碳黑膜長度的影響，預(yù)測加工孔的實際深度。采用正交實驗設(shè)計，產(chǎn)生的小樣本數(shù)據(jù)用于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試。實驗結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)模型在預(yù)測盲孔深度時具有較高的準(zhǔn)確性。

【關(guān)鍵詞】電火花加工；盲孔深度；預(yù)測模型；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號： TG661 文獻(xiàn)標(biāo)識碼： A 文章編號： 2095-2457（2018）13-0174-003

DOI：10.19694/j.cnki.issn2095-2457.2018.13.080

【Abstract】When using EDM technology to process difficult-to-machine metals， due to the complexity of the machining process， the effects of various machining parameters on blind hole depth can not be satisfied by the EDM experiment method alone. In this paper， an on-line blind hole depth predicted model based on convolutional neural network is proposed. The influence of electrode diameter， peak current size and carbon black film length is considered to predict the actual depth of the machining hole. Using orthogonal experimental design， the resulting small sample data is used for convolutional neural network training and testing. The experimental results show that the convolutional neural network model has high accuracy in predicting blind hole depth.

【Key words】EDM； Blind hole depth； Prediction model； Convolutional neural network

0 引言

電火花加工過程是一個劇烈的熱過程，其中一定體積的金屬材料在極短的時間內(nèi)通過工件和工具之間的間隙的數(shù)千次放電被去除[1]。已廣泛應(yīng)用于模具制造，航空航天，航空，電子，核能，儀器儀表，輕工等領(lǐng)域，解決各種難加工材料和復(fù)雜形狀物體的加工問題。某些關(guān)鍵加工參數(shù)，如峰值電流，工具電極直徑等會影響加工結(jié)果。選擇不當(dāng)?shù)膮?shù)可能導(dǎo)致嚴(yán)重的后果，如異常放電狀態(tài)[2]。

在某些工業(yè)，如航天航空中發(fā)動機(jī)與散熱孔的制造，對盲孔的深度要求很高。楊立光[3]等人對徑比盲孔電火花加工工藝進(jìn)行了探討，結(jié)果表明電火花加工工藝方法是解決盤軸類零件大深徑比盲孔加工的有效方法。然而由于電火花加工過程的復(fù)雜性，難以確定各電火花加工參數(shù)對實驗結(jié)果的影響，所以需要一種新方法來準(zhǔn)確的預(yù)測加工后盲孔的深度，以達(dá)到現(xiàn)代工藝需求。

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的盲孔深度預(yù)測模型，用來預(yù)測加工過程中盲孔的深度，方便實時的知道加工孔深，以提高加工效率，節(jié)約成本。

1 實驗

本次實驗中，使用ES540-NC EDM作為加工機(jī)床，機(jī)床的裝備結(jié)構(gòu)如圖1所示。加工工件為鈦合金（TC4），選用同批次的紫銅電極作為加工電極，采用浸液式加工，完成20組電火花加工實驗。加工參數(shù)如表一。由于數(shù)據(jù)量受到嚴(yán)重限制，實驗設(shè)計采用正交實驗設(shè)計[4-5]，設(shè)計峰值電流大小，電極直徑大小，為5水平的正交實驗。Smart Eye系統(tǒng)用于獲取每次抬刀時加工電極的圖像，圖2顯示了抬刀時加工電極的圖像。系統(tǒng)處理獲得的圖像并計算碳黑膜長度，然后將數(shù)據(jù)發(fā)送給上位機(jī)，進(jìn)行數(shù)據(jù)分析。加工完成后，使用線切割沿加工孔縱向切割鈦合金，選擇千分尺對加后的TC4鈦合金工件上的盲孔深度進(jìn)行多次測量并計算平均值。從而得到24組TC4鈦合金的相關(guān)加工參數(shù)及其對應(yīng)的實驗結(jié)果，實驗記錄如表二。圖3為加工后的工件。

A伺服機(jī)構(gòu) B工具電極 C工件材料 D直流電源 E M0252電火花油 F流量閥 G 油泵

2 卷積神經(jīng)網(wǎng)絡(luò)模型的設(shè)計

谷歌開源的TensorFlow框架用來構(gòu)建CNN模型[6]。該模型包括一個輸入層，五個隱藏層和一個輸出層。這個模型的函數(shù)表達(dá)式如（1）。

在這個方程中，Y表示模型輸出，X是神經(jīng)網(wǎng)絡(luò)輸入變量，W和B是在網(wǎng)絡(luò)訓(xùn)練過程中評估的權(quán)重和偏差變量。將電極直徑和峰值電流的大小，電極表面上的炭黑膜的附著長度作為模型的輸入，并行連接多個神經(jīng)元，最后形成若干層，構(gòu)建CNN模型，加工孔的深度作為模型的輸出。圖4顯示了CNN模型。修正線性單元（Rectified linear unit，ReLU）作為神經(jīng)元的激活函數(shù)[7]，方程表達(dá)式如（2）。

ReLU功能的主要優(yōu)點是只需要一個閾值即可獲得激活值。均方誤差（Mean Square Error，MSE）算法用于執(zhí)行梯度下降。在（3）式中，observed是實際值，predicted是預(yù)測值，N是20，表示20組實驗數(shù)據(jù)。

圖5顯示不同隱藏層的卷積神經(jīng)網(wǎng)絡(luò)，迭代相同的次數(shù)時，神經(jīng)網(wǎng)絡(luò)性能和MSE大小。

3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試

本次實驗中，隨機(jī)抽取20組數(shù)據(jù)用于卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，使用Adam Optimizer[8-9]來控制學(xué)習(xí)速率，MSE算法用于減小訓(xùn)練結(jié)果與目標(biāo)之間的差值，迭代200000萬次得到訓(xùn)練好的CNN模型，將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型移植到上位機(jī)上，用于在線預(yù)測盲孔的深度。表三顯示了實驗預(yù)測的結(jié)果。

4 結(jié)論

本次研究表明，卷積神經(jīng)網(wǎng)絡(luò)模型可以精確的反映電火花加工參數(shù)與加工結(jié)果的非線性映射關(guān)系，預(yù)測的平均誤差僅為3.82%，最大誤差為7.41%，證明了此方案的可行性。在實際工程中，尤其在機(jī)床經(jīng)驗數(shù)據(jù)缺乏的情況下，可以構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，將峰值電流和電極直徑的大小，炭黑膜的長度作為模型的輸入來在線的預(yù)測盲孔深度，以達(dá)到控制加工孔深的目的。既可以提高工作效率，也達(dá)到了降級人工成本的需求。

【參考文獻(xiàn)】

[1]Ming W， Ma J， Zhang Z， et al. Soft computing models and intelligent optimization system in electro-discharge machining of SiC/Al composites[J]. International Journal of Advanced Manufacturing Technology， 2016， 87（1-4）：1-17.

[2]Zhang Z， Ming W， Zhang G， et al. A new method for on-line monitoring discharge pulse in WEDM-MS process[J]. International Journal of Advanced Manufacturing Technology， 2015， 81（5-8）：1403-1418.

[3]楊立光， 伏金娟， 任連生，等. 鎳基高溫合金大深徑比盲孔電火花加工工藝探討[J]. 航空制造技術(shù)， 2014， 460（16）：42-46.[4].Duric PM （1990） Model selection by cross-validation. IEEE ISCAS 4：2760–2763

[4]Djuric P M. Model selection by cross-validation[C]// IEEE International Symposium on Circuits and Systems. IEEE， 1990：2760-2763 vol.4.

[5]Lela B， Baji？ D， Jozi？ S. Regression analysis， support vector machines， and Bayesian neural network approaches to modeling surface roughness in face milling[J]. International Journal of Advanced Manufacturing Technology， 2009， 42（11-12）：1082-1088.

[6]Abadi M， Barham P， Chen J， et al. TensorFlow： a system for large-scale machine learning[J]. 2016.

[7]Li H， Ouyang W， Wang X. Multi-Bias Non-linear Activation in Deep Neural Networks[J]. 2016.

[8]Radford A， Metz L， Chintala S. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks[J].Computer Science， 2015.

[9]Kingma D P， Ba J. Adam： A Method for Stochastic Optimization[J]. Computer Science， 2014.