基于CNN的脹管工序質(zhì)量狀態(tài)識(shí)別方法與應(yīng)用

李曉濤，關(guān) 輝，李朝暉，趙松濤，吳淑敏

（廣東省智能機(jī)器人研究院，廣東東莞 523808）

0 引言

脹管工序?qū)儆诶淠芗庸み^(guò)程中的環(huán)節(jié)，利用脹管機(jī)將穿好銅管的兩器進(jìn)行機(jī)械擴(kuò)張，使得銅管和翅片實(shí)現(xiàn)過(guò)盈配合。在空調(diào)行業(yè)冷凝管的脹管工序生產(chǎn)過(guò)程中，其產(chǎn)生的脹管質(zhì)量問(wèn)題主要是管口質(zhì)量一致性弱，具體包括管口偏小、管口偏大和管口脹裂等問(wèn)題。由于銅管質(zhì)地較軟、管口直徑較小且單件產(chǎn)品的管口數(shù)量較多，人工測(cè)量誤差較大且很容易發(fā)生漏檢某些管口的情況?，F(xiàn)有方案中可利用圖像識(shí)別技術(shù)實(shí)現(xiàn)管口質(zhì)量的快速識(shí)別，由于加工設(shè)備較多、生產(chǎn)環(huán)境復(fù)雜，視覺(jué)檢測(cè)設(shè)備成本過(guò)高，調(diào)試過(guò)程復(fù)雜且存在一定的安全隱患。

脹管工序質(zhì)量檢測(cè)的目的是要準(zhǔn)確識(shí)別加工后管口的4種質(zhì)量狀態(tài)，其問(wèn)題本質(zhì)與設(shè)備故障狀態(tài)識(shí)別等問(wèn)題類似，均可轉(zhuǎn)化為一種基于間接信號(hào)進(jìn)行模式識(shí)別的問(wèn)題。隨著人工智能、制造物聯(lián)網(wǎng)等技術(shù)的發(fā)展，對(duì)制造過(guò)程的動(dòng)態(tài)感知、智能分析的能力正在不斷增強(qiáng)，目前人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,ANN）、支持向量機(jī)（Support Vector Machine,SVM）等人工智能技術(shù)已成功應(yīng)用于質(zhì)量異常模式識(shí)別領(lǐng)域[1-2]。常見(jiàn)的有通過(guò)將人工智能技術(shù)與控制圖技術(shù)相結(jié)合，先提取控制圖的統(tǒng)計(jì)特征和形狀特征后再利用人工智能技術(shù)進(jìn)行質(zhì)量異常趨勢(shì)的模式識(shí)別。如Du等[3]提出的基于最小歐式距離的控制圖用于監(jiān)控自相關(guān)過(guò)程的均值漂移，同時(shí)利用支持向量回歸（Support vector regression,SVR）來(lái)預(yù)測(cè)時(shí)間序列中的正常值，并在此基礎(chǔ)上計(jì)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(tǒng)計(jì)特征和形狀特征與神經(jīng)網(wǎng)絡(luò)相結(jié)合，并利用布谷鳥(niǎo)優(yōu)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(zhǔn)確地識(shí)別到質(zhì)量變化趨勢(shì)，但僅是針對(duì)控制圖特征而非產(chǎn)品本身提取過(guò)多的特征進(jìn)行挖掘分析，且仍需要解決單件產(chǎn)品質(zhì)量的檢測(cè)問(wèn)題。

深度學(xué)習(xí)技術(shù)能夠滿足從產(chǎn)品加工過(guò)程中獲取的數(shù)據(jù)出發(fā)，自動(dòng)獲取相關(guān)特征，精準(zhǔn)快速地識(shí)別產(chǎn)品質(zhì)量狀態(tài)，能夠大幅度提升檢測(cè)效率，節(jié)省人力成本。如Li Guoqiang等[5]利用多源傳感器信號(hào)，將S-transform算法與Convolutional Neural Networks（CNN）融合，提出了一種傳感器數(shù)據(jù)驅(qū)動(dòng)的故障模式識(shí)別方法，有更高的診斷性能和更強(qiáng)的魯棒性。Min Xia等[6]結(jié)合了傳感器融合技術(shù)，利用CNN結(jié)構(gòu)實(shí)現(xiàn)了更高、更魯棒的診斷精度。上述研究說(shuō)明CNN在模式識(shí)別中具有較好的應(yīng)用效果，因此，本文將研究對(duì)象的異常質(zhì)量識(shí)別問(wèn)題轉(zhuǎn)換為設(shè)備故障診斷等模式識(shí)別問(wèn)題，針對(duì)脹管工序加工過(guò)程設(shè)計(jì)數(shù)據(jù)采集方案獲取能夠間接反映管口質(zhì)量狀態(tài)的壓力數(shù)據(jù)，再利用CNN模型自動(dòng)獲取信號(hào)特征，實(shí)現(xiàn)脹管工序管口質(zhì)量狀態(tài)的準(zhǔn)確識(shí)別。

1 脹管工序管口質(zhì)量狀態(tài)識(shí)別流程

如圖1所示，空調(diào)冷凝管脹管工序管口質(zhì)量狀態(tài)識(shí)別過(guò)程如下：首先利用脹管工序加工過(guò)程的壓力信號(hào)作為數(shù)據(jù)分析基礎(chǔ)；然后對(duì)數(shù)據(jù)進(jìn)行降噪和分段等處理，基于小波尺度圖和CNN構(gòu)建管口質(zhì)量狀態(tài)識(shí)別模型；最后基于識(shí)別模型實(shí)現(xiàn)脹管工序管口質(zhì)量狀態(tài)的在線識(shí)別。

圖1 空調(diào)冷凝管管口質(zhì)量狀態(tài)識(shí)別過(guò)程

1.1 數(shù)據(jù)采集平臺(tái)

如圖2所示，針對(duì)脹管工序管口質(zhì)量狀態(tài)識(shí)別需求，設(shè)計(jì)了由視覺(jué)傳感器和壓力傳感器組成的數(shù)據(jù)采集平臺(tái)。視覺(jué)傳感器僅用于為管口質(zhì)量狀態(tài)提供數(shù)據(jù)標(biāo)簽，輔助建立準(zhǔn)確的算法模型，由于成本昂貴僅在實(shí)驗(yàn)設(shè)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(zhì)量狀態(tài)識(shí)別算法模型建立提供數(shù)據(jù)源。

圖2 冷凝管脹管工序數(shù)據(jù)采集方案

視覺(jué)、壓力傳感器部署數(shù)量和精度等信息如表1所示。

表1 傳感器部署信息

1.2 數(shù)據(jù)預(yù)處理

脹管工序?qū)?yīng)的壓力序列有著明顯的分段特征，對(duì)應(yīng)脹管工序中進(jìn)桿、擴(kuò)管、擴(kuò)口、退桿、退模這5個(gè)加工過(guò)程，結(jié)合人工經(jīng)驗(yàn)，擴(kuò)口是決定脹管4類質(zhì)量狀態(tài)的最重要因素，因此只以擴(kuò)口階段的壓力數(shù)據(jù)為分析基礎(chǔ)，更容易提取能夠反映管口質(zhì)量狀態(tài)的數(shù)據(jù)特征。然而在實(shí)際生產(chǎn)過(guò)程中，由于產(chǎn)品類型等不一致，導(dǎo)致數(shù)據(jù)采集量不同，很難憑借人工經(jīng)驗(yàn)根據(jù)點(diǎn)數(shù)位置將每次加工數(shù)據(jù)準(zhǔn)確分為5段，具體原因如下：

（1）不同類型產(chǎn)品的高度不一致，一次加工的壓力數(shù)據(jù)長(zhǎng)度不同；

（2）由于數(shù)據(jù)采集方案不夠精確，生產(chǎn)同種產(chǎn)品時(shí)，多次加工的數(shù)據(jù)初始點(diǎn)并非對(duì)齊狀態(tài)；

（3）由于存在噪聲干擾，不同區(qū)域段相鄰的數(shù)據(jù)特征差異難以區(qū)分。

為解決以上問(wèn)題，本節(jié)首先對(duì)壓力數(shù)據(jù)進(jìn)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(shí)現(xiàn)壓力數(shù)據(jù)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(chǎn)品一次加工的數(shù)據(jù)長(zhǎng)度不同，采集數(shù)據(jù)中不可避免包含一些奇異值、缺省值，對(duì)奇異值進(jìn)行平滑處理以及缺省值進(jìn)行補(bǔ)充，對(duì)信號(hào)采集不穩(wěn)定因素導(dǎo)致的缺省值現(xiàn)象，使用空缺值前緊鄰一個(gè)值補(bǔ)充。針對(duì)奇異值現(xiàn)象，假設(shè)數(shù)據(jù)滿足正態(tài)分布，使用3δ原則進(jìn)行異常點(diǎn)識(shí)別，即如果多次加工的壓力數(shù)據(jù)集合中存在某個(gè)時(shí)間點(diǎn)的數(shù)據(jù)值距離該時(shí)間點(diǎn)數(shù)據(jù)分布所服從的正態(tài)分布均值μ超過(guò)了3δ范圍，則認(rèn)為該數(shù)據(jù)點(diǎn)為奇異值，使用前后兩點(diǎn)的平均值代替該奇異值。

1.2.2 小波閾值降噪

小波降噪過(guò)程就是利用小波分解將信號(hào)分解到各尺度中，然后把每一尺度中屬于噪聲的小波系數(shù)去掉，保留并增強(qiáng)屬于信號(hào)的小波系數(shù)，最后利用小波逆變換將處理后的小波系數(shù)重構(gòu)得出降噪后的信號(hào)。小波降噪的方法較多，其中以小波閾值降噪法的應(yīng)用最為廣泛，小波基函數(shù)和分解層數(shù)的選擇、閾值λ的選取規(guī)則和閾值函數(shù)的設(shè)計(jì)，則是影響最終降噪效果的關(guān)鍵因素。如圖3所示，小波降噪過(guò)程主要分為小波分解、閾值處理和小波重構(gòu)3個(gè)步驟。

圖3 小波閾值降噪流程

1.2.3 基于差分疊加法的數(shù)據(jù)分段

結(jié)合脹管加工過(guò)程特性，利用差分規(guī)則進(jìn)行多次分段，不斷累積分段之后新序列中點(diǎn)的勢(shì)能大小，從而擴(kuò)大和突出了不同分段區(qū)域中數(shù)據(jù)的特征，能夠較為容易的選取到準(zhǔn)確的分段點(diǎn)，提高了分段穩(wěn)定性和效率。數(shù)據(jù)分段步驟如圖4所示。

圖4 基于差分疊加法的數(shù)據(jù)分段流程

1.3 小波尺度譜

小波變換是一種能夠通過(guò)將時(shí)間信號(hào)系列分解到時(shí)域和頻域內(nèi)，從而獲得時(shí)間信號(hào)系列的顯著的波動(dòng)模式的方法，具有多分辨率分析的特點(diǎn)，并且在時(shí)頻兩域都具有表征信號(hào)局部特征的能力。當(dāng)信號(hào)完成連續(xù)小波變換后，求分解至各個(gè)子空間的信號(hào)平方和，即得到信號(hào)的小波尺度譜。小波尺度譜較好地解決信號(hào)時(shí)間和頻率分辨率的矛盾，可通過(guò)調(diào)整位移和尺度變化得到能夠反映信號(hào)特征變化的能量分布。對(duì)一個(gè)時(shí)間系列進(jìn)行小波轉(zhuǎn)換時(shí)，小波基函數(shù)的選擇顯得尤為重要。Morlet小波具有非正交性而且還是指數(shù)復(fù)值小波，因此采用更適用于圖像識(shí)別與特征提取的Mrolet小波作為小波基函數(shù)。

1.4 基于CNN的產(chǎn)品質(zhì)量識(shí)別模型

CNN是一種具備優(yōu)異的特征提取能力的深度神經(jīng)網(wǎng)絡(luò)，現(xiàn)已成功應(yīng)用于各種分類問(wèn)題。CNN由涉及線性和非線性運(yùn)算的可訓(xùn)練多級(jí)架構(gòu)組成，每個(gè)階段的輸入和輸出是一組數(shù)組，稱為特征圖。用于質(zhì)量狀態(tài)識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)主要包含了以下幾種層級(jí)。

（1）卷積層

在卷積層中，將輸入與一組可學(xué)習(xí)的過(guò)濾器（也稱為內(nèi)核）進(jìn)行卷積，以生成新的特征圖，作為對(duì)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(jí)的特征如邊緣、線條和角等層級(jí)，更多層的網(wǎng)絡(luò)能從低級(jí)特征中迭代提取更復(fù)雜的特征。

（2）池化層

池化層通過(guò)降低特征圖的分辨率來(lái)實(shí)現(xiàn)空間不變性。通過(guò)將合適的運(yùn)算符提取主要特征從而降低了計(jì)算復(fù)雜度，采用最大池化法進(jìn)行池化操作。

（3）局部響應(yīng)歸一化處理層

局部響應(yīng)歸一化處理一般是在激活、池化后進(jìn)行的一種處理方法，對(duì)局部神經(jīng)元的活動(dòng)創(chuàng)建競(jìng)爭(zhēng)機(jī)制，使得其中響應(yīng)比較大的值變得相對(duì)更大，并抑制其他反饋較小的神經(jīng)元，增強(qiáng)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(shù)層等操作是將原始數(shù)據(jù)映射到隱層特征空間，全連接層將二維特征圖轉(zhuǎn)換為類別的概率分布映射，再將其傳遞給Softmax分類器實(shí)現(xiàn)質(zhì)量狀態(tài)分類。在全連接層后面加入一層丟失層，在訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)的過(guò)程中，按照一定的概率將神經(jīng)網(wǎng)絡(luò)單元暫時(shí)從網(wǎng)絡(luò)中丟棄，從而減少數(shù)據(jù)過(guò)擬合現(xiàn)象。

2 實(shí)例與實(shí)驗(yàn)結(jié)果分析

2.1 實(shí)例簡(jiǎn)介與數(shù)據(jù)處理

根據(jù)工藝標(biāo)準(zhǔn)將產(chǎn)品質(zhì)量狀態(tài)分為4個(gè)等級(jí)：脹后管口尺寸小于6.60 mm時(shí)，為偏小狀態(tài)，需要進(jìn)行二次擴(kuò)口；脹后管口尺寸大于6.60 mm且小于7.1 mm，為正常狀態(tài)，此時(shí)進(jìn)行下一道焊接工序時(shí)能夠得到更高的良品率；當(dāng)脹后管口尺寸大于7.1 mm且小于7.4 mm時(shí)，為偏大狀態(tài)，若人工判斷出現(xiàn)裂口則視為廢品；當(dāng)脹后管口尺寸大于7.40 mm時(shí)，由于銅管材質(zhì)限制，脹后管口為脹裂狀態(tài)，屬于報(bào)廢產(chǎn)品。在訓(xùn)練分類模型時(shí)，將訓(xùn)練數(shù)據(jù)集貼上4類標(biāo)簽，分別代表4種產(chǎn)品質(zhì)量狀態(tài)，如表2所示。

表2 冷凝管管口質(zhì)量狀態(tài)劃分

對(duì)實(shí)驗(yàn)獲取的數(shù)據(jù)進(jìn)行缺省值及奇異值處理后進(jìn)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(hào)的異常波動(dòng)情況，有利于進(jìn)行下一步的基于差分疊加法的動(dòng)態(tài)數(shù)據(jù)分段操作。

進(jìn)行5次隨機(jī)分段實(shí)驗(yàn)，得到擴(kuò)口過(guò)程對(duì)應(yīng)的壓力序列段為第3段，其分段長(zhǎng)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(wěn)定，可以作為后續(xù)數(shù)據(jù)分析的基礎(chǔ)。

圖5 小波閾值降噪

表3 5次隨機(jī)分段實(shí)驗(yàn)分段結(jié)果對(duì)比

針對(duì)A、B兩種型號(hào)產(chǎn)品進(jìn)行實(shí)驗(yàn)驗(yàn)證，兩種產(chǎn)品之間管口數(shù)目和冷凝管高度均不同，其中產(chǎn)品B的數(shù)據(jù)集僅包含偏小、正常和偏大3種管口質(zhì)量狀態(tài)數(shù)據(jù)，分別從產(chǎn)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(shù)據(jù)序列，每種質(zhì)量狀態(tài)數(shù)據(jù)量相同，按照7∶3的比例分成訓(xùn)練集和測(cè)試集，具體如表4所示。

表4 實(shí)驗(yàn)數(shù)據(jù)集

2.2 實(shí)驗(yàn)過(guò)程及結(jié)果分析

在本例研究中，所有的實(shí)驗(yàn)使用的計(jì)算機(jī)配置為Intel（R）Core（TM） i7-7700-3.6 GHz處理器，8 GB內(nèi)存和Windows版本的Matlab平臺(tái)。如圖6所示，CNN模型包含3次卷積和池化、2個(gè)全連接層，全連接層之間使用一次丟失層防止過(guò)擬合現(xiàn)象，最后采用Softmax進(jìn)行分類。

圖6 基于CNN的冷凝管管口質(zhì)量狀態(tài)識(shí)別流程

對(duì)各類管口質(zhì)量狀態(tài)對(duì)應(yīng)的第3段壓力序列信號(hào)進(jìn)行連續(xù)小波變換后，求分解至各個(gè)子空間的信號(hào)平方和，將頻率歸一化為0～0.5之間，從而得到信號(hào)的小波尺度譜。

圖7所示為轉(zhuǎn)換后的小波尺度圖，4種管口質(zhì)量狀態(tài)對(duì)應(yīng)的小波尺度譜在頻帶1～頻帶4之間有著明顯的差別。經(jīng)過(guò)多次實(shí)驗(yàn)，選擇SGDM（Stochastic Gradient Descent with Momen-tum）算法優(yōu)化CNN模型，MiniBatchSize設(shè)為128，設(shè)初始學(xué)習(xí)率lr=0.002，每隔50個(gè)enpoch學(xué)習(xí)率減小1倍以增快收斂速度，配置以上參數(shù)后進(jìn)行訓(xùn)練和測(cè)試。

圖7 產(chǎn)品A四種管口質(zhì)量狀態(tài)第3段序列小波尺度譜對(duì)比圖

如圖8所示，產(chǎn)品A對(duì)應(yīng)的訓(xùn)練過(guò)程在第100個(gè)enpoch時(shí)精度已接近100%且僅出現(xiàn)微小的波動(dòng)，設(shè)置損失值連續(xù)5次小于或等于0.001時(shí)停止訓(xùn)練，5次測(cè)試的平均準(zhǔn)確率為94.46%，如表5所示。

圖8 訓(xùn)練過(guò)程和測(cè)試集結(jié)果

最后采用模式識(shí)別常用的SVM、KNN、SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行5次實(shí)驗(yàn)，求其各算法模型測(cè)試集平均準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，結(jié)果如表6所示，本文提出的基于CNN的脹管管口質(zhì)量狀態(tài)識(shí)別模型具有更好的識(shí)別效果。

表5 5次實(shí)驗(yàn)結(jié)果

表6 不同算法識(shí)別準(zhǔn)確率對(duì)比

3 結(jié)束語(yǔ)

本文針對(duì)空調(diào)冷凝管管口異常質(zhì)量狀態(tài)識(shí)別問(wèn)題，提出了基于CNN的管口質(zhì)量狀態(tài)識(shí)別算法，結(jié)合脹管生產(chǎn)工序的特征設(shè)計(jì)了相關(guān)數(shù)據(jù)采集方案，利用小波閾值降噪和基于差分疊加法的動(dòng)態(tài)數(shù)據(jù)分段技術(shù)完成對(duì)原始數(shù)據(jù)的處理，利用小波變換得到小波尺度譜，最后采用CNN網(wǎng)絡(luò)模型進(jìn)行模式識(shí)別。在測(cè)試和對(duì)比試驗(yàn)中，本文提出的方法得到了較好的識(shí)別效果。