基于卷積神經網絡對磨削表面粗糙度聲發射智能預測*

郭 力 龍 華 王 藝 唐 靖

（1.湖南大學 機械與運載工程學院 長沙 410082；2.湖南工業職業技術學院 機械工程學院 長沙 410208）

1 引言

汽車發動機曲軸磨削表面粗糙度的降低，對汽車發動機性能的改進有重要影響。曲軸工件磨削加工時，越早發現磨削表面粗糙度的超差越能及早地以更低成本采取相應措施降低損失。表面粗糙度是磨削表面完整性的重要指標，對工件的耐疲勞性、耐磨性、配合性質、耐腐蝕性等有著直接影響。由于磨削參數、砂輪狀態、工件材料及誤差、磨削液、振動等都對表面粗糙度有影響，所以磨削表面粗糙度很難實時預測。磨削加工過程中存在大量的聲發射(acoustic emission , AE)現象，利用聲發射技術進行磨削在線監測可以滿足其需求，且具有諸多優點，如監測靈敏、無損、具有即時性等，可很好的提高磨削加工質量，這對于磨削加工的智能化極其重要。

目前對金屬材料和難加工材料的磨削表面粗糙度聲發射預測做出了諸多研究，使用BP神經網絡及其改進優化模型聲發射預測磨削表面粗糙度[1]。胡仲翔等將磨削AE信號的300～400kHz頻段作為學習樣本，提取特征輸入BP神經網絡，使用附加動量等方法優化，預測結果相對誤差小于8.66%[2]。智能算法應用于神經網絡或支持向量回歸機預測磨削表面粗糙度，如遺傳、粒子群算法，使用進化神經網絡進行預測[3-4]。其它種類網絡，如貝葉斯網絡、模糊自適應BP網絡、RBF徑向基神經網絡。以刀具和機床參數作為輸入，基于模糊自適應BP算法進行了預測[5-6]。但是上述磨削預測模型存在一些缺點：一是磨削參數數目少，網絡輸入的特征值不足，不能完全表征復雜的磨削條件；二是相同的磨削參數條件下不一定產生相同的磨削表面質量，而不同的磨削質量一定會產生不同的聲發射信號，而極少的預測模型使用了聲發射信號；三是這些模型的輸入參數均為人工提取的特征參數，特征提取依靠經驗；四是使用優化算法優化的神經網絡預測表面粗糙度的研究不夠充分全面。

人工智能深度學習具有強大的信號自動特征提取能力，在磨削表面粗糙度預測領域中，尚未發現有關于深度學習結合聲發射現象進行預測的研究。本文以聲發射技術為基礎，利用深度學習卷積神經網絡（Convolutional Neural Network, CNN）自動提取磨削聲發射信號特征，對汽車發動機曲軸球墨鑄鐵材料磨削表面粗糙度進行了聲發射智能預測，為曲軸磨削表面粗糙度的聲發射智能在線監測打下基礎。

2 球墨鑄鐵磨削聲發射實驗

平面磨削聲發射實驗是汽車發動機曲軸材料球墨鑄鐵 QT700-2，磨削球墨鑄鐵試件尺寸為 50mm×20mm×15mm，采用外徑Φ200 mm、粒度100#的剛玉砂輪，砂輪線速度20 m/s。實驗過程中保持工作臺速度不變，僅改變磨削的深度，磨削工件的方向為沿著50 mm×20 mm面的50 mm長度方向，切削深度為 10 μm、20 μm、30 μm，其中 10 μm 和20 μm磨削各7次，30 μm磨削6次，共得到20個QT700-2磨削樣件。實驗采用美國物理聲學公司PAC生產的PCI-2聲發射信號采集系統。實驗采用R6α聲發射傳感器，傳感器裝在靠近磨削工件的位置，為了減少聲發射信號的衰減，在聲發射傳感器與工件之間涂適量耦合劑（凡士林）。設置聲發射采樣頻率為2 MHz，前置放大增益設置為40 dB，使用信號波形流采集功能對原始信號進行完整采集以進行后續分析。

球墨鑄鐵QT700-2工件的表面粗糙度使用光學表面輪廓儀Wyko NT9100進行測量。測得球墨鑄鐵磨削典型表面形貌如圖1所示。磨削表面粗糙度數據集如表1所示。為了提高預測模型的數據集規模，在每個試件沿磨削方向均勻測量十個表面粗糙度。在使用機器學習聲發射預測磨削表面粗糙度的研究中，為了降低訓練模型的泛化誤差，表面粗糙度數據標簽集分布范圍應當盡量廣泛且均勻，實驗測得的200個表面粗糙度值分布范圍在0～6 μm，分布較為均勻。此外應該注意的是，進行模型訓練時隨機挑選訓練集和測試集，多次訓練，保證數據的無序性，消除由于訓練集輸入順序造成的誤差。

圖1 磨削試件及其表面形貌

表1 球墨鑄鐵試件磨削表面粗糙度Ra(μm)

3 基于卷積神經網絡特征提取的模型

人工智能卷積神經網絡 CNN主要用于處理數字圖像，相對于全連接網絡而言，卷積神經網絡是一種非全連接網絡，參數規模更小，處理速度更快。

卷積神經網絡的經典結構如圖2所示，包括輸入層、卷積層、池化層、全連接層、回歸層或分類層[7]。卷積層的作用是使用一個卷積核在圖片上移動收集信息，概括信息；池化層的作用是減少數據量，降低計算機的負擔；全連接層作用是將卷積神經網絡的輸出重新排列為一個一維向量，作為分類器的輸入。其網絡訓練過程主要分為兩個階段，第一階段是前向傳播階段，第二階段是反向參數更新階段，權重更新的過程。當迭代達到精度要求即可鎖定權值閾值矩陣，進行預測。

圖2 卷積神經網絡結構

3.1 基于AE信號時頻分析的特征數據集

首先將磨削聲發射信號經過短時傅里葉變換STFT經典時頻分析算法處理。該算法采用固定窗寬的移動窗對AE信號進行時頻譜分析，具有更豐富信息的圖像特征數據集。然后處理時頻譜圖像，將其進行取對數并歸一化至圖片的值范圍。

短時傅里葉變換采取1 024點漢寧窗，窗口重復點數512，快速傅里葉變換點數為1 024點，信號的采樣頻率為 2MHz，由于球墨鑄鐵磨削聲發射信號的絕大部分能量及信息包括在0～400kHz范圍內，因此選取STFT圖片的結果也限定在此范圍內，取其頻率范圍為0～400kHz，可以得到分辨率為200×77的圖片作為卷積神經網絡的輸入數據集，結果如圖3所示。

圖3 卷積神經網絡的STFT時頻譜輸入

此外，可以改變窗口類型、窗口重合度等參數來改變短時傅里葉變換的分辨率，以測試不同分辨率條件下的傅里葉變換圖像對于卷積神經網絡預測磨削表面粗糙度的影響，最終可得到能夠作為卷積神經網絡CNN輸入的圖像，圖像大小為200×7×1，訓練集大小為200×77×1×180（90%），測試集大小為 200×77×1×20（10%）。

3.2 卷積神經網絡預測模型

建立球墨鑄鐵卷積神經網絡 CNN預測模型的重點是結構及參數設計，恰當的網絡參數可以提高網絡預測精度，降低預測時間。通常將卷積神經網絡的超參數分為三類：網絡結構參數、優化參數、正則化參數，這些參數均對預測模型的預測精度和訓練時間有較大影響。

網絡參數的組合方式很多，對于一個模型來說找到最優參數組合方式是不現實的，目前對于卷積神經網絡參數的確定較大程度上依賴于經驗選取。經過多次實驗及訓練測試，設置球墨鑄鐵磨削表面粗糙度預測模型第一層卷積核的最佳參數為卷積核尺寸35×35、層數10，粗糙度預測模型設置3個卷積層。此時樣本集規模與待訓練參數規模相適應，網絡不容易出現過擬合，且訓練速度較快，預測精度較高。

參照經典卷積神經網絡結構LetNet-5，適當選擇及調整其參數，確定一個恰當的網絡結構，如表2所示。

表2 卷積神經網絡模型的結構參數

使用深度學習卷積神經網絡 CNN能夠進行磨削聲發射信號特征值的自動提取，所以不需要像BP神經網絡預測那樣要人工提取磨削聲發射信號的特征值。球墨鑄鐵磨削表面粗糙度卷積神經網絡CNN預測模型的某一次訓練結果如表3所示，對其進行30次重復訓練和預測，結果如表4所示，可以看出網絡的預測效果很穩定，均在10%左右，多次訓練的平均相對誤差率在9.33%。而分析表明傳統的BP神經網絡磨削表面粗糙度聲發射預測誤差在20%以上，同時BP神經網絡預測要人工提取磨削聲發射信號的特征值。所以球墨鑄鐵磨削表面粗糙度卷積神經網絡 CNN預測模型精度較高；同時由于不需要人工提取磨削聲發射信號的特征值，所以卷積神經網絡CNN能夠適應磨削加工的在線監測。

表3 CNN表面粗糙度某一次預測評價

表4 CNN表面粗糙度預測結果

4 結語

球墨鑄鐵QT700-2磨削表面粗糙度聲發射預測實驗中，利用深度學習卷積神經網絡CNN預測模型實現了對磨削表面粗糙度的聲發射預測，預測的精度高于使用BP神經網絡。同時深度學習卷積神經網絡 CNN能夠自動提取磨削聲發射信號的特征值，能夠適應磨削在線智能監測。