基于BP神經(jīng)網(wǎng)絡的金屬拉深件裂紋在線監(jiān)測

駱志高，張保剛，何 鑫

（江蘇大學 機械工程學院，鎮(zhèn)江 212013）

隨著現(xiàn)代工業(yè)的飛速發(fā)展，拉深作為一種金屬板料的成形技術，被廣泛應用于各種重大結構工程及技術裝備的制造。由于拉深件的成形過程比較復雜，在成形過程中不僅要承受高接觸壓力和劇烈的摩擦，還有循環(huán)加載引起的應力、應變和溫度的周期性變化而使制件產(chǎn)生裂紋［1］，并且有些微小裂紋肉眼難以察覺。一旦制件內部產(chǎn)生裂紋，將導致大量次品的出現(xiàn)，不僅造成資源的浪費，危及安全，同時也給企業(yè)帶來重大損失。由于早期裂紋由于比較細小，在產(chǎn)品使用初期可能并不會影響到產(chǎn)品的性能與安全性，但在使用一段時間后，可能會因為振動等因素使裂紋進一步擴展，便會造成重大損失，釀成事故。因此，在拉深過程對金屬拉深件質量狀態(tài)進行監(jiān)測，對識別金屬拉深件微裂紋有現(xiàn)實意義。神經(jīng)網(wǎng)絡在自學習，自組織，自聯(lián)想及容錯等方面有著非凡的能力。以此種模型為基礎，可以建立以識別結果作為反饋信號、具有自動選擇特征能力的自適應模式識別系統(tǒng)。同時還可能從神經(jīng)網(wǎng)絡模型中得到最靈活的聯(lián)想存儲器，它既能有效地按內容進行檢索，又能夠從局部殘存的信息聯(lián)想到整體。用神經(jīng)網(wǎng)絡實現(xiàn)模式識別算法的意義，不僅僅在于神經(jīng)網(wǎng)絡可快速實現(xiàn)遞歸過程，而且還在于，用神經(jīng)網(wǎng)絡的觀點來研究模式信息處理可以激勵人們創(chuàng)造性地發(fā)現(xiàn)新的方法［2］。各種神經(jīng)網(wǎng)絡模型中，在模式識別中應用最多并且最成功的當屬多層前饋網(wǎng)絡，其中又以BP網(wǎng)為代表，BP網(wǎng)采用的是有教師學習算法，因此能用于監(jiān)督模式識別問題。

1 BP神經(jīng)網(wǎng)絡模型

1.1 BP神經(jīng)網(wǎng)絡結構設計

本文設計的BP神經(jīng)網(wǎng)絡共有三層：

第1層：輸入層。該層的神經(jīng)元的輸入為實際精確值，這里輸入分量分別為金屬拉深件聲發(fā)射的10個參數(shù)。為了表示方便，本文用X0表示相對到達時間，X1表示幅度，X2表示能率，X3表示振鈴計數(shù)，X4表示上升計數(shù)，X5表示上升時間，X6表示能量，X7表示持續(xù)時間，X8有效值電壓（RMS），X9表示平均信號電平（ASL）。

第2層：隱藏層。隱層神經(jīng)元的確定有三種方法，根據(jù)實際的需要，所采用的公式為：

其中：m為輸入神經(jīng)元個數(shù)，n為輸出神經(jīng)元個數(shù)，α為［1，10］的常數(shù)［3］。本文輸入神經(jīng)元是10個，輸出神經(jīng)元是3個，因此隱層神經(jīng)元的個數(shù)為6～14個。在這個范圍內，設計可變的BP網(wǎng)絡，通過網(wǎng)絡訓練的均方根誤差（RSM error）作為考察目標，確定隱層神經(jīng)元個數(shù)。對于裂紋聲發(fā)射信號和正常聲發(fā)射信號，本文各選取15個神經(jīng)網(wǎng)絡樣本，總共30個神經(jīng)網(wǎng)絡訓練樣本。由于目標向量都位于［-1，1］中，網(wǎng)絡隱含層和輸出層的傳遞函數(shù)分別采用Tansig和Logsig，訓練采用函數(shù) Trainlm［4］。

從表1可知，當隱層神經(jīng)元個數(shù)為13個時，神經(jīng)網(wǎng)絡的逼近效果較好，產(chǎn)生的網(wǎng)絡誤差最小。因此，本文采用訓練時間較短的隱含層神經(jīng)元數(shù)為13的BP神經(jīng)網(wǎng)絡。

第3層：輸出層。該層的神經(jīng)元個數(shù)為3個。本文中裂紋信號的輸出數(shù)字代碼為［1 1 1］；質量正常的輸出數(shù)字代碼為［0 0 0］。

三層神經(jīng)網(wǎng)絡模型如圖1所示。

圖1 神經(jīng)網(wǎng)絡模型Fig.1 Neutral network model

表1 隱含層節(jié)點數(shù)不同的BP神經(jīng)網(wǎng)絡訓練誤差Tab.1 The BP neutral network practice error of different hidden neutrons

1.2 BP神經(jīng)網(wǎng)絡訓練

在以上實驗條件下，做15組有裂紋的金屬拉深件試驗和15組質量正常的金屬拉深件試驗，用A1表示裂紋聲發(fā)射信號，A2表示正常狀態(tài)下的聲發(fā)射信號。將其作為學習樣本對BP神經(jīng)網(wǎng)絡進行訓練。在網(wǎng)絡訓練前要將數(shù)據(jù)進行歸一化處理，采用的歸一化公式為：xmax和xmin分別表示輸入特征值的最大值和最小值；xmid代表數(shù)據(jù)變化范圍的中間值；xi表示第i個輸入數(shù)據(jù)；表示歸一化后的第i個數(shù)據(jù)［5］。歸一化后的數(shù)據(jù)示于表2。

將處理過的數(shù)據(jù)作為訓練樣本輸入設計好的BP神經(jīng)網(wǎng)絡進行訓練，經(jīng)過371次訓練，達到了目標誤差0.001 以下。

1.3 靈敏度的計算

靈敏度計算方法是指在網(wǎng)絡進行訓練時，計算節(jié)點（輸入節(jié)點及隱節(jié)點），刪除那些貢獻較小的權或節(jié)點。在實際應用中，如在本課題研究中對板料拉深過程進行在線監(jiān)測時，拉深件所處狀態(tài)y和特征參數(shù)x之間存在單調性，即隨著制件開裂程度的提高，特征參數(shù)x也呈上升趨勢。因此選擇靈敏度較高的特征參數(shù)。定義特征參數(shù)x對拉深件質量狀態(tài)y的靈敏度ξ（y/x）為：

本文所采用的3層（輸入層、隱含層、輸出層）BP神經(jīng)網(wǎng)絡，其中xi（i=1，2，…，L）、zj（j=1，2，…，M），yk（k=1，2，…，M）分別代表輸入層、隱含層和輸出層的輸入和輸出，δk和σj分別為隱含層、輸出層的閥值，因此，特征參數(shù)xi對狀態(tài)類別yk的靈敏度為：

通過數(shù)學變換可以得到：

式中：wij表示聯(lián)接的權值，ujk表示隱層神經(jīng)元的凈輸出［6］。

2 實驗系統(tǒng)

實驗在350T智能壓力機上進行，公稱力為3 150 kN，回程力為600 kN，液壓最大工作壓力為25 MPa。毛坯材料為ST14，尺寸為700 mm×500 mm，拉深深度為80 mm。將采集到的裂紋聲發(fā)射信號參數(shù)和正常狀態(tài)下的聲發(fā)射信號參數(shù)作為BP神經(jīng)網(wǎng)絡的訓練樣本，訓練完成后開始監(jiān)測，即將實驗采集的10個金屬裂紋聲發(fā)射參數(shù)輸入BP神經(jīng)網(wǎng)絡。將網(wǎng)絡輸出和設定的監(jiān)測閥值做對比，若輸出結果為［0 0 0］，表示金屬拉深件質量正常；相反輸出結果為［1 1 1］，則表示金屬拉深件有裂紋。測試樣本示于表3。

3 實驗結果和討論

將公式（6）在MATLAB中編程，計算各個信號參數(shù)對于表征裂紋信號的靈敏度，輸出結果為：

表2 歸一化的樣本數(shù)據(jù)Tab.2 Standardized sample data

表3 測試樣本Tab.3 Test sample

由此，本文可以得出各個特征參數(shù)表征裂紋信號的靈敏度由大到小依次為平均信號電平（X9）、能率（X2）、幅度（X1）、相對到達時間（X0）、持續(xù)時間（X7）、上升計數(shù)（X4）、能量（X6）、有效電壓（X8），上升時間（X5）、振鈴計數(shù)（X3）。

根據(jù)靈敏度的大小，本文首先刪除X3特征參數(shù)，再進行神經(jīng)網(wǎng)絡模式識別，然后進一步刪除特征參數(shù)。當刪除參數(shù)X3、X5、X8三個特征參數(shù)時測試數(shù)據(jù)的輸出為：

當刪除X3、X5、X8、X6四個個特征參數(shù)時測試數(shù)據(jù)的輸出為：

當刪除X3、X5、X8、X6、X4五個特征參數(shù)時測試數(shù)據(jù)的輸出為：

通過對比發(fā)現(xiàn)，第四個測試信號為裂紋信號A1，目標輸出應為［1 1 1］，但實際輸出為［0 0 0］，因此本文保留X4特征參數(shù)。如此經(jīng)過多次計算，最終確定相對到達時間（X0）、幅度（X1）、能率（X2）、上升計數(shù)（X4）、持續(xù)時間（X7）和平均信號電平（X9）六個聲發(fā)射參數(shù)為表征拉深件裂紋的特征參數(shù)。

4 結論

（1）通過對比不同隱含層神經(jīng)元個數(shù)的BP神經(jīng)網(wǎng)絡的訓練誤差與訓練次數(shù)，確定當隱含層神經(jīng)元個數(shù)為13個時，BP神經(jīng)網(wǎng)絡的逼近效果較好，產(chǎn)生的網(wǎng)絡誤差最小。

（2）金屬拉深件裂紋聲發(fā)射的10個特征參數(shù)，表征裂紋信號的靈敏度由大到小依次為平均信號電平（X9），能率（X2），幅度（X1），相對到達時間（X0），持續(xù)時間（X7），上升計數(shù)（X4），能量（X6），有效電壓（X8），上升時間（X5），振鈴計數(shù)（X3）。

（3）通過BP神經(jīng)網(wǎng)絡計算各聲發(fā)射參數(shù)對表征裂紋信號靈敏度的大小，逐步刪除各個聲發(fā)射參數(shù)，降低模式識別時輸入信號的維數(shù)，最后確定相對到達時間（X0）、幅度（X1）、能率（X2）、上升計數(shù)（X4）、持續(xù)時間（X7）和平均信號電平（X9）六個聲發(fā)射參數(shù)為模式識別拉深件裂紋的特征參數(shù)。

［1］高蝦蝦，王 瑋，耿榮生.飛機疲勞試驗裂紋聲發(fā)射信號的人工神經(jīng)網(wǎng)絡模式識別［J］.無損檢測，2010，32（5）：314-316.

［2］王向紅，朱昌明，毛漢領，等.基于小波神經(jīng)網(wǎng)絡的水輪機葉片裂紋源的定位技術［J］.上海交通大學學報，2008，42（8）：1301-1304.

［3］李起棟，郇 帥，史 鑫，等.基于金屬材料結構裂紋模型失效的研究［J］.中國科技信息，2010，23：47-48.

［4］Wong W K，Yuen C W M，F(xiàn)an D D，et al.Stitching defect detection and classification using wavelet transform and BP neural network［J］.Expert Systems with Applications，2009，36（2）：3845-3856.

［5］ Gholizadeh S，Pirmoz A，Attarnejad P.Assessment of load carrying capacity of castellated steel beams by neural networks［J］.Journal of Constructional Steel Research，2011，67（5）：770-779.

［6］ Mandal S，Sivaprasad P V，Venugopal S，et al.Artificial neuralnetwork modeling to evaluate and predict the deformation behavior of stainless steel type AISI 304L during hot torsion［J］.Applied Soft Computing，2009，9（1）：237-244.