• 微信
  • 抖音

基于BP神经网络的密封胶注胶轨迹在线调整方法论文

理工论文 4℃ 0
SCI发表中的作者贡献度评估与署名规则

  关键词:BP神经网络,密封胶轨迹,在线调整,三轴耦合伺服系统,3D相机

  0引言

基于BP神经网络的密封胶注胶轨迹在线调整方法论文

  随着汽车电动化趋势的不断发展,电机在整车中的应用越来越广泛。如:座椅电机、发动机冷却风扇电机、电动车电池包冷却电机等。但整车的工况往往比较恶劣,经常需要承受高温、低温、雨水冲击、震动等严苛的外部环境。其中防水性是电机的一个十分重要的指标,它甚至直接关系到电机的寿命和性能,特别是一些直接和外部环境接触的电机。例如:发动机冷却风扇电机、雨刮电机等。当前,电机的防水密封性主要依靠在电机零部件连接处涂密封胶来实现。

  电机防水性、密封性和诸多因素有关,但最主要也最常见的的因素为密封胶的轨迹。密封胶的注胶轨迹对电机的防水、密封性的影响是最为直接的。常规的手段就是通过3D相机来判断密封胶注胶轨迹是否在合格的范围内。但是此方法只能围堵生产过程中出现的不合格的产品。无法从源头上解决注胶轨迹出现的偏差。也就是法在第一时间调整密封胶的轨迹,从而减少报废的产生。并且密封胶的轨迹调整往往依靠生产的调试人员通过3D相机检测不合格的产品来确定密封胶注胶轨迹需要调整的方向和大小。但此类方法无法做到快速响应,并且过度依赖调试人员的调整能力和经验,不利于生产管理和效率的提升。

  本文通过引入BP神经网络对大量的生产数据进行学习,实现密封胶注胶轨迹的实时精确调整,以减少由于密封胶注胶轨迹位置的偏差造成的产品报废。同时,也减少因为密封胶注胶轨迹超差所需要的设备停机调整时间和降低调试人员劳动强度。

  1神经网络算法及平台搭建

  逆向传播(back propagation,BP)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一[1]。BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力,解决了简单感知器不能解决的异或(Exclusive OR,XOR)和一些其他问题。从结构上讲,BP网络具有输入层、隐藏层和输出层;从本质上讲,BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值[2-7]。

  基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息[8-9]。

  1.1原理和结构

  BP神经网络是一种常用的人工神经网络模型,具有强大的非线性映射能力和适应性。BP神经网络由输入层、隐层和输出层组成,其中隐层是网络的核心部分,通过对输入信号进行加权和求和,再通过激活函数进行非线性变换,最终输出结果[10-11]。BP神经网络的训练过程主要包括前向传播和反向传播两个过程,通过不断调整权值和阈值,使得网络输出结果与实际结果之间的误差最小化[12-16]。

  BP神经网络是一种典型的多层前馈神经网络,具体的结构分为:输入层、隐层和输出层,如图1所示。输入层通过加载不同的权重值得到隐层的结果。隐层内包含提前定义好的激活函数对输入层的结果进行非线性变化,隐层各节点的输出结果再一次加载权重值得到最终的输出结果Y。

  图中,w 11表示输入层的第一个节点x 1对应的权重函数,x 1与w 11的乘积结果即为输入层第一个节点到隐层第一个节点的输出结果。同理可以得到所有的输入层与对应的权重值在隐层第一个节点的输出结果,并将这些结果求和,进而得到隐层第一个节点的结果。以此类推,可以求得隐层所有节点的结果。并将隐层所得的结果导入到激活函数,可以得到隐层的最终结果。

  隐层各节点的结果再通过乘以隐层的权重Tn,求得当前的输出值Y。然后通过对比输出值Y和真实值y的结果,反向调整隐层的权重Tn和输入层的权重wmn。

  1.2软、硬件平台搭建

  密封胶注胶采用PPS-D系统,该注胶系统能够提供具有高速响应和极高控制精度的注胶流量。通常该系统提供的胶水流量可以控制在±5%以内。

  三轴耦合伺服控制系统采用基于Rexroth的带有MTX的PLC,该PLC控制系统能够支持NC程序编辑。继而实现注胶伺服控制系统的移动,通过NC程序实现。通过NC程序实现注胶轨迹的优势:响应速度快、位置控制精度高(±0.02 mm)、可读性强、能够实现和其他设备进行通讯等优点。

  3D相机采用Gocator,具有探测精度高(±0.02 mm)、抗干扰能力强等优点。本系统总体结构如图2所示。

  系统工作原理:通过大量数据学习后的BP神经网络模型嵌入到3D相机中,当3D探测到产品后,将探测的的数据发送到BP神经网络模型中进行计算。计算后的结果再通过网线传输到三轴耦合伺服控制系统的PLC当中,并对密封胶轨迹的NC程序进行在线调整。从而实现密封胶注胶轨迹的在线自适应调整。

  2公式推导

  BP神经网络的结构分为:输入层、隐藏层和输出层。各层之间通过加载相对应的权重值得到下一层的结果。BP神经网络的传导过程分为正向传导和反向传导。BP神经网络的正向传导步骤:需要学习的数据通过输入层加载到BP神经网络模型,然后在加载各个神经元对应的权重值得到输入层的结果。然后该结果通过隐藏层的激活函数,得到隐藏层的输出结果。隐藏层的输出结果进一步加载权重值,得到正向传导的结果。

  BP神经网络反向传导的步骤:通过对比正向传导结果和真实值的偏差,得到误差函数的结果。然后,通过函数求偏导的方式,求解出隐藏层的权重值并更新该层的权重值。最后,通过上述方式求解出输入层的权重值并将其更新。这样就完成了一次的学习,以此类推,直到达到设定的程序终止条件完成神经网络学习。

  2.1正向传导

  首先初始化各层的权重,并计算输入层的输出结果。权重的初始化,往往通过Random函数实现。即随机定义权重的初始值。

  式中:xi为第i个神经元节点;wij为第i个神经元对应的权重;Hj为第j个输入层的输出结果

  式中:Tk为隐层的权重;Hj为上一层第j个节点输出结果;Yk为第k个隐层的输出结果。

  输入层的结果还需要通过激活函数,完成进行非线性变换。本研究的激活函数采用Sigmoid函数,其表达式为:

  式中:Y为神经网络的输出值;y为与此输出值对应的真实值;δ为真实值和神经网络的输出值的偏差。

  2.2反向传递


  式中:η为学习速率,属于超参数需要自行设定;T为更新后的权重值;Tk为更新前的权重值。

  式中:η为学习速率,属于超参数需要自行设定;wpdate为更新后的权重值;wij为更新前的权重值。

  3实验结果与分析
       3.1误差函数分析

  误差函数的精度和输出响应是评价BP神经网络模型学习结果的重要指标。通过分析误差函数学习后的结果可以了解BP神经网络的精度以及收敛情况。本研究的误差函数的结果如图3所示。

  由图可知,在初始阶段误差减小得很快,然后通过后续不断地学习,不断逼近目标值,误差也越来越小。BP神经网络学习终止的前提是误差函数的计算结果小于0.005。

       3.2实际生产情况跟踪

  通过2个月的追踪观测,在应用BP神经网络自调整程序后,注胶轨迹的相机报错率较1~4月份有很大程度的降低。从最开始的约1%降到小于0.15%,同时也减少了产品报废。具体的报错率状态如图4所示。

  实验结果表明,通过引入BP神经网络算法来实现对密封胶注胶轨迹的在线自适应调整的策略能够有效地提高密封胶的注胶轨迹精度,并减少因密封胶注胶轨迹不良带来的产品报废。

  传统的密封胶控制发现不良时,往往需要依靠调试员的个人能力和经验来调整NC程序。无形之中增加了生产管理的难度和产品出现质量风险的可能性。与传统的注胶控制方法相比,本文提出的方法具有以下优点:

  (1)自动化程度高,减少了人工调整的工作量。3D相机检测当前产品的轨迹数据后,将轨迹数据发送到BP神经网络模型进行计算。计算得到的调整值直接通过网线传输到三轴耦合伺服控制系统中,然后对NC程序进行修改即可。无需调试员手动调整。

  (2)精准度高,能够实现对注胶轨迹的精准控制和调整。因为,三轴耦合伺服控制系统和3D相机都具有极高的位置控制精度和检测精度。故而,通过在线自适应的调整后的注胶轨迹能实现极小范围的精确控制和调整。

  (3)生产效率高,能够提高注胶生产的效率和质量。由于无须手动调整密封胶注胶轨迹,因此,减少了设备停机时间,提高了生产效率。减少了由于轨迹偏差带来的产品报废。

  4结束语

  本文搭建了高精度的位置控制系统和高精度的注胶轨迹3D相机检测系统,并引入BP神经网络算法去学习。然后通过3D相机采集到的实时结果进行计算,并将计算的结果发送到三轴耦合伺服控制系统中。随后,三轴耦合伺服控制系统通过实时调整密封胶注胶轨迹的NC程序,最后实现密封胶注胶轨迹的在线自适应调整。减少了因为注胶轨迹偏差带来的人工调机和停线时间,并从源头上减少了因为注胶轨迹偏差了带来的产品报废,降低了产线的报错率。对提高产线生产效率和生产能力起到了积极作用,也在一定程度上减少了产品出现质量风险的可能。

  对密封胶注胶轨迹自适应调整的实际生产情况的跟踪结果证明了本文方法对于密封胶轨迹偏差引起的报废具有良好的表现。未来可以在密封胶注胶轨迹的预警方面继续开展研究。

  参考文献:

  [1]闻新,张兴旺,朱亚萍.智能故障诊断技术[M].北京航空航天大学出版社,2015.09.

  [2]阮秀凯,刘莉,张耀举.现代无线通信系统盲处理技术新进展基于智能算法[M].复旦大学出版社,2015.

  [3]张德丰.MATLAB神经网络应用设计[M].机械工业出版社,2009.

  [4]李萍,曾令可,税安泽,等.基于MATLAB的BP神经网络预测系统的设计[J].计算机应用与软件,2008(4):149-150,184.

  [5]彭基伟,吕文华,行鸿彦,等.基于改进GA-BP神经网络的湿度传感器的温度补偿[J].仪器仪表学报,2013,34(1):153-160.

  [6]王嵘冰,徐红艳,李波,等.BP神经网络隐含层节点数确定方法研究[J].计算机技术与发展,2018,28(4):31-35.

  [7]王燕妮,樊养余.改进BP神经网络的自适应预测算法[J].计算机工程与应用,2010,46(17):23-26.

  [8]丁硕,巫庆辉.基于改进BP神经网络的函数逼近性能对比研究[J].计算机与现代化,2012(11):10-13,17.

  [9]徐以山,曾碧,尹秀文,等.基于改进粒子群算法的BP神经网络及其应用[J].计算机工程与应用,2009,45(35):233-235.

  [10]李伟,何鹏举,杨恒,等.基于粗糙集和改进遗传算法优化BP神经网络的算法研究[J].西北工业大学学报,2012,30(4):601-606.

  [11]焦斌,叶明星.BP神经网络隐层单元数确定方法[J].上海电机学院学报,2013,16(3):113-116,124.

  [12]郭荣艳,胡雪惠.BP神经网络在车牌字符识别中的应用研究[J].计算机仿真,2010,27(9):299-301,350.

  [13]张德慧,张德育,刘清云,等.基于粒子群算法的BP神经网络优化技术[J].计算机工程与设计,2015,36(5):1321-1326.

  [14]梁栋,张凤琴,陈大武,等.一种基于决策树和遗传算法-BP神经网络的组合预测模型[J].中国科技论文,2015,10(2):169-174.

  [15]陈书谦,张丽虹.BP神经网络在PID控制器参数整定中的应用[J].计算机仿真,2010,27(10):171-174.

  [16]黄一格,张炎生.基于BP神经网络的手写数字识别系统[J].机电工程技术,2020,49(1):108-110.

学术期刊发表-留言咨询

免费咨询 高端品质服务 专业学术顾问为您解答!