日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

   陶瓷產品是人們不可缺少的日常生活必需品，其原料是粘土，成型后通過窯爐燒制而成。陶瓷制品很脆，較易出現諸如裂紋、缺口、內部或外部缺陷等問題。傳統的質量檢驗工作一直是手工勞動，效率低。因此我們開發了一套陶瓷產品質量檢驗專家系統，在生產線上自動進行產品質量的檢驗。這樣不但可以提高勞動生產率、避免人為的誤判，而且還可節約大量的人力資源。
   系統利用判斷瓷器產品振動發出的聲波進行質量診斷。目前對音頻信號處理的方法中，人工神經網絡被認為是很有前途的方法之一。但是，將含有大量信息并含有噪聲的音頻信號直接應用于人工神經網絡，不僅網絡結構復雜，計算量大，而且效果也不理想。
   本文在神經網絡模塊前采用快速傅立葉變換，在頻域中進行特征提取，通過專家列表比較，選擇優化神經網絡的輸入參數，對神經網絡訓練后實現對產品質量的檢驗，從而減少神經網絡的學習時間，降低計算量，提高識別可靠性。

1 系統組成

陶瓷產品質量檢驗專家系統如圖1所示。該系統由拾音器采集音頻信號，經過預處理環節，對信號進行帶通濾波，然后，將信號輸入A/D模塊進行模數轉換，轉換出的數字序列由專家系統中的數字信號處理模塊對其進行特征提取，接下來，在眾多的特征中選擇最為重要的特征參數，與已知目標特征信息一起作為訓練樣本，輸入神經網絡^]進行訓練。由一批標準樣本對神經網絡進行訓練，訓練完成后，即可由這個專家系統實現狀態識別和故障診斷。

圖1  系統結構框圖

2 專家系統的構成

專家系統的結構如圖2所示。圖中x (1), x(2), …, x(n)是n個經拾音器采集，并經模數轉換后的離散時域信號。經過數字信號處理模塊對x (1), x(2), …, x(n)進行快速傅立葉變換，提取信號在頻域中的特征成分。然后由專家列表的方法進行特征參數的篩選。篩選得到的特征參數作為神經網絡的輸入參數L1, L2,…, Lk(k遠小于n)。提供足夠的訓練樣本給神經網絡進行訓練后，這個專家系統就可以對產品的狀態進行識別。

          時域信號輸入    傅立葉變換       專家列表    輸入層  隱含層    輸出層

           圖2 專家系統結構示意圖

1）特征參數提取

傅立葉變換是一種時頻變換，它可以將在時域中難以獲取特征的信號轉換到頻域中去處理，以便獲取顯著的頻域特征。由實驗可知，產品某一缺陷的產生，其特征頻率中的基頻和倍頻會有較大的變化，且不同特征頻率處的譜值變化與缺陷程度有關。因此可選用缺陷狀態下的頻譜作為特征參數。
    對于n點離散信號x(n) (n=2^m, m=0,1,2,…)，通過傅立葉變換，得到直流分量、基頻和倍頻的幅值a0,a1,a2,…,an。

2）特征選擇

在通過傅立葉變換得到的a0,a1,…,an中取a0,a1,…,a8進行列表, 如表1。選取數值差別較大的參數作為特征參數，即神經網絡的輸入參數。

表1

注：a0: 直流分量。a1, …, a8: 信號基頻到8倍頻的幅值。Bi, Ci, …, Ii (i=1,2,…,4)分別為實驗得到的數據。

經過多次的實驗最終選取A1, A2, A3, A4作為特征參數，而剔除差別不太顯著的A5, A6, A7, A8。最后對各種狀態的特征參數A1, A2, A3, A4進行歸一化處理，即得到：

Bi’=Bi/B_max(i=1, 2, 3, 4), B_max是所有狀態中a0/a1的最大值。同理可得到Ci’, Di’, Ei’ (i=1, 2, 3, 4)的值。

3）基于神經網絡的狀態識別

4

推理機制采用的是正向推理，其實質就是神經網絡的計算過程：由已知的輸入模式（征兆向量）經過神經網絡計算獲得輸出模式, 即：將某一狀態的特征參數值A1, A2, A3, A4輸入神經網絡，通過神經元的計算得出輸出值OUT。

當OUT>value1時，產品狀態對應于知識庫里的rule1；當value1≥OUT>value2時，產品狀態對應于知識庫里的rule2；當value2≥OUT>value3時，產品狀態對應于知識庫里的rule3；當OUT≤value3時，產品狀態對應于知識庫里的rule4。其中：valuei(i=1,2,3,4)是區分各種狀態的輸出臨界值；rulei(i=1,2,3,4)是知識庫中對各種狀態的解釋規則。

3 實驗結果

實驗裝置示意圖如圖3所示。當陶瓷產品到達某一特定位置時，敲擊裝置對其進行一次敲擊，由拾音器獲取陶瓷的敲擊聲，經信號采集和預處理裝置的處理后，將數據送入計算機中的質量檢驗專家系統進行分析和檢驗，得出每個陶瓷產品的質量報告。最后統計每個批次產品的合格率以及各種缺陷的情況。

1―傳送裝置   2―陶瓷產品   3―拾音器    4―敲擊裝置

圖 3  實驗裝置示意圖

以瓷碗為例，現列出四種狀態：1）完好無損、2) 小裂紋、3)碗邊小缺口、4）內部小缺口。我們將具有上述四種狀態的瓷碗分別放在實驗裝置上進行實驗。對時域音頻信號進行傅立葉變換得到每個瓷碗信號的頻域圖。圖4列出了瓷碗邊緣有小缺口缺陷時的時域和頻域圖（其它三種情況的時域、頻域圖略）。選擇各頻率對應的幅值與基頻的幅值的比值作為特征參數，列于表2。

                   圖4  邊緣有小缺口時的時域圖（上）和頻域圖（下）

表2

通過實驗取得20組輸入和輸出的數據，將這組數據輸入學習程序后，得到一組權值。然后任取其它有類似缺陷的幾個碗，逐一對它們進行檢驗，結果與實際情況吻合。這就說明開發的質量檢驗專家系統是可行的。

4  結束語

由于神經網絡具有自學習能力強、推理過程準確快速及知識庫易維護等特點，所以采用神經網絡專家系統對陶瓷產品質量進行檢驗，不但能夠實時在線檢驗產品，提高產品質量分類的準確性，而且還能及時為生產提供必要的數據，從而提高生產效率和管理自動化水平。

參考文獻：

[1] MCORMICK, A.C, and NANDI, AK. Real Time Classification of Rotating Shaft Loading Conditions Using Artificial Neural Networks[J]. IEEE Trans. Neural Netw, 1997,8(3):748-757.

[2] 胡廣書  數字信號處理―理論、算法與實現[M]. 北京：清華大學出版社，1997

[3] 彭濤、桂衛華、吳敏、謝勇 軸承故障融合診斷方法[J]. 基礎自動化，2001，4（8）54-57

[4] 吳今培、肖健華  智能故障診斷與專家系統[M]. 北京：科學出版社，1997