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(chǎn)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(guò)窯爐燒制而成。陶瓷制品很脆，較易出現(xiàn)諸如裂紋、缺口、內(nèi)部或外部缺陷等問(wèn)題。傳統(tǒng)的質(zhì)量檢驗(yàn)工作一直是手工勞動(dòng)，效率低。因此我們開發(fā)了一套陶瓷產(chǎn)品質(zhì)量檢驗(yàn)專家系統(tǒng)，在生產(chǎn)線上自動(dòng)進(jìn)行產(chǎn)品質(zhì)量的檢驗(yàn)。這樣不但可以提高勞動(dòng)生產(chǎn)率、避免人為的誤判，而且還可節(jié)約大量的人力資源。
   系統(tǒng)利用判斷瓷器產(chǎn)品振動(dòng)發(fā)出的聲波進(jìn)行質(zhì)量診斷。目前對(duì)音頻信號(hào)處理的方法中，人工神經(jīng)網(wǎng)絡(luò)被認(rèn)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(hào)直接應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)，不僅網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，計(jì)算量大，而且效果也不理想。
   本文在神經(jīng)網(wǎng)絡(luò)模塊前采用快速傅立葉變換，在頻域中進(jìn)行特征提取，通過(guò)專家列表比較，選擇優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后實(shí)現(xiàn)對(duì)產(chǎn)品質(zhì)量的檢驗(yàn)，從而減少神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間，降低計(jì)算量，提高識(shí)別可靠性。

1 系統(tǒng)組成

陶瓷產(chǎn)品質(zhì)量檢驗(yàn)專家系統(tǒng)如圖1所示。該系統(tǒng)由拾音器采集音頻信號(hào)，經(jīng)過(guò)預(yù)處理環(huán)節(jié)，對(duì)信號(hào)進(jìn)行帶通濾波，然后，將信號(hào)輸入A/D模塊進(jìn)行模數(shù)轉(zhuǎn)換，轉(zhuǎn)換出的數(shù)字序列由專家系統(tǒng)中的數(shù)字信號(hào)處理模塊對(duì)其進(jìn)行特征提取，接下來(lái)，在眾多的特征中選擇最為重要的特征參數(shù)，與已知目標(biāo)特征信息一起作為訓(xùn)練樣本，輸入神經(jīng)網(wǎng)絡(luò)^]進(jìn)行訓(xùn)練。由一批標(biāo)準(zhǔn)樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完成后，即可由這個(gè)專家系統(tǒng)實(shí)現(xiàn)狀態(tài)識(shí)別和故障診斷。

圖1  系統(tǒng)結(jié)構(gòu)框圖

2 專家系統(tǒng)的構(gòu)成

專家系統(tǒng)的結(jié)構(gòu)如圖2所示。圖中x (1), x(2), …, x(n)是n個(gè)經(jīng)拾音器采集，并經(jīng)模數(shù)轉(zhuǎn)換后的離散時(shí)域信號(hào)。經(jīng)過(guò)數(shù)字信號(hào)處理模塊對(duì)x (1), x(2), …, x(n)進(jìn)行快速傅立葉變換，提取信號(hào)在頻域中的特征成分。然后由專家列表的方法進(jìn)行特征參數(shù)的篩選。篩選得到的特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)L1, L2,…, Lk(k遠(yuǎn)小于n)。提供足夠的訓(xùn)練樣本給神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，這個(gè)專家系統(tǒng)就可以對(duì)產(chǎn)品的狀態(tài)進(jìn)行識(shí)別。

          時(shí)域信號(hào)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(tǒng)結(jié)構(gòu)示意圖

1）特征參數(shù)提取

傅立葉變換是一種時(shí)頻變換，它可以將在時(shí)域中難以獲取特征的信號(hào)轉(zhuǎn)換到頻域中去處理，以便獲取顯著的頻域特征。由實(shí)驗(yàn)可知，產(chǎn)品某一缺陷的產(chǎn)生，其特征頻率中的基頻和倍頻會(huì)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(guān)。因此可選用缺陷狀態(tài)下的頻譜作為特征參數(shù)。
    對(duì)于n點(diǎn)離散信號(hào)x(n) (n=2^m, m=0,1,2,…)，通過(guò)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(guò)傅立葉變換得到的a0,a1,…,an中取a0,a1,…,a8進(jìn)行列表, 如表1。選取數(shù)值差別較大的參數(shù)作為特征參數(shù)，即神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。

表1

注：a0: 直流分量。a1, …, a8: 信號(hào)基頻到8倍頻的幅值。Bi, Ci, …, Ii (i=1,2,…,4)分別為實(shí)驗(yàn)得到的數(shù)據(jù)。

經(jīng)過(guò)多次的實(shí)驗(yàn)最終選取A1, A2, A3, A4作為特征參數(shù)，而剔除差別不太顯著的A5, A6, A7, A8。最后對(duì)各種狀態(tài)的特征參數(shù)A1, A2, A3, A4進(jìn)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(tài)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(jīng)網(wǎng)絡(luò)的狀態(tài)識(shí)別

4

推理機(jī)制采用的是正向推理，其實(shí)質(zhì)就是神經(jīng)網(wǎng)絡(luò)的計(jì)算過(guò)程：由已知的輸入模式（征兆向量）經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)計(jì)算獲得輸出模式, 即：將某一狀態(tài)的特征參數(shù)值A1, A2, A3, A4輸入神經(jīng)網(wǎng)絡(luò)，通過(guò)神經(jīng)元的計(jì)算得出輸出值OUT。

當(dāng)OUT>value1時(shí)，產(chǎn)品狀態(tài)對(duì)應(yīng)于知識(shí)庫(kù)里的rule1；當(dāng)value1≥OUT>value2時(shí)，產(chǎn)品狀態(tài)對(duì)應(yīng)于知識(shí)庫(kù)里的rule2；當(dāng)value2≥OUT>value3時(shí)，產(chǎn)品狀態(tài)對(duì)應(yīng)于知識(shí)庫(kù)里的rule3；當(dāng)OUT≤value3時(shí)，產(chǎn)品狀態(tài)對(duì)應(yīng)于知識(shí)庫(kù)里的rule4。其中：valuei(i=1,2,3,4)是區(qū)分各種狀態(tài)的輸出臨界值；rulei(i=1,2,3,4)是知識(shí)庫(kù)中對(duì)各種狀態(tài)的解釋規(guī)則。

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)裝置示意圖如圖3所示。當(dāng)陶瓷產(chǎn)品到達(dá)某一特定位置時(shí)，敲擊裝置對(duì)其進(jìn)行一次敲擊，由拾音器獲取陶瓷的敲擊聲，經(jīng)信號(hào)采集和預(yù)處理裝置的處理后，將數(shù)據(jù)送入計(jì)算機(jī)中的質(zhì)量檢驗(yàn)專家系統(tǒng)進(jìn)行分析和檢驗(yàn)，得出每個(gè)陶瓷產(chǎn)品的質(zhì)量報(bào)告。最后統(tǒng)計(jì)每個(gè)批次產(chǎn)品的合格率以及各種缺陷的情況。

1―傳送裝置   2―陶瓷產(chǎn)品   3―拾音器    4―敲擊裝置

圖 3  實(shí)驗(yàn)裝置示意圖

以瓷碗為例，現(xiàn)列出四種狀態(tài)：1）完好無(wú)損、2) 小裂紋、3)碗邊小缺口、4）內(nèi)部小缺口。我們將具有上述四種狀態(tài)的瓷碗分別放在實(shí)驗(yàn)裝置上進(jìn)行實(shí)驗(yàn)。對(duì)時(shí)域音頻信號(hào)進(jìn)行傅立葉變換得到每個(gè)瓷碗信號(hào)的頻域圖。圖4列出了瓷碗邊緣有小缺口缺陷時(shí)的時(shí)域和頻域圖（其它三種情況的時(shí)域、頻域圖略）。選擇各頻率對(duì)應(yīng)的幅值與基頻的幅值的比值作為特征參數(shù)，列于表2。

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

表2

通過(guò)實(shí)驗(yàn)取得20組輸入和輸出的數(shù)據(jù)，將這組數(shù)據(jù)輸入學(xué)習(xí)程序后，得到一組權(quán)值。然后任取其它有類似缺陷的幾個(gè)碗，逐一對(duì)它們進(jìn)行檢驗(yàn)，結(jié)果與實(shí)際情況吻合。這就說(shuō)明開發(fā)的質(zhì)量檢驗(yàn)專家系統(tǒng)是可行的。

4  結(jié)束語(yǔ)

由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)能力強(qiáng)、推理過(guò)程準(zhǔn)確快速及知識(shí)庫(kù)易維護(hù)等特點(diǎn)，所以采用神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)對(duì)陶瓷產(chǎn)品質(zhì)量進(jìn)行檢驗(yàn)，不但能夠?qū)崟r(shí)在線檢驗(yàn)產(chǎn)品，提高產(chǎn)品質(zhì)量分類的準(zhǔn)確性，而且還能及時(shí)為生產(chǎn)提供必要的數(shù)據(jù)，從而提高生產(chǎn)效率和管理自動(dòng)化水平。

參考文獻(xiàn)：

[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(shù)字信號(hào)處理―理論、算法與實(shí)現(xiàn)[M]. 北京：清華大學(xué)出版社，1997

[3] 彭濤、桂衛(wèi)華、吳敏、謝勇 軸承故障融合診斷方法[J]. 基礎(chǔ)自動(dòng)化，2001，4（8）54-57

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