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)部或外部缺陷等問題。傳統(tǒng)的質(zhì)量檢驗工作一直是手工勞動，效率低。因此我們開發(fā)了一套陶瓷產(chǎn)品質(zhì)量檢驗專家系統(tǒng)，在生產(chǎn)線上自動進行產(chǎn)品質(zhì)量的檢驗。這樣不但可以提高勞動生產(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)品振動發(fā)出的聲波進行質(zhì)量診斷。目前對音頻信號處理的方法中，人工神經(jīng)網(wǎng)絡(luò)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(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，在頻域中進行特征提取，通過專家列表比較，選擇優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，對神經(jīng)網(wǎng)絡(luò)訓練后實現(xiàn)對產(chǎn)品質(zhì)量的檢驗，從而減少神經(jīng)網(wǎng)絡(luò)的學習時間，降低計算量，提高識別可靠性。

1 系統(tǒng)組成

陶瓷產(chǎn)品質(zhì)量檢驗專家系統(tǒng)如圖1所示。該系統(tǒng)由拾音器采集音頻信號，經(jīng)過預(yù)處理環(huán)節(jié)，對信號進行帶通濾波，然后，將信號輸入A/D模塊進行模數(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(shù)，與已知目標特征信息一起作為訓練樣本，輸入神經(jīng)網(wǎng)絡(luò)^]進行訓練。由一批標準樣本對神經(jīng)網(wǎng)絡(luò)進行訓練，訓練完成后，即可由這個專家系統(tǒng)實現(xiàn)狀態(tài)識別和故障診斷。

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個經(jīng)拾音器采集，并經(jīng)模數(shù)轉(zhuǎn)換后的離散時域信號。經(jīng)過數(shù)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(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遠小于n)。提供足夠的訓練樣本給神經(jīng)網(wǎng)絡(luò)進行訓練后，這個專家系統(tǒng)就可以對產(chǎn)品的狀態(tài)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(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頻變換，它可以將在時域中難以獲取特征的信號轉(zhuǎn)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(chǎn)品某一缺陷的產(chǎn)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(guān)。因此可選用缺陷狀態(tài)下的頻譜作為特征參數(shù)。
    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(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(shù)據(jù)。

經(jīng)過多次的實驗最終選取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。最后對各種狀態(tài)的特征參數(shù)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(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)識別

4

推理機制采用的是正向推理，其實質(zhì)就是神經(jīng)網(wǎng)絡(luò)的計算過程：由已知的輸入模式（征兆向量）經(jīng)過神經(jīng)網(wǎng)絡(luò)計算獲得輸出模式, 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)，通過神經(jīng)元的計算得出輸出值OUT。

當OUT>value1時，產(chǎn)品狀態(tài)對應(yīng)于知識庫里的rule1；當value1≥OUT>value2時，產(chǎn)品狀態(tài)對應(yīng)于知識庫里的rule2；當value2≥OUT>value3時，產(chǎn)品狀態(tài)對應(yīng)于知識庫里的rule3；當OUT≤value3時，產(chǎn)品狀態(tài)對應(yīng)于知識庫里的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)是知識庫中對各種狀態(tài)的解釋規(guī)則。

3 實驗結(jié)果

實驗裝置示意圖如圖3所示。當陶瓷產(chǎn)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(jīng)信號采集和預(yù)處理裝置的處理后，將數(shù)據(jù)送入計算機中的質(zhì)量檢驗專家系統(tǒng)進行分析和檢驗，得出每個陶瓷產(chǎn)品的質(zhì)量報告。最后統(tǒng)計每個批次產(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  實驗裝置示意圖

以瓷碗為例，現(xiàn)列出四種狀態(tài)：1）完好無損、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(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(shù)據(jù)，將這組數(shù)據(jù)輸入學習程序后，得到一組權(quán)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(jié)果與實際情況吻合。這就說明開發(fā)的質(zhì)量檢驗專家系統(tǒng)是可行的。

4  結(jié)束語

由于神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)專家系統(tǒng)對陶瓷產(chǎn)品質(zhì)量進行檢驗，不但能夠?qū)崟r在線檢驗產(chǎn)品，提高產(chǎn)品質(zhì)量分類的準確性，而且還能及時為生產(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(shù)字信號處理―理論、算法與實現(xiàn)[M]. 北京：清華大學出版社，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：科學出版社，1997