江苏龙网

  1. 首页 > 人文 > >

一种基于制造大数据的产品工艺自适应设计方法( 四 )


一种基于制造大数据的产品工艺自适应设计方法文章插图
图 5 焊缝射线图像示意图
基于卷积神经网络 ， 采用“编码器 - 解码器”的网络结构进行焊缝射线图形语义分割（见图 6） 。 对于输入的射线图像 ， 首先进行“卷积 + 批归一化 + 激活函数”计算；然后使用 2×2 的最大池化层进行下采样 ， 在进行 5 次相同的操作后 ， 输入图像的尺寸变为原来的 1/32；然后反池化操作进行上采样 ， 同样也进行“卷积 + 批归一化 + 激活函数”计算 ， 直至图像恢复到输入图像尺寸；最终使用归一化指数函数（Softmax）对输出像素值进行分类并统计各缺陷部分占总像素个数的比例 。
一种基于制造大数据的产品工艺自适应设计方法文章插图
图 6 基于“编码器 - 解码器”结构的焊缝射线图像语义分割
（二）工艺参数和焊接质量关联性模型
某品牌汽车在生产过程中采用了钢板预涂底漆后组对焊接的生产工艺 ， 但产品焊接质量问题突出 ， 亟需改进焊接工艺 。 已有数据包括 200 幅焊缝的射线图像 ， 生产中用于过程监控采集的焊接电流、电压、保护气体流量 ， 预涂漆膜的厚度等 。 针对上述数据 ， 研究影响焊接质量的工艺因素以优化工艺设计 。
（1）用事先训练好的语义分割缺陷检测模型对射线图像进行检测 ， 统计各类型缺陷的数量和比例 。 如图 7 所示 ， 气孔缺陷问题在这批产品中较为突出 ， 因此需要分析气孔缺陷与工艺参数间的关系 。
一种基于制造大数据的产品工艺自适应设计方法文章插图
图 7 6 种缺陷类型的检测结果
（2）对各图像对应的工艺参数时序数据进行下采样 ， 得到每个焊缝所对应的工艺参数 。 利用皮尔逊相关系数法分析各工艺参数与气孔缺陷的相关性并进行可视化展示 。 可以看出 ， 焊接电流、电压、保护气体流量、预涂漆膜的厚度对气孔缺陷均有影响（见图 8） 。 在此基础上 ， 建立工艺参数与气孔数量间的回归模型 ， 即采用全连接神经网络构建回归模型（见图 9） 。 模型输入层包括漆膜厚度、焊接速度、焊接电流、气体流量 4 个节点输入 ， 输出层输出的是在该工艺参数条件下焊接产品的气孔率 。
一种基于制造大数据的产品工艺自适应设计方法文章插图
一种基于制造大数据的产品工艺自适应设计方法文章插图
图 8 焊接工艺参数与气孔缺陷的相关关系
一种基于制造大数据的产品工艺自适应设计方法文章插图
图 9 全连接神经网络结构回归模型
（3）按照 6:4 的比例将 200 个实例数据分成训练集和验证集 ， 选择均方差损失作为损失函数 。 如图 10 所示 ， 经过 200 次迭代后均方差损失降到 0.02以下 ， 这表明缺陷检测回归模型具有较优的预测性能 ， 在帮助设计人员选择工艺参数、减少焊接缺陷并提高产品质量方面具有较好的应用效果 。
一种基于制造大数据的产品工艺自适应设计方法文章插图
图 10 训练集与验证集中的均方差损失
（三）缺陷检测模型在产品工艺设计中的应用
缺陷检测模型可用于焊接产品的检验过程 。 传统手工测试方法效率低、检查周期长 ， 焊接产品的设计人员无法及时获得焊接工艺的反馈结果 。 而缺陷检测模型可以根据焊接工艺与焊接缺陷之间的回归关系预测产品工艺设计方案是否合理 ， 辅助设计者作出正确的设计决策 ， 提高产品焊接项量 。
四、结语
本文提出了一种制造大数据驱动的产品工艺自适应设计方法 ， 阐述了制造数据如何在产品工艺设计中发挥价值、制造数据挖掘存在的问题以及数据挖掘应用步骤；以数据挖掘在焊接工艺中的应用为例进行焊接缺陷预测 ， 推动焊接工艺过程改进 。 研究表明 ， 制造大数据挖掘衍生出的知识与模式为产品设计人员提供了有效的辅助指导 ， 推动了产品工艺的迭代优化 ， 实现了大数据驱动产品工艺自适应设计的目标 。


推荐阅读


上一篇：iPhone12全系详细参数对比

下一篇：韩国大规模弃用5G，三星终于想到向华为求助了