基于卷积神经网络的车用铝合金表面粗糙度预测

付仁杰

（201620 上海市 上海工程技术大学 机械与汽车工程学院）

0 引言

在机械加工和生产过程中，工件的表面粗糙程度严重影响机械的使用可靠性，特别是在日益追求高收益的生产加工中，因此应该合理设计加工参数。表面粗糙度值越低，零件表面质量越好，使用的寿命越高，实现简便的在线预测对于智能磨削加工具有重要意义。科学研究人员通过实验法、理论建模法、人工智能建模法等方法，对零件表面进行了有效的检测。Luttervelt A V C[1]指出了早期理论模型的局限性。针对小波包分析、贝氏网路、多维云和支持向量机等人工智能算法进行了细致的研究，这些机械零件的使用和研究促进了机械零件磨损研究的进展，对于零件的使用和研究有着有效的提高作用；针对粗糙度预测系统模型的构建，张振翔[2]通过对数控车削加工过程中表面粗糙度和切削参数的相关影响因素进行研究，建立了科学的人工神经网络模型，这种模型的构建，加强了对数控车科学严谨的使用；林刚[3]等利用卷积神经网络建立了带钢产品质量与工艺参数之间的预测模型，这种模型的构建，对于带钢质量的评价有着良好的促进作用。刘思志[5]等建立预测模型，使表面粗糙度符合切削用量与刀尖圆弧半径的最佳组合，结果表明，方法运用在加工过程中(如刀具磨损、切削力和残余应力等)，使得参数达到最佳优化。引进算法到加工生产中，利用神经网络强大的非线性拟合能力和自学习能力可以快速建成，精准度方面有极大的提高空间。

本研究基于6061 铝合金标准试件打磨，获取相关实验数据，得到多组表面粗糙值。通过Python 软件构建了CNN 神经网络模型，利用打磨参考数值和粗糙度值作为输入和输出的信息，对神经网络模型进行相应的验证和校准。验证结果表明，模型的预测具有较高的精度和性能表现。

1 试验打磨方案

1.1 试验设备和材料

试件按照美国试验材料学会ASTM E8/E8M-15a 标准及《金属材料轴向等幅低循环疲劳试验方法》（GB15248-2008）等国家标准的要求进行制备。如图1 所示，为了减小试件在制备过程中的误差，避免出现不必要的损伤，将试件安装在固定板上，采取了同轴切削加工的方式。为了确保试件表面光滑度和精确度，采用了抛光处理。材料的成分如表 1 所示。

图1 试件打磨Fig.1 Specimen polished

表1 AL6061 材料成分Tab.1 AL6061 material composition

1.2 试验方案及结果

不同于要求高的车削实验，本文选择轻便简易的砂纸打磨试验。采用正交实验，对车用6061铝合金疲劳试件打磨。因素考虑的变量分别为时间、压力、砂纸型号。对打磨后的试件进行3 次测量表面粗糙度值。为了保证数据精度，取试件上表面粗糙度平均值，如图2 所示，采用SJ-210粗糙度测量仪测量表面粗糙度值。

图2 表面粗糙度测量Fig.2 Surface roughness measurement

测量部分数据见表2。打磨时间影响着粗糙度值。砂纸磨削光滑表面，粗糙度值增加，如图3 所示，随着时间的增加，表面纹理逐渐密集进而粗糙度值减小。图4 可以看出，表面粗糙度Ra 由于砂纸型号的增大颗粒体积减小，细小的颗粒在铝合金表面形成的凹凸越不平和划痕越浅也越集中，因此粗糙度值越小。研磨压力值增大，使得表面粗糙度降低。

表2 试验参数及结果Tab.2 Test parameters and results

图3 粗糙度值随打磨试件的变化Fig.3 Changes of roughness value with polishing specimen

图4 不同压力下砂纸型号和粗糙度的关系Fig.4 Relation between sandpaper type and roughness under different pressures

2 卷积神经网络的建立

图5 为卷积的结构组成图。卷积结构的图形展示较为简单，但是卷积神经网络是由输入层、卷积层、池化层、全连接层和输出层等构成[6-8]。卷积神经网络与生物的神经网络性质基本相同，都是通过信息的接收、网络的传入、中心系统的处理、利用全面的链接，构建起相应的网络系统。卷积神经网络在同样识别率下收敛速度更快，模仿生物神经网络模型，利用其优越性，更好地解决数据中存在的问题，权值共享减少了复杂数据重建，使得结果更加准确。

图5 卷积神经网络结构Fig.5 Structure of convolutional neural network

卷积层是一个卷积神经网络中最核心的内容。经过多层卷积可以提取得到更加深层次的特征数据，每一个节点的输入，也是上一层神经网络数据的结果。每个卷积核跟上一层特征图进行卷积计算，在经过一个激活函数后，得到抽象程度更高的特征。卷积过程的计算公式为

式中:l——卷积神经网络结构的层数；j——第 j个通道；——卷积层第j 个通道输出；f（·）——激活函数；Nj——特征图子集；——卷积核；*——卷积操作；——偏置项。

卷积层周期性内插入池化层，在神经网络系统中又进行了特征提取的作用和性质。池化层可以有效地对特征图进行降维处理，降低数据处理量，减少网络参数，提高计算效率。不同的池化方式计算的方式存在一定的差异，其结果也存在极大的不同。最大池化通过计算最大值来对池化窗口中输入的特征图进行计算，防止过拟合，提高泛化性能。池化层计算公式为

式中:down（·）——池化操作过程；w 和bs——权值矩阵和偏置。在全连接网络中，针对上一层的网络点特征图的拼接，作为全网链接网络的输入，并进行全连接计算。计算公式为

式中：wj——全连接网络权值。

卷积神经网络的训练过程通常都是分阶段进行，不同的阶段其表达的作用和性质也不相同。主要分为前向传播阶段和反向传播阶段。在权值和偏置初始化之后，通过一轮一轮的训练，在降低损失函数的目的下不断改进学习，进而成功计算。

3 表面粗糙度神经网络预测模型

表面粗糙度神经网络预测模型的精准性需要进行相应的训练和校验。首先需要归一化处理，因为某次测量值的偏差和数据单位不统一会导致预测结果千差万别。在本次实验训练过程中，利用部分样本为训练数据，其余数据来检验网络的性能，通过这两组数据的实验处理，可以有效地对网络的性能进行检验，把数据的大小框定在一个比例协调范围内。归一化[4]的公式如下：

4 结果与分析

由图6 可以看出，神经网络模型的预测结果与实际表面粗糙度值整体趋势基本吻合，而且预测误差也非常小。

图6 表面粗糙度预测结果Fig.6 Surface roughness prediction results

研磨机的精度、砂纸的质量以及神经网络模型带存在计算偏差使得预测值与实际测量值有差异。通过图6 的实验结果分析发现，实验值和预测值还存在一定的偏差，但偏差的数据不是很大，在工程建设过程中，在可控制范围内。说明本次建设的神经网络模型较为成功，对于零件磨损度的测量较为精准，可以实现在线预测。

本次预测模型的构建可以应用于针对零件表面粗糙度的打磨设计。在工程建设过程中，可以有效保证工程建设的稳定性和可靠性，对于生产而言可以大大提高生产的效率，延长机械零件的使用周期，减少零件损耗，节约加工的成本，对于经济发展有着良好的促进作用。

5 结论

采用砂纸打磨铝合金试验，利用卷积神经网络预测模型实现了对表面粗糙度的快速预测。较为准确地反映打磨因素对铝合金表面粗糙度的影响关系。能够合理设计零件的实际加工工艺参数。快速准确选择试验方案，科学利用，提高生产效率。研究主要结论如下：

（1）设计并进行了全因素打磨实验，分析得到零部件表面粗糙度与打磨工艺参数之间的影响关系。

（2）根据打磨试验数据，以时间、型号、压力为输入，以表面粗糙度为输出建立了基于卷积神经网络的打磨参数对表面粗糙度的预测模型。

（3）通过实际粗糙度数据验证预测模型的预测精度，验证结果表明该方法使用性强，在线预测实践性高。