汉诺威生产工程和机床研究所开发了一种基于机器学习的误差分析系统。如果超出了允许的工件公差，神经网络会根据“进给速度增加”、“切削深度增加”和“刀具磨损严重”等影响因素对扫描的工件表面进行分类。如果出现故障，操作人员会收到相应的建议，说明可以采取哪些措施。评估和可视化都是基于云计算的。
来源：Hannover IFW
编译：荣格金属加工
来源：Hannover IFW
编译：荣格金属加工
质量偏差尤其发生在加工过程的磨合阶段。然而，只有在知道偏差原因的情况下，才能采取改善的措施。例如，如果形状公差和位置公差出现偏差，就必须分析工艺结果（见图1）；如果在误差分析过程中发现工件位移较大，则要减小切削深度。
目前，有效的措施依赖具有多年经验的专业人员，这一点在医疗器械加工中特别突出，例如植入物和假体，通常都是定制的。工艺设置只能在不同部件之间进行有限的转移，这意味着生产流程往往需要重新组织。
图1：工艺影响和工艺优化示例
这就是误差分析系统的用武之地。该系统支持操作人员设置和优化单个制造部件的流程，该系统不是测量单个零件的质量尺寸，而是对整个部件表面进行高精度扫描，并分析其特征模式。
Part 1
分析工艺结果
汉诺威生产工程和机床研究所（Hannover IFW）开发了用于分析缺陷的辅助系统原型。根据图1所示的腕部植入物，为此选择了圆柱形毛坯的面铣工艺（图2）。刀具磨损加剧、进给量设定过高和切削深度设定过大被认为是质量偏差的重要影响因素。在这些部件的生产过程中，进给速度vf和切削深度ap分三个阶段（从低到高）进行全因子变化，刀具磨损则连续变化（从新到磨损）。
图2：不同工艺条件下的触觉元件测量
然后使用雷尼绍OSP60测量系统对生成的零件表面进行横向和纵向（X/Y）扫描，可视化为函数。对生成数据的直观分析证实，所研究的三种影响因素对工件质量的影响各不相同，并且每种影响因素都会导致工件表面出现特征性的不平整（图1右）。正如预期的那样，切削深度增加会导致工件位移增大，而刀具磨损则会造成工件表面不平整。当两种影响叠加时，例如高进给率与高刀具磨损同时出现时，只能在有限的范围内手动解释数据。
Part 2
利用神经网络进行故障分析和分类
机器学习用于在分析故障时为专业人员提供基于数据的支持。人工神经网络经过训练，可根据预定义的影响因素对收集到的测量数据进行分类。针对每种可能的影响因素——进给速度、切削深度和刀具磨损——定义了三个等级：“低”、“正常”和 “高”，其中只有“高”被认为是关键因素。
扫描的测量点与单变量时间序列相对应。IFW选择了图像处理领域的一种方法来对这些时间序列进行分类，因为该领域有大量经过验证的模型架构和预训练模型。使用预训练模型可以缩短训练时间，提高准确率，同时降低对训练数据的要求。使用递推图将测量序列转换成512x512像素的图像（图3）。
图3：预处理和模型结构（ResNet以简化形式显示）
递归图显示时间序列中相似或递归的状态，这使得工件位移等数据中的模式和结构变得可视化，生成的递归图与神经网络的输入变量相对应，神经网络选择了带有ImageNet1k权重的网络架构ResNet18。
在预处理过程中，对递归图进行了归一化处理，并按照网络预期的224×224像素的图像大小进行了缩放。在传统的分类任务中，图像是根据描绘的对象进行分配的，与此不同的是，本分类任务始终适用于三个类别。因此，对网络结构进行了调整，增加了一个单独的输出层，每个影响因素都有三个可能的类别。
该模型经过训练，然后根据独立的测试数据集进行评估。结果如图4中的混淆矩阵所示。这表明，不同的进给量和切削深度都能可靠地区分。在刀具磨损从“低”到“正常”和从“正常”到“高”的过渡中出现了混淆。不过，从实际角度来看，这些混淆可以忽略不计，因为在测试的情况下，临界刀具磨损都能被正确识别。
图4：以表格形式显示的分类结果
· END ·
欢迎持续关注荣格金属加工
推荐阅读
投稿/媒体联系
June Ma
e-mail: junema@ringiertrade.com
