CN109410208A - 砂带磨损的机器学习识别与工艺参数优化方法 - Google Patents

Abstract

本发明公开了一种砂带磨损的机器学习识别与工艺参数优化方法，包括以下步骤：S1、制作出卷积神经网络训练所需训练集和测试集；S2、训练基于神经网络的机器学习分类模型；S3、获取砂带表面磨粒磨损图像；S4、通过机器学习分类模型来识别区分砂带磨损图像中的磨损区域、未磨损区域和堵塞区域；S5、计算各区域的面积及面积率；S6、根据各部分所占面积比率来判断工艺参数是否合理，并对现有的参数采用基本粒子群优化算法进行优化。本发明通过机器学习所得模型对磨损情况进行识别并对工艺参数优化方向进行预测。简化了砂带磨损的测算过程，实现了砂带磨损程度的智能化图像检测，能够准确、快速、方便的对砂带磨损情况进行测量，具有较好的测量精度。

Description

砂带磨损的机器学习识别与工艺参数优化方法

技术领域

本发明属于磨削加工与工程测试技术领域，特别涉及一种砂带磨损的机器学习识别与工艺参数优化方法。

背景技术

随着机械制造业的发展，砂带磨削已经成为精密加工的有效方法之一，砂带磨削也得到了越来越广泛的应用。但在砂带磨削过程中，砂带表面涂覆的磨料与工件表面发生划擦，耕犁和切削作用，不断的断裂与磨损，其中磨损过程可以分为破碎磨损，磨耗磨损和堵塞粘附。砂带磨粒的磨损磨耗是由于磨粒与工件相对运动时摩擦造成的，就像用铅笔书写时尖端被磨平；而破碎磨损是由于磨粒受到较大的磨削力冲击，造成的磨粒顶端的断裂破碎。磨粒的磨耗磨损和破碎磨损的演变过程是比较复杂的，一些外露的磨粒在顶尖会发生破碎，而有一些磨粒因为所受磨削力并没有超过其极限，其磨粒一方面切除材料，另一方面与工件发生摩擦，正在峰顶部分形成不断增大的磨钝小平面，同时一些高度较低的磨粒逐步显露并参与磨削工作，直至砂带寿命中止。但不管是破碎磨损还是磨耗磨损，其磨损情况都会影响到砂带的去除效率和性能，从而不仅减短砂带寿命，影响了砂带磨削精度，造成了加工工件的质量波动。

人们开展了许多磨损，钝化和形貌学的研究，先后提出了多种检测方法，按照是否直接对砂轮进行测量分为直接测量和间接测量；按照检测时是否接触，可分为接触式和非接触监测；按照是否需要停机又可分为在线动态监测和停机静态检测。检测方法主要有滚动复印法，触针测量法，激光功率谱法和声发射检测法。也有研究人员提出针对砂轮磨损量测量的方法，例如采用气动磨损测量仪对砂轮进行在线测量；直接采用卡尺对砂轮表面进行测量，多次测量取磨损前后平均值对比；利用激光测距法对砂轮的表面形貌进行测量等。但是，到目前为止没有较为成熟的检测方法在实际生产中推广应用，且上述方法针对砂轮提出，砂带作为柔性磨削工具，与砂轮不同，很多方法在砂带上并不适用。

发明内容

本发明的目的在于克服现有技术的不足，提供一种综合利用计算机图像处理与机器学习技术，通过机器学习所得模型对磨损情况进行识别并对工艺参数优化方向进行预测，能够准确、快速、方便的对砂带磨损情况进行测量的砂带磨损的机器学习识别与工艺参数优化方法。

本发明的目的是通过以下技术方案来实现的：砂带磨损的机器学习识别与工艺参数优化方法，包括以下步骤：

S1、通过现有的砂带磨损照片进行标签图制作，制作出卷积神经网络训练所需训练集和测试集，训练集占总体照片的60％，测试集占体照片的40％；

S2、训练基于神经网络的机器学习分类模型；

S3、获取砂带表面磨粒磨损图像，利用电子显微镜对磨损过的砂带进行采集；

S4、通过机器学习分类模型来识别区分砂带磨损图像中的磨损区域、未磨损区域和堵塞区域；

S5、将识别后图像传输到处理软件，计算各区域的面积及面积率；

S6、根据各部分所占面积比率来判断工艺参数是否合理，并对现有的参数采用基本粒子群优化算法进行优化。

进一步地，所述步骤S2包括以下子步骤：

S21、根据训练集对图像内容进行识别，识别出图中的磨损区域、堵塞区域和未磨损区域的标签；

S22、构建图像分类数据库，对识别后的图像采用自主采样法进行处理，将处理后图像转化为可识别的数据集模型数据；

S23、构建卷积神经网络，利用线性修正单元(ReLU)函数+正则化的方法对卷积神经网络中的参数进行优化，并对优化后的卷积神经网络进行处理，得到基于卷积神经网络的机器学习模型；

S24、利用测试集的图片来对机器学习模型进行测试，当预测准确率达到99％以上时将该机器学习模型作为最终的分类模型，否则返回步骤S23继续优化，直至满足该准确率条件。

进一步地，所述步骤S3具体实现方法为：每一组砂带，采集以砂带结合处为起点，每90°为一个采集点，共四个部分的磨损图像。

进一步地，所述步骤S4包括以下子步骤：

S41、将电子显微镜采集的砂带表面图像传输到电脑，通过图像增强技术对砂带表面进行灰度变换、平滑、滤波、边缘识别的预处理；

S42、进行图像区域分类，通过训练出来的机器学习分类模型区分图像中表现的不同特征，对磨损区域、未磨损区域和堵塞区域进行区分，形成各自的子集。

进一步地，所述步骤S5具体实现方法为：对划分区域后的图像进行缺陷修正和荧光染色处理，利用不同的颜色显示不同的区域，并通过计算机对各区域的面积进行计算；

所述图像总面积为：

S＝S_m+S_w+S_d (1)

其中，S_m是磨损区域面积，S_w是未磨损区域面积，S_d是堵塞区域面积；

各区域所占面积率分别为：

式中，η_m为磨损区域所占面积率，η_w为未磨损区域所占面积率，η_d为堵塞区域所占面积率。

进一步地，所述步骤S6具体实现方法为：

将优化问题转化为下列目标函数的最大化问题：

F(X)＝MRR＝f×V_S×a_p×g (3)

其中f为进给速度，V_S为砂带线速度，a_p为磨削深度，g为砂带粒度；

通过设置最大表面粗糙度和砂带磨损面积来寻找最佳组合，表面粗糙度Ra和磨损面积率η_m与参数的关系通过数据库拟合目标函数求解，其中C_g、b₁、b₂、b₃、b₄为拟合预设的常数；

利用粒子群优化算法寻找f、V_S、a_p、g的最优参数值；其最优解初始化为一群随机粒子(随机解)，然后通过迭代找到最优解；在每一次的迭代中，粒子通过跟踪两个极值(pbest，gbest)来更新自己，具体包括以下子步骤：

S61、创建一个有N个粒子的粒子群，利用公式(3)计算每个粒子的适应值；

S62、对于每个粒子，将其适应值与其所经历的过的最好位置的适应值进行比较，如果当前适应值大于最好位置的适应值，则将该适应值作为该粒子的最优值，并用当前位置更新历史最好位置；

S64、对每个粒子，将其历史最优适应值与群体内或领域内所经历的最好位置的适应值进行比较，若其历史最优适应值大，则将该历史最优适应值所对应的位置作为全局最好位置；

S65、根据下式对粒子的速度和位置进行更新；

式中i∈1…N；j∈1…d；t∈1…T；N是粒子群的总数，d是每个粒子的维数，T是最大进化代数；w是平衡系数；常数ρ₁和ρ₂表示随机加速度项的权重；r₁和r₂是两个随机值；代表第t次进化中，第i个粒子的j维速度；pbest_i,j代表第i个粒子在j维搜索到的最优值，gbest_j代表整个集群在j维搜索到的最优值；

S66、判断是否达到最大迭代次数或者全局最好的适应值是否大于预设的阈值，若是则结束操作，否则返回步骤S62。

本发明的有益效果是：本发明提供了一种砂带磨损的智能检测与工艺参数优化方法，综合利用计算机图像处理与机器学习技术，所构建的通过砂带表面的磨粒磨钝，破碎和堵塞图像的变化测量砂带磨损量与钝化程度的测量系统，并通过机器学习所得模型对磨损情况进行识别并对工艺参数优化方向进行预测。简化了砂带磨损的测算过程，实现了砂带磨损程度的智能化图像检测，能够准确、快速、方便的对砂带磨损情况进行测量，并具有较好的测量精度。新的粒子群优化算法具有更好的预测效果，其鲁棒性和泛化能力较之经验公式的方法更为优越。

附图说明

图1为本发明的砂带磨损的机器学习识别与工艺参数优化方法的流程图；

图2为本发明的砂带表面图像采集区域示意图；

图3为本发明的砂带表面图像采集示意图。

具体实施方式

本发明设计了一种砂带磨损的机器学习识别与工艺参数优化方法，本发明的方法是通过图像识别技术进行执行处理的，通过该方法获得图像中磨损区域的图像和未磨损区域的图像。计算不同区域的边缘，利用颜色信息来区分不同区域。并利用新的粒子群算法来对实验参数进行优化。

下面结合附图进一步说明本发明的技术方案。

如图1所示，本发明的砂带磨损的机器学习识别与工艺参数优化方法，包括以下步骤：

S1、通过现有的砂带磨损照片进行标签图制作，随后输出索引图，制作出卷积神经网络训练所需训练集和测试集，训练集占总体照片的60％，测试集占体照片的40％；

S2、训练基于神经网络的机器学习分类模型；包括以下子步骤：

S21、根据训练集对图像内容进行识别，识别出图中的磨损区域、堵塞区域和未磨损区域的标签；

S22、构建图像分类数据库，对识别后的图像采用自主采样法进行处理，将处理后图像转化为可识别的数据集模型数据；

S23、构建卷积神经网络，对卷积神经网络中的参数进行优化，利用线性修正单元(ReLU)函数+正则化的方法对卷积神经网络中的参数进行优化，并对优化后的卷积神经网络进行处理，得到基于卷积神经网络的机器学习模型；

S24、利用测试集的图片来对机器学习模型进行测试，当预测准确率达到99％以上时将该机器学习模型作为最终的分类模型，否则返回步骤S23继续优化，直至满足该准确率条件。

S3、获取砂带表面磨粒磨损图像，利用电子显微镜对磨损过的砂带进行采集；具体实现方法为：每一组砂带采集点如图2所示，采集以砂带结合处为起点，每90°为一个采集点，共四个部分的磨损图像。如图3所示，对砂带的四个部位进行表面图像的采集，在电子显微镜拍摄完一个部分图像后，砂带转动90°到第二个位置，电子显微镜再次进行拍摄，同理，砂带继续转动到第三个位置，第四个位置进行不同部位的砂带表面图像采集，用四组照片来代表砂带整体的磨损情况。

S4、通过机器学习分类模型来识别区分砂带磨损图像中的磨损区域、未磨损区域和堵塞区域；包括以下子步骤：

S41、将电子显微镜采集的砂带表面图像传输到电脑，通过图像增强技术对砂带表面进行灰度变换、平滑、滤波、边缘识别的预处理，其目的是使原图的质量在进行区域分类之前能够更为清楚为后续的图像识别和划分区域打好基础；

S42、进行图像区域分类，通过训练出来的机器学习分类模型区分图像中表现的不同特征，对磨损区域、未磨损区域和堵塞区域进行区分，形成各自的子集。

S5、将识别后图像传输到处理软件，计算各区域的面积及面积率；具体实现方法为：对划分区域后的图像进行缺陷修正和荧光染色处理，利用不同的颜色显示不同的区域，并通过计算机对各区域的面积进行计算；

所述图像总面积为：

S＝S_m+S_w+S_d (1)

其中，S_m是磨损区域面积，S_w是未磨损区域面积，S_d是堵塞区域面积；

各区域所占面积率分别为：

式中，η_m为磨损区域所占面积率，η_w为未磨损区域所占面积率，η_d为堵塞区域所占面积率。

S6、根据各部分所占面积比率来判断工艺参数是否合理，并对现有的参数采用基本粒子群优化算法进行优化；具体实现方法为：

将优化问题转化为下列目标函数的最大化问题：

F(X)＝MRR＝f×V_S×a_p×g (3)

其中f为进给速度，V_S为砂带线速度，a_p为磨削深度，g为砂带粒度；

通过设置最大表面粗糙度和砂带磨损面积来寻找最佳组合，表面粗糙度Ra和磨损面积率η_m与参数的关系通过数据库拟合目标函数求解，其中C_g、b₁、b₂、b₃、b₄为拟合预设的常数；

利用粒子群优化算法寻找f、V_S、a_p、g的最优参数值；其最优解初始化为一群随机粒子(随机解)，然后通过迭代找到最优解；在每一次的迭代中，粒子通过跟踪两个极值(pbest，gbest)来更新自己，具体包括以下子步骤：

S61、创建一个有N个粒子的粒子群，利用公式(3)计算每个粒子的适应值；

S62、对于每个粒子，将其适应值与其所经历的过的最好位置的适应值进行比较，如果当前适应值大于最好位置的适应值，则将该适应值作为该粒子的最优值，并用当前位置更新历史最好位置；

S64、对每个粒子，将其历史最优适应值与群体内或领域内所经历的最好位置的适应值进行比较，若其历史最优适应值大，则将该历史最优适应值所对应的位置作为全局最好位置；

S65、根据下式对粒子的速度和位置进行更新；

式中i∈1…N；j∈1…d；t∈1…T；N是粒子群的总数，d是每个粒子的维数，T是最大进化代数；w是平衡系数；常数ρ₁和ρ₂表示随机加速度项的权重；r₁和r₂是两个随机值；代表第t次进化中，第i个粒子的j维速度；pbest_i,j代表第i个粒子在j维搜索到的最优值，gbest_j代表整个集群在j维搜索到的最优值；

S66、判断是否达到最大迭代次数或者全局最好的适应值是否大于预设的阈值，若是则结束操作，否则返回步骤S62。

本发明提供了一种砂带磨损的机器学习识别与工艺参数优化方法，其要点是机器学习分类模型的获取：机器学习模型作为分类器，来区分砂带上的不同区域，有很多方法可以实现，例如支持向量机(SVM)、朴素贝叶斯和卷积神经网络(CNN)等。本发明中选用了卷积神经网络对分类器进行训练，制作自己的数据集，具体训练过程包括以下步骤：

(1)按照VOC的数据格式，分为Benchmark和VOC2012。训练集的原图为一系列的砂带磨损图像，格式为.jpg，通过Labelme对图片上磨损区域，未磨损区域和堵塞区域进行标记，测试集也是一样。为了简单，我们在制作数据集的时候，将训练图片和测试图片都准备成图片形式，标签也是索引图，并生成数据集Dataset。

(2)进行模型的训练，训练模型采用PASCAL VOC模型，首先进行solver.prototxt文件的修改，然后进入voc-fcn8s文件夹打开solver.prototxt，其中snapshot:10000表示训练10000次保存一次模型，避免loss高居不下的情况。通过训练集对机器模型的训练，实现一个识别率较高的分类器。

通过砂带表面标识的训练集，对一个卷积神经网络进行训练。对图像内容进行识别，识别出图中的磨损区域，破碎区域和未磨损区域，得到识别后的图像内容；构建图像分类数据库，对图像分内数据库中图像采用自主采样法进行处理，得到处理后图像转化为可识别的模型数据，并储存；构建卷积神经网络，对卷积神经网络中的参数进行优化，得到优化后的卷积神经网络，并采用正则化对优化后的卷积神经网络进行处理，得到较为合适的卷积神经网络。

通过一些测试集的图片来对机器学习模型进行测试，将新的图片输入到训练的模型中进行预测，输出对应的图像特征，进一步的，模型所返回的图像结果通过人工修正后将修正结果反馈给模型学习，建立用于砂带磨损的分类模型。当预测准确率达到99％以上时就是有效的拟合卷积神经网络，否则继续优化模型进行训练。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.砂带磨损的机器学习识别与工艺参数优化方法，其特征在于，包括以下步骤：

S1、通过现有的砂带磨损照片进行标签图制作，制作出卷积神经网络训练所需训练集和测试集，训练集占总体照片的60％，测试集占体照片的40％；

S2、训练基于神经网络的机器学习分类模型；

S3、获取砂带表面磨粒磨损图像，利用电子显微镜对磨损过的砂带进行采集；

S4、通过机器学习分类模型来识别区分砂带磨损图像中的磨损区域、未磨损区域和堵塞区域；

S5、将识别后图像传输到处理软件，计算各区域的面积及面积率；

S6、根据各部分所占面积比率来判断工艺参数是否合理，并对现有的参数采用基本粒子群优化算法进行优化。

2.根据权利要求1所述的砂带磨损的机器学习识别与工艺参数优化方法，其特征在于，所述步骤S2包括以下子步骤：

S21、根据训练集对图像内容进行识别，识别出图中的磨损区域、堵塞区域和未磨损区域的标签；

S22、构建图像分类数据库，对识别后的图像采用自主采样法进行处理，将处理后图像转化为可识别的数据集模型数据；

S23、构建卷积神经网络，利用线性修正单元函数+正则化的方法对卷积神经网络中的参数进行优化，并对优化后的卷积神经网络进行处理，得到基于卷积神经网络的机器学习模型；

S24、利用测试集的图片来对机器学习模型进行测试，当预测准确率达到99％以上时将该机器学习模型作为最终的分类模型，否则返回步骤S23继续优化，直至满足该准确率条件。

3.根据权利要求1所述的砂带磨损的机器学习识别与工艺参数优化方法，其特征在于，所述步骤S3具体实现方法为：每一组砂带，采集以砂带结合处为起点，每90°为一个采集点，共四个部分的磨损图像。

4.根据权利要求1所述的砂带磨损的机器学习识别与工艺参数优化方法，其特征在于，所述步骤S4包括以下子步骤：

S41、将电子显微镜采集的砂带表面图像传输到电脑，通过图像增强技术对砂带表面进行灰度变换、平滑、滤波、边缘识别的预处理；

S42、进行图像区域分类，通过训练出来的机器学习分类模型区分图像中表现的不同特征，对磨损区域、未磨损区域和堵塞区域进行区分，形成各自的子集。

5.根据权利要求1所述的砂带磨损的机器学习识别与工艺参数优化方法，其特征在于，所述步骤S5具体实现方法为：对划分区域后的图像进行缺陷修正和荧光染色处理，利用不同的颜色显示不同的区域，并通过计算机对各区域的面积进行计算；

所述图像总面积为：

S＝S_m+S_w+S_d (1)

其中，S_m是磨损区域面积，S_w是未磨损区域面积，S_d是堵塞区域面积；

各区域所占面积率分别为：

式中，η_m为磨损区域所占面积率，η_w为未磨损区域所占面积率，η_d为堵塞区域所占面积率。

6.根据权利要求1所述的砂带磨损的机器学习识别与工艺参数优化方法，其特征在于，所述步骤S6具体实现方法为：

将优化问题转化为下列目标函数的最大化问题：

F(X)＝MRR＝f×V_S×a_p×g (3)

其中f为进给速度，V_S为砂带线速度，a_p为磨削深度，g为砂带粒度；

通过设置最大表面粗糙度和砂带磨损面积来寻找最佳组合，表面粗糙度Ra和磨损面积率η_m与参数的关系通过数据库拟合目标函数求解，其中C_g、b₁、b₂、b₃、b₄为拟合预设的常数；

利用粒子群优化算法寻找f、V_S、a_p、g的最优参数值；其最优解初始化为一群随机粒子，然后通过迭代找到最优解；在每一次的迭代中，粒子通过跟踪两个极值来更新自己，具体包括以下子步骤：

S61、创建一个有N个粒子的粒子群，利用公式(3)计算每个粒子的适应值；

S62、对于每个粒子，将其适应值与其所经历的过的最好位置的适应值进行比较，如果当前适应值大于最好位置的适应值，则将该适应值作为该粒子的最优值，并用当前位置更新历史最好位置；

S64、对每个粒子，将其历史最优适应值与群体内或领域内所经历的最好位置的适应值进行比较，若其历史最优适应值大，则将该历史最优适应值所对应的位置作为全局最好位置；

S65、根据下式对粒子的速度和位置进行更新；

式中i∈1…N；j∈1…d；t∈1…T；N是粒子群的总数，d是每个粒子的维数，T是最大进化代数；w是平衡系数；常数ρ₁和ρ₂表示随机加速度项的权重；r₁和r₂是两个随机值；代表第t次进化中，第i个粒子的j维速度；pbest_i,j代表第i个粒子在j维搜索到的最优值，gbest_j代表整个集群在j维搜索到的最优值；

S66、判断是否达到最大迭代次数或者全局最好的适应值是否大于预设的阈值，若是则结束操作，否则返回步骤S62。