CN109446639B - 一种基于卷积神经网络的导爆索压接参数自主优化方法 - Google Patents

Abstract

基于神经网络的导爆索压接参数自主优化方法，涉及一种导爆索压接生产，特别是一种基于神经网络的导爆索压接参数自主优化，具体步骤为：1)神经网络模型建立；2)参数投喂，输入训练集与测试集；3)残差网络输出函数的建立；4)激活函数ReLU的算法设置与位置匹配；5)权值的综合管理与增量学习。该方法可以通过神经网络自主优化压接参数，降低机器耗损对压接效果的影响，提高导爆索压接过程的自动化程度，同时提高生产的效率。

Description

一种基于卷积神经网络的导爆索压接参数自主优化方法

技术领域

本发明涉及一种导爆索压接生产，特别是一种基于神经网络的导爆索压接参数自主优化方法。

背景技术

导爆索装配一般要经过对导爆索下制、端头去包覆层、压接等过程，去除包覆层的导爆索需要装配在产品上，并要求实现与金属套管的可靠压接。压接过程通过对金属套管和导爆索包覆层同时进行强力挤压变形，使导爆索与金属套管镶嵌来实现。目前，强力挤压变形过程由操作人员采用工装人工施加力矩实现，劳动强度较大，效率较低。实现导爆索压接自动化，需要在现行导爆索压接方式的基础上进行研究，改进现行压接工装结构，增加动力和检测装置，研究并优化导爆索压接工艺参数。

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络的发展、导爆索生产过程的自动化、信息处理的深度化都为压接参数自主优化提供了便利与有效手段。

发明内容

本发明提出的一种基于神经网络的导爆索压接参数自主优化方法，通过将前沿的人工智能算法、神经网络与自动化生产等技术有机融合，解决了导爆索压接过程中工艺参数相互耦合、变化影响压接效果的难题，可以提高导爆索压接过程的自动化程度，同时提高生产效率。

本发明的目的是通过这样的技术方案实现的，具体步骤如下：

1)将机械压力、保压时间等参数信息及压力变化、油缸位移等图像信息分割成块学习特征，采用卷积神经网络(CNN)拟合相耦合的参数，建立神经网络模型；

2)选取自设计参数图像库，并按照4：1的比例划分训练集和测试集两个子集；

3)应用深度残差网络(Resnet)解决网络层过深，训练准确率下降的问题；

4)应用激活函数ReLU实现模型稀疏化，使模型能更好挖掘相关特征，拟合训练数据；

5)设置增量学习中各网络架构层的权值初始值，可视化其输出概率，以得到压接效果的准确率；

6)由传感器与神经网络算法判断是否某些参数有突发性或由机器耗损引发的变化，由深度学习架构权值衡量对压接效果引起的影响，从而自主优化剩余参数，并输出到控制装置，进而控制执行器，保护压接效果。

进一步，步骤1)中具体包括复杂工业环境中，各变量往往存在非线性关系，利用机理知识很难建立数学模型，CNN具有广泛的泛化能力而被广泛应用：

1-1)各耦合参数建立输入层，输入层由影响压接效果的相关变量构成，如压力偏差、压力上升与下降斜率、油缸位移、保压时间等。这些输入变量将经过卷积层，通过卷积核将其映射到不同的特征空间，亦即针对原始输入在不同的特征空间内进行特征提取。输入数据通常呈多种不同分布，将其映射到不同的特征空间，从而可以更加准确地挖掘不同分布输入数据的潜在价值；

1-2)确定矩阵维数建立卷积层与池化层模型，卷积层与池化层一般都是成对出现的，卷积层和池化层越多其模型学习能力就越强，输入在不同的特征空间利用池化操作进行采样，从而达到对输入降维的效果，考虑全局化效果，这里选用均值池化；

1-3)卷积层和池化层后一般连接一个全连接层，输入池化后经过全连接层分类整合，传递给输出层，以实现在输出层观察压接效果参数。一般采用回归模型进行模型预测。

进一步，步骤3)中具体包括设置网络的输出为：H(X)＝y＝F(X,{ωi})+X，其中H(X)表示映射输出(网络的输出)，F(X)表示残差，由于其基本组成之间有两个隐层，所以得到网络的输出为H(X)＝y＝ω2σ(ω1X)+ωsX，其中ωs只为了保证两个矩阵的维度相同而进行的变换。

进一步，步骤4)中具体包括选取ReLU算法为:

其中λ是一个可通过反向传播算法学习的变量，并在Resnet中Connection块中根据其channel大小设置ReLU的位置，以避免梯度爆炸与梯度消失的问题。

进一步，步骤5)中CNN通过感受野和权值共享，使得同一个卷积核去卷积参数与图像，特征较多的情况，便设置参数不同的滤波器，减少神经网络需要训练的个数，并设置共享权值的增加体制，设计增量学习过程，通过已有压接参数的投喂来提高其准确率。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1是本发明一种基于神经网络的导爆索压接参数自主优化方法设计流程图；

图2是本发明所述CNN神经网络应用结构框图。

具体实施方式

为了使本发明的目的、技术方案和有益效果更加清楚，下面结合附图，对本专利的优选实施例进行详细的描述。但是本专利的实施方式不限于此。

作为本发明的一种优选方案，一种基于神经网络的导爆索压接参数自主优化方法，其特征在于，导爆索压接实现如下技术指标：

1)压接模块尺寸原则上不得大于1m×1.5m×1.5m；

2)压接模块轴向定位精度±0.2mm；

3)压接动力在60000N～120000N范围内连续可调，精度±100N，系统误差不大于5％；

4)压接保压时间在2s～5s范围内可调，采用比例溢流阀保证压力连续保压，程序调节；

5)导爆索压接后连续强度应满足：1KN拉拔力作用下，导爆索与金属套管不分离，或者导爆索与金属套管分离力大于1KN，通过压接力保证；

6)导爆索单次压接时间不大于15s。

作为本发明的一种优选方案，一种基于神经网络的导爆索压接参数自主优化方法，其特征在于：该系统包含误差检测反馈单元、数据处理单元、神经网络算法单元、控制器(PLC)单元、伺服控制单元、压接执行单元。

作为本发明的一种优选方案，一种基于神经网络的导爆索压接参数自主优化方法，如图一所示包含以下步骤：

S1：将机械压力、保压时间等参数信息及压力变化、油缸位移等图像信息分割成块学习特征，采用卷积神经网络(CNN)拟合相耦合的参数，如图二所示建立CNN网络模型；

S11：各耦合参数建立输入层，输入层由影响压接效果的相关变量构成，如压力偏差、压力上升与下降斜率、油缸位移、保压时间等。这些输入变量将经过卷积层，通过卷积核将其映射到不同的特征空间，亦即针对原始输入在不同的特征空间内进行特征提取。输入数据通常呈多种不同分布，将其映射到不同的特征空间，从而可以更加准确地挖掘不同分布输入数据的潜在价值；

S12：确定矩阵维数建立卷积层与池化层模型，卷积层与池化层一般都是成对出现的，卷积层和池化层越多其模型学习能力就越强，输入在不同的特征空间利用池化操作进行采样，从而达到对输入降维的效果，考虑全局化效果，这里选用均值池化；

S13：卷积层和池化层后一般连接一个全连接层，输入池化后经过全连接层分类整合，传递给输出层，以实现在输出层观察压接效果参数。一般采用回归模型进行模型预测；

S2：选取自设计参数图像库，并按照4：1的比例划分训练集和测试集两个子集；

S3：应用深度残差网络(Resnet)解决网络层过深，训练准确率下降的问题；

S31：设置网络的输出为：H(X)＝y＝F(X,{ωi})+X，其中H(X)表示映射输出(网络的输出)，F(X)表示残差，由于其基本组成之间有两个隐层，所以得到网络的输出为

H(X)＝y＝ω2σ(ω1X)+ωsX，其中ωs只为了保证两个矩阵的维度相同而进行的变换。

S4：应用激活函数ReLU实现模型稀疏化，使模型能更好挖掘相关特征，拟合训练数据；

S41：选取ReLU算法为:

其中λ是一个可通过反向传播算法学习的变量，并在Resnet中Connection块中根据其channel大小设置ReLU的位置，以避免梯度爆炸与梯度消失的问题。

S5：设置增量学习中各网络架构层的权值初始值，可视化其输出概率，以得到压接效果的准确率。

S6：由传感器与神经网络算法判断是否某些参数有突发性或由机器耗损引发的变化，由深度学习架构权值衡量对压接效果引起的影响，从而自主优化剩余参数，并输出到控制装置，进而控制执行器，保护压接效果。

Claims (3)

1.基于卷积神经网络的导爆索压接参数自主优化方法，其特征在于，该方法包含了以下步骤：

步骤一：将机械压力、保压时间参数信息及压力变化、油缸位移图像信息分割成块学习特征，采用卷积神经网络(CNN)拟合相耦合的参数，建立神经网络模型；

步骤二：选取自设计参数图像库，并按照4：1的比例划分训练集和测试集两个子集，保证训练集与测试集的精准学习；

步骤三：应用深度残差网络(Resnet)解决网络层过深，训练准确率下降的问题，设置网络的输出为：H(X)＝y＝F(X,{ωi})+X，其中H(X)表示映射输出，F(X)表示残差，由于其基本组成之间有两个隐层，所以得到网络的输出为H(X)＝y＝ω2σ(ω1X)+ωsX，其中ωs只为了保证两个矩阵的维度相同而进行的变换；

步骤四：应用激活函数ReLU实现模型稀疏化，使模型能更好挖掘相关特征，拟合训练数据，选取ReLU算法为:

其中λ是一个可通过反向传播算法学习的变量，并在Resnet中Connection块中根据其channel大小设置ReLU的位置，以避免梯度爆炸与梯度消失的问题；

步骤五：设置增量学习中各网络架构层的权值初始值，可视化其输出概率，以得到压接效果的准确率；

步骤六：由传感器与神经网络算法判断是否某些参数有突发性或由机器耗损引发的变化，由深度学习架构权值衡量对压接效果引起的影响，从而自主优化剩余参数，并输出到控制装置，进而控制执行器，保护压接效果。

2.如权利要求书1所述的基于卷积神经网络的导爆索压接参数自主优化方法，其特征在于，步骤一中具体包括各耦合参数建立输入层，确定矩阵维数建立卷积层与池化层模型，经过全连接层分类整合，以实现在输出层观察压接效果参数。

3.如权利要求书1所述的基于卷积神经网络的导爆索压接参数自主优化方法，其特征在于，步骤五中CNN通过感受野和权值共享，使得同一个卷积核去卷积参数与图像，特征多的情况，便设置参数不同的滤波器，减少神经网络需要训练的个数，并设置共享权值的增加体制，设计增量学习过程，通过已有压接参数的投喂来提高其准确率。

Images