控制网

   陶瓷产品是人们不可缺少的日常生活必需品，其原料是粘土，成型后通过窑炉烧制而成。陶瓷制品很脆，较易出现诸如裂纹、缺口、内部或外部缺陷等问题。传统的质量检验工作一直是手工劳动，效率低。因此我们开发了一套陶瓷产品质量检验专家系统，在生产线上自动进行产品质量的检验。这样不但可以提高劳动生产率、避免人为的误判，而且还可节约大量的人力资源。
   系统利用判断瓷器产品振动发出的声波进行质量诊断。目前对音频信号处理的方法中，人工神经网络被认为是很有前途的方法之一。但是，将含有大量信息并含有噪声的音频信号直接应用于人工神经网络，不仅网络结构复杂，计算量大，而且效果也不理想。
   本文在神经网络模块前采用快速傅立叶变换，在频域中进行特征提取，通过专家列表比较，选择优化神经网络的输入参数，对神经网络训练后实现对产品质量的检验，从而减少神经网络的学习时间，降低计算量，提高识别可靠性。

1 系统组成

陶瓷产品质量检验专家系统如图1所示。该系统由拾音器采集音频信号，经过预处理环节，对信号进行带通滤波，然后，将信号输入A/D模块进行模数转换，转换出的数字序列由专家系统中的数字信号处理模块对其进行特征提取，接下来，在众多的特征中选择最为重要的特征参数，与已知目标特征信息一起作为训练样本，输入神经网络^]进行训练。由一批标准样本对神经网络进行训练，训练完成后，即可由这个专家系统实现状态识别和故障诊断。

图1  系统结构框图

2 专家系统的构成

专家系统的结构如图2所示。图中x (1), x(2), …, x(n)是n个经拾音器采集，并经模数转换后的离散时域信号。经过数字信号处理模块对x (1), x(2), …, x(n)进行快速傅立叶变换，提取信号在频域中的特征成分。然后由专家列表的方法进行特征参数的筛选。筛选得到的特征参数作为神经网络的输入参数L1, L2,…, Lk(k远小于n)。提供足够的训练样本给神经网络进行训练后，这个专家系统就可以对产品的状态进行识别。

          时域信号输入    傅立叶变换       专家列表    输入层  隐含层    输出层

           图2 专家系统结构示意图

1）特征参数提取

傅立叶变换是一种时频变换，它可以将在时域中难以获取特征的信号转换到频域中去处理，以便获取显著的频域特征。由实验可知，产品某一缺陷的产生，其特征频率中的基频和倍频会有较大的变化，且不同特征频率处的谱值变化与缺陷程度有关。因此可选用缺陷状态下的频谱作为特征参数。
    对于n点离散信号x(n) (n=2^m, m=0,1,2,…)，通过傅立叶变换，得到直流分量、基频和倍频的幅值a0,a1,a2,…,an。

2）特征选择

在通过傅立叶变换得到的a0,a1,…,an中取a0,a1,…,a8进行列表, 如表1。选取数值差别较大的参数作为特征参数，即神经网络的输入参数。

表1

注：a0: 直流分量。a1, …, a8: 信号基频到8倍频的幅值。Bi, Ci, …, Ii (i=1,2,…,4)分别为实验得到的数据。

经过多次的实验最终选取A1, A2, A3, A4作为特征参数，而剔除差别不太显著的A5, A6, A7, A8。最后对各种状态的特征参数A1, A2, A3, A4进行归一化处理，即得到：

Bi’=Bi/B_max(i=1, 2, 3, 4), B_max是所有状态中a0/a1的最大值。同理可得到Ci’, Di’, Ei’ (i=1, 2, 3, 4)的值。

3）基于神经网络的状态识别

4

推理机制采用的是正向推理，其实质就是神经网络的计算过程：由已知的输入模式（征兆向量）经过神经网络计算获得输出模式, 即：将某一状态的特征参数值A1, A2, A3, A4输入神经网络，通过神经元的计算得出输出值OUT。

当OUT>value1时，产品状态对应于知识库里的rule1；当value1≥OUT>value2时，产品状态对应于知识库里的rule2；当value2≥OUT>value3时，产品状态对应于知识库里的rule3；当OUT≤value3时，产品状态对应于知识库里的rule4。其中：valuei(i=1,2,3,4)是区分各种状态的输出临界值；rulei(i=1,2,3,4)是知识库中对各种状态的解释规则。

3 实验结果

实验装置示意图如图3所示。当陶瓷产品到达某一特定位置时，敲击装置对其进行一次敲击，由拾音器获取陶瓷的敲击声，经信号采集和预处理装置的处理后，将数据送入计算机中的质量检验专家系统进行分析和检验，得出每个陶瓷产品的质量报告。最后统计每个批次产品的合格率以及各种缺陷的情况。

1―传送装置   2―陶瓷产品   3―拾音器    4―敲击装置

图 3  实验装置示意图

以瓷碗为例，现列出四种状态：1）完好无损、2) 小裂纹、3)碗边小缺口、4）内部小缺口。我们将具有上述四种状态的瓷碗分别放在实验装置上进行实验。对时域音频信号进行傅立叶变换得到每个瓷碗信号的频域图。图4列出了瓷碗边缘有小缺口缺陷时的时域和频域图（其它三种情况的时域、频域图略）。选择各频率对应的幅值与基频的幅值的比值作为特征参数，列于表2。

                   图4  边缘有小缺口时的时域图（上）和频域图（下）

表2

通过实验取得20组输入和输出的数据，将这组数据输入学习程序后，得到一组权值。然后任取其它有类似缺陷的几个碗，逐一对它们进行检验，结果与实际情况吻合。这就说明开发的质量检验专家系统是可行的。

4  结束语

由于神经网络具有自学习能力强、推理过程准确快速及知识库易维护等特点，所以采用神经网络专家系统对陶瓷产品质量进行检验，不但能够实时在线检验产品，提高产品质量分类的准确性，而且还能及时为生产提供必要的数据，从而提高生产效率和管理自动化水平。

参考文献：

[1] MCORMICK, A.C, and NANDI, AK. Real Time Classification of Rotating Shaft Loading Conditions Using Artificial Neural Networks[J]. IEEE Trans. Neural Netw, 1997,8(3):748-757.

[2] 胡广书  数字信号处理―理论、算法与实现[M]. 北京：清华大学出版社，1997

[3] 彭涛、桂卫华、吴敏、谢勇 轴承故障融合诊断方法[J]. 基础自动化，2001，4（8）54-57

[4] 吴今培、肖健华  智能故障诊断与专家系统[M]. 北京：科学出版社，1997