机械加工检测技术的现状及智能化发展.pdf

特别报道 Special ReportIM20 2023年第5期工业“智”检Intelligent detection of industry智能检测是智能制造的重要基础支撑技术之一，数字化、智能化浪潮席卷而来，工业检测业务也在寻求变革。Special Report 特别报道IM 2023第5期 21投稿网站：工业“智”检Intelligent detection of industry智能检测实现的基础是强大的工业技术和信息技术，随着工业互联网、大数据和深度学习等技术的深入和普及，以及测量技术的不断发展，工业检测的各项技术也在发生着变革并已经取得了一些成果。本期“主题策划”栏目聚焦“工业智检”，围绕工业“智”检的发展现状、应用实践、存在的问题及未来展望等展开论述，为制造业持续高质量发展提供支撑。IM主题策划 Theme Plan22 2023年第5期机械加工检测技术的现状及智能化发展屈力刚，王阳，李静*，吕光明（沈阳航空航天大学，辽宁 沈阳 110136）摘要：机械加工检测技术在控制加工精度、降低生产成本及提升生产效率发挥了重要的作用。随着人工智能、深度学习、大数据和传感器技术的发展与突破，机械加工检测技术也发生了深刻的变革。本文总结了机械加工检测工艺的现状，分析了机械加工检测智能化的概念和主要特征，阐述了机械加工检测智能化的发展的重要意义和发展的方向。关键词：机械加工；检测技术；智能化；深度学习1引言机械加工检测工艺对保证加工零件的精度，控制加工成本和加工效率起着决定性的作用，随着科技的迅速发展，机械加工检测技术也在不断地进步和完善。随着制造业对精度、效率和一致性需求的增加，由于传统的机械加工检测方法通常依赖于人工检测，在精度上存在局限性，难以保证测量的一致性和高效率，无法满足当前快速发展的生产需求。在这种背景下，智能化的机械加工检测技术应运而生。智能检测技术具有检测精度高、工作效率高及不受人为因素干扰等优势，在满足大批量检测连续性、一致性和可靠性要求的同时，能将人从恶劣检测环境、高机械性重复性的劳动中解放出来，并且可以很好地适应各种工业应用场景，极大地提高工业产品检测过程的柔性化和智能化水平1。智能化技术的引入，不仅可以提高检测精度，还可以提升生产效率，同时还能减少人工测量带来的误差。智能化的机械加工检测技术，通过将先进的传感器、机器视觉及人工智能等技术进行融合，实现对机加工件的高精度、高效率的智能检测。并通过深度学习和图像识别技术，自动对工件进行分类2。智能制造是全球制造业的发展趋势，机械加工检测技术的智能化发展的不仅体现在提高生产效率和检测精度上，智能化的机械加工检测技术是实现智能制造的重要组成部分，也是推动制造业向更高层次发展的关键技术。本文在总结机械加工检测工艺国内外现状的基础上，对机械加工检测智能化的概念、特征进行了定义，最后对机械加工智能化检测技术的发展进行了展望。基金项目：省科技厅项目-重点研发计划-应用基础研究计划项目基金项目，基于数字孪生的航空大部件装配调姿技术与系统研究（2022JH2/101300211）；省教育厅项目-基础研究项目，碳纤维楔形件钛合金铆钉双面埋头铆接塑性变形机理与工艺研究，（JYT2020025）*通信作者：李静投稿网站：Theme Plan 主题策划IM 2023年第5期 232机械加工检测工艺现状在机械加工领域，质量检测技术的发展历程从传统的游标卡尺和千分尺，到现代的接触式和非接触式检测方式，反映了机械加工检测需求对于精度、效率及多样性需求的不断提高。现有的机械加工检测工艺主要分为接触式和非接触式检测。2.1接触式检测工艺机械加工的接触式检测以物理接触为主要手段获取被测试对象信息。其中，三坐标测量机是最为现代化的接触式测量代表，其通过探头与被测试物体表面接触来获取零件的关键点几何参数。在精度和准确性方面，接触式检测设备可以提供非常精确的测量数据3-4，通常测量精度可以达到微米级，接触时测量是高精度测量的场合（如航空航天、汽车制造和医疗器械等领域）的重要测量工具，在一些高精度零件的精密制造中，接触式检测是无可替代的。但从测量效率方面看，接触式检测需要逐点对每个测量点进行测量，测量效率较低，对于结构尺寸大、形状复杂零件的测量很难全面地评价零件的加工质量。2.2非接触式检测工艺机械加工的非接触式检测是以光电技术为基础，在不与被测量对象发生物理接触的情况下，获取零件的几何量信息3。机械加工的非接触式检测最为典型的方法有激光三角测量法和机器视觉测量。激光三角测量法是利用光线空间传播过程中的光学反射规律和相似三角形原理，在接收透镜的物空间与像空间构成相似关系，同时利用边角关系计算出待测位移。光学扫描仪是典型的通过投影光线并记录反射回来的光线以建立被测试物体表面模型的测量方法，光学三维扫描器可以在几秒钟内捕获数百万个数据点，快速地获取大量工件表面几何数据4，适合用于对尺寸大型、结构复杂的零件进行全面的精度控制，提高大批量生产的精度的一致性和提高效率。光学扫描仪由于对环境中的光线条件依赖较高，在明暗变化大或者反射性强烈的环境下对精度产生影响，同时需要复杂计算处理数据以建立被测试物体表面模型5。激光干涉仪可以提供更为精确的结构尺寸测量，其精度可能受到环境因素（如温度、湿度）影响，但是通过辅助环境控制及校准，测量精度能够达到微米甚至纳米级别。非接触式检测技术已经实现了高程度的自动化和集成化，采用了先进的图像处理软件和算法，可以自动识别并分析数据，还支持与计算机辅助设计软件联动，并且可以通过编程进行自动化操作以提高效率和减少人为误差。非接触式检测技术具有许多优势，并且在许多应用中都显示出极高的价值。3智能化检测的概念及特征3.1智能化检测概念智能化检测是一种革新性的技术，其结合了先进的数据分析和人工智能（AI）技术，能够在各种环境和应用中进行精确的检测和识别。在机械加工领域，智能化检测正在改变评估产品质量的形式，优化生产流程6，以及降低废品率。在基础层面上，智能化检测系统是一种自动化的质量控制工具，可以识别和分类产品的特性和缺陷。这些系统通常使用一种或多种传感器7（例如光学、声学、电磁或热传感器）来收集数据，然后使用预先训练的 AI 模型来分析这些数据，以确定产品是否符合预定的质量标准。智能化检测的核心是通过学习和适应来改善测量精度和一致性8。通过收集和分析大量的生产数据，识别更复杂的生产制造模式下细微的机加工尺寸的变化，采用大数据9和云计算技术来进一步提高检测的准确性和一致性，形成更为完善的检测工艺。3.2智能化检测特征机械加工中过程中的智能化检测的特征主要表现在智能传感器的应用、检测数据的多源数据融合、大数据模型处理及检测工艺的深度学习10。（1）智能传感器的应用 随着人工智能技术的不断发展，基于深度学习的智能激光传感器在检测中的优势日益明显，为机械加工检测提供了新的解决方案。智能传感器通过深度学习算法，可以自动学习和识别复杂的模式，从而提高检测的精度和效率，同时也具有强大的自适应性和预测能力。智能激光传感器在机械加工中的具体应用见表 1。相比于传统的激光传感器，它们更加依赖于软件算法，而不仅仅是硬件设备，从而实现了对检测环境和需求的自适应性。传统的传感器相对于融合了深度学习的智能传感器的优缺点对比见表 2。同时，通过深度学习技术，智能激光传感器可以实现更高级的功能，如物体识别、场景理解等。IM主题策划 Theme Plan24 2023年第5期表 1智能激光传感器在机械加工中的应用应用领域具体应用描述高精度测量和校准检测零件尺寸、形状和位置等提供高精度的测量，确保零件符合严格的公差要求。深度学习模型可以自动校准，以适应不同的加工环境和需求实时反馈和自适应控制监控切削力、温度和振动提供实时的反馈，识别和预防潜在的问题。深度学习模型可以实现自适应控制，自动调整加工参数，以优化质量和效率视觉功能物体识别、姿态估计和场景理解深度学习技术使智能激光传感器能实现高级的视觉功能，这些功能可以用于复杂的任务，如零件装配、焊接和搬运表 2传统传感器与现有发展对比技术指标传统激光传感器基于深度学习的智能激光传感器精度受环境因素影响，精度有限通过深度学习过滤环境噪声，提高精度效率受硬件性能限制通过算法优化，提高检测效率自适应性需要人工调整参数，自适应性弱自动学习和适应不同环境和需求预测能力无预测能力根据历史数据进行预测，提前发现可能的问题检测功能主要依赖硬件设备，功能有限通过软件算法，实现更高级的功能，如物体识别、场景理解等应用范围应用范围较窄通过与其他技术的融合，如物联网、5G 通信等，应用范围广泛在机械加工检测中，智能激光传感器首先通过收集机械加工过程中的各种数据，然后对这些数据进行预处理，以提高深度学习算法的学习效率11。接着，利用深度学习算法对预处理后的数据进行训练，以学习和识别机械加工过程中的各种模式。在机械加工过程中，智能激光传感器可以利用训练好的模型对实时数据进行检 测12，实现高精度和高效率的质量控制。智能激光传感器还可以利用深度学习模型进行预测13，以提前发现可能的问题，并对机械加工过程进行优化。智能激光传感器在机械加工检测中的应用，不仅提高了检测的精度和效率，也提升了检测的智能化程度，展现出了强大的自适应性和预测能力。（2）多源数据融合与处理 在机械加工检测中多种测量方式产生不同数据类型的数据，不同类型的数据标准不一，导致测量评价机制的决策错误。多源数据融合通过整合来自不同来源的数据14提高数据质量并增强质量控制的效果。Hall15等建立传感器数据融合（SDF）方法，该技术结合了来自多个传感器的数据及相关信息，以实现比单个传感器更具体的推理。多源数据融合可以帮助发现和纠正数据中的错误和异常16。此外，数据融合还可以提供更全面和准确的数据分析结果，从而支持决策和质量改进。（3）大数据模型处理 大数据技术在机械加工检测中的应用已经从初期的探索阶段逐步转向了深度应用阶段。在此过程中，大数据技术已经从简单的数据收集和分析，发展到了复杂的预测模型和优化算法。大数据分析是传统数据分析的革命性飞跃，其特点可以用 5 个高来概括和定义：高容量（数据量大）、高速度（数据生成和更新速度快）、高多样性（各种来源生成的数据以不同的形式出现）、高精度和高价值（潜在价值 巨大）。大数据系统作为重要的数据预测分析技术体系，可以在海量数据中保留数据特征，提高网络训练和学习能力。许多企业已经开始利用大数据技术来构建机器学习模型，通过这些模型，他们可以预测产品质量，优化生产流程，从而提高生产效率，降低生产成本。此外，大数据技术还被用于构建智能化的机械加工检测系统，这些系统可以实时监控生产过程，自动检测和预警生产问题，从而确保产品质量。（4）基于深度学习的检测工艺 基于图像的深度学习17可以用于检测产品表面的缺陷，如裂纹、划痕和凹陷等，如图 1 所示。其识别问题的常用方法大致分为两种，一是图像阈值分割后，基于构造缺陷特征模式匹配的方法；二是基于统计学习的构造缺陷检测分类模型算法。两种缺陷检测算法的流程图如图 2 所示。投稿网站：Theme Plan 主题策划IM 2023年第5期 25图 1深度神经网络缺陷检测分布图 2两种缺陷检测算法流程图杨洋18等对基于深度学习的缺陷检测提出了一种基于改进的 YOLOv5s 的检测方法。首先，在骨干网中深化网络层，增加注意力机制 CBAM 模块；然后，添加一个小尺度检测层，将模型从三输出预测层增加到四输出预测层。第三，颈部网络中的网络特征融合得到增强。最后，将原有卷积替换为深度可分离卷积，可以对产品图像进行分类和分割，从而实现高效准确的缺陷检测19。基于视觉的深度学习缺陷检测可以用于检测产品组装过程中的缺陷，如错位、错装和缺失等20。通过CMOS 或工业摄像机，可以对产品组装图像进行分析和识别，从而实现自动化的缺陷检测和分类。Chen21等为了检测金属易拉罐底部的表面缺陷，设计了两个同心的圆锥环形明场光源，以同时照亮易拉罐底部的中心和外围区域。Tao22等使用暗场成像来检测大口径光学元件表面的微小划痕。2018 年以来，以 ELMO 模型、BERT 模型为代表预训练模型快速兴起，它们可以提高检测的准确性和效率，并实现自动化的缺陷检测和分类。4机械加工智能化检测的发展机械加工的检测工艺顺应智能制造的需求，与智能化发展相接轨，机械加工智能化检测工艺的发展趋势是多样的，主要朝以下几方面发展：智能化检测设备的向集成化发展，将多种检测技术和设备集成在一起，形成多功能、高效率的检测设备，避免多种设备之间的接口问题，提高检测效率和准确性；智能化检测设备的便携式发展，方便检测人员进行现场检测，提高检测效率和便捷性，减少运输和安装成本，降低检测成本；智能化检测设备自动化的发展趋势，可以实现自动化执行检测任务，减少人力成本，提高工作效率和准确性；智能化检测设备的智能化发展，实现智能化的数据处理、分析和判断，提高检测的准确性和可靠性；智能化检测设备的网络化发展实现设备之间的联网和数据共享，提高设备的整体效率和准确性，同时也可以实现远程监控和管理。5结束语智能检测已经在机械加工领域中展现出巨大的潜力和价值。借助先进的传感器技术、人工智能和大数据，可以实现对生产过程的实时监控，自动识别和分类产品缺陷，保证了产品的高精度和高可靠性，从而提高产品质量和生产效率。智能化检测在机械加工领域将发挥重要作用，它将推动机械制造业的智能制造的发展进程。智能化检测设备的发展趋势是多样化的，包括集成化、便携式、自动化、智能化和网络化等方向。这些趋势将有助于提高检测效率和准确性，降低人力和物力成本，IM主题策划 Theme Plan26 2023年第5期更好地满足客户的需求。参考文献1 周艳聪，张波，王岩，等智能制造系统研究及趋势分析 J科学技术创新，2020(20)：93-942 屈常彬基于神经网络的系统辨识与控制方法的研 究 D沈阳：东北大学，20123 谢一帅基于视觉检测的非接触式测量技术研究 D长沙：湖南大学，20214 ZHENG D T，DU CH T，HU Y GResearch on optimal measurement area of flexible coordinate measuring machinesJMeasurement，2012，45(3)：250-2545 IGOR B，AGNIESZKA U，MARLENA G，et alNew measurements modalities for multi-parametric label-free and non-contact detection of biofilm formation on stainless steel and glass surfacesJMeasurement，2023(210)：1-196 贺东溥，侯为康，舒钊，等在线检测及智能修正技术在惯性精密铸造结构件机械加工中的应用 J航天制造技术，2020(1)：65-697 魏俊奇中国传感器技术将跻身世界先进水平 J中国科技信息，2003(21)：158 REN J Q，ZHANG L J，FENG Y，et alAn online detection system of energy efficiency for intelligent manufacturingJEnergy Reports，2021(7)：1363-13689 刘艺，欧培培，魏磊，等工业大数据处理技术在汽车制造中的应用 J内燃机与配件，2022(21)：70-7210 蒋思中，白雪工业机器人目标识别与智能检测技术研究现状与发展趋势 J轻工科技，2020，36(2)：65-6611 IVO P C，CAROLINA S S，MARIANO D P，et alIntelligent approach for the industrialization of deep learning solutions applied to fault detectionJExpert Systems with Applications，2023：23312 GULHAN U KDevelopment of hybrid optical sensor based on deep learning to detect and classify the micro-size defects in printed circuit boardJMeasurement，2023，206(11)：1-1313 LI ZH X，LIU X H，INCECIK A，et alA novel ensemble deep learning model for cutting tool wear monitoring using audio sensorsJJournal of Manufacturing Processes，2022(79)：233-24914 魏炳翌基于神经网络的卫星姿态控制系统故障诊断研究与仿真 D南京：南京航空航天大学，202015 ROSS E A，WAGTERVELD R M，STIGTER J D，et alSensor data fusion in electrochemical applications：An overview and its application to electrochlorination monitoringJComputers&Chemical Engineering，2023(172)：2-916 Cao TEffective detection algorithm of electronic information and signal processing based on multi-sensor data fusionJThe Egyptian Journal of Remote Sensing and Space Science，2023，26(3)：519-52617 周飞燕，金林鹏，董军卷积神经网络研究综述 J计算机学报，2017，40(6)：1229-125118 杨洋基于嵌入式系统的目标跟踪系统 D成都：电子科技大学，202119 温银放数据点云预处理及特征角点检测算法研究 D哈尔滨：哈尔滨工程大学，200720 薛羽馨，曾威，任涛，等基于 Kriging 插值水下连接器密封性能预测模型 J机电工程技术，2022，51(2)：42-4521 CHEN T J，WANG Y N，XIAO C Y，et alA machine vision apparatus and method for can-end inspectionJIEEE Transactions on Instrumentation and Measurement，2016，65(9)：2055-206022 TAO X，ZHANG Z T，ZHANG F，et alA novel and effective surface flaw inspection instrument for large-aperture optical elementsJIEEE Transactions on Instrumentation and Measurement，2015，64(9)：2530 2540收稿日期：2023-09-15