金属带锯床设计【9张PDF图纸+CAD制图+文档】
收藏
资源目录
压缩包内文档预览：(预览前20页/共23页)
编号：122510134
类型：共享资源
大小：3.40MB
格式：ZIP
上传时间：2021-04-20
上传人：好资料QQ****51605
认证信息
个人认证
孙**（实名认证）
江苏
IP属地：江苏
45
积分
- 关 键 词：
-
金属
锯床
设计
PDF
图纸
CAD
制图
文档
- 资源描述：
-
喜欢这套资料就充值下载吧。。。资源目录里展示的都可预览。。。下载后都有，，请放心下载，，文件全都包含在内，，【下载后加 QQ:1064457796或1304139763,免费领CAD格式图纸】
- 内容简介：
-
摘要在带锯加工过程中，希望带锯条能以一个合适的进给力切入到工件之中，以实现高效的切割操作。它可以被完成通过在切削过程中准确地探测带锯条所受的阻力来控制进给速率和进给力。在本研究中，一个神经-模糊系统基于控制带锯床工作过程的模型被建立。切削参数不断的更新通过一个辅助的神经网络算法，以抵偿环境带来的干扰。所需的进给速率和切削速度通过先进的模糊逻辑控制器被调节。使用一些钢材样本进行的切削实验结果表明，发达的神经模糊系统能够在带锯制材过程中，实时地进行切削速度和进给速率的控制。一个材料识别系统通过使用测量所得到的切削力被开发。在切削操作的一开始，材料就能被确认，切削力模型得到更新通过检测到的材料类型。因此，切削速度和进给速率通过更新后的模型被调节。新的技术发现，现有的生产系统容易可积。关键词 智能制造；模糊控制；神经模糊控制器；自适应控制带锯床；带锯床AbstractIn bandsaw machines, it is desired to feed the bandsaw blade into the workpiece with an appropriate feeding force in order to perform an efficient cutting operation. This can be accomplished by controlling the feed rate and thrust force by accurately detecting the cutting resistance against the bandsaw blade during cutting operation. In this study, a neural-fuzzy-based force model for controlling band sawing process was established. Cutting parameters were continuously updated by a secondary neural network,to compensate the effect of environmental disturbances. Required feed rate and cutting speed were adjusted by developed fuzzy logic controller. Results of cutting experiments using several steel specimens show that the developed neural-fuzzy system performs well in real time in controlling cutting speed and feed rate during band sawing. A material identification system was developed by using the measured cutting forces. Materials were identified at the beginning of the cutting operation and cutting forces model was updated by using the detected material type. Consequently, cutting speed and feed rate were adjusted by using the updated model. The new methodology is found to be easily integrable to existing production systems.Keywords Intelligent manufacturing Fuzzy control Neural-fuzzy controller Adaptive control of band sawing Band sawing1 前言对于带锯机床，机器的额定功率限制了被切削金属的厚度和硬度。在带锯机床工作过程中，金属的移除是通过一个多齿的刀具切削工件完成的。锯床切削的深度无法像其它金属切削加工那样预设，只能通过施加在锯条与工件材料之间的轴向载荷来控制。金属通过每个齿的去除量主要取决于锯条对工件施加的压力和切牙的渗透能力。因此，加工力的生成在锯切加工过程中比在其他碎屑加工过程中更有意义。人们已经发现，推力和每牙单位厚度上的切割载荷随着切削速度的增加而减少。推力的减小将导致减少从事切削任务的牙齿的切削深度。进给速率的增加将会导致每一个牙齿上的切削力和推力载荷大幅度的增加。工件的几何结构对切削性能也有重要的影响。对于带锯床，推力负载通常是沿着工件宽度方向恒定。当锯切圆形截面工件时，工件的宽度在减少，随着切削宽度的增加，锯条移向工件中心，随着切削宽度的减少，消减逐渐完成。带锯床运行在一个压力进给恒定的原则下，正如前面所说的那样，当锯条锯切不同截面工件的时候，每个齿的进刀量维持常数。人工智能（AI）技术广泛应用于解决复杂的工程问题。一些最常用的人工智能技术是神经网络算法（NN）、模糊逻辑（FL）和使用混合动力车的模型。人工智能技术应用在制造业的每个阶段。在工业中，机械加工是一个最基本的制造方法。制造商们必须最小化成本和加工时间，此外，产品必须满足要求的尺寸规格和质量标准在市场竞争中。增加金属切削机床的生产能力是制造商们首要关注的。在传统的加工系统中，切削参数根据加工手册或者用户体验往往被优先选定用以加工。所选的加工参数通常是保守的，以避免加工失败。为了保证加工产品的质量，减少加工成本，提高加工效率，实时地调节加工参数和优化加工工艺是必要的在那个时候。加工过程中的自适应控制能很好的解决以上问题。因为带锯切过程是非线性的和时变的，所以传统的识别方法难以提供一个精确的模型。自适应控制提供了在线调整的操作条件。因此，加工过程的参数自适应控制技术被用来自动调整进给速率以保持恒定的切削力。运用这些技术成功的增加了金属的切削速度和刀具寿命。在本文中，一种智能模糊自适应控制方案被提出，以用于带锯切加工过程。被提出的自适应控制系统可以高效地应用在各式各样的切削环境下。2 文献调查有很多关于监测和控制机械加工的文献。Groover指出传统的控制理论是低效的、不稳定的，因为在加工过程中有各式各样的干扰。它表明固定切削力将是一个有用的方法来提高刀具寿命和材料去除率（Groover,1987）。传统的PID反馈控制系统已经被许多研究人员应用在控制加工过程中(Masory and Koren,1980,1985;lauderbaugh and Ulsoy,1989;Koren,1988)。固定增益自适应控制约束（ACC）系统的一个主要问题是生产表现不佳和时变加工过程中可能会变得不稳定。使用各种形式的自适应控制的ACC系统已经被检查，通过调节控制器的增益。模型参考自适应控制的自适应控制约束系统（MRAC）已经被一些研究人员开发（Masory and Koren,1980,1985;Lauderbaugh and Ulsoy,1989）。这些研究表明模型参考自适应系统比固定增益控制器表现的更好。一个典型的模型参考自适应系统包含了切削过程中的参数估计。最近，许多研究已经致力于模糊控制理论及其在机械加工过程中的应用。Tarng等人开发了一个基于逻辑的模糊控制器，为了操作的自适应控制。先进的基于逻辑的模糊控制器可以在线的调节进给速率，以减少加工时间和维持力（Tarng and Cheng,1993;Tarng and Wang,1993）。Zhang and Khanchustambham (1993)在实验中发现，通过在线监测和加工过程中的控制，工艺流程优化是可能的。这就基本消除了由操作人员所引入的干扰。一个在线的监测系统已经被Ordonezet等人（1997）设计出来通过基于传感器的人工智能。在切削过程中，来自传感器的信号已经用于人工智能决策。使用神经网络算法将通过力转换器获得的实时信号和估计得到的切削力进行比较。因此，估算模型被应用于表面粗糙度、刀具磨损和几何公差。前馈和方向传播算法分别作为神经网络模型的体系结构和实验算法。直接和间接的将自适应模糊技术和传统的模拟控制进行了比较。在铣削过程中，为了恒定切削力，Rodolfo等人1998年提出了一种自适应控制方法。于是恒定的进给速率问题被很快的研究。Tsai等人（1999）观察到，表明粗糙度可以通过一个或多个定量测量实验来确定。估计的表明粗糙度模型基于刀具和工件之间的相互振动。估计的表明粗糙度值通过振动和接近传感器的信号得到改善。系统的准确性达到96%99%。Liu and Wang(1999)基于两种神经网络算法，为铣削加工设计了一种自适应控制器的优化设计方案。一种能够调节自身学习速率和添加学习过程动态因数的反向传播神经网络被提出，它应用于铣削系统的在线建模。修改后的增广拉格朗日乘法器（ALM）神经网络模型被提出，用来调整它的循环步骤，应用于铣削过程的实时最佳控制。在这项研究中，通过模拟仿真和实验结果表明，不仅设计控制器的铣削系统有很高的稳健性和全局稳定性，而且有自适应控制器的铣削系统的加工效率也比传统的CNC铣削系统高出很多。限制式自适应控制是控制加工过程的方法之一。力的控制算法已经被大量的研究人员开发和评估。其中最普通的就是固定增益比例积分（PI）控制器，最早由Kim等人（1999）提出。控制器的增益调整以应对切削条件的变化。神经网络控制器的最本质的目标是构建一个反向功能以使用神经网络的加工系统，以便机械加工系统的实际输出接近理想的输出。机械加工过程往往可以通过调节进给速率或者主轴转速来控制。基于神经网络的ACC系统已经被应用于机械加工过程的控制（Liu et al,1999;Hang and Chiou,1996）。在Liu等人（2001）研究中，主要讨论了自适应控制约束系统基于反馈控制、参数自适应控制、模型参考自适应控制、可变结构控制、模糊控制、神经网络控制。他们对典型应用恒定切削力的控制系统进行了描述，一些最近的实验结果被公布。Sandak and Tanaka提出了一种模糊神经网络实现最佳设置的在线方法。使用几种木材的切削实验结果表明，在带锯切过程中，开发的模糊神经系统在在线进给速率控制方面表现良好，保证了偏差在允许的范围内（Sandak and Tanaka,2003）。Zuperl等人（2005）探讨了模糊自适应控制策略的应用问题，即在高立铣操作中如何控制切削力。在他们的自适应控制系统中，为了维持一个恒定的切削力，进给速率在线上被调整，尽管切削的环境是变化着的。他们开发了一个简单的智能系统模糊控制策略并进行了一些模拟实验。Ahmad等人（1987）研究了切削速度、进给速率和工件的几何形状在带锯切过程中的影响。在实验研究中发现，推力和切削力不变时，每牙单位厚度上的切割载荷随着切削速度的增加而减少。Ko和Kim观察到，为了创造一个切削力的机械载体模型，特定的切削压力应该能够通过切削实验获得。带锯切过程类似于铣削加工，因为它包含多点切割，所以它不是一个简单评估特定切割压力的问题。通过分析锯齿的几何形状来预测切削力的大小。他们发现预测的切削力大小与在校验实验中测量得到的数值能很好的吻合。因此，在带锯切过程中，切削力的预测可以被应用于保证锯床进给速率的自适应控制（Ko and Kim,1999）。Arderson等人（2001）提出了一个金属带锯床机械切削力模型。该模型描述了单个牙齿之间的切削力的变化、初始位置错误、刀具的动态和边缘磨损。带锯切是一个多齿切削的过程，锯切作用的术语被拿来与其他切削工艺相比较、讨论。3 加工过程的自适应控制智能制造系统的应用包括监测和控制技术。这个系统改善了加工操作，在这个系统中，加工过程的相关数据被记录，加工过程被控制。制造业被计算机技术所影响。最近，自动化作业适用于材料处理、质量监控、运动控制、电源控制、过程控制等方面。加工过程的传感更加全面和复杂。许多论文上都有监测和控制机床的记录。研究人员和企业家们关注刀具监控和自适应控制。智能控制的一个最重要的功能是提供所需的运动在未知或不确定的环境下。通过监测系统，机床和刀具得到保护。通过刀具磨损测量，刀具更换成本、报废率和生产成本得到降低。因此，机床的能力被很好的保持。在加工过程中，进给速率被不断地调节目的是保持在自适应控制系统的加工过程中常数参考力不变。多亏了自适应控制，因为它旨在最大限度地减少生产时间、调整进给速率和寻找多功能机床在工作条件下的最佳值。因此，刀具寿命的增加限制了装载应用程序。3.1 在加工过程中，自适应控制的必要性随着高度或宽度的减少，进给速率往往被调整以弥补加工过程的多变性。这种类型的变化经常出现在侧面铣或外形修整操作中（Groover,1987）。当在工件中出现硬点或机器遇到困难，会减少速度或进给，以避免刀具过早的失效。如果工件的刚度不足，工件将会转向，在这个过程中，进给速率必须减少以保证加工精度。随着刀具开始变钝，切削力会增加。自适应控制器对迟钝的刀具通常地反应是减少进给速率。工件的几何形状中可能包含不需要加工的部分。如果刀具以同样的进给速度继续通过这些所谓的空气隙，时间将会被浪费。因此，当遇到空气隙时，典型的加工过程是增加进给速率两到三倍。这些可变性的来源是时变的，在大多数情况下，无法预测加工过程的变化。应该研究如何使用自适应控制来补偿这些变化。3.2 加工过程的自适应控制方法下面提到的方法用于加工操作，这些方法是优化自适应控制、几何自适应控制和自适应控制约束。3.2.1 最优自适应控制（ACO）在这种类型的自适应控制中，为系统指定了性能指标。这个性能指标经过一个整体的过程被测量得到，如产量或每卷金属的移除成本。目的是优化性能的指标通过控制速度或/和进给率。一个拥有自适应控制器的系统可以基于神经网络算法被构建，以用于加工过程，见图3-1。在线建模系统通过修改后的压力变换器学习算法。实时地调整进给速率和过程优化通过修改后的增广拉格朗日乘法器神经网络算法。在这个过程中，测得的切削力与估计的切削力的不同作为反向传播的神经网络同时去调节神经网络算法的权值。进给速率的调整相当于改变函数约束（Liu et al,1999）。图3-1 铣削系统自适应控制优化框图3.2.2 几何自适应控制（GAC）几何自适应控制往往应用在加工结束阶段，以达到良好的表面质量和/或精确的零件尺寸即使出现刀具磨损、变形（Liang et al,2004）。由于进给速率和表明质量之间的关系，表面粗糙度和尺寸精度是通过不断的检测传感器反馈信号的手段获得的。因此，在大多数几何自适应控制系统中，切削速度是常数，通过操作机器的进给运动以获得所需的表面质量（Masory and Koren,1980）。车削的尺寸精度通常是通过测量加工后各点的部分直径来获得。超声波传感器用于车削操作的估计和控制表面粗糙度（Coker and Shin,1996）。手动调节偏移距离以抵消误差。3.2.3 限制式适应控制（ACC）这种方法的目的是控制速度和/或进给速率以保证测量得到的变量低于约束限定的值。一种典型的自适应控制加工过程的配置见图3-2。图3-2 积分ACC系统的转换过程限制式自适应控制是解决以上问题的一个高效的手段。ACC控制着机器参数以保证机器的最大工作能力在时变加工过程中。切削力、功率、表明质量等都是不变的参数。其中Fout 是过程输出，Fmeas 是测的力，Fref 是参考力，e 是输出误差，f 是进给速率。性能指标通常取决于经济，同时也是加工和系统约束最大化问题。对于这种形式的自适应控制，约束限制被应用于测量过程的变量。性能指标是材料移除率（MRR）比上刀具磨损率（TWR）见式（3.1）。这一比例必须最大化。性能指标： PI = MRRTWR 式（3.1） 这里，PI是性能指标；MRR是材料移除率；TWR是刀具磨损率。 现在的技术实时的测定性能指标是相当困难的。因为TWR不是一个实时测量值。Liu等人（2001）把限制式自适应控制分为以下几类： 基于反馈的ACC系统 基于自我调节的ACC系统 基于模型参考自适应的ACC系统 基于可变结构系统的ACC系统 基于神经网络算法的ACC系统 基于模糊控制的ACC系统 下面解释以上提到的常用方法。3.2.3.1 基于自我调节的ACC系统 参数自适应控制ACC系统的早期版本开发过程是使用一个简单的在线估计量以调节积分控制器在增益和积分策略过程中的增益。这一战略的缺陷是切削过程中的动力被忽视，没有运用自适应设计技术。自适应控制器包括以下两个功能：1.在切削过程中，在线估计参数2.实时控制伺服回路是一个三阶系统模型，如下所述：调节器被设计用来满足性能参数的要求。基于自我调节的ACC系统框图见图3-3。图3-3 基于自我调节的ACC系统这个设计是基于系统的输出响应。这个设计的主要问题是系统的稳定性。这个问题通过根轨迹图得到解决。控制算法的增益和时间常数的调节已经被这种方法所研究。其它工艺通常是基于齐格勒和尼科尔斯的方法。基于自我调节的ACC已广泛的应用于时间滞后、非线性和多控制循环系统中。这种类型系统的稳定性没有明确的定义。自我调节控制在监控控制器参数方面显示出多样性。3.2.3.2 基于模型参考自适应的ACC系统系统所需的行为由参考模型所决定。这个系统的性能可以被表示为自适应伺服系统。它有一个控制器和常规反馈系统。控制器参数通过“e”错误信号被改变。一般的想法是创建一个模型参考自适应控制闭环控制器参数，可以被更新以改变系统的响应。将系统的输出同从参考模型上得到的响应相比较。基于它们的差别以控制参数更新。参数的目标是收敛引起设备对参考模型匹配响应的理想值。使用MRAC，你可以选择一个对一个阶跃快捷响应的参考模型。此外，更近一步的想法是构建一个模型参考自适应控制闭环控制器参数，通过更新，改变系统的响应以匹配所需的模型。有许多不同的方法来设计这样的一个控制器。其它类型的设计是使用MIT原则在一个连续的时间里。当使用MIT原则设计一个MRAC时，设计师需要选择：参考模型、控制器结构和优化的增益来调节机械装置。MRAC首先定义跟踪误差e。设备的输出与参考模型的输出有这样的区别：e=yproc-yref 式（3.2）MRAC的框图见图3-4。MRAC系统有很好的适应性。因为其动态性能测定不是必需的。这个系统旨在系统的输出逼近渐近的参考模型。图3-4 MRAC 的框图4 锯床的智能自适应控制系统（IACS）在带锯制材过程中，为了提供稳定的切削环境和根据材料特点选择合适的加工参数，在线优化和控制加工过程是必要的。传统的自适应控制器的性能很大程度上取决于加工过程的模型的准确性。因为机械加工是一个非线性、时变的过程。传统的自适应控制器很难实现有效的控制在加工过程中。限制式适应控制是能很好地解决以上问题的方法之一。ACC控制着加工参数以保证最优的工作条件在时变加工过程中。在这个工作中，为了避免上述难题，一个基于模糊的自适应控制器参数被建立起来，以用于带锯制材，实时的将模型的输出同测得的切削力相比较。切削参数不断的更新通过一个辅助神经网络算法以抵偿环境因素所带来的影响。通过模糊逻辑控制器，切削速度和进给速率被不断地调节。神经模糊控制的方案被提出并利用，对带有反向传播的神经网络算法和模糊逻辑控制器进行了研发。这种控制的目标是保持可能高的金属移除率和持续切削，推力尽可能地接近给定的参考值。此外，计算量和时间可以被减少相比古典或现代控制方法。实验和测试的神经网络算法以及加工的操作系统需要一组实验数据。因为这个，一个关于带锯制材的实验方案被构建。在带锯加工过程中，为了建立162种不同的切削状态，准备了18个不同类型的标本在三个不同的材料组。标本被车削和铣削到所需的尺寸。然后在880的环境下正常化，以使样本具有同质性。样品测定的硬度记为HB。数据采集是通过使用先进的软件“ilhan_daq_vo1”。通过这个软件，16通道实时数据被采集。常量和切削参数被输入到界面中。80个样本测得的输出和它们的平均值作为一个基准。圆形和正方形截面的样本有3个不同的硬度和3个不同的直径，用三种不同的切削速度、进给速率来加工。因此，实验被执行了162次（Asiltrk,2007）。实验装置的框图见图4-1。过滤后的数据组合和数据文件已被输入到神经网络中去。实验和测试流程由这些数据所构建，合适的NN模型被测定。一个带有监控的多层次反向传播网络算法被用作NN。在这个自适应控制系统中，记录的数据通过NN和FL来评估，随后这些数据用于自适应控制决策。因此，带锯机床的操作得到了改善在要求的切削条件下。模型由三个智能模型所组成，它们分别是IAM_1、IAM_2和IAM_3。IAM_1用于估计过程中切削力的变化。IAM_2是FL算法，通过估计的切削力与测得的切削力的不同来产生控制输出。IAM_3是一个实时的NN算法被用于切削力模型的升级。图4-1 实验装置框图4.1 人工智能模块（AIM_1）对于输入参数的系统，切削力（Fx和Fz）被认为是可测得的输出参数，包括切削速度（V）、进给速率（f）、直径（D）、硬度（H）、材料组无（G）、瞬时进给速率（fi）。数据有4482行8列从实验中提取，其来源是AIM_1。数据是标准化的，在01范围之间，网络选为多层次前馈网络，传递函数也是相切的函数或对数函数。此外，梯度下降优化的方法被作为实验方法函数和重量级，偏差值通过相应的行动得到更新。AIM_1，一个（30006）维度的数据矩阵作为输入，并使用一个（30002）维度的数据矩阵作为输出。为了测试这个系统，一个（14826）维度的数据矩阵作为输入，并使用一个（14822）维度的数据矩阵作为输出。两个矩阵都是使用不用于实验的剩下的数据。建模、实验和AIM_1的测试通过使用MATLAB神经网络工具箱得到实现。为了确定合适的网络结构，网络的性能包括一定数量的输入和输出单元，测得的神经单元相对于未被测定的神经单元改变的数量是2,3,4,5,6,10,15,20,25,30,35,40,50。每层有6302神经单元的网络在6000次选择中有0.0020407的均方误差。数据的图形是测试过程的一部分，通过使用下面提到的网络结构，测得的力与估计的力的比较见表4-1。表4-1 测得的切削力同估计的切削力的比较（通过NN）NN实验结果NN实验结果NN预测输出测得输出NN预测输出测得输出FxFzFxFzFxFzFxFz442.2057763.703445.1773733.1902442.2057763.703445.1773733.1902134.4875195.475133.4109206.7233134.4875195.475133.4109206.7233152.6661284.764150.5178263.7395152.6661284.764150.5178263.7395138.7918211.7589128.3311171.0689138.7918211.7589128.3311171.0689134.818196.2869140.0077184.7306134.818196.2869140.0077184.730659.9776586.8937762.572785.9499459.9776586.8937762.572785.94994351.7195656.4338349.2264652.6025351.7195656.4338349.2264652.6025145.1744258.2446148.8639248.5279145.1744258.2446148.8639248.5279355.8429705.9138349.5964772.7656355.8429705.9138349.5964772.7656307.5868559.0349320.4081508.9903307.5868559.0349320.4081508.9903188.2508298.9447179.2608329.5293188.2508298.9447179.2608329.5293117.264196.0613120.6795193.0908117.264196.0613120.6795193.0908212.4309397.4335210.2907387.5213212.4309397.4335210.2907387.5213412.7616825.1123407.7722835.1263412.7616825.1123407.7722835.126389.07383148.22487.10368169.337489.07383148.22487.10368169.3374189.9915288.5916187.649258.3875189.9915288.5916187.649258.3875204.8489337.9783197.0533349.8911204.8489337.9783197.0533349.8911227.509406.8032229.5201350.7272227.509406.8032229.5201350.7272152.7418284.685156.4969265.2147152.7418284.685156.4969265.214791.92212133.641383.54261135.7691.92212133.641383.54261135.76170.8712308.3833168.707276.0291170.8712308.3833168.707276.0291352.3812658.866346.9379773.7592352.3812658.866346.9379773.7592390.5508787.7399387.5276860.4332390.5508787.7399387.5276860.4332310.7366601.6176310.1643584.0798310.7366601.6176310.1643584.0798198.3021393.7602165.3134384.4596198.3021393.7602165.3134384.4596432.447809.2537445.68761.7104432.447809.2537445.68761.7104251.7293535.0718249.4053493.9936251.7293535.0718249.4053493.9936134.4486199.1893126.4773173.8702134.4486199.1893126.4773173.8702196.7886388.9811198.5428383.57196.7886388.9811198.5428383.57310.1094590.5273312.3921559.5582310.1094590.5273312.3921559.5582352.6021659.6783346.5218710.4463352.6021659.6783346.5218710.4463124.7921206.7643126.0709206.9399124.7921206.7643126.0709206.9399389.3444782.8961361.9368669.3829389.3444782.8961361.9368669.3829117.3195196.0454119.2968191.3657117.3195196.0454119.2968191.3657128.5573182.7823124.0504174.7956128.5573182.7823124.0504174.7956212.0144397.5657230.2204359.4101212.0144397.5657230.2204359.4101102.1894181.3769102.0702175.8783102.1894181.3769102.0702175.8783380.3919746.0669381.2197621.1733380.3919746.0669381.2197621.1733100.4572151.381599.10651146.5054100.4572151.381599.10651146.5054313.5743595.185318.602587.9306313.5743595.185318.602587.9306续表4-1NN实验结果NN实验结果NN预测输出测得输出NN预测输出测得输出FxFzFxFzFxFzFxFz353.0786661.4317349.5462765.8742353.0786661.4317349.5462765.8742102.9637183.3941102.1868167.9919102.9637183.3941102.1868167.9919126.0354209.9449120.7443205.7517126.0354209.9449120.7443205.7517127.9189214.7463125.1926202.6325127.9189214.7463125.1926202.6325319.3382684.4524316.1491688.0594319.3382684.4524316.1491688.0594112.1071159.0852103.7548172.2993112.1071159.0852103.7548172.29934.2 人工智能模块2（AIM_2）AIM_2是一个多输入多输出的模糊逻辑算法。它的功能是作为一个控制器产生输出参数在网络过程中。AIM_2的模型通过使用MATLAB模糊逻辑工具箱来实现。该模型使用模糊逻辑控制器结构。因为这个，它试图最小化实时测量值同通过AIM1得到的估计值之间的差别。专家的建议和经验用于建立模型并确定模型参数。误差值和它们的集成被用作输入，进给速率和切削速度驱动系统作为输出。因为这里使用的模型是非线性的，首先设置模糊运算。输入变量的数量是4，输出变量的数量是2，模糊的程度是3，规则的数量是36。重心也分别地用作推理方法和去模糊方法。4.3 人工智能模块3（AIM_3）AIM_3模块驱动系统达到最优的状态以应对加工过程中的瞬间变化或外来的干扰。测量系统的输入是切削速度、进给速率、瞬时进给速率、直径和协调值。材料的硬度是唯一的输出。用于实验和测试的数据有5487行7列。是标准化的值，范围在01之间。为了实验，一个（38006）维度的数据矩阵作为输入，一个（38001）维度的数据矩阵作为输出。为了测试这个系统，一个（16866）维度的数据矩阵作为输入，一个（16862）维度的数据矩阵作为输出。两个矩阵都是使用不用于实验的剩下数据。建模、实验和AIM_1的测试通过使用MATLAB神经网络工具箱得以实现。为了确定适当的层数和每层的神经元，以下网络结构被试验。网络性能包括一定数量的输入和输出，一层测得的神经元相对于两层未被测定的神经元改变的数量是3，6,10,15,20,25,30,40。每层有630201神经元的网络在5000次选择中有0.0133115的均方误差。5 实验研究5.1 实验条件通过使用平均值，最小化和最大化的切削速度和进给速率在实验研究中被测定，平均值是从带锯制造手册中查找得到的，中位数的值被测定通过使用全析因实验计算。一种半自动化的带锯床已消减（IMAS 280）使用。机器由计算机、液压、电气、电子和机械修正装置控制。能够测量切削力、电流、振动、AE、速度和进给速率的一组实验被构建。实验条件见表5-1。表5-1 实验条件项目单位数值切削速度m/min40；63；100进给速率Mm/min35；66；125冷却液（油水）乳液硼石油20%工件材料SAE 1015mm30；46；70工件材料SAE 1040mm30；46；70工件材料SAE 4140mm30；46；70锯条规格mm36700.927Eberle M42锯条TPI(每英寸吨数)6锯条的拉应力Bar(条)85带锯床IMAS 2805.2设置实验元素模拟数据通过传感器收集不同的切削参数和材料。力的测量通过使用Kistler 9257B测功器和Kistler 5019B电荷放大器实现。加速度通过Kistler 8792A500测量得到。声频发射通过Kistler 8152B111,调整进给速率的比例阀是Rexroth 2FRE 6 B2X/K4RV。通过开关调节切削速度，国家仪器6221作为数据采集卡。通过使用数据采集卡、模拟数据被转换成数值不同的切削参数和材料存储到计算机中。当对数据采集实验结果进行分析，可以看出，随着切削力减小，切削速度减小，进给速率增加。这些结果仔细比对着控制结构的规则表。这个规则表用于实验和测试过程。6 实验结果及分析当应用IACS时，操作人员只需依据材料输入直径值。材料硬度、材料组织信息被分类，合适的参考模型被确定在切削刚开始的时候。加工过程中基于切削力不变的原则对切削速度和进给速率进行调整。当出现金属剥落和工件局部硬度增大的情况时，系统自动更新，参考力瞬间变化，依据参数对加工过程进行调节以适应新的情况（见图6-1和6-2）。图6-1 IACS框图图6-2 NN估计与测量的切削力的比较确定的网络参数同构造网络结构的结果进行了比较。由6302组成的ANN模型有最小的MES被作为最合适的模型。NN估计的参考力分别以97.13% 和97.05% 的比例进行实验和测试。第一个ANN系统连续不断地产生新的参考力通过使用反馈，反馈来自于第二个ANN对硬度变化的响应，然后将它传递到模糊控制器。在新的情形下，根据参考产生的切削力，新的切削参数通过模糊控制器产生。为了测试这个系统，工件使用一个圆形截面。带锯条与工件接触，切削力随着切削长度的增加而增加。随着切削力增加，进给速率通过ANN模糊系统减小。在加工过程中，随着进给速率和切削速度的改变，第二个ANN（AIM_3）产生输出，将硬度的变化，这个参数反馈到ANN（AIM_1），这个过程的结果是通过第一个ANN（AIM_1）产生一个新的参考力。因此，使用新的参数，对系统自身进行调节以适应新的情况和减少材料的使用。切削力随着切削时间变化的图形见图6-3。图6-3 切削过程中的切削力变化（直径70mm，材料SAE4140工件）均为ANN模糊自适应控制系统和不受控制系统。在切削的一开始，根据材料的类型和工件的直径，输入切削参数。切削的执行通过使用输入的参数，随着切削操作的进行，控制器确定切削参数的值。通过改变进给速率和切削速度，控制器尽力保持切削力平稳在确定的参考值下。硬度信息从切削力反馈中被提取，然后参考力模型更新。切削时间被IACS记录，为62.2s 。如果采用制造商们的建议，切削相同的材料将会花费141s的时间。材料为SAE 4140、直径70mm的工件借助自适应IACS系统切削，测得的结果见图6-4。 图6-4 在切削过程中v和f的自动调节（直径70mm，材料SAE 4140工件）从图6-3和图6-4中可以看出，在切削的一开始，为了保持选择的参考切削力，进给速率被减少，切削速度被增加。系统获得实时更新的材料硬度值基于切削力和切削力模型，通过使用这些信息。在切削期间，任何地方力的增加都会更新力参考模型。在增加切削力的情况下，系统响应通过增加切削速度和减少进给速率来获得。通过借助IACS的一种AIM_3结构，在切削力的基础上，一个材料硬度识别系统被开发出来。直径70mm、材料为SAE 4140的工件，硬度实时测得的结果见图6-5。图6-5 切削过程中硬度实时变化情况在图6-6中，可以看出在一个普通的锯床上，加工直径70mm、材料SAE 4140的工件切削力的变化在带锯切过程中。如图所示，在锯切刚开始时，从牙齿与工件接触的数量可以看出，此时切削力较低。当锯条逐渐移向工件中心，切削力随着切削长度增加而增加。在以一个恒定的进给速率锯切加工一个圆形工件时，切削力随着横截面长度的增加而增加。图6-6 带锯切过程中切削力的变化（直径70mm 材料SAE4140工件）在图6-7中，可以看出在一个普通的锯床上，加工直径70mm、材料SAE 4140的工件，进给速率是不变的在带锯切过程中。图6-7 锯切过程中进给速率的变化情况因此，一个与实际切削力一致地材料硬度估计和产生相应切削参数的系统被提议。相对于传统的系统，IACS能够通过参考模型和切削参数有规律的更新，以快速驱动系统达到良好的切削状态。实验结果表明，相对于传统的控制器，混合的ANN模糊自适应控制器可以降低刀具成本，这使得在合适的切削速度和进给速率之下，锯切加工的时间被缩短成为可能。7 结论目前研究表明，混合人工智能技术可成功的运用在机床刀具自适应控制上。金属切削过程很难用数学模型去描述；但可用人工智能技术轻易的解决。带锯切过程的建模和控制，无法利用传统的方法有效的实现，因为在锯切过程中有许多参数影响。因此，通过使用一个人工智能模型以建模。自适应控制技术通过抵偿环境因素干扰的影响，以控制加工过程，同时能够自我调节。利用先进的监测和控制系统，由操作人员所带来的干扰被将至最低。对于专业运营商的要求和数据丢失引起的问题或制造商目录下的复杂数据均被最小化。根据切削参数，使用ANN，一个切削力的估计模型被设计出来以实时的适应和自我更新。因此，一个过程的分类和材料识别系统也被开发出来。积分误差和误差成功地应用于控制切削速度和进给速率在模糊控制中。ICAS被设计和制造以提高生产效率和节约能源。已从理论上证明，在适当和安全的切削速度和进给速率之下，刀具能够对由工件自身硬度变化所引起的切削力变化，进行快速的调整，被提出的系统在机床刀具控制方面有着积极的影响。此外，科学的观点和专业知识随着计算机硬件和软件的发展将会被应用到不同的领域中。参考文献1 Ahmad, M.M., Hogan, B., Goode, E., 1987. Identification of variables to improve cutting performance of a band sawing process. In: Proceedings of the Fourth I.M.C. Conference.2 Anderson, C., Anderson, M.T., Stahl, J.E., 2001. Bandsawing. Part1: cutting force model influencing effects of positional errors. tool dynamics and wear. Int. J. Mach. Tools Manuf. 41, 227236.3 Asiltrk, I., 2007. Adaptive control application based on artificial intelligence in the bandsawing process. Ph.D. Thesis. Selcuk University, F.B.E, Konya, Turkey. 4 Coker, S.A., Shin, Y.C., 1996. In-process control of surface roughness due to tool wear using a new ultrasonic system. Int. J. Mach. Tools Manuf. 36, 411422.5 Groover, P., 1987. Automation Production Systems and Computer Integrated Manufacturing. Prentice Hall, London, pp. 287380.6 Hang, S.J., Chiou, K.C., 1996. Application of neural networks in self-tuning constant force control. Int. J. Mach. Tools Manuf. 36, 1731.7 Kim, M.K., Cho, M.W., Kim, K., 1999. Application of the fuzzy control strategy to adaptive control of non-minimum phase end milling operations. Int. J. Adv. Manuf. Technol. 17, 791795.8 Ko, T.J., Kim, H.S., 1999. Mechanistic cutting force model in band sawing. Int. J. Mach. Tools Manuf. 39, 11851197.9 Koren, Y., 1988. Adaptive control systems for machining. In:Proceedings of the American Control Conference, pp. 11611167.10 Lauderbaugh, L.K., Ulsoy, A.G., 1989. Model reference adaptive force control in milling. J. Eng. Ind., Trans. ASME 111, 1421.11 Liang, S.Y., Hecker, R.L., Landers, R.G., 2004. Machining process monitoring and control: the state-of-the-art. J. Manuf. Sci.Eng., Trans. ASME
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号