Повышение производительности процесса резания на основе адаптивной системы с применением аппарата искусственных нейронных сетей

Проблема повышения эффективности металлообработки была и остается одной из главных в машиностроении. Большая масса изделий машиностроения производится в механообрабатывающих станочных модулях, в которых основным технологическим процессом является процесс резания, а системами управления — системы числового программного управления (ЧПУ).

Инновационные технологии не обошли стороной и такую важную область человеческой деятельности, как металлообработка. На смену ручному и автоматизированному управлению процессом резания приходят системы автоматического и числового программного управления, в которых участие человека в процессе сведено к минимуму [1], [5].

В настоящее время существуют три типа систем ЧПУ: традиционная система NC (Numerical Control), система CNC (Computer Numerical Control) на базе специального компьютера, система PCNC (Personal Computer Numerical Control) на базе персонального компьютера [55]. По мере роста вычислительной мощности процессоров и снижения их стоимости все больше пользователей отдают своё предпочтение системам последнего типа. В системах ЧПУ типа PCNC основную нагрузку несет специальное программное обеспечение [59], которое решает различные задачи управления (геометрическую, технологическую, логическую, терминальную и т. п.) [57].

Современные системы ЧПУ типа PCNC допускают подключение системы PCNC к единому информационному пространству предприятия и обмену данными с другими системами (базы данных, CAD/CAM/CAE/PDM системами).

Таким образом, «центр тяжести» построения системы типа PCNC смещается от аппаратного обеспечения к программному [62], т.к. именно специальное программное обеспечение отвечает за преобразование данных, их обработку и принятие решений.

Использование в качестве устройства принятия решений специального программного обеспечения позволяет создавать достаточно гибкие и сложные системы, позволяющие решать самый широкий спектр задач управления.

Основным недостатком существующих моделей управления процессом резания является то, что практически не учитывается его случайный характер [42]. Сложность решения проблемы связана с тем, что процесс резания характеризуется нестабильностью и множеством взаимосвязанных переменных, влияющих как на ход процесса, так и на его результаты. Условия резания динамически изменяются случайным образом из-за влияния различных возмущающих факторов: разброс припусков, разброс твердости и структуры металла заготовок, непрерывно изменяющиеся режущие свойства инструмента и т. п. Показатели качества зависят от жесткости и тепловой деформация элементов технологической системы, характера и параметров относительных колебаний инструмента и детали, и т. д. Для большинства систем ЧПУ расчет режимов резания производится по наихудшим возможным вариантам [26], [34], что обеспечивает более стабильную работу инструмента и уменьшает вероятность брака, но при этом заведомо отрицательно сказывается на технико-экономической эффективности оборудования, приводит к снижению производительности и увеличению затрат на производство. Некоторые системы ЧПУ учитывают случайный характер процесса резания на основе вероятностных моделей, что серьезно усложняет практическую реализацию системы. Это говорит о том, что повышение эффективности процесса резания является актуальной научно-технической задачей.

Системы автоматического регулирования режимов резания, использующие информацию о характере протекания процесса резания, называются системами адаптивного управления [1], [8], [32], [43], [45].

Получившие из-за простоты реализации распространение модели, основанные на эмпирических степенных зависимостях выходных характеристик процесса обработки от параметров режима и геометрии инструмента, имеют низкую точность и не дают адекватного отклика на изменяющиеся условия обработки, что делает их экономически непривлекательными.

Построение точных моделей — серьезная проблема, которая остается сегодня нерешенной. Для построения точных математических моделей требуется провести большое количество экспериментов, что требует времени, материалов и влечет экономические потери [31]. Точные математические модели, как правило, настолько сложны, что быстрый поиск оптимальных режимов резания требует существенных аппаратных затрат, приводит к резкому удорожанию адаптивных систем и нецелесообразности их использования. К тому же найденная модель будет иметь постоянно нарастающую погрешность вследствие изменения режимов работы и свойств самого оборудования [1].

Используемые в настоящее время адаптивные системы имеют жесткую структуру и неизменный алгоритм функционирования и, как следствие, низкое качество адаптации к изменению технологических параметров [36].

Современный подход к адаптивному управлению требует от системы способности автоматически изменять свою структуру или алгоритм функционирования [2]. Очевидно, что системы будут обладать значительно большими способностями к адаптации, если при изменении параметров процесса резания произойдет перестройка модели и определится для нее новый закон управления. Появляется необходимость перестраивать модель из-за непрерывно изменяющихся параметров процесса резания и определять структуру модели в каждом конкретном случае. Только так можно повысить качество адаптации и, как следствие, повысить эффективность процесса металлообработки.

Таким образом, актуальной задачей исследования становится повышение качества процесса адаптации при изменении технологических параметров с помощью самонастраивающихся моделей управляемого процесса резания. Для того чтобы алгоритмы управления могли применяться на практике, они должны быть простыми в реализации и понимании, обладать гибкостью, способностью к обучению, нелинейностью. Повысить качество адаптации систем для целей управления металлообработкой и упростить процесс моделирования могут самоорганизующиеся нейросетевые модели [2], [6], [17].

В данной работе предлагается решение, которое позволит расширить функциональность систем ЧПУ за счет оптимизации управления процессом резания.

Научная новизна работы заключается в следующем:

1. Разработан метод определения мгновенной глубины резания по косвенным признакам на основе искусственной нейронной сети.,.

2. Разработан метод определения значений управляемых параметров процесса резания, при которых достигается максимальная производительность на основе искусственной нейронной сети.

3. Разработан метод изменения управляемых значений процесса резания на основе искусственной нейронной сети.

4. Разработана практическая реализация системы адаптивного оптимального управления, позволяющая интегрировать её в системы ЧПУ типа РСИС с открытой архитектурой.

Практическая ценность работы заключается:

1. в разработке методики построения системы адаптивного оптимального управления повышающей производительность процесса резания с учетом переменной глубины резания;

2. в разработке практической реализации системы адаптивного оптимального управления для системы ЧПУ типа РСМС с открытой архитектурой.

Работа выполнена в Университете «СТАНКИН» на кафедре компьютерных систем управления под руководством д.т.н. профессора.

Сосонкина В. Л.| и д.т.н. доцента Мартинова Г. М.

Теоретические и практические результаты, полученные автором, использованы в учебном процессе МГТУ «Станкин».

ОБЩИЕ ВЫВОДЫ ПО РАБОТЕ.

1. Система адаптивного оптимального управления, построенная на базе искусственных нейронных сетей, позволяет обеспечить необходимое быстродействие системы управления и надлежащее качество обрабатываемых изделий, при достижении максимальной производительности процесса резания. Максимально возможная производительность обработки зависит от дискретности управляемых параметров системы ЧПУ.

2. Точность обучения искусственных нейронных сетей, используемых в системе адаптивного предельного управления, напрямую зависит от требований, предъявляемых к износостойкости режущего инструмента, и может быть повышена итеративно путем дополнительного обучения.

3. Мгновенная глубина резания может быть определена с высокой точностью по косвенным признакам с помощью искусственной нейронной сети.

4. Максимальная производительность процесса резания может быть определена с помощью искусственной нейронной сети на основании значений управляемых параметров и их ограничений, а также мгновенной глубины резания.

5. Коррекция управляемых параметров процесса резания может осуществляться с помощью искусственной нейронной сети на основании их оптимальных значений и допустимых приращений.

6. Предложенная реализация системы адаптивного оптимального управления в виде набора СОМ — компонентов позволяет легко встроить её в систему ЧПУ класса РСЫС без изменения архитектуры последней. Использование внешних библиотек, реализующих искусственные нейронные сети, позволяет значительно ускорить процесс разработки и снизить его себестоимость. Предложенный механизм сохранения структуры обученной нейронной сети в файле и последующей ее загрузки обеспечивает многократное использовании сети без повторного обучения.

ЗАКЛЮЧЕНИЕ

.

В недалеком будущем системы адаптивного оптимального управления должны получить большее распространение. Это связано с увеличением вычислительной мощности процессоров и уменьшением их цены, что позволяет использовать сложные математические вычисления, которые присутствуют в алгоритмах оптимизации. Одним из путей использования систем адаптивного оптимального управления является использованием в них элементов с искусственным интеллектом, что позволит значительно упростить математические вычисления. Переход к использованию систем типа PCNC (Personal Computer Numerical Control) позволяет использовать всю мощь современных компьютеров для управления процессом резания, а использование в качестве устройства принятия решений специального программного обеспечения упрощает аппаратную конфигурацию подобных систем.

По результатам проведённой работы можно сделать вывод, что поставленная в начале работы цель достигнута. В представленной работе была разработана система адаптивного оптимального управления процессом продольного точения, которая поддерживает максимальную производительность во время обработки путём изменения частоты вращения шпинделя и продольной подачи. Данная система по косвенным признакам отслеживает мгновенную глубину резания и на основании этого корректирует управляемые параметры процесса резания.

В данной работе, в качестве устройства принятия решений, использовалось специальное программное обеспечение, содержащее внутри себя элементы искусственного интеллекта, функционирующие как нейронные сети. Эти нейронные сети решают задачи, которые при решении традиционным способом отнимали слишком много ресурсов. Для правильной работы искусственную нейронную сеть необходимо предварительно обучить, а затем она будет функционировать автономно.

Т.е., в отличие от классических вычислений, нейронные сети требуют предварительных затрат, но в свою очередь, они функционируют гораздо быстрее во время использования.

Наибольшую трудность для использования данной системы представляет создание обучающих выборок для искусственных нейронных сетей, которые используются в системе. Обучающую выборку необходимо получать экспериментальным путём, причём, для каждого сочетания «заготовка-инструмент-станок» эта выборка будет уникальной. Для уменьшения числа экспериментов по получению обучающей выборки необходимо использовать теорию планирования эксперимента. По мере накопления обучающих выборок будет происходить удешевление процесса металлообработки, т.к. при наличии готовой выборки для сочетания заготовка-инструмент-станок не требуется создавать новую.

Использование систем адаптивного оптимального управления позволит сократить затраты, повысить точность, увеличить срок службы режущего инструмента, а использование в них элементов с искусственным интеллектом позволить сделать эти системы более гибкими и упростить их практическую реализацию.