CC BY
44
УДК:681
ББК:30.61
Солкин А.Ю.
МЕТОДЫ ОПТИМИЗАЦИИ РАБОТЫ МЕТАЛЛОРЕЖУЩЕГО ОБОРУДОВАНИЯ С ЧПУ В УСЛОВИЯХ ВЫСОКОСКОРОСТНОЙ
ОБРАБОТКИ
Solkin A. Y.
METHODS OF OPTIMIZATION OF WORK OF METAL-CUTTING EQUIPMENT WITH CNC IN THE CONDITIONS OF HIGH-SPEED PROCESSING
Ключевые слова: интеллектуальные системы, нейронные сети, числовое программное управление, система автоматического управления.
Keywords: intelligent systems, neural networks, programmed numerical control, automatic control system.
Аннотация: в статье рассматривается проблема обеспечения точности обработки изделий на металлорежущем оборудовании с ЧПУ. Указаны особенности работы оборудования в режиме высокоскоростной обработки. Дана сравнительная характеристика систем автоматического управления с указанием их достоинств и недостатков. Описана методика применения интеллектуальных систем при управлении металлорежущим оборудованием как сложной системой.
Abstract: a problem of ensuring the accuracy of processing of the products on the metal-cutting equipment with CNC is considered in the article. The features of work of the equipment in the mode of high-speed processing are specified. The comparative characteristic of the systems of automatic control with the indication of their advantages and disadvantages is gived. A procedure is described for the application of intelligent systems in the management of metal-cutting equipment as a complex system is characterized.
Введение
Нельзя представить современное производство без оборудования с ЧПУ. О возможностях конкретного производства судят по качеству его станочного парка. Но владеть современным оборудованием - не значит освоить его. Оборудование с ЧПУ уникально тем, что способно выполнять обработку, имеющую достаточно сложные траектории движения, которые раньше могло производить только специализированное оборудование, при этом достаточно быстро и легко перенастраивается на совершенно иной вид обработки в результате смены программы в системе ЧПУ.
Теоретические возможности современного оборудования с ЧПУ достаточно широки, чтобы с уверенностью говорить о возможности замены им любого имеющегося специализированного оборудования того же типа. Однако эта замена до сих пор еще не произошла, потому что не все тонкости процесса обработки на специализированном оборудовании могут быть перенесены на оборудование с ЧПУ в виде программного кода. При этом с технической точки зрения современные станки достаточно совершенны, чтобы реализовать любое заданное воздействие. Проблема состоит не только в геометрических параметрах перемещения, но и в процессе управления оборудованием как сложной системой.
Каждый вид специализированного оборудования несет в себе ряд особенностей технологического и конструктивного характера, которые являются ключевыми для получения годной продукции на данном оборудовании. Все эти особенности сводятся к методам управления технологическими процессами. Реализация такого подхода к обработке на оборудовании с ЧПУ также возможна, но требует значительных затрат времени на анализ всех данных, влияющих на процесс, на формирование методов их представления и преобразования. В результате долгой и
кропотливой работы, состоящей в синтезе и отладке программного кода, мы можем получить программный код, подходящий только для одного конкретного станка с ЧПУ и только для узкой группы деталей. Все дальнейшие действия по переносу данного программного кода на другой станок со схожими параметрами или изменению некоторых технологических параметров обработки (вид инструмента, материал заготовки, оставляемый припуск) приведут к необходимости проводить всю описанную выше работу заново.
Данная проблема является одной из ключевых при переносе изготовления определенного вида продукции со специализированного оборудования на оборудование с ЧПУ. При этом суть проблемы сводится к нахождению метода управления современным оборудованием как сложной системой, который может адаптивно подстраиваться под любой вид обработки без длительных ручных регулировок.
Описание метода
Большинство задач по оптимизации программного кода под конкретный станок сводится к проблемам управления данным станком как сложной системой, обладающей свойствами жесткости, инерционности, динамическими характеристиками (скорости и ускорения рабочих органов). Очень часто подобные параметры накладывают значительный отпечаток на качество продукции, изготавливаемой на таком оборудовании, особенно это заметно на изделиях прецизионной точности.
Многие производители оборудования стараются компенсировать действие таких факторов за счет ввода дополнительных датчиков, снабженных обратной связью, но эти методы не всегда приносят ожидаемый результат. Связано это со многими факторами: датчики обладают своим собственным уровнем чувствительности, который вносит определенные погрешности; контактные датчики со временем изнашиваются, а бесконтактные имеют низкий уровень помехозащищенности; время срабатывания обратной связи не позволяет использовать такой метод в условиях высокоскоростной обработки.
К сожалению, учесть действие всех факторов, влияющих на конечный продукт, не представляется возможным. Это может говорить о неполной или неточной информации о системе. Для работы с системами в условиях недостаточной информации о них применяют особый класс систем, обладающих возможностью самообучения. Одним из видов таких систем являются нейронные сети.
Основные результаты
Принцип действия любой автоматической системы управления заключается в обнаружении отклонений регулируемых величин от заданных значений и формирование воздействий на процесс управления для устранения этих отклонений. Различают:
- системы автоматической стабилизации, поддерживающие управляемую величину на заданном уровне;
- системы программного регулирования с изменением управляемой величины по заданному закону;
- следящие системы, в которых заданное значение управляемой величины изменяется произвольно во времени [3].
В линейных непрерывных управляющих устройствах между сигналом ошибки А и выходным сигналом и существует линейная зависимость, вид которой определяет закон управления [2]:
Пропорциональный закон (П — регулятор):
(1)
где К - коэффициент усиления регулятора.
Данный закон не применим к большинству реальных систем, поскольку при больших значениях К возникает неустойчивость системы.
Интегральный закон управления (И — регулятор):
и =-К_[Д(Х)
о
ИЛИ
<1и
Л
= -К ■ Д.
В данном случае скорость изменения управляющего сигнала пропорциональна величине сигнала отклонения, что позволяет повысить точность управления системой. Пропорционально-интегральный закон управления (ПИ-регулятор):
где Ти - постоянная интегрирования.
Этот закон управления обладает низкой чувствительностью к быстрым возмущениям. Пропорционально-интегрально-дифференциальный закон управления (ПИД-регулятор):
где Тд - постоянная времени дифференцирования.
Существует огромное множество законов и методов управления, но ни один из них не способен полноценно управлять сложной системой. Большинство зависимостей внутри системы станка нелинейны, а значит, в одном случае воздействие на один из параметров может не оказать требуемого воздействия, а в другом случае быть излишне интенсивным. Кроме того, большинство зависимостей, действующих внутри сложной системы, такой как металлорежущий станок, заранее неизвестны, а некоторые из них определить традиционными средствами невозможно.
Применение систем автоматического регулирования с обратной связью не даст желаемый результат, поскольку регулирование должно осуществляться сразу по нескольким параметрам, каждый из которых имеет свою собственную нелинейную зависимость к выходному сигналу. Такая ситуация может привести к существенной инерционности системы, или ее резонансу, что недопустимо в условиях высокоскоростной обработки, где время срабатывания системы играет решающую роль.
Практика развития высокоскоростной обработки говорит о необходимости мгновенной реакции на отклонение выходных величин. Подобное поведение возможно при применении предварительно обученных нейронных сетей. В то время как обычные системы автоматического управления приближают выходной параметр к номинальному постепенно, по назначенному вручную закону управления, система, построенная на базе нейронных сетей, может выполнять тоже самое действие по наиболее оптимальному для конкретного станка закону.
Система обучения нейронных сетей сводится к нахождению некой функции, которая могла бы наиболее точно заменить исходный закон управления. В данном случае на вход системы подаются некие данные, для которых известно решение (управляющее воздействие), а система использует их для создания узловых значений и построения аппроксимирующей кривой. Для решения этой задачи можно использовать сети радиально-базисных функций (КБЕ), которые берут свое начало от теории точного приближения функций Пауэла. Такие нейронные сети способны успешно справляться даже с зашумленными данными на входе благодаря тому, что центры базисных функций не опираются на точки входных данных (рисунок 1).[1]
Обычно в качестве базисной функции принимают экспоненциальную функцию вида:
(3)
(4)
Ф(х) = е*
(5)
где о - регулирующий параметр.
1,0.
Л------С ►
Л------а
о
1,0 о
а) точное приближение функции
Рисунок 1 - Методы обработки зашумленных данных
Определение центров функций и регулирующих параметров становится частью обучения системы, а каждая из этих функций будет являться формальным нейроном. После проведения соответствующего обучения системы, можно получить результат, более подходящий для данного типа оборудования и изделия.
Эффективность применения нейронных сетей при управлении такой сложной системой как металлорежущий станок с ЧПУ обусловлено еще и неполной информацией о данной системе. В данном случае обучение системы может проводиться за счет проведения некоторых тестов, результаты которых могут фиксироваться датчиками, установленными на данном оборудовании. Таким образом, система ЧПУ будет настроена для работы на конкретном станке, а значит будет максимально эффективна в работе.
Заключение
В результате данного исследования была дана оценка основным методам автоматического управления сложными системами. Ни одна из традиционных систем управления не может эффективно работать в условиях, когда требуется очень быстрая реакция на возмущение. В процессе поиска метода управления подобными системами, в качестве наиболее оптимальной была предложена система управления на базе нейронных сетей.
При индивидуальной настройке нейронной сети под каждый конкретный металлорежущий станок, можно найти наиболее оптимальный закон управления данной системой, который может обеспечить наивысшую скорость реакции на возмущающее воздействие. Поскольку такой тип систем не нуждается в ручной настройке, а настраивается методом обучения, то сам закон нам будет неизвестен, поскольку вся система для нас является «черным ящиком». Обучение нейронной сети можно также проводить в автоматическом режиме, составляя наборы обучающих комбинаций методом тестов оборудования.
Главная отрицательная сторона такого подхода заключается в единственности сочетания станка и системы управления. Система управления конкретного станка будет хорошо работать только на конкретном станке. При перестановке ее на другое оборудование или серьезном ремонте станка будет требоваться повторное обучение нейронной сети, что обычно требует значительных затрат времени. Но данная проблема не является существенной, поскольку в современных условиях моральное устаревание оборудования наступает гораздо быстрее физического, перестановка системы управления на другой станок не имеет смысла в виду дороговизны данной операции. В связи с этим можно сделать вывод, что применение интеллектуальных систем в промышленности имеет огромные перспективы.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Аксенов, С.В. Новосельцев, В.Б. Организация и использование нейронных сетей (методы и технологии) / Под общ. ред. В.Б. Новосельцева. - Томск: Изд-во НТЛ, 2006. - 128 с.
2. Болтянский, В.Г. Математические методы оптимального управления [Текст]. - М.: Наука,
1966.
3. Карнаухов, Н.Ф. Электромеханические и мехатронные системы [Текст] / Н.Ф. Карнаухов. — Ростов н/Д: Феникс, 2006. — 320 с.
