Научная статья на тему 'Нейронная система автоматического управления резанием'

Нейронная система автоматического управления резанием Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
131
39
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
НЕЙРОННАЯ СЕТЬ / NEURAL NETWORKS / ДИНАМИКА РЕЗАНИЯ / DYNAMIC CUTTING / АВТОКОЛЕБАНИЯ / ОПТИМИЗАЦИЯ ПРОЦЕССА РЕЗАНИЯ / OPTIMIZATION OF CUTTING PROCESS / AUTO-OSCILLATION

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Гусейнов Расул Вагидович

Рассматривается автоматическое управление резанием на основе нейронных сетей, которая позволяет в рабочем режиме оптимизировать параметры процесса резания металлов.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Гусейнов Расул Вагидович

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

THE NEUTAL SYSTEM OF AUTOMATIC CONTROL BY CUTTING

The automatic control by cutting based on neural networks is considered, which allows the operating mode to optimize the process parameters of metal cutting.

Текст научной работы на тему «Нейронная система автоматического управления резанием»

Вестник Дагестанского государственного технического университета. Технические науки. № 26, 2012.

■А-

УДК 621.9

Гусейнов Р.В.

НЕЙРОННАЯ СИСТЕМА АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ РЕЗАНИЕМ Guseinov R.V.

THE NEUTAL SYSTEM OF AUTOMATIC CONTROL BY CUTTING

Рассматривается автоматическое управление резанием на основе нейронных сетей, которая позволяет в рабочем режиме оптимизировать параметры процесса резания металлов.

Ключевые слова: нейронная сеть, динамика резания, автоколебания, оптимизация процесса резания.

The automatic control by cutting based on neural networks is considered, which allows the operating mode to optimize the process parameters of metal cutting.

Key words: neural networks, dynamic cutting, auto-oscillation, optimization of cutting process.

В последние годы, из-за простоты реализации, широкое применение получили методы диагностики выходных параметров резания, основанные на целенаправленном синтезе приближенных эмпирических моделей процесса механической обработки, устанавливающих взаимосвязь того или иного выходного параметра с основными технологическими факторами.

Повышение эксплуатационной надежности и точности современного оборудования металлообработки достигается включением в его состав измерительно-информационной подсистемы, с помощью которой решаются задачи диагностики режущего инструмента. Здесь встает вопрос оптимального выбора параметра (параметров), характеризующего процесс резания и пригодного для определения состояния режущего инструмента.

Диагностика состояния режущего инструмента может быть использована для многих технологических процессов обработки резанием, особенно при обработке отверстий.

Эффективное управление процессом механической обработки лезвийным инструментом возможно лишь на основе сложных теоретических и теоретико-экспериментальных зависимостей между основными технологическими параметрами, характеризующими процесс резания (режимами обработки, геометрией режущегоинструмента, физико-механическими свойствами обрабатываемого и инструментального материалов и др.), и параметрами шероховатости поверхности и точности обработки.

Особую сложность представляет измерение точности и шероховатости поверхности при обработке осевым инструментом (сверлом, метчиком, зенкером, разверткой и т.д.). Из-за незначительных размеров отверстия здесь крайне затруднено непосредственное и точное измерение указанных параметров.

Кроме того, в настоящее время явно недостаточно работ по установлению закономерностей влияния основных физических явлений процесса резания на производительность, себестоимость, качество обработки, износостойкость режущих инструментов с учетом автоматизации многоинструментальной обработки на станках с ЧПУ и в обрабатывающих центрах. В связи с этим задача выявления наиболее значимых физических параметров процесса резания при его диагностике весьма актуальна. Появляется возможность не только управления через систему ЧПУ процессом резания по выбранным физическим параметрам, но и предотвращения случайных поломок инструмента и повреждения дорогостоящего оборудования.

Как правило, наиболее значимыми физическими параметрами процесса резания считаются колебания всех составляющих сил резания, температура резания. С увеличением ско-

124

-I-

рости резания, подачи и износа режущего инструмента пропорционально увеличиваются значения этих параметров. По этим физическим параметрам можно эффективно управлять процессом резания в режиме «онлайн» с целью обеспечения оптимальных условий резания, предотвращения поломки режущего инструмента. Эти параметры несут значительную информацию из зоны резания и могут быть использованы как диагностические признаки состояния инструмента и стружки.

Обычно при оптимизации элементов процесса резания металлов указанные параметры рассматриваются отдельно. Однако исследования показали, что существуют значительные корреляционные зависимости между ними, что усложняет анализ полученных результатов.

Одним из путей повышения производительности механической обработки, качества обработанных поверхностей деталей, наименее изученным и скрывающим наибольшие производственные возможности, является путь изучения и правильного использования динамических процессов, происходящих в упругих замкнутых технологических системах. Это, прежде всего, относится к автоколебаниям технологических систем.

В результате проведенных исследований [1] установлено, что уровень интенсивности автоколебаний упругих технологических систем существенно влияет на стойкость инструмента, производительность обработки и качество обработанной поверхности изделий.

Возникновение автоколебаний при резании металлов не связано с какой-либо внешней периодической возмущающей силой. Частота автоколебаний обычно остается постоянной в широком диапазоне изменения режимов резания.

По амплитуде автоколебаний можно эффективно управлять процессом резания в режиме «онлайн» с целью обеспечения оптимальных условий резания, предотвращения поломки инструмента и простоев высокопроизводительного дорогостоящего оборудования.

Необходимо заметить, что динамическая система резания имеет не менее трех степеней свободы. В процессе резания каждая из колебательных систем демонстрирует периодические колебания на своей частоте, причем все частоты находятся в иррациональных отношениях. Их связь осуществляется посредством системы резания через силы резания и контактные процессы между инструментом и деталью.

По мере износа инструмента увеличивается площадь контакта режущего лезвия инструмента с обрабатываемой деталью, следовательно, и сила трения. В результате происходит перераспределение энергии колебаний между колебательными системами. На каком-то этапе степень связи колебательных систем достигает такой величины, что способствует возникновению в динамической системе резания квазипериодических колебаний. По мере роста износа происходит увеличение доминирующих частот до трех и создаются предпосылки для неуправляемого процесса.

Отсюда видим, что автоматическим управлением резанием можно измерять амплитуду и частоту колебаний в осях расположения основных степеней свободы динамической системы резания. Для измерения вибраций инструмента разработано специальное устройство.

Система диагностирования режущего инструмента должна обладать высоким быстродействием. Проблема быстродействия системы диагностики может быть решена за счет использования нейронных сетей.

С шести датчиков информация поступает в микроконтроллер, а потом уже по USB-порту непосредственно в компьютер. Все полученные сигналы будут обрабатываться нейронной сетью одновременно. Осуществить это можно при помощи одной программы.

Быстродействие нейронной сети по обработке диагностической информации зависит от числа нейронов в слоях нейронной сети. Для оценки числа нейронов в скрытых слоях однородных нейронных сетей можно воспользоваться формулой для определения необходимого

числа синаптических весов Lw в многослойной нейронной сети с

mN(1 + log2 n)_1 < Lw < m(1 + Nm~')(n + m +1) + m,

где n - размерность входного сигнала; m - размерность выходного сигнала; N - число элементов обучающей выборки.

■А-

Оценив необходимое число синаптических весов , можно рассчитать число нейронов в скрытых слоях. Число нейронов во внутренних слоях зависит от размерности входных и выходных сигналов и может быть подвергнуто минимизации, что приведет к повышению быстродействия обработки диагностической информации.

Необходимо правильно выбрать количество нейронов и слоев. Если в сети слишком мало нейронов или слоев, то сеть не обучится и ошибка при работе сети останется большой. Если нейронов или слоев слишком много, то быстродействие сети будет низким, потребуется много памяти, сеть переобучится, т. е. выходной вектор будет передавать незначительные и несущественные детали на выходе, например, шум или ошибочные данные, зависимость выхода от входа окажется резко нелинейной, сеть будет неспособна к обучению. Для подготовки данных для входа и выхода используется масштабирование, которое приводит данные в допустимый диапазон.

Выходная информация представляет собой определение диапазона изменения амплитуд вибраций, частоты и количества доминирующих частот. Если амплитуда колебаний выходит за заданные пределы и число доминирующих частот превышает три, система дает сигнал на замену режущего инструмента.

Для построения автоматизированной системы на базе нейронной сети необходимо выбрать конфигурацию нейронной сети, алгоритм обучения нейронной сети, определить достоверность принятия решений нейронной сети, а также информативность датчиков нейронной сети.

Нейронная сеть (НС) представляет собой сеть с алгоритмом обратного распространения.

Алгоритм обучения НС с помощью процедуры обратного распространения строится

так:

1. Подать на входы сети один из возможных образов и в режиме обычного функционирования НС, когда сигналы распространяются от входов к выходам, рассчитать значения последних.

м

* Г ) = I у(" - 1) • ) ,

I = 0

нием +1, задающего смещение; у^п 1) = х]" - 1-й вход нейрона ] слоя п

уд(0) = /д, где - д-я компонента вектора входного образа.

где м - число нейронов в слое п - 1 с учетом нейрона с постоянным выходным состоя> I С

У(п) = АЛ гдеX) - сигмоид; д - д-я компонента ве

2. Рассчитать для выходного слоя по формуле

Г = ОТ -а) ^.

Рассчитать по формуле изменения весов

слоя N

Д] —Л-^ • у(п-1)или

где д - коэффициент инерционности; I - номер текущей итерации.

3. Рассчитать по формулам

б" =

]

к

)("+1) - У) к ]к

и д] =-лб" • У"1

ал.

соответственно 5<й) и Д^<и) для всех остальных слоев, п = N - 1,...1.

4. Скорректировать все веса в НС

м^(г) = м^(г -1) + Д^]п ^).

5. Если ошибка сети существенна, перейти на шаг 1. В противном случае - конец.

■А-

Для данных, которые будут представлять собой амплитудные и фазные спектры, обучение будет вестись по ряду Фурье, в противном случае сигмоида будет описываться формулой

f (х) = -0,5 +-1-.

7 1 + e ~а'х

Использование автоматизированной системы на базе нейронных сетей позволяет в рабочем режиме управлять процессом резания и оптимизировать параметры режимов резания и геометрических параметров режущего инструмента.

Библиографический список:

1. Гусейнов Р.В.Механико. Математическая модель автоколебательного процесса при сверлении отверстий малого диаметра. Сб. статей IX Междунар. научно-практической конференции «Современные технологии в машиностроении». - Пенза, 2005. - С.157-161.

2. Круглов В. В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов - М. : Горячая линия - Телеком, 2001. - 382 с.

i Надоели баннеры? Вы всегда можете отключить рекламу.