CC BY
113
КОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ УПРАВЛЕНИЯ В МЕХАТРОНИКЕ
УДК: 004.9
ББК: 30.2-5-05
Солкин А.Ю.
ОПТИМИЗАЦИЯ РЕЖИМОВ РЕЗАНИЯ ПРИ ВЫСОКОСКОРОСТНОЙ ОБРАБОТКЕ НА МЕТАЛЛОРЕЖУЩЕМ ОБОРУДОВАНИИ С ЧПУ
Solkin A. Y.
OPTIMIZATION OF MODES OF CUTTING AT HIGH-SPEED PROCESSING ON THE CUTTING EQUIPMENT WITH NC
Ключевые слова: нейронные сети, автоматизация технологических процессов, оборудование с ЧПУ, высокоскоростная обработка, оптимизация NC-программ.
Keywords: neural networks, automation of technological processes, equipment with NC, high-speed processing, optimization of NC programs.
Аннотация: в статье рассматриваются основные проблемы получения заданной точности при высокоскоростной обработке на оборудовании с ЧПУ. Показаны основные особенности определения режимов резания в зависимости от траектории движения инструмента. Опробован метод применения нейронных сетей при решении проблемы выбора оптимальных режимов резания. Произведена оценка эффективности использования нейронных сетей при решении задач оптимизации программного кода, связанного с анализом кривизны траектории и ее аппроксимацией.
Abstract: the article describes main problems of obtaining the set accuracy are considered at high-speed processing on the equipment with NC. Shows the main features of definition of modes of cutting depending on a trajectory of movement of the tool. The method of application of neural networks is tested at a solution of the problem of a choice of optimum modes of cutting. The assessment of efficiency of use of neural networks is made at the solution of problems of optimization of the program code connected with the analysis of curvature of a trajectory and its approximation.
Введение
Основной путь повышения эффективности производства в современных условиях связан с его автоматизацией, но понимание автоматизации со временем претерпевает серьезные изменения. Если в 80-х годах ХХ века понимание автоматизации сводилось к построению автоматических линий, а целью являлось создание автоматизированных производств и приход к безлюдной технологии, то сегодня подход коренным образом изменился. Автоматизация должна быть гибкой, позволяющей производить переналадку в кратчайшие сроки. Для повышения эффективности производства, обработку производят с использованием минимально возможного количества оборудования. Последние исследования в области изучения процесса резания дали возмож-
ность повсеместно применять принцип высокоскоростной обработки. Все эти принципы позволили сократить сроки выпуска продукции, вместе с тем увеличить объем номенклатуры, выпускаемой производством, однако уже никто не говорит о безлюдных технологиях. Человек остается основным элементом производственной системы, все чаще выступая в роли эксперта при сборе и анализе информации об изделии и ее обработке.
Кроме того об автоматизации заговорили не только в массовом и крупносерийном производствах, но даже в единичном. Последний фактор приводит к совершенно новым подходам. Единичные производства обычно не имеют постоянной номенклатуры, и в своей работе ориентируются на потребности рынка, очень часто работают по
предзаказам. Их работа очень часто бывает связана с особо высокими точностями, крупными габаритами заготовок, а также со специфическими видами обработки и редкими материалами. Объем поступающей и обрабатываемой информации в таких производствах настолько велик, людям уже не под силу справляться с ней самостоятельно, но и современная компьютерная техника не всегда может помочь. Очень часто для получения оптимального результата инженерам приходится применять нестандартные подходы, которые они формируют исходя из своего опыта, наблюдений и даже интуиции. Полноценно воспроизвести такие подходы не может ни одна компьютерная программа.
Проблема современного производства
Наиболее ярким проявлением автоматизации в единичном производстве является оборудование с ЧПУ. Стоит отметить, что ЧПУ в оборудовании предназначено не только для осуществления перемещений инструмента по сложным траекториям, но и для управления внутренними процессами и режимами резания. В некоторых особых случаях встречаются настолько сложные технологии, что ЧПУ может использоваться исключительно для управления режимами резания и внутренними процессами оборудования (ярким примером подобного типа оборудования является шлифовальное обо
рудование с технологией высокоскоростного шлифования).
Все эти системы и технологии, которые вложены в современное оборудование, ориентированы на общее применение, при этом не учитываются особенности конкретного производства. Практика говорит о том, что практически каждый вид выпускаемой продукции обладает своими собственными требованиями к технологии изготовления и контроля. Эти требования связаны с характером допустимых отклонений и искажений поверхностей изделия. Это допустимая волнистость поверхности, отклонение соседних точек, минимальная (или максимальная) кривизна поверхности, наличие огранки.
Эти параметры могут быть нарушены даже на оборудовании, оснащенном самыми современными системами, а связаны они обычно бывают с ошибками, внесенными в КС-программу станка. Особенность таких ошибок состоит в том, что они имеют технологическое происхождение, а значит, верификаторы эти ошибки выявить не могут. Подобные ошибки сразу не видны, они не приводят к поломке оборудования и инструмента, и не приводят к явным повреждениям изделия, их можно определить только с помощью специального высокоточного измерительного оборудования, но в результате все сводится к некачественной работе изделия либо значительному снижению его долговечности.
- Не оптимальное распределение заменяющих дуг окружности
- Оптимальное распределение заменяющих дуг окружности Рисунок 1 - Распределение отклонений заменяющих дуг
Принцип создания управляющих про- ции идеальной траектории движения инст-
грамм основывается на методе аппроксима- румента. Замена может производиться пря-
мыми, дугами окружности или сплайновы-ми кривыми. Каждый из этих методов обладает целым рядом достоинств и недостатков. Замена прямыми - наиболее простой и доступный метод аппроксимации, но он сопровождается появлением огранки, приводит к огромным объемам программного кода и неэффективности работы оборудования. Замена дугами окружности - более оптимальный метод аппроксимации, который позволяет избавиться от многих отрицательных сторон замены прямыми. Этот метод достаточно прост, и поэтому является наиболее распространенным при практическом применении, т.к. легко поддается управлению (рисунок 1). Аппроксимация сплайном - наиболее сложный из всех мето-
дов. Он дает возможность производить анализ кривизны траектории движения инструмента, а следовательно определять и учитывать динамические характеристики этих движений. Однако при всех своих достоинствах, метод замены сплайнами не самый эффективный с точки зрения стабильности результата. Поскольку существует достаточно большое количество разновидностей сплайновых функций, разные системы могут совершенно по разному воспринимать задаваемые значения, а следовательно вносить искажения и шумы [1]. На рисунке 2 показаны графики второй производной сплайновой функции, заменяющей траекторию движения инструмента при обработке копира.
Рисунок 2 - Графики второй производной сплайновой функции
Как видно из рисунка, нижний график сильно зашумлен, а произошло это из-за того, что расчет профиля и траектории производился в разных системах. Отличия абсолютных значений координат узловых точек составляет всего десятые и даже сотые доли микрона, но все равно происходит значительное ухудшение процесса обработки.
На самом деле очень многие шумы сглаживаются в процессе обработки за счет не идеальных динамических характеристик оборудования. Ни один, даже самый современный двигатель не может мгновенно разогнаться, остановиться или изменить ско-
рость своего движения. К инерционности двигателя добавляются люфты и деформации механических передач, а также отжимы и степень износа инструмента, нагрев детали, нестабильность окружающей среды и многое другое.
Явления, происходящие в процессе резания, уже давно изучаются многими специализированными лабораториями, такими как Национальная физическая лаборатория (КРЬ) Великобритании. Одним из наиболее важных при моделировании является метод конечных элементов (МКЭ), с помощью которого решаются уравнения в частных про-
изводных и интегральные уравнения. С использованием МКЭ можно моделировать деформации в материалах и концентрации напряжений, оценивать воздействия изменений в материалах и геометрических характеристиках изделий. Ключевым фактором достижения точных результатов является определение поведения материала. Характеристики материала могут быть получены высокоточными измерениями. [2]
На основе этих исследований выпускается множество программных пакетов, которые проводят всестороннюю оценку процесса резания металла и создают управляющую программу адекватную этой оценке. Но такой подход имеет и отрицательные стороны. Программные продукты такого типа способны описывать только идеальные объекты, хотя в производстве приходится работать только с реальными, которые имеют определенные отклонения, и могут изменять свои свойства в процессе работы. Второй недостаток вытекает из первого, и заключается в чрезмерно точном приближении результатов исследования к одному конкретному варианту, при этом качество работы в других подобных случаях может оказаться неудовлетворительным. Подобный метод не позволяет учесть всех процессов, протекающих в оборудовании во время работы, поскольку они субъективны для каждого конкретного станка. И наконец, моделирование такого сложного процесса, как резание, непременно отнимет много времени, что недопустимо при современной концепции производства.
Описание метода
Применение нейронных сетей при решении задач такого типа может значительно повысить качество расчетов, поскольку их основным достоинством является способность к обобщению. За счет этого свойства нейронные сети могут решать целый ряд задач, связанных с классификацией образов, аппроксимацией функций, прогнозированием, оптимизацией и управлением процессами.
Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. Он обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов,
а также имеет аксон - выходную связь данного нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. [3]
Создание нейронной сети происходит следующим образом: в начале происходит построение архитектуры сети (определение числа слоев, нейронов на каждом слое, типов нейронов и связей между ними), а потом происходит обучение сети (подбор весов).
Для каждого нового станка в производстве или после серьезного ремонта может быть обучена персональная нейронная сеть, которая в будущем поможет быстро оптимизировать режимы обработки во вводимом коде управляющей программы, и тем самым значительно повысить эффективность использования данного оборудования. Для упрощения процедуры обучения на входы сети могут подаваться данные с датчиков станка во время проведения тестовой обработки, а после приведения в соответствие полученных данных с вводимым программным кодом можно обнаружить несоответствия, связанные с динамическими характеристиками оборудования. Одна из важнейших особенностей такого подхода связана с оптимальным приближением аппроксимации сетью, которая обладает свойством обобщения, а следовательно отсутствует проблема неадекватной реакции системы на нетипичные ситуации.
Основные результаты
На сегодняшний день существует достаточное количество программных продуктов, имитирующих работу нейронных сетей. У каждого из них есть свои достоинства и недостатки. Для проведения данной работы целесообразно выбрать наиболее мощное и универсальное программное обеспечение для моделирования нейронных сетей -MATLAB с пакетом расширения Neural Networks Toolbox. Данный пакет уже содержит описание многих известных парадигм нейронных сетей, что значительно облегчает работу, но при необходимости можно описывать пользовательские архитектуры и методы обучения.
Рисунок 3 - Графики кривизны обрабатываемой поверхности
Поставим задачу следующим образом - необходимо определить оптимальные значения подач в каждом кадре управляющей программы по полученным опытным путем образцам. Как видно из постановки, задача не очевидна, и какой-то определенной зависимости проследить невозможно. Для упрощения понимания процесса и для возможности его анализа без проведения испытаний на настоящем оборудовании, примем некоторые допущения. Построим управляющую программу обработки плоского копира с аппроксимацией дугами, направленными в одну сторону. Допустим, что подача в данной ситуации будет зависеть только от значения второй производной приращений координат профиля в каждой узловой точке программы. Для этой цели создадим несколько управляющих программ на разные позиции копиров.
На рисунке 3 показаны графики распределения радиусов кривизны профиля при разных видах аппроксимации. На верхнем графике показана аппроксимация кубическим сплайном, а на нижнем дугами окружности. Как видно из этого графика, при замене профиля дугами окружности функция становится разрывной, с резкими скач-
ками кривизны, что говорит о возможности появления динамического удара в зоне этих перепадов. Поскольку, исходя из формулы 1 [4], кривизна К в том числе зависит и от значений первой и второй производной радиус вектора, которые являются аналогами скорости и ускорения, то можно предположить, что, управляя значениями подач, можно скорректировать нижний график и привести его в соответствие с верхним.
)2 +2-р 2 —р-р
(1)
к =
(р2+р’2)
3/2
где р - радиус-вектор при полярном способе задания координат.
Типовой кадр рассматриваемой управляющей программы изображен на рисунке 4. Как видно, в нем содержится информация о виде и направлении движения, конечной точке, радиусе окружности, по которой осуществляется движение и подаче. Начальной точкой движения является конечная точка, описанная в предыдущем кадре.
003 C58.9823 X-25.07415R60.3F1 ООО
Рисунок 4 - Типовой кадр управляющей программы При построении нейронной сети в ка-
честве входных значении можно вводить значения перемещения, а в качестве выходного значения требуется получить значение подачи. Для оптимального выбора значения подач необходимо также вводить значения перемещений предыдущего и последующего кадров.
Если рассмотреть типовой кадр, то видно, что он содержит координаты “С” и “X”, которые определяют положение конечной точки, и параметр “Я”, который определяет радиус траектории движения инструмента. В данной ситуации “Я” будет оп-
ределять кривизну траектории, а по координатам можно определить длину участка. Если управляющую программу условно разбить на два примерно равных участка, то можно один использовать в качестве обучающей выборки, а второй в качестве контрольного множества. Вычислить значения оптимальных подач, поэтому эти значения подбирались опытным путем и являются приблизительными. Этот факт делает исходную выборку искаженной (зашумленной).
Рисунок 5 - График ошибок сети
После построения наиболее простого типа нейронной сети - слоя линейных нейронов, был получен график ошибок сети в процессе обучения (рисунок 5). Как видно из графика, сеть достаточно быстро приблизила ошибку к нулевой отметке, но обучение остановилось, так и не достигнув оптимальных параметров. Тем не менее, качество приближения оказалось удовлетворительным.
Выводы
В результате данного исследования была доказана возможность применения нейронных сетей при решении технологической задачи оптимального выбора режимов резания на станках шлифовальной группы, при обработке особо точных про-
филей методом высокоскоростной обработки. Результаты работы нейронной сети дают право говорить о возможности их применения для оптимизации программного кода управляющих программ на оборудовании с ЧПУ, а быстродействие данной реализации сети позволит ее применять даже в системах реального времени. Неидеальность результата связана с огромным количеством допущений, принятых в процессе работы, и недостаточным объемом обучающих данных.
Уникальность такого подхода заключается в том, что однажды обученная нейронная сеть может обрабатывать достаточно широкий спектр управляющих программ, в том числе даже те типы, которые в обучаю-
щей выборке не присутствовали. Кроме того, во время обучения нейронной сети становится возможным учет особенностей конкретного станка, со всеми его индивидуальными достоинствами и недостатками. Введение процедуры создания и обучения ней-
ронной сети в стандартный технологический процесс предприятия позволит избежать технологических проблем, связанных с освоением нового типа продукции и оборудования.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Роджерс, Д., Адамс, Дж. Математические основы машинной графики: Пер. с англ./ Пер. Ю.П. Кулябичев, В.Г. Иваненко; ред. Ю.И. Топчеев. - М.: Машиностроение, 1980. -240 с.
2. Воскобойников, Б.С., Гречиков, М.И., Гуськова, Г.И. Компьютерное моделирование обработки материалов // ИТО. - №2’2012. - с. 36 - 39.
3. Комашинский, В.И. Смирнов, Д.А. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия -Телеком, 2003. - 94 с.
4. Бронштейн, И.Н., Семендяев, К.А. Справочник по математике для инженеров и учащихся вузов. - М.: Наука. Главная редакция физико-математической литературы, 1981. - 720 с.
Вестник Волжского университета имени В.Н. Татищева №2 (21)
