Научная статья на тему 'Способы автоматизации создания управляющих программ для металлорежущего оборудования с ЧПУ'

Способы автоматизации создания управляющих программ для металлорежущего оборудования с ЧПУ Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
994
147
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ / НЕЙРОННЫЕ СЕТИ / ЧИСЛОВОЕ ПРОГРАММНОЕ УПРАВЛЕНИЕ / CAM-СИСТЕМЫ / 3D-МОДЕЛЬ / INTELLIGENCE SYSTEMS / NEURAL NETWORKS / PROGRAMMED NUMERICAL CONTROL / CAM-SYSTEMS / 3D-MODEL

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Солкин Александр Юрьевич

В статье рассматриваются методы автоматизации создания управляющих программ для станков с числовым программным управление. Доказывается необходимость применения интеллектуальных систем, при решении этой проблемы. Так же в этой статье приведена классификация интеллектуальных систем, дан краткий анализ каждой из них и произведен подбор наиболее подходящей системы для решения поставленной задачи.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Солкин Александр Юрьевич

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

METHODS OF AUTOMATING THE CREATION OF CONTROL PROGRAMS FOR CUTTING EQUIPMENT WITH PNC

The article describes methods of automating the creation of control programs for machines with programmed numerical control. We prove the necessity of application of intelligence systems for solving this problem. The article also presents a classification of intelligence systems, a brief analysis of its systems and a selection of the most suitable system for solving the problem.

Текст научной работы на тему «Способы автоматизации создания управляющих программ для металлорежущего оборудования с ЧПУ»

УДК 004 ББК 32.97

СолкинА.

СПОСОБЫ АВТОМАТИЗАЦИИ СОЗДАНИЯ УПРАВЛЯЮЩИХ

ПРОГРАММ ДЛЯ МЕТАЛЛОРЕЖУЩЕГО ОБОРУДОВАНИЯ С ЧПУ

Solkin A.

METHODS OF AUTOMATING THE CREATION OF CONTROL PROGRAMS FOR CUTTING EQUIPMENT WITH PNC

Ключевые слова: интеллектуальные системы, нейронные сети, числовое

программное управление, CAM-системы, SD-модель.

Keywords: intelligence systems, neural networks, programmed numerical control, CAM-systems, 3D-model.

Аннотация:

В статье рассматриваются методы автоматизации создания управляющих программ для станков с числовым программным управление. Доказывается необходимость применения интеллектуальных систем, при решении этой проблемы. Так же в этой статье приведена классификация интеллектуальных систем, дан краткий анализ каждой из них и произведен подбор наиболее подходящей системы для решения поставленной задачи.

Abstract:

The article describes methods of automating the creation of control programs for machines with programmed numerical control. We prove the necessity of application of intelligence systems for solving this problem. The article also presents a classification of intelligence systems, a brief analysis of its systems and a selection of the most suitable system for solving the problem.

Введение

Главной ценностью современных производств становится информация, объемы которой достигли таких размеров, что человек не способен их обрабатывать самостоятельно. Технологии меняются быстрее, чем предприятия успевают их интегрировать, уровень автоматизации постоянно растет. Тем не менее, мало оснастить предприятие современным оборудованием. Очень важно, чтобы это предприятие еще и эффективно работало. Добиться этого можно путем адекватного анализа поступающей информации и ее последующей переработке.

На современном предприятии все больше операций производят на оборудовании с числовым программным управлением (ЧПУ), поэтому оптимизация технологического процесса очень часто сводится к оптимизации программного кода для этих станков. При этом не всегда работу по анализу, переработке и представлению информации способен выполнять компьютер в автоматическом режиме, из-за отсутствия заранее известного алгоритма достижения поставленной задачи. В связи с этим возникает достаточно серьезная проблема, связанная с созданием оптимального технологического процесса механической обработки изделий на оборудовании с ЧПУ в автоматическом режиме.

Здесь можно выделить несколько основных направлений автоматизации создания управляющих программ (УП) для станков с ЧПУ:

1. Исключение ошибок при передаче данных о геометрических свойствах изделия;

2. Нахождение бесконфликтных траекторий движения инструмента;

3. Обеспечение управления результатом аппроксимации траекторий движения инструмента, для обеспечения оптимального параметра точности;

4. Построение постпроцессоров для систем программного управления станков, с использованием всех возможностей оптимизации программного кода и автоматической адаптацией под поставленные задачи.

Каждая из этих проблем связана с нахождением оптимального баланса внутри множества ограничивающих условий. К числу этих условий относятся, как легко формализуемые, имеющие единицы измерения, так и те, которые формализовать пока не удалось. При этом количество условий, влияющих на решение указанных выше проблем, заранее не известно. Таким образом, для автоматизации процесса создания УП для станков с ЧПУ, необходима система, которая способна самостоятельно адаптироваться под любые требования, которые накладываются на нее.

Эта проблема достаточно актуальна. Многие производители программного обеспечения выпускают на рынок продукты для разработки и верификации УП для станков с ЧПУ (такие как Vericut, CimcoEdit, Tebis и др.). Главным недостатком всех этих систем является то, что практически, ни один программный пакет не производит полноценного анализа управляющей программы в автоматическом режиме, а только указывают на предполагаемые ошибки программиста, которые могут привести к аварии на станке во время обработки или полному отказу программы. Оптимизацией программного кода приходится заниматься программисту и наладчику вручную, перебирая сотни тысяч кадров, что приводит к значительным затратам времени. При этом нет никакой гарантии, что в УП не осталось старых ошибок, или не внесены новые.

Описание метода

В данной ситуации становится необходимо применение интеллектуальных систем, способных решать задачи, традиционно считающиеся творческими, принадлежащими конкретной предметной области, знания о которой собираются в результате повседневной деятельности человека. Эти системы являются объектом исследований уже более 60 лет. За это время представление об интеллектуальных системах значительно эволюционировало. На современном этапе их принято делить на следующие виды:

1. Системы с интеллектуальным интерфейсом

2. Экспертные системы

3. Самообучающиеся системы

4. Адаптивные системы

Системы с интеллектуальным интерфейсом представляют собой программные средства, которые могут осуществлять определенные действия, не имеющие четкой трактовки на машинном языке (например, выполнение команд, записанных на естественном языке).

Экспертная система обычно рассматриваются совместно с базами знаний, как модели поведения экспертов при решении задач или принятии решений. В данной ситуации, база знаний является накопителем моделей поведения.

В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики. Самым ярким представителем такой системы является искусственная нейронная сеть.

Адаптивная информационная система изменяет свою структуру в соответствии с изменением модели проблемной области. Ядром адаптивной системы является постоянно развиваемая модель проблемной области, поддерживаемая в специальной базе знаний -репозитории. На ее основе осуществляется генерация или конфигурация программного обеспечения [3].

Основные результаты

Рассмотрим метод создания УП с помощью современной CAM системы SiemensNX (вид CAM системы большого значения не имеет, т.к. они все подобны). Для этого необходимо загрузить уже готовую твердотельную модель изделия, либо построить ее

самостоятельно, на основании данных полученных от конструктора. Модель изделия условно разбивается на элементарные участки по методу обработки. Способ выделения этих участков полностью зависит от профессионального опыта специалиста, который этим занимается, и обычно имеет множество вариантов решения. Условным это разбиение является потому, что на некоторых операциях эти участки объединяют в единую область обработки, а на других операциях они могут перехлестывать друг друга, для зачистки мест соединения областей. Выделение этих участков происходит по величине допуска на данную поверхность, минимального радиуса кривизны и по другим признакам.

Параллельно с выбором этих участков, выбирается полный набор инструмента, который будет применяться на протяжении всей обработки. Выбор инструмента зависит от характера обработки (2-х, 3-х, или многоосевая, черновая или чистовая), количества установов, габаритов изделия, характеристик станка и обрабатываемого материала. Все это также оценивает специалист по своему профессиональному опыту.

Когда изделие разбито на участки обработки и выбран весь необходимый инструмент, на каждый участок накладывают шаблон обработки, с настроенными соответствующим образом параметрами. Эти параметры указывают направления движения инструмента, точки и метод его входа в припуск, шаг и количество смещений инструмента, коррекции, режимы резания и многие другие, в зависимости от шаблона. После всех настроек, происходит генерация траектории движения инструмента относительно изделия.

Процесс генерации происходит в два этапа. На первом этапе происходит формирование траектории движения инструмента. Она формируется в соответствии с установленными ранее параметрами, с учетом касательности инструмента к модели изделия в каждой точке этой траектории. На втором этапе, полученная траектория аппроксимируется прямыми, дугами окружности, сплайновыми функциями или иным законом, который задает специалист, в соответствии с требованиями системы ЧПУ, или вида обработки. Очень часто задается смешанная аппроксимация, в которой на разных участках могут присутствовать все виды элементов. Настройка метода аппроксимации происходит только по параметру точности, при этом другие требования (касательность соседних элементов, неразрывность графика второй производной профиля) не всегда бывают учтены.

Из всего сказанного выше, можно сделать вывод, что процесс создания УП для станка с ЧПУ достаточно субъективен. Он требует достаточного профессионального опыта и формализации большого количества данных непосредственно специалистом, выполняющим разработку. При этом вся система разработки УП должна быть отлажена для конкретного типа задач, и требует значительного времени для перенастройки ее под новые задачи, которые ранее не решались.

Наиболее подходящей интеллектуальной системой, для решения подобной задачи является искусственная нейронная сеть. Нейронные сети созданы по принципу биологических нейронов и могут проводить произвольные вычисления любой сложности. В 1957 г. Колмогоровым была доказана теорема, позволяющая говорить о том, что для решения любой задачи возможно построить нейронную сеть.[1] Уникальность такого подхода состоит в том, что нейронные сети дают возможность найти решения даже в тех областях, которые считаются подвластными только человеку. При этом уровень развития вычислительной техники позволяет утверждать, что реализация подобных систем возможна даже на базе обычных персональных компьютеров.

Решение практически любой задачи в нейросетевом логическом базисе предполагает наличие следующих этапов [2]:

• Формирование входного и выходного сигналов нейронной сети;

• Формирование желаемого выходного сигнала нейронной сети;

• Формирование сигнала ошибки и функционала оптимизации;

• Формирование структуры нейронной сети, адекватной выбранной задачи;

• Разработка алгоритма настройки нейронной сети, эквивалентного процессу решения задачи в нейросетевом логическом базисе;

• Проведение исследований процесса решения задачи.

Одним из наиболее важных этапов является формирование структуры нейронной сети (НС) и разработка алгоритма ее обучения. По своей архитектуре сети делятся на монотонные, без обратных связей и с обратными связями, а обучение сети происходит на основании трех парадигм, обучение с учителем, обучение без учителя и обучение методом критики. На сегодняшний момент уже существует некоторое количество известных и достаточно изученных архитектур НС и методов их обучения, поэтому в большинстве случаев выгодно воспользоваться уже известными методами, а не создавать их с нуля.

Нейронносетевые модели успешно применяются для классификации, кластеризации и прогнозирования. В качестве примеров таких задач можно привести распознавание коротких речевых сегментов, почерка, диагностики заболеваний и экономического анализа. Этот алгоритм может быть также применен в процессе автоматизированного создания траектории перемещения режущего инструмента, при обработке изделий на станках с ЧПУ.

На первом этапе работы нейронной сети происходит анализ входных данных, которые преобразуются в последовательность векторов признаков. Они формируются с заданной точностью и заданным шагом. 3D-модель изделия делится на элементарные ячейки, методом векторного квантования. В каждой ячейке производится анализ этой модели.

Векторное квантование может быть выполнено с помощью сети, подобной карте признаков Кохонена. Такая сеть представляет собой двумерный массив узлов кодовой книги, содержащий по одному узлу на каждый возможный шаблон. Каждый узел вычисляет евклидово расстояние между входным вектором сети и соответствующим эталоном, представленным весами узла, после чего выбирается узел с наименьшим евклидовым расстоянием. Веса данной сети вычисляются с помощью алгоритма Кохонена, его модификаций или с помощью любого другого традиционного алгоритма векторного квантования, использующего в качестве метрики евклидово расстояние.[2]

На втором этапе векторы сравниваются с эталонами, содержащимися в базе данных системы, и вычисляются меры их соответствия на основании таблиц, содержащих вероятности соответствия. На третьем этапе происходит настройка границ этих локальных ячеек таким образом, чтобы обеспечить максимальное соответствие эталонам. Далее необходимо вычислить метод соединения каждой области друг с другом, для обеспечения плавной и равномерной траектории.

Заключение

В данном исследовании была приведена классификация современных интеллектуальных систем. Эти системы нашли широкое применение во всех сферах деятельности. Их применение в области инженерных разработок пока не достаточно изучено, но можно с уверенностью утверждать, что эта область достаточно перспективна.

При изучении проблемы автоматизации создания управляющих программ были выявлены основные проблемы, решение которых целесообразно проводить с помощью интеллектуальных систем. В результате анализа всех видов систем был выбран тип, наиболее подходящий для решения поставленных задач. Этой системой стала нейронная сеть, алгоритм работы которой был так же приведен в данной статье.

В результате этого исследования можно сделать вывод, что применение и развитие интеллектуальных систем в области автоматизации инженерных разработок актуально и востребовано. Вероятно именно интеллектуальные системы помогут выйти инженерной практике на качественно новый уровень.

БИБЛИОГРАФИЧЕСКИМ 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. Комашинский В.И. Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия - Телеком, 2003. - 94с.

3. http://www.feip.ru/main/iis/23-tema-1.-klassifikacija-intellektualnykh.html

i Надоели баннеры? Вы всегда можете отключить рекламу.