时间：2015-12-20 23:51:22 所属分类：机械 浏览量:
引言 机械加工建模的主要目的是为了增强对机械加工性能的预测能力，便于有效地设计机械加工工艺，从而在生产率、质量和成本方面获得最佳效果。通常人们根据预测目标来分析影响因素，然后按影响因素与预测目标之间的关系建立预测模型。由于存在数量多而且种类
引言
机械加工建模的主要目的是为了增强对机械加工性能的预测能力，便于有效地设计机械加工工艺，从而在生产率、质量和成本方面获得最佳效果。通常人们根据预测目标来分析影响因素，然后按影响因素与预测目标之间的关系建立预测模型。由于存在数量多而且种类各不相同的机械加工过程，涉及的各种变量之间存在不同的耦合关系，即使每种加工过程仅仅讨论它的部分输入输出变量之间的关系，按照这种分析建模思想，要建立一个成功的金属切削加工模型也是十分困难的。这正是虚拟制造底层技术实用化面临的困难。
同时建模型需要大量的实验数据。这些数据不可能全部从公开发表的文献或完全符合的实验中获得，只能在车间里靠自己的经验获得精确可靠的数据。即便在实验室条件下，经过严密测试后证实可用的模型，进行更广泛应用时仍需要进行广泛的离线实验，以支持对建模数据的校准。为此，本文试图通过传感器检测融合技术和人工神经网络技术的黑箱建模能力来增强模型预测的可靠性和适应性。
1 传感器建模的基本思想
所谓传感器黑箱建模的方法，是把一个复杂的研究对象视为一个黑箱，用传感器检测其输入和输出状态，利用人工智能的方法建立起输入输出变量之间的关系，从而得到一个描述所研究对象的模型。
同时传感器可以实时检测所关注对象输入、输出状态的变化，因此模型可以随时得到修正。目前已建立的加工预测模型，配以传感器实时检测，以便掌握加工过程的输入与当前的状态，实现对原有模型的及时修正，达到对模型预测能力的增强。因此，正确选择传感器和信号处理方法有可能判断当前切削加工的真实状态，从而实现预测加工过程的状态、距离希望特性的大小和趋势。
针对加工模型的建立，从解决方案来看给机床装备上传感器和其它的信息输入设备，以搜集想要的信息。这时我们不再关心加工过程中众多的影响因素以及影响因素与预测目标之间的关系，而是将加工过程视为一个黑箱，只关心黑箱的输入和输出，它们可由传感器检测得到。第一次进行产品的实际加工应按照公用范围的加工数据（如切削刀具厂家提供的数据）来设置初始加工条件。实际的加工状态和输出值经传感器检测并反馈回原始的模型（原始模型是以公开发表的数据为基础，使用某些估计的常值做成）。我们在获取传感信息的基础上对原始模型进行改进。下一次加工就按照改进模型计算出的切削数据进行。这种循环尽可能多地重复，模型从加工中获得信息经反复训练，通过这种方法使其预测能力得到增强。
2 传感器增强建模的实现
传感器可以在两个主要方面增进模型的预测能力：首先，模型的目的是预测理想性能指标的数值及趋势。这些性能指标取决于加工过程的输入值和加工系统的当前状态。除非我们能确定出普遍的当前状态，否则就不能选出合适模型。而此时，从切削过程中得到的传感检测信号就是这个切削状态下的结果。因此，合适地选择了传感器和信号处理方法后，应该能够确定加工系统的当前状态。其次，人们至今仍必须依赖昂贵、且常常不可靠的加工数据库，其中一个主要原因是要对模型系数进行校准。图1简略说明了克服这个问题的方法，即用传感器输出标定预测模型。[Mp]为加工过程的预测模型，{OP}和{OS}分别是来自于同一个加工过程{P}的预测输出和传感器检测后的实际输出，后者是实时加工的最新显示。因此，{OS}应包含更多关于加工过程{P}对于名义输入值{In}的响应信息。我们只需找到一种方法（？），以便确定模型的修正值{$C},进而确定模型系数集{Ci}.{Ci}的初值由静态的加工数据库设置。
目前在机械加工中应用人工神经网络ANN的大多数例子中，大多使用名义加工输入值{In},或传感器检测信号的特征{S},或二者一起来作为输入值。这种方法的一个缺点就是，每个感知过程是一个独立的事件。如果用预测模型[Mp]来补充这种方案，可以加速模型的感知过程，并增强感知系统的稳健性。
图2给出这种应用方法，通过引入一个人工神经网络ANN的学习系统LN,把传感器的检测功能和模型的学习能力结合起来，以期提高型的预测精度。
在该模型中，MDB为一简单加工数据库，名义输入值{In}同时加到加工系统P、加工预测模型[Mp]和学习系统LN,因而在学习系统的输入端同时存在三项输入，除了名义输入值{In}外，还有预测模型的输出{Op}pr和传感器的输出{S},根据人工神经网络理论，可以选择不同的学习模型（如BP模型）对多项输入信息进行训练最后得出系统增强模型的预测输出{Op}. 3 结束语
传感器黑箱建模对诸如切削加工之类的复杂对象是普遍适用的方法，它既能对已有模型的预测能力加以增强，使加工建模技术已有的成果得以继承，又能降低系统建模的复杂程度和难度，对预测复杂系统的状态十分有意义。由于这方面的研究处于起步阶段，如何更好地将人工智能的方法引入模型有待于进一步研究。
参考文献：
[1] Van Luttervelt C A, Childs T, Jawahir I S, KlockeF,Venuvinod P K. The state of the art of modelling inmachining processes[J]. CIRP Annals, 1998,47（2）587-626.
转载请注明来自：http://www.zazhifabiao.com/lunwen/gcjs/jx/32097.html
