You are currently viewing Разработка системы автоматического обеспечения параметров шероховатости поверхности на основе динамического мониторинга

Разработка системы автоматического обеспечения параметров шероховатости поверхности на основе динамического мониторинга

Содержание

Надежное обеспечение заданных параметров точности и качества обработанных поверхностей является одной из актуальных проблем машиностроительного производства. Учитывая специфику развития металлообработки, которая заключается во все более широком внедрении в промышленную практику оборудования с числовым программным управлением, перспективным путем решения данной проблемы является разработка и внедрение в промышленную практику технических решений, которые позволяют оказывать управляющие воздействие на технологическую систему с целью автоматического обеспечения заданных параметров качества обработки.

В связи с этим, в данной работе рассмотрены вопросы разработки и реализации системы автоматического обеспечения параметров, заданных шероховатости поверхности при токарной обработке.

Описание системы автоматического обеспечения заданных параметров шероховатости

На сегодняшний день можно считать доказанным тот факт, что технологическая система является нелинейной и динамической, а значит необходимо использовать управление с идентификатором [2]. Кроме того, необходимо определить понятие состояния динамической системы как совокупности некоторых величин в данный момент времени и производить оценку изменений состояния во времени, т.е. динамический мониторинг, а также определиться с выбором устройства принятия решений [2].

Отличительные особенности разработанной системы:

  • В нашем случае идентификатором является фрактальная модель шероховатости поверхности (ФМШП), погрешность которой не превышает 10% [1,4].
  • В качестве параметров, характеризующих состояние технологической системы использованы корреляционная размерность фазового пространства (v), величина старшего показателя Ляпунова (), вычисленные по значениям вибросигнала, генерируемого технологической системой и мощность виброакустического сигнала (Sω).
  • Исследованиями [3] установлено, что в качестве устройства принятия решений, аппроксимирующего зависимости между параметрами технологической системы при решении задач исследования ее динамики и управления целесообразно использовать искусственные нейронные сети (ИНС).
  • Основным преимуществом использования ИНС в качестве устройства принятия решений является практически неограниченная аппроксимирующая способность — согласно теореме Стоуна-Вейерштрасса с помощью ИНС можно сколь угодно точно равномерно приблизить любую функцию многих переменных на любом замкнутом ограниченном множестве [6].
  • В рамках разрабатываемой системы были использованы многослойные нейронные сети, обучаемые по методу обратного распространения ошибки, т.к. их применение позволяет добиться высокой точности аппроксимации с одновременным обеспечением хорошего быстродействия [3,6].

На рисунке 1 показана блок-схема разработанной системы автоматического обеспечения заданных параметров шероховатости поверхности.

Блок-схема состоит из пяти основных блоков:

  • Бл1 — фрактальная модель шероховатости поверхности (ФМШП).
  • Бл2 — расчет режимов резания.
  • БлЗ — построение модели шероховатости поверхности по сигналам виброакустики.
  • Бл4 — блок принятия решений 1.
  • Бл5 — блок принятия решений 2.
Рисунок 1 – Блок-схема системы
Рисунок 1 – Блок-схема системы

Алгоритмы работы системы автоматического обеспечения заданных параметров шероховатости

Работа системы происходит следующим образом:

  • По заданным чертежом параметрам шероховатости вычисляются входные параметры фрактальной модели шероховатости поверхности (ФМШП).
  • Далее при помощи ИНС1 определяются режимы резания, обеспечивающие заданную шероховатость, и начинается обработка.
  • Источником диагностической информации является виброакустический сигнал, который поступает с преобразователя вибраций, далее по значениям v и Sω при помощи ИНС2 вычисляются входные параметры модели шероховатости, и строится действительная ФМШП.
  • После этого вычисляется отклонения между действительной и эталонной ФМШП — dRa и dSm, далее по значениям dRa a и dSm при помощи ИНС4 определяется корректирующее воздействие dS или dn.

где

  • n — частота вращения шпинделя.

Разработанная система позволяет помимо оценки шероховатости поверхности производить контроль износа режущего инструмента — для этого по значениям вибросигнала определяется значение старшего показателя Ляпунова и при помощи нейросетевого элемента ИНСЗ производится оценка износа резца.

Система реализована в программном виде с использованием компонентного программирования [5]. Основная процедура, реализующая алгоритм управления написана на языке Visual C++ в виде, пригодном к использованию в рамках любой системы управления класса PCNC. Результаты компьютерного тестирования системы приведены в таблице 1 и на рисунке 2.

Таблица 1 - Точность, обеспечиваемая модулями системы адаптивного управления
Таблица 1 - Точность, обеспечиваемая модулями системы адаптивного управления
Рисунок 2 – Время отработки алгоритма 16 мс
Рисунок 2 – Время отработки алгоритма 16 мс

Как можно видеть из таблицы 1 величина средней ошибки для всех элементов системы не превышает 10%, а время отработки алгоритма составляет в среднем 16 мс (рисунок 2), что вполне удовлетворительно для практических нужд.

Результаты испытаний показали, что разработанная система позволяет снизить величину брака, связанного с поломкой инструмента и невыполнением требований по шероховатости поверхности на 15%, а также получить годовой экономический эффект более 93000 руб на один станок.

Список литературы

  1. «Алгоритм построения фрактальной модели шероховатости поверхности»: свидетельство об отраслевой регистрации разработки №14225 / А.К. Остапчук, В.Е. Овсянников, Е.Ю. Рогов. — № 50200901011; заявл. 11.04.2008; опубл. 11.04.2008; Инновации в науке и образовании №4(39). 11 с.
  2. Введение в мехатронику: учеб, пособие для студентов спец. 220401.65- «Мехатроника» / Б.М. Готлиб. — Екатеринбург: [б. и.], 2008 — Т. 1 : Концептуальные основы мехатроники. — 2008. — 520 с.: ил. — 200 экз.
  3. Особенности нейросетевого моделирования станков / А.В. Кудинов // СТИН. — 2001. — № 1. — с. 13-18.
  4. Разработка фрактальной математической модели шероховатости поверхности / В.И. Курдюков, А.К. Остапчук, В.Е. Овсянников, Е.Ю. Рогов // Вести. Кузбасского гос. тех. унив., — 2008. — № 5. — с. 43-46.
  5. «Система адаптивного управления шероховатостью поверхности»: свидетельство об отраслевой регистрации разработки №14227 / А.К. Остапчук, В.Е. Овсянников, Е.Ю. Рогов. — № 50200901013; заявл. 11.04.2008; опубл. 11.04.2008; Инновации в науке и образовании №4(39). 12 с.
  6. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. / С. Хайкин. — М.: Издательский дом «Вильямс», 2006. — 1104 с. ил.

Источник: Разработка системы автоматического обеспечения параметров шероховатости поверхности на основе динамического мониторинга / В.И. Курдюков, В.Е. Овсянников // Вестник КузГТУ. — 2010. — №6. — C. 51-53.

Добавить комментарий

Gekoms LLC

Коллектив экспертов большая часть опыта и знаний которых востребованы в области промышленной автоматизации, разработке технически сложного оборудования, программировании АСУТП, управлении электроприводом. Телефон: +7(812) 317-00-87 Email: info@gekoms.com Сайт: https://gekoms.org