Содержание к диссертации
Введение
ГЛАВА 1. Анализ проблем моделирования и управления процессом обработки деталей на металлорежущих станках с ЧПУ 14
1.1. Анализ тенденции развития автоматизации и управления процессом механообработки 14
1.2. Содержательная постановка задачи оперативного формирования режимов механообработки 16
1.3. Особенности знаний о процессе резания как объекте управления 18
1.4. Анализ методов формирования законов управления в условиях неопределенности 32
1.4.1. Анализ методов управления в условиях нескомпенсированной неопределенности 32
1.4.2. Анализ путей компенсации неопределенностей знаний о процессе резания 37
1.4.2.1. Анализ путей снижения возмущений с применением теории информации 37
1.4.2.2. Анализ методов адаптивного управления 38
1.4.3. Анализ тенденции совмещения задач компенсации неопределенности и управления в условиях неснятой неопределенности 43
1.5. Выводы и результаты по главе 45
ГЛАВА 2. Математическое моделирование процесса резания как нечеткого динамического объекта управления 47
2.1. Математическая модель для представления знаний о процессе резания 47
2.1.1. Формализация знаний с сигнальными неопределенностями 51
2.1.2. Формализация знаний с параметрическими неопределенностями 56
2.1.3. Формализация знаний с неопределенностями начальных условий 58
2.1.4. Формализация знаний с функциональными неопределенностями 58
2.1.5. Формализация знаний со структурными неопределенностями 60
2.2. Правила вычисления значений нечетких функций 63
2.3. Решение дифференциальных уравнений в условиях нечеткой исходной информации 70
2.4. Подход к идентификации нечеткой динамической модели ПР 74
2.4.1. Постановка задачи идентификации 74
2.4.2. Идентификация параметров модели ПР и показателей параметрических неопределенностей 75
2.4.3. Идентификация функций модели ПР и показателей функциональных неопределенностей 85
2.4.4 Идентификация размерности вектора состояния модели ПР и показателей структурных неопределенностей 88
2.5. Сравнительные характеристики предложенной методики формального описания ПР 90
2.6. Основные выводы и результаты по главе 93
ГЛАВА 3. Адаптивное управление процессом резания в условиях нечеткой информации 94
3.1. Математическая постановка задачи управления механической обработкой деталей как нечетким динамическим объектом 94
3.2. Модификация алгоритма адаптивного робастного управления процессом резания в условиях нечеткой априорной информации и нечетких переменных состояния процесса 97
3.3. Оценивание нечетких переменных состояния 107
3.4. Алгоритм настройки параметров адаптивного робастного регулятора 111
3.5. Выводы и результаты по главе 116
ГЛАВА 4. Имитационное моделирование и особенности технической реализации адаптивной системы управления процессом резания 117
4.1. Имитационное моделирование работы адаптивной системы стабилизации главной составляющей силы и термо-ЭДС резания 117
4.1.1. Построение нечеткой динамической модели ПР и эталонной модели для адаптивной системы 118
4.1.2. Синтез закона управления силой и термо-ЭДС резания 122
4.1.3. Оценка эффективности АдСУ ПР по результатам имитационного моделирования 125
4.2. Выбор и обоснование технических средств для реализации АдСУ ПР 130
4.3. Организация взаимосвязи алгоритмов работы АдСУ с базовым ПМО УЧПУ 131
4.4. Выводы и результаты по главе 133
Основные выводы и результаты... 135
Список литературы 137
Приложения 152
- Анализ методов управления в условиях нескомпенсированной неопределенности
- Формализация знаний с сигнальными неопределенностями
- Математическая постановка задачи управления механической обработкой деталей как нечетким динамическим объектом
- Оценка эффективности АдСУ ПР по результатам имитационного моделирования
Введение к работе
Один из путей повышения эффективности авиационных и машиностроительных производств состоит во внедрении средств автоматизации и управления технологическими процессами, в т.ч. процессами резания (ПР), трудоемкость которой составляет 50-60% от трудоемкости изготовления всего изделия [132]. Работами [5, 32, 81] доказано, что системы управления (СУ) ПР позволяют повысить надежность работы оборудования, поднять производительность и снизить себестоимость деталей, улучшить эксплуатационные характеристики изделий в условиях, когда резервы усовершенствования конструкций металлорежущих станков и технологий исчерпаны. Однако СУ ПР не получили столь широкого распространения в производстве, как СУ исполнительными органами технологического оборудования. Это объясняется тем, что управление ПР имеет ряд проблем, связанных с неопределенностями при управлении, т.е. с дефицитом и недостоверностью априорной и апостериорной информации. Указанная неопределенность обусловлена погрешностями измерения выходных переменных объекта управления (ОУ), дефицитом средств измерения и контроля многих физических величин ПР, свойствами моделей процесса, характеризующихся нестационарностью и переменной структурой. Поэтому усилия ученых [77, 99, 100, 126, 133], занимающихся проблемами управления, направлены на решение вопросов адаптации СУ к производственным условиям и на разработку робастных систем, обладающих слабой чувствительностью к возмущениям. Но в настоящее время не существует ни технической базы, ни теоретических методов, позволяющих полностью исключить влияние неопределенностей на показатели устойчивости, точности и качества управления ПР. В связи с этим актуальным является разработка методик количественной оценки неопределенностей моделей ПР и алгоритмов выбора компромиссного управляющего сигнала в условиях неснятой неопределенности. Решаемые в диссертации вопросы являются составной частью исследований, проводимых кафедрой автоматизированных технологических систем Уфимского государственного авиационного технического университета (УГАТУ) в соответствии с координационными планами АТН РФ, программой «Конверсия и высокие технологии. 1997-2000 г.г.», в рамках федеральной целевой программы «Государственная поддержка интеграции высшего образования и фундаментальной науки на 1997-2001 г.г.».
Целью настоящей работы является повышение эффективности управления процессом механообработки в условиях неопределенности.
Для достижения данной цели поставлены следующие задачи.
1. Предложить и обосновать динамическую модель для формализации знаний о ПР с учетом дефицита, противоречивости и недостоверности априорной информации.
2. Синтезировать методику идентификации предложенной модели ПР.
3. Разработать алгоритм оперативного формирования режимов механообработки (подачи и частоты вращения шпинделя) в условиях неопределенности.
4. Разработать алгоритм настройки регуляторов в адаптивных СУ ПР.
5. Оценить эффективность предложенных методик идентификации и алгоритмов управления ПР.
На защиту выносятся:
1. Нечеткая динамическая модель для описания ПР в пространстве состояний, включающая НМ параметров, переменных вектора состояния, размерности вектора состояния, а также нечеткие функции.
2. Методика идентификации модели ПР, состоящая в декомпозиции различных видов неопределенности и в определении параметров НМ, НФ и НО модели.
3. Алгоритм формирования квазиоптимальных режимов механообработки (подачи и частоты вращения шпинделя) путем адаптивного управления ПР с нечеткой моделью и нечеткими значениями выходной переменной на основе алгоритма скоростного градиента. 4. Алгоритм настройки параметров адаптивного регулятора ПР путем поиска условного экстремума целевой функции, отражающей нечеткие показатели качества и точности СУ при ограничениях на управляющий сигнал и на переменные вектора состояния ОУ
5. Результаты оценки эффективности методики идентификации нечеткой динамической модели ПР и алгоритмов управления ПР в условиях нечеткой информации, полученные путем имитационного моделирования и внедрения в производство.
Научная новизна диссертационной работы:
1. Новизна нечеткой модели состоит в возможности параметрически отражать сигнальные, функциональные, параметрические, структурные неопределенности и неопределенности начальных условий поведения управляемого ПР с целью повышения гибкости и скорости вычислений.
2. Новая методика идентификации нечеткой динамической модели ПР заключается в сочетании классических градиентных методов идентификации и методов распознавания образов, что позволяет обрабатывать экспериментальные данные, полученные в условиях более широкого спектра источников неопределенностей по сравнению с классическими методами идентификации с целью количественной оценки отклонения поведения ПР от номинальной модели.
3. Новизна алгоритма формирования квазиоптимальных режимов механообработки состоит в сочетании алгоритма адаптивного робастного управления и процедуры оперативного принятия решений в условиях нечеткой информации с целью расширения границ применимости системы в производственных условиях при наличии широкого спектра возмущений.
Практическая ценность:
1. Использование динамической модели ПР с параметризированными нечеткими множествами и нечеткими функциями в алгоритмах управления позволяет осуществлять оперативное принятие решений по формированию квазиоптимальных режимов механообработки (подачи и частоты вращения шпинделя) в условиях неопределенности.
2. Использование алгоритма формирования квазиоптимальных режимов механообработки в СУ ПР позволяет повысить гибкость СУ, точность СУ в среднем на 15%, обеспечить перерегулирование не выше 3%, снизить время механообработки деталей на 20% по сравнению с существующими адаптивными и оптимальными СУ ПР, сократить время на технологическую подготовку производства на 15-20 %.
Анализ методов управления в условиях нескомпенсированной неопределенности
Природа их происхождения такова. ПР формируется под влиянием нескольких сотен различных факторов. Контроль всех этих факторов невозможно осуществить вследствие отсутствия методов и средств измерения многих физических величин и в некоторых случаях неоправданно высокой стоимости информационно-измерительной системы. В настоящее время основными физическими величинами ПР, которые можно реально контролировать в процессе обработки с целью получения заданных показателей точности детали и качества ее поверхностного слоя, являются силы, мощность, температура резания, износ режущих кромок инструмента, скорость вибрации. Недоступность зоны обработки обусловливает косвенные методы измерения этих величин. Процесс измерения, особенно в производственных условиях, сопряжен с влиянием большого количества помех. Так, спектральный анализ [86] выявил наличие в сигнале термо-ЭДС высокочастотных и низкочастотных составляющих, а также перекрытие спектров полезного сигнала и помехи, что затрудняет восстановление истинного значения термо-ЭДС. Другой пример. При пропускании импульсного тока через контакт инструмент-деталь с целью одновременного измерения электропроводимости и термо-ЭДС в зоне резания можно выделить следующие причины помех [32, 39]. Как известно, сигнал прямоугольной формы, разложенный в ряд Фурье, состоит из большого количества гармоник. Каждая высшая гармоника может рассматриваться как помеха для информационно-измерительной системы. Также резкое изменение сигнала тока по переднему и заднему фронтам позволяет заключить о наличии дифференцирующего звена в модели измерительной системы, в связи с чем измерительную систему нельзя считать робастной (нечувствительной к возмущениям). Но основная проблема при косвенном измерении состоит даже не в гашении помех, а в тарировке датчиков, или в перерасчете на основе корреляционных связей одних физических величин через другие измеренные. Рассмотрим ряд примеров. Наиболее широко распространенным методом наблюдения температуры резания является метод естественной термопары, предполагающий измерение термо-ЭДС контакта инструмент-деталь. Основными помехами при измерении термо-ЭДС являются [32, 84]: составляющие ЭДС резания (акустическая, гальваническая, магнитная, термоэлектронная); ЭДС Зеебека, возникающая в контактах «режущая пластина - державка», шунтирующее действие стружки. Негативное влияние этих сигналов может быть скомпенсировано выполнением специальных технологических условий (обработкой со смазочно-охлаждающей жидкостью, дроблением стружки, измерением термо-ЭДС только на чистовых проходах). В результате погрешность измерения термо-ЭДС, как правило, составляет 2%. Зато при восстановлении температуры резания по измеренной термо-ЭДС возникает дополнительная погрешность, обусловленная разбросом дифференциальной термо-ЭДС, зависящей от электрофизических свойств обрабатываемого и инструментального материала [32, 84]. Колебания дифференциальной термо-ЭДС определяются в основном технологией изготовления режущей части инструмента и могут составлять для одной партии инструментов для конкретной пары инструментального и обрабатываемого материала до 10 -15% [32, 84]. Также наблюдается погрешность при восстановлении силы резания по измеренной электропроводимости контакта «инструмент-деталь» до 5%, в то время как погрешность измерения самой электропроводимости контакта «инструмент-деталь» составляет лишь 1%.
Наибольшую сложность представляет измерение износа режущего инструмента. Предложенный в [32] способ измерения ширины фаски износа по задней поверхности инструмента на основе электропроводимости контакта «инструмент-деталь» требует обширной базы данных с моделями ПР для каждой пары обрабатываемого и инструментального материалов. Учитывая нестационарный характер моделей ПР, постоянное внедрение новых материалов, в том числе, материалов с покрытиями, базу данных рационально формировать в процессе обработки на стадии изготовления деталей. Поэтому в работе [41] косвенное измерение износа режущего инструмента по электропроводимости контакта «инструмент-деталь» при получистовом точении труднообрабатываемых материалов выполняется с использованием самонастраивающейся математической модели ПР. Точность измерения интенсивности износа режущего инструмента составляет 2.5%. Но для настройки модели по оцениванию износа резца и для адаптации системы к изменяющимся свойствам инструментального и обрабатываемого материала требуется, по меньшей мере, один технологический переход. И в течение этого перехода управление обработкой детали происходит в условиях неопределенности. В некоторых случаях (при обработке ответственных деталей или когда технологом предусмотрен всего один получистовой переход) это неоправданно большой интервал времени.
Другой проблемой при управлении ПР с использованием оперативной информации от информационно-измерительной системы является неполная наблюдаемость СУ. С одной стороны, неполная наблюдаемость системы обусловлена спецификой моделей управляемого процесса, с другой стороны, ограниченным количеством средств измерения на одном технологическом переходе. Так, например, контроль температуры резания информативен лишь на чистовых и получистовых операциях, а силы резания - наоборот на черновых и по-лучистовых.
В дополнение к объективному источнику знаний можно с успехом использовать субъективный источник, который составляют эксперты - специалисты в области процессов металлообработки (технологи, механики, персонал, работающий на станках). Но экспертная информация также не лишена неопределенностей, которая состоит преимущественно в противоречивости экспертных данных. Это суждение наглядно иллюстрирует следующий пример. Как известно, положение Макарова А.Д. утверждает о постоянстве оптимальных температур резания с точки зрения минимума интенсивности износа режущего инструмента для конкретной пары инструментального и обрабатываемого материалов вне зависимости от геометрии режущего инструмента, твердости заготовки и ряда других факторов. Так как получение достоверной оперативной информации об износе режущего инструмента связано с трудностями его измерения и наблюдения в производственных условиях, использование этого положения в системах стабилизации температуры резания решает актуальную задачу повышения надежности инструмента и, следовательно, имеет большое практическое значение. Однако точно установить оптимальную температуру во время изучения ПР на этапе технологической подготовки производства также оказалось нелегко. Этому свидетельствует проведенный обзор различных литературных источников, в равной степени авторитетных и достоверных.
Формализация знаний с сигнальными неопределенностями
Среди методов адаптивного робастного управления, идеи которых могут быть использованы для управления ПР, следует выделить две концепции: метод скоростного градиента и методы синтеза на основе прямого метода Ляпунова [77,133].
Из методов второго направления можно отметить метод непосредственной компенсации, направленный на введение дополнительной обратной связи (ОС) для поднастройки (определения) неопределенной вектор функции в = 0(х, и, t) , где х - вектор состояния, и - вектор управления, t - время. В [77] рассмотрены интегральная ОС и нелинейная статическая ОС. Исходной информацией при оценке неизвестного вектора в является наблюдаемый вектор состояния, время, априорная информация, содержащаяся в уравнении поведения и в некоторых случаях оценка вектора в в предыдущий момент времени. Метод применим, когда выполняется условие согласования контуров управления и известен вектор состояния. На случай структурных неопределенностей (при нарушении условия согласования) разработан метод адаптивного робастного обхода интегратора [77]. Метод также предполагает известным вектор состояния. При управлении по выходной координате объекта, когда вектор состояния недоступен полному измерению, предложены методы адаптивного управления с расширенной ошибкой и алгоритмы адаптации высокого порядка [75, 77].
Системы такого класса помимо снижения априорной неопределенности ОУ обеспечивают ограниченность всех сигналов в системе (ограниченность фазовых траекторий и управляющих воздействий). Другими словами, робастные системы устойчивы при различных видах возмущений (сигнальных, параметрических, функциональных, структурных), а значит, сохраняют работоспособность. Системы адаптивного робастного управления наиболее приемлемы для решения задач автоматизации технологических процессов, подобных процессам лезвийной обработки. Остается открытым вопрос о настройке параметров адаптивных регуляторов для управления ПР. Значения параметров контуров адаптации напрямую зависят от свойств управляемого объекта. Причем следует учесть, что некомпенсированные неопределенности, а также ограничения на сигнал управления оказывают негативное влияние на качество переходных процессов и точность СУ. Адаптивные робастные СУ имеют сложную нелинейную структуру. Кроме того, отсутствует явная взаимосвязь между настраиваемыми параметрами и различными показателями качества и точности СУ. Поэтому аналитические методы, в частности методы оптимального управления, для определения коэффициентов адаптивных регуляторов неприемлемы. Эту задачу обычно решают интуитивно путем имитационного моделирования на ЭВМ либо путем проведения серии экспериментов с АдСУ ПР в производственных и лабораторных условиях. В [133] рекомендуется также опираться на знания экспертов в области теоретических основ этих СУ. Такой подход оправдан, если количество настраиваемых коэффициентов невелико, например, не более трех. В противном случае требуется много времени, а также обеспечение сходимости результатов в решении указанной задачи усложняется. Таким образом, встает новая проблема, связанная с формализацией неопределенности знаний о ПР и с автоматизацией процедур настройки контуров адаптации на основе оцененной неопределенности с целью достижения заданных показателей качества и точности СУ. 1.5. Выводы и результаты по главе 1. Дефицит информации о возможных колебаниях припуска заготовки, об изменении физико-механических свойств обрабатываемого и инструментального материалов, о жесткости СПИД, о величине износа режущей кромки инструмента и его геометрии выливается в априорную неопределенность моделей ПР. На основе анализа ПР как ОУ (рисунок 1.2) с применением методологии SADT выявлены пять видов неопределенностей, характерных для моделей ПР: функциональные, структурные, параметрические, неопределенности начальных условий, обусловленные трудностями идентификации моделей ПР, и сигнальные неопределенности, связанные с проблемами измерения и восстановления физических величин ПР. 2. С целью снижения априорной неопределенности режимы механообработки (подачу и частоту вращения шпинделя) наиболее эффективно формировать путем управления ПР. Анализ известных СУ силой и температурой резания показал, что их работа сопряжена с погрешностями измерения выходных переменных ОУ, дефицитом средств измерения и контроля многих физических величин ПР, свойствами моделей процесса, характеризующихся нестационарностью и переменной структурой. В связи с чем актуальным является разработка новых и развитие существующих СУ ПР, ориентированных на функционирование в условиях дефицита и недостоверности априорной и апостериорной информации. 3. Повышение эффективности управления техническими объектами типа технологических операций упирается в решение двух глобальных проблем: в проблему снижения (или компенсации) априорной неопределенности об объекте за счет использования оперативной информации от средств измерения и построения контура адаптации; в проблему формирования такого закона управления, который бы гарантировал устойчивость и заданные показатели точности и качества СУ в условиях нескомпенсированной (апостериорной) неопределенности. 4. Анализ современного состояния вопросов управления неопределенными объектами показал, что наибольшей гибкостью обладают системы, обеспечивающие решение обеих вышеуказанных проблем. В связи с этим с целью возможности снижения априорной неопределенности знаний о ПР и сохранения работоспособности системы при широких вариациях технологических условий синтез СУ ПР целесообразно реализовать к классе адаптивных робаст-ных систем.
Математическая постановка задачи управления механической обработкой деталей как нечетким динамическим объектом
Среди методов адаптивного робастного управления, идеи которых могут быть использованы для управления ПР, следует выделить две концепции: метод скоростного градиента и методы синтеза на основе прямого метода Ляпунова [77,133].
Из методов второго направления можно отметить метод непосредственной компенсации, направленный на введение дополнительной обратной связи (ОС) для поднастройки (определения) неопределенной вектор функции в = 0(х, и, t) , где х - вектор состояния, и - вектор управления, t - время. В [77] рассмотрены интегральная ОС и нелинейная статическая ОС. Исходной информацией при оценке неизвестного вектора в является наблюдаемый вектор состояния, время, априорная информация, содержащаяся в уравнении поведения и в некоторых случаях оценка вектора в в предыдущий момент времени. Метод применим, когда выполняется условие согласования контуров управления и известен вектор состояния. На случай структурных неопределенностей (при нарушении условия согласования) разработан метод адаптивного робастного обхода интегратора [77]. Метод также предполагает известным вектор состояния. При управлении по выходной координате объекта, когда вектор состояния недоступен полному измерению, предложены методы адаптивного управления с расширенной ошибкой и алгоритмы адаптации высокого порядка [75, 77].
Системы такого класса помимо снижения априорной неопределенности ОУ обеспечивают ограниченность всех сигналов в системе (ограниченность фазовых траекторий и управляющих воздействий). Другими словами, робастные системы устойчивы при различных видах возмущений (сигнальных, параметрических, функциональных, структурных), а значит, сохраняют работоспособность. Системы адаптивного робастного управления наиболее приемлемы для решения задач автоматизации технологических процессов, подобных процессам лезвийной обработки. Остается открытым вопрос о настройке параметров адаптивных регуляторов для управления ПР. Значения параметров контуров адаптации напрямую зависят от свойств управляемого объекта. Причем следует учесть, что некомпенсированные неопределенности, а также ограничения на сигнал управления оказывают негативное влияние на качество переходных процессов и точность СУ. Адаптивные робастные СУ имеют сложную нелинейную структуру. Кроме того, отсутствует явная взаимосвязь между настраиваемыми параметрами и различными показателями качества и точности СУ. Поэтому аналитические методы, в частности методы оптимального управления, для определения коэффициентов адаптивных регуляторов неприемлемы. Эту задачу обычно решают интуитивно путем имитационного моделирования на ЭВМ либо путем проведения серии экспериментов с АдСУ ПР в производственных и лабораторных условиях. В [133] рекомендуется также опираться на знания экспертов в области теоретических основ этих СУ. Такой подход оправдан, если количество настраиваемых коэффициентов невелико, например, не более трех. В противном случае требуется много времени, а также обеспечение сходимости результатов в решении указанной задачи усложняется. Таким образом, встает новая проблема, связанная с формализацией неопределенности знаний о ПР и с автоматизацией процедур настройки контуров адаптации на основе оцененной неопределенности с целью достижения заданных показателей качества и точности СУ. 1.5. Выводы и результаты по главе 1. Дефицит информации о возможных колебаниях припуска заготовки, об изменении физико-механических свойств обрабатываемого и инструментального материалов, о жесткости СПИД, о величине износа режущей кромки инструмента и его геометрии выливается в априорную неопределенность моделей ПР. На основе анализа ПР как ОУ (рисунок 1.2) с применением методологии SADT выявлены пять видов неопределенностей, характерных для моделей ПР: функциональные, структурные, параметрические, неопределенности начальных условий, обусловленные трудностями идентификации моделей ПР, и сигнальные неопределенности, связанные с проблемами измерения и восстановления физических величин ПР. 2. С целью снижения априорной неопределенности режимы механообработки (подачу и частоту вращения шпинделя) наиболее эффективно формировать путем управления ПР. Анализ известных СУ силой и температурой резания показал, что их работа сопряжена с погрешностями измерения выходных переменных ОУ, дефицитом средств измерения и контроля многих физических величин ПР, свойствами моделей процесса, характеризующихся нестационарностью и переменной структурой. В связи с чем актуальным является разработка новых и развитие существующих СУ ПР, ориентированных на функционирование в условиях дефицита и недостоверности априорной и апостериорной информации. 3. Повышение эффективности управления техническими объектами типа технологических операций упирается в решение двух глобальных проблем: в проблему снижения (или компенсации) априорной неопределенности об объекте за счет использования оперативной информации от средств измерения и построения контура адаптации; в проблему формирования такого закона управления, который бы гарантировал устойчивость и заданные показатели точности и качества СУ в условиях нескомпенсированной (апостериорной) неопределенности. 4. Анализ современного состояния вопросов управления неопределенными объектами показал, что наибольшей гибкостью обладают системы, обеспечивающие решение обеих вышеуказанных проблем. В связи с этим с целью возможности снижения априорной неопределенности знаний о ПР и сохранения работоспособности системы при широких вариациях технологических условий синтез СУ ПР целесообразно реализовать к классе адаптивных робаст-ных систем.
Оценка эффективности АдСУ ПР по результатам имитационного моделирования
Алгоритмы работы СУ встраиваются в УЧПУ в виде отдельных программных модулей. Задача управления силой резания является быстрой, т.к. связана с управлением контурной скоростью, определяемой скоростями приводов подач, и поэтому должна решаться вместе с интерполяционной задачей в основном времени. Задача управления температурой резания является медленной, т.к. связана с формированием уставки скорости вращения привода главного движения, и может быть решена в фоновом времени.
В современных МП УЧПУ таймерный интервал равен 10 мс, при этом на решение основных задач, решаемых УЧПУ, может отводиться порядка 70% времени от всего таймерного интервала. Распределение задач в цикле таймерного интервала приведено на рисунке 4.10.
Рассмотрим имитационное моделирование АдСУ ПР по силе резания как задачи управления наиболее критичной ко времени.
В процессе имитационного моделирования работы АдСУ ПР на ЭВМ с процессором Pentium с тактовой частотой 200 МГц время формирования элементарного приращения по управлению составляет порядка 1,4 мс, что составляет 14% от всего цикла таймерного интервала. Время переходных процессов в системе стабилизации силы резания в среднем 1 с.
Результаты моделирование работы АдСУ ПР по силе резания на различных ЭВМ приведены в таблице 4.1. Из таблицы видно, что использование ЭВМ на базе микропроцессоров с более высокой тактовой частотой уменьшает время расчета одного приращения управляющего воздействия на объект управления. 1. Имитационное моделирование работы СУ ПР показало, что разработанный алгоритм формирования квазиоптимальных режимов механообработки (подачи и частоты вращения шпинделя)помимо частичного снятия параметрических и функциональных неопределенностей, позволяет сформировать наиболее приемлемый управляющий сигнал с точки зрения цели управления в условиях возможных вариаций поведения ОУ. Использование алгоритма в СУ ПР расширяет область их применения в производственных условиях при наличии более широкого спектра возмущений, а также обеспечивает перерегулирование не выше 3%, и повышение точности СУ ПР в среднем на 15% по сравнению с известными оптимальными и адаптивными СУ ПР. 2. Синтезирован алгоритм настройки параметров адаптивного регулятора, предназначенного для управления ПР с нечеткими моделями. По результатам проектирования АдСУ ПР можно заключить, что синтезированный алгоритм настройки параметров адаптивного регулятора позволяет получить их квазиоптимальные значения, которые обеспечивают компромиссные показатели качества и точности СУ с учетом заданных ограничений на управляющий сигнал и на переменные вектора состояния ОУ. 3. Техническую реализацию АдСУ ПР целесообразно выполнить на базе УЧПУ класса PCNC. 1. Предложена и обоснована нечеткая динамическая модель для описания поведения управляемого ПР в условиях неопределенности. Возможность модели параметрически оценивать нечеткость измеренных данных и знаний о ПР повышает скорость вычислений на 2 порядка по сравнению с оперированием дискретными НМ. Достигнутое быстродействие расчетов по модели обеспечивает ее применимость в оперативном режиме при решении задач управления ПР и способствует реализации модели в СУ на основе универсальных микропроцессорных устройств (без дополнительных нечетких контроллеров). 2. Разработана методика идентификации нечеткой модели ПР, выполняющая декомпозицию неопределенности на сигнальную, параметрическую, структурную, функциональную, неопределенность начальных условий и осуществляющая параметрическую оценку показателей этих неопределенностей. Разработанная методика дает возможность обрабатывать информацию, полученную под влиянием различных источников неопределенности, в том числе при наличии дефицита информации, погрешности измерения и наблюдения, при упрощении модели. Декомпозиция неопределенности позволяет обосновать и формализовать процедуру выбора принципа и метода управления ПР. 3. Разработан алгоритм формирования квазиоптимальных режимов механообработки (подачи и частоты вращения шпинделя), объединяющий алгоритм адаптивного робастного управления и процедуру оперативного принятия решений в условиях нечеткой информации. Разработанный алгоритм помимо частичного снятия параметрических и функциональных неопределенностей, позволяет сформировать наиболее приемлемый управляющий сигнал с точки зрения цели управления в условиях возможных вариаций поведения ОУ. Применение алгоритма в системах управления ПР расширяет область их применения в производственных условиях при наличии более широкого спектра возмущений. 4. Синтезирован алгоритм настройки параметров адаптивного регулятора, предназначенного для управления ПР с нечеткими моделями. Квазиоптимальные значения параметров регулятора обеспечивают компромиссные показатели качества и точности СУ с учетом заданных ограничений на управляющий сигнал и на переменные вектора состояния ОУ. 5. Результаты имитационного моделирования и внедрения в производство показали, что использование алгоритма формирования квазиоптимальных режимов механообработки в СУ ПР на основе нечеткой динамической модели позволяет повысить гибкость СУ, точность СУ в среднем на 15%, обеспечить перерегулирование не выше 3%, снизить время механообработки деталей на 20% по сравнению с существующими адаптивными и оптимальными СУ ПР, сократить время на технологическую подготовку производства на 15-20% при обеспечении заданных показателей качества обрабатываемых деталей.
