Содержание к диссертации
Введение
ГЛАВА 1. Анализ вопросов управления процессом обработки деталей на металлорежущих станках с ЧПУ .16
1.1. Пути повышения эффективности механообработки 16
1.2. Содержательная постановка задачи управления процессом резания 22
1.3. Проблемы математического описания процесса резания 26
1.4. Проблемы управления процессом резания 39
1.5. Требования к модели процесса резания и системе управления процессом резания 43
1.6. Выводы и результаты по главе. 46
ГЛАВА 2. Формальное представление знаний о процессе резания ... 47
2.1. Выбор методов формального представления знаний о процессе резания 47
2.2. Структура модели знаний о процессе резания 53
2.3. Структура функций принадлежности нечетких множеств и нечетких отношений 56
2.4. Выполнение нечетких операций 63
2.5. Учет взаимодействий неопределенностей факторов процесса резания 75
2.6. Основные выводы и результаты по главе 78
ГЛАВА 3. Обучение (идентификация) модели знаний о ПР 79
3.1. Обучение как процесс наполнения базы знаний знаниями о ПР 79
3.2. Синтез структуры блока обучения (идентификации) модели ПР 80
3.3. Построение нечетких множеств 83
3.3.1. Анализ существующих методов построения нечетких множеств 83
3.3.2. Методика построения нечетких множеств 85
3.3.3. Алгоритм построения нечетких множеств 103
3.4. Построение нечетких отношений 104
3.4.1. Анализ методов построения нечетких отношений 104
3.4.2. Методика построения нечетких отношений 105
3.4.3. Алгоритм построения нечетких отношений 119
3.5. Определение параметров, учитывающих взаимодействие неопределенностей факторов ПР 120
3.6. Формирование обучающих выборок 123
3.7. Алгоритм формирования оптимальной архитектуры НС 126
3.8. Выводы и результаты по главе 134
ГЛАВА 4. Интеллектуальная система управления процессом резания металлов 136
4.1. Анализ методов управления в условиях нечеткой информации. Математическая постановка задачи управления ПР 136
4.2. Оперативное вычисление значений функций ограничений 140
4.3. Проверка выполнения условий ограничений 143
4.4. Формирование управляющих воздействий ПР 146
4.5. Устойчивость системы управления ПР 149
4.6. Выводы и результаты по главе 153
ГЛАВА 5. Техническая реализация и имитационное моделирование работы системы управления ПР 155
5.1. Имитационное моделирование работы системы управления ПР... 155
5.2. Оценка и сравнительная характеристика результатов имитационного моделирования 161
5.3. Выбор и обоснование технических средств для реализации интеллектуальной системы управления ПР 169
5.4. Организация взаимосвязи алгоритмов работы интеллектуальной системы управления с базовым ПМО УЧПУ 170
5.5. Выводы и результаты по главе 172
Основные выводы и результаты 174
Список литературы 176
Приложения 190
- Содержательная постановка задачи управления процессом резания
- Структура функций принадлежности нечетких множеств и нечетких отношений
- Определение параметров, учитывающих взаимодействие неопределенностей факторов ПР
- Анализ методов управления в условиях нечеткой информации. Математическая постановка задачи управления ПР
Содержательная постановка задачи управления процессом резания
Задача повышения эффективности обработки дорогостоящих деталей может быть решена следующими путями: усовершенствованием конструкции технологического оборудования и приспособления; технологическими методами за счет тщательной технологической подготовки производства; за счет высокой квалификации рабочих; а также средствами автоматизации.
Современный высокий уровень развития вычислительной техники и оснащение ею промышленных систем управления позволяет существенно расширить возможности контроля и управления процессами механообработки за счет реализации сложных алгоритмов непосредственно во время технологического перехода. Решение вопросов повышения эффективности механообработки за счет совершенствования средств и методов управления позволяет не только сократить время на технологическую подготовку производства, но и более полно использовать возможности оборудования с гарантированным обеспечением ограничений по показателям качества обрабатываемых деталей и возможностям оборудования и инструмента. В общем случае управление ПР реализуется по двум направлениям: путем управления координатными перемещениями рабочих органов станка, например, траекторией движения инструмента [5, 54, 77] и путем управления режимами обработки: скоростью резания и подачей [4, 5, 34, 59, 81]. Управление координатными перемещениями рабочих органов станка реализуется путем изменения глубины резания, либо путем подналадки системы «станок - приспособление - инструмент - деталь» (СПИД). Управление режимами обработки заключается в коррекции частоты вращения шпинделя и линейной (минутной) подачи. В производственных условиях подналадка СПИД возможна лишь только между операциями вследствие отсутствия методов и средств измерения размеров деталей во время технологического перехода. Управление траекторией движения инструмента (путем изменения глубины резания) предполагает автоматический расчет координат опорных точек, выполняемый в ходе обработки, и требует автоматической коррекции управляющей программы устройства ЧПУ. Использование этого метода дает максимальный эффект управления ПР на черновых проходах. Управление режимами осуществляется в пределах как чистовых, так и черновых переходов. В настоящей работе рассмотрены задачи, связанные с управлением режимами обработки.
В результате многочисленных исследований ПР [5, 16, 17, 34, 67, 84-90, 111] было установлено, что с точки зрения автоматизации ПР наиболее важными физическими величинами процесса являются температура в зоне обработки и главная (тангенциальная) составляющая силы резания. В дальнейшем в работе для сокращения вместо термина главная составляющая силы резания будет употребляться термин сила резания. При лезвийной обработке деталей из труднообрабатываемых материалов на черновых операциях поддержание значений силы на определенном уровне позволяет достичь максимальной производительности, надежности работы оборудования и инструмента, минимальной себестоимости детали [5, 34, 52, 67]. На чистовых операциях оптимально назначенные значения температуры резания обеспечивают желаемые параметры качества поверхностного слоя (желаемые величины шероховатости, глубины и степени наклепа, микротвердости, пластичности, остаточных напряжений и максимальную их стабильность) [5, 34, 52, 67]. А это, в свою очередь, позволяет формировать поверхность деталей с меньшим уровнем дефектов, улучшает эксплуатационные свойства деталей: повышает коррозионную стойкость, усталостную прочность и т.д., что способствует повышению надежности и ресурса работы изготовленных деталей. Также стабилизация оптимальных значений силы и температуры резания позволяет обеспечить допустимые упругие и температурные деформации системы СПИД, что обеспечивает требуемые размерную точность и точность формы детали.
В связи с приведенными фактами разработаны [5] системы стабилизации температуры и силы резания, где поддержание температуры и силы резания на заданном уровне выполняется путем изменения соответственно скорости резания и подачи. В Уфимском государственном авиационном техническом университете выполнены работы по созданию регуляторов силы и температуры резания, а также работы по созданию оптимальных и адаптивных систем управления температурой и силой резания [34, 59, 81]. Так, например, стабилизация температуры резания с точностью 2% [34, 67], обеспечиваемая данными системами при обработке жаропрочных материалов, дает колебание интенсивности износа инструмента меньше 50%, глубины и степени наклепа -не более 10%, максимальных тангенциальных остаточных напряжений в первом горизонте - в пределах 13%, максимальных осевых остаточных напряжений в первом горизонте - в пределах 25%, шероховатости - менее 10% длительной прочности - не более 5%, предела усталости - не более 1%. Однако, результаты работы этих систем напрямую зависят от выбора значений задающих воздействий.
Определение условий резания, обеспечивающих рациональные значения температуры и силы резания, априорно на этапе технологической подготовки производства не дает желаемых результатов, так как под влиянием различных возмущающих факторов значение целевой функций, на основе которой рассчитываются значения силы и температуры, может существенно отличаться от предполагаемого априори и изменяться в процессе обработки. Например, невозможно заранее с приемлемой точностью установить величину оптимальной термо-ЭДС, обеспечивающую заданный уровень интенсивности износа режущего инструмента, что связано с изменением физико-механических свойств обрабатываемого материала и колебаниями припуска на обработку. Так, согласно [67] изменение твердости стали ЭХВГ при ее обработке резцом ВК8 при прочих равных условиях на 20% приводит к изменению интенсивности износа режущего инструмента в 3 и более раз. В связи с указанной проблемой единственным наиболее приемлемым критерием, позволяющим назначить оптимальную [67] величину термо-ЭДС резания на этапе технологической подготовки производства является минимум интенсивности износа режущего инструмента. Что касается силы резания, то до сох пор ее эталонное значение назначалось либо на основе справочных данных, либо путем проведения специальных экспериментов, либо расчетным путем.
Структура функций принадлежности нечетких множеств и нечетких отношений
Модель ПР при управлении для вычисления функций цели и ограничений должна быть ориентирована на использование во время технологической операции и должна обладать вычислительным быстродействием. Время формирования оптимальных температурно-силовых режимов обработки не должно превышать 20 - 30 с. Кроме того, модель должна быть максимально универсальной и обладать возможностями самоорганизации.
Работа систем управления ПР в условиях мелкосерийного многономенклатурного производства должна обладать высокой степенью гибкости, что связано с расширение круга решаемых ее задач. В частности часть задач, которые не могут быть решены на этапе технологической подготовки производства по указанным ранее причинам (задачу сбора и накопления экспериментальной информации, задачу построения математических моделей ПР, задачу формирования режимов обработки) целесообразно возложить на систему управления ПР. При этом особую актуальность приобретает развитие информационного обеспечения систем управления. Информация в системах управления должна отражать не только физическую природу сигналов, позволяющую учесть особенности каждого конкретного процесса, но и должна оперировать количественными характеристиками информации (в частности, степенью неопределенности знаний) с целью возможности управления широким классом процессов металлообработки. В случае инвариантности системы управления к объекту управления в пределах одного класса, работа системы управления должна быть подчинена цели минимизации степени неопределенности знаний об управляемом объекте.
Проблемы формального описания ПР как «сложного» объекта управления, связанные с недостатком априорной и апостериорной информации, необходимость в постоянном пополнении и уточнении знаний об объекте, возможность использования экспертной информации, умение формировать компромиссное управляющее воздействие в условиях неопределенности, а также современная тенденция развития систем управления сложными объектами в составе иерархических систем служат основанием к тому, что система управления ПР должна быть наделена свойствами систем с искусственным интеллектом [60, 61, 64, 135].
Синтез интеллектуальной системы управления ПР необходимо выполнить в соответствии со следующими принципами: открытости и гибкости; самоконтроля; самоорганизации и оптимизации функционирования. Принцип открытости заключается в возможности пополнения и уточнения знаний как априорно, так и в оперативном режиме без изменения модели представления знаний, кроме того, система должна обеспечивать обработку самых различных видов информации: количественной и качественной, справочной, экспертной и экспериментальной, оперативной и априорной, полной, неполной, избыточной, противоречивой и т.д. Принципу открытости должны также отвечать инструментальные средства (программные и аппаратные), на которых реализована данная система. Гибкость предполагает возможность системы легко перестраиваться на управление ПР в других технологических условиях, а также возможность уточнять и пополнять знания в процессе обучения, минимизируя при этом степень неопределенности знаний.
Самоконтроль обеспечивает оценку качества информации, используемой для обучения (недостоверность значений обучающих выборок, недостающую для обучения информацию и т.п.), а также оценку качества функционирования системы при управлении (быстродействие, адекватность моделей объекта управления, нечеткость решения при определении управляющего воздействия и т.п.). Самоконтроль направлен на выявление «слабых мест» системы с целью ее адаптации к данным технологическим условиям, а также для дальнейшего усовершенствования работы системы управления ПР. Степень нечеткости вычисления функций цели и ограничений не должна превышать заданную, например, для погрешности обработки допустимая нечеткость определяется полем допуска.
Следует ориентировать использование системы управления ПР на этапе технологической подготовки производства как системы поддержки принятия решения технолога по назначению оптимальных режимов обработки деталей, а также во время технологического перехода.
Так как система управления ПР ориентирована на функционирование в реальном масштабе времени, нужно чтобы быстродействие формирования управляющего воздействия, сбора и обработки экспериментальной информации и процедур обучения были соизмеримы со скоростями обработки деталей на металлорежущих станках. Для этого система должна так оптимально организовать свою работу, чтобы обеспечить решение задач в соответствии с требованиями вычислительных средств (объемом памяти и быстродействием), с допустимой нечеткостью результата, полученного при решении задач, с отведенным временем и ошибкой обучения. 1. Многофакторность и сложные физические явления, сопровождающие ПР, затрудняют составление адекватных математических моделей (функций цели и ограничений) ПР. 2. При обработке сложных, ответственных деталей в условиях мелкосерийного или единичного производства и связанные с этим проблемы дефицита и недостоверности априорной информации обусловливают необходимость возложить задачи, традиционно решаемые на этапе технологической подготовки производства (задачу сбора и накопления экспериментальной информации, задачу построения математических моделей ПР, задачу формирования режимов обработки), на систему управления ПР. 3. Отсутствие прямых методов измерения, а также недостаток и погрешности методов и средств косвенного контроля показателей качества деталей в процессе лезвийной обработки в производственных условиях приводят к управлению ПР в условиях неопределенности. 4. Частичная компенсация неопределенностей, связанных с незнанием управляющих координат, возможна за счет использования оперативной информации от датчиков из зоны резания и электроприводов, за счет накопления экспериментальной информации и обучения моделей процессов, а также путем применения положения о постоянстве оптимальной температуры резания.
Определение параметров, учитывающих взаимодействие неопределенностей факторов ПР
Теория НМ находится на стадии развития, поэтому список методов построения ФП постоянно пополняется. Наиболее известные в литературе методы создания ФП опираются на теорию измерения и теорию распознавания образов[14, 68, 79]. В качестве измерителя (преобразователя информации) выступают специалисты в данной предметной области - эксперты, которые оценивают степени принадлежности объектов к заданным классам. Согласно теории измерения при назначении степеней принадлежности необходимо выбрать метод измерения (прямое, косвенное), тип измерения (фундаментальное, производное) тип шкалы (номинальную, порядковую, интервальную, отношений, абсолютную) [42, 112]. ФП задаются одним экспертом или группой экспертов и могут быть выражены таблицей, формулой, примером.
В случае прямых методов измерения эксперты непосредственно каждому объекту ставят в соответствие степень принадлежности заданному классу или предлагают формулу (пример), по которой можно вычислить эту степень. Затем полученная экспертная информация, если необходимо, проходит статистическую обработку. При использовании косвенных методов экспертная информация подлежит дальнейшим вычислительным преобразованиям. Косвенные методы применяются для оценки степени принадлежности сложных комплексных объектов, когда прямые методы либо не отвечают точности назначения ФП, либо вообще не могут быть использованы вследствие отсутствия элементарных измерительных свойств объектов. Оценка ФП косвенными методами выполняется путем: сравнения и вычисления меры сходства и различия свойств объекта с эталонными свойствами; попарного сравнения степени вхождения соседних объектов в заданный класс; решения оптимизационной задачи на выявление степени близости объектов, входящих в один класс; оценки приоритетов элементарных свойств сложного объекта. Субъективность методов построения ФП является источником дополнительной неопределенности. Кроме того, существуют трудности, связанные с проверкой адекватности отражения неопределенностей факторов ПР сформированными нечеткими множествами. Адекватность НМ представляет собой серьезное требование, т.к. НМ являются элементами в нечетких моделях. Кроме того, в некоторых случаях знания экспертов при формализации могут оказаться недостаточными и потребуется дополнительная объективная информация, т.е. необходимы способы согласования субъективной и объективной информации при построении ФП. Для описанных методов характерно "жесткое" задание ФП, хотя в процессе функционирования систем, неопределенность изменяется, например, уменьшается в результате накопления дополнительной информации путем определения текущих состояний процесса с помощью информационно-измерительной системы. Поэтому желательна более гибкая формализация нечеткости.
В течение длительного периода изучения самых разных явлений ПР (кинематических, тепловых, термоструктурных, контактных, химических, электромагнитных, пластических деформаций и разрушения, трения) сформировался богатый экспериментальный материал. Совокупность результатов экспериментов, оперативной информации с датчиков ПР и знаний экспертов составляет эмпирическую и эвристическую область знаний. Настраиваемые НМ отражают неопределенности, связанные с получением и формальным описанием этих знаний.
Неопределенность факторов ПР как информационная характеристика зависит не только от достоверности, но и от количества используемой информации. В связи с этим при построении НМ, отражающих неопределенность, возможны следующие случаи.
Первый случай. В пределах одной операции не поступает никакой дополнительной информации о данном факторе, т.е. неопределенность фактора и его нечеткое значение в пределах операции можно считать константами. К таким факторам можно отнести, например, геометрию режущего инструмента, свойства обрабатываемого и инструментального материала.
Второй случай. В пределах одной операции осуществляются прямые измерения фактора с шагом дискретизации At. Значения факторов определяются на основе единичных измерений без статистической обработки данных измерений. В этом случае неопределенность обусловлена погрешностью средств измерения и зоной нечувствительности между измерениями (или количеством проведенных замеров).
Третий случай. В пределах одной операции осуществляются прямые измерения (непрерывные, дискретные) с последующей статистической обработкой результатов. В этом случае неопределенность определяется доверительными интервалами, с которыми выполнена статистическая оценка измеренной величины.
Четвертый случай. В пределах одной операции осуществляются косвенные измерения. Здесь нечеткость фактора определяется нечеткостью измеренных физических величин, по которым восстанавливается этот фактор, и нечеткостью аппроксимации (восстановления). Если механизм восстановления фактора организован на нечеткой НС, где выход -восстанавливаемый фактор, входы - измеряемые физические величины, то нечеткость выхода определится посредством рассмотренных в главе 2 операций с НМ входов и НО.
Анализ методов управления в условиях нечеткой информации. Математическая постановка задачи управления ПР
В результате многочисленных исследований процесса лезвийной обработки деталей [9, 10, 16, 17, 34, 46, 67, 81, 84-91, 114] установлено, что процесс формируется под воздействием более чем двух тысяч факторов. Поэтому при составлении моделей, позволяющих адекватно описывать различные явления процесса с минимальным временем вычислений и минимальной неопределенностью получаемого результата, необходимо провести отбор наиболее существенных факторов. Выбор факторов наиболее эффективно осуществить комбинацией неформальных и формальных методов.
Если выбор существенных факторов выполнять сразу формальными методами, то для этого потребуется огромное число экспериментальных данных, охватывающих возможные случаи сочетания значений этих факторов, что нереально. Таким образом, неформальные методы ориентированы на то, чтобы сузить границы области всех возможных факторов, влияющих на данное явление (состояние процесса). Неформальный метод заключается в использовании экспертных оценок важности факторов. При этом может быть использован любой известный метод [79, 106] сбора и обработки экспертной информации (метод непосредственного ранжирования, метод парных сравнений и т.д.).
Если необходимо организовать наиболее оптимальную структуру модели, то дальнейшую сортировку факторов следует вести строгими математическими методами. В отличие от неформальных методов выбора существенных факторов формальные методы недостаточно полно проработаны. Определенными математическими методами сортировки факторов располагают теория идентификация, теория планирования экспериментов, теория распознавания образов [25, 98, 99, 106]. Однако, с учетом специфики задачи, обусловленной нечеткостью информации, для выбора существенных факторов предлагается следующий способ.
Выполняется оценка степени влияния различных факторов на выходную величину. Каждый фактор (вход) несет некоторый объем информации о состоянии процесса (выходе). Поэтому фактор следует считать значимым, если его наличие в модели позволяет снизить неопределенность вычисления выхода Н не менее, чем на установленную величину АН3 "1. Следует отметить, что каждый фактор, с одной стороны уменьшает неопределенность выходной величины за счет того, что модель становится более адекватной реальному процессу, с другой стороны, любой фактор несколько увеличивает неопределенность выхода. Увеличение неопределенности обусловлено нечеткостью значений этого фактора, используемых в качестве обучающих выборок, а также погрешностью значений фактора, используемых для вычисления выхода с помощью построенной модели. Поэтому возможны случаи, когда факторы могут не только снизить неопределенность вычисления выходной величины, но также и увеличить ее. Эти случаи имеют место, когда нечеткость значений некоторого фактора превышают погрешность аппроксимации реальных явлений с помощью модели без учета этого фактора.
Количество нейронов в сети также обеспечивает некоторый уровень нечеткости выхода сети. Очевидно, что с увеличением количества нейронов, точность аппроксимации повышается и соответственно снижается нечеткость выхода сети.
Так как НС выполняет функцию аппроксиматора реальных зависимостей процесса и взаимосвязь между входами и выходами сети может оказаться сложной, то предлагается численный алгоритм настройки архитектуры НС. Этот алгоритм изображен на рисунке 3.12.
Согласно последовательности действий, предписанных алгоритмом, в первую очередь определяется оптимальное число входов п. Сначала число входов устанавливается по максимуму, равному числу факторов, определенных экспертами пэксп. На основе числа входов п и числа пар обучающих выборок пр вычисляется количество нейронов в первом слое сети mi. Далее осуществляется обучение НС (определение коэффициентов ФП НО) и проверка работы сети на тестовом примере. В результате действия этих процедур фиксируется нечеткость значения выхода сети S, время обучения t06 и время вычисления (решения сетью тестового примера) tpeni. Организуется цикл по просмотру информативности входных факторов. Делается попытка исключить один из факторов. Затем проводится обучение сети с меньшим количеством входов и соответственно связей.
Похожие диссертации на Интеллектуальная система управления процессом механообработки с оперативным использованием нечеткой нейросетевой модели знаний
