Содержание к диссертации
ОСНОВНЫЕ СОКРАЩЕНИЯ 7
ОСНОВНЫЕ ОБОЗНАЧЕНИЯ 10
ВВЕДЕНИЕ 15
ГЛАВА 1. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ СИНТЕЗА СИСТЕМ УПРАВЛЕНИЯ МЕХАТРОННЫМИ СТАНОЧНЫМИ МОДУЛЯМИ (МСМ) В УСЛОВИЯХ СТРУКТУРНО-ПАРАМЕТРИЧЕСКОЙ НЕОП РЕДЕЛЕННОСТИ 45
1.1.Общая характеристика современных и перспективных систем управления МСМ 45
1.2. Анализ особенностей ПР как объекта управления 58
1.3.Методология оптимизации систем управления ПР в условиях не определенности 68
1 .Характеристика существующих подходов к синтезу систем управления ПР в условиях неопределенности 74
1.4.1. Методы управления динамическими системами в условиях неопределенности 74
1.4.2. Задачи и методы синтеза локальных подсистем управления ПР в условиях неопределенности 78
1.4.3. Оптимизационные методы синтеза динамических систем 83
1.4.4. Задачи и методы совмещенного синтеза САУ ПР 85
1.4.5. Задачи и методы параметрического управления ПР 90
1.4.6. Задачи и методы координированного управления выходными координатами ПР 94
1.4.7. Задачи и методы оптимизации программ управления (статической оптимизации) САУ ПР 96
1.5 .Постановка задач исследования 104
Выводы по первой главе 105
ГЛАВА 2. ОПТИМИЗАЦИЯ ЛОКАЛЬНЫХ ПОДСИСТЕМ УПРАВЛЕНИЯ ПР В УСЛОВИЯХ СТРУКТУРНО-ПАРАМЕТРИЧЕСКОЙ НЕОПРЕДЕЛЕННОСТИ 107
2.1.Постановка задачи оптимизации в условиях интервальной параметрической неопределенности 107
2.2.Решение задачи оптимизации в условиях интервальной неопределенности 109
2.3.Определение базовых передаточных функций объекта с интервальной параметрической неопределенностью 112
2.4. Определение компенсационной части регулятора квазиоптимальной системы 113
2.5.Обеспечение устойчивости синтезируемой системы управления 116
2.6.Синтез квазиоптимальных интервальных систем управления 117
2.7.Синтез квазиоптимальных систем управления в условиях структурно-параметрической неопределенности 121
2.8.Исследование эффективности предложенного метода синтеза 124
Выводы по второй главе 130
ГЛАВА 3. СОВМЕЩЕННЫЙ СИНТЕЗ ЛОКАЛЬНЫХ ПОДСИСТЕМ УПРАВЛЕНИЯ ПР В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ 134
3.1.Критерий оптимизации динамических процессов с мультипликативной функцией затрат на управление 134
3.2.Методика оптимизации локальных систем управления с использованием функционалов с мультипликативной функцией затрат 138
3.3.Постановка задачи синтеза, определение структуры и начальных параметров основного контура локальной подсистемы 141
ЗА Приведение дифференциальных уравнений системы к эквивалентным уравнениям 144
3.5.Синтез контура самонастройки оптимальной локальной подсистемы управления 154 З.б.Исследование эффективности предложенного метода при управлении ПР 158
Выводы по третьей главе 163
ГЛАВА 4. СИНТЕЗ НЕИРОСЕТЕВЫХ АЛГОРИТМОВ ПАРАМЕТРИЧЕСКОГО УПРАВЛЕНИЯ ПР В УСЛОВИЯХ ИНТЕРВАЛЬНОЙ НЕОПРЕДЕЛЕННОСТИ 165
4.1.Реализация регулятора параметрического управления (РПУ) в нейросетевом базисе 165
4.2.Постановка задачи синтеза нейросетевого РПУ 173
4.3.Синтез регулятора параметрического управления на основе многослойной динамической нейронной сети с перекрестными связями. 174
4.4.Разработка процедуры обучения нейрорегулятора 178
4.5.Методика синтеза обобщенного настраиваемого объекта с нейросетевым РПУ 179
4.6.Исследование эффективности нейросетевого алгоритма параметрического управления ПР 180
Выводы по четвертой главе 184
ГЛАВА 5. РАЗРАБОТКА НЕИРОСЕТЕВЫХ АЛГОРИТМОВ КООРДИНИРОВАННОГО УПРАВЛЕНИЯ ВЫХОДНЫМИ КООРДИНАТАМИ ПР 186
5.1.Координированное управление однотипными локальными под системами 186
5.2.Нейросетевые алгоритмы коордированного управления 196
5.3.Координированное управление неоднотипными локальными подсистемами 206
5.4.Примеры синтеза координированного управления для неоднотипных подсистем 211
Выводы по четвертой главе 215
ГЛАВА 6. ОПТИМИЗАЦИЯ ПРОГРАММ УПРАВЛЕНИЯ ПР НА ОСНОВЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 217
6.1.Постановка задачи экстремального управления процессом резания 217
6.2.Разработка модели знаний о ПР 222
6.3.Идентификация (обучение) модели знаний о ПР 229
6.4.Разработка структуры системы экстремального управления ПР 236
6.5.Исследование эффективности разработанных алгоритмов 241
Выводы по шестой главе 245
ГЛАВА 7. ТЕХНИЧЕСКАЯ РЕАЛИЗАЦИЯ РАЗРАБОТАННЫХ АЛГОРИТМОВ УПРАВЛЕНИЯ ПР 247
7.1.Реализация разработанных алгоритмов управления на базе микропроцессорных УЧПУ типа CNC 247
7.1.1. Определение задач и места ПАУ в ПО УЧПУ 249
7.1.2. Разработка структуры данных и процедур ПАУ 254
7.2.Реализация микропроцессорной САУ процессом резания на базе УЧПУ типа CNC 2Р32М 261
7.2.1. Определение функций ПАУ и организация связи с базовым ПМОУЧПУ2Р32М 263
7.2.2. Разработка алгоритмов и организация выполнения быстрой задачи ПАУ 265
7.2.3. Разработка алгоритмов и организация выполнения медленной (основной) задачи ПАУ 271
7.2.4. Разработка алгоритмов формирования управляющих воздействий локальных подсистем скоростью резания и подачей инструмента 276
7.2.5. Разработка алгоритма регулятора основного контура САУПР 281
7.2.6. Микропроцессорная САУ ПР для управления токарным станком ТЛ - 1000 на базе устройства ЧПУ 2Р32М 283
7.3.Выбор и обоснование технических средств для реализации интеллектуальных алгоритмов управления ПР 287
Выводы по седьмой главе 290
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ 292
СПИСОК ЛИТЕРАТУРЫ 298
ПРИЛОЖЕНИЕ 1 353
ПРИЛОЖЕНИЕ 2 361
ПРИЛОЖЕНИЕ 3 376
ПРИЛОЖЕНИЕ 4 381
ПРИЛОЖЕНИЕ
Введение к работе
Эффективность работы и конкурентоспособность современного машиностроительного производства во многом определяется достигнутым уровнем его автоматизации и характеристиками используемого механообрабатывающего оборудования. Высокие требования на мировом рынке к качеству выпускаемой продукции, тенденция к созданию технологического оборудования с высокими скоростями движения, многономенклатурность изделий, безопасность труда и другие социально-экономические требования современного общества обусловливают необходимость дальнейшего совершенствования безлюдных технологий, гибкого и автоматизированного производства.
В настоящее время основная масса изделий машиностроения производится в мехатронных станочных модулях (МСМ) и комплексах, в которых основным технологическим процессом является процесс резания (ПР), а системами управления - системы числового программного управления (ЧПУ). Так, применительно к механообрабатывающему производству в авиационной промышленности, доля механообработки по трудоемкости при изготовлении деталей авиадвигателей составляет от 40 до 60 процентов от общего времени изготовления изделия. Кроме этого, механообрабатывающее производство в авиационной промышленности характеризуется:
- мелкосерийностью;
- значительной долей труднообрабатываемых материалов в общей номенклатуре материалов;
- относительно быстрой (по сравнению с общим машиностроением) сменой обрабатываемых материалов на новые;
- высокой стоимостью деталей; - неопределенностью и нестабильностью свойств материала заготовки и инструмента как в пределах марки, так и в пределах партии и даже одной заготовки или инструмента;
- высокой требуемой точностью изготавливаемых деталей;
- высокими требованиями к качеству поверхностного слоя деталей;
- сложностью (лабиринты, пазы, сварные детали и т.п.);
- большой продолжительностью и многостадийностью обработки одной детали.
Перечисленные выше особенности производства определяют основные требования к механообрабатывающему оборудованию, средствам его автоматизации и управления, которые в этих условиях должны обеспечить требуемые точность и качество изготавливаемых деталей, высокую производительность, экономичность и надежность МСМ в условиях безлюдных технологий.
Результаты исследований, выполненных в нашей стране (МГТУ «СТАНКИН», МГТУ им. Н.Э. Баумана, ВГТУ, ЭНИМС, СГТУ, РГАТА, УГАТУ и др.), данные зарубежных работ показывают, что улучшение показателей эффективности механообрабатывающего оборудования может существенно улучшить показатели качества выполнения машиностроительным производством стоящих перед ним задач. Для механообрабатывающего производства в авиационной промышленности это:
- увеличение надёжности, эксплуатационного ресурса авиадвигателей за счет улучшения технико-эксплуатационных показателей качества деталей авиадвигателей;
- повышение качества, надёжности, долговечности летательных аппаратов;
- повышение производительности, точности, снижение себестоимости, обеспечение надежности и безаварийности процесса обработки деталей. Для успешного решения поставленных задач механообрабатывающее оборудование должно иметь высокие показатели по производительности, точности и экономичности; высокое быстродействие; адаптивность характеристик в широком диапазоне изменения режимов ПР и технологических условий.
Основными направлениями улучшения технико-экономических характеристик механообрабатывающего производства являются: усовершенствование конструкции технологического оборудования и приспособлений; повышение качества технологической подготовки производства; повышение квалификации обслуживающего персонала; разработка более эффективных средств автоматизации и управления.
В связи с этим, одним из наиболее действенных способов повышения эффективности ПР на станках с ЧПУ, особенно при обработке сложнопрофильных деталей из труднообрабатываемых материалов, характерных для производства авиадвигателей, является применение систем автоматического управления (САУ) температурно-силовыми режимами ПР [9, 10, 50, 51, 98, 99, 100, 226, 266-271, 307-313]. Несовершенство существующих методов расчета режимов обработки, нестабильность операционных припусков, физико-механических свойств обрабатываемого и инструментального материалов, величины износа инструмента, а также других факторов приводит во многих случаях к неконтролируемым изменениям температурной и силовой нагрузки на инструмент. Для исключения повышенного износа и поломок инструмента режимы резания при разработке управляющих программ обработки деталей на станках с ЧПУ назначаются, исходя из наиболее нагруженных в температурном и силовом отношении условий резания, которые в общем времени обработки могут занимать сравнительно небольшую часть. При этом остальная часть времени обработки протекает с недоиспользованием возможностей инструмента и станка. Применение систем управления температурными и силовыми режимами ПР позволяет максимально использовать возможности станка и инструмента, увеличить производительность обработки и снизить ее себестоимость, значительно повысить качество выпускаемой продукции [10, 98, 164, 226, 263, 272]. Большой вклад в решение этих вопросов внесли отечественные ученые Балакшин Б.С., Безъязычный В.Ф., Заковоротный В.Л., Зориктуев В.Ц., Макаров А.Д., Силин С.С., Соломенцев Ю.М., Трусов В.В. и др [9, 98,147,226, 272, 288, 335, 351, 364].
Исследования, проводимые в нашей стране и, в частности, в течении более 30 лет на кафедре «Автоматизированные технологические системы» УГАТУ, позволили теоретически обосновать и практически подтвердить возможность формирования требуемых технико-эксплуатационных показателей качества деталей авиадвигателей за счет оптимального управления температурой и силой резания в зоне обработки. Разработанные на базе этих исследований САУ температурно-силовым режимом металлообработки [97, 98, 107, 108, 307-313, 331, 344, 345] прошли многолетний опыт эксплуатации в промышленности и создали основу для анализа и дальнейшего развития этих систем.
Широкое внедрение на машиностроительных предприятиях страны разработанных на кафедре АТС адаптивных и оптимальных САУ металлобработкой первого поколения в различных вариантах технической реализации [100, 108, 118, 121, 123, 307-313, 331, 344, 345] позволили выявить их достоинства и недостатки, определить пути их устранения. Уже на этом этапе своего развития системы управления ПР позволяют увеличить производительность обработки резанием на 25-40%, повысить стойкость и исключить поломки режущего инструмента, поднять точность изготовления деталей и их эксплуатационный ресурс.
Среди отечественного опыта реализации систем управления ПР в промышленности одним из наиболее успешных является создание семейства регуляторов температуры резания (РТР): РТР-1, РТР-2, РТР-4М, которые выпускались серийно (РТР-4М) и нашли широкое применение на предприятиях авиационной, оборонной и других отраслей промышленности страны [98, 100, 310, 331, 344, 345]. Наличие этих регуляторов в составе станочной системы позволяет на порядок уменьшить время технологической подготовки производства, связанное с определением рациональных режимов обработки и существенно поднять производительность оборудования и надежность его работы. Созданные на базе этих регуляторов системы обладают свойствами инвариантности к широкому изменению коэффициента передачи объекта управления, возможностью работы в условиях прерывистого резания
Резко повышаются в настоящее время требования к статической и динамической точности управления основными параметрами ПР. В частности, на установившихся режимах погрешность управления (статическая точность) должна составлять: для температуры резания - не более 2% (исходя из допустимых колебаний интенсивности износа режущего инструмента менее 50%, наклепа не более 10%, снижения жаропрочности не более 2% шероховатости - менее 10%, длительной прочности - не более 5%, предела усталости - не более 1%) [98]; для силовых координат - не более 5% (определяется в основном «запасом» при назначении уставок и погрешностями используемых датчиков силовых параметров) [121];
Достаточно высокие требования предъявляются и к переходным режимам САУ ПР, вызванных действием как задающих, так и возмущающих воздействий. Требования к быстродействию системы зависят от конкретной специфики механообрабатывающего производства и используемых скоростей обработки металлов. В условиях тенденции к созданию технологического оборудования с высокими скоростями движения (например, в станочных модулях скорости резания по прогнозам возрастут в ближайшее десятилетие до 1500 - 2000 м/мин) быстродействие должно быть достаточным, чтобы обеспечить допустимую динамическую ошибку не более 2-5 % [98, 272].
В процессе обработки на ПР действуют различного рода возмущения: сигнальные, вызванные изменениями момента нагрузки, колебаниями напряжения силовой цепи; параметрические, вызванные изменением внешних условий обработки и режимов резания; структурные, вызванные изменением состояния его конструктивных элементов: изменением жесткости системы СПИД, сменой угла наклона и направления движения режущего инструмента, его износом, и др.
С точки зрения теории управления процесс резания является сложным объектом [315, 381], к основным особенностям которого можно отнести: многомерность (многоканальность), многорежимность, стохастичность, нелинейность, нестационарность, параметрическую и структурную неопределенность, значительные возмущения, большое число не поддающихся точной оценке факторов, определяющих условия обработки, малый объем априорной информации о внутренних и внешних связях ПР. С совершенствованием технологии и оборудования сложность ПР как объекта управления возрастает. Одновременное повышение требований к качеству управления ПР приводит к необходимости использовать более сложные структурные схемы и алгоритмы управления данными объектами.
Наиболее существенной проблемой при построении высококачественных систем управления ПР является неопределенность характеристик объекта управления и внешних воздействий, т. е. неполнота априорной и текущей информации об этих характеристиках. Причины неопределенности: отсутствие "хороших" математических моделей ПР на стадиях проектирования и управления, отсутствие или недостаточность сведений о возможных условиях работы и характеристиках возмущений системы, сложность или высокая стоимость измерения режимных факторов и т. д. Кроме того, при эксплуатации системы параметры объекта управления и внешней среды могут изменяться непредвиденным заранее образом и тогда нестационарность выступает как один из видов неопределенности. К числу факторов неопределенности в САУ ПР можно отнести: изменение режимов работы оборудования, нестабильность характеристик материала заготовок и режущего инструмента, нестабильность характеристик и износ оборудования, износ режущего инструмента и т. д.
Для повышения качества управления ПР необходимо учитывать имеющуюся неопределенность как на этапе проектирования системы, так и в процессе ее функционирования. Однако, получение более или менее точных математических моделей ПР, адекватных ему в широком диапазоне технологических условий, требует длительных и дорогостоящих экспериментов. Поэтому важность проблемы управления ПР в условиях неопределенности еще более возрастает.
Стохастичность поведения ПР, обусловленная обилием всякого рода второстепенных (с точки зрения цели управления) процессов (например, перераспределением химических элементов в поверхностном слое материала во время обработки), также характеризует его сложность как объекта управления [93]. Кроме этого, существенное влияние на динамику ПР может оказывать нелинейность его математической модели.
Действие всех перечисленных факторов приводит к тому, что существующие методы построения САУ ПР не позволяют добиться требуемого качества и надежности их работы или решают это лишь частично. Нерешенные вопросы синтеза в условиях неопределенности приводят к возрастанию затрат и сроков на проектирование САУ ПР, существенному снижению их эффективности на этапе эксплуатации. Решение этих вопросов является актуальным для машиностроения, так как позволяет получить более высокие показатели качества управления процессами механической обработки и эффективность производства в целом. Таким образом, разработка алгоритмов управления ПР в условиях неопределенности имеет большое практическое значение.
Значительные трудности решения указанной проблемы объясняют то обстоятельство, что управление режимами ПР в существующем механообрабатывающем оборудовании с ЧПУ происходит как правило по разомкнутой схеме по «жестко» заданной программе исходя из наиболее нагруженных в температурно-силовом отношении условий резания. Это приводит к существенному снижению эффективности механической обработки в целом. В связи с этим построение современных и перспективных САУ ПР необходимо осуществлять в классе систем с обратной связью, в которых обеспечение требуемых динамических характеристик и формирование программы управления производится в процессе функционирования системы в зависимости от ее текущего состояния и условий обработки.
При этом управляющие воздействия в каждой локальной подсистеме управления ПР могут вырабатываться по информации о состоянии данной подсистемы, т.е. децентрализованно, что позволяет для упрощения разработки алгоритмов управления ПР как многомерным объектом использовать декомпозицию - расчленение исходной задачи на несколько более простых, решаемых независимо. При этом САУ ПР проектируется в виде совокупности локальных подсистем (сепаратных каналов), каждая из которых имеет как самостоятельное функциональное назначение, так и обеспечивает выполнение заданных функций САУ в целом, что соответствует известному принципу агрегатирования [43, 250, 265]. При построении таких многоканальных систем наряду с обычными требованиями к качеству функционирования часто выдвигается специфическое - условие координации (согласования) подсистем, т.е. поддержания заданных функциональных соотношений между несколькими регулируемыми переменными [244]. Сложность ПР, высокие требования к качеству функционирования как отдельных локальных подсистем, так и системы в целом, необходимость организации рационального взаимодействия между подсистемами, автоматического формирования оптимальных программ управления в зависимости от текущей цели управления, условий обработки, состояния элементов оборудования приводит к необходимости построения современных и перспективных систем управления ПР в классе многоуровневых (иерархических) систем. Современные САУ ПР имеют, как правило, два и более уровня организации управления, что позволяет их отнести к классу многорежимных САУ [126, 249, 250].
Реализация алгоритмов функционирования многорежимных и многоканальных САУ ПР предполагает использование как автономных электронных и микропроцессорных блоков, сопрягаемых с УЧПУ, так и программно-аппаратную реализацию на базе одно- и многопроцессорных УЧПУ. Современные микропроцессорные УЧПУ, в частности типа CNC (Computer Numerical Control) и PCNC (Personal Computer Numerical Control), позволяют создавать высокоэффективные системы управления ПР с принципиально новыми функциональными возможностями, а также существенно повысить надежность САУ.
Исследованию теоретических и практических аспектов построения систем управления ПР посвящены работы Зориктуева В.Ц., Каяшева А.И., Михелькевича В.Н., Митрофанова В.Г., Подураева В.Н., Рубашкина И.Б., Рыжкина А.А., Соломенцева Ю.М., Тверского М.М., Трусова В.В. и др. [1, 2, 10, 98, 288, 328, 329, 351, 353, 355, 359] В основе используемых методов проектирования САУ ПР, отраженных перечисленных выше работах, лежат классические методы исследования и синтеза линейных и нелинейных нестационарных систем.
В тоже время системы управления современными и перспективными процессами механообработки должны проектироваться в классе многорежимных многоканальных систем со структурной и параметрической неопределенностью, обеспечивающих высокое качество управления в широком диапазоне изменения внешних условий обработки и режимов ПР. Это влечет за собой существенное усложнение процедуры их проектирования и, как следствие, необходимость разработки новых методов исследования и проектирования, адекватных данному классу систем.
Среди работ отечественных и зарубежных исследователей, посвященным проблемам управления сложными динамическими системами, функционирующими в условиях неопределенности, следует отметить работы ученых УГАТУ Ильясова Б.Г., Васильева В.И., Гусева Ю.М., Ефанова В.Н., Кабальнова Ю.С., Крымского В.Г., Куликова Г.Г., Миронова В.В., Юсуповой Н.И. и др. [45-48, 80, 119, 120, 125, 126, 174, 250, 256, 372]. В данных работах, внесших большой вклад в теорию данного класса систем, отражены различные аспекты сложной и многогранной проблемы управления в условиях неопределенности. Применительно к системам управления МСМ дальнейшего развития требуют такие направления, как решение оптимизационных задач для систем с параметрической и структурно-параметрической неопределенностью, решение задач адаптации и координации в условиях неопределенности свойств объекта и возмущающих воздействий, оперативной оптимизации программ управления сложными динамическими системами.
В настоящее время при синтезе САУ ПР используются методы, которые можно условно разбить на две группы. Первая группа методов основана на достижении заданных показателей качества и не позволяет говорить о наилучшем выборе. В основе второй группы лежит достижение оптимальных показателей качества в соответствии с некоторым критерием оптимальности. Несмотря на очевидные с точки зрения конечных результатов преимущества второй группы большинство применяемых при проектировании САУ ПР методов не является оптимальными. Ряд методов синтеза занимает промежуточное положение, например, широко используемый в электромеханических системах метод подчиненного регулирования координат [26, 371], органическими недостатками которого являются существенные допущения, упрощающие исходную структуру, и последовательное удвоение постоянных времени при увеличении номера контура регулирования. При этом становится затруднительной одновременная настройка всех варьируемых параметров системы, что, конечном итоге, не позволяет говорить о ее действительно оптимальной настройке.
В связи с этим, рассматриваемому классу многорежимных многоканальных систем управления в наибольшей степени отвечают оптимизационные методы синтеза, которые, как известно, позволяют достичь наилучшего результата [256]. Данные методы обладают принципиально большими возможностями в обеспечении высокой эффективности синтезируемых систем и позволяют, благодаря высокой степени формализации, широко применять ЭВМ в процессе синтеза. Оптимизационные методы отличает четкая постановка задачи синтеза, универсальность математического аппарата. С помощью данных методов можно осуществлять выбор оптимальных программ управления ПР (т.е. осуществлять оптимизацию установившихся режимов работы ПР), проводить синтез (в линейном приближении) оптимальных регуляторов, обеспечивающих наилучшим образом отработку программ управления (т.е. проводить оптимизацию динамических режимов работы ПР).
К настоящему времени оптимизационные методы синтеза динамических систем управления нашли широкое признание благодаря основополагающим работам Калмана Р. [139, 140], Фельдбаума А.А. [376], Летова A.M. [183, 184], Красовского А.А. [167, 168], и др. Однако, преобладающее большинство известных оптимизационных методов использует описание динамики объекта управления в виде уравнений относительно переменных состояния, в то время как в инженерной практике проектирования систем управления ПР широкое применение нашло описание динамики объекта уравнениями относительно его выходных переменных (т.н. уравнениями «вход-выход»), достоинствами которого являются физичность и доступность измерения выходных координат, возможность использования развитых методов матричной алгебры и теории функций комплексного переменного для анализа и синтеза систем [143, 382, 425, 394]. То, что данное описание может быть использовано только для полностью управляемых и наблюдаемых объектов с нулевыми начальными условиями не является существенным препятствием для использования его при описании динамических свойств ПР в линейном приближении, так как в подавляющем большинстве случаев для линеаризованных моделей ПР эти условия выполняются. Кроме этого немаловажным с точки зрения построения систем управления данными объектами является то, что требования по качеству управления, как правило, предъявляются к выходным координатам объекта, а это приводит к тому, что обратные связи в системе осуществляются именно по выходным координатам объекта.
Однако, непосредственное применение известных методов оптимизации для синтеза САУ ПР в условиях структурно-параметрической неопределенности весьма затруднительно из-за недостаточной разработанности данного направления [296, 372]. Необходима разработка таких подходов к оптимальному синтезу локальных подсистем управления ПР, которые минимизировали бы разброс свойств подсистем при обеспечении устойчивости, требуемых показателей качества переходных процессов и физической реализуемости регуляторов в условиях неопределенности свойств объекта. При этом необходимо обеспечить достижимость решения задачи оптимизации, т.е. существование совместной области устойчивости для всех возможных структур и параметров объекта управления. Одним из эффективных подходов к построению оптимальных систем управления в условиях структурно-параметрических возмущений объекта управления является реализация их в классе систем с неперестраиваемыми регуляторами. При этом достигается существенное упрощение (по сравнению с перестраиваемыми) технической реализации регуляторов. Однако проектирование в указанных условиях неопределенности систем такого класса налагает определенные ограничения к используемым для этого методам синтеза, заключающиеся в возможности учета заданных ограничений по устойчивости и качеству управления при всех возможных вариациях структуры и параметров объекта. В связи с этим актуальной является разработка таких подходов к решению задачи оптимизации, которые позволяли бы синтезировать системы управления указанного класса в условиях структурно-параметрической неопределенности.
При более значительных параметрических и структурных возмущениях, обусловленных расширением области изменения свойств объекта и условий его функционирования, синтез в классе систем с неперестраиваемыми регуляторами уже не позволяет добиться требуемого качества работы САУ ПР. Необходимость обеспечения оптимальных свойств САУ ПР в условиях неопределенности требует синтеза оптимальных управлений в реальном времени в процессе функционирования системы, что реализует известную концепцию совмещенного синтеза [356]. Возможность практической реализации последнего предполагает достаточную формализуемость и вычислительную простоту процедур синтеза оптимальных управлений. Основной проблемой при использовании оптимизационных методов синтеза для совмещенного синтеза САУ ПР являются трудности, связанные с оперативной коррекцией параметров минимизируемого функционала в условиях изменения свойств объекта управления, а также со сложностью самих методик оптимизации. Таким образом, существует необходимость разработки таких подходов к оптимизации САУ, которые бы делали их более формализуемыми и менее затратными с точки зрения вычислений и, следовательно, пригодными для процедур совмещенного синтеза.
Организация управления на втором уровне многорежимных САУ ПР производится с помощью алгоритмов адаптивного и интеллектуального управления. При этом реализация данных алгоритмов в классе адаптивных систем с использованием искусственных нейронных сетей (ИНС) обеспечивает стабилизацию оптимальных показателей качества системы при изменении в широком диапазоне динамических свойств объекта управления. В классе интеллектуальных систем решается и задача координации локальных подсистем управления нижнего уровня, обеспечивающая поддержание заданных функциональных соотношений между задающими воздействиями локальных подсистем.
Для целей адаптации систем управления ПР наиболее предпочтительно использовать беспоисковые самонастраивающиеся системы (БСНС) с эталонной моделью (ЭМ), характеризующиеся относительной конструктивной простотой, быстродействием и высокой эффективностью работы в условиях минимальной априорной информации о динамических свойствах объекта управления. Большой вклад в теорию данного класса самонастраивающихся систем внесли отечественные ученые Петров Б.Н., Рутковский В.Ю., Земляков С.Д., Ильясов Б.Г., Кабальнов Ю.С. [119, 126, 283, 304, 372] и др. К настоящему времени решены, в основном, вопросы выбора структуры данного класса БСНС и алгоритмов самонастройки, обеспечивающих асимптотическую устойчивость движения системы относительно эталонного движения, задаваемого моделью. Однако, практическое применение данного класса систем ограничивается рядом причин, которые связаны прежде всего с обеспечением требуемого качества отработки параметрических возмущений в условиях неопределенности их характеристик, физической реализуемостью контуров параметрического управления, а также со сложностью процедуры синтеза устройства адаптации.
Формирование оптимальных программ управления ПР целесообразно осуществлять в классе интеллектуальных систем с использованием нечеткой логики и ИНС, что позволяет осуществлять оперативную оптимизацию программ управления в условиях неопределенности свойств ПР и условий обработки. Тем не менее развитие данного подхода к синтезу оптимальных программ управления ПР находится в настоящее время на начальном этапе.
Кроме этого, одним из определяющих требований при организации управления ПР на каждом из уровней иерархической системы является вычислительная эффективность используемых алгоритмов вследствие ограниченности вычислительных ресурсов как в автономном, так и в неавтономном (встраиваемом) варианте реализации САУ ПР.
Отмеченные выше нерешенные вопросы создания систем управления МСМ в условиях неопределенности приводят к возрастанию затрат и сроков на проектирование САУ МСМ, существенному снижению их эффективности на этапе эксплуатации.
Таким образом, решаемая в настоящей диссертационной работе проблема адаптивной оптимизации многорежимных многоканальных САУ МСМ в условиях неопределенности, которая позволяет строго формализовать и, тем самым, облегчить автоматизацию и сократить сроки выполнения предварительных этапов проектирования систем управления ПР, а также обеспечить в этих условиях получение более высоких показателей качества процессов управления механической обработкой, является актуальной.
Диссертационная работа выполнена на кафедре автоматизированных технологических систем Уфимского государственного авиационного технического университета в соответствии с координационными планами НИР АН РФ, программой «Конверсия и высокие технологии 1997-2000 г.г. », федеральной целевой программой «Государственная поддержка интеграции высшего образования и фундаментальной науки на 1997-2007 г.г.», а также в соответствии с планами научно-исследовательских работ кафедры автоматизированных технологических систем Уфимского государственного авиационного технического университета и выполнением ряда хоздоговорных и госбюджетных НИР, в том числе: «Разработка концепции и методов организации мультиагентных интеллектуальных систем управления роботизированными технологическими процессами» (№ г.р. 012000307625).
Цель работы
Целью работы является разработка методологических и теоретических основ синтеза адаптивных систем оптимального управления МСМ, позволяющих повысить эффективность процессов проектирования и управления МСМ в условиях параметрической и структурной неопределенности.
Задачи исследования
Для достижения поставленной цели в работе решены следующие задачи:
1. Разработка методологии построения, оптимизации, адаптации и координации многорежимных многоканальных САУ МСМ в условиях неопределенности, удовлетворяющих заданному комплексу требований к качеству управления в широком диапазоне изменения технологических условий и режимов механообработки.
2. Разработка оптимизационного метода синтеза локальных подсистем управления ПР, обеспечивающих устойчивость и гарантируемое качество процессов управления, а также физическую реализуемость регуляторов в условиях параметрической и структурной неопределенности ПР.
3. Разработка метода совмещенного синтеза локальных подсистем управления ПР, обеспечивающих требуемое качество процессов управления в условиях неопределенности свойств объекта и изменяемой цели управления.
4. Разработка метода синтеза нейросетевых регуляторов параметрического управления ПР, обеспечивающих устойчивость контуров самонастройки и требуемое качество отработки параметрических возмущений в условиях неопределенности характеристик последних.
5. Разработка методов анализа и синтеза нейросетевого координированного управления выходными координатами ПР, обеспечивающих поддержание заданных функциональных соотношений между ними в условиях неопределенности свойств локальных подсистем.
6. Разработка модели знаний, метода и алгоритмов оперативной оптимизации программ управления режимами ПР в условиях неопределенности на основе методов искусственного интеллекта.
7. Исследование эффективности разработанных методов, алгоритмов и структурных решений методом математического моделирования, использование полученных теоретических результатов применительно к задачам проектирования и эксплуатации современных и перспективных систем управления МСМ.
Методика исследований
Поставленные в работе задачи решены методами системного анализа, методами теории оптимального и адаптивного управления, теории резания, теории информации, теории идентификации, методами нечеткой логики, искусственных нейронных сетей, математического программирования и моделирования.
Научная новизна.
В диссертации, на основании выполненных автором исследований и разработок, получено решение с позиций системного подхода проблемы оптимизации, адаптации и координации многорежимных многоканальных САУ МСМ, функционирующих в условиях параметрической и структурной неопределенности, разработаны методы построения САУ МСМ, сохраняющих устойчивость и высокое качество управления при действии сигнальных, параметрических и структурных возмущений. В процессе исследований были получены следующие результаты, обладающие научной новизной:
1. Оптимизационный метод синтеза локальных подсистем управления ПР, обеспечивающий устойчивость и гарантируемое качество переходных процессов, физическую реализуемость регуляторов координатного управления в условиях параметрической и структурной неопределенности ПР и позволяющий обоснованно формировать области возможных значений весовых коэффициентов минимизируемого функционала.
2. Метод совмещенного синтеза локальных подсистем управления ПР, позволяющий формировать оптимальные управления в реальном времени в процессе функционирования системы и позволяющий обеспечить требуемые показатели качества процессов управления в условиях неопределенности свойств объекта и меняющейся цели управления.
3. Метод синтеза нейросетевых алгоритмов параметрического управления для обобщенного настраиваемого объекта локальной подсистемы управления ПР, позволяющий значительно упростить процедуру синтеза регулятора параметрического управления и обеспечить парирование значительных по величине быстрых параметрических возмущений.
4. Методы нейросетевого координированного управления локальными подсистемами ПР, обеспечивающие поддержание заданных функциональных соотношений между выходными координатами локальных подсистем в условиях действия сигнальных и параметрических возмущений.
5. Модель знаний, метод и алгоритмы оптимизации программ управления режимами ПР в условиях параметрической неопределенности на основе методов нечеткой логики и нейросетей. На защиту выносятся
1. Оптимизационный метод синтеза локальных подсистем управления ПР в условиях интервальной параметрической и структурной неопределенности.
2. Метод совмещенного синтеза локальных подсистем управления ПР в условиях неопределенности.
3. Метод синтеза нейросетевых регуляторов параметрического управления ПР в условиях интервальной параметрической неопределенности.
4. Методы анализа и синтеза нейросетевых алгоритмов координированного управления выходными координатами ПР.
5. Метод и алгоритмы оптимизации программ управления режимами ПР в условиях неопределенности на основе методов искусственного интеллекта.
Практическая ценность и реализация работы
Полученные в работе результаты составляют алгоритмическую основу для создания САПР интеллектуальных многорежимных многоканальных САУ МСМ, функционирующих в условиях неопределенности и удовлетворяющих заданному комплексу требований к качеству управления в широком диапазоне изменения технологических условий и режимов механообработки. Вычислительные алгоритмы и процедуры имеют достаточно общий, универсальный характер и могут быть использованы как на этапе проектирования, так и эксплуатации систем управления МСМ. Предложен ряд технических решений для систем управления ПР, позволяющих повысить эффективность процедур практической реализации САУ МСМ. Проведенные исследования позволяют повысить эффективность процесса проектирования и управления МСМ, что способствует повышению технико-экономических характеристик используемого оборудования и эксплуатационных характеристик изделий механообрабатывающего производства.
Полученные результаты использовались при создании: микропроцессорных САУ ПР на станках ТЛ-1000 с УЧПУ типа CNC 2Р32М; микропроцессорных систем управления температурно-силовыми режимами обработки на многоцелевых станках с УЧПУ типа PCNC. Результаты работы апробированы на предприятиях: ММПО им. В.В. Чернышева, РПО «Электромеханика», ЛНПО «Электронмаш», ОАО «САВМА», ФГУП УАП «Гидравлика», ОАО УМПО, ОАО «Стерлитамак-М.Т.Е.», где используются при проектировании систем управления МСМ.
Кроме этого, материалы диссертационной работы внедрены в учебный процесс в Уфимском государственном авиационном техническом университете, где используются при чтении соответствующих курсов лекций (в частности, по направлению 220200 «Автоматизация и управление» и специальности 220301 «Автоматизация технологических процессов и производств), в курсовом и дипломном проектировании. Результаты диссертационной работы нашли отражение при написании монографии, изданной в МАИ, а также учебного пособия (с грифом Министерства образования РФ), изданного в УГАТУ.
Апробация работы
Основные результаты работы докладывались и обсуждались на международных, всесоюзных, всероссийских, региональных научно-технических конференциях, симпозиумах и семинарах с 1985 по 2005 г.г., в том числе: «Участие и роль молодых ученых, аспирантов и студентов в ускорении научно-технического прогресса в народном хозяйстве» (Уфа, 1985); «Проблемы повышения производительности и качества продукции в условиях автоматизации машиностроительного производства» (Рыбинск, 1986); «Проблемы внедрения достижений научно-технического прогресса в области автоматизации и механизации производственных процессов» (Уфа, 1986); «Проблемы внедрения достижений научно-технического процесса в области автоматизации и механизации производственных процессов» (Уфа, 1986); «Динамика станочных систем гибких автоматизированных производств» (Тольятти, 1988); «Физическая оптимизация, управление и контроль процессов обработки резанием» (Уфа, 1991); «Оптимальная температура - основа современной теории и практики механообработки» (Уфа, 1989); «Конструкторско-технологическая информатика, автоматизированное создание машин и технологий» (Москва, 1989); «Разработка и внедрение автоматических производственных систем» (Севастополь, 1990); «Опыт эксплуатации станков с ЧПУ и средств их оснащения» (Севастополь, 1990); «Физическая оптимизация, управление и контроль процессов обработки резанием» (Уфа, 1991); «Технологические проблемы производства летательных аппаратов и двигателей» (Казань, 1993); «Технология и оборудование современного машиностроения» (Уфа, 1994); «Модели механики сплошной среды» (С -Петербург, 1995); «Информационные и кибернетические системы управления и их элементы» (Уфа, 1997); «Технология и оборудование современного машиностроения» (Уфа, 1998); «Проблемы авиации и космонавтики и роль ученых в их решении» (Уфа, 1998); «Компьютерные технологии в науке, проектировании и производстве» (Н. Новгород, 1999); «Повышение эффективности механообработки на основе аналитического и экспериментального моделирования процессов» (Рыбинск, 1999); «Интеллектуальное управление в сложных системах» (Уфа, 1999); «Новые технологии управления движением технических объектов (Новочеркасск, 1999); «Проблемы трансфера технологий» (Уфа-Патрас, 1999); «Технологии третьего тысячелетия» (С.-Петербург, 2001); «Аэрокосмичекие технологии образование на рубеже веков» (Рыбинск, 2002); «Системный анализ в проектировании и управлении» (С.-Петербург, 2004); «Оптимизация и управление процессом резания, мехатронные станочные системы» (Уфа, 2004); «Мехатроника, автоматизация, управление» (Уфа, 2005); выездном заседании головного совета «Машиностроение» МО РФ (Уфа, 2004).
Публикации
По теме диссертации опубликовано 65 работ, в том числе 1 монография, 1 учебное пособие (с грифом Министерства образования РФ), 34 статьи, 5 научно-технических отчетов.
Структура и содержание работы
Диссертация состоит из введения, семи глав, заключения, списка литературы и приложений, изложенных на 388 страницах и содержит 85 рисунков, 12 таблиц, библиографический список из 525 наименований.
Во введении обосновывается актуальность исследуемой проблемы синтеза адаптивных систем оптимального управления МСМ и повышения эффективности управления ПР в условиях неопределенности, формулируется цель и задачи диссертационной работы, дается краткая характеристика ее основных разделов и полученных результатов.
В первой главе дается общая характеристика современных и перспективных систем управления МСМ. Рассматриваются особенности ПР как объектов управления, выявляются основные факторы, оказывающие влияние на показатели качества и эффективности САУ ПР. Проведен анализ существующих подходов к синтезу САУ ПР в условиях неопределенности. Показывается, что одной из наиболее существенных проблем при построении высококачественных систем управления ПР является неопределенность характеристик объекта управления и внешних воздействий, обусловленных такими факторами, как изменение режимов работы оборудования, нестабильность характеристик материала заготовок и режущего инструмента, нестабильность характеристик и износ оборудования, износ режущего инструмента и т.д. Излагаются общие принципы построения многорежимных многоканальных САУ ПР в классе многоуровневых систем. Разрабатывается с позиций системного подхода методология оптимизации данного класса систем, основанная на учете фактора неопределенности как на стадии проектирования, так и в процессе функционирования системы для каждого из уровней ее организации. В соответствии с предложенной методологией сформулированы основные задачи диссертационной работы, решение которых ориентировано на создание теоретических и методологических основ оптимизации многорежимных многоканальных САУ в условиях структурно-параметрической неопределенности, а также на исследование эффективности полученных результатов.
Во второй главе рассмотрены вопросы оптимизации замкнутых локальных подсистем управления ПР в классе систем с неперестраиваемыми регуляторами. Предложен новый подход к синтезу оптимальных замкнутых локальных подсистем управления ПР, обеспечивающий робастную устойчивость, определенный уровень качества управления (не хуже некоторого определенного значения критерия оптимальности) в системе, а также физическую реализуемость регуляторов координатного управления в условиях структурно-параметрической неопределенности объекта. Разработан оптимизационный метод синтеза локальных подсистем управления ПР с интервальной параметрической неопределенностью с использованием введенных базовых передаточных функций объекта. Процедура оптимизации предусматривает предварительное аналитическое выделение параметрического множества передаточных функций интервальной локальной подсистемы из условия минимума ее функционала качества, сформированного с учетом базовых передаточных функций объекта, и последующую численную оптимизацию подсистемы в пространстве варьируемых параметров, в качестве которых выступают весовые коэффициенты функционала. Сформулировано условие робастной устойчивости синтезируемой системы, что позволяет обеспечить устойчивость квазиоптимальной системы, показатели качества переходных процессов не. хуже заданных, физическую реализуемость регуляторов, уменьшить разброс свойств системы в условиях интервальной параметрической неопределенности, а также формализовать процедуру выбора полинома весовых коэффициентов минимизируемого функционала. Предложенный оптимизационный метод синтеза обобщен на класс систем со структурно-параметрической неопределенностью. Исследована возможность синтеза неперестраиваемых регуляторов, обеспечивающих квазиоптимальность (в смысле выбранного функционала качества) локальной подсистемы в условиях структурных возмущений объекта управления. Процедура оптимизации гарантирует устойчивость и физическую реализуемость регулятора системы для любых возможных структур и значений параметров объекта. Предлагаемый подход принципиально обеспечивает достижимость решения задачи оптимизации, т.е. существование совместной области устойчивости для возможных структурных состояний подсистемы управления. Исследована эффективность предлагаемого подхода на примере синтеза квазиоптимального управления для ПР с учетом интервальной параметрической неопределенности.
Третья глава посвящена разработке метода совмещенного синтеза локальных подсистем ПР, под которым понимается синтез оптимальных управлений в реальном времени в процессе функционирования системы. Предложен новый подход к совмещенному синтезу локальных подсистем ПР, который позволяет обеспечить требуемые показатели качества процессов управления в условиях неопределенности свойств объекта и изменяемой цели управления. Предлагаемый метод основан на адаптивной коррекции параметров функционала (его весовых коэффициентов) исходя из минимума вторичного показателя качества, отражающего выполнение технических требований системой. В рамках этого предложен подход к формированию критерия оптимизации на основе функционалов с мультипликативной функцией затрат на управление, который позволяет формализовать и значительно упростить процедуру коррекции весовых коэффициентов минимизируемого функционала и осуществлять синтез оптимального управления в реальном времени. Это обусловлено возможностью получения аналитических выражений, напрямую связывающих весовые коэффициенты данного класса функционалов с коэффициентами эквивалентных уравнений синтезируемой системы. При этом сложная традиционная процедура оптимального синтеза производится только один раз на стадии проектирования системы с целью определения структуры и начальных параметров регулятора. В дальнейшем осуществляется лишь простая процедура целенаправленного формирования оптимальных показателей качества управления в системе путем коррекции коэффициентов ее регулятора через полученные заранее уравнения связи этих коэффициентов с весовыми коэффициентами минимизируемого функционала. С этой целью разработан метод линеаризованной подстановки, который для данного класса функционалов позволяет путем перехода в них к новой независимой переменной получить из исходных дифференциальных уравнений замкнутой системы эквивалентные нелинейные (в общем случае) дифференциальные уравнения. После линеаризации этих уравнений коэффициенты полиномов соответствующих эквивалентных передаточных функций замкнутой системы становятся функциями от весовых коэффициентов функционала, что позволяет избежать традиционной процедуры численной параметрической оптимизации и рассматривать данные весовые коэффициенты как настраиваемые параметры оптимального регулятора. Предложенный приближенный метод позволяет значительно сократить вычислительные затраты в процессе синтеза оптимальных управлений и автоматизировать процедуру выбора весовых коэффициентов минимизируемого функционала путем их адаптивной настройки в процессе функционирования системы. Разработаны алгоритмы адаптации квазиоптимальных локальных подсистем управления ПР с использованием градиентного метода для настройки параметров оптимального регулятора (весовых коэффициентов функционала). Предложенный подход к совмещенному синтезу позволяет обеспечить устойчивость адаптивной системы оптимального управления, формализовать выбор настраиваемых параметров основного контура и устранить трудности при определении моделей чувствительности, необходимых для реализации градиентных методов самонастройки. Показана эффективность предлагаемого подхода на примерах адаптивного управления квазиоптимальной локальной подсистемой в условиях параметрической неопределенности.
Четвертая глава посвящена исследованию возможности применения нейросетевых алгоритмов в беспоисковых самонастраивающихся системах (БСНС) с эталонной моделью обобщенного настраиваемого объекта (ОНО), функционирующих в условиях интервальной параметрической неопределенности. Показано, что в условиях значительных по величине интервалов изменения параметрических возмущений, одним из наиболее эффективных подходов к построению систем управления ПР является реализация их в классе адаптивных систем, в частности в классе БСНС с эталонной моделью ОНО. Однако, практическое применение указанного класса БСНС ограничивается рядом причин, которые связаны прежде всего с обеспечением требуемого качества отработки параметрических возмущений в условиях неопределенности характеристик последних, физической реализуемостью контуров параметрического управления (содержащего идеальные дифференцирующие звенья, в общем случае достаточно высокого порядка), а также со сложностью процедуры синтеза устройства адаптации. В связи с этим предложен новый подход, основанный на применении в БСНС с эталонной моделью (ЭМ) ОНО нейросетевых алгоритмов самонастройки, которые позволяют устранить указанные недостатки. Переход в дискретную область и затем к нейросетевому базису позволил представить РПУ системы в виде многослойной динамической нейронной сети (НС), практически реализующей идеальные дифференцирующие звенья. Разработана методика синтеза алгоритмов самонастройки на базе нелинейного нейросетевого регулятора параметрического управления (РПУ) с перекрестными связями, обучение (настройка) которого производится по эталонной модели на стадии проектирования системы. Методика позволяет упростить процедуру разработки алгоритма адаптации для рассматриваемого класса БСНС и обеспечить устойчивость и высокое качество отработки параметрических возмущений в условиях интервальной параметрической неопределенности объекта управления. Исследована эффективность предлагаемой методики синтеза.
В пятой главе рассмотрены вопросы координации (согласования) локальных подсистем, т. е. поддержания заданных функциональных соотношений между несколькими регулируемыми переменными многоканальной системы. Причем координация осуществляется на динамических режимах работы сложного объекта, вызванных действием достаточно больших по величине неконтролируемых возмущений (как сигнальных, так и параметрических), когда возможности их парирования на уровне локальных подсистем оказываются исчерпанными. В этом случае приходится прибегать к парированию данных возмущений на уровне системы в целом посредством введения координирующих обратных связей между локальными подсистемами, т. е. с помощью координированного управления. Предложены структурные решения системы координированного управления как однотипными так и неоднотипными локальными подсистемами, заключающиеся в организации дополнительных обратных связей по ошибкам координации, что принципиально позволяет обеспечить высокое качество координации при действии на систему как параметрических, так и сигнальных возмущений. Определены условия устойчивости рассматриваемого класса систем координированного управления, показана возможность применения в контурах координации звеньев с бесконечно большим коэффициентом усиления. Разработана методика синтеза передаточных функций устройств координации, обеспечивающих требуемое качество функционирования системы как по выходным координатам локальных подсистем, так и по ошибкам координации при действии на систему как параметрических, так и сигнальных возмущений. Предложена нейросетевая реализация алгоритмов координированного управления, основанная на использовании трехслойных динамических нейросетей персептронного типа, позволяющих реализовать в дискретной форме физически нереализуемые в непрерывном виде передаточные функции устройств координации. Кроме этого нейросетевые алгоритмы позволяют обеспечить устойчивость системы для более широкого класса как однотипных, так и неоднотипных локальных подсистем, в том числе и для подсистем, обладающих существенными инерционными свойствами. Исследована эффективность предложенных технических решений, алгоритмов и методик на примерах синтеза систем координированного управления однотипными и неоднотипными локальными подсистемами.
Шестая глава посвящена вопросам оперативной оптимизации программ управления режимами работы локальных подсистем на основе методов искусственного интеллекта. Предложена нечеткая нейросетевая модель знаний о ПР для оперативного вычисления нечетких функций целей и ограничений, обладающая возможностями самоорганизации и параметрической оценки неопределенности используемой информации. При этом применение предложенного способа построения параметризированных нечетких множеств, нечетких отношений и операций позволяет повысить скорость вычислений на 1-2 порядка по сравнению с выполнением классических max-min операций с поэлементными множествами. Разработаны методика и алгоритмы обучения (идентификации параметров) модели знаний о ПР, которые направлены на снижение неопределенности знаний и которые сводятся в итоге к формированию оптимальной архитектуры НС, аппроксимирующей связи ПР с заданным уровнем неопределенности и минимальным временем вычислений. На основе предложенных подходов разработана структура интеллектуальной системы программного управления процессом токарной обработки. Синтезирован алгоритм формирования программы управления режимами ПР в условиях неопределенности во время технологического перехода на основе оперативного вычисления значений функций целей и ограничений.
В седьмой главе представлены результаты технической реализации и практического использования полученных в работе результатов при проектировании и эксплуатации систем управления ПР. Показано, что практическая реализация разработанных алгоритмов оптимального, адаптивного и интеллектуального управления возможна несколькими путями, в частности реализация на базе автономных электронных и микропроцессорных блоков, а также программно-аппаратная реализация на базе микропроцессорных УЧПУ типа CNC (Computer Numerical Control) и PCNC (Personal Computer Numerical Control). К достоинствам первого варианта можно отнести определенную инвариантность к типу УЧПУ и достаточную свободу в выборе элементной базы, к достоинствам второго варианта значительно меньшие затраты на реализацию и более высокая надежность за счет сокращения аппаратных средств. Рассмотрены вопросы реализации разработанных алгоритмов управления на базе микропроцессорных УЧПУ типа CNC. В этой связи разработаны вопросы организации программ автоматического управления (ПАУ), определения места и задач ПАУ в программном обеспечении устройства ЧПУ типа CNC, структуры данных и процедур ПАУ, которые позволяют систематизировать связи с имеющимися функциональными задачами ЧПУ и, в конечном итоге, создать «открытое» для ПАУ программное обеспечение. На этой основе рассмотрена реализация микропроцессорной САУ процессом резания на базе УЧПУ типа CNC 2Р32М. Для данной системы разработаны алгоритмы и осуществлена организация выполнения «быстрой» и «медленной» (основной) задач ПАУ, разработаны алгоритмы формирования управляющих воздействий локальных подсистем, (скорости резания и подачи инструмента), и алгоритма регулятора основного контура САУ ПР. Рассмотрена микропроцессорная САУ ПР на базе устройства ЧПУ 2Р32М для управления токарным станком ТЛ - 1000. Показано, что техническая реализация интеллектуальных алгоритмов системы управления ПР наиболее целесообразна на базе микропроцессорных УЧПУ класса PCNC.
