購買設(shè)計請充值后下載，，資源目錄下的文件所見即所得，都可以點開預(yù)覽，，資料完整，充值下載就能得到。。?！咀ⅰ浚篸wg后綴為CAD圖，doc,docx為WORD文檔，有不明白之處，可咨詢QQ:1304139763
摘要
在帶鋸加工過程中，希望帶鋸條能以一個合適的進給力切入到工件之中，以實現(xiàn)高效的切割操作。它可以被完成通過在切削過程中準確地探測帶鋸條所受的阻力來控制進給速率和進給力。在本研究中，一個神經(jīng)-模糊系統(tǒng)基于控制帶鋸床工作過程的模型被建立。切削參數(shù)不斷的更新通過一個輔助的神經(jīng)網(wǎng)絡(luò)算法，以抵償環(huán)境帶來的干擾。所需的進給速率和切削速度通過先進的模糊邏輯控制器被調(diào)節(jié)。使用一些鋼材樣本進行的切削實驗結(jié)果表明，發(fā)達的神經(jīng)模糊系統(tǒng)能夠在帶鋸制材過程中，實時地進行切削速度和進給速率的控制。一個材料識別系統(tǒng)通過使用測量所得到的切削力被開發(fā)。在切削操作的一開始，材料就能被確認，切削力模型得到更新通過檢測到的材料類型。因此，切削速度和進給速率通過更新后的模型被調(diào)節(jié)。新的技術(shù)發(fā)現(xiàn)，現(xiàn)有的生產(chǎn)系統(tǒng)容易可積。
關(guān)鍵詞 智能制造；模糊控制；神經(jīng)模糊控制器；自適應(yīng)控制帶鋸床；帶鋸床
Abstract
In bandsaw machines, it is desired to feed the bandsaw blade into the workpiece with an appropriate feeding force in order to perform an efficient cutting operation. This can be accomplished by controlling the feed rate and thrust force by accurately detecting the cutting resistance against the bandsaw blade during cutting operation. In this study, a neural-fuzzy-based force model for controlling band sawing process was established. Cutting parameters were continuously updated by a secondary neural network,to compensate the effect of environmental disturbances. Required feed rate and cutting speed were adjusted by developed fuzzy logic controller. Results of cutting experiments using several steel specimens show that the developed neural-fuzzy system performs well in real time in controlling cutting speed and feed rate during band sawing. A material identification system was developed by using the measured cutting forces. Materials were identified at the beginning of the cutting operation and cutting forces model was updated by using the detected material type. Consequently, cutting speed and feed rate were adjusted by using the updated model. The new methodology is found to be easily integrable to existing production systems.
Keywords Intelligent manufacturing Fuzzy control Neural-fuzzy controller
Adaptive control of band sawing Band sawing
Ⅱ
1 前言
對于帶鋸機床，機器的額定功率限制了被切削金屬的厚度和硬度。在帶鋸機床工作過程中，金屬的移除是通過一個多齒的刀具切削工件完成的。鋸床切削的深度無法像其它金屬切削加工那樣預(yù)設(shè)，只能通過施加在鋸條與工件材料之間的軸向載荷來控制。金屬通過每個齒的去除量主要取決于鋸條對工件施加的壓力和切牙的滲透能力。因此，加工力的生成在鋸切加工過程中比在其他碎屑加工過程中更有意義。人們已經(jīng)發(fā)現(xiàn)，推力和每牙單位厚度上的切割載荷隨著切削速度的增加而減少。推力的減小將導(dǎo)致減少從事切削任務(wù)的牙齒的切削深度。進給速率的增加將會導(dǎo)致每一個牙齒上的切削力和推力載荷大幅度的增加。工件的幾何結(jié)構(gòu)對切削性能也有重要的影響。對于帶鋸床，推力負載通常是沿著工件寬度方向恒定。當鋸切圓形截面工件時，工件的寬度在減少，隨著切削寬度的增加，鋸條移向工件中心，隨著切削寬度的減少，消減逐漸完成。帶鋸床運行在一個壓力進給恒定的原則下，正如前面所說的那樣，當鋸條鋸切不同截面工件的時候，每個齒的進刀量維持常數(shù)。
人工智能（AI）技術(shù)廣泛應(yīng)用于解決復(fù)雜的工程問題。一些最常用的人工智能技術(shù)是神經(jīng)網(wǎng)絡(luò)算法（NN）、模糊邏輯（FL）和使用混合動力車的模型。
人工智能技術(shù)應(yīng)用在制造業(yè)的每個階段。在工業(yè)中，機械加工是一個最基本的制造方法。制造商們必須最小化成本和加工時間，此外，產(chǎn)品必須滿足要求的尺寸規(guī)格和質(zhì)量標準在市場競爭中。
增加金屬切削機床的生產(chǎn)能力是制造商們首要關(guān)注的。在傳統(tǒng)的加工系統(tǒng)中，切削參數(shù)根據(jù)加工手冊或者用戶體驗往往被優(yōu)先選定用以加工。所選的加工參數(shù)通常是保守的，以避免加工失敗。為了保證加工產(chǎn)品的質(zhì)量，減少加工成本，提高加工效率，實時地調(diào)節(jié)加工參數(shù)和優(yōu)化加工工藝是必要的在那個時候。加工過程中的自適應(yīng)控制能很好的解決以上問題。
因為帶鋸切過程是非線性的和時變的，所以傳統(tǒng)的識別方法難以提供一個精確的模型。自適應(yīng)控制提供了在線調(diào)整的操作條件。因此，加工過程的參數(shù)自適應(yīng)控制技術(shù)被用來自動調(diào)整進給速率以保持恒定的切削力。運用這些技術(shù)成功的增加了金屬的切削速度和刀具壽命。
在本文中，一種智能模糊自適應(yīng)控制方案被提出，以用于帶鋸切加工過程。被提出的自適應(yīng)控制系統(tǒng)可以高效地應(yīng)用在各式各樣的切削環(huán)境下。
2 文獻調(diào)查
有很多關(guān)于監(jiān)測和控制機械加工的文獻。
Groover指出傳統(tǒng)的控制理論是低效的、不穩(wěn)定的，因為在加工過程中有各式各樣的干擾。它表明固定切削力將是一個有用的方法來提高刀具壽命和材料去除率（Groover,1987）。
傳統(tǒng)的PID反饋控制系統(tǒng)已經(jīng)被許多研究人員應(yīng)用在控制加工過程中(Masory and Koren,1980,1985;lauderbaugh and Ulsoy,1989;Koren,1988)。固定增益自適應(yīng)控制約束（ACC）系統(tǒng)的一個主要問題是生產(chǎn)表現(xiàn)不佳和時變加工過程中可能會變得不穩(wěn)定。使用各種形式的自適應(yīng)控制的ACC系統(tǒng)已經(jīng)被檢查，通過調(diào)節(jié)控制器的增益。
模型參考自適應(yīng)控制的自適應(yīng)控制約束系統(tǒng)（MRAC）已經(jīng)被一些研究人員開發(fā)（Masory and Koren,1980,1985;Lauderbaugh and Ulsoy,1989）。這些研究表明模型參考自適應(yīng)系統(tǒng)比固定增益控制器表現(xiàn)的更好。一個典型的模型參考自適應(yīng)系統(tǒng)包含了切削過程中的參數(shù)估計。
最近，許多研究已經(jīng)致力于模糊控制理論及其在機械加工過程中的應(yīng)用。Tarng等人開發(fā)了一個基于邏輯的模糊控制器，為了操作的自適應(yīng)控制。先進的基于邏輯的模糊控制器可以在線的調(diào)節(jié)進給速率，以減少加工時間和維持力（Tarng and Cheng,1993;Tarng and Wang,1993）。
Zhang and Khanchustambham (1993)在實驗中發(fā)現(xiàn)，通過在線監(jiān)測和加工過程中的控制，工藝流程優(yōu)化是可能的。這就基本消除了由操作人員所引入的干擾。
一個在線的監(jiān)測系統(tǒng)已經(jīng)被Ordonezet等人（1997）設(shè)計出來通過基于傳感器的人工智能。在切削過程中，來自傳感器的信號已經(jīng)用于人工智能決策。使用神經(jīng)網(wǎng)絡(luò)算法將通過力轉(zhuǎn)換器獲得的實時信號和估計得到的切削力進行比較。因此，估算模型被應(yīng)用于表面粗糙度、刀具磨損和幾何公差。前饋和方向傳播算法分別作為神經(jīng)網(wǎng)絡(luò)模型的體系結(jié)構(gòu)和實驗算法。直接和間接的將自適應(yīng)模糊技術(shù)和傳統(tǒng)的模擬控制進行了比較。
在銑削過程中，為了恒定切削力，Rodolfo等人1998年提出了一種自適應(yīng)控制方法。于是恒定的進給速率問題被很快的研究。
Tsai等人（1999）觀察到，表明粗糙度可以通過一個或多個定量測量實驗來確定。估計的表明粗糙度模型基于刀具和工件之間的相互振動。估計的表明粗糙度值通過振動和接近傳感器的信號得到改善。系統(tǒng)的準確性達到96%—99%。
Liu and Wang(1999)基于兩種神經(jīng)網(wǎng)絡(luò)算法，為銑削加工設(shè)計了一種自適應(yīng)控制器的優(yōu)化設(shè)計方案。一種能夠調(diào)節(jié)自身學(xué)習(xí)速率和添加學(xué)習(xí)過程動態(tài)因數(shù)的反向傳播神經(jīng)網(wǎng)絡(luò)被提出，它應(yīng)用于銑削系統(tǒng)的在線建模。修改后的增廣拉格朗日乘法器（ALM）神經(jīng)網(wǎng)絡(luò)模型被提出，用來調(diào)整它的循環(huán)步驟，應(yīng)用于銑削過程的實時最佳控制。在這項研究中，通過模擬仿真和實驗結(jié)果表明，不僅設(shè)計控制器的銑削系統(tǒng)有很高的穩(wěn)健性和全局穩(wěn)定性，而且有自適應(yīng)控制器的銑削系統(tǒng)的加工效率也比傳統(tǒng)的CNC銑削系統(tǒng)高出很多。
限制式自適應(yīng)控制是控制加工過程的方法之一。力的控制算法已經(jīng)被大量的研究人員開發(fā)和評估。其中最普通的就是固定增益比例積分（PI）控制器，最早由Kim等人（1999）提出。控制器的增益調(diào)整以應(yīng)對切削條件的變化。
神經(jīng)網(wǎng)絡(luò)控制器的最本質(zhì)的目標是構(gòu)建一個反向功能以使用神經(jīng)網(wǎng)絡(luò)的加工系統(tǒng)，以便機械加工系統(tǒng)的實際輸出接近理想的輸出。機械加工過程往往可以通過調(diào)節(jié)進給速率或者主軸轉(zhuǎn)速來控制?；谏窠?jīng)網(wǎng)絡(luò)的ACC系統(tǒng)已經(jīng)被應(yīng)用于機械加工過程的控制（Liu et al,1999;Hang and Chiou,1996）。
在Liu等人（2001）研究中，主要討論了自適應(yīng)控制約束系統(tǒng)基于反饋控制、參數(shù)自適應(yīng)控制、模型參考自適應(yīng)控制、可變結(jié)構(gòu)控制、模糊控制、神經(jīng)網(wǎng)絡(luò)控制。他們對典型應(yīng)用恒定切削力的控制系統(tǒng)進行了描述，一些最近的實驗結(jié)果被公布。
Sandak and Tanaka提出了一種模糊神經(jīng)網(wǎng)絡(luò)實現(xiàn)最佳設(shè)置的在線方法。使用幾種木材的切削實驗結(jié)果表明，在帶鋸切過程中，開發(fā)的模糊神經(jīng)系統(tǒng)在在線進給速率控制方面表現(xiàn)良好，保證了偏差在允許的范圍內(nèi)（Sandak and Tanaka,2003）。
Zuperl等人（2005）探討了模糊自適應(yīng)控制策略的應(yīng)用問題，即在高立銑操作中如何控制切削力。在他們的自適應(yīng)控制系統(tǒng)中，為了維持一個恒定的切削力，進給速率在線上被調(diào)整，盡管切削的環(huán)境是變化著的。他們開發(fā)了一個簡單的智能系統(tǒng)模糊控制策略并進行了一些模擬實驗。
Ahmad等人（1987）研究了切削速度、進給速率和工件的幾何形狀在帶鋸切過程中的影響。在實驗研究中發(fā)現(xiàn)，推力和切削力不變時，每牙單位厚度上的切割載荷隨著切削速度的增加而減少。
Ko和Kim觀察到，為了創(chuàng)造一個切削力的機械載體模型，特定的切削壓力應(yīng)該能夠通過切削實驗獲得。帶鋸切過程類似于銑削加工，因為它包含多點切割，所以它不是一個簡單評估特定切割壓力的問題。通過分析鋸齒的幾何形狀來預(yù)測切削力的大小。他們發(fā)現(xiàn)預(yù)測的切削力大小與在校驗實驗中測量得到的數(shù)值能很好的吻合。因此，在帶鋸切過程中，切削力的預(yù)測可以被應(yīng)用于保證鋸床進給速率的自適應(yīng)控制（Ko and Kim,1999）。
Arderson等人（2001）提出了一個金屬帶鋸床機械切削力模型。該模型描述了單個牙齒之間的切削力的變化、初始位置錯誤、刀具的動態(tài)和邊緣磨損。帶鋸切是一個多齒切削的過程，鋸切作用的術(shù)語被拿來與其他切削工藝相比較、討論。
3 加工過程的自適應(yīng)控制
智能制造系統(tǒng)的應(yīng)用包括監(jiān)測和控制技術(shù)。這個系統(tǒng)改善了加工操作，在這個系統(tǒng)中，加工過程的相關(guān)數(shù)據(jù)被記錄，加工過程被控制。制造業(yè)被計算機技術(shù)所影響。最近，自動化作業(yè)適用于材料處理、質(zhì)量監(jiān)控、運動控制、電源控制、過程控制等方面。加工過程的傳感更加全面和復(fù)雜。許多論文上都有監(jiān)測和控制機床的記錄。
研究人員和企業(yè)家們關(guān)注刀具監(jiān)控和自適應(yīng)控制。智能控制的一個最重要的功能是提供所需的運動在未知或不確定的環(huán)境下。通過監(jiān)測系統(tǒng)，機床和刀具得到保護。通過刀具磨損測量，刀具更換成本、報廢率和生產(chǎn)成本得到降低。因此，機床的能力被很好的保持。
在加工過程中，進給速率被不斷地調(diào)節(jié)目的是保持在自適應(yīng)控制系統(tǒng)的加工過程中常數(shù)參考力不變。多虧了自適應(yīng)控制，因為它旨在最大限度地減少生產(chǎn)時間、調(diào)整進給速率和尋找多功能機床在工作條件下的最佳值。因此，刀具壽命的增加限制了裝載應(yīng)用程序。
3.1 在加工過程中，自適應(yīng)控制的必要性
隨著高度或?qū)挾鹊臏p少，進給速率往往被調(diào)整以彌補加工過程的多變性。這種類型的變化經(jīng)常出現(xiàn)在側(cè)面銑或外形修整操作中（Groover,1987）。
當在工件中出現(xiàn)硬點或機器遇到困難，會減少速度或進給，以避免刀具過早的失效。
如果工件的剛度不足，工件將會轉(zhuǎn)向，在這個過程中，進給速率必須減少以保證加工精度。
隨著刀具開始變鈍，切削力會增加。自適應(yīng)控制器對遲鈍的刀具通常地反應(yīng)是減少進給速率。
工件的幾何形狀中可能包含不需要加工的部分。如果刀具以同樣的進給速度繼續(xù)通過這些所謂的空氣隙，時間將會被浪費。因此，當遇到空氣隙時，典型的加工過程是增加進給速率兩到三倍。
這些可變性的來源是時變的，在大多數(shù)情況下，無法預(yù)測加工過程的變化。應(yīng)該研究如何使用自適應(yīng)控制來補償這些變化。
3.2 加工過程的自適應(yīng)控制方法
下面提到的方法用于加工操作，這些方法是優(yōu)化自適應(yīng)控制、幾何自適應(yīng)控制和自適應(yīng)控制約束。
3.2.1 最優(yōu)自適應(yīng)控制（ACO）
在這種類型的自適應(yīng)控制中，為系統(tǒng)指定了性能指標。這個性能指標經(jīng)過一個整體的過程被測量得到，如產(chǎn)量或每卷金屬的移除成本。目的是優(yōu)化性能的指標通過控制速度或/和進給率。
一個擁有自適應(yīng)控制器的系統(tǒng)可以基于神經(jīng)網(wǎng)絡(luò)算法被構(gòu)建，以用于加工過程，見圖3-1。在線建模系統(tǒng)通過修改后的壓力變換器學(xué)習(xí)算法。實時地調(diào)整進給速率和過程優(yōu)化通過修改后的增廣拉格朗日乘法器神經(jīng)網(wǎng)絡(luò)算法。在這個過程中，測得的切削力與估計的切削力的不同作為反向傳播的神經(jīng)網(wǎng)絡(luò)同時去調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)算法的權(quán)值。進給速率的調(diào)整相當于改變函數(shù)約束（Liu et al,1999）。
圖3-1 銑削系統(tǒng)自適應(yīng)控制優(yōu)化框圖
3.2.2 幾何自適應(yīng)控制（GAC）
幾何自適應(yīng)控制往往應(yīng)用在加工結(jié)束階段，以達到良好的表面質(zhì)量和/或精確的零件尺寸即使出現(xiàn)刀具磨損、變形（Liang et al,2004）。由于進給速率和表明質(zhì)量之間的關(guān)系，表面粗糙度和尺寸精度是通過不斷的檢測傳感器反饋信號的手段獲得的。
因此，在大多數(shù)幾何自適應(yīng)控制系統(tǒng)中，切削速度是常數(shù)，通過操作機器的進給運動以獲得所需的表面質(zhì)量（Masory and Koren,1980）。
車削的尺寸精度通常是通過測量加工后各點的部分直徑來獲得。超聲波傳感器用于車削操作的估計和控制表面粗糙度（Coker and Shin,1996）。手動調(diào)節(jié)偏移距離以抵消誤差。
3.2.3 限制式適應(yīng)控制（ACC）
這種方法的目的是控制速度和/或進給速率以保證測量得到的變量低于約束限定的值。一種典型的自適應(yīng)控制加工過程的配置見圖3-2。
圖3-2 積分ACC系統(tǒng)的轉(zhuǎn)換過程
限制式自適應(yīng)控制是解決以上問題的一個高效的手段。ACC控制著機器參數(shù)以保證機器的最大工作能力在時變加工過程中。切削力、功率、表明質(zhì)量等都是不變的參數(shù)。
其中Fout 是過程輸出，F(xiàn)meas 是測的力，F(xiàn)ref 是參考力，e 是輸出誤差，f 是進給速率。
性能指標通常取決于經(jīng)濟，同時也是加工和系統(tǒng)約束最大化問題。對于這種形式的自適應(yīng)控制，約束限制被應(yīng)用于測量過程的變量。性能指標是材料移除率（MRR）比上刀具磨損率（TWR）見式（3.1）。這一比例必須最大化。
性能指標：
PI = MRRTWR 式（3.1）
這里，PI是性能指標；MRR是材料移除率；TWR是刀具磨損率。
現(xiàn)在的技術(shù)實時的測定性能指標是相當困難的。因為TWR不是一個實時測量值。Liu等人（2001）把限制式自適應(yīng)控制分為以下幾類：
——基于反饋的ACC系統(tǒng)
——基于自我調(diào)節(jié)的ACC系統(tǒng)
——基于模型參考自適應(yīng)的ACC系統(tǒng)
——基于可變結(jié)構(gòu)系統(tǒng)的ACC系統(tǒng)
——基于神經(jīng)網(wǎng)絡(luò)算法的ACC系統(tǒng)
——基于模糊控制的ACC系統(tǒng)
下面解釋以上提到的常用方法。
3.2.3.1 基于自我調(diào)節(jié)的ACC系統(tǒng)
參數(shù)自適應(yīng)控制ACC系統(tǒng)的早期版本開發(fā)過程是使用一個簡單的在線估計量以調(diào)節(jié)積分控制器在增益和積分策略過程中的增益。這一戰(zhàn)略的缺陷是切削過程中的動力被忽視，沒有運用自適應(yīng)設(shè)計技術(shù)。自適應(yīng)控制器包括以下兩個功能：
1.在切削過程中，在線估計參數(shù)
2.實時控制
伺服回路是一個三階系統(tǒng)模型，如下所述：
調(diào)節(jié)器被設(shè)計用來滿足性能參數(shù)的要求?；谧晕艺{(diào)節(jié)的ACC系統(tǒng)框圖見圖3-3。
圖3-3 基于自我調(diào)節(jié)的ACC系統(tǒng)
這個設(shè)計是基于系統(tǒng)的輸出響應(yīng)。這個設(shè)計的主要問題是系統(tǒng)的穩(wěn)定性。這個問題通過根軌跡圖得到解決?？刂扑惴ǖ脑鲆婧蜁r間常數(shù)的調(diào)節(jié)已經(jīng)被這種方法所研究。其它工藝通常是基于齊格勒和尼科爾斯的方法?；谧晕艺{(diào)節(jié)的ACC已廣泛的應(yīng)用于時間滯后、非線性和多控制循環(huán)系統(tǒng)中。這種類型系統(tǒng)的穩(wěn)定性沒有明確的定義。自我調(diào)節(jié)控制在監(jiān)控控制器參數(shù)方面顯示出多樣性。
3.2.3.2 基于模型參考自適應(yīng)的ACC系統(tǒng)
系統(tǒng)所需的行為由參考模型所決定。這個系統(tǒng)的性能可以被表示為自適應(yīng)伺服系統(tǒng)。它有一個控制器和常規(guī)反饋系統(tǒng)?？刂破鲄?shù)通過“e”錯誤信號被改變。一般的想法是創(chuàng)建一個模型參考自適應(yīng)控制閉環(huán)控制器參數(shù)，可以被更新以改變系統(tǒng)的響應(yīng)。將系統(tǒng)的輸出同從參考模型上得到的響應(yīng)相比較?；谒鼈兊牟顒e以控制參數(shù)更新。參數(shù)的目標是收斂引起設(shè)備對參考模型匹配響應(yīng)的理想值。使用MRAC，你可以選擇一個對一個階躍快捷響應(yīng)的參考模型。此外，更近一步的想法是構(gòu)建一個模型參考自適應(yīng)控制閉環(huán)控制器參數(shù)，通過更新，改變系統(tǒng)的響應(yīng)以匹配所需的模型。有許多不同的方法來設(shè)計這樣的一個控制器。其它類型的設(shè)計是使用MIT原則在一個連續(xù)的時間里。當使用MIT原則設(shè)計一個MRAC時，設(shè)計師需要選擇：參考模型、控制器結(jié)構(gòu)和優(yōu)化的增益來調(diào)節(jié)機械裝置。
MRAC首先定義跟蹤誤差e。設(shè)備的輸出與參考模型的輸出有這樣的區(qū)別：
e=yproc-yref 式（3.2）
MRAC的框圖見圖3-4。
MRAC系統(tǒng)有很好的適應(yīng)性。因為其動態(tài)性能測定不是必需的。這個系統(tǒng)旨在系統(tǒng)的輸出逼近漸近的參考模型。
圖3-4 MRAC 的框圖
4 鋸床的智能自適應(yīng)控制系統(tǒng)（IACS）
在帶鋸制材過程中，為了提供穩(wěn)定的切削環(huán)境和根據(jù)材料特點選擇合適的加工參數(shù)，在線優(yōu)化和控制加工過程是必要的。傳統(tǒng)的自適應(yīng)控制器的性能很大程度上取決于加工過程的模型的準確性。因為機械加工是一個非線性、時變的過程。傳統(tǒng)的自適應(yīng)控制器很難實現(xiàn)有效的控制在加工過程中。限制式適應(yīng)控制是能很好地解決以上問題的方法之一。ACC控制著加工參數(shù)以保證最優(yōu)的工作條件在時變加工過程中。在這個工作中，為了避免上述難題，一個基于模糊的自適應(yīng)控制器參數(shù)被建立起來，以用于帶鋸制材，實時的將模型的輸出同測得的切削力相比較。切削參數(shù)不斷的更新通過一個輔助神經(jīng)網(wǎng)絡(luò)算法以抵償環(huán)境因素所帶來的影響。通過模糊邏輯控制器，切削速度和進給速率被不斷地調(diào)節(jié)。神經(jīng)—模糊控制的方案被提出并利用，對帶有反向傳播的神經(jīng)網(wǎng)絡(luò)算法和模糊邏輯控制器進行了研發(fā)。這種控制的目標是保持可能高的金屬移除率和持續(xù)切削，推力盡可能地接近給定的參考值。此外，計算量和時間可以被減少相比古典或現(xiàn)代控制方法。
實驗和測試的神經(jīng)網(wǎng)絡(luò)算法以及加工的操作系統(tǒng)需要一組實驗數(shù)據(jù)。因為這個，一個關(guān)于帶鋸制材的實驗方案被構(gòu)建。
在帶鋸加工過程中，為了建立162種不同的切削狀態(tài)，準備了18個不同類型的標本在三個不同的材料組。
標本被車削和銑削到所需的尺寸。然后在880℃的環(huán)境下正?；?，以使樣本具有同質(zhì)性。樣品測定的硬度記為HB。數(shù)據(jù)采集是通過使用先進的軟件“ilhan_daq_vo1”。通過這個軟件，16通道實時數(shù)據(jù)被采集。
常量和切削參數(shù)被輸入到界面中。80個樣本測得的輸出和它們的平均值作為一個基準。圓形和正方形截面的樣本有3個不同的硬度和3個不同的直徑，用三種不同的切削速度、進給速率來加工。因此，實驗被執(zhí)行了162次（Asiltürk,2007）。實驗裝置的框圖見圖4-1。
過濾后的數(shù)據(jù)組合和數(shù)據(jù)文件已被輸入到神經(jīng)網(wǎng)絡(luò)中去。實驗和測試流程由這些數(shù)據(jù)所構(gòu)建，合適的NN模型被測定。一個帶有監(jiān)控的多層次反向傳播網(wǎng)絡(luò)算法被用作NN。
在這個自適應(yīng)控制系統(tǒng)中，記錄的數(shù)據(jù)通過NN和FL來評估，隨后這些數(shù)據(jù)用于自適應(yīng)控制決策。因此，帶鋸機床的操作得到了改善在要求的切削條件下。
模型由三個智能模型所組成，它們分別是IAM_1、IAM_2和IAM_3。IAM_1用于估計過程中切削力的變化。IAM_2是FL算法，通過估計的切削力與測得的切削力的不同來產(chǎn)生控制輸出。IAM_3是一個實時的NN算法被用于切削力模型的升級。
圖4-1 實驗裝置框圖
4.1 人工智能模塊（AIM_1）
對于輸入?yún)?shù)的系統(tǒng)，切削力（Fx和Fz）被認為是可測得的輸出參數(shù)，包括切削速度（V）、進給速率（f）、直徑（D）、硬度（H）、材料組無（G）、瞬時進給速率（fi）。數(shù)據(jù)有4482行8列從實驗中提取，其來源是AIM_1。數(shù)據(jù)是標準化的，在0—1范圍之間，網(wǎng)絡(luò)選為多層次前饋網(wǎng)絡(luò)，傳遞函數(shù)也是相切的函數(shù)或?qū)?shù)函數(shù)。此外，梯度下降優(yōu)化的方法被作為實驗方法函數(shù)和重量級，偏差值通過相應(yīng)的行動得到更新。
AIM_1，一個（3000×6）維度的數(shù)據(jù)矩陣作為輸入，并使用一個（3000×2）維度的數(shù)據(jù)矩陣作為輸出。為了測試這個系統(tǒng)，一個（1482×6）維度的數(shù)據(jù)矩陣作為輸入，并使用一個（1482×2）維度的數(shù)據(jù)矩陣作為輸出。兩個矩陣都是使用不用于實驗的剩下的數(shù)據(jù)。建模、實驗和AIM_1的測試通過使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱得到實現(xiàn)。
為了確定合適的網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的性能包括一定數(shù)量的輸入和輸出單元，測得的神經(jīng)單元相對于未被測定的神經(jīng)單元改變的數(shù)量是2,3,4,5,6,10,15,20,25,30,35,40,50。每層有6×30×2神經(jīng)單元的網(wǎng)絡(luò)在6000次選擇中有0.0020407的均方誤差。數(shù)據(jù)的圖形是測試過程的一部分，通過使用下面提到的網(wǎng)絡(luò)結(jié)構(gòu)，測得的力與估計的力的比較見表4-1。
表4-1 測得的切削力同估計的切削力的比較（通過NN）
NN實驗結(jié)果
NN實驗結(jié)果
NN預(yù)測輸出
測得輸出
NN預(yù)測輸出
測得輸出
Fx
Fz
Fx
Fz
Fx
Fz
Fx
Fz
442.2057
763.703
445.1773
733.1902
442.2057
763.703
445.1773
733.1902
134.4875
195.475
133.4109
206.7233
134.4875
195.475
133.4109
206.7233
152.6661
284.764
150.5178
263.7395
152.6661
284.764
150.5178
263.7395
138.7918
211.7589
128.3311
171.0689
138.7918
211.7589
128.3311
171.0689
134.818
196.2869
140.0077
184.7306
134.818
196.2869
140.0077
184.7306
59.97765
86.89377
62.5727
85.94994
59.97765
86.89377
62.5727
85.94994
351.7195
656.4338
349.2264
652.6025
351.7195
656.4338
349.2264
652.6025
145.1744
258.2446
148.8639
248.5279
145.1744
258.2446
148.8639
248.5279
355.8429
705.9138
349.5964
772.7656
355.8429
705.9138
349.5964
772.7656
307.5868
559.0349
320.4081
508.9903
307.5868
559.0349
320.4081
508.9903
188.2508
298.9447
179.2608
329.5293
188.2508
298.9447
179.2608
329.5293
117.264
196.0613
120.6795
193.0908
117.264
196.0613
120.6795
193.0908
212.4309
397.4335
210.2907
387.5213
212.4309
397.4335
210.2907
387.5213
412.7616
825.1123
407.7722
835.1263
412.7616
825.1123
407.7722
835.1263
89.07383
148.224
87.10368
169.3374
89.07383
148.224
87.10368
169.3374
189.9915
288.5916
187.649
258.3875
189.9915
288.5916
187.649
258.3875
204.8489
337.9783
197.0533
349.8911
204.8489
337.9783
197.0533
349.8911
227.509
406.8032
229.5201
350.7272
227.509
406.8032
229.5201
350.7272
152.7418
284.685
156.4969
265.2147
152.7418
284.685
156.4969
265.2147
91.92212
133.6413
83.54261
135.76
91.92212
133.6413
83.54261
135.76
170.8712
308.3833
168.707
276.0291
170.8712
308.3833
168.707
276.0291
352.3812
658.866
346.9379
773.7592
352.3812
658.866
346.9379
773.7592
390.5508
787.7399
387.5276
860.4332
390.5508
787.7399
387.5276
860.4332
310.7366
601.6176
310.1643
584.0798
310.7366
601.6176
310.1643
584.0798
198.3021
393.7602
165.3134
384.4596
198.3021
393.7602
165.3134
384.4596
432.447
809.2537
445.68
761.7104
432.447
809.2537
445.68
761.7104
251.7293
535.0718
249.4053
493.9936
251.7293
535.0718
249.4053
493.9936
134.4486
199.1893
126.4773
173.8702
134.4486
199.1893
126.4773
173.8702
196.7886
388.9811
198.5428
383.57
196.7886
388.9811
198.5428
383.57
310.1094
590.5273
312.3921
559.5582
310.1094
590.5273
312.3921
559.5582
352.6021
659.6783
346.5218
710.4463
352.6021
659.6783
346.5218
710.4463
124.7921
206.7643
126.0709
206.9399
124.7921
206.7643
126.0709
206.9399
389.3444
782.8961
361.9368
669.3829
389.3444
782.8961
361.9368
669.3829
117.3195
196.0454
119.2968
191.3657
117.3195
196.0454
119.2968
191.3657
128.5573
182.7823
124.0504
174.7956
128.5573
182.7823
124.0504
174.7956
212.0144
397.5657
230.2204
359.4101
212.0144
397.5657
230.2204
359.4101
102.1894
181.3769
102.0702
175.8783
102.1894
181.3769
102.0702
175.8783
380.3919
746.0669
381.2197
621.1733
380.3919
746.0669
381.2197
621.1733
100.4572
151.3815
99.10651
146.5054
100.4572
151.3815
99.10651
146.5054
313.5743
595.185
318.602
587.9306
313.5743
595.185
318.602
587.9306
續(xù)表4-1
NN實驗結(jié)果
NN實驗結(jié)果
NN預(yù)測輸出
測得輸出
NN預(yù)測輸出
測得輸出
Fx
Fz
Fx
Fz
Fx
Fz
Fx
Fz
353.0786
661.4317
349.5462
765.8742
353.0786
661.4317
349.5462
765.8742
102.9637
183.3941
102.1868
167.9919
102.9637
183.3941
102.1868
167.9919
126.0354
209.9449
120.7443
205.7517
126.0354
209.9449
120.7443
205.7517
127.9189
214.7463
125.1926
202.6325
127.9189
214.7463
125.1926
202.6325
319.3382
684.4524
316.1491
688.0594
319.3382
684.4524
316.1491
688.0594
112.1071
159.0852
103.7548
172.2993
112.1071
159.0852
103.7548
172.2993
4.2 人工智能模塊2（AIM_2）
AIM_2是一個多輸入多輸出的模糊邏輯算法。它的功能是作為一個控制器產(chǎn)生輸出參數(shù)在網(wǎng)絡(luò)過程中。AIM_2的模型通過使用MATLAB模糊邏輯工具箱來實現(xiàn)。
該模型使用模糊邏輯控制器結(jié)構(gòu)。因為這個，它試圖最小化實時測量值同通過AIM1得到的估計值之間的差別。專家的建議和經(jīng)驗用于建立模型并確定模型參數(shù)。誤差值和它們的集成被用作輸入，進給速率和切削速度驅(qū)動系統(tǒng)作為輸出。因為這里使用的模型是非線性的，首先設(shè)置模糊運算。輸入變量的數(shù)量是4，輸出變量的數(shù)量是2，模糊的程度是3，規(guī)則的數(shù)量是36。重心也分別地用作推理方法和去模糊方法。
4.3 人工智能模塊3（AIM_3）
AIM_3模塊驅(qū)動系統(tǒng)達到最優(yōu)的狀態(tài)以應(yīng)對加工過程中的瞬間變化或外來的干擾。測量系統(tǒng)的輸入是切削速度、進給速率、瞬時進給速率、直徑和協(xié)調(diào)值。材料的硬度是唯一的輸出。用于實驗和測試的數(shù)據(jù)有5487行7列。是標準化的值，范圍在0—1之間。為了實驗，一個（3800×6）維度的數(shù)據(jù)矩陣作為輸入，一個（3800×1）維度的數(shù)據(jù)矩陣作為輸出。為了測試這個系統(tǒng)，一個（1686×6）維度的數(shù)據(jù)矩陣作為輸入，一個（1686×2）維度的數(shù)據(jù)矩陣作為輸出。兩個矩陣都是使用不用于實驗的剩下數(shù)據(jù)。建模、實驗和AIM_1的測試通過使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱得以實現(xiàn)。為了確定適當?shù)膶訑?shù)和每層的神經(jīng)元，以下網(wǎng)絡(luò)結(jié)構(gòu)被試驗。網(wǎng)絡(luò)性能包括一定數(shù)量的輸入和輸出，一層測得的神經(jīng)元相對于兩層未被測定的神經(jīng)元改變的數(shù)量是3，6,10,15,20,25,30,40。每層有6×30×20×1神經(jīng)元的網(wǎng)絡(luò)在5000次選擇中有0.0133115的均方誤差。
5 實驗研究
5.1 實驗條件
通過使用平均值，最小化和最大化的切削速度和進給速率在實驗研究中被測定，平均值是從帶鋸制造手冊中查找得到的，中位數(shù)的值被測定通過使用全析因?qū)嶒炗嬎?。一種半自動化的帶鋸床已消減（IMAS 280）使用。機器由計算機、液壓、電氣、電子和機械修正裝置控制。能夠測量切削力、電流、振動、AE、速度和進給速率的一組實驗被構(gòu)建。實驗條件見表5-1。
表5-1 實驗條件
項目
單位
數(shù)值
切削速度
m/min
40；63；100
進給速率
Mm/min
35；66；125
冷卻液（油水）乳液
硼石油20%
工件材料SAE 1015
mm
30；46；70
工件材料SAE 1040
mm
30；46；70
工件材料SAE 4140
mm
30；46；70
鋸條規(guī)格
mm
3670×0.9×27
Eberle M42鋸條
TPI(每英寸噸數(shù))
6
鋸條的拉應(yīng)力
Bar(條)
85
帶鋸床
IMAS 280
5.2設(shè)置實驗元素
模擬數(shù)據(jù)通過傳感器收集不同的切削參數(shù)和材料。力的測量通過使用Kistler 9257B測功器和Kistler 5019B電荷放大器實現(xiàn)。加速度通過Kistler 8792A500測量得到。聲頻發(fā)射通過Kistler 8152B111,調(diào)整進給速率的比例閥是Rexroth 2FRE 6 B2X/K4RV。通過開關(guān)調(diào)節(jié)切削速度，國家儀器6221作為數(shù)據(jù)采集卡。通過使用數(shù)據(jù)采集卡、模擬數(shù)據(jù)被轉(zhuǎn)換成數(shù)值不同的切削參數(shù)和材料存儲到計算機中。當對數(shù)據(jù)采集實驗結(jié)果進行分析，可以看出，隨著切削力減小，切削速度減小，進給速率增加。這些結(jié)果仔細比對著控制結(jié)構(gòu)的規(guī)則表。這個規(guī)則表用于實驗和測試過程。
6 實驗結(jié)果及分析
當應(yīng)用IACS時，操作人員只需依據(jù)材料輸入直徑值。材料硬度、材料組織信息被分類，合適的參考模型被確定在切削剛開始的時候。加工過程中基于切削力不變的原則對切削速度和進給速率進行調(diào)整。當出現(xiàn)金屬剝落和工件局部硬度增大的情況時，系統(tǒng)自動更新，參考力瞬間變化，依據(jù)參數(shù)對加工過程進行調(diào)節(jié)以適應(yīng)新的情況（見圖6-1和6-2）。
圖6-1 IACS框圖
圖6-2 NN估計與測量的切削力的比較
確定的網(wǎng)絡(luò)參數(shù)同構(gòu)造網(wǎng)絡(luò)結(jié)構(gòu)的結(jié)果進行了比較。由6×30×2組成的ANN模型有最小的MES被作為最合適的模型。NN估計的參考力分別以97.13% 和97.05% 的比例進行實驗和測試。
第一個ANN系統(tǒng)連續(xù)不斷地產(chǎn)生新的參考力通過使用反饋，反饋來自于第二個ANN對硬度變化的響應(yīng)，然后將它傳遞到模糊控制器。在新的情形下，根據(jù)參考產(chǎn)生的切削力，新的切削參數(shù)通過模糊控制器產(chǎn)生。
為了測試這個系統(tǒng)，工件使用一個圓形截面。帶鋸條與工件接觸，切削力隨著切削長度的增加而增加。隨著切削力增加，進給速率通過ANN模糊系統(tǒng)減小。在加工過程中，隨著進給速率和切削速度的改變，第二個ANN（AIM_3）產(chǎn)生輸出，將硬度的變化，這個參數(shù)反饋到ANN（AIM_1），這個過程的結(jié)果是通過第一個ANN（AIM_1）產(chǎn)生一個新的參考力。因此，使用新的參數(shù)，對系統(tǒng)自身進行調(diào)節(jié)以適應(yīng)新的情況和減少材料的使用。切削力隨著切削時間變化的圖形見圖6-3。
圖6-3 切削過程中的切削力變化（直徑70mm，材料SAE4140工件）
均為ANN模糊自適應(yīng)控制系統(tǒng)和不受控制系統(tǒng)。在切削的一開始，根據(jù)材料的類型和工件的直徑，輸入切削參數(shù)。切削的執(zhí)行通過使用輸入的參數(shù)，隨著切削操作的進行，控制器確定切削參數(shù)的值。通過改變進給速率和切削速度，控制器盡力保持切削力平穩(wěn)在確定的參考值下。硬度信息從切削力反饋中被提取，然后參考力模型更新。切削時間被IACS記錄，為62.2s 。如果采用制造商們的建議，切削相同的材料將會花費141s的時間。材料為SAE 4140、直徑70mm的工件借助自適應(yīng)IACS系統(tǒng)切削，測得的結(jié)果見圖6-4。
圖6-4 在切削過程中v和f的自動調(diào)節(jié)（直徑70mm，材料SAE 4140工件）
從圖6-3和圖6-4中可以看出，在切削的一開始，為了保持選擇的參考切削力，進給速率被減少，切削速度被增加。系統(tǒng)獲得實時更新的材料硬度值基于切削力和切削力模型，通過使用這些信息。在切削期間，任何地方力的增加都會更新力參考模型。在增加切削力的情況下，系統(tǒng)響應(yīng)通過增加切削速度和減少進給速率來獲得。
通過借助IACS的一種AIM_3結(jié)構(gòu)，在切削力的基礎(chǔ)上，一個材料硬度識別系統(tǒng)被開發(fā)出來。直徑70mm、材料為SAE 4140的工件，硬度實時測得的結(jié)果見圖6-5。
圖6-5 切削過程中硬度實時變化情況
在圖6-6中，可以看出在一個普通的鋸床上，加工直徑70mm、材料SAE 4140的工件切削力的變化在帶鋸切過程中。如圖所示，在鋸切剛開始時，從牙齒與工件接觸的數(shù)量可以看出，此時切削力較低。當鋸條逐漸移向工件中心，切削力隨著切削長度增加而增加。在以一個恒定的進給速率鋸切加工一個圓形工件時，切削力隨著橫截面長度的增加而增加。
圖6-6 帶鋸切過程中切削力的變化（直徑70mm 材料SAE4140工件）
在圖6-7中，可以看出在一個普通的鋸床上，加工直徑70mm、材料SAE 4140的工件，進給速率是不變的在帶鋸切過程中。
圖6-7 鋸切過程中進給速率的變化情況
因此，一個與實際切削力一致地材料硬度估計和產(chǎn)生相應(yīng)切削參數(shù)的系統(tǒng)被提議。相對于傳統(tǒng)的系統(tǒng)，IACS能夠通過參考模型和切削參數(shù)有規(guī)律的更新，以快速驅(qū)動系統(tǒng)達到良好的切削狀態(tài)。
實驗結(jié)果表明，相對于傳統(tǒng)的控制器，混合的ANN模糊自適應(yīng)控制器可以降低刀具成本，這使得在合適的切削速度和進給速率之下，鋸切加工的時間被縮短成為可能。
7 結(jié)論
目前研究表明，混合人工智能技術(shù)可成功的運用在機床刀具自適應(yīng)控制上。金屬切削過程很難用數(shù)學(xué)模型去描述；但可用人工智能技術(shù)輕易的解決。
帶鋸切過程的建模和控制，無法利用傳統(tǒng)的方法有效的實現(xiàn)，因為在鋸切過程中有許多參數(shù)影響。因此，通過使用一個人工智能模型以建模。自適應(yīng)控制技術(shù)通過抵償環(huán)境因素干擾的影響，以控制加工過程，同時能夠自我調(diào)節(jié)。利用先進的監(jiān)測和控制系統(tǒng)，由操作人員所帶來的干擾被將至最低。對于專業(yè)運營商的要求和數(shù)據(jù)丟失引起的問題或制造商目錄下的復(fù)雜數(shù)據(jù)均被最小化。
根據(jù)切削參數(shù)，使用ANN，一個切削力的估計模型被設(shè)計出來以實時的適應(yīng)和自我更新。因此，一個過程的分類和材料識別系統(tǒng)也被開發(fā)出來。
積分誤差和誤差成功地應(yīng)用于控制切削速度和進給速率在模糊控制中。ICAS被設(shè)計和制造以提高生產(chǎn)效率和節(jié)約能源。已從理論上證明，在適當和安全的切削速度和進給速率之下，刀具能夠?qū)τ晒ぜ陨碛捕茸兓鸬那邢髁ψ兓?，進行快速的調(diào)整，被提出的系統(tǒng)在機床刀具控制方面有著積極的影響。此外，科學(xué)的觀點和專業(yè)知識隨著計算機硬件和軟件的發(fā)展將會被應(yīng)用到不同的領(lǐng)域中。
參考文獻
[1] Ahmad, M.M., Hogan, B., Goode, E., 1987. Identification of variables to improve cutting performance of a band sawing process. In: Proceedings of the Fourth I.M.C. Conference.
[2] Anderson, C., Anderson, M.T., Stahl, J.E., 2001. Bandsawing. Part1: cutting force model influencing effects of positional errors. tool dynamics and wear. Int. J. Mach. Tools Manuf. 41, 227–236.
[3] Asiltürk, ˙ I., 2007. Adaptive control application based on artificial intelligence in the bandsawing process. Ph.D. Thesis. Selcuk University, F.B.E, Konya, Turkey.
[4] Coker, S.A., Shin, Y.C., 1996. In-process control of surface roughness due to tool wear using a new ultrasonic system. Int. J. Mach. Tools Manuf. 36, 411–422.
[5] Groover, P., 1987. Automation Production Systems and Computer Integrated Manufacturing. Prentice Hall, London, pp. 287–380.
[6] Hang, S.J., Chiou, K.C., 1996. Application of neural networks in self-tuning constant force control. Int. J. Mach. Tools Manuf. 36, 17–31.
[7] Kim, M.K., Cho, M.W., Kim, K., 1999. Application of the fuzzy control strategy to adaptive control of non-minimum phase end milling operations. Int. J. Adv. Manuf. Technol. 17, 791–795.
[8] Ko, T.J., Kim, H.S., 1999. Mechanistic cutting force model in band sawing. Int. J. Mach. Tools Manuf. 39, 1185–1197.
[9] Koren, Y., 1988. Adaptive control systems for machining. In:Proceedings of the American Control Conference, pp. 1161–1167.
[10] Lauderbaugh, L.K., Ulsoy, A.G., 1989. Model reference adaptive force control in milling. J. Eng. Ind., Trans. ASME 111, 14–21.
[11] Liang, S.Y., Hecker, R.L., Landers, R.G., 2004. Machining process monitoring and control: the state-of-the-art. J. Manuf. Sci.Eng., Trans. ASME 126, 297–310.
[12] Liu, Y., Wang, C., 1999. Neural network based adaptive control and optimization in the milling process. J. Adv. Manuf. Technol. 15, 791–795.
[13] Liu, Y., M Zuo, L., Wang, C.J., 1999. Intelligent adaptive control in the milling process. Int. J. Comput. Integr. Manuf. 12 (5), 453–460.
[14] Liu, Y., Cheng, T., Zuo, L., 2001. Adaptive control constraint of machining processes. J. Adv. Manuf. Technol. 17, 720–726.
[15] Masory, O., Koren, Y., 1980. Adaptive control system for turning. Ann. CIRP 29 (1), 281–284.
[16] Masory, O., Koren, Y., 1985. Stability analysis of a constant force adaptive control system for turning. J. Eng. Ind., Trans. ASME 107, 295–300.
[17] Ordonez, R., Zumberge, J., Spooner, J.T., Passino, K.M.O., 1997. Adaptive fuzzy control: experiments and analyses. IEEE Trans. Fuzzy Syst. 5 (2), 167–188.
[18] Rodolfo, E.H., Clodeinir, R., Angel, A., Salvador, R., Carlos, G., 1998. Toward intelligent machining: hierarchical fuzzy control for the end milling process. IEEE Trans. Cont. Syst. Technol. 6 (2), 188–200.
[19]