基于FNN智能型磨削参数决策系统.docVIP

　　基于FNN智能型磨削参数决策系统|第1 1　绪论 　 现代的制造技术正朝着柔性制造(FMS)、计算机集成制造(CIM)和智能制造(IM)等方向发展。其中智能制造(IM)更作为先进制造技术的重要内容而日益成为研究的热点。它旨在将智能控制的理论和方法引入制造过程，通过模拟人类专家的思维和推理活动，取代和延伸制造环境中的部分脑力，从而使制造系统能自动检测其运行状态和环境变化，在收到外界和内部激励时，能作出正确的判断和决策，以保证系统获得稳健的加工效果。 磨削加工的精度控制包括尺寸精度、形状与位置精度、表面质量等多方面。同其他的机械加工相比，磨削加工要求的精度更高，磨削机理更为复杂，尤其表现在表面质量上。在磨削过程中影响工作表面质量的因素非常多而且各个因素之间相互影响，表面质量完整性指标的在线测量也非常难，这就为数学模型的建立造成了极大的困难。工件表面质量完整性的评价又是靠人为经验来判定的，主观因素占很大的比重，为加工结果的评价造成了很大的困难。 针对传统磨削加工过程精度控制遇到的种种困难，我们提出将传统的专家推理机构同模糊神经网络相结合建立智能型磨削参数决策系统。在系统中利用专家系统对磨削参数初步决策，并在加工间隙及加工结束时对加工参数进行调节以及对知识库进行修正，使系统具有了很强的自适应能力和自学习能力，提高了磨削的精度和磨削效率并减小了磨削加工的误差。当机床和环境发生改变时能保证始终获得理想的加工效果。 　 2　磨削参数决策系统的构成 　 在传统的磨削系统中，速度参数始终为最初选定量，并不随着机床状况、砂轮状况、工件材质的变化而被调整。由于磨削参数并非最优，造成磨削效率低、磨削结果存在较大误差。但是由于磨削加工的机理非常复杂，影响磨削结果的参量较多，并且各个磨削参数之间相互影响，用传统的方法无法对磨削过程建模，致使传统的控制方法难于实现。 人工神经网络和模糊逻辑的出现为我们提出了新的思路，神经网络具有自适应、自学习能力强，对输入、输出参量的数量没有太多限制，三层网络可逼近任意复杂的非线性系统等优点。但是由于神经网络本身具有运算量大，容易陷入局部最小，迭代达到一定次数后收敛过程变得非常缓慢等缺点。因此尚无法将其用于精确量的实时控制。 一个基于模糊逻辑的系统是通过结构，通过隶属度函数及通过语言规则来精确地描述的。它不需要学习训练，但必须事先了解并分析系统的性能，而这一分析的结果以规则的形式被确定和记录下来。与神经网络不同的是，神经网络基于不均匀的神经元连接结构，常常是完全不透明的，而在模糊逻辑系统中，对于所有的条件，每一个单独的步骤能被理解和领会。 神经网络具有自学习能力和大规模并行处理能力，在认知处理上比较擅长。而模糊系统能够充分利用学科领域的知识，能以较少的规则数来表达知识，在技能处理上比较擅长，特别在控制问题上模糊逻辑控制具有突出的优点〔2〕。 由于神经网络与模糊逻辑具有互补性，我们将神经网络与模糊逻辑相结合。将神经网络的输入量、输出量模糊化，利用神经网络实现模糊推理，构建模糊神经网络(FNN)。并将输入量设定为加工要求同加工结果的差值，输出值设定为模糊增量用于对加工参量进行修正。 基于FNN我们提出了磨削参数决策系统(见图1)，此系统为模仿专家思维方式的决策系统。系统的组成包括：专家系统(知识库，信息推理机，规则库)和加工参数增量决策FNN。首先，我们从专家或有经验的人处得到经验值组成知识库。当用户将机床的初始状况(工件材质，砂轮材质，冷却液种类，砂轮磨损状况)和加工要求(加工精度，工件表面烧伤度，表面微裂纹程度，表面粗糙度)输入系统，推理机便根据输入参数从知识库中提取出最适当的磨削参数(工件回转速度，砂轮回转速度，砂轮进给速度)作为初始磨削参数传送给磨削过程。 图1　智能型磨削参数决策系统 由于磨削参数选取的是否合理将直接影响磨削效果，所以要对其进行检验，即在试磨阶段和磨削过程结束时需抽检部分工件并将抽检结果反馈给修正网FNN1。加工结果同加工要求相比较后的差值被作为FNN1的输入参量，而FNN1的输出则被作为磨削参数的修正量对推理机决策出的初始磨削参量进行修正。如果修正量较大(推理机的输出存在较大的误差)则说明知识库中的经验值有误差需用FNN1的输出量对其修正。 在磨削过程中由于砂轮的不断磨损会造成磨削效率的下降，如果不适当修正磨削参数以及对砂轮的磨损量进行补偿会导致磨削结果误差增大，影响工件的使用性能。传统的磨削系统只是对砂轮尺寸的变化进行补偿，却并不修正磨削参数。在本系统中FNN2被用于根据砂轮实际磨损状况对磨削参数进行修正。当一次磨削加工结束后，砂轮实际磨损状况被反馈给FNN2同砂轮初始状况相比较，差值作为输入量被传递给FNN2。FNN2的输出值为磨削参数的修正量