论文部分内容阅读
现代先进制造技术正朝着柔性制造 (FMS)、计算机集成制造 (CIMS)和智能制造系统 (IMS)等方向发展。用户要求产品的性能完美、可靠 ，并要求尽可能一次制造合格 ，因此，要求制造系统不仅有更高的生产效率 、更低的原材料和能源消耗，还要求零件有更高的精度、表面粗糙度、表面完整性和严格的制造一致性。由于磨削加工往往是机械加工产品的终极加工工序，其加工效果的好坏直接影响到产品的最终质量和性能。但由于磨削过程复杂，影响因素众多，磨削过程的非线性、随机性和不确定性等原因，用传统的方法无法对其建立精确数学模型，致使传统的控制方法难以解决磨削系统的控制问题。目前在磨削加工中，许多方面仍依赖于操作者的经验和技术熟练程度，对加工过程的实际调整是靠试凑法。磨削的现状已成为制约某些先进制造技术发展的关键技术之一。智能化是磨削技术发展的趋势。 本文对于机械生产厂家应用最普遍的一种精加工手段——外圆纵向磨削进行了深入的理论研究，建立了外圆纵向磨削中磨削力、工件弹性变形、砂轮磨损及工件尺寸的数学模型。并把智能理论引入磨削加工过程中，实现了对外圆纵向磨削加工中工件变形、尺寸及表面粗糙度的智能建模与智能控制。 一、外圆纵向磨削过程中工件变形的变速自适应控制 在外圆纵向磨削过程中，特别是磨削加工细长轴时，在磨削力的作用下，工件会发生变形，而且，随着砂轮和工件接触位置的不同，变形量也不同。纵向磨削的关键问题之一是如何尽量减少工件的变形。通常采用刚度最薄弱处的工件转速 Vw和纵向进给速度Vf 以及尽可能小的磨削深度进行磨削。因此，Vw、Vf 对那些刚度较大处将不是最优。而且，为了减少由于砂轮磨损而造成的尺寸和形状误差，还要经常对砂轮进行修整，造成时间和费用的浪费。一些学者研究了用支撑架补偿变形的方法，它可以极大地减少形状误差，但是有时需要用多个支撑架，调整过程相对复杂。 为此，本文在建立了外圆纵向磨削加工中磨削力模型、工件弹性变形数学模型的基础上，打破了传统磨削的方法，提出了一种控制工件变形的变速优化自适应控制策略。由于工件变形和磨削力以及磨削力和工件转速 Vw 和纵向进给速度 Vf 存在定量关系，故可通过改变 Vw 和 Vf来控制工件变形。以磨削时间为优化函数，可由优化程序求出工件轴向任一确定位置相应的最优的 Vw 和 Vf 。因此，在纵向磨削过程中，可随着砂轮磨削位置的移动，不断变化 Vw 和 Vf ，使 Vw 和 Vf 取最优值，以控制工件的变形。由于在磨削过程中存在许多不确定因素，故本文采用了一个自适应控制系统来控制工件的弹性 i<WP=218>摘 要变形。 二、外圆纵向磨削过程中工件尺寸的智能预测与智能控制 为了实现对工件尺寸的控制，本文首先深入地研究了纵向磨削过程中尺寸的形成机理，引进了砂轮接触变形的概念，建立了外圆纵向磨削中砂轮磨损的数学模型，建立了纵向磨削过程中工件尺寸的数学模型，为后面尺寸预测与控制的仿真提供了理论依据。 目前，在磨削加工中，在线检测工件尺寸的测量点总是滞后于砂轮的补偿点位置，因此在系统辨识、建模时间及控制响应速度等方面均产生障碍，常造成补偿滞后与失控，难以达到工件尺寸加工精度在线监控的要求。 本文在此建立了加工尺寸智能预测模型与控制模型，对加工尺寸进行预测与控制，以及时对误差进行补偿。此智能预测控制模型由三部分组成：纵向磨削尺寸预测神经网络、工件变形变速自适应控制系统、模糊控制器。在加工尺寸预测中，本文采用了具有记忆能力的动态递归神经网络 Elman 网络，建立了尺寸预测智能基本模型。此模型的输入为控制进给量 u、纵向进给速度 vf 以及系统在上一时刻输出变量—砂轮实际进给量S(n-1)。模型的输出为工件实际切除量，亦即砂轮实际进给量。在基本预测模型的基础上，本文又提出了一种改进的预测模型，即将系统实际输出值的一阶、二阶导数同时也作为神经网络输入，这样就把系统的实际输出值的变化趋势也输给了网络。在获得磨削加工预测尺寸后，再利用模糊控制器对磨削加工尺寸进行模糊控制。本模糊控制器是在典型模糊控制器的基础上，引入了论域伸缩因子，构造了具有自适应能力的磨削尺寸模糊控制器。本文作了大量的仿真和实验，结果表明所提出来的具有自适应能力的外圆纵向磨削尺寸预测控制模型可以获得满意的尺寸控制精度。 三、外圆纵向磨削过程中工件表面粗糙度的智能预测与智能控制 基于目前表面粗糙度在线检测存在的实际问题，本文提出了在线智能预测辨识表面粗糙度的方法，即通过建立粗糙度与磨削过程状态参数，如工件转速、砂轮转速、工件进给速度和磨削深度之间关系的模型逼近器，在线测量上述磨削过程状态参数，在线获得加工表面粗糙度。由于人工神经网络具有网络学习联想、并行处理能力和一定的容错性，模糊逻辑系统也具有高度容错性，因此，本文把二者引入到表面粗糙度模型在线辨识中，建立了表面粗糙度在线预测辨识神经网络模型和模糊神经网络模型。为