1.引言
在
數控加工中,刀具狀態的檢測具有非常重要的意義,因為刀具的損壞不僅影響加工的質量和效率,而且還可能導致嚴重的
機床和人身事故。刀具的損壞有
磨損和破損兩種情況,磨損是刀具在加工過程中與工件發生接觸和摩擦而產生的
表面材料的消耗的現象;而破損是刀具發生崩刃、
斷裂、塑變等而導致刀具失去
切削能力的現象,它又包括
脆性破損和
塑性破損,脆性破損是刀具在機械和沖擊作用下,在尚未發生明顯的磨損而出現的崩刃、碎裂、
剝落等。而塑性破損是刀具在切削時,由于高溫、高壓等作用,在與工件相接觸的表面層上發生塑性流動而失去切削能力的現象[1]。目前,對刀具的檢測主要采用人工檢測、離線檢測和在線檢測三種策略。人工檢測即是由工人在加工時憑經驗對刀具的狀態進行檢測;離線檢測就是在加工之前對刀具進行專
門檢測,并預測其壽命看是否勝任當前的加工;在線檢測也稱實時檢測,就是在加工的過程中實時對刀具進行檢測,并依據檢測的結果做相應的處理。目前,對刀具檢測的算法也不少,有的采用從理論上計算刀具所受
應力的變化來判斷刀具的損壞情況[2][3],有的采用時序分析的方法對刀具進行檢測[4][5],有的采用神經網絡技術對刀具進行檢測[6][7],還有的綜合采用小波變換理論和神經網絡技術對刀具進行檢測[8],但它們主要從理論上進行探討。考慮到刀具在數控加工中塑性破損比較少見,而磨損對數控的安全性關系不是很大且其可通過離線檢測進行處理,本文以數控加工中常用的球頭刀具為研究對象,對脆性破損中的脆性斷裂的實時檢測進行研究,該類斷裂的發生,將對加工的質量和機床本身產生嚴重的影響。我們認為刀具本身存在著微小的
裂紋,并利用神經網絡建立球頭刀具的負載模型,通過在線檢測判斷該微裂紋在此時的負載條件下是否會擴展,若可能擴展,我們就認為該負載是危險的并通過減小刀具的進給量來減小刀具所受的負載,以保證刀具的安全。
2.刀具的實時檢測
(1)球頭刀具負載模型的建立
如前所述,數控加工時,刀具所受的負載與很多因素有關,但考慮到球頭刀具的特點和實時加工的需要,本文只考慮影響較大的幾個因素,即主軸的轉速、進給速度、切削的深度、加工材料的切削性能四個因素,則球頭負載的模型為
f=f(s,v,h,m) (1)
其中:f——負載向量;h——切削的深度;
s——髦岬淖伲籱——材料的切削性能。
v——進給量;
很顯然,式(1)只是給出了負載與各個影響因素間的籠統的關系,為了求負載與各個影響因素之間的關系的具體表達式,必須求出各個因素對負載影響的具體大小,為此,或者采用微分幾何等數學方法進行復雜的推導,或者采用實驗的方法得出各個因素的影響系數,但這樣建立的模型難以適應變化的環境,用于數控加工中的實時檢測效果不是很理想。本文采用神經網絡技術處理該模型并將之用于刀具的實時檢測中。
(2)刀具實時檢測原理
本刀具實時檢測的原理是先實時測出刀具的切削深度和進給量并和主軸的轉速及加工零件的材料類型輸入神經網絡控制器進行負載計算,得出的負載輸入檢測器進行計算、比較,若該負載超過刀具的疲勞條件下的裂紋擴展負載,則減小刀具的進給速度,并將進給速度的減小量反饋到cnc控制器的輸入信息,使cnc控制器作出相應的控制,以使得負載的大小改變到安全的水平。該刀具實時檢測原理如圖所示。
(3)神經網絡的結構
神經網絡的結構對整個神經網絡系統的特性具有決定性的影響。本負載自適應控制的神經網絡系統采用三層的bp結構。根據上面的分析,顯然輸入層有四個
節點,輸出層有三個節點,即負載在xyz三個方向的大小。現在的問題就是確定中間隱層的節點數,中間隱層的節點數的選擇對網絡的學習和計算特性具有非常重要的影響,是該網絡結構成敗的關鍵,若中間隱層的節點過少,則網絡難以處理復雜的問題,但若中間隱層的節點過多,則將使網絡學習時間急劇增加,而且還可能導致網絡學習過度,使網絡抗干擾能力下降。目前,還沒有完善的理論來指導中間隱層節點數的選擇而只是結合實際情況進行試探性選擇再逐步優化。考慮到本負載自適應控制系統的特性,我們認為負載是進給速度的連續函數,根據kolmogorov定理(連續函數表示定理),為了理論上能精確模擬該連續的函數,若三層神經網絡的輸入層為m個節點,輸出層為n個節點,則中間層應為2m+1個節點。為此我們選擇中間的隱層的節點數應為2m+1=2×4+1=9個節點[9]。因此,本神經網絡結構為輸入層四個節點,中間層九個節點,輸出層三個節點。
(4)神經網絡的離線學習
神經網絡的一個重要的特性就是具有學習的功能,即能夠根據一定量樣本的輸入輸出關系,自動調整連接各個節點的權值的大小以滿足既定的目標。在學習過程中,樣本數的選擇是非常重要的,若樣本太少,經過學習的網絡的性能不好,若樣本數增加,勢必增加采集樣本數據的工作量及網絡的學習時間。同時,由于神經網絡具有較好的內插性能而外插性能較差,故樣本數據必須包括全部模式和考慮可能的隨機噪聲的影響。對于本神經網絡負載自適應控制系統,其具有四個輸入節點,根據上面的分析,我們采取每個節點給定四個值,以它們不同的組合作為樣本輸入數據,這樣可得256個樣本。具體做法是將各個輸入量在可能的變化范圍內大體分成四等份,并用實驗的方法測出在每種輸入情況下的負載值。在得到256個樣本之后,我們采用離線進行學習,得出每個連接節點間的權值,這樣經過學習的神經網絡就建立了相應的刀具負載模型,為刀具的實時檢測提供條件。
(5)檢測器的設計
該檢測器的功能是檢測刀具所受負載是否超過應力疲勞條件下的裂紋擴展負載。若可能擴展,我們就認為該負載是危險的,并通過減小刀具的進給量來減小刀具所受的負載,以保證刀具的安全。為此,我們首先建立刀具的力學模型,我們將加工中的刀具簡化為端點受力的
懸臂梁,且端點所受的力即為用神經網絡求出的負載,這樣,根據材料力學的相關理論可以得出刀具中應力最大的部分為刀具與機床的結合處, 并可求出此處的應力。之后,根據斷裂力學的相關理論有公式da/dn=f(σ,a,c),其中,a為裂紋的長度,n為應力的頻率,σ為正應力,c為與材料有關的常數[10]。上式中,σ、n、c為已知量或通過資料可查得,有待確定的為函數f和裂紋的長度a。對于f,我們采取的措施是:假定刀具在與機床結合處的微裂紋為ⅰ、ⅱ、ⅲ類裂紋的復合裂紋,并根據此處正應力和
剪應力的大小確定該三類裂紋的比例,這樣,即可根據各類具體的裂紋類型建立公式。至于a,我們根據該類刀具在使用壽命中的平均裂紋長度,該平均長度可通過無損探傷的方法對不同使用期的刀具進行檢測得到。
3.結論
本文提出了通過神經網絡建立了對數控加工中的球頭刀具實時檢測的方法,該方法能實時的對加工中球頭刀具所受負載的大小進行計算,并通過實時檢測判斷該負載是否超過刀具在應力疲勞條件下裂紋擴展的負載水平并作出相應的處理。該方法對影響負載的因素進行了合理的簡化,使得該控制模型的算法效率很高,因此特別適合實時檢測的需要。本文雖然以數控中的球頭刀具為研究對象,其實,該方法的原理也可用到其它加工和其它刀具中,比如,電加工等。
與【】相關熱點資訊:
【了解更多 “” 相關信息請訪問
設備專區 】