【摘要】本文设计了一种基于嵌入式技术的磨料水射流切割机智能控制系统。该控制系统接收工件厚度、磨料流量、加工表面的粗糙度和射流压力,经过模糊神经网络和ARM嵌入式内核处理后输出控制交流伺服电机的驱动信号,进而实现一定的速度补偿,最终使磨料水射流切割机进行精密切割。实验结果表明,该控制系统具有一定的稳定性,能到达切割精度的要求。
关键词:水射流切割机;模糊神经网络;智能控制系统; 嵌入式技术
引言
磨料水射流切割机是通过固液两相高速射流束对被加工材料的研磨、刮削、冲蚀和挤压等作用完成材料加工。作为一种新型高能束的切割工具,在加工过程中,几乎无后侧向力和后座力,工件不会因受机械力而变形受损或产生机械振动。另一方面,磨料水射流切割速度快,切缝窄,切割质量好,省工省料,配合数控系统可以进行任意形状的加工。但是,由于喷嘴以一定的进给速度(切割速度)移动,而工件具有一定厚度,因此射流质点退出工件相对于进入工件存在一个时间差,从而造成滞后[1],这种滞后特性使得零件加工表面出现弧形纹路;另外,由于高能水射束离开喷嘴后具有散射,而且随着靶距的增加,射流的能量逐渐衰减,因此磨料射流切割工件时会产生明显的锥度,同时使切割断面存在明显的表面质量差异(粗糙度上低下高),在切割厚度较大的零件时这个现象尤其突出。通过速度补偿(本质上是能量补偿)可以较好的解决这个问题。
由于磨料水射流在切割加工中不仅涉及到磨料水射流本身,同时还涉及到机床特性、材料和工艺等因素。一般而言,磨料水射流工艺参数与切割加工精度之间是一种高度非线性关系,因此,其加工的精度和表面质量较难控制。本研究充分分析已有的研究特点,在前期研究成果的基础上,设计了一种基于嵌入式技术
基金项目:江苏省十一五攻关项目——柔性超高压水切割系统关键技术的研究(BA2009011)
的磨料水射流切割机智能控制系统。利用多传感器技术及模糊神经网络预测控制算法来控制磨料水射流切割机的切割速度,从而提高切割精度,具有广阔的产业化前景。
1控制策略[2]
实际磨料水射流工艺参数与切割加工精度之间是一种高度非线性关系,尚不能用机理分析和数学推导的方法来获得精确的数学模型,因此传统的控制方式很难对其提出很好的控制方案。模糊神经网络(Fuzzy Neural Network)[3]将模糊控制与神经网络相结合,通过神经网络来实现预测控制,同时利用神经网络的自学习能力,可动态调整隶属度函数、在线优化控制规则,从而利用两者的优点弥补各自的不足,很好的解决系统的滞后问题。
磨料水射流系统方面,考虑以特定直径的水喷嘴和磨料喷嘴以及最常用粒度的磨料进行研究,因此将射流压力P、材料厚度h、磨料质量流量、切割断面的表面粗糙度Ra作为主变参数。磨料水射流切割工艺的模糊人工神经网络结构如图1所示。控制系统有四个输入x1、x2、x3、x4,分别表示水射流压力P、
图1 模糊神经网络的结构
磨料质量流量、材料厚度h、和切割断面的表面粗糙度Ra,模糊系统的输出为切割头(喷头)的进给速度 v(切割速度)。
考虑到本研究的实验条件,x1、x2、x3、x4的取值区间分别确定为[150,300]MPa、[0,0.18]kg/min、[10,30]mm、[2.5,25] 。对E1、E2、E3、E4定义模糊集合分别为:
B1={极低压,低压,中压,高压,极高压} ={VLP,LP,MP,HP,VHP}
B2={过少,适当,过量}={L,M,H}
B3={超薄,薄,中,厚,超厚}= {ST, T, M, D, SD}
B4={精加工,半精加工,粗加工}={S,H,C}
对于输出的水刀切割速度y,采用5个模糊集合来描述,分别为1、2、3、4、5,记为{Ⅰ,Ⅱ,Ⅲ,Ⅳ,V}。这样,控制的知识库可以描述成225个IF-THEN形式的规则,以保持控制系统具有最佳的切割精度。
该控制网络共分为5层,有4个输入节点, 1个输出节点。
第一层为输入层,该层的各个节点直接与输入向量的各分量xi连接,它起着将输入值X=(x1,x2,x3,x4)T传送到下一层的作用,该层的节点数为4。
第二层是模糊化层,用来计算输入样本相对于各个模糊类的隶属度.第二层节点总数为(m1+ m2+m3+m4)=16,每个节点代表一个语言变量值,其作用是计算每个输入分量对于该分量的每个模糊集合的隶属度。所用隶属函数采用高斯函数,整个网络的输入变量的第i个分量的第j个模糊集合的隶属度为:
(1)
其中: i=1,2,3,4为输入量的维数, j=1,2,…,mi 为模糊分割数; cij,σij分别表示隶属函数的中心和宽度。
第三层是规则集合层,每个节点代表一条模糊规则,用来匹配模糊规则前件,计算出每条规则的适用度。第三层的节点总数是::m1·m2·m3·m4=225.为了包含所有可能的规则,第三层和第二层之间是全连接。其节点输出为整个网络的输入变量对于每个规则的适用度.即第i个节点的输出为:
(2)
第四层作用是实现归一化计算.第四层的每个节点都与第三层的某个节点对应,其输出是输入除以第三层所有节点输出的总和,即第i个节点的输出为:
(3)
第五层是输出层,实现的是清晰化计算,只有一个节点,它与第四层的每一个节点都有连接,连接的权值依次为ω1i.节点的输出为:
(4)
采用混合学习算法,即将梯度下降学习算法和最小二乘估计算法结合起来使用,模糊神经网络结构的输出可以表示为: