(5)

　　作为神经网络控制器的学习信号，只有当其误差足够小时，才可以认为该时刻控制器的输出是可信的。将此学习算法应用于控制器进行在线学习后，可对模糊参数进行自调节，从而达到精确的控制。

　　2 控制系统设计

　　2.1系统硬件设计

　　控制器平台的处理器选用了三星公司基于ARM9内核的S3C2410嵌入式处理器。S3C2410被广泛应用于PDA、移动通讯、路由器、工业控制等领域,芯片中集成了下列模块:16kB指令Cache、16B数据Cache、MMU、外部存储器控制器、LCD控制器、NAND Flash控制器、4个DMA通道、3通道UART、1个I2C总线控制器、1个IIS总线控制器,以及4通道PWM定时器和一个内部定时器、117个通用I/O口(复用)、24位外部中断源、RTC和片上时钟产生器、8通道10位AD控制器和触摸屏接口、支持JTAG调试等。它含有非常丰富的片上资源,几乎所有常用的芯片级总线结构都有相应的硬件控制器,外围扩展时非常方便。

　　从可调试、可重用、可扩展等方面考虑【4】控制系统硬件采用模块化设计，由核心板和扩展板两部分构成，系统硬件结构如图2所示。核心板使用了SO-DIMM200的接口方式，提供了一个最小系统包括了

　　图2 硬件结构图

　　S3C2410嵌入式处理器、两片HY57V561620并联构成32bit的64MBSDRAM内存空间，一片K9F1208U0构成64MB的NANDFlash空间、12MHz晶振CPU内部可倍频至203MHz。扩展板中，中断及A/D模块主要利用压力传感器接受射流压力信号、厚度测量传感器接收工件厚度信号、流量传感

　　器接收磨料流量，采用粗糙度仪 MC020-TR200对加工工件的表面粗糙度进行测量;LCD接口用于显示图形用户界面，显示检测信号的实时信息便于控制;键盘模块根据切割的具体工作情况输入工件厚度、磨料流量、加工表面的粗糙度和射流压力的给定参数;音频输出模块用于报警系统，通知操作员发生故障;串口用于同上位机输入输出调试信息;交流伺服电机接口模块主要用于输出交流伺服电机驱动器的控制信号;核心板上的操作系统和应用程序下载通过专门的调试接口完成,然后再安装到扩展板上，控制系统的软件实时调试信息由串口输出。

　　2.2 基于μC/OS-Ⅱ的控制软件开发

　　软件设计采用了当前流行的嵌入式系统开发技术。采用嵌入式实时操作系统μC/OS-Ⅱ【5】用ARM和Thumb指令集混合编译来优化代码密度。首先将实时操作系统μC/OS-Ⅱ移植到S3C2410嵌入式微处理器上,系统将要完成的功能细化为几个核心任务[6],由μC/OS-Ⅱ实时内核进行调度,实现多任务的并行执行，系统的可靠性和实时性得到大幅提升。按系统要实现的功能,系统软件被划分为几个并行存在的任务。占先式操作系统对任务的调度是按优先权的高低进行的,将系统的所有任务按其优先级从高到低顺序依次是:系统监视、键盘扫描、LCD显示、模糊神经控制算法、控制信号输出和异步串行通信。信号采集主要通过外部中断来完成，即通过各个检测器件的检测到数据后产生相应的外部中断，通过外部中断程序来计算相应的切割头的进给速度，并利用系统软中断记录此数据。系统监视任务用来监视其他任务，当被监视任务在执行过程中出现差错时,系统监视任务将按照预先设定的处理表对其进行处理,使出错的任务恢复正常运行,从而提高系统运行的可靠性。系统运行时,首先进行系统初始化操作,初始化所有数据结构、分配堆栈空间,然后建立任务间通信的邮箱或消息队列,建立任务及分配任务优先权。所有新建任务被置为就绪态,系统程序从优先权最高的任务开始执行。图3为系统的运行流程图。图4为系统软硬件原理图。

　　图3 程序流程图图 4 系统软硬件原理图

　　3 实验分析

　　3.1实验概述

实验装置选用超高压发生器最高压力可达380MPa，最大排量2.7L/min，水喷嘴直径0.28mm，砂喷管直径0.76mm，切割角度90°，磨料为40#的石榴石，靶距为5.0mm。实验选用厚度分别为20mm、35mm、50mmYL12硬铝做试件。 为了验证所建立的磨料水射流切割FNN模型的有效性，进行了如下的验证实验。水射流压力选用300MPa，磨料质量流量为0.15kg/min，切割材料为YL12硬铝、厚度分别为20mm、35mm、50mm，切割断面表面粗糙度Ra期望值分别为3.2、7.5和16.5μm。

　　3.2实验结果分析

通过大量的实验研究和对实验测试数据的筛选,组织了500对样本集,采用BP算法用样本数据对模糊系统进行训练。网络训练过程中的误差记录如图5所示，经过40次迭代，模型输出的总平方差为0.186。切割质量指标表面粗糙度Ra与切割速度V的关系如图6所示(图中表面粗糙度单位为,切割速度的单位为mm/ min)。试验后，切割断面表面粗糙度的测量平均值分别为Ra3.23、7.58、16.64μm。从图5、图6可以看出应用训练好的FNN模型,根据工艺要求可以到达较好的效果。

　　图5 网络训练误差曲线 图6 Ra-V曲线图

　　4结语

　　本文针对水射流精密加工的实际需求，应用模糊神经网络建立了磨料水射流切割加工YL12硬铝板的模型。在给定的水射流压力、磨料质量流量、铝板厚度和要求的加工断面表面粗糙度条件下,该模型能快速、可靠地计算出切割头所需的进给速度(切割速度)。该模型可应用于水射流精密加工工艺的计算机仿真,或者将该模型集成到水射流加工机床的数控系统中，通过进给速度补偿很好地实现了磨料水射流的精密切割加工。

　　参 考 文 献 Annoni, M., Monno, M., A model for the simulation of the pressure signal in waterjet systems,17th International Conference on Water Jetting, 2004 雷玉勇，基于人工神经网络的磨料水射流精密特种加工，四川大学学报, 2005.12，Vol.37(6)：155-159 王士同.模糊系统、模糊神经网络及应用程序设计[M].上海:上海科学技术文献出版社,1998. 慕春棣.嵌入式系统的构建[M].北京:清华大学出版社,2004. Jean J. LABROSS. The real time kernel[M].NewYork:CMP Press,2001. Jane W S Liu. Real-time systems [M].New Jersey:Prentice Hall, 2000.

 2/2   首页 上一页 1 2