柔性制造系统中刀具管理与在线检测技术研究（二）

HEATS

　　3刀具磨损和破损的在线检测

! h. w: X2 Z* T* _2 T- b( `2 o8 Q- }' j

　　刀具磨损和破损在线检测的方法很多，主要有功率检测、声发射检测、学习模式、力检测等。在此介绍一种利用神经网络对柔性制造系统中的刀具的检测方法。

0 p6 Q( p" n" Z( K9 _0 S5 o0 x3 f) s

　　3.1刀具负载模型的建立

　　切削加工过程中刀具所受的负载与很多因素有关，根据在线检测的要求，仅考虑几个较大的影响因素，即主轴转速、进给速度、切削深度、加工材料的切削性能4个因素，则刀具负载的模型为

% n# D! U: u3 ?6 C( ^3 B$ ]

　　F=f(s,v,h,m)

m; ]! Q3 l) Q7 s+ w8 Q5 v : @8 {1 M, z+ b+ g- W+ P

　　式中：

# W0 W1 ?% V. ?$ n! d' [

　　F—负载向量；

8 h7 x( T# d' i5 g) \4 b* R

　　h—切削深度；

2 ^7 }( @, f6 M% J ' G: {, J. k# v9 E$ s+ _! u8 w% o

　　s—主轴转速；

* h% x# t4 t# C$ p3 T; Z

　　m—材料的切削性能；

$ ~4 {' [: N% J$ ~+ T5 M

　　v—进给量。

( c' Z& s) s: Z. p9 N* d; s ' ~- Z5 j/ B, C- |$ E6 `( `

　　很明显，上式仅能说明负载与各个影响因素有关，可以用微分几何的数学方法或实验的方法建立相应的关系式，但应用于在线检测效果并不理想。在此，应用神经网络技术处理该刀具的负载模型。

　　3.2神经网络技术

* `4 t: T, p; ^- \

　　本刀具负载自适应控制的神经网络系统采用3层的BP结构。根据上面的分析，显然输入层有4个节点，输出层有3个节点，即负载在XYZ方向的大小。考虑到本负载自适应控制系统的特性，可以认为负载是进给速度的连续函数，根据Kolmogorov定理，中间隐层的节点数应为2倍的输入点数再加1。因此，本神经网络结构为输入层4个节点，中间层9个节点，输出层3个节点。根据上面的分析，采取每个节点给定4个值，以它们的不同组合作为样本输入数据，这样可得256个样本。具体做法是：将各个输入量在可能的变化范围内大体分为4等份，并用实验的方法测出在每种输入情况下的负载值。在得到256个样本后，采用离线进行学习，得出每个节点的权值，这样经过学习的神经网络就建立了相应的刀具负载模型，为刀具的在线检测提供条件。

2 N4 l9 g+ c5 j6 G- S4 q1 O8 v

　　3.3刀具在线检测原理

$ n& u! @; u8 i N1 x( R

　　首先测出刀具的切削深度和进给量，连同主轴转速和加工材料的类型一起输入神经网络控制器。由神经网络控制器进行负载计算，得出的负载输入至检测器。检测器输出的结果与输入信号进行比较，若该负载超过刀具的疲劳条件下的裂纹扩展负载，则减小刀具的进给速度，并将进给速度的减小量反馈到CNC控制器，使CNC控制器做出相应的控制，以使得负载的大小改变到安全的水平。

9 d" ]/ Q; E; z* J) F' p: ]

　　4结论

( z. l& R$ U0 h ! a+ u- _: ~% X* k0 ~* r

　　在柔性制造系统中，一个好的刀具管理系统和在线检测技术，不仅能提高加工生产率、降低劳动成本，而且对于产品优化组合、减少故障率都会起到非常关键的作用。

! z+ z k7 b6 C/ \