智能加工：计算方法和优化外文翻译资料

英语原文共 35 页，剩余内容已隐藏，支付完成后下载完整资料

12智能加工：计算方法和优化

Sankha Deb和US Dixit

印度理工学院机械工程系Guwahati，Guwahati-781 039，印度阿萨姆邦。

电子邮件：sankha.deb@iitg.ernet.in，uday@iitg.ernet.in

本章提供了智能加工的介绍。 描述了实现智能加工目标的各种计算技术。 首先，提出了神经网络和模糊集理论的描述。 这些是软计算技术。 然后简要提到有限元方法在加工过程中的应用。 最后，描述了加工过程的优化。

12.1 智能加工

加工过程本质上是复杂的，非线性的，多变量的，并且经常受到各种未知的外部干扰。加工过程通常由熟练的操作者执行，该操作者基于从经验获得的直觉和经验法则使用他的决策能力。开发具有像专家操作员那样的智能功能的完全自动化加工系统是非常困难的问题。全自动化系统需要具有自动控制，监控和诊断加工过程的能力。这样的系统可以与人类操作者进行比较。许多传感器以某种方式向系统提供反馈，感觉器官向人提供反馈。像人类的大脑一样，自动化系统配备有用于实时处理来自传感器的反馈信息的计算机，并采取适当的决定以确保最佳操作条件。对于决策，自动化系统必须具有加工过程的模型。该模型可以基于过程的物理学。该过程的物理学被研究者理解并且以数学形式转换，通常以微分方程的形式。通过诸如有限元法（FEM）的合适的技术来求解过程的微分方程。在许多情况下，该过程的物理学是不正确的。然而，如果存在描述过程的行为的足够数量的数据，则可以基于数据开发模型，这被称为基于数据的建模。

基于物理学的建模通过可被称为硬计算方法的计算工具来实现。另一方面，基于数据的建模通过诸如神经网络和模糊集的软计算工具来实现。软计算工具尝试在存在不确定或不精确的物理学和/或过程变量的情况下产生问题的近似解。软计算不同于常规（硬）计算，因为与硬计算不同，它可以容忍不精确，不确定性，部分真值和近似。对于建模，还可以通过使用常规（硬）优化算法或启发式软算法（诸如遗传算法（GA））来执行过程优化。类似地，过程的控制可以基于常规（硬）控制技术或软控制技术（例如模糊逻辑）。也可以使用硬和软技术的混合。

人类本身适应环境的变化。以相同的方式，自适应控制机制是智能机的组成部分。自适应控制的机器能够适应由于切削条件的变化引起的机械加工的可变性导致的系统的动态变化，所述切削条件例如为加工材料的硬度，刀具磨损，刀具和工件的偏转， 等等。以下是自适应控制系统的主要目标：

bull;通过最大化基于成本或生产的某些性能标准来调整加工参数，例如切割速度和进给速率和/或切割器的运动，以优化加工过程;

bull;满足对由外部因素引起的变化的各种约束，并实时响应过程中的这些变化;

bull;通过其学习能力自动提高加工过程的性能。

可以实现第三目标的自适应控制系统可以说是智能，因为“智能”一词的意义之一是获取和应用知识的能力。

为了监控加工过程和故障诊断，智能加工系统必须具备如何识别故障，如何定位故障以及如何将故障及其影响与运行状态相关联的知识。此外，状态分类和过程干预必须实时完成，以避免在检测到偏离状态时的额外损坏。存在与加工过程的状态相关的各种信号（力，扭矩，温度，机械振动，声发射等）。控制和监测算法应基于不同信号的同时测量和处理。

图12.1显示了智能加工中心的方案。智能加工中心的功能如下。将要加工的部件的设计模型提供给计算机。使用合适的软件，生成刀具路径，并确定主轴转速和进给速率。该信息被馈送到机器控制器，其向驱动马达提供信号。

主轴

床身

工作台

刀具

工件

x轴驱动信号

y轴驱动信号

主轴驱动信号

z轴驱动信号

力信号

振动信号

温度信号

机器控制器

自适应控制器

进给速率

主轴转速

工具路径

主轴转速

进给

刀具偏移

电脑

图12.1. 智能卧式加工中心

自适应控制器根据切削条件的变化调整进给速率，主轴转速和刀具路径。四种不同类型的自适应控制系统是：自适应控制优化（ACO），自适应控制约束（ACC），几何自适应控制（GAC）和振动自适应控制（VAC）。 ACO的目的是寻找最大化某些性能标准（例如最小加工成本或最大生产率）的进给速率和主轴转速的最佳值。 ACC选择进给速率和主轴转速的可行解，以通过比ACO简单的算法来满足制造中的约束。 GAC试图通过针对由温度升高和/或切割力引起的工具和工件材料的偏转来调整刀具偏移来获得高度精确的表面光洁度。 VAC的功能是通过调节主轴转速或机床的共振频率来避免刀具的振动或振动，主要是由于再生振动。关于该过程的反馈可以通过多种不同类型的传感器获得，尽管该图示出了仅以温度，振动和力信号的形式的反馈。

智能加工系统还应该具有存储器，如专家操作员。加工数据手册中获得的知识和从经验中获得的知识可以存储在智能加工系统的存储器中。系统应具有有效获取数据的能力，通过滤除噪声并有效地检索有用数据。同时，期望系统能够以某种方式与人通信，使得其决定和动作对于相关用户变得透明。这意味着所获取的或可用的知识可以以专家系统的形式存储。

在本章中，简要描述了可用于开发智能加工系统的计算技术和优化方法。第12.2节描述了神经网络在加工过程建模中的应用。第12.3节描述了基于模糊集的建模。第12.4节描述了由神经网络和模糊集理论组成的混合系统，以混合物或化合物的形式。第12.5节简要讨论了应用FEM来研究加工过程。第12.6节描述了用于优化加工过程的优化技术。涉及常规（硬）和非常规（软）技术。最后，第12.7节讨论了开发真正智能机床所面临的挑战。

12.2 神经网络建模

众所周知，计算机可以以比人类更快的速度执行多个作业。然而，有许多其他任务，人类可以更快更好的方式执行。一个这样的任务是识别面部。人类可以快速地识别面部，因为关于面部的各种属性的信息在大脑中被并行处理。大脑包含一个神经网络，由一些称为神经元的互连信息处理单元组成。仅显示两个神经元及其连接的神经网络的示意图如图12.2所示。神经元由称为体细胞的细胞体，称为树突的许多纤维和称为轴突的单一长纤维组成。树突从其他神经元的轴突接收电信号。轴突通过树突将电信号从一个神经元传输到其他神经元。轴突和树突之间的连接称为突触。在突触处，电信号被调制不同的量。突触释放引起体细胞电位变化的化学物质。当电位达到其阈值时，称为动作电位的电动脉冲通过轴突向下发送。

人工神经网络是对生物神经网络建模的谦卑尝试。图12.3示出了从多个神经元接收信号（xi，i = 1到n）并发射要传输到多个神经元的信号（oi，l = 1到k）的人工神经元的示意图。在人工神经网络中，信号是以数值的形式而不是以电的形式。通过将每个输入值乘以适当的权重w来模拟突触的动作。

树突

细胞

突触

轴突

图12.2.生物神经网络的示意图

神经元

图 12.3.典型的人工神经元

生物神经元仅在输入信号的总强度超过特定阈值时触发输出信号。通过计算输入的加权和来表示输入信号的总强度，并对总和应用合适的激活（阈值）函数以确定其输出，来在人工神经元中对该现象建模。

神经网络可以基于它们的拓扑（架构）和训练方法来分类。最常见的神经网络架构是：（1）前馈神经网络，（2）反馈神经网络，和（3）自组织神经网络。前馈神经网络是最流行和广泛使用的。在该类别中存在两种类型的神经网络：多层感知器（MLP）神经网络和径向基函数（RBF）神经网络。图12.4显示了由三层组成的典型神经网络的前馈结构。每个层包含多个神经元，在图中由圆圈描绘。每个层具有到下一层的完全互连，但在层内没有连接。网络的第一层被称为输入层，其神经元承担对应于代表输入模式的不同变量的值。第二层称为隐藏层，因为其输出在内部使用，不用作网络的最终输出。在MLP神经网络中，可能有两个以上的隐藏层。在RBF神经网络中，只存在一个隐藏层。在图12.4中，只显示一个隐藏层。最后一层网络被称为输出层。输出层的神经元的值构成神经网络对在输入层处呈现的输入图案的响应。在MLP神经网络中，网络中隐藏层的数量是重要的设计参数。在MLP和RBF神经网络中，隐含层中的神经元数量必须慎重选择。一般规则是设计使用较少参数（权重和偏差）的神经网络模型。

在循环或反馈神经网络中，一些神经元的输出也被反馈到它们之前的层中的一些神经元。因此，信号可以沿向前和向后方向流动，如图12.5所示。一个循环网络据说有一个动态内存。这种网络在给定时刻的输出反映了电流输入以及先前的输入和输出。

切割速度

刀具寿命

进给

表面粗糙度

深度切割

传感器1

传感器2

输出层

隐藏层

输入层

图12.4. 典型的前馈神经网络

经常性网络的示例是Hopfield网络。 Hopfield网络通常用于具有二进制输入模式向量的分类问题。 另一种类型的神经网络是自组织神经网络，其由以低维网格的形式布置的神经元组成。

图 12.5. 非典型复发性神经网络

每个输入连接到所有输出神经元。 这种类型的网络通过构造其自己的拓扑来分类高维数据是有用的。

神经网络需要进行训练，以便它们对给定的输入向量产生适当的响应。 训练过程是一个迭代过程，调整网络的参数（权重和偏差），直到网络能够从一组输入生成所需的输出。 网络的训练过程可以大致分为有监督的和无监督的学习。 基于监督学习的许多训练算法是可用的，其中最常见的是反向传播算法。 反向传播算法为神经网络提供输入模式序列和期望输出（目标）模式，它们一起构成训练样本。 当向神经网络呈现输入模式时，在通过网络的正向通过上计算输出响应。在图12.4中，隐藏层中每个神经元j的输出根据图12.3的模型计算。 给定输入神经元处的输入信号xi，输出oj由下式给出

其中wji是与隐藏层的第j个神经元和输入层的第i个神经元相关联的权重。 函数f称为激活函数。 一些常用的激活功能是：

以类似的方式计算输出层中的每个神经元的输出。将最终输出与期望输出进行比较，并且对于每个输出神经元计算误差项。输出层中的神经元的误差的函数然后通过网络向后传播到每个层，并且以这样的方式调整每个互连的神经元的权重，使得期望输出和实际输出之间的误差降低了。可以使用任何优化方法来找出使误差最小的权重。早期反向传播算法基于最陡下降算法，根据该算法，函数的最大减小在与函数的梯度的方向相反的方向上。另一种常用的反向传播算法是基于Levenberg-Marquardt方法，其是最速下降法和准牛顿法的组合。在初始迭代时，遵循Cauchy方法，该算法逐渐向准牛顿法移动。

在使用最速下降法或Levenberg-Marquardt法的反向传播算法中，权重可以仅对应于局部最小值。这个问题可以通过向

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141986]，资料为PDF文档或Word文档，PDF文档可免费转换为Word