автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Обеспечение инвариантности процесса резания к внешним возмущениям на основе интеллектуальных систем подготовки управляющих программ

На правах рукописи

Козлов Василий Владимирович

ОБЕСПЕЧЕНИЕ ИНВАРИАНТНОСТИ ПРОЦЕССА РЕЗАНИЯ К ВНЕШНИМ ВОЗМУЩЕНИЯМ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ПОДГОТОВКИ УПРАВЛЯЮЩИХ ПРОГРАММ

Специальность 05.13.06 «Автоматизация и управление технологическими процессами и производствами»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва, 2004 г.

Работа выполнена в Московской государственной академии приборостроения

и информатики

Научный руководитель:

заслуженный деятель науки РФ, доктор технических наук, профессор Аршанский М.М.

Официальные оппоненты:

доктор технических наук, профессор Васьковский А. М.,

кандидат технических наук, профессор Мацнев А. П.

Ведущая организация:

Институт конструкторско-технологический информатики РАН.

Защита состоится "/Г" Й/О^ЙД_ 2004 г. в часов на

заседании диссертационного совета Д212.119.02 в Московской государственной академии приборостроения и информатики по адресу: 107076, г. Москва, ул. Стромынка, д. 20.

С диссертацией можно ознакомиться в библиотеке академии. Автореферат разослан 2004 г.

Ученый секретарь диссертационного Совета МГАПИ" кандидат технических наук, доцент

Ульянов М. В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы

В настоящее время основная масса изделий машиностроительной области производится с использованием механообрабатывающих станочных модулей, в которых одним из главных звеньев является система управления, т. е. система числового программного управления. Модульная организация и открытая архитектура современных систем ЧПУ позволяет использовать их для решения широкого круга задач мелкосерийного, многономенклатурного производства на базе не только больших, но малых предприятий.

Современные- рыночные отношения требуют от машиностроительного предприятия наличия гибкого производства, своевременно и оперативно реагирующего на экономические и технические изменения, роста производительности и качества выпускаемой продукции вне зависимости от исходных условий.

На процесс резания основное влияние оказывают колебания припуска и твердости заготовки. Для минимизации их влияния используются различные адаптивные системы. Однако алгоритмы их управления достаточно сложны и требуют дополнительной информации от специально встроенных датчиков. Поэтому актуальной является задача использования интеллектуальных систем управления или обучающих систем, которые позволяют решить эту задачу более простыми способами.

Связь работы с научными программами

Диссертация выполнялась в соответствии с программой Министерства образования «Мехатронные и прецизионные технологии».

Цель работы

Создание интеллектуальной обучающей системы, обеспечивающей инвариантность процесса резания к изменениям припуска и твердости заготовки при подготовке управляющих программ для станков с ЧПУ.

Автор защищает:

• методику адаптации управляющих программ к типу заготовки на основе интеллектуальной обучающей системы;

• модель интеллектуальной обучающей системы, состоящей из базы данных, базы знаний и искусственной нейронной сети;

• рекомендации к использованию—жггеллактуальной ■ обучающей системы при различных способ "

Научная новизна заключается:

• в создании методики организации работы постпроцессора автоматизированной системы подготовки управляющих программ, обеспечивающей инвариантность технологической операции к материалу и методу, которым получена обрабатываемая заготовка;

• в создании интеллектуальной обучающей системы, адаптирующей управляющую программу к типу заготовки.

Практическая ценность заключается в повышении точности и производительности обработки за счет стабилизации процесса резания и выбора эффективных режимов резания.

Апробация работы: основные положения диссертации доложены на V и VI Международной научно-практической конференции «Фундаментальные и прикладные проблемы приборостроения, информатики, экономики и права», прошедшей в Сочи в 2002 и 2003 годах.

Публикации. По теме диссертационной работы опубликовано пять печатных статей.

Структура и объем работы.

Диссертационная работа состоит из введения, трех глав, общих выводов, списка литературы и 3 приложений. В работе содержится 32 рисунка и 37 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении обоснована актуальность работы по созданию интеллектуальной системы подготовки управляющих программ, применяемой при частых изменениях исходных данных технологического процесса, спроектированного на базе мелкосерийного, многономенклатурного, слабо автоматизированного малого предприятия (например, завода, занимающегося ремонтом станков) в целях сокращения подготовительного времени и экономических затрат, связанных с частым перерасчетом режимов резания.

В первой главе рассмотрены существующие методы корректировки управляющих программ, приведены новейшие методы обеспечения точности и производительности деталей с использованием станков с ЧПУ и сделан вывод об использовании интеллектуальной системы в качестве современного перспективного механизма для подготовки управляющих программ в условиях поставленной задачи.

Были рассмотрены труды одной из наиболее перспективных в настоящее время научно-исследовательских лабораторий - лаборатории систем ЧПУ при кафедре "Компьютерные системы управления" МГТУ СТАНКИН. Под руководством Сосонкина В. Л. и Мартинова Г. М. лабораторией разработана концепция и прототип системы ЧПУ нового поколения с открытой модульной архитектурой, которая положила основу научным работам, направленным на

решение задач СЧПУ с использованием персонального компьютера. Например, работы Мартинова Г. М. «Повышение гибкости и переносимости математического обеспечения персональных систем ЧПУ за счет включения в их архитектуру ISO-процессора», «Теория и техника систем числового программного управления с открытой архитектурой для автоматизации машиностроительного оборудования»; работа Рогова Б. И. «Автоматизация обработки на станках с ЧПУ за счет программной коррекции исполнительных движений»; работа Орловой Н. Ю. «Повышение производительности торцового фрезерования на стадии проектирования управляющих программ обработки деталей на станках с ЧПУ»; работа Короткова О. Е. «Экспертная система в управлении токарным станком с ЧПУ»; работа Митина Г. П. «Повышение эффективности систем ЧПУ за счет использования персонального компьютера с интеллектуальными контроллерами».

Рассмотрена модель адаптивной системы предельного регулирования, обеспечивающей инвариантность процесса резания к внешним возмущениям при

условии Рг = const, т.е. вне зависимости от материала и способа получения поступившей на обработку заготовки сила резания должна оставаться постоянной, равной полученной в результате первоначального расчета режимов резания.

Рис. 1. Модель адаптивной системы предельного регулирования

На основании модели построена схема интеллектуальной обучающей системы в составе базы данных, базы знаний и искусственной нейронной сети (рис. 3); предложен способ интеграции с САП через информационную среду постпроцессора. Рассмотрена возможность использования интеллектуальной обучающей системы в современных СЧПУ с открытой модульной архитектурой.

Рис. 2. Схема включения интеллектуальной системы

Во второй главе проанализированы механические свойства материалов, учитываемых при расчете режимов резания: твердость и различные методы ее измерения, временное сопротивление; рассмотрены общие и межоперационные припуски, методы расчета припусков, в том числе для заготовок, полученных различными методами.

Приведен типовой путь расчета режимов резания, проанализированы составляющие формулы силы резания для различных материалов.

В составе анализа методов получения заготовок проведен анализ заготовок, полученных литьем. Разобрана классификация способов литья в машиностроении: под давлением в металлические формы; в керамические формы и по выплавляемым и выжигаемым моделям; литье в кокиль; под низким давлением в металлические формы с песчаными стержнями и без них; литье в песчаные формы, отверждаемые в контакте с оснасткой; центробежное литье; литье в графитовые формы.

Приведены зависимости твердости материала от маркировки по ГОСТ для отливок из стали (ГОСТ 977-75), для отливок из чугуна (ГОСТ 1412-70).

Проанализированы заготовки из стали и цветных сплавов, получаемые ковкой, а именно: горячей объемной штамповкой, холодной объемной штамповкой. Приведены характеристики механических свойств поковок.

Рассмотрены заготовки, получаемые прокатом из конструкционной стали, углеродистой, легированной конструкционной и пр.

Рис. 3. Модель интеллектуальной системы для обеспечения инвариантности процесса резания к заготовке

Сделаны выводы об использовании в качестве исходных данных маркировки, указанной на каждой заготовке, для описания ее механических свойств. Например, прокат горячекатаный круглый (ГОСТ 2590, диаметр 48 мм, обычная точность прокатки В, марка АСЗОХМ, для горячей обработки давлением (подгруппа а), термически обработанный) обозначается:

Кт АСЪЪХМ -а-Т ГОСТ 1414- 75

На основании полученной информации в третьей главе подробным образом описана интеллектуальная обучающая система, при построении которой необходимо соблюдать следующие принципы:

1. наличие тесного информационного взаимодействия -интеллектуальной системы с внешним миром и использование специально организованных каналов связи;

2. открытость системы для повышения интеллектуальности и совершенствования собственного поведения;

3. наличие механизмов прогноза изменении внешнего мира и собственного поведения системы в динамически меняющемся мире;

4. сохранение функционирования при разрыве связей или потере управляющих воздействий от высших уровней иерархии интеллектуальных систем.

Описан состав компонентов интеллектуальной обучающей системы:

1. база данных, описывающая методы получения заготовок на естественном для пользователя языке. Благодаря чему пользователь сможет вносить дополнительные данные, полученные из таких; источников как, например, справочная литература, где авторы часто стараются унифицировать информацию;

2. СУБД, обеспечивающая работу остальных компонентов интеллектуальной системы и пользователей с базой данных;

3. база знаний, содержащая данные и зависимости в готовом для расчетов виде. По мере функционирования НС и добавления новых данных будет происходить анализ данных на' пригодность для использования в расчетах, корректировка данных, сверка с уже существующими в БЗ данными и, если потребуется, повторная корректировка;

4. искусственная нейронная- сеть, которая преобразует информационный поток от БД к БЗ, уточняя проходящие данные. Так как БД открыта для пополнения, благодаря новым данным, нейросеть обучается и производит совершенствование значений выходных сигналов;

5. программное обеспечение, связывающее информационные потоки БД, БЗ и НС друг с другом и с информационным пространством

постпроцессора. Коррекцию значений подачи, твердости и колебания припуска, подлежащих изменению в текущей управляющей программе с соблюдением инвариантности процесса резания к внешним изменениям условий технологического процесса также берет на себя программное обеспечение, выполняющее, по существу, функции СУ интеллектуальной обучающей системы.

Представлены задачи, решаемые интеллектуальной обучающей системой:

1. хранение информации, описывающей методы получения заготовок;

2. систематизация этой информации;

3. обучение на основе сопоставления имеющейся информации с вновь введенной и последующее ее уточнение;

4. модификация управляющей программы путем внесения соответствующих изменений, согласно полученным входным данным.

Выполнено описание предметной области без ориентации на используемые в дальнейшем программные и технические средства, которое называется мифологической моделью предметной области базы данных. Представлены таблицы базы данных, содержащие перечень механических свойств всех выше перечисленных методов получения заготовок, а так же таблицы, носящие вспомогательный характер и содержащие коэффициенты расчета силы резания.

Обусловлен выбор системы управления базой данных, являющейся совокупностью программных и языковых средств общего или специализированного назначения, необходимых для создания БД, поддержания в актуальном состоянии и организации доступа различных пользователей в условиях принятой технологии обработки данных.

Проанализированные СУБД и технологии позволили сделать выбор в пользу СУБД MySQL, использующую технологию клиент-сервер и отвечающую следующим требованиям:

• СУБД должна поддерживать работу в двух наиболее распространенных операционных системах, а именно: в Linux или UNIX (так как большинство САП работают именно в этих операционных системах) и в MS Windows NT (которая характеризуется наиболее стабильным функционированием среди всех, представленных в этой группе ОС);

• СУБД должна иметь минимальную стоимость и обеспечивать высокую скорость и надежность.

При проектировании базы данных создан и представлен словарь или тезаурус базы данных для обеспечения разных категорий пользователей информацией о самой СУБД.

За основу базы знаний взята продукционная модель (рис. 4) или модель, основанная на правилах, позволяющая представить знания в виде предложений типа «Если (условие), то (действие)». Под «условием» понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под «действием» - действия, выполняемые при успешном исходе поиска (они могут

быть промежуточными, выступающими далее как условия и терминальными или целевыми, завершающими работу системы).

Рис. 4. Цикл функционирования базы знаний

Основное преимущество продукционных систем заключается в том, что они являются подклассом систем, основанных на правилах, позволяют добавлять вновь приобретенное знание без реорганизации полной совокупности правил вывода. Это позволяет легко реализовывать все частные условия, полученные благодаря опыту экспертов.

Для реализации механизма БЗ был использован язык представления знаний CLIPS. Он использует продукционную модель представления знаний и содержит три основных элемента: список фактов, базу знаний, блок вывода.

Принципиальным отличием данной системы от аналогов является то, что она полностью реализована на языке С. Причем исходные тексты ее программ опубликованы в сети Интернет.

В результате спроектирована база знаний, впоследствии реализованная на CLIPS. Например, правило, с помощью которого будет уточняться значение класса точности размеров и масс отливки представлено на рисунке 5.

(defrule GetClassAndRPValue (TYPE CURTYPE) (WAYOF CURWAYOF) (SIZE CURSIZE)

(DECLARE (SALIENCE (INTEGER (* CLASS -1)))) =>

(?CLASS <-CLASS) (assert (CURCLASS 7CLASS)) (?RP <-RP) (assert (CURRP ?RP)))

Рис. 5. Правило, определяющее класс точности и ряд припусков

В этой записи правило имеет название GetClassAndRPValue и активируется, когда в базе знаний обнаруживается факт, для которого определена тройка значений: вид заготовки TYPE, способ получения заготовки WAYOF и значение размера CURSIZE, совпадающее со значением SIZE. В результате переменной ?CLASS присваивается значение класса точности для активированного факта. В список активированных правил добавляется новые факты CURCLASS и CURRP -значение ряда припуска.

Свойство правила SALIENCE позволяет задать приоритет активированному правилу, согласно которому правило займет свое место в списке активации среди других возможных активированных правил. Свойство SALIENCE вычисляется как целая часть от произведения значения класса и числа -1. Согласно такой методике вычисления приоритета, из списка активированных правил будет выбрано то правило, у которого класс точности будет соответствовать наиболее высокой точности. Данное условие будет выполняться благодаря используемой в CLIPS по умолчанию стратегии разрешения конфликтов - глубинной стратегии (Depth Strategy).

Конкретный пример такого правила будет выглядеть следующим образом (рис. 6).

В случае появления в списке активации правила удовлетворяющего тем же условиям (TYPE, WAYOF, SIZE), но имеющего значение класса, например, 5т (или в терминах ИС -5.1), будет выбрано максимальное значение, т. е. -5.1.

Если ни один из фактов не подошел для выполнения с заданными входными данными, т. е. в базе знаний не содержится необходимых данных, будет запущенна нейросеть для интеллектуального формирования искомых значений.

Рис. 6. Пример правила, определяющего класс точности и ряд припусков

Признаком запуска функции активации нейросети RunNeuгalNet служит пустой выходной файл.

В результате переменной ?CLASS присваивается значение, возвращаемое внешней функцией RunNeuгalNet, которой передаются в качестве параметров значения: текущего способа получения и текущего размера заготовки. В базу фактов добавляется с помощью процедуры CLIPSAsseгt() новый факт CURCLASS -вычисленное функцией RunNeuгalNet значение точности размеров и масс отливки и CURRP - значение ряда припуска.

Для построения нейросетевой динамической системы необходимо:

1. Определить объект - входной сигнал.

2. Определить объект - выходной сигнал нейросети.

3. Определить желаемый (требуемый) выходной сигнал нейросети.

4. Определить структуру нейросети:

• число слоев;

• связи между слоями;

• объекты, являющиеся весовыми коэффициентами.

5. Определить функцию ошибки системы, т. е. функцию, характеризующую отклонение желаемого выходного сигнала нейросети от реального выходного сигнала.

6. Определить критерий качества системы и функционал ее оптимизации, зависящий от ошибки.

7. Определить значения весовых коэффициентов - в зависимости от задачи это можно сделать по-разному:

• аналитически, непосредственно из постановки задачи;

• с помощью некоторых численных методов;

• применив процедуру настройки коэффициентов нейронной сети.

Следуя представленной методике, спроектирована нейронная сеть с использованием программы NeuroSolutions. Программа позволяет создавать, обучать и тестировать нейросети с такими архитектурами как: многослойный перцептрон, нейросеть с общей регрессией и самоорганизующиеся сети Кохонена, нечеткие нейронные сети и сети с радиальными базисными функциями. Различные модификации пакета NeuroSolutions позволяют генерировать программный код на языке C++ стандарта ANSI, благодаря чему существует возможность использовать разработанные алгоритмы нейронных сетей (включая алгоритмы обучения) в собственных программах. В течение процесса создания проекта нет возможности определить все неизвестные, поэтому может потребоваться внедрение новых решений. С другой стороны невозможно разработать набор нейросетевых компонентов, которые будут удовлетворять потребностям каждого пользователя. Подход, используемый в пакете NeuroSolutions, состоит в том, чтобы дать пользователю возможность определить собственные модификации основных компонентов. Динамически-связанные библиотеки (DLL) - механизм, используемый для этой цели.

Рис. 7. Общий вид сетей с радиальными базисными функциями (ЯВР)

Чтобы создать интеллектуальный механизм определения требуемых значений, выбрана нейросеть с радиальными базисными функциями (рис. 7). Сети с радиальными базисными функциями - это нелинейный гибрид сетей, который обычно включает в себя один скрытый слой нейронов. Нейроны этого слоя используют гауссовскую функцию вместо обычных сигмоидальных функций многослойного перцептрона и обучаются по неконтролируемым правилам (веса назначаются по случайному закону), контролируемое обучение используется

13

нейронами выходного слоя. Сети RBF имеют ряд преимуществ перед многослойным персептроном (MLP). Во-первых, они моделируют произвольную нелинейную функцию с помощью всего одного промежуточного слоя, и тем самым избавляют нас от необходимости решать вопрос о числе слоев. Во-вторых, параметры линейной комбинации в выходном слое можно полностью оптимизировать с помощью методов линейного моделирования, которые работают быстро и не испытывают трудностей с локальными минимумами, так мешающими при обучении MLP. Поэтому сеть RBF обучается очень быстро.

В качестве примера, для уточнения значения класса точности размеров и масс отливки воспользуемся данными о классах точности.

При работе с заготовками, полученными другими методами, необходимо будет загружать и использовать весовые коэффициенты, полученные в результате обучения нейросети на соответствующих данных.

Была использована структура нейросети со следующими характеристиками:

1. Выходное число нейронов равно 1. ГОСТ 26645-85 предусмотрены 22 класса размерной точности для отливок - с 1 -ого по 16-й (в том числе классы Зт, 5т, 7т, 9т, 11т, 13т). В виду того, что невозможно использовать текстовые значения в качестве значений нейронной сети, значения выходного нейрона будут соответствовать 22-м порядковым номерам классов точности. Уровень выходного сигнала, как правило, может принимать любые значения из какого-то отрезка. Однако в данной задаче интересен не аналоговый ответ, а всего лишь номер категории (номер класса точности). В таблице 1 поле TEXT является комментарием и показывает значение ячейки, т. е. класс точности отливок.

2. Число нейронов на входном слое определено равным 1 - номинальный размер заготовки SIZE.

3. Число скрытых слоев установлено равным 1, согласно условиям, налагаемым на структуру сетей с радиальными базисными функциями.

4. Число нейронов в скрытом слое выбрано в соответствии с количеством элементов обучающей выборки, согласно рекомендациям по формированию сетей с радиальными базисными функциями. Число элементов обучающей выборки - 28, соответственно была выбрана сеть с 28 нейронами в скрытом слое.

5. Функция, характеризующая отклонение желаемого выходного сигнала нейросети от реального выходного сигнала, т.е. средняя квадратичная ошибка сети определена и составляет не более 0,01, при этом сеть должна обучиться предсказывать значения с точностью до ± 1 % от диапазона изменяемых значений.

Таблица 1

Пример обучающей выборки для литья под давлением в металлические формы

№

7.

9.

10.

SIZE 18 34 51 68

CLASS

TEXT

5т

0.35

1 5 9 13 17 21 25 29 33 37 41 45

Шаги обучения

Рис. 8. Процесс обучения нейросети

Пакет NeuгoSolutions использует по умолчанию прерывание процесса обучения по значению средней квадратичной ошибки. Один из вариантов - когда прерывание процесса происходит при достижении значения средней квадратичной ошибки минимального порога. В нашем случае мы используем рекомендуемое программой значение 0,01.

Номер входа

Рис. 9. Результаты тестирования нейросета

6. Произведено обучение нейросети. На рисунке 8 видно, что в процессе обучения на 45 шаге было достигнуто требуемое значение средней квадратичной ошибки.

7. Произведено тестирование сети. На рисунке 9 сплошной линией показаны желаемые значения класса размерной точности CLASS, а пунктирной - прогноз сети.

Рис. 10.1. Структура интеллектуальной системы

Рис. 10.2. Структура интеллектуальной системы 17

В большинстве случаев результаты совпадают, однако имеются и некоторые неточности. Такой результат является допустимым и будет приходить в соответствие с желаемым значением по мере увеличения количества новых данных, которые будут проходить через нейросеть.

Таким образом, сделан вывод о том, что структура интеллектуальной системы представляет собой автономное средство для корректировки и/или уточнения значений, используемых при перерасчете режимов резания. Кроме представления данных в требуемом виде, система накапливает опыт предыдущих запусков, иными словами, обучается и с каждой очередной итерацией совершенствует значения возвращаемых величин.

В заключение дана общая структура интеллектуальной системы'(рис. 10), алгоритм программного обеспечения и обобщенная структура САП. Показан способ реализации всего комплекса компонентов интеллектуальной системы и обмена информацией между ними

Представлена структура САП, включающая интеллектуальную обучающую систему. Описан алгоритм программного обеспечения.

Показана возможность функционирования интеллектуальной системы с СЧПУ с открытой модульной архитектурой, а также в составе наиболее распространенных на территории России систем ЧПУ старых конфигураций.

ОСНОВНЫЕ ВЫВОДЫ

1. Проанализированы современные методы обеспечения точности и производительности обработки на станках с ЧПУ. Сделано заключение о возможности использовании имитационных моделей в условиях неопределенности информации- с последующим применением интеллектуальных систем на основе искусственных нейронных сетей.

2. Проанализированы механические свойства материалов, учитываемых при расчете режимов резания: твердость и различные методы ее измерения, временное сопротивление; рассмотрены общие и межоперационные припуски, методы расчета припусков, в том числе для заготовок, полученных различными методами.

Из представленной информации можно заключить, что величину твердости поступившей на обработку заготовки возможно получить из справочной литературы, описывающей марки и механические свойства заготовок. Выявлено, что марка материала не всегда однозначно соответствует фактической твердости заготовки. Поэтому в случаях использования некоторых материалов, например, конструкционных сталей, представляется целесообразным использовать условное обозначение (маркировку), которое достаточно емко и однозначно описывает представленную заготовку.

3. Разработана интеллектуальная обучающая система, содержащая базу данных, базу знаний и искусственную нейронную сеть. Представлены таблицы базы данных, содержащие перечень механических свойств всех выше перечисленных методов получения заготовок, а так же таблицы, носящие вспомогательный характер и содержащие коэффициенты расчета силы резания.

4. Разработана структура базы знаний. За основу базы знаний взята продукционная модель. В качестве средства ее реализации использован язык представления знаний CLIPS.

Для создания интеллектуального механизма определения требуемых значений, выбрана и спроектирована нейросеть с радиальными базисными функциями.

5. Проведено обучение нейросети для конкретного примера и настройка весовых коэффициентов для достижения наиболее приемлемого результата в выбранном примере.

6. Разработан алгоритм функционирования программного обеспечения. Предложен способ реализации нейросетевой структуры в комплексе с другими компонентами интеллектуальной системы, описана схема обмена информацией.

7. Представлена обобщенная структура САП, включающая интеллектуальную обучающую систему. Рассмотрены варианты использования ИОС с системой ЧПУ открытой модульной архитектурой, так и с наиболее распространенными в данный момент системами ЧПУ.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В СЛЕДУЮЩИХ РАБОТАХ

1. Аршанский М. М., Козлов В.В. Принципы интеллектуальной эмуляции адаптивных систем предельного регулирования при резании // Сборник трудов молодых ученых и специалистов МГАПИ, в 2-х частях, том 5, 2003, с. 23.

2. Аршанский М. М., Козлов В.В. Интеллектуальная эмуляция адаптивных систем предельного регулирования при резании // Сборник трудов молодых ученых и специалистов МГАПИ, в 2-х частях, том 5, 2003, с. 27.

3. Козлов В.В. Реализация интеллектуальной обучающей системы подготовки управляющих программ: база данных // Сборник трудов молодых ученых и специалистов МГАПИ, в 2-х частях, том 5, 2003, с. 132.

4. Козлов В.В. Реализация интеллектуальной обучающей системы подготовки управляющих программ: интеллектуальный механизм // Сборник научных трудов VI международной научно-практической

конференции «Фундаментальные и прикладные проблемы приборостроения, информатики, экономики и права», 2003, с. 153. Козлов В.В. Реализация интеллектуальной обучающей системы подготовки управляющих программ: обобщенная структура // Сборник трудов молодых ученых и специалистов МГАПИ, в 2-х частях, том 5, 2003, с. 136.

Подписано к печати 27.04.2004 г. Формат 60x84. 1/16 Объем 1,0 п.л. Тираж 100 экз. Заказ № 52

Московская государственная академия приборостроения и информатики

107996, Москва,ул. Стромынка, 20

ít 1 4 89

ВВЕДЕНИЕ.

1. АНАЛИЗ МЕТОДОВ ОБЕСПЕЧЕНИЯ ИНВАРИАНТНОСТИ СИЛЫ РЕЗАНИЯ К ВНЕШНИМ ВОЗМУЩЕНИЯМ.

1.1. Методы корректировки управляющих программ.

1.2. Методы обеспечения точности и производительности.

1.3. Постановка задачи исследования.

1.4. Место диссертационной работы в проблеме управления точностью и ее структура.

2. ИЗМЕНЕНИЕ ПРИПУСКА И ТВЕРДОСТИ ПРИ РАЗЛИЧНЫХ МЕТОДАХ ПОЛУЧЕНИЯ ЗАГОТОВОК.

2.1. Задачи и способы размерной обработки.

2.2. Механические свойства материалов.

2.3. Режимы резания

2.3.1. Назначение припусков.

2.3.2. Предварительный выбор основных параметров резания.

2.3.3. Сила резания при точении.

2.4. Изготовление заготовок методами литья.

2.4.1. Отливки из конструкционной нелегированной стали.

2.4.2. Отливки из чугуна.

2.5. Ковка.

2.5.1. Горячая объемная штамповка.

2.5.2. Холодная объемная штамповка.

2.6. Прокат.!.

2.6.1. Прокат из конструкционной стали высокой обрабатываемости резанием.

2.7. Выводы.

3. СТРУКТУРА ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ОБУЧАЮЩЕЙ СИСТЕМЫ.

3.1. Задачи, решаемые компонентами интеллектуальной обучающей системы.

3.2. База данных интеллектуальной системы.

3.2.1. Базы данных и системы управления.

3,2-2. Инф о логическая модель базы данных.

3.2.3. Словарь базы данных.

3.2.4. Выбор СУБД.

3.3. База знаний интеллектуальной системы.

3.3.1. Модель интеллектуальной системы, основанной на знаниях.

3.3.2. Язык представления знаний.

3.4. Нейросетевая структура САП.

3.4.1. Теоретические основы нейронных сетей.

3.4.2. Проектирование нейронной сети.

3.5. Основные блоки САП.

3.5.1. Организационная структура постпроцессора.

3.5.2. Информационная структура постпроцессора.

3.5.3. СЧПУ с открытой архитектурой.

3.6. Обобщенная структура.

3.7. Алгоритм функционирования программы.

3.7.1. Особенности программного обеспечения.:.

3.8. Выводы.

В настоящее время основная масса изделий машиностроительной области производится с использованием механообрабатывающих станочных модулей, в которых одним из главных звеньев является система управления, в данном случае система числового программного управления. Одним из важнейших направлений исследований в области машиностроения является достижение наиболее полного использования технологических возможностей существующего оборудования, с другой стороны, разработка современных систем ЧПУ ведется по принципу модульной организации и открытой архитектуры, что позволяет использовать такие СЧПУ для решения широкого круга задач. Указанные тенденции способствуют развитию мелкосерийного, многономенклатурного производства на базе не только больших, но и малых предприятий.

Современные рыночные отношения требуют от машиностроительного предприятия наличия гибкого производства, своевременно и оперативно реагирующего на экономические и технические изменения, а также поддержания высокой производительности и качества выпускаемой продукции вне зависимости от выполняемых задач.

Принимая во внимание сказанное, можно заключить, что важным фактором является гибкость системы управления, т. е. возможность оперативно производить настройку согласно изменившимся условиям, возможность включать в структуру СУ различные модули управления, в том числе и модули сторонних разработчиков. В частности, реализации перечисленных возможностей способствует использование персонального компьютера в качестве элемента настройки системы ЧПУ.

Среди прочих на процесс резания основное влияние оказывают колебания припуска и твердости заготовки, чье негативное воздействие особенно заметно при использовании заготовок, полученных различными методами, для выработки одной и той же детали. Для минимизации их влияния традиционно используются различные адаптивные системы. Однако алгоритмы их управления редко позволяют применять функциональные расширения в виде дополнительно подключаемых модулей, они достаточно сложны и требуют дополнительной информации от специально встроенных датчиков.

Очевидным выходом может являться применение интеллектуальных систем управления, получивших развитие в начале 80-х годов и в настоящее время с ростом производительности компьютеров обретших второе рождение. Тенденция сопряжения персональных компьютеров с металлорежущими станками также придает этой идее целесообразность и привлекательность.

Использование интеллектуальных систем, баз знаний, нейронных сетей, которые являются подразделами одной науки - инженерии знаний, позволит решить эту задачу более простыми способами.

Таким образом, целью данной работы является создание интеллектуальной обучающей системы, обеспечивающей инвариантность процесса резания к изменениям припуска и твердости заготовки при подготовке управляющих программ для станков с ЧПУ.

Такое решение выгодно потому, что построение интеллектуальной системы на базе высокопроизводительных компьютеров не требует от разработчиков создания специального оборудования, как, например, датчиков, плат расширения, наборов микросхем или даже нейрочипов, а также исключает затраты на разработку интерфейсов для сопряжения с системами ЧПУ. В то же время, разрабатываемое ПО можно проектировать с учетом предполагаемых изменений, т. е. использовать в основе открытую архитектуру, что позволит пользователю самому заниматься расширением системы. И, наконец, отсутствует дорогостоящее сопровождение, так как программный продукт сопровождать гораздо дешевле.

Помимо вышеперечисленного, говоря непосредственно о снижении влияния погрешностей заготовок, в том числе о колебаниях твердости и припуска, описанное решение позволит повысить производительность (за счет автоматизации процесса настройки управляющей программы), точность и качество (за счет адаптации УП к особенностям конкретного вида заготовок).

Таким образом, определяется направление работы и научная новизна, которая заключается в создании методики организации работы постпроцессора автоматизированной системы подготовки управляющих программ, обеспечивающей инвариантность технологической операции к материалу и методу, которым получена обрабатываемая заготовка, а также в создании интеллектуальной обучающей системы, адаптирующей управляющую программу к типу заготовки.

4. ОБЩИЕ ВЫВОДЫ

1. Проанализированы современные методы обеспечения точности и производительности обработки на станках с ЧПУ. Сделано заключение о возможности использовании имитационных моделей в условиях неопределенности информации с последующим применением интеллектуальных систем на основе искусственных нейронных сетей.

2. Проанализированы механические свойства материалов, учитываемых при расчете режимов резания: твердость и различные методы ее измерения, временное сопротивление; рассмотрены общие и межоперационные припуски, методы расчета припусков, в том числе для заготовок, полученных различными методами. Из представленной информации можно заключить, что величину твердости поступившей на обработку заготовки можно получить из соответствующего ГОСТа. Справочная литература, описывающая марки и механические свойства заготовок, представляет информацию в более емком, унифицированном виде. Выявлено, что марка материала не всегда однозначно соответствует фактической твердости заготовки. Поэтому в случаях использования некоторых материалов, например, конструкционных сталей, представляется целесообразным применять условное обозначение (маркировку), которое достаточно емко и однозначно описывает представленную заготовку.

3. Представлена структура интеллектуальной обучающей системы, состоящей из базы данных, базы знаний и искусственной нейронной сети.

4. Представлена структура таблиц базы данных, содержащих перечень механических свойств всех перечисленных методов получения заготовок, а так же таблиц, носящих вспомогательный характер и содержащих коэффициенты расчета силы резания.

5. Разработана структура базы знаний. За основу базы знаний взята продукционная модель. В качестве средства ее реализации использован язык представления знаний CLIPS.

6. Описан интеллектуальный механизм определения требуемых значений, построенный на нейронной сети с радиальными базисными функциями.

7. Проведено обучение нейросети и настройка весовых коэффициентов для достижения наиболее приемлемого результата.

8. Предложен способ программной реализации нейросетевой структуры в комплексе с другими компонентами интеллектуальной системы, описана схема обмена информацией внутри комплекса. Разработан алгоритм функционирования программного обеспечения.

9. Представлена обобщенная структура САП и интеллектуальной обучающей системы.

10. Даны рекомендации по использованию ИОС с системой ЧПУ с открытой модульной архитектурой, так и с наиболее распространенными в современной промышленности системами ЧПУ.

11. Описана методика интеллектуальной адаптации управляющих программ для станков с ЧПУ к типу заготовки при условии постоянства значения силы резания.

1. Агаев О. В., Зориктуев В. Ц., Чикуров Н. Г. Микроинтерполятор для распределенных систем ЧПУ // СТИН. 1998. - №8.

2. Акулин Д. М. Расширение функциональных возможностей системы ЧПУ на основе открытой архитектуры терминальной задачи М: «СТАНКИН», 2004.

3. Амрахов И. Г., Павлов И. О. Формирование базы знаний в технологической системе обработки деталей резанием. // Вестник машиностроения, 1998, №1.

4. Анил К. Джейн, Жианчанг Мао, Моиуддин К. М. Введение в искусственные нейронные сети. Открытые системы, №04, 1997.

5. Анурьев В. И. Справочник конструктора-машиностроителя: В 3-х т. 5-е изд., перераб. И доп. - М.: Машиностроение, 1979.

6. Архангельский А. Я. Язык SQL в Delphi 5 М.: ЗАО «Издательство БИНОМ», 2000. - 208 е.: ил.

7. Аршанский М. М. Мехатронные технологии обработки материалов резанием // Мехатроника, 2000, №1.

8. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский. -СПб.: Питер, 2001.-384 е.: ил.

9. Бобров В. Ф. Основы теории резания металлов. М.: Машиностроение, 1975.

10. Борисов Ю., Кашкаров В., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки. Открытые системы, № 04, 1997.

11. Бояринов А. А. Автоматизация подготовки производства с учетом виброметрических характеристик технологической системы резания М.: МГАПИ, 2002.

12. Ванин В. А. Проектирование и программирование технологических операций на станках с ЧПУ: Уч. Пособие. Тамбов, ТГТУ, 1997, 123 е., ил.

13. Галушкин А., Современные направления развития нейрокомпьютерных технологий в России. Открытые системы, №04, 1997.

14. Галушкин А.И. Теория нейронных сетей. Кн.1: Учеб. Пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000.416 е.: ил. (Нейрокомпьютеры и их применение).

15. Гжиров Р. И., Обольский Я. 3., Серебреницкий П. П. Автоматизированное программирование обработки на станках с ЧПУ. JL: Лениздат, 1986, 176 с.

16. Гжиров Р. И., Серебреницкий П. П. Программирование обработки на станках с ЧПУ: Справочник. JL: Машиностроение. Ленингр. Отд-ние, 1990.-588 е.: ил.

17. Гжиров Р.И. Краткий справочник конструктора. М.: Машиностроение, 1983 -484с., ил.

18. Головко В. А. Нейронные сети: обучение, организация и применение. Кн. 4: Учеб. пособие для вузов / Общая редакция А. И. Галушкина. М.: ИПРЖР, 2001. -256 е.: ил.

19. Гольдштейн А. И., Молочник В. И., Альтбергина Р. В. Разработка постпроцессоров для многокоординатного фрезерного оборудования с ЧПУ. -Автоматизация проектирования машиностроительных предприятий, Киев: Знание, 1981.

20. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере, 1996, 276 е., с ил.

21. Городецкий Ю. И. О колебании при резании металлов. М.: Машиностроение, 1984, 135 с.

22. Городецкий Ю. И. О колебаниях пари резании металлов. М.: Машиностроение, 1984, 135 с.

23. ГОСТ 1414-75. Прокат-из конструкционной стали высокой обрабатываемости резанием. ИПК Издательство стандартов, 2002.

24. ГОСТ 380-94. Сталь углеродистая обыкновенного качества. ИПК Издательство стандартов, 2001.

25. Грановский Г. И., Грановский В. Г. Резание металлов. М.: Высшая школа, 1985.

26. Гусев А.А., Ковальчук Е.Р., Колесов И.М. и др. Технология машиностроения. -М: Машиностроение, 1986 -480с., ил.

27. Гырдымов Г. П., Молочник В. И., Гольдштейн А. И. Проектирование постпроцессоров для оборудования гибких производственных систем. Л.: Машиностроение, Ленингр. отделение, 1988, 232 с.

28. Дальскй М. М., Гаврилюк В. С. Механическая обработка материалов.

29. Данилевский В. В. Справочник молодого машиностроителя. Справочник для молодых рабочих машиностроительных заводов и учащихся проф.-техн. Училищ. Изд. 3-е, доп. и перераб. М., «Высш. школа», 1973. 648 с. с ил.

30. Девятков В.В. Системы искусственного интеллекта. М.: Изд. МГТУ им. Баумана, - 2001.31.