一种基于GA-BP神经网络算法的机床自适应控制方法

摘要

本发明属于数控加工技术领域，公开了一种基于GA‑BP神经网络算法的机床自适应控制方法，通过对工件数控加工过程中主轴电机功率信号以及主轴振动信号的实时监测，并基于主轴功率信号和振动信号对进给速度和主轴转速进行实时优化和自适应调整；整个信号采集过程不影响正常的加工进行。基于神经网络算法的机床自适应控制方法能有效地提高加工效率和加工质量，且能延长刀具和机床的使用寿命，降低成本。

说明书

技术领域

本发明属于数控加工技术领域，具体地说，涉及一种基于GA-BP神经网络算法的机床自适应控制方法。

背景技术

数控加工过程自适应控制的原则就是在保证零件加工质量的前提下最大限度的提高加工效率，实现保证保量的要求。

传统数控加工方法在加工开始前的编程阶段就已经确定了加工参数，而这些加工参数往往是由操作人员的经验所设定的，并不是最佳或者最优的切削参数，因此不能保证获得最优的加工质量和加工效率；在实际加工过程中，尤其是粗加工过程中，由于冲击振动、加工余量不均匀、刀具磨损等因素，切削条件是不断变化，因此不宜采用恒定的切削参数进行加工；由于实际加工时操作人员不知道加工条件的优劣，往往编程设定时切削参数的选择较为保守，甚至会出现不合理的情况，需要操作人员实时监测加工过程，并根据加工状况的改变及时调整切削参数，保证加工的顺利进行，避免造成刀具、工件、机床的损坏，这样大大增加了生产成本。因此，在没有有效的过程监测和自适应控制的情况下，要想实现加工质量的优化和加工效率的提高是比较困难的。

在以往的自适应控制方法中，主要运用的是模糊数学和模糊理论。2008年，王太勇等在专利“一种具有加工自适应功能与在机质量检测的监控方法”(申请号：200810153429.9)中，利用模糊算法一体化实现对机床的运动控制以及现场物理状态的监测与加工自适应控制以及在机实现质量检测。2013年，王太勇等在专利“一种数控加工参数自适应模糊控制规则优化方法”(申请号： 201310081486.1)中公开了一种数控加工参数自适应模糊控制模型规则优化方法，运用功率键合图法对模糊控制规则进行优化，提高了模糊控制器的控制性能和加工稳定性。2014年，田锡天等在专利“一种数控加工参数实时自适应优化方法”(申请号：201410719430.9)中公开了一种数控加工参数实时自适应优化方法，建立了主轴电机电流与实际切削力对应模型，并用模糊算法优化主轴转速和进给速度，有效提高了加工质量和加工效率，减少刀具和机床损坏，降低生产成本。

通过对机床自适应控制技术的分析发现，目前主要运用模糊数学和模糊理论开展研究。由于模糊控制的设计尚缺乏系统性，这对复杂系统的控制是难以奏效的，难以建立一套系统的模糊控制理论，以解决模糊控制的机理、稳定性分析、系统化设计方法等一系列问题；如何获得模糊规则及隶属函数即系统的设计办法，完全凭经验进行；简单地对模糊规则进行优化，对控制系统的精确性提升有限，且信息简单的模糊处理将导致系统的控制精度降低和动态品质变差；若要提高精度就必然增加量化级数，导致规则搜索范围扩大，降低决策速度，甚至不能进行实时控制。BP神经网络属于数据驱动模型，其非线性映射能力强，特别适合于求解内部机制复杂的问题；BP神经网络还具有自学习、自组织和自适应性等优点，非常适合于难以建立准确数学模型的控制系统，且具有较好的鲁棒性。而对于利用人工神经网络实现控制，却很少有学者进行过研究。

发明内容

为了克服模糊控制的设计缺乏系统性，对复杂系统的控制难以奏效，难以建立一套系统的模糊控制理论等一系列问题，本发明提出一种基于GA-BP神经网络算法的机床自适应控制方法

本发明的技术方案：

首先，在机床上通过变切削参数进行正交铣削加工试验，获取在不同切削参数加工下主轴功率信号和振动信号；接着，对主轴功率信号进行数据插补和特征值提取，对振动信号进行去噪和特征值提取；然后，使用切削参数、功率特征值和振动特征值对BP神经网络进行训练，并采用遗传算法对BP神经网络初始权值和阈值进行优化；最后，在实际加工过程中，对机床主轴功率信号和振动信号进行实时监测，将其与切削参数输入到训练好的神经网络中，通过神经网络对进给速度和主轴转速进行调整和控制。具体步骤如下：

第一步，变切削参数加工状态数据采集

功率传感器布置在主轴电机上，其三个线圈分别套在主轴电机UVW三根动力线上；加速度传感器布置在主轴外缘下端，靠近刀具一侧。

变参数加工过程为：在同种刀具和工件的基础上，选择不同的主轴转速、进给速度和切削深度组合搭配进行切削加工，利用功率传感器和加速度传感器记录下每一组切削过程的功率信号和振动信号。

第二步，功率信号和振动信号处理

由于功率信号采集过程中会产生信号缺失的情况，因此需要对缺失值进行补偿，采用缺失值前后两个功率值的平均值作为补偿后的新值，补偿后的功率W_i按式(1)计算：

式中，W_i-1为信号缺失前一时刻信号值，W_i+1为信号缺失后一时刻信号值；

然后取整个加工过程功率的平均值作为此次加工过程的功率特征值，功率特征值W_t按式(2)计算：

式中，n为整个加工过程功率值采样总数。

采用小波方法对加速度传感器采集到的振动信号进行去噪处理，取整个加工过程的平均振动幅值作为此次加工过程的振动特征值，功率特征值A_t按式(3)>

式中，n为整个加工过程振动幅值采样总数。

第三步，BP神经网络建模及参数优化

这一阶段主要分为神经网络模型的建立和遗传算法对神经网络初始权值和阈值的优化。

(1)第一部分为神经网络的建立，总神经网络由三个单隐含层BP神经网络组成。首先，建立第一个神经网络，利用加工程序设定的切削参数对目标切削功率和目标振动幅值进行预测，输入为主轴转速、进给速度和切削深度，输出为切削功率和振动幅值，隐含层神经元个数为6个；然后，建立第二个神经网络，利用实时采集的功率值和振动幅值以及程序设定的主轴转速和进给速度对当前切削深度进行预测，输入为功率值、振动幅值、主轴转速和进给速度，输出为切削深度，隐含层神经元个数为6个；最后，建立第三个神经网络，利用目标切削功率和目标振动幅值以及第二个神经网络预测得到的当前切削深度对需要调控的进给速度和主轴转速进行预测，输入为目标切削功率和目标振动幅值以及预测得到的当前切削深度，输出为进给速度和主轴转速，隐含层神经元个数为6个。

(2)第二部分为遗传算法对神经网络初始权值和阈值的优化。首先，确定优化变量，为神经网络初始权值和阈值；接着，对优化变量进行染色体编码，构建初始种群；然后，构建适应度函数，把预测输出和期望输出之间的误差绝对值和作为个体适应度值，适应度值F按式(4)计算：

式中，z为网络输出节点数，y_i为BP神经网络第i个节点的期望输出，o_i为第i个节点的实际输出，k为系数；

接着，通过选择、交叉和变异操作，个体通过适应度函数计算个体适应度值，找到最优适应度值对应个体，即最优初始权值和阈值；最后，将优化好的权值和阈值代替初始权值和阈值，实现对神经网络的优化；

第四步，进给速度和主轴转速实时调整和控制

将自适应控制系统得出的进给速度和主轴转速除以程序设定的进给速度和主轴转速，得到进给速度和主轴转速调整倍率，进给速度倍率B_f按式(5)计算，主轴转速倍率B_s按式(6)计算：

式中，f₀为程序设定的进给速度，S₀为程序设定的主轴转速；

将机床和工控机通过网线连接，实现实时通讯；调用机床动态链接库，将进给速度和主轴转速调整倍率指令通过调用动态链接库发送给机床，通过机床内置PLC模块实现对进给速度和主轴转速的自适应控制。

本发明的有益效果为：

(1)提高工件的加工质量，即提高机床的加工范围和加工能力。

(2)提高加工效率，节约生产时间成本。

(3)降低刀具磨损，延长机床使用寿命。

(4)有效调整在不同工况下的切削参数，降低对操作者的技术要求，降低生产成本。

(5)提出了一种新的机床自适应控制方法，根据机床当前加工状况自适应地调节进给速度和主轴转速，实现自适应实时控制，提升了机床智能化水平。

本发明与现有技术相比，具有如下优点：

现在常用的机床自适应控制方法，主要运用模糊数学和模糊理论。虽然基于模糊理论的机床自适应控制系统具有较好的鲁棒性，但由于模糊控制的设计尚缺乏系统性，对复杂系统的控制难以奏效，而且模糊规则及隶属函数完全凭经验进行，简单地对模糊规则进行优化，对控制系统的精确性提升有限。在本发明的技术方案中，基于加工数据所建立的GA-BP神经网络控制模型属于数据驱动模型，具有较高的准确性，它具有非线性映射能力强、自学习、自组织和自适应性等优点，非常适合于难以建立准确数学模型的控制系统。

附图说明

图1为功率传感器和加速度传感器布置示意图。

图2(a)为第一个神经网络结构图。

图2(b)为第二个神经网络结构图。

图2(c)为第三个神经网络结构图。

图3为控制进给速度和主轴转速模型拓扑结构。

图4为机床自适应控制方法流程图。

图5为机床和工控机实时通讯的流程图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清晰明了，下面结合附图对本发明作详细说明，以某型立式铣床为例，详细说明本发明的实施方式。

第一步，变切削参数加工状态数据采集

如图1所示，功率传感器布置在主轴电机(2)上，其三个线圈分别套在主轴电机UVW三根动力线上；加速度传感器布置在主轴(1)外缘下端，靠近刀具一侧。

变参数加工过程为：

首先选择直径为10mm的国产铣刀和长宽分别为200mm和100mm的45钢工件，然后在同种刀具和工件的基础上，组合搭配进行共600组切削加工，主轴转速范围为1000n/min—4000n/min，每隔300n/min为一组、进给速度范围为 50mm/min—150mm/min，每隔10mm/min为一组，切削深度范围为0.5mm—3mm，每隔0.5mm为一组，最后利用功率传感器和加速度传感器记录下每一组切削过程的功率信号和振动信号。

第二步，功率信号和振动信号处理

由于功率信号采集过程中会产生信号缺失的情况，因此采用缺失值前后两个功率值的平均值作为补偿后的新值，利用式(1)计算补偿功率值W_i。

整个加工过程的功率特征值为全过程所有功率值的平均值，利用式(2)计算功率特征值W_t。

采用小波方法对加速度传感器采集到的振动信号进行去噪处理，取整个加工过程的平均振动幅值作为整个加工过程的振动特征值，利用式(3)计算振动特征值A_t。

第三步，BP神经网络建模及参数优化

这一阶段主要分为神经网络模型的建立和遗传算法对神经网络初始权值和阈值进行优化。

第一部分为神经网络的建立。

建立第一个神经网络，利用切削参数对目标切削功率和目标振动幅值进行预测，输入为主轴转速S₀、进给速度f₀和切削深度A₀，输出为目标切削功率W₀和目标振动幅值A₀。网络拓扑结构如图2(a)所示。

建立第二个神经网络，利用实时采集的功率值和振动幅值以及当前的主轴转速和进给速度对当前切削深度进行预测，输入为实时功率值W、振动幅值A、程序设定的主轴转速S₀和进给速度f₀，输出为当前切削深度A。网络拓扑结构如图2(b)所示。

建立第三个神经网络，利用目标切削功率和目标振动幅值以及预测得到的当前切削深度对需要调控的进给速度和主轴转速进行预测，输入为目标切削功率W₀和目标振动幅值A₀以及预测得到的当前切削深度A，输出为进给速度f和主轴转速S。网络拓扑结构如图2(c)所示。

总体网络拓扑结构如图3所示。

第二部分为遗传算法对神经网络权值和阈值的优化，以第一个神经网络为例；

确定优化变量，为神经网络初始权值和阈值。

对优化变量进行染色体编码，染色体编码长度为38，构建初始种群，种群规模设为50。

构建适应函数；把预测输出个期望的输出之间的误差绝对值和作为个体适应度值，利用式(4)计算个体适应度值。

通过选择、交叉和变异操作，进化次数为50次，交叉概率为0.4，变异概率为0.2，个体通过适应度函数计算个体适应度值，找到最优适应度值对应个体，即最优初始权值和阈值。

将优化好的权值和阈值代替初始权值和阈值，实现对神经网络的优化。具体流程如图4所示。

第四步，主轴进给速度和转速实时调整和控制

将自适应控制系统得出的进给速度和主轴转速除以程序设定的进给速度和主轴转速，得到进给速度和主轴转速调整倍率，利用式(5)和式(6)计算进给速度和主轴转速调整倍率B_f和B_s。

将机床和工控机通过网线实现实时通讯。调用动态链接库，将进给速度和主轴转速调整倍率指令通过动态链接库发送给机床，通过机床内置PLC模块实现对进给速度和主轴转速的自适应控制。具体流程如图5所示。