基于自适应控制技术的铣削参数优化研究

《基于自适应控制技术的铣削参数优化研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

ＴＩＡＮＪＩＮＵＮＩＶＥＲＳＩＴＹ中国第—所现代大学ＦＯＵＮＤＥＤＩＮ１８９５ｍｉ，．工程硕士学位论文领域：控制工程作者姓名：李杰１指导教师虽＿：總方强局级工程师企业导师：天津大学研究生院２０１６年１１月 摘要随着制造业的不断发展，制造领域对数控加工技术的要求越来越高。加工质量、生产效率的提高一直是中外学者研究的重点。但在实际的生产过程中，切削加工并非一直处于理想状态，切削力等物理因素会随着切参数的改变发生变化，切削力等物理因素会对加工的稳定性和精度造成影响。然而，目前的数控加工技术主要强调运动精度的控制，对于加工过程中物理因素对加工精度的影响考虑较少，但大量加工经验表明这些物理因素对加工质量、生产效率有很大影响。因此为提高加工质量和生产效率，本文将离线铣削参数优化和在线自适应铣削参数优化进行结合，通过铣削实验、优化算法和自适应切削过程控制，对铣削参数以及加工过程进行优化和调整，从而改善加工过程中的物理因素对加工质量和生产效率的影响。具体的研究内容主要包括以下几个方面：(1)在分析伺服系统和主轴系统数学模型的基础上，建立电机电流变化与切削载荷变化之间的关系，从而实现了加工过程中切削载荷的间接测量。(2)建立切削载荷变化与铣削参数之间的关系，从而推导出电机电流变化与铣削参数之间的关系。(3)基于GA、BP神经网络和模糊理论建立铣削参数优化方法，并结合切削实验建立初期铣削参数优化库。(4)建立自适应控制系统，将铣削参数优化库与自适应控制系统进行集成，实现最优铣削参数匹配。(5)将自适应控制系统集成到三轴数控系统中，实现智能自适应控制功能，最后通过实际切削，验证了铣削参数自适应优化的有效性。关键词：铣削加工，自适应控制，铣削参数优化，数控技术，切削载荷测量I ABSTRACTThedemandforNC(numericalcontrol)machiningtechnologyisbecomingmorehighwiththedevelopmentofmanufacturing.Theimprovementofprocessingqualityandproductionefficiencyarealwaysthemainresearchingpointsofthescholars.Inpractice,themachiningdoesnotalwaysstayattheidealstateandthecuttingforcewillchangewithparameterschangingwhichaffectsthestabilityandprecisionoftheproduction.While,thepresentNCmachiningtechnologyemphasizedthecontrollingofmotionprecisionandalittleconsiderationisconcentratedonthemachiningprecisioncausedbyphysicalfactors,butithasbeennotedthatthephysicalparametershasasignificanteffectonmachiningprecisionandefficiency.Thispapercombinesthemethodsofoff-linemillingparametersoptimizationandon-lineadaptivemillingparametersoptimizationtoimprovethemachiningprecisionandefficiency.Theresearchoptimizesthemillingparametersandmachiningprocessthroughcuttingexperiments,optimizationandadaptive-processcontrollingtechnologytoperfecttheeffectofphysicalfactorsonmachiningqualityandefficiency.Thespecificresearchisasfollows:(1)Therelationshipbetweencurrentandcuttingloadhasbeenestablished,whichisbasedontheanalysisofservosystemandthespindlesystemmathematicalmodel,toachievetheindirectmeasurementofcuttingloadinmachiningprocess.(2)Therelationshipbetweenthecuttingloadandthemillingparametersisestablishedandtherelationshipbetweenthemotorcurrentandthemillingparametersisdeduced.(3)TheoptimizationmethodofmillingisbuiltbasedonGA、BPneuralnetworkandfuzzytheoryandtheinitialoptimizationlibraryofmillingparametersisestablishedcombinedwithpracticalexperiments.(4)Theadaptivecontrolsystemisestablishedtointegratethemillingparameteroptimizationlibrarywithadaptivecontrolsystemtoachievethematchingofmillingparameters.(5)Theadaptivecontrolsystemisintegratedintothethree-axisCNCsystemtorealizeintelligentadaptivecontrol.Finally,theeffectivenessofadaptiveoptimizationofmillingparameterswillbeverifiedbyactualcutting.KEYWORDS:MillingProcess,AdaptiveControl,MillingParameterOptimization,NumericalControlTechnology,CuttingLoadMeasurementII 目录摘要...............................................................................................................................IABSTRACT.........................................................................................................................II目录............................................................................................................................III第1章绪论........................................................................................................................11.1自适应铣削参数优化的研究现状与发展趋势................................................11.1.1数控加工参数优化的国外发展状况.......................................................11.1.2加工参数优化的国内研究状况...............................................................21.1.3自适应控制技术在加工参数优化中的应用情况..................................21.2课题的提出...........................................................................................................31.3本课题研究的主要内容......................................................................................41.4本课题研究的目的和意义..................................................................................5第2章主轴与进给系统建模及铣削参数对应关系研究............................................62.1数控机床进给伺服系统模型建立......................................................................62.1.1机械传动系统建模.....................................................................................62.1.2伺服进给系统模型....................................................................................82.2切削负载测量与电流响应特性分析.................................................................92.3铣削参数与切削力关系建立............................................................................122.3.1铣削力分析...............................................................................................122.3.2瞬时切削厚度计算..................................................................................132.3.3刀具变形模型...........................................................................................142.4切削力影响参数权重分析................................................................................152.4.1切削误差实验验证..................................................................................152.4.2正交切削实验...........................................................................................16第3章铣削参数优化算法研究....................................................................................193.1遗传算法概述.....................................................................................................193.1.1遗传算法应用...........................................................................................193.1.2遗传算法操作步骤..................................................................................193.1.3遗传算法设计...........................................................................................203.2模糊理论概述与应用........................................................................................223.3神经网络概述.....................................................................................................23III 3.4遗传算法与BP网络结合应用.........................................................................263.4.1BP网络设计..............................................................................................263.4.2基于遗传算法的神经网络......................................................................273.5本章小结..............................................................................................................28第4章铣削参数优化研究.............................................................................................304.1数控加工概述.....................................................................................................304.1.1数控加工的特点......................................................................................304.1.2金属切削基础知识..................................................................................304.2切削参数概述.....................................................................................................314.2.1切削三要素...............................................................................................314.2.2切削力计算与转换..................................................................................324.3铣削参数优化.....................................................................................................344.3.1变量与目标函数设计..............................................................................344.3.2优化约束条件设计..................................................................................354.3.3条件设计及优化实现..............................................................................374.4建立加工参数优化库........................................................................................384.5本章小结..............................................................................................................41第5章自适应控制在数控加工中的应用研究...........................................................435.1铣削参数优化自适应控制的总体设计...........................................................435.1.1自适应控制系统理论研究......................................................................445.1.2数控铣削自适应控制系统研究.............................................................455.1.3基于模糊控制的自适应控制系统研究................................................465.2自适应控制系统与铣削参数优化集成...........................................................515.2.1自适应控制系统与数控系统的集成方法............................................515.2.2自适应控制系统工作原理......................................................................525.2.3自适应控制系统的软硬件结构实现.....................................................535.3自适应加工参数优化控制系统应用...............................................................545.3.1自适应控制系统与优化参数库的结合................................................545.3.2自适应切削参数优化加工实验.............................................................565.4本章小结..............................................................................................................61第6章总结与展望.........................................................................................................626.1全文总结..............................................................................................................626.2研究展望..............................................................................................................62参考文献............................................................................................................................64IV 发表论文和参加科研情况说明......................................................................................68致谢.....................................................................................................................................69V 第1章绪论第1章绪论1.1自适应铣削参数优化的研究现状与发展趋势随着数控技术的出现和不断发展，数控技术给机械制造行业带来了巨大的变化。同时随着相关研究的不断深化，数控制造领域提出了全新的制造模式。目前数控技术已经发展成为了集微电子技术、计算机技术、信息处理技术、虚拟仿真技术、自动检测技术、伺服驱动技术、软件技术、自动控制技术于一体的高新技术。数控机床作为基于数控技术发展形成的新兴制造业机电一体化产品，广泛应用于航空、航天、船舶、军工等尖端工业领域，数控机床在满足生产需求，提高生产效率，降低操作者劳动强度的同时不断在高精度、高速度、高柔性等方面作出提升，此外随着智能控制、模糊理论、神经网络等新技术在数控技术中的应用，数控技术正在向着智能化方向发展，逐渐形成了新一代智能数控产品。1.1.1数控加工参数优化的国外发展状况随着数控技术的不断完善和发展，与之相关的加工参数优化研究显得愈发重要。通过查询切削手册和生产资料获得切削加工参数的方式存在一定的弊端，且加工参数的针对性和准确性较差，数据的信息量和先进性都非常不足。因此通过查找资料获取的切削参数往往只能作为参考。故很多制造业发达国家开始研究更加柔性可控的加工参数选择方式。1964年美国建立了切削加工数据库，有效地提高了加工工艺水平[1]。随后日本和德国也相继成立了全面的切削数据库。然而随着先进技术的应用以及智能控制技术的日益成熟，人们对于加工参数的选择和优化有了更进一步的研究。但由于加工参数的非线性和多约束性，加工参数的研究进程仍然非常缓慢。Field根据实际生产提出了生产时间评价方法，Gilbert首次提出了最大生产效率和最小生产成本的概念；随着金属切削研究的不断深入，研究人员发现，在优化工作中必须综合考虑切削速度，进给量和切削深度的关系，并且结合实际切削过程中机床、刀具、切削液等诸多加工资源对切削参数选择优化的约束。切削参数的非线性和多约束性增加了优化的难度，但随着计算机技术和数学建模技术的成熟，采用数学建模和智能算法对切削参数优化已经逐步实现。如M.Tolouei-Rad等[2]通过数控机床的数学模型建立，对切削参数进行了优化研究；O.Zarei[3]采用(HS)搜索算法建立了铣削参数优化模型；K.Vijayakumar[4]1 第1章绪论采用蚁群算法分别针对粗加工和精加工进行切削参数优化；Srinivas等[5]以最小加工成本为优化目标，釆用粒子群算法对切削参数进行优化；FranciCus[6]采用神经网络优化算法对切削参数优化模型进行了优化。1.1.2加工参数优化的国内研究状况近年来切削加工参数优化研究在我国也取得了一定的研究成果。王鑫[7]基于加工特征建立了切削参数优化模型并进行了寻优算法研究。赵绪平[8]采用矩阵网格离散仿真算法进行优化研究，为简化求解，他将多参数优化问题分解成若干独立的子问题，从而将复杂优化问题简单化；董雪娇[9]以最小加工变形作为优化目标，通过仿真与切削实验结合的方式研制出一种用于叶片加工的切削参数优化选择方式；李颖[10]通过模拟仿真对参数进行约束性优化，从而得到理论优化结果，最后将优化控制器与数控机床连接，自动调节走刀数值。刘国光[11]结合遗传算法和模拟退火算法进行研究，形成组合遗传算法，从而建立了切削参数快速优化模型；高亮等[12]将生产加工中的最大效率作为优化目标，对切削参数的优化进行了研究和模型建立，最后实现了切削参数的优化；舒服华[13]为优化生产率和生产成本等综合目标，对遗传算法进行了改进，从而大大提高了优化算法的收敛速度和寻优能力；李建广等[14]为实现多目标参数优化，基于遗传算法建立了切削参数优化模型；刘海江[15]将多目标优化问题转换为单目标优化问题，并釆用粒子群算法对模型进行寻优求解；赵韩等[16]通过改进BP神经网络对切削参数进行了优化；谢书童等[17]采用边缘分布估计算法进行了切削参数优化，得到了适合的切削参数；曹瀚心[18]结合神经网络和遗传算法来实现对数学模型的优化方案，利用遗传算法对网络输出进行多目标优化。1.1.3自适应控制技术在加工参数优化中的应用情况随着我国汽车、航天、船舶等行业的飞速发展，零件的形状越来越复杂，工艺难度越来越高，但在生产加工中依然采用传统的加工方式，和保守的加工参数，且无法根据加工状态及时优化加工参数，损失了加工效率，提高了生产成本。许多企业会采用人工控制的方式对加工参数的不合理进行优化和调整，但依靠人工控制不仅存在失误的风险，还会增加劳动强度，且无法满足企业生产需求。但是随着先进传感技术、数据处理技术与控制技术在数控技术中的介入，及时获取复杂数控加工全过程几何信息、物理信息进而实现加工过程中的切削参数优化和调整已经能够实现。这种加工过程自适应控制能够在高效利用刀具和机床功能的同时，有效保护机床和刀具，提高生产效率和产品的精度。2 第1章绪论60年代初的自适应数控系统，由机床、数字控制器和自适应控制系统组成[19]。此类系统在监测方面存在一定的不足，因此未能产业化应用。而关于自适应在数控加工参数优化领域的研究不断开展，B.Srinivasa，D.Prasad[20]等人基于反馈控制，自适应控制，自调优化控制开发了一种适用于计算机数控车削的自适应约束系统。LuisMoralesVelazquez[21]等人开发了用于专用处理器实现递归最小二乘算法在线识别的硬件架构，从而更好地进行数控机床伺服系统优化。JiangRuiQuan，CaiJianGuo[22]等人研究一种基于神经元的自适应控制器，用于数控机床伺服控制。Brezocnik[23]等人通过遗传算法预测了主轴转速、进给速度、切削深度和振动对表面粗糙度的影响。DingHuaZhang，YingZhang[24]等人基于自适应过程模型开发了用于整体轮盘精密制造的自适应加工方法。KuijingZheng，LiCheng[25]等人使用有预见性的方法，进行进给速率预先调整，从而得到了加工速度的控制方法，有效地提高了加工精度和生产效率。我国的自适应切削参数优化研究起步较晚，目前仍处于实验室阶段。程涛，左力等人[26]开发的智能自适应控制系统，能够根据切削力约束和模糊控制的方式实现加工参数的在线调整。冯小军，朱华双等人[27]提出了一套模糊自适应控制方法，通过监测负载变化，实现电机恒功率实时控制，以达到加工参数优化的目的。时政博，黄筱调等人[28]采用BP神经网络算法，结合铣削功率与切削振动的关系，进行切削参数优化。随着研究的不断深化，优化方法被分为在线和离线两种。其中在线优化需要检测加工过程中切削力、刀具温度或机床主轴扭矩等变量来实现对切削参数的实时调节。如美国研发的自适应控制系统，以及德国、日本和意大利等国家研制的自适应控制机床，都是以在线控制的方式实现的优化加工[29]。我国对自适应数控加工技术的研究开始于1979年[30]，此外华中科技大学成功研制了恒功率自适应铣削系统[31]。但在线切削参数优化技术需要实时监测刀具的磨损，温度以及切削功率和受力等诸多影响因素，且在数据转换过程中均需要进行假设和工程近似处理，因此造成在线切削参数优化技术在实际生产中的应用受到了限制。而离线切削参数优化在国内外发展迅速，在数控切削参数优化中得到了广泛应用，离线切削参数优化的特点在于，在实际加工前，通过加工经验，数学算法，工艺参数和大量的切削实验，对加工状态进行预测，根据加工过程中的多个目标因素建立优化模型，然后有针对性地进行参数优化，通过优化得到最佳的切削参数，如进给量，主轴转速，切削深度等。3 第1章绪论1.2课题的提出目前，在多数生产企业中，切削参数的选择依然依靠工艺人员加工经验和切削参数手册来选择，因此工艺员的加工经验直接影响产品的精度和质量。同时随着机械制造业的不断发展，难度大，形状复杂的零件越来越多，产品复杂程度的不断增加也对工艺人员提出了更高的要求，然而即使是高水平的工艺人员仅凭自身的加工经验和查阅资料，亦很难给出最优的切削参数。此外从生产安全的角度考虑，操作者一般将加工参数设置的较低，导致生产效率和机床效能都很低。本课题旨在通过铣削加工实验获取大量铣削参数数据，以此对切削参数进行离线优化，然后将优化的铣削参数存储为库参数，供数控加工在线自适应参数优化选择使用，自适应控制系统在选择库参数后将在两个库参数间进行自适应切削参数调整。进而达到提高加工效率，降低加工成本，并获得高加工质量的目的。本课题将复杂的在线自适应参数优化进行分割，将难度大且算法复杂的切削参数优化问题以离线的方式完成，将优化后的切削参数作为在线自适应切削参数优化的区间阀值使用，做到粗、精优化分开处理，降低自适应优化复杂程度的同时，有效提高自适应控制的安全性和可靠性。另外在切削参数优化方面进行了基于切削加工参数优化方法的研究，且参考专家系统建立了铣削参数优化库。1.3本课题研究的主要内容课题建立并分析了伺服系统和主轴系统的数学模型，通过监测驱动电机电流变化获得切削负载变化。开展正交切削实验，建立铣削参数选择与切削力大小变化之间的关系，以获得切削负载与铣削参数选择之间的关系，从而建立铣削参数选择与电机电流变化间的响应关系。通过切削实验获得影响切削力大小的主要因素，并将加工经验公式与遗传算和神经网络优化算法相结合进行铣削参数优化，建立优化切削参数库，最后基于铣削参数优化控制器和上述确定的铣削参数与电机电流变化关系建立自适应控制系统，对加工过程中的铣削参数进行在线自适应控制。本课题的主要内容：(1)建立并分析伺服系统和主轴系统的数学模型，建立数控机床机械进给系统和切削过程模型，建立各数学模型间的联系并进行验证，确定负载电流变化与切削负载变化之间的响应特性关系。(2)开展正交切削实验，建立铣削参数选择对切削负载大小变化的影响权重排序。4 第1章绪论(3)进行切削实验，将切削实验获得的铣削参数作为基础参数库进行存储，利用遗传算法和BP神经网络对基础参数库中的数据进行离线优化，将优化后的铣削参数进行整理，建立优化铣削参数库。(4)建立自适应控制系统，实现铣削参数的在线优化调整。结合模糊理论建立适用于铣削参数在线优化的自适应控制系统。(5)将优化参数库与自适应控制系统集成到TDNC-A1M数控系统中，针对某一典型零件进行加工实验，并测得各组实验对象的尺寸精度，对比采用自适应优化系统后，加工效率和精度的提高情况。从而验证自适应优化系统的实用性及系统实时控制的有效性。1.4本课题研究的目的和意义随着国内经济的高速发展，制造业对数控加工的要求越来越高，在加工过程中，切削参数的优劣直接影响产品质量的好坏，生产效率以及加工成本的高低。然而由于影响切削参数选择的因素较多，且各因素间相互制约、相互影响，因此选择最优切削参数具有一定的难度。仅依靠技术工人的加工经验和查询切削手册的方式确定切削参数，很难适应数控加工高速、高精的发展要求。目前智能控制技术已经和数控加工技术高度结合，人们将复杂的切削参数优化问题由智能控制技术和优化算法完成，有效地实现了切削参数的在线和离线优化。本课题结合铣削实验，采用BP，GA等算法对铣削参数进行离线优化，并建立铣削参数参考数据库。通过监测机床切削负载变化，将优化调整后的加工参数应用于铣削加工过程当中，实现铣削参数的自适应调整。从而提高加工精度和生产效率，减少资源浪费、降低生产成本。因此铣削参数优化和自适应铣削参数调整研究在数控制造领域具有重大意义。5 第2章主轴与进给系统建模及铣削参数对应关系研究第2章主轴与进给系统建模及铣削参数对应关系研究主轴系统和进给系统是数控机床的重要组成部分，主轴系统提供切削主运动，进给系统提供加工过程中的进给运动、控制及动力。切削力由主轴系统和进给系统的相互运动产生，然而切削参数的变化直接在主轴和进给系统的运动中得到体现，从而引起切削力的变化。因此需要分别建立切削参数选择与切削负载的关系，以及切削负载与负载电流之间的关系，从而间接得到切削参数选择与负载电流变化的对应关系，为在线控制提供依据。本章采用机电系统建模理论，分别建立了进给和主轴系统模型，通过切削实验分析了主轴负载变化与切削力的对应关系，并建立了铣削参数对切削力的影响权重，从而得到了铣削参数的优化依据。2.1数控机床进给伺服系统模型建立数控机床的进给系统又称为伺服进给系统。伺服进给系统一般具有高的定位精度、响应速度、以及较好的稳定性。进给伺服系统性能的优劣在一定程度上反映机床的精度，因此，通过进给伺服系统的分析能够为自适应控制器的建立和铣削参数在线调整提供基础数据。2.1.1机械传动系统建模机械系统的输入为电机的角位移(t)，系统的输出为工作台的位移x(t)。M0在该机械传动系统作用下，刀具与工件相互运动产生作用力。其机械传动系统示意图如图2-1所示。图2-1机械传动系统示意图6 第2章主轴与进给系统建模及铣削参数对应关系研究将机械传动系统等效为动力学模型，其中电机力矩，切削抗力F(t)，传动c部件间的摩擦力F和阻尼，为系统承受的外力，此外系统承受的外力还包括执cr行部件的质量m和各部件间的传动惯性质量。系统扭转动力学模型如图2-2所示，扭振系统如图2-3所示。其中k为扭转L刚度，J为等效转动惯量，M为等效负载转矩，B为等效阻尼，为输出角LLLL位移，T、分别为输入转矩与输入角位移。mm图2-2扭转动力学模型图2-3扭振系统模型将机械传动系统简化为弹簧振动系统，将转动惯量J及J，传动力F等效0为负载转矩FL/2，其中L为丝杠导程，据此可得。图2-2扭转动力学模型为：2ddLLT(t)JBMmL2LLdtdt(2-1)T(t)k()mLmL(2-2)上式经拉普拉斯变换后，得到传递函数如下所示：kLG(s)2JSBSkLLL(2-3)令kJ，B(2Jk)，将上式转换为标准形式：nLLLLL2nG(s)22S2Snn(2-4)7 第2章主轴与进给系统建模及铣削参数对应关系研究由图2-3将机械传动机构简化为弹性力学模型：FmxcxF0r00(2-5)Fk(xx)0(2-6)对以上两式进行拉普拉斯变换，x为系统输出，x为系统输入，外载荷0FFF忽略不计时，可得传递函数：0ccrx(s)k0G(s)2x(s)mScSkr(2-7)kcrn令固有频率为m，阻尼比为2mk，将上式转换可得标准形式：2nG(s)22S2Snn(2-8)其中T为输入转矩，F为输入弹性力，F为切削抗力，F为摩擦力，c为m0ccrr阻尼系数。对于整个控制系统来说，转矩和弹性力都是作用于电枢输入端的反馈。2.1.2伺服进给系统模型数控机床的伺服进给系统一般由机械传动系统和伺服驱动系统组成。根据伺服进给系统可得如图2-4所示的结构框图，通过建立伺服进给系统，可以更直观地分析加工过程中电机电流变化与切削负载大小之间的关系，能够更加准确地监测切削负载的变化。图2-4进给伺服系统结构框图8 第2章主轴与进给系统建模及铣削参数对应关系研究图中K为位置控制传递函数，K为速度控制传递函数，K为负载转矩作PNR用在电枢输入端的反馈系数，K为电机增益系数，K为速度反馈增益系数，TMP2L为机械时间常数，T为电气时间常数，经转换可得进给伺服系统的传递函数为：S5432G(s)h(asbscsdsesh)。2.2切削负载测量与电流响应特性分析主轴系统提供数控机床的主要切削力。在加工过程中，主轴电机为切削加工提供切削力矩和切削转速。为了更好地分析主轴切削负载变化与主轴电机电流变化的关系，需要建立主轴系统模型。利用建立的进给系统和主轴系统数学模型，分析出系统中各因素间的响应特性，如切削负载变化与电机电流变化之间的关系。但是，通过理论分析很难准确表达电流与切削负载变化之间的关系，因此本文通过实验的方式来分析电流对切削负载的响应特性，实验方式能够反映整个机床的实际性能，更加有针对性，同时将实验所得数据应用到自适应控制与铣削参数优化中更加准确。主轴系统模型的建立可以为主轴电机电流与切削负载变化之间的联系提供依据，并且切削负载在加工过程中的变化是一个复杂的过程，电机电流的变化又是一个变化的过程，因此为研究两者之间的关系，需要设置实验平台。切削负载变化是加工状态监测中重要的一环，传统的切削负载监测方法多采用测力仪完成，或者在机床内安装测力传感器，这些切削力测量方法均需要在数控机床内安装仪器或者器件，属于切削力直接测量法，不适合产品化推广，具有一定的局限性，因此人们对间接测量做出了大量研究。通过研究可知，主轴电机的电流变化与切削加工存在着直接关系。通过测量加工过程中的电流变化可以获得切削负载的大小。因此相比直接测法，间接获得切削负载大小的方法更加简单经济。目前大多数切削负载间接测量实验平台，需要分析对比霍尔元件测得的电流变化信号和测力仪测得的切削力大小变化信号。这类方法在分析过程中需要进行转化，且对实验要求严格，否则很难建立准确的对应关系，因此本文设计的实验平台在已经具备测量主轴电流变化的数控机床上开展，通过数据处理软件将主轴电机负载变化以5s为测量区间进行曲线绘制，并以测力仪测得的力信号直接进行对比，这样对比结果更加清晰准确，且节省了实验周期。本文的实验平台主要包括测力仪、计算机数据采集分析系统两个部分，与传统实验平台的区别在于，电流信号的转换处理均在数控系统内部完成，采集到的9 第2章主轴与进给系统建模及铣削参数对应关系研究信号以负载的形式体现，直接在计算机数据处理系统中进行对比即可。本文所述实验平台如图2-5所示，实验现场如图2-6所示。图2-5实验平台构成图图2-6实验现场实验的目的在于通过切削，获得电流对切削负载变化的响应特性，从而确定，通过获取主轴负载电流变化可以间接测量切削负载的大小，搭建本实验平台所采用的数控机床具备主轴负载功率显示记录功能，实验过程中可以通过可视化仪表和内部负载电流信号对主轴负载的变化进行记录，如图2-7所示为主轴负载变化示值。实验平台将加工过程中的负载变化信号输入到数据处理系统中进行处理和对比，为更准确地建立电流变化与切削负载变化的响应特性，进行对比实验。图2-7切削负载功率显示10 第2章主轴与进给系统建模及铣削参数对应关系研究在获取负载和电流特征之后将两者进行对比，确定在切削状态下，电流特征能够反映切削负载变化，由于电流特征反映切削负载变化的研究已经非常成熟[32-39]，根据研究成果和实验数据可得到图2-8所示滤波后的对比情况，通过设计带通滤波器，对切削力信号和主轴电流信号进行滤波，这样可以更加清楚地表示出两种信号的关系。因此建立切削负载和电流特征值之间的模型，既是建立切削力和主电流信号之间的模型，由图可知两者存在延迟滞后关系，且电流特征能够反映切削力大小变化。图2-8滤波后的电流和力信号为简化实验对比复杂程度，系统只进行切削负载大小与合力大小对比，不考虑由于电流信号延迟造成的切削负载信号输出的滞后问题。这样的考虑存在一定的误差值，但是本文所研究的自适应控制系统为分段式切削参数优化，对力的延迟情况要求不严格，只需要控制在设定区间范围内即可满足要求。图2-9(a)和(b)为常态切削状态下的测力仪数据及切削负载变化数据处理后的波形图，图中数控系统显示负载变化代表电机电流变化，测力仪切削力变化代表直接测得的切削力大小变化。由图不难得出，系统通过处理电流信号获得的负载信号与测力仪测得的力信号有相应的对应关系。图2-9(c)和(d)所示在切入、切出和切削余量不均匀等状态下的切削数据，由图不难看出主轴电流换算所得的切削负载与测力仪的切削力变化成对应关系，即切削力增大，电机驱动电流亦随之增大，尤其在切削力突变明显的切削余量不均匀状态，以及刀具切入工件及切出工件状态，切削力的变化都能与驱动电流的变化相对应。11 第2章主轴与进给系统建模及铣削参数对应关系研究(a)(b)(c)(d)图2-9切削力实验数据波形2.3铣削参数与切削力关系建立2.3.1铣削力分析为分析铣削过程中的切削力，需要建立铣刀在x、y、z三个方向上所受分力的数学模型，本文以立铣刀为对象建立如下铣削力模型。12 第2章主轴与进给系统建模及铣削参数对应关系研究图2-10立铣刀受力分析通过刀具轴向微元划分，可得到图2-10所示FFF三向分力，从而得z、r、t到如下切削力模型[40-43]为：Fi,j,tKthi,jdzFi,j,rKrFi,j,tFKFi,j,zzi,j,t(2-9)式中：dz为微元轴向长度；Kt，Kr，Kz为切削力系数；hi,j为瞬时切削厚度。将径向力和轴向力进行分解，可得x，y，z三个方向单元分力[40-45]：FFcosFsini,j,xi,j,ti,ji,j,ri,jFFsinFcosi,j,yi,j,ti,ji,j,ri,jFFi,j,zi,j,z(2-10)则三个方向的切削合力[37-38，46-47]为：FFxi,j,xi,jFFyi,j,yi,jFFzi,j,zi,j(2-11)通过立铣刀受力分析和模型建立，可知由切削力作用产生的动态切削位移与瞬时切削厚度之间存在密切联系。2.3.2瞬时切削厚度计算13 第2章主轴与进给系统建模及铣削参数对应关系研究根据上述已知关系，可得[48,49]：hfsini,jzi,j(2-12)式中：f为单齿进给量；为刀具微元转角；zi,j切削过程中动态切削厚度为：hfsinxsinycosi,jzi,ji,ji,j(2-13)式中：为x方向动态铣削位移；为y方向动态铣削位移。xy单齿进给量为：FfzSZ(2-14)式中：F为进给速度；S为主轴转速；Z为刀齿数；由上可得动态切削厚度为：Fhi,jsini,jxsini,jycosi,jSZ(2-15)由此可见铣削参数与瞬时切削厚度有密切联系。2.3.3刀具变形模型通过上述分析可知切削参数的选择直接影响切削力的变化，切削力的变化将影响瞬时切削厚度，也就是说切削力的变化将直接影响加工效率和加工精度，因此为进一步验证理论分析的合理性，进行立铣刀形变模型建立。在铣刀受力变形分析时需要考虑的因素较多，本文仅考虑刀具伸出刀柄部分的悬伸部分变形，故可将刀具简化为图2-11所示悬臂梁结构[49]，并进行分析。通过刀具的变形量建立加工过程中x，y，z三个方向的加工误差。(a)(b)图2-11刀具变形图14 第2章主轴与进给系统建模及铣削参数对应关系研究刀具在x、y方向分力作用下产生图2-11(a)所示变形，由刀具变形产生的变形量[49]为：F332[(ZZ)(LZ)3(LZ)(LZ)]ff6EI(2-16)式中：Z为切削力作用点与刀尖的距离；L为铣刀悬伸长度；I为惯性力f矩；E为弹性模量；Z为铣刀始变位置；上式进行变换可得到x和y方向的刀具变形量[49]。x方向可表示为：(,z)(F(),Z())(F(),Z())xxxtxx(2-17)y方向可表示为：(,z)(F(),Z())(F(),Z())yyytyy(2-18)由图2-11(b)可知刀具变形后受拉力一侧产生弹性变形，刀具微量伸长，这个微小的伸长量将影响z方向的加工精度，并在刀具轴向产生动态位移其数z学表达式为：dzsinB2(2-19)式中：z为刀具在z向的动态位移；d为刀尖与刀具实际轴线间距离；B为刀具变形位置角；刀具变形位置角可表示为：2F(LZ)fZBf2EI(2-20)通过上述分析可知在切削条件不变的情况下，铣削力增大则刀具在x，y，z三个方向的动态切削位移量将随之增大，即增大刀尖与变形位置之间的距离Zf，铣削力随之增大；x，y方向的变形量增大，刀具沿z向的拉伸量增大，从而影响加工精度。2.4切削力影响参数权重分析2.4.1切削误差实验验证15 第2章主轴与进给系统建模及铣削参数对应关系研究为验证上述研究的准确性，采用三轴立式加工中心，三坐标测量机及计算机等设备进行加工实验，实验前置数据如表2-1所示。图2-12为实验系统图，实验通过切削测量和模型预测两种方式获得零件尺寸数据，并将两组尺寸值进行处理，得出两组误差值。根据误差的差值大小验证上述研究的准确性。表2-1切削用量及前置数据参数名称取值参数名称取值刀具直径D12mm每尺进给量fz0.02-0.1mm铣刀刃长Lf28mm切削深度ap0.5-6mm铣刀全长L60mm切削宽度ae0.5-9mm弹性模量E208GPa刃数z4图2-12切削误差实验系统图2.4.2正交切削实验由于影响铣削加工的因素较多，故将实验设计为四因素四水平正交试验[4049]。切削速度限制在30-70m/min内进行实验。表2-2是因素水平表[49]，因此需进行L16(44)16次独立切削实验。表2-2切削速度30-70m/min以内因素水平表因素水平A:ap(mm)B:ae(mm)C:S(r.min-1)D:fz(mm.r-1)16.59.511000.1524.58.513000.0731.56.517000.0440.450.4516000.025正交切削实验完成后，得到2-3实验表所示数据[49]，通过实验结果可将各个铣削参数对加工精度的影响权重进行排序，即A:ae>B:ap>D:fz>C:S。其中切削深度和切削宽度增大，刀具的变形增大最为明显。16 第2章主轴与进给系统建模及铣削参数对应关系研究表2-3正交室验表C:SD:fz目标值目标值实验值序A:apB:ae(r.min-(mm.r-1δδδ号(mm)(mm)ex(mm)ez(mm)1))x1(mm)x2(mm)z(mm)16.59.511000.15-(0.184)+0.022-(0.175)-(0.175)+0.00526.58.513000.07-(0.046)+0.021-(0.110)-(0.045)+0.02136.56.517000.04+0.018+0.018+0.016+0.016+0.00246.50.4516000.025+0.038+0.006+0.000+0.034+0.02354.59.511000.15+0.342+0.021+0.313+0.340+0.00664.58.513000.07+0.243+0.014+0.215+0.230+0.00674.56.517000.04+0.098+0.016+0.110+0.095+0.00484.50.4516000.025+0.052+0.002-(0.010)+0.050+0.00891.59.511000.15+0.083+0.014+0.080+0.080+0.001101.58.513000.07+0.028+0.011+0.028+0.028+0.002111.56.517000.04+0.021+0.010+0.018+0.018+0.002121.50.4516000.025+0.007+0.001+0.008+0.008+0.001130.459.511000.15+0.046+0.011+0.042+0.042+0.002140.458.513000.07+0.026+0.008+0.021+0.021+0.001150.456.517000.04+0.018+0.002+0.012+0.012+0.002160.450.4516000.025+0.001+0.000+0.002+0.002+0.000K10.2860.6550.4490.033K20.7350.030.210.197K30.1390.010.4130.345K40.0910.0320.1790.283k10.07150.16370.11220.00825k20.18370.00750.05250.04925k30.03470.00250.10320.08625k40.02270.0080.04470.07075R0.1610.16120.06750.078通过对比切削目标值与模型预测值可知，切削宽度和切削深度对切削变形有基本相同的影响，且增大两者中的任意一个参数都将增大切削力和切削变形。刀具沿x，y方向的变形量反映零件轮廓尺寸的误差值，刀具变形伸长一侧的微小变形量反映深度尺寸的误差值，因此在进行切削参数离线优化时可根据切削参数对切削变形的影响权重进行优化；进行在线优化时可采用间接测量切削负载的方式获得切削过程中的切削力变化，从而对铣削参数进行控制和调整。2.5本章小结本章建立并分析了进给和主轴系统的数学模型，在此理论基础上以实验室自主研发的TDNC-AM1系统三轴加工中心为实验对象，搭建实验平台，通过切削17 第2章主轴与进给系统建模及铣削参数对应关系研究实验验证了负载电流与切削负载变化之间的关系，通过对比两组切削力数据得出，在稳态切削状态下，切削参数不改变时，电流随着切削负载的变化而随之变化的趋势。另外采用正交切削实验，建立了立铣刀切削力模型，并进行了铣削参数影响权重排序，从而确定了铣削参数与切削负载变化之间的关系。为后续进行离线参数优化以及在线自适应切削负载监控和铣削参数调整提供了理论依据。18 第3章铣削参数优化算法研究第3章铣削参数优化算法研究切削参数的优化方法较多，一般需要建立优化模型，选择适合的优化算法进行求解，从而得到理想的切削参数，但切削参数的优化过程一般比较复杂，需要经过相当量的计算和函数设定。然而智能优化算法的出现和应用，在一定程度上解决了传统切削参数优化方法的局限性，因此切削参数优化的主要研究工作在于算法的选择和使用。近年来遗传算法、模糊理论、神经网络等人工智能技术的应用使切削参数优化提升到了一个新的高度。本章将介绍遗传算法、神经网络和模糊理论在切削参数优化中的应用。3.1遗传算法概述遗传算法(GeneticAlgorithm)是一种通过模拟自然进化过程从而进行优化的算法[50-51]。遗传算法在本文中主要用于解决切削参数优化中主轴转速、进给速度和尺寸精度的对比优化，通过铣削加工将数组切削参数以及对应切削参数加工出的尺寸精度，进行分组筛选，判断哪组切削参数更适合于铣削加工。3.1.1遗传算法应用与其他算法相比遗传算法更适合用于铣削参数优化：遗传算法可以根据铣削参数的特点，将被优化的铣削参数对象进行编码，从而增大信息量，提高优化效果，但由于同一尺寸刀具可能的切削参数组合太多，为减小筛选优化的工作量，将铣削加工实验获得的切削参数控制在4-8组。铣削参数优化的数据量较大，采用遗传算法可以进行串集搜索，覆盖面广，更加适合大范围全局寻优，当然在适当的范围内优化，效率会更高。铣削参数的优化具有非线性，多约束的特点，且优化结果具有非单一性，采用遗传算法避免优化陷入局部最优。遗传算法仅用适应度函数来评估个体，因此更加适合与其他算法结合使用，本文采用这一特点将遗传算法与神经网络进行结合。遗传算法具有并行计算的特点，因此可大大提高铣削参数优化的效率。3.1.2遗传算法操作步骤19 第3章铣削参数优化算法研究遗传算法的基本操作包含：复制操作，是指个体根据目标函数f复制自身的过程；交叉操作，是指将两个父体的部分加以替换，重组为新个体；变异操作，指对个体串的某些基因座上的基因值进行变动。图3-1为遗产算法工作示意图，由图可以看出，在遗传算法的工作过程中首先需要将实际问题进行位串编码，在工作流程中间位置是遗传算法的关键工作内容，即实现选择和遗传，最后会有相应的优化结果判断，从而得到理想结果[9]。图3-1遗传算法工作示意图3.1.3遗传算法设计遗传算法依照其操作过程进行设计，在这个过程中由复制、交叉、变异操作，体现遗传算法优胜劣汰的思想[13]。样本数据选择与编码，遗传算法的操作对象是编码后的待优化参数，对切削参数进行优化时首先将切削参数作为基因段进行编码。编码的长度由所选变量的精度和范围决定。本文优化的切削参数为主轴转速和进给速度，如果设进给速度的范围是[Fmin，Fmax]用sa表示，a为X1的二进制字符串；主轴转速的范围是[smin，smax]用sb表示，b为二进制数X2的二进制字符串。则关系式如下：20 第3章铣削参数优化算法研究X1FF(FF)minamaxmin21(3-1)X2ssssminbmaxmin21(3-2)上述可知用sa，sb可以表示进给速度和主轴转速的染色体，染色体的长度就是二进制代码的位数，一般在8-30之间选取。种群初始化，将主轴转速和进给速度等参数进行编码，然后对编码后的参数进行排列和连接，这即是种群初始化的过程。遗传算法的操作都是从初始种群出发进行的，通过不断地“优胜劣汰”筛选最优的种群，满足参数优化的要求[9,13]。适应度函数选择，适应度函数在优化中非常重要，优化中的优劣评估需要通过适应度函数完成。且其对最优解的搜寻以及收敛速度也有直接影响。目标函数包含正值和负值，但是适应度值大多数情况下为正值，因此在适应度选择时需要进行正负转换，建立评价函数，可采用如下转化方法：f(x)Cmin当f(x)Cmin0Fit(f(x))0当f(x)C0min(3-3)对于求极大化目标函数，可以通过上述转化建立映射关系。Cmaxf(x)当f(x)CmaxFit(f(x))0当f(x)Cmax(3-4)式中，C和C为调整参数。minmax算子设计，遗传算法的核心思想是“优胜劣汰”，在算法中实现这一思想的操作是选择、交叉、变异等遗传算子，选择操作如下所示。群体大小为M，个体适应度为f(a)，则个体被选中的概率为：iMp(ai)f(ai)f(ai)i1(i1,2,,M)(3-5)式中：M为种群的规模；f(a)为种群中的个体a的适应度；p(a)为个体aiiii被选中的概率。根据传统算法应用情况采用交叉算子和遗传算子进行固定操作，实现预期目标。条件判断，条件判断为了确定遗传算法的运算结果是否达到了设定的目标值，如果条件满足则表示优化问题已经解决，则输入具有最大适应度的个体作为最优解，此外遗传算法的终止需要依据其基本要求[9,13]：21 第3章铣削参数优化算法研究3.2模糊理论概述与应用模糊理论(FuzzyTheory)是指用到了模糊集合的基本概念或连续隶属度函数的理论[53]。在实际应用中常将模糊理论与其它算法结合使用。模糊理论的应用都是基于模糊集合的概念开展的，模糊集合是相对于普通集合的概念提出的，在普通集合理论中有一集合A，设A是论域X上的集合，则：1，xAA(x)0，xA(3-6)模糊集合具有向量法、Zadeh和序偶三种不同的表示方法。模糊理论常用于模糊控制领域，人们采用模糊逻辑模拟人的思维方式，进行判断、推理。模糊控制的最大特征是能够将专家或者操作者的控制经验和知识进行语言描述，并作为控制规则去控制受控系统[53-55]。一般的模糊控制系统包括：被控对象、控制器和敏感元件三部分，其基础系统框图如图3-2所示。图3-2模糊控制系统框图其中：r—为指令输入；v—为反馈输出；u—为被控对象输入；d—干扰信号；y—被控对象输出；n—量测信号在模糊控制中需要依靠人的经验，这些经验被表述为具有模糊性的语言，这些模糊语言既模糊条件语句，模糊控制应用到不同的工程问题中所采用的模糊语言亦不相同，模糊控制具备：模糊化、模糊推理和清晰化三个功能模块。图3-3所示为基本模糊控制系统，图中y为控制系统设定值，y为系统输出r值；模糊控制系统与传统的控制系统区别在于，利用模糊控制器替代了其他控制器。22 第3章铣削参数优化算法研究图3-3基本模糊控制系统3.3神经网络概述神经网络控制一般指基于人工神经网络的控制方法，神经网络是由大量神经元广泛连接组成的网络，人工神经网络则是以工程技术手段来模拟人脑神经元网络的结构与特征的系统[53-55]。BP神经网络，即误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。主要目的是为了使网络的实际输出值与期望输出值误差均方值为最小[56]。在BP网络的学习训练阶段，需要设置N个训练样本，确定M为输入节点数，L为输出层节点数，q为网络隐含层节点数，x为输入，y为输出，w为输iiij入层与隐含层的连接权值，w为隐含层与输出层的连接权值[9]。jkMnetijwijOii1(3-7)1Oj(netjj)1e0(3-8)其中：net为第j个节点的输入；O为第j个节点的输出；为阀值；ijjj根据优化需求，按如下步骤进行BP算法计算。定义二次型误差函数为：L12Ep(dpkOpk)2k1(3-9)系统的平均误差代价函数为：23 第3章铣削参数优化算法研究plp12E(dpkOpk)Ep2p1k1p1(3-10)式中，P为样本模式对数；L为网络输出节点数。为简便，略去下标p，有：L12E(dkOk)2k1(3-11)权系数的修正公式为[56]：Ewjkwjk(3-12)式中，为学习速率，＞0。EEnetkwnetwjkkjk(3-13)定义反传误差信号为：kEEOkknetOnetkkk(3-14)式中：E(dO)kkOk(3-15)qnetk(wjkOj)Oj又wjkwjkj1由此可得输出层的任意神经元权系数的修正式为：w(dO)f'(net)OOwO(1O)(dO)Ojkkkkjkj或jkkkkkj隐含层节权系数的调整计算权系数的变化量为：EEnetjEwOjkiwnetwnetijjijjOji24 第3章铣削参数优化算法研究E()O式中j不能直接计算，需通过其他间接量进行计算，即：LqE((wjkOj)k1netkOjj1Lkwjkk1Ljf'(netj)kwjk显然有k1将样本标记p记入公式后，有：对于输出节点k：wf'(net)(dO)OO(dO)Opjkpkpkpkpjpkpkpkpj对于隐含节点j：LLpwijf'(netpj)(pkwjk)OpiOpj(1Opj)(pkwjk)Opik1k1式中：O是输出节点k的输出；O是隐含节点j的输出；O是输出节点pkpjpii的输出。根据铣削参数的优化设定，BP的学习算法需要经过初始化；输入训练样本，计算各层输出；计算网络输出误差；计算各层误差信号；调整各层权值；检查网络总误差是否达到精度要求等步骤，因此进行铣削参数优化时，BP的应用需要按上述步骤进行设计，图3-4为BP的学习算法流程。BP学习算法流程图如图3-4所示。25 第3章铣削参数优化算法研究图3-4学习流程图3.4遗传算法与BP网络结合应用为了实现铣削参数的离线优化，将遗传算法GA与BP网络结合使用，虽然GA与BP结合应用在铣削加工领域中的研究已经取得了一定的成果，但是铣削参数的优化的范围较广，影响切削参数的因素较多，在优化研究中不能全部涵盖，本章的优化参数主要考虑加工精度和加工效率两个方面，因此优化的主要参数为进给速度、主轴转速和尺寸精度；为优化效果的可评价性，最终期望优化目标为加工时间及尺寸精度，因此需要对BP网络进行设计，并且将BP网络与遗传算法进行结合，从而得出最优的期望铣削参数组合。3.4.1BP网络设计铣削参数的优化与整个铣削系统有直接关系，整个铣削系统是一个典型的多目标非线性系统，因此对于铣削参数的优化非常复杂，采用传统的优化算法具有一定的局限性，对于铣削参数的组合优化不易实现[10]。然而BP神经网络能够很好地表示这类非线性映射关系，能够根据需要实现多目标优化，尤其是对于铣削加工类的多参数组合优化。当前铣削参数优化方面的研究很多，但是优化的侧重点不同，达到的效果亦不相同，一般切削参数优化会考虑加工效率、加工质量、加工成本等方面。本文则侧重以工件尺寸精度、加工效率作为组合优化的主要目标。因为这两个目标量均为可量化值，容易实现，且对生产具有实际意义。对于26 第3章铣削参数优化算法研究生产加工，实际需要优化的切削参数为主轴转速和进给速度，但是在刀具连续进给过程中对主轴转速进行调节会造成刀具与工件间的冲击，不利于提高精度和保护刀具，因此本文主要对进给速度优化调整。BP网络输入和输出参数确定时，输入大多为可测值或者可检测量，且相互间不能有影响。输出量的选择需要结合实际目标，进行功能设计。隐含层节点的个数需要进行计算确定，由经验确定的参考公式如下所示：sdhb其中：s为隐含层节点数；d为输入节点数；h为输出节点数；b为调节常数；铣削参数优化的BP神经网络模型选用基本的3层结构，输入层神经元为切削速度、进给量、切削深度、切削宽度；根据参数优化需求只考虑效率和质量两个方面，当其它铣削参数不变时，对效率和质量影响最大的是主轴转速和进给速度。在实际生产中可直接测得的为主轴转速、进给速度和工件的实际尺寸。因此输出层神经元为主轴转速、进给速度、尺寸精度，神经网络结构如图3-5所示。图3-5神经网络结构3.4.2基于遗传算法的神经网络随着数控技术的发展，人们对机械加工的需求越来越高，人们更加希望数控制造能够向着自动化、智能、最优的方向发展。本章根据需求采用遗传算法和神经网络结合的方式对铣削参数进行优化，但由于遗传算法在参数寻优方面存在计算量大，适应度值难以确定等问题，因此可以将遗传算法和神经网络进行结合。不过简单的函数形式难以将神经元间的连接权值与阀值表达清楚，而BP的响应27 第3章铣削参数优化算法研究值可以经过转换作为遗传算法的适应值信息。因此利用GA完成针对BP网络模型寻优的过程，更有利于解决铣削参数优化的问题。由于铣削参数较多，所以影响铣削加工的不确定因素亦较多，因此铣削加工的参数优化问题是非线性的，而BP神经网络能够有效地表达参数输入与输出之间的非线性映射关系。首先通过切削实验获得一定量的切削参数样本数据，然后通过BP神经网络将切削参数和加工精度、主轴转速、进给速度之间的非线性映射关系函数进行训练拟合。并预测出函数的输出值，而后将训练好的预测值作为个体适应度值，进行GA自身的优化，通过GA操作步骤进行最优值及相对应的输入值搜寻。其寻优的步骤为：设立切削实验；确定实验切削对象；根据工艺系统性能，选取不同的加工参数对零件进行切削；然后将需求数据进行检测；其次结合检测获取的数据进行神经网络训练；最后通过GA算法寻优。上述优化流程如图3-6所示。图3-6基于神经网络的遗传算法流程图根据上述优化算法的研究及优化算法的结合应用，为后续铣削参数优化研究及切削实验提供理论基础。3.5本章小结本章首先阐述了遗传算法、神经网络和模糊理论等优化算法的基本理论，特点及应用方法，然后根据离线铣削参数优化的需要将遗传算法和神经网络进行了28 第3章铣削参数优化算法研究结合，将主轴转速、进给速度、加工精度作为BP神经网络的输出，并作为遗传算法的适配值，为建立离线优化参数库提供了理论依据。29 第4章铣削参数优化研究第4章铣削参数优化研究数控加工是一项综合性较强的专业技术，早期的数控技术综合了计算机控制、金属切削、计算机辅助制造、先进加工技术等。在各个领域的推动下，尤其是人工智能技术的发展下，数控技术正逐渐向着智能化方向转变。4.1数控加工概述数控加工与传统加工相比有一定的差异，数控加工一般包含加工工艺与数控程序编制两个方面内容，数控机床作为数控加工的硬件基础，为加工提供高效率、高精度等方面的保证。目前高速、高精和高效一直是数控技术发展的主要目标，数控设备在硬件方面的改进始终围绕这三点开展。4.1.1数控加工的特点数控加工是基于数字控制机床开展的自动化加工过程。数控加工在应用当中一般具有以下特点：较高的适应性；较高的效率和精度；低劳动强度；良好的经济效益；有利于现代化的生产管理。数控加工技术的应用非常广泛，早期对数控加工应用范围的划分主要体现在零件批量及零件的复杂程度上，但是随着数控加工技术的发展，可以将其应用范围从两个方面进行划分：传统加工方面的应用，主要体现在普通加工中增加了数控技术，提高了不同工种的加工质量、加工效率以及加工精度。数控技术在传统加工领域的应用最重的是提高了加工适应性，在降低成本和劳动强度的同时可以根据企业的需求任意调整加工对象，以缩短产品研制周期，更快地适应市场需求。这类数控机床加工的对象一般比较简单，以常规产品为主。在新兴领域的应用，尤其体现在加工对象的复杂程度上，例如快速成型技术、虚拟轴数控技术、工业机器人技术、三坐标测量技术、五轴加工技术等高精领域都与数控加工存在间接或者直接的关系。这些领域对数控加工提出了更高的要求，不仅仅在控制方式上增加了难度，同时在加工对象以及工作对象方面也发生了巨大变化。4.1.2金属切削基础知识30 第4章铣削参数优化研究金属切削过程是刀具与工件相互运动，相互作用的过程[8]。通过刀具与工件的相对运动，加工出图纸要求的各种形状及零件尺寸，并达到图纸的要求。这个相对运动称为切削运动，按照在切削过程中所起作用的不同，可将其分为切削主运动和切削进给运动。不同的数控机床，主运动和进给运动的实现方式亦不相同，铣削类数控机床的主运动为主轴带动刀具的旋转运动，工作台带动工件或者刀具的移动为进给运动。两者的相对运动将直接影响被加工零件的表面质量、几何尺寸以及加工效率等。4.2切削参数概述铣削加工所指切削参数包括：切削速度、进给量或者进给速度、背吃刀量(切削深度)、切削宽度[8]，一般切削参数又被称作切削用量。4.2.1切削三要素数控加工中的切削速度一般用V表示，对于切削参数而言该参数为已知量，c操作者可以根据刀具材料、工件材料等条件从金属切削手册中查到对应的切削速度参考值，但是查到的切削速度为一个范围，需要根据实际加工情况进行人工调整。切削速度V与机床主运动的转速n存在相应关系，其表达式为：cDn刀Vc1000(4-1)进给量f表述刀具或者工件每旋转一周，工件或者刀具沿进给方向移动的距离。进给量在应用过程中也是已知量，可以根据需要从金属切削手册中查得。铣削加工时进给量f与刀具齿数z有如下关系：ffzz(4-2)背吃刀量又称为切削深度，一般用a表示，在铣削加工中表述刀具轴向的p切深距离。通过第二章切削力影响权重分析可知，切削深度对切削力的影响权重排在进给量f和切削速度V之前因此切削深度在加工过程中的选择非常重要。ca在铣削加工中可结合刀具直径采用经验公式进行计算，其经验公式为：pD刀ap2(4-3)31 第4章铣削参数优化研究其中：a为切削深度，单位为mm；D为铣刀直径；p刀对于铣削加工而言，还包含第四个切削要素切削宽度a，其表述刀具径向e的切削宽度层厚距离，在第二章切削力影响权重分析中可知a对切削力的影响e与a对切削力的影响基本相同，因此切削宽度的选择对加工效率及加工质量亦p非常重要。切削宽度a在铣削加工中的经验公式为：e2aDe刀3(4-4)3aDe刀4(4-5)其中：a为切削宽度，单位为mm；D为铣刀直径；e刀切削三要素涉及到的参数在铣削加工过程中往往不能全部直接用于零件加工，其中切削速度、进给量需要进行计算，才能得到可以直接用于铣削加工的切削参数。主轴转速在切削速度V的表达式中用n表示，但是在实际应用中，转速一般c用S表示，其计算公式为：1000VcnD刀(4-6)进给速度F为每分钟进给速度，其表述了刀具每旋转一周沿着进给方向移动的距离与主轴转速n之间的关系，其计算公式为：Ffznz(4-7)其中：F为每分钟进给速度，单位为mm/min；f为每齿进给量，单位为zmm；f为进给量，单位为mm/r；切削过程中切削参数直接影响切削力的大小，并直接导致切削变形，从而影响尺寸精度，因此切削参数的合理选用是切削参数优化的核心问题。4.2.2切削力计算与转换切削力是金属切削过程中重要的物理现象之一，其表述实现切削所需要的力，其也被定义为工件抵抗刀具切削所产生的阻力。它直接影响零件质量、刀具寿命、机床动力消耗[8]。切削力的获得途径有测量和经验公式计算两种方式，测32 第4章铣削参数优化研究量方式主要依靠测力仪完成，理论研究一般采用经验公式计算的方式，切削力的经验公式又包括指数公式和单位切削力两类。切削力指数公式，指数公式计算切削力在实际生产中应用广泛，常用的指数形式[56]如下：FCaxFifyFivzFiKiFipFi(4-8)ic,f,p(4-9)式中：F、F、F—分别为主切削力、轴向力和径向力，其单位为N；cfpC—加工影响系数；Fix—切削深度的指数；Fiy—进给量的指数；Fiz—切削速度的指数；FiK—修正系数。Fi上述公式中的系数和指数参数可以从切削手册中获得[56]。单位切削力是指单位切削层所产生的切削力，一般单位切削力表达式如下：FcKcAc(4-10)Aafcp(4-11)FcKcafp(4-12)式中：K—单位切削力，其单位为N/mm2；cF—主切削力，其单位为N；cA—切削面积，其单位为mm2；c单位切削力与单位金属去除率之间存在一定关系：3PeKcapfv106PK10ccQ1000vafzp(4-13)式中：P—单位切削功率，其单位为kw/mm3.s-1；cQ—金属去除率，其单位为mm3.s-1；zP—切削功率，其单位为kw；e33 第4章铣削参数优化研究切削力变化直接影响零件的加工效率和加工质量，不同的刀具材料、工件材料以及切削参数均会对切削力产生影响，同时通过上式不难看出单位切削力的变化与单位金属去除率有直接关系。4.3铣削参数优化切削参数优化是指，在规定的加工环境和条件下，为达到既定的加工效果或者加工目标，而对加工所采用的切削参数进行的选取和最佳化评价的过程[8,57-61]。切削参数的优化需要根据优化理论和优化算法，建立切削参数的优化模型，根据铣削参数优化需求要完成变量、目标和约束条件的设计。4.3.1变量与目标函数设计变量设计一般选择对设计目标影响较大的参数作为设计变量[8,57-61]。此外优化研究的重点不同，选择的设计变量也有所区别，本文为简化求解将主轴转速、进给速度、加工时间作为优化变量，将切削要素中的切削深度和切削宽度作为常量。这样的处理方式更加贴近实际应用，因为在实际生产加工中铣削参数中的切削深度和切削宽度为最先确定的参数，且有固定的经验公式对其进行计算，生产加工中一般会选取两者的极限组合，所以不进行两者的优化。这样可以对优化及计算进行简化，且更接近实际应用。优化目标函数也称作评价函数，实际上是对优化效果单独的具体评价及优化的具体标准，主要用来衡量哪一组优化变量最优[8,46,60-61]。一般实际生产加工为多目标优化，多目标优化即为满足预期优化效果，其优化目标不唯一。根据本文优化需求下面介绍铣削加工优化目标，根据加工效率和尺寸精度两个目标，参考最高生产效率和最小生产成本进设计。根据单件的最小加工时间t为优化目标来建立函数关系式[56]。wttttwmcot(4-14)lwtmnfZwz(4-15)tmm1ttktTcctctT(4-16)将式4-15和式4-16带入式4-14可得34 第4章铣削参数优化研究mm1tkTktTtwctot(4-17)公式中：t为单工序加工所需时间；t为工序切削时间；t为工序内换刀时wmc间；tot为除切削、换刀外的辅助时间；lw为刀具移动距离；nw为刀具转速；T为刀具耐用度；T为刀具齿数；将最低成本作为优化目标建立函数关系式。ttmmCtMtMCtMmcttotTT(4-18)公式中：C为更换刀具所消耗的成本；tM为单工序单位时间的费用率；Mt为切削时间费用；mMt为辅助时间费用；ottmtMctT为单品在加工中的换刀时间费用。4.3.2优化约束条件设计切削参数的优化必须与实际加工条件为参考和依据，通过实际条件对设计变量进行必要的限制和约束，这些约束条件是设计变量应遵循条件的表达式。对于铣削参数优化，其约束条件确定如下[57-61]：主轴转速与切削速度约束：1000V1000VminmaxnnnminwmaxDDVVVminmax(4-19)其中:n,n为最小和最大主轴转速范围；minmaxV,V为最小和最大切削速度范围。minmax进给量与进给速度约束：fnFFFfnminminminmaxmaxmaxfffminmax(4-20)35 第4章铣削参数优化研究其中：F,F为最小和最大进给速度范围；minmaxf,f为最小和最大进给量范围。minmax表面质量约束，表面质量受主轴转速和进给量的共同影响，在切削参数选择时可以按照粗精加工进行进给量的区别选择，以保证表面质量满足如下要求：RRaamax(4-21)其中：R为加工后的实际表面粗糙度；aR为允许的最大表面粗糙度。amax机床功率约束，在铣削加工中切削用量的选用受机床功率的限制，铣削加工主要参照主轴功率进行约束：PPmE(4-22)FvzPm1000(4-23)xyFCaFzfFzKzFzpFz(4-24)其中：P为切削功率；mP为额定功率；EF为主切削力；zC为实验条件影响系数；FzxaFz为切削深度对切削力的影响指数；pyfFz为进给量对切削力的影响指数；K为实验条件修正系数；Fz切削力约束：9.81CaxFfyFauF(d)wFFpe0FKFFdqF(60V)wFmax0(4-25)其中：K为铣削力修正系数，取决于切削条件；FC为切削力系数，取决于工艺系统；F36 第4章铣削参数优化研究a为铣削深度；pa为铣削宽度；ef为进给量；d为刀具直径；x、y、u、w、q为铣削力的影响指数；FFFFFV为切削速度；F为机床切削力允许值。max4.3.3条件设计及优化实现利用第三章建立的的铣削参数优化方法，及下述优化条件实现优化内容。首先根据铣削加工的特点建立切削参数选择和部分切削参数的优化条件。1)切削深度a和切削宽度a的选择条件：pe如果0.75DaD则aD2；ep如果0.4Da0.75D则aD2；ep如果a0.05D则aH；ep否则aD2；p2)进给量f和每齿进给量f的选择条件：z如果0.75DaD且aD2，则f0.5；ep如果0.4Da0.75D且aD2，则f0.2；ep如果a0.05D且aH，则f0.05；ep否则f0.1；3)切削速度V的选择条件：如果0.75DaD则25V55；e如果0.4Da0.75D则40V80；e如果a0.05D则60V100；e否则V30；4)转速n(S)与进给速度F计算：1000VSDfZfzFSf上述选择和优化条件具有一定的局限性，不适合所有刀具直径和工件材料。37 第4章铣削参数优化研究根据优化算法和切削参数优化条件，建立铣削参数优化系统，通过BP网络完成铣削参数的训练和拟合，把训练好的数预测值作为GA的个体适应度值，之后再结合铣削参数选择条件和GA，寻找函数的全局最优值及与之相对应的输入值进行寻优。其函数极值寻优的步骤为：通过切削实验建立铣削参数库，采用切削实验的方式进行实际加工，然后测得所需数据，其次将所得的数据进行神经网络训练，最后通过遗传算法寻优。步骤1初始化切削参数，此步需考虑切削参数不可为负且必须限定在一个合理范围内，则铣削参数的初始化可采用如下的形式：Vrandom()(VV)Vmaxminminnrandom()(nn)nmaxminminFrandom()(FF)Fmaxminmin采用同样方式对切削深度a、切削宽度a、进给量f进行初始化。并做为pe初始化父代。步骤2对父代群体进行适应度评价。如：最高生产率优化目标的适值函数为：ttmmCtMtMCtMmcttotTT步骤3按照遗传算法进行选择、交叉、变异运算。按照前面优化算法中遗传算法的操作流程完成铣削参数优化设计。4.4建立加工参数优化库本文研究的自适应优化系统在工作时，需要两组切削参数，将两组切削参数作为在线自适应参数优化的阀值参数，对铣削加工的进给速度进行在线自适应调节。因此需要建立离线的铣削参数优化库，通过VS进行优化系统及优化参数库的编写，并将铣削参数离线优化系统集成到数控系统当中，作为在线自适应优化的参考参数库。采用实验室研发的三轴立式加工中心，计算机等设备开展切削实验，并进行基础切削参数数据处理。实验设备和切削试件如图4-1和4-2所示，切削用量及前置数据如表4-1所示，实验以Φ12高速钢铣刀为例进行，在实验中分别建立了Φ12、Φ8、Φ6等常用刀具的参数库。38 第4章铣削参数优化研究表4-1切削实验数据参数名称取值参数名称取值刀具直径D12mm工件材料LY6061铣刀刃长Lf32mm切削速度Vf35-75m/min铣刀全长L63mm每尺进给量fz0.02-0.1mm铣刀刃数z4切削深度ap0.5-6mm刀具材料高速钢切削宽度ae0.5-9mm图4-1实验设备切削实验分两部分进行，部分一主要进行简单轮廓切削加工，刀具在铣削过程中的运动路线为正交线性移动，这部分切削实验进行常规铣削参数组的实验数据记录，切入切出以及单轴切削进给时主轴负载变化的记录，简单试件切削如图4-2(a)所示。部分二主要进行包含综合轮廓的复杂零件切削加工，刀具在铣削过程中的运动路线为两轴插补运动，这部分切削实验记录刀具在插补运动时的切削数据组合，以及主轴负载的变化情况，综合试件切削如图4-2(b)所示。(a)(b)图4-2切削试件基础铣削参数库的建立主要依靠切削实验的方式获得，工作量较大，实验时间较长，为了使实验获得的切削参数和对应的切削负载等数据更加准确、全面，采用了正交实验对多组参数进行处理和对比，结合金属切削手册和实际生产加工39 第4章铣削参数优化研究经验去除实验当中明显不佳的铣削参数组合，保留有效的铣削参数组合，并记录每组铣削参数工作状态下的主轴负载电流和主轴负载平均值。根据离线优化与在线优化的需求将实验获得的铣削参数组合进行处理，并输入到基础切削参数库中，基础切削参数库如图4-3所示。参数库内的数据为人工控制数据和实验数据，没有经过优化算法优化，在PC机上通过数据处理系统对基础参数库内的铣削参数进行整理，然后进行离线优化，离线优化后的切削参数组合存储在优化切削参数库内，作为在线切削参数优化的匹配参数进行调用。图4-3切削参数库界面切削参数库的界面采用VS编写，如图4-4所示界面为切削参数库的初始界面，根据课题需要，该参数库进行了LY6061铝合金、45#中碳钢两种工件材料以及W18Cr4V高速钢、YT类硬质合金两种刀具材料的切削实验和参数优化。在界面1中可以利用数控系统CRT显示器下方的软键“F1-F4”选择对应的刀具材料和工件材料，进行翻页后可以看到图4-5所示子界面内的参数库、在线优化等选择软键。切削参数库在系统中以数据存储的方式存在，数据库中的切削参数组以刀具直径为存储和调用的检索名，相同直径刀具包含数组铣削参数组合，用于离线优化使用。切削参数库界面内的切削参数在进行离线优化前可以进行人为输入和编辑，当采用优化算法进行优化后，界面内的铣削参数将被锁定，无法进行修改，被锁定的铣削参数组合具有与之相对应的切削负载值，在自适应铣削参数优化过程中，每组铣削参数将作为优化阀值供自适应控制系统调用。40 第4章铣削参数优化研究图4-4切削参数库主界面图4-5切削参数库子界面优化界面和界面控制方式采用VS实现，具有程序结构简单，通用性强，运算速度快等特点。结合遗传算法和BP神经网络对切削参数进行优化的算法较多，本文基于该算法进行切削参数优化，但在此基础上做出了调整，将切削参数优化选择的条件修改为人工经验公式，这样的调整促使优化后的切削参数更加接近实际应用，避免理论性优化造成部分切削参数不适用于实际铣削加工。41 第4章铣削参数优化研究4.5本章小结本章结合神经网络和遗传算法，根据最优方法原则对铣削参数进行优化程序设计，并通过实际切削建立了铣削参数库，利用切削参数优化算法将铣削参数库中的参数进行离线优化，并采用VS编写了可集成于数控系统的离线切削参数优化界面，且实现了铣削参数的离线优化，另外介绍了部分在线切削参数优化界面的程序。基于切削实验，采用遗传算法和神经网络进行切削参数优化，建立离线切削参数优化库，这样及大地减少了在线优化所需的时间，此外优化算法中的优化条件均取自一线生产加工，使优化后的切削参数更加可靠且完全适用于铣削加工。42 第5章自适应控制在数控加工中的应用研究第5章自适应控制在数控加工中的应用研究自适应加工技术是数控加工技术与智能控制技术高度结合的产物，其可以根据数控加工过程中存在的诸多不确定因素对切削参数进行优化控制。在数控加工中单纯依靠离线切削参数优化，无法适应多变的实际切削情况。大多数加工情况依然需要人工参与，操作者需要对加工状态作出简单的判断，通过刀具磨钝情况和切削噪声大小判断刀具是否需要更换，切削参数是否需要调整，当然随着离线切削参数优化技术的不断完善，人工介入切削参数调整的情况相应减少，但是离线优化给出的切削参数往往选取比较保守的参数值，不能有效发挥机床和刀具的性能，因此操作者希望能够采用一种实时在线的方式对切削参数进行监控和调整，而自适应控制能够很好的解决在线切削参数优化问题。本文在天津大学泰森数控TDNC-A1M型三轴数控系统的基础上研发一套在线自适应控制系统，以实现在数控加工中的进给速度自适应调整，从而提高加工效率和工件质量。5.1铣削参数优化自适应控制的总体设计目前自适应加工技术实现的方式多采用模糊控制和神经网络两种，但是在实际应用过程中运算数据量较大，且调整范围设定不明确，或者自适应调整的范围较大，无法实现切削参数安全可靠的精细调整。另外自适应控制系统输入信号的选择也决定自适应加工的效果和可靠性，本文采用监测电机电流变化，获得切削力数据的方法，得到自适应控制系统的输入信号，这种方法属于切削负载间接测量法。自适应切削参数调节系统在获得切削负载变化后，根据切削负载标定值对切削参数进行在线调整，当切削负载大于标定值时减小切削参数中的某个数值，起到保护刀具，减小切削变形的作用。当切削负载小于标定值时提高切削参数，起到提高加工效率的目的。本文采用三轴数控铣床开展自适应加工研究，主要设计内容为：1)将自适应控制系统与数控系统结合，把自适应铣削参数在线优化作为数控系统的一个功能，有效做到优化与数控系统集成。2)通过切削实验的方式建立离线优化切削参数库，在切削实验过程中完成切削负载的标定，不必再次标定切削负载。3)为降低在线自适应优化的计算量和复杂程度，对在线自适应的调整参数进行简化，并设定调整范围阀值，确保在线切削参数调整的安全可靠。43 第5章自适应控制在数控加工中的应用研究4)将在线自适应铣削参数优化后的切削参数组合进行记录并存储到切削参数库中，通过不断的调整优化，完善切削参数优化的效果。5.1.1自适应控制系统理论研究最早应用于铣削加工的自适应控制系统，是60年代由美国研制完成的，自第一台应用了自适应控制技术的机床出现后，对于该技术的研究和应用得到了更大范围的推广。随着该技术的不断完善和发展，目前可将自适应控制技术分为下述两类。约束型自适应控制要求对自适应控制进行阀值约束，在自适应过程中，需要将调整值限定在一个固定的范围内，对于切削加工的自适应控制而言，需要将自适应调整的目标值限定在约束条件内，即在约束条件的限定下调整切削参数，避免切削用量最大化，造成设备损坏。根据第二章的切削实验可知，在铣削加工过程中，切削参数的大小直接影响作用在刀具上的切削力大小，因此，约束型自适应控制系统主要对加工过程中的切削力进行监测，根据切削力变化对进给速度等切削参数进行在线控制。图5-1为约束型自适应控制系统框图。图5-1约束型自适应控制系统框图由图5-1可知，该系统根据对比差值以及设定的对应关系，进行切削参数的在线调整以使切削过程中的切削参数被约束在规定的范围内。这种约束型自适应控制系统，主要用于以最大生产效率为目标函数的优化控制中。约束型自适应控制系统是以最大生产效率为目标函数的优化控制，其对于刀具的磨损，生产成本、加工精度等因素均未做考虑。而优化型自适应控制则在约束条件的前提下引入了评价函数，这样在优化控制过程中需要考虑的影响因素更多，能够根据优化需要设定不同的目标函数，从而实现多目标切削参数优化，但这种控制方式较约束型自适应控制复杂且计算量大。如图5-2所示为优化型自适应控制系统框图。由图5-2可知，优化型自适应控制系统在约束条件的前提下增加了评价函数，并且设置了评价函数计算装置，根据输入切削参数和监测过程变量在评价函数计算装置内求出在不同的约束条件下的切削参数最优组合。44 第5章自适应控制在数控加工中的应用研究图5-2优化型自适应控制系统框图5.1.2数控铣削自适应控制系统研究自适应加工技术能够根据前期设定，监测并获取切削过程中的状态特征变化，并依照人为设定的算法和条件自动作出判断和调整，该系统的控制优劣取决于预期设定的条件。图5-3给出了一个实际的机床切削自适应控制系统。图5-3机床切削自适应控制系统由图5-3可知，该切削自适应控制系统由数控机床、刀具监测、自适应控制三个主要部分组成，刀具检测装置的作用在于获取加工过程中的力信号，系统根据处理后的信号对输出做出调整。随着研究的不断深入，美国Bendix公司在1968年研究实施了优化自适应控制系统，该系统的约束条件包含主轴的最高与最低转速、最大扭矩、最大进给、最高温度和最大振幅等。该自适应控制系统在很大程度上解决了在线切削参数的优化调整问题。图5-4所示系统，为一个标准的铣床优化自适应控制系统，由自适应控制器和数控系统两部分组成，系统利用传感器和电子线路获取铣床在切削加工过程中的扭矩、切削力等数据，然后对数据进行转换处理，再与优化约束条件、切削参数、切削效果等进行匹配优化，并将调整校正后的的主轴转速和进给速度发回数控系统，数控系统采用优化后的主轴转速和进给速度控制铣床进行切削加工，这个获取外部信号，转换、对比、优化，最终反馈回数控系统的过程为自适应切削参数优化的一般过程。45 第5章自适应控制在数控加工中的应用研究图5-4经典铣床最优控制系统5.1.3基于模糊控制的自适应控制系统研究本文研究的自适应控制系统主要是以优化自适应控制系统为基础，将传统优化自适应控制系统与模糊控制结合，并且自适应控制过程中的约束条件以及初始铣削参数都是离线优化后的铣削参数，这样的结合能够有效地将离线优化和在线优化进行融合，提高在线优化的效率，降低在线优化的复杂程度和计算量，利用两组离线优化切削参数作为在线自适应控制的阀值参数，使在线切削参数调整更加安全可靠且具有针对性。如图5-5所示自适应控制系统，其应用了模糊控制的铣削加工自适应控制系统框图。它主要包括离线切削参数优化库、模糊控制器、数控铣床、功率监测与数据处理四个部分组成。其中数控铣床由CNC单元、伺服驱动单元、机械传动部分、位置检测装置、刀具工件等组成。功率监测与数据处理部分由电信号监测和数据处理两部分组成[63]。模糊控制器的主要功能是根据实测主轴负载，匹配优化算法中的约束条件以及切削参数库中的数据，从而计算出新的进给量或者进给速度并传递到CNC中实现在线控制。自适应系统的输入信号为主轴电机负载电流信号，优化原则取决于优化目标函数的设定，模糊控制器输出信号为CNC执行切削加工所需的进给量或者进给速度。46 第5章自适应控制在数控加工中的应用研究图5-5所示自适应铣削参数优化系统与传统的自适应控制系统有以下不同，即在数控系统中包含了离线切削参数优化库，且该参数库内的数据均通过铣削实验获得，并通过优化算法进行了优化，另外该参数库能够进行人工切削参数写入和自动切削参数写入，从而实现切削参数库的不断完善和优化。此外在自适应铣削参数调整过程中，参数库为自适应铣削参数调整提供两组铣削参数，作为在线自适应调整的阀值，使在线自适应调整被约束在一个更加安全的范围，这样可以实现，离线铣削参数优化进行粗优化，在线自适应切削参数优化进行精细优化的功能。图5-5数控铣削模糊自适应控制系统结构框图自适应控制系统在切削加工中的实现必须具有在线监测装置，以获得自适应调整的输入信号，虽然自适应切削的目标函数不完全相同，但是其所需的过程变量一般为主轴的负载或者刀具的切削力。以实际应用的角度考虑，切削参数的调整依赖于刀具切削力的大小，因此获取加工过程中刀具的切削力，是自适应控制实现的前提，切削力获取的方式分直接测量和间接测量两种，直接测量是采用测力仪等专业测量切削力的装置获得加工过程中的切削力信号，但是由于铣削加工中刀具是旋转体，测力仪不能直接对刀具进行测量，因此切削力的测量一般来源于被加工零件。通过直接测量法获得的切削力更加接近实际应用，且更加精确，但是在实际生产中无法为每台数控机床安装测力装置，因此依靠测力仪获取切削47 第5章自适应控制在数控加工中的应用研究力的自适应控制系统具有很大的局限性。而间接测量则更加简单，其原理在于通过建立铣削加工的数学模型，获得切削负载变化与电机电流变化之间的响应关系，然后在自适应控制中只需要输入电机的电流信号，通过数据处理即可以得到近似的主轴负载信号，从而用于自适应切削参数调整。本文所述的自适应切削参数优化系统采用了间接测量方法，且实验用TDNC-A1M数控系统具备了在线主轴负载监测和反馈能力。通过切削参数对加工精度影响权重排序的实验可知，在实际加工中通过优化切削参数可以起到改善加工精度的效果，自适应切削参数优化一般用于以提高加工效率和加工质量为目标的在线优化，不同的优化目标其自适应控制系统也不相同，本文研究的自适应控制系统目的在于，通过切削实验确定切削参数各个要素对刀具受力变形的影响，即其他切削参数不变，只调整某一个切削参数时，刀具的受力大小和刀具变形大小。通过多次实验建立加工精度与切削参数选择的关系，从而做到在加工精度允许范围内进行在线进给速度优化。此优化方案重点在于铣削参数库的建立，而自适应控制系统本身没有大的区别，只是在进给速度调整前需要从铣削参数库中获取两组优化阀值。应用了模糊控制器的自适应控制系统控，首先确定切削功率与电机电流之间的关系，电机实际功率消耗主要为切削功率消耗。PUIcosE(5-1)PPPmcf(5-2)PFVcc(5-3)3PFnf10ff(5-4)PPEm其中：P为主电机功率消耗；P为切削功率；F为切削力；F为进给力；EmcfP切削功率；V切削速度；cos为功率因数；I为主电机输出电流。m通过公式可知，由于在实际加工过程中电机转速不变，故电压U可视为常数。cos亦为常数，因此在加工过程中电机电流变化与主轴负载功率成正比[63]。结合第二章切削负载与电流响应特性关系的实验，可知通过监测主轴电流信号变化可以间接获取主轴负载功率信号。图5-6为系统控制流程图，控制系统根据采集到的电流信号和电压信号计算得到切削负载功率。然后将实际切削负载功率与切削参数库中的切削参数组对应的切削负载功率进行对比，提取数值最接近的两组主轴切削负载功率所对应的进48 第5章自适应控制在数控加工中的应用研究给速度，并将进给速度返回到自适应控制系统中与CNC程序预输入的进给速度进行比较后得到偏差值，系统控制器根据偏差值进行进给速度的匹配修调。由于切削加工的连续性，电信号的获取按周期进行，另外由于铣削加工过程中存的切入、切出、余量不均匀、材质硬点等特殊情况，会产生冲击从而导致负载突变，本文研究的自适应控制系统在数据处理转换时会将突变电信号滤除，避免系统的误判。此外自适应控制系统有两种实施方案，一为实时在线参数调整，由于系统的优化计算需要时间，目前只能完成切削过程中的一次调整，实验证明当针对切削时间较长的切削加工时，系统的优化效果更明显。二为以第一次切削加工为学习加工，系统在第一次试切削过程中将加工内容的切入、切出、余量不均匀等位置进行信号获取并记录，在第二次以后的加工中进行连续优化，即不需要获取切削负载信号，只需要根据第一次的学习，自动调整进给速度即可，这种方式也是目前在实际生产中比较常用的方法。图5-6自适应铣削参数优化控制流程图49 第5章自适应控制在数控加工中的应用研究自适应的关键在于在线切削参数调整，但由于切削加工影响因素的多变性，采用模糊控制对切削参数进行调整更加适合[26,28]，图5-7为参数自调整模糊控制器。图5-7参数自调整模糊控制器设偏差e、偏差变化ec和输出u的离散变量为E、Ec、U，将论域定[-5,5]为论域为M={-5，-4，-3，-1，0，1，2，3，4}。k，k为量化因子，k为比例eecu因子。将偏差e分为八个级别，每个级别对应一个语言变量。根据这些规则采用合成模糊推理法进行推理，并采用最大隶属度法进行模糊判决，模糊算法计算出相应控制量的模糊子集U，最后得到表5-1所示模糊控制表。表5-1参数修改规则表MNLNMNSZOPSPMPLLZEZENMZEPMZEZENMPMPSNLZEPMZSZMNSPMPSNLZEPSZMZMZENLNMNEZEZEZELLPSNLNMPSZEPMPMLLPMNMNMPSZEPMPMPLPLZEZEPSZEPSZEZE在进给速度模糊控制中，设定期望进给速度为F，则采用进给速度偏差作为控制精度的评价指标，将进给速度的偏差变化量作为控制稳定性的评价指标。则有如下控制规则。50 第5章自适应控制在数控加工中的应用研究FFmaxminF2(5-5)E(kT)F(kT)F0(5-6)EC(kT)E[(k1)T]E(kT)F[(k1)T]F(kT)(5-7)IFEandECTHENC(5-8)控制输出u，在线整定参数的算法和不同阶段的权系数修改规则，进行进给速度的修调，在线整定参数的算法如下。ke(ts)ke(ts1)mke0kekec(ts)kec(ts1)mkec0keck(t)k(t1)mkkususu0u(5-9)其中：k(t)、k(t1)、k等分别为当前时刻、前一时刻和初始时刻的误esese0差、误差变化率的量化因子和比例因子。5.2自适应控制系统与铣削参数优化集成具有自适应切削参数优化功能的数控系统是当前数控加工技术的发展趋势。自适应切削参数优化技术在数控加工中的应用非常重要[56]。因此，本章对自适应切削参数优化与数控系统的集成方法进行了研究，利用VS编写了自适应控制系统的用户操作界面，并进行了系统的集成。将自适应切削参数优化系统与实验室研发的TDNC-A1M型数控系统进行了集成。5.2.1自适应控制系统与数控系统的集成方法自适应控制系统在数控切削加工中的应用方式包括集成和独立控制两种方式，本文采用了集成式自适应控制系统，集成式是指将自适应控制系统作为数控系统的一个功能集成于数控系统中，是数控系统的一部分，面向用户以一个操作界面的形式体现在数控系统中，根据是否存在硬件，集成式还可分为附加硬件式和无附加硬件式。本文采用无附加硬件式进行自适应控制系统的集成。利用TDNC-A1M数控系统内部资源完成数据的采集、处理以及分析和控制。它可以通过数控系统为用户提供的二次开发接口开发而成，也可以作为数控系统的嵌入功能。因此，自适应切削参数优化功能可以作为数控系统单独的实时任务，或者嵌入其他实时任51 第5章自适应控制在数控加工中的应用研究务，该方法难度较大，需要修改数控系统的源程序，一般只有数控系统的研发方能够完成。因此，实现比较复杂，但也是最稳定可靠的方式。本文的研究是建立在实验室自主研发的三轴数控系统上进行的，因此本章建立的自适应切削参数优化系统是嵌入到TDNC-A1M数控系统当中的。5.2.2自适应控制系统工作原理如图5-8所示自适应控制系统具体结构，自适应控制系统由上位机系统和下位机系统组成，上位机为数控系统人机交互部分，主要完成数控程序输入与加工控制。下位机则增加了数据采集、处理、分析与及在线辨识等功能模块。在功能实现方面自适应控制系统实现方式如下：图5-8控制系统总体结构切削负载获取。在线切削负载监测一直是切削参数在线优化和自适应加工的研究重点，诸多研究表明，切削负载与主电机电流存在响应关系，切削负载的变化可以通过主电机电流的变化进行表征，因此可以通过电机电流的数值变化，计算出电机输出端切削负载的变化，然而电流是一个瞬时变化量，且在加工过程中由于加工状态的不确定性，导致电流的变化存在突变，因此必须对获取的电流信号进行分析和处理，去除突变量，使之能够映射控制模型所需的切削功率。离线优化与在线铣削参数匹配优化。当前实现切削参数优化的方式很多，一般可分为在线和离线优化两大类，两者各有优缺点，如果将两者结合使用，则能够有效地提高切削参数优化的效果，即采用切削实验的方式建立铣削参数库，并结合遗传算法和神经网络对铣削参数库进行离线优化，根据切削效果建立切削参数对加工精度的影响权重，以及不同切削参数组所对应的切削负载范围。在加工过程中为提高加工质量和加工效率，采用模糊控制理论建立模糊控制器，根据监52 第5章自适应控制在数控加工中的应用研究测到的电流信号进行切削负载计算，在切削参数库中匹配与之接近的切削负载，从而选择两组切削参数，作为自适应切削参数控制的阀值，即在加工过程中，根据切削负载的变化，调整进给速度。切削负载的标定。传统的自适应加工，切削负载的标定比较困难，需要在线辨识，并将辨识到的数据与设定负载进行比较，从而实现切削参数的调整，但是设定负载的数值多为理论值，且比较保守，会影响加工效率。本章设计的自适应控制系统，采用切削实验的方式获得不同切削参数组的切削负载标定值，提高了设定负载的准确性和可应用性，另外在线辨识切削负载与切削实验获得的设定负载之间更加接近，不会因过分选取保守切削负载导致降低加工效率。5.2.3自适应控制系统的软硬件结构实现系统硬件实现：切削加工中，系统通过电流传感器，监测并获取实时电流信号，然后将其传送至PCI数据采集卡上，后经A/D转换变成数字信号，再由上位机为其进行信号处理，得到切削负载信号，并根据切削负载信号以及当前切削参数作为匹配条件，从切削参数优化库中调取与监测切削负载最接近的两组切削参数组合，送交模糊控制模块，对进给速度进行比较判断，如当前进给速度F高于参数库提取的阀值进给速度Fmax，则通过RS232串口发出降低进给速度的控制信号给数控系统，如当前进给速度F低于参数库提取的阀值切削速度Fmin则向数控系统发出提高进给速度的控制信号。硬件实现主要包括以下部分：数控系统：实验采用850型立式加工中心，数控系统为天津大学自主研发的TDNC-A1M型三轴数控系统。电流传感器：采用WB-I513CO型电流传感器，对X/Y/Z/主轴电机的电流进行实时测量并进行采集和处理。数据采集卡：由于在电流监测过程中轴数较多，属于多点测量且测量范围存在差别，因此，选用研华公司的总线多功能数据采集卡PCI-1710HG，该数据采集卡有12位A/D转换器，且采样速率可达100kHz/s。自适应铣削参数优化系统的软件包括系统软件功能设计以及软件结构两大部分，重点在于将切削参数库与模糊控制器进行结合，以及切削加工中模糊控制器与切削参数库的交互通信功能实现。自适应控制系统软件主要目的是为了对铣削加工过程中的切削参数进行在线优化，根据实际切削情况，对进给速度进行适度调整，以保证得到最佳的切削质量和加工效率。此外该控制系统还具有下述功能：53 第5章自适应控制在数控加工中的应用研究数据采集功能：采集电机电流信号，包括数据采集模块的初始化，以及采集信号的读取，信号之间的简单处理等。信号处理功能：将采集到的信号进行处理，提取出系统所需的负载信号。图形显示模块功能：在切削参数优化界面，显示优化参数波形以及优化参数最大值、最小值，主轴负载变化等实时显示。通信功能：采用串口连接数控机床，负责将采集到的信号传输给铣削参数库并从参数库获取相应的铣削参数，结合参数和控制算法作出控制决策，并向机床发出控制命令。实时控制功能：根据电机电流和负载信号，与铣削参数库的优化设定负载进行匹配，并调出两组阀值，根据控制器对进给速度进行在线调整。文件管理功能：负责采集切削过程中的数据，对采集到的数据进行存储。数据库功能：通过切削实验建立离线切削参数库，可以通过外部输入的方式不断完善切削参数库的数据。本控制软件是基于VS编程实现的，每个子系统模块都有其独立的功能，各个功能模块之间彼此独立，通过接口相互联系。编程中的主要参数包括控制器硬件参数，控制参数及铣削加工铣削参数。控制器硬件参数有数据采集频率、采集通道数等；控制参数有控制周期、进给速度控制方式等；铣削参数有主轴转速、进给速度、切削三要素及刀具几何参数等。5.3自适应加工参数优化控制系统应用自适应加工参数优化的目的在于，对切削过程中的进给速度等铣削参数进行在线调整，而调整的依据为在线辨识所得的切削负载及离线铣削参数库，然而自适应铣削参数优化效果是能否达到优化的期望结果，需要通过切削实验的方式检验，本文首先将系统软硬件集成到TDNC-A1M数控系统850型三轴加工中心中，开展切削实验，并将优化后的加工效率、加工精度与未优化的加工效率、加工精度进行对比，以确定自适应铣削参数优化系统的有效性。5.3.1自适应控制系统与优化参数库的结合首先基于VS编写如下功能界面，每个界面与相应的参数相对应，将以下界面作为数控系统的一个功能界面嵌入到数控系统中，使用时可以通过CRT显示器下排的功能软件进行操作。根据切削的实际条件选择图5-9所示的刀具材料和工件材料，然后通过下排软键选择在线优化功能进入图5-10所示的在线优化界54 第5章自适应控制在数控加工中的应用研究面，该界面与程序运行过程中的检测界面不能同时打开，但可以根据需要进行转换，方便操作者观察优化后进给速度是否超出两组阀值数据。图5-9铣削参数库选择界面图5-10在线优化界面在应用过程中，铣削参数库和自适应切削控制系统是调用匹配的关系，如图5-11所示，自适应铣削参数优化系统在使用过程中，首先通过主轴负载电流得到主轴切削负载的数值，然后从数控系统的参数库中匹配对应的两组主轴负载值并调用与两组主轴负载对应的铣削参数，自适应控制器将匹配到的两组参数的进给速度作为参考阀值，对加工过程中的进给速度进行实时控制和调整。在线优化首55 第5章自适应控制在数控加工中的应用研究次进行后持续使用两组阀值数据，即如果设定采样时间内的切削负载不超过两组阀值切削负载，则自适应控制系统不进行第二次进给速度调整。图5-11参数库与自适应控制对应关系5.3.2自适应切削参数优化加工实验测试自适应控制系统的可靠性和有效性是加工实验的主要目的，本文研究的自适应控制系统不采集主轴负载的突变信号，由于切削过程中的切入、切出和材料中的局部硬点，以及内轮廓的小曲率圆角引起的主轴负载瞬时增大的情况。根据自适应系统的响应特性，将主轴负载采集区间设定为5-20s，采样频率为5s一次，根据算法规定，将采样数据从低向高排序，取主轴负载最低的两个数值的算术平均值作为自适应控制系统的输入量。加工实验如图5-12所示，为减小实验误差，切削零件选择与切削实验相同的材料。图5-12特定切削切削实验以提高加工效率，提高刀具耐用度，降低加工误差等为实验目标，设计了该实验，为了确定在切削负载突变情况下控制系统不会获取突变信号，首先进行给56 第5章自适应控制在数控加工中的应用研究定不同进给速度下，切入切出时的冲击实验；其次进行给定切削条件下，进给速度的优化效果验证实验。冲击实验的实验条件如表5-2所示。表5-2Φ12高速钢铣削铝合金冲击实验条件因素水平A:ap(mm)B:ae(mm)C:S(r.min-1)D:F(mm.min-1)16.012120024025.08.0140032031.06.0180030040.5102500450采用正交试验的方法进行冲击切削实验，得到的数据较多，但可以更好地反应在切削负载突变状态下，自适应控制系统的工作状况，由于控制系统不具备显示负载获取的功能，可以通过观察自适应切削参数优化界面的图形显示情况来确定自适应控制系统是否对突变负载数据进行了获取，如图5-13所示优化界面的图形显示部分，当前进给速度有变化但优化参数以及参考阀值均未显示数据。图5-13自适应优化显示图5-14负载突变曲线57 第5章自适应控制在数控加工中的应用研究通过图5-14负载突变曲线可知，刀具在切入工件时，切削载荷快速增大，且产生较大冲击，而在刀具切出工件时，由于切削宽度的逐渐变化，以及多切削刃断续切削的影响，切削负载变化复杂，反映到曲线上不是瞬间减小的过程。本文不考虑负载突变情况下，进给速度的自适应控制，但是通过实验获得切入、切出状态下切削负载变化的特性，避免自适应控制系统将负载突变时刻的负载电流进行记录作为自适应控制的阀值数据。除切入和切出情况，还存在材质不均匀以及内轮廓的小曲率圆角引起的负载变化，但考虑到控制系统的响应时间问题，以及诸多不确定因素，不进行特定实验，在负载电流获取中，参考切入、切出的负载突变要求。通过实验可知，切削过程中的负载突变信号不会被自适应控制系统记录。为了检验自适应控制系统的工作能力，在特定切削实验完成后，进行常规切削加工实验，加工零件如图5-15所示，加工现场如图5-16所示；加工设备为850加工中心；零件材料为6065铝合金；刀具材料为W18Cr4V高速钢，刀具直径为12mm，齿数为4齿；两次加工切削参数如表5-3所示。图5-15实验零件图图5-16加工现场图58 第5章自适应控制在数控加工中的应用研究表5-3Φ12高速钢铣削铝合金实验条件序号参数A:ap(mm)B:ae(mm)C:S(r.min-1)D:F(mm.min-1)1412160024024122000320图5-17自适应优化切削界面图5-18稳态切削负载变化曲线在相同工艺系统条件下，将切削实验进行了3次，每次实验需要获得55，46，5mm三个宽度尺寸，尺寸的公差值如图5-15所示，在自适应加工前，首先进行标定，获取机床和刀具能接受的切削扭矩。标定完以后，在自适应加工模式下进行加工。如果以恒定速度进行加工，当切削到有槽处，切削负荷将会变小，然后再增大。在自适应加工模式下，图5-17和5-18所示为进给速度和切削负载的变化情况。从图5-18可以看出，切削负载的波动范围基本保持在10%左右，无突变和大频率波动，因此达到了设计和应用的要求。通过实验可知，空载状态下，切削扭矩也会在一个小范围内发生波动，因此实际应用中需要设定一个监测59 第5章自适应控制在数控加工中的应用研究阈值，避免因为过度监测和频繁调整进给速度，导致的加工精度下降和刀具损坏等情况发生。通过实际加工，取得了预期的效果，由表5-4可得出本文所研究的自适应控制系统能够提高加工效率，且提高切削过程中尺寸精度的一致性。表5-4加工效果对比项目切削时间对比(s)单次循环加工精度对比(mm)无自适应控制11854.96，45.97，4.98采用自适应控制(1次)10654.97，45.98，4.99采用自适应控制(2次)10354.98，45.98，4.98采用自适应控制(3次)10454.98，45.98，4.99对比结果提高效率约11.86%三次加工精度一致性最后进行常规切削加工，该部分实验的目的在于同等切削条件下，采用自适应控制系统和无自适应控制系统时刀具的耐用度以及磨损情况对比。加工设备为850加工中心；零件材料为45#中碳钢，硬度为HRC28。刀具材料为W18Cr4V高速钢，直径为12mm，齿数为4齿。在上述加工条件下，进行有自适应控制和无自适应控制的加工对比实验。实验切削的零件形状相同，两组实验各加工15个切削试件，实验完成后的刀具磨损情况如图5-19所示，(a)为无自适应控制系统的刀具照片，(b)为有自适应控制系统的刀具照片，通过照片可知在相同的实验条件下，无自适应控制系统的刀具磨损严重，且由于工件材料硬度和排屑不顺畅等问题造成刀具螺旋刃出现锯齿状磨损，刀具基本无法继续使用，而采用自适应控制系统的刀具属于正常磨损，螺旋刃出现磨损后的亮线，并不存在缺口和锯齿磨损状况，由对比照片可知，本文研究的自适应控制系统能够有效提高刀具的耐用度。(a)(b)图5-19刀具磨损情况对比60 第5章自适应控制在数控加工中的应用研究5.4本章小结本章利用自适应控制系统和离线优化切削参数库进行了一系列验证性切削实验，分别验证了切削负载突变情况下，控制系统对突变负载的有效识别能力，特定切削状况下，自适应控制系统的切削速度在线优化功能，以及采用自适应控制系统后的加工效率提高情况及尺寸精度一致性情况，此外还验证了采用自适应控制系统进行中小批量零件加工时，刀具耐用度的提高情况。61 第6章总结与展望第6章总结与展望6.1全文总结数控加工作为当今先进制造领域的关键技术，地位重要，但对比国际先进数控技术的发展情况，国内的研究仍有很大的发展空间，在加工精度，加工效率和设备安全等方面一直是我们研究和探索的重点，但由于数控加工本身是一个复杂多变的系统，很难通过攻克某一点或者某一领域达到最理想的效果，随着人工智能技术的发展，用于切削参数优化的智能方法越来越多，但很多切削参数优化方法缺少实际生产加工经验的指导，理论性太强，不能实际应用于生产加工。本文针对加工精度改善，生产效率和设备使用安全提高等方面，结合实际生产加工，以切削实验为基本方法，提出了基于自适应控制技术的铣削参数优化研究。围绕这一主题，本文进行了如下探讨和研究：1)基于对伺服进给系统和主轴系统的分析，建立了进给和主轴系统的模型，并通过实验分析了电机负载电流对切削负载的响应特性，通过正交实验，将铣削参数对切削负载影响大小的权重进行顺序，从而确定了铣削参数与负载电流的响应关系，该响应关系对间接测量铣削负载具有重要的意义。2)基于遗传算法和BP神经网络建立了切削参数优化算法，将主轴转速、进给速度、加工精度作为BP神经网络的输出，并将神经网络的输出作为GA遗传算法的适配值，为建立离线参数库提供优化依据。3)根据铣削的基本理论，建立了立铣刀的铣削力模型，此外，通过大量切削实验，分析了各切削参数对切削力的影响，并将实际切削使用的切削参数进行记录，建立基础切削参数库，然后利用离线优化算法对基础切削参数库进行离线优化，并采用VS编写了离线切削参数库界面。4)结合模糊理论建立了适用于切削参数在线优化的自适应控制系统，根据切削载荷进行切削参数的匹配，从而调用切削参数库中的两组切削参数并将进给速度作为阀值数据，对进给速度进行调整。5)集成自适应控制系统开展的切削实验表明，数控铣削自适应控制系统能有效提高加工效率，刀具耐用度和加工精度。62 第6章总结与展望6.2研究展望本文采用正交切削实验的方法获得负载电流、切削负载、切削参数之间的关系，并通过切削实验的方式，获得离线优化切削参数库的基本切削参数数据，且将切削参数库用于自适应控制系统的在线匹配；然而在整个研究过程中，主要以加工精度、加工效率作为优化目标，在实际应用中还需要进一步完善优化目标和研究内容：1)切削负载标定：由于本文基于切削实验获得研究数据，因此切削负载的标定依赖大量的切削实验获得，数据库的建立成本较高且需要较长时间，在今后的研究中，考虑建立局部网络和专家数据库，将不同设备上的切削数据进行存储和上传汇总，同时与生产企业进行合作建立专家数据库管理体系，以实现数据库的快速完善。2)切削负载测量：由于实际生产条件的限制，切削负载多采用间接测量法，受工艺系统的影响，导致不能准确在线测量切削负载，在今后的研究中考虑将直接测量方法和间接测量方法进行结合。3)自适应控制与数控系统的集成：由于本文所述的数控系统是实验室开发的数控系统，因此能够嵌入切削参数库和自适应控制系统，但目前大多同类自适应控制系统多采用外挂式应用于各类数控系统，在今后的研究中应考虑解决数控系统适用范围。4)自适应控制：本文的自适应控制仅对进给速度做出调整，且为了简化自适应控制系统的复杂程度，没有将切削负载突变工况考虑到自适应控制过程中，因此自适应控制存在一定的不足，在今后的研究中需要进一步完善自适应控制系统的工作情况。63 参考文献参考文献[1]刘战强，黄传真，万熠等．切削数据库的研宄现状与发展[J]．计算机集成制造：2003，9(11)：937-943．[2]M.Tolouei-Rad,I.MBidhendi.Ontheoptimizationofmachiningparametersformillingoperations[J].InternationalJournalofMachineToolsandManufacture,1997,37(1):1-16.[3]O.Zarei,M.Fesanghary,B.Farshi,etal.Optimizationofmulti-passface-millingviaharmonysearchalgorithm[J].JournalofMaterialsProcessingTechnology,2009,209(5):2386-2392.[4]K.Vijayakumar,GPrabhaharan,P.Asokan,etal.Optimizationofmulti-passturningoperationsusingantcolonysystem[J].InternationalJournalofMachineToolsandManufacture,2003,43(15):1633-1639.[5]J.Srinivas,R.Giri,SH.Yang,etal.Optimizationofmulti-passturningusingparticleswarmintelligence[J].InternationalJournalofAdvancedManufacturingTechnology,2009,40(1/2):56-66.[6]FranciCus,UrosZuperl.Approachtooptimizationofcuttingconditionsbyusingartificialneuralnetworks[J].JournalofMaterialsProcessingTechnology,2006,173(3):281-290.[7]王鑫．基于加工特征的机床关键零件高效数控加工切削参数优化技术研究[D]．湖南：湖南工业大学，2014．[8]赵绪平．数控加工切削参数优化的研究[D]．沈阳：沈阳工业大学，2006．[9]董雪娇．基于BP和GA的叶片加工切削用量优化选择方法[D]．西安：西安工业大学，2014．[10]李颖．高精度复杂曲面的数控铣削加工工艺参数的优化[D]．兰州：兰州理工大学，2010．[11]刘国光．基于组合遗传算法的切削参数优化设计[J]：现代机械：2002，(2)：42-43．[12]高亮，高海兵，周驰等．基于粒子群优化的切削参数优化算法研究[C]．第五届全球智能控制与自动化大会会议论文集(4)：2004：2867-2871．[13]舒服华．基于变形遗传算法的切削参数优化[J]．机械工程师：2005，(11)：98-99．[14]李建广，姚英学，刘长清等．基于遗传算法的车削用量优化研究[J]．计算机集成制造系统：2006，12(10)：1651-1656．[15]刘海江，黄炜．基于粒子群算法的数控加工切削参数优化[J]．同济大学学报：自然科学版，2008，36(6)：803-806．[16]赵韩，冯宝林，董晓慧等．基于改进的BP神经网络对切削参数的优化选择[J]．机床与液压：2008，36(5)：213-215．[17]谢书童，郭隐彪．边缘分布估计算法在车削参数优化中的应用[J]．中国机械工程：2010，1．64 参考文献[18]曹瀚心．数控铣削加工中切削参数的优化研究[D]．西安：西安建筑科技大学，2013．[19]刘红奇．复杂工况下的自适应加工技术研究[D]．武汉市：华中科技大学，2008．[20]B.SrinivasaPrasad,D.SivaPrasad,A.Sandeep,etal.ConditionMonitoringofCNCMachiningUsingAdaptiveControl[J].InternationalJournalofAutomationandComputing,2013.10(3):202-209.[21]LuisMorales-Velazquez,RenedeJesusRomero-Troncoso,etal.SpecialpurposeprocessorforparameteridentificationofCNCsecondorderservosystemsonalow-costFPGAplatform[J].Mechatronics,2009,Vol.20(2),pp.265-272.[22]JiangRui-Quan,CaiJian-Guo.Neuron-basedadaptivecontrolalgorithmforCNCpositioningservosystem[J].InternationalJournalofProductionResearch,2001,Vol.39(12).[23]M.Brezocnik,M.Kovacic,M.Ficko,etal.Predictionofsurfaceroughness[J].GeneticProgramming.157–158,28–36(2004).[24]DingHuaZhang,YingZhang,BaoHaiWu,etal.ResearchontheAdaptiveMachiningTechnologyofBlisk[J].AdvancedMaterialsResearch,2009,Vol.832(69),pp.446-450.[25]KuijingZheng,LiCheng.Adaptives-curveacceleration/decelerationcontrolmethod[J].IntelligentControlandAutomation,2008.WCICA2008.7thWorldCongresson.[26]程涛，左力，刘艳明等．数控机床切削加工过程智能自适应控制研究[J]．中国机械工程：1999，10(1)：26-30．[27]冯小军，朱华双，宁仲良等．数控铣削模糊自适应控制系统[J]．组合机床与自动化加工技术：2004，7：73-76．[28]时政博，黄筱调，丁文政等．基于自适应控制技术的铣削参数优化[J]．组合机床与自动化加工技术：2012(4)：104-107．[29]王红亮．数控加工恒负荷控制系统的研究与实现[D]．武汉市：中科技大学，2006．[30]曹为．基于神经网络的数控铣削自适应加工系统的研究[D]．武汉市：华中科技大学，2007．[31]左文涛．基于嵌入式平台的数控铣削加工递阶智能控制器研究[D]．上海市：同济大学，2007．[32]ROTHBERGNSJ,HALKONBJ.Radialvibrationmeasurementsdirectlyfromrotorsusinglaservibrometry:Theeffectsofsurfaceroughness,instrumentmisalignmentsandpseudo-vibration[J].MechanicalSystemsandSignalProcessing,2012,33:109-131.[33]姜术君，樊锐，陈五一等．测力系统设计[J]．电子测量技术：2004(02)：15-15．[34]刘志军，全燕鸣．刀具切削状态监控技术综述[J]．工具技术：2015，49(6)：3-7．[35]TienILiu,ShinDaSong,GeorgeLiu,etal.Onlinemonitoringandmeasurementsoftoolwearforprecisionturningofstainlesssteelparts[J].IntJAdvManufTechnol,2012:1-11.[36]张琛．基于主轴电机电流的铣削力监控方法研究[D]．武汉市：华中科技大学，2007．[37]李斌，张琛，刘红奇等．基于主轴电流的铣削力间接测量方法研究[J]．华中科技大学学报：自然科学版，2008，36(3)：5-11．65 参考文献[38]王娜，艾长胜，李国平等．数控机床切削力间接测量研究[J]．组合机床与自动化加工技术：2007，8：22-27．[32]冀玉梅，赵东升等．基于伺服电流与切削力关系的间接测量技术研究[J]．机械与电子：2007(10)：40-42．[39]朱坚民，王健，张统超等．基于刀具振动位移的动态铣削力测量方法[J]．仪器仪表学报：2014，35(12)：2772-2782．[40]万敏，张卫红．铣削过程中误差预测与补偿技术研究进展[J]．航空学报：2008，29(5)：1340-1349．[41]万敏，张卫红．薄壁件周铣切削力建模与表面误差预测方法研究[J]．航空学报：2005，26(5)：598-603．[42]AltintasY,SpenceA.EndmillingforcealgorithmsforCADsystems[J].AnnalsoftheCIRP,1991,40(1):31-34.[43]FengHY,SuN.Amechanisticcuttingforcemodelfor3Dballendmilling[J].TransactionsoftheASMEJournalofManufacturingScienceandEngineering,2001,123(1):23-29.[44]侯军明，汪木兰，王保升等．铣削加工切削力的有限元分析与试验[J]．制造业自动化：2013，35(3)：52-55．[45]李海滨，周长军，张卫龙等．数控铣削加工物理仿真关键技术的研究[J]．航空制造技术：2012，4：32-35．[46]李铮，刘强．中低速数控铣削参数优化技术研究及应用[J]．航空制造技术：2011，5：64-73．[47]周浩，杜长龙，杨善国等．基于改进遗传算法的数控加工切削用量优化[J]．机床与液压：2011，39(9)：57-59．[48]李康举，刘永贤．铣削加工振动影响因素分析[J]．辽宁工程技术大学学报：自然科学版，2011，30（6）：884-887．[49]李杰，侍忠楼．加工误差建模与切削用量选用研究[J]．机床与液压：2015，43(5)：92-96．[50]胡贤金，杨冰，罗勇等．基于模糊理论遗传算法和神经网络的切削参数混合智能优化[J]．工具技术：2014，48（2）：9-13．[51]孙晓刚．基于遗传算法的数控铣加工切削参数优化及仿真研究[D]．成都：西南交通大学，2008．[52]张莉莉，武艳．模糊理论概述[J]．硅谷：2012，17：177-178．[53]齐爱琴．基于模糊神经网络的刀具数据库系统的研究与开发[D]．哈尔滨：哈尔滨理工大学，2005．[54]张发平，王丽，闫学彬等．基于CAE和神经网络的切削参数优化[J]．机床与液压：2005，35(3)：28-30．[55]陈杰．切削参数智能选择系统的研究与开发[D]．四川：四川大学，2003．[56]易继凯，候媛彬．智能控制技术[M]．北京：北京工业大学出版社(修订版)，2012：45-201．[57]蔡安江，郭师虹，董朝阳等．高效数控加工切削参数优化技术[R]．第二届数控机床与66 参考文献自动化技术专家论坛：2011，3，1．[58]彭林中，张宏等．机械切削工人工作手册[M]．北京：化学工业出版社，2010：8-211．[59]杨云．面向高效低碳的车削加工切削参数多目标优化研究[D]．大连，大连海事大学，2014．[60]蒋昇．数控加工切削参数优化匹配专家系统的研究[D]．上海：同济大学，2006．[61]苏仲文．数控铣削工艺参数优化专家系统的研究[D]．太原：太原理工大学，2013．[62]胡俊达，胡慧等．自适应控制技术在数控与组合机床中的应用[J]．组合机床与自动化加工技术：2004，11：73-75．[63]冯小军，朱华双，宁仲良．数控铣削模糊控制系统的研究[J]．组合机床与自动化加工技术：2004，7：73-76．67 发表论文和参加科研情况说明发表论文和参加科研情况说明（一）发表论文情况[1]李杰，侍忠楼等，加工误差建模与切削用量选用研究，机床与液压，2015，43(5)：92-96．[2]李杰，谭斌等，数控机床的液屑分离设备研究，机械工程师，2016，5：38-40．[3]李杰，许立新等，基于PMPost的五轴加工中心后置处理研究，机械工程师，2016，2：112-114．（二）参与的科研项目[1]关节滚动轴承与机器人耦合动力学及参数匹配优化研究，编号：13JCQNJC04500，完成，参与[2]蜂窝板模压加工生产线研制，鉴定形式：会议鉴定，完成，参与[3]PRISMA型智能化高可靠性低压配电系统，鉴定形式：会议鉴定，完成，参与68 致谢致谢本学位论文是在导师左志强教授和方强高级工程师的悉心指导下完成的。在整个课题研究过程包括论文的写作过程中，左老师给予我无微不至的关怀、细心的帮助和支持，这些都让我毕生难忘，左老师严谨的治学态度、广博的学识、高度的责任心都深深地影响着我，另我终生受益。在实验设计和应用验证方面方强老师给予了我很多帮助和意见。值此论文完成之际，谨向两位老师致以最衷心的感谢和最崇高的敬意。此外，我要特别感谢董靖川博士后，课题开始初期，董博士给予了我许多帮助，在研究内容和研究方法上提出了很多建议，同时协调实验室工程师帮助我完成基础理论实验。我同样要感谢于治强博士和李红滨博士在优化算法和VS界面开发方面给予我的支持和帮助，另外我要感谢刘恒丽和张悦师姐在切削负载测量实验方面对我的帮助和指导。你们给了我很多无私的帮助，正是整个课题组良好的协作氛围促使我们顺利完成了课题。我还要感谢王太勇老师在我硕士学习阶段给予我的鼓励和认可，同时我要感谢赵巍老师，对我的关心和帮助，我同样感谢张玉洲主任，徐国胜主任对我在职攻读研究生的帮助和支持，在你们的帮助和鼓励下我才能顺利完成研究生学习。最后，我要以此文向我的家人表示深深的感谢，感谢全家人多年来对我的全力支持与悉心照顾，感谢他们为我所付出的一切；感谢我的妻子对我的理解与支持。没有你们的支持，我是不可能完成自己的学业的。再一次衷心地感谢所有关心和帮助过我的亲人、老师和朋友，祝你们身体健康，万事如意！69