CN100413645C - 微细电火花加工间隙放电状态的检测方法 - Google Patents

Abstract

本发明涉及电火花加工放电间隙状态的检测技术和方法，一种微细电火花加工间隙放电状态的检测方法，采用模糊控制模块方法，以电压、电流信号作为模糊控制模块的输入，还具有LVQ神经网络结构和统计求和与电火花加工的间隙放电状态划分准则的方法；先建立模糊控制模块，对每一个放电采样点进行放电状态检测，根据采样点的电压、电流值，通过所建立的模糊逻辑规则表，再用LVQ神经网络结构对采样点的放电状态值进行归类，对一组放电采样点进行统计求和，按放电状态划分准则确定电火花加工的间隙放电状态用梯形的隶属度函数能够很好地描述电压、电流的各种状态。该方法提供一种实时、准确、稳定、可靠的微细电火花加工间隙放电状态的检测方法。

Description

微细电火花加工间隙放电状态的检测方法

技术领域

本发明涉及电火花加工放电间隙状态的检测技术和方法，尤其涉及在微细电火花加工过程中高频、微能放电状态下准确分辨电火花加工间隙放电状态的检测技术。

背景技术

目前，对电火花加工间隙放电状态的检测方法主要是通过设置电压阈值的方式进行检测，如《高技术通讯》2000年第11期中罗元丰等(哈尔滨工业大学机电学院)的“电火花加工放电状态的监测及神经模糊控制”所采用的检测方法，即通过设定高低两个电平门槛值和两个击穿延时门槛值，检测任一放电脉冲区的放电状态。这些方法在常规电火花加工状态下，由于放电信号稳定，随机干扰信号相对正常放电信号弱很多，从而使放电波形稳定，通过设置门槛电压，可以有效地检测出电火花加工的间隙放电状态。然而，微细电火花加工过程中放电频率高、放电能量小的特点造成放电波形畸变严重，如图一、图二所示，图一是常规电火花加工电压波形图，图二是微细电火花加工电压波形图，从图二的微细电火花加工电压波形图可以看出，随机干扰信号与电加工信号具有可比性，而使电信号的检测值变化较大，极不稳定，从而使上述检测方法在微细电火花加工中不再适用。在期刊《International Journal of Machine tools & Manufacture》Volume 37，No.4，pp511-522，1997“A Fuzzy Discriminating System for ElectricalDischarge Machine”written by Y.S.TARNG，C.M.TSENG andL.K.CHUNG(Department of Mechanical Engineering，National TaiwanInstitute of Technology)一文中提出了利用电压和电流信号通过模糊规则对电火花加工间隙放电状态进行检测，此方法虽然能够对每一放电点进行准确检测，但仍存在两大缺点。首先，该方法中的隶属度函数的参数是通过退火算法优化算出的，而在实际加工过程中，加工条件和状况的改变迫使隶属度函数的参数需要在事先提供一定量的样本的基础上重新通过退火算法算出，同时由于电火花放电过程复杂，加工状况变化较大，特别是在高频、微能的微细电火花加工条件下，加工状态更加复杂，加工状况变化更大，这就使优化好的参数不能很好地适应加工状况的变化，从而造成检测的准确性下降，同时此种方法也不利于实时优化，因此此种方法在微细电火花加工条件下不能满足实时、准确的检测要求。其次，通过模糊规则的使用，对不同的放电状态得到不同的放电点的状态值，即使同一状态也会得到不同的放电点的状态值，该文没有提出检测出放电点的加工状态后，如何对放电点的状态进行统计，利用什么原则最后得到放电过程中的各种间隙放电状态。

发明内容

本发明目的旨在克服上述检测方法的不足，提供一种实时、准确、稳定、可靠的微细电火花加工间隙放电状态的检测方法。

本发明采用的技术方案是：一种用于电火花加工中间隙放电状态的检测方法：采用模糊控制模块方法，以电压、电流信号作为模糊控制模块的输入，还具有LVQ神经网络结构和统计求和与电火花加工的间隙放电状态划分准则的方法；先建立模糊控制模块，对每一个放电采样点进行放电状态检测，根据采样点的电压、电流值，通过所建立的模糊逻辑规则表，得出采样点的放电状态值：即用模糊控制模块计算出放电采样点的放电状态值，再用LVQ神经网络结构对采样点的放电状态值进行归类，对一组放电采样点进行统计求和，最后，按放电状态划分准则确定电火花加工的间隙放电状态，结合梯形隶属度函数能够很好地描述电压、电流的各种状态；具体步骤如下：

(1)将采样点的电压、电流信号作为模糊控制模块的输入，根据电火花加工各种放电状态中电压、电流值存在不同取值范围的特点，确定电压、电流的梯形隶属度函数在不同放电状态下的各项参数；放电间隙状态可划分成五种状态：空载、火花放电、过渡电弧、稳定电弧和短路；采样电压值在0V-20V低压区间包含短路状态和脉冲间隔，若检测到电流，则此时采样点是短路状态，否则，是脉冲间隔；采样电压值在15V-35V中压区间内包含火花/电弧放电状态和脉冲间隔，若放电间隙中检测到电流，则此时采样点的放电状态是火花/电弧放电状态，否则是脉冲间隔；采样电压值在30V-90V高压区间内，主要是脉冲间隔和火花/电弧放电状态，一般为二次放电；在90V附近会出现开路状态，若放电间隙中检测到电流，则为火花/电弧放电状态，若无电流则主要是脉冲间隔；采样电压值在80V-120V超高压区间内以开路状态为主，若电压没有超过90V时，有时会出现脉冲间隔；电流只有两种状态，即有高电流状态0.4A-10A和低电流状态-10A-0.5A；建立模糊控制逻辑规则表，表中包括低压、中压、高压、超高压，脉间低电流、脉间高电流、短路电流、火花/拉弧电流；经过模糊逻辑规则推理得出的采样点的放电状态值作为模块的输出，为简化计算，输出采用高度为1的矩形隶属度函数，代表放电采样点的放电状态，各矩形区间分别代表相应放电状态值的取值范围，用四个区间表示四种状态：短路[00.5]，脉冲间隔[11.5]，火花/电弧放电[22.5]，开路[33.5]；

(2)为使LVQ神经网络对状态区间划分准确，在每一区间中取代表区间特征的三个值作为LVQ神经网络学习样本：区间的最小值、中间值与最大值；通过学习样本的选取，将每一状态又划分了三个子类，分别由LVQ神经网络中的第一层的三个神经元代表，因此第一层的神经元也即隐含层的神经元数为12个，而输出层的神经元根据输出状态划分为4个；以这种形式划分，任何一采样点的状态值经过神经网络结构计算后都会准确的映射成状态矢量；

(3)对极间间隙放电状态的检测，采用统计方法，以一组采样点为单位，分析、比较统计数据；电火花加工间隙放电状态的划分准则：在一组采样点的放电状态矢量经统计求和后，首先比较开路元素值与短路元素值的大小，然后计算代表开路状态的元素值与代表短路状态的元素值之和占代表正常火花/电弧状态的元素值、代表开路状态的元素值和代表短路状态的元素值之和的比率，若开路元素值大于短路元素值，如果上述比率大于2/3，则间隙放电状态是开路状态，如果小于2/3，则间隙放电状态是正常火花放电状态；若开路元素值小于短路元素值，若上述比率小于1/3，则间隙放电状态是正常火花放电状态；若比率大于1/3而小于3/7，则间隙放电状态是过渡电弧放电状态；若比率大于3/7而小于5/9，则间隙放电状态是稳定电弧放电状态；若比率大于5/9，则间隙放电状态是短路状态。

本发明的效果：本发明能够在微细电火花放电加工间隙放电状态的检测过程中克服高频、微能电信号及随机干扰造成难以检测的难点，达到实时、准确、稳定、可靠的效果，也可以用于常规电火花加工间隙放电状态的实时检测中。

附图说明

图一是常规电火花加工电压波形示意图。图二是微细电火花加工电压波形示意图。图三是电火花加工间隙的放电波形示意图。其中：1为开路状态，2为正常火花放电状态，3为过渡电弧放电状态，4为稳定电弧放电状态，5为短路状态。图四是电压隶属度函数分布示意图。图五是电流隶属度函数分布示意图，图六是采样点放电状态值的隶属度函数分布示意图，图七是LVQ神经网络结构示意图。其中：1是输入端，2是权重矩阵，3是阈值矩阵，4是第一层的12个神经元，5是第二层权重矩阵，6是阈值矩阵，7是第二层4个神经元，图八是电压信号、电流信号、采样点放电状态示意图。

具体实施方案  结合附图详细说明本发明，电火花加工间隙的放电波形主要分为五种，见图三。实际加工过程中，由于放电参数的设置不同及放电过程的随机性因素的存在，使得各放电状态的波形形状不一，放电状态交替出现的时间比例差别很大，有时在一个脉冲中就出现多种放电状态，所以由一个采样点或一个脉冲很难确定其加工状态。

模糊控制中的隶属度函数及模糊规则是通过对电压、电流在电火花加工各种放电状态中的分布特点及相互关系的分析建立起来的。常规电火花加工和微细电火花加工的加工机理基本相同，所不同之处在于微细电火花加工的微能、高频的特点造成电压信号波动较大，且不规则，电流信号混杂于随机干扰信号中难于辨别，本发明对这一难点的解决是利用电压与电流信号的互补性特点，建立模糊逻辑规则推导出采样点的放电状态值。根据电火花加工机理，每一个电火花加工的间隙放电状态的电压、电流值在一定区域内是确定的，在其它部分区域内则是模棱两可的，以开路电压90伏，电流1安培为例，如图三所示。由放电采样电压值的分布可以看出，短路状态采样电压值主要分布在0V-15V区间内，正常火花放电、过渡电弧放电和稳态电弧放电主要分布在20V-30V区间内，开路状态的采样电压值分布在90V左右，在0V-90V中的其它区间的放电状态的界定处于模棱两可，而脉冲间隔的采样电压值可以是0V-90V区间内的任意值。考虑到微细电火花加工中放电频率高，火花放电和电弧放电区别不大，将火花放电与电弧放电归为一类，即火花/电弧放电，这样划分不会影响一组脉冲经过统计分析后放电间隙状态的划分。图四、图五、图六分别是电压、电流和采样点放电状态值的各个隶属度函数分布图。根据电压、电流信号在不同放电状态下的取值，及信号的互补性特点，建立模糊逻辑判别规则。

用LVQ神经网络结构将采样点的放电状态值映射成状态矢量。对不同的放电状态，采样点的放电状态值不同，同时由于采用模糊逻辑与运算规则，同一放电状态也存在不同的取值，但同一状态的采样点的状态值处于一定的区间范围内。为统计分析的方便，需要对采样点按状态值区间分类，并将各采样点按一定规则划归到其所属的类中，各放电状态所属的类按矢量形式表达。从采样点的状态值到其所属的放电状态的矢量形式的映射过程由LVQ神经网络结构实现。由前述可知，模糊规则对放电状态的分类是以区间形式划分的，在不同区间的值属于不同的类，代表不同的放电状态；而同一区间的不同值则仍属于同一类，也即属于同一放电状态。LVQ神经网络能够在经过典型样本的学习后，准确的将属于同一区间的不同值归为同类，而不同区间的值归为不同的类。电火花加工间隙放电状态的划分准则的建立。对一组序列放电采样点的放电矢量进行统计求和，根据累加后的结果矢量中的各个元素之间的关系，依照电火花加工放电间隙放电状态划分准则，得出这一组放电点的统计放电状态，即电火花加工的间隙放电状态。

以开路电压为90V，电流：1A，脉宽1μs、脉间4μs，10000个采样点为例，如图八中的电压、电流信号来说明具体的实施方法。将采样点的电压、电流值作为模糊控制模块的输入，经模糊控制模块的模糊控制规则的运算后输出采样点的放电状态值，图八中从上至下分别是电压信号、电流信号和对应于电压、电流信号的采样点放电状态图。从图八随机地取十个点，见下表，可以看出采样点的放电状态被准确地表达出来了。

然后将采样点的放电状态值作为LVQ神经网络的输入，经LVQ神经网络的分类功能将采样点的放电状态值映射成放电状态矢量，图七中的2、3、4组成LVQ神经网络的第一层，5、6、7组成LVQ神经网络的第二层。为使LVQ神经网络对状态区间划分准确，在每一区间中取代表区间特征的三个值作为LVQ神经网络的学习样本：区间的最小值、中间值与最大值。

即：短路区间，取

{p(1)＝0，t＝[1 0 0 0]^T}，{p(2)＝0.25，t＝[1 0 0 0]^T}，{p(3)＝0.5，t＝[1 0 0 0]^T}；

脉间区间，取

{p(4)＝1，t＝[0 1 0 0]^T}，{p(5)＝1.25，t＝[0 1 0 0]^T}，{p(6)＝1.5，t＝[0 1 0 0]^T}；

火花/电弧放电区间，取

{p(7)＝2，t＝[0 0 1 0]^T}，{p(8)＝2.25，t＝[0 0 1 0]^T}，{p(9)＝2.5，t＝[0 0 1 0]^T}；

开路区间，取

{p(10)＝3，t＝[0 0 0 1]^T}，{p(11)＝3.25，t＝[0 0 0 1]^T}

{p(12)＝3.5，t＝[0 0 0 1]^T}。

对以上随机取出的10个采样点的状态值经过神经网络转换后映射成相应的矢量：

R(56)＝1.24→[0，1，0，0]^T；R(135)＝3.24→[0，0，0，1]^T；R(256)＝1.24→[0，1，0，0]^T；

R(3502)＝1.24→[0，1，0，0]^T；R(4256)＝1.24→[0，1，0，0]^T；R(5287)＝0.24→[1，0，0，0]^T；R(6000)＝1.24→[0，1，0，0]^T；R(7902)＝1.24→[0，1，0，0]^T；R(8259)＝1.24→[0，1，0，0]^T；R(9289)＝2.24→[0，0，1，0]^T。

最后，对一组序列放电采样点的放电矢量进行统计求和，根据累加后的结果矢量中的各个元素之间的关系，依照电火花加工放电间隙放电状态划分准则，得出这一组放电点的统计放电状态，即电火花加工的间隙放电状态。以2000个采样点为一组对以上采样点进行统计分析得到五个状态矢量：[11，1537，390，62]^T，[15，1527，376，82]^T，[13，1548，386，53]^T，[2，1606，360，32]^T，[11，1638，342，9]^T。由于脉冲间隔起消电离调节的作用，可以不考虑脉冲间隔的影响。统计后的矢量中代表开路状态的元素值(矢量中的第四个元素)与代表短路状态的元素值(矢量中的第一个元素)之和占代表正常火花/电弧状态的元素值(矢量中的第三个元素)、代表开路状态的元素值和代表短路状态的元素值之和的比率分别是：0.1577，0.2051，0.1460，0.0863，0.0552。按放电状态划分准则得到的间隙放电状态均为正常火花放电状态。

Claims (1)

1. 一种用于电火花加工中间隙放电状态的检测方法，采用模糊控制模块方法，以电压、电流信号作为模糊控制模块的输入，其特征是还具有LVQ神经网络结构和统计求和与电火花加工的间隙放电状态划分准则的方法；

先建立模糊控制模块，对每一个放电采样点进行放电状态检测，根据采样点的电压、电流值，通过所建立的模糊逻辑规则表，用模糊控制模块计算出放电采样点的放电状态值，再用LVQ神经网络结构对采样点的放电状态值进行归类，对一组放电采样点进行统计求和，最后，按放电状态划分准则确定电火花加工的间隙放电状态，结合梯形隶属度函数能够很好地描述电压、电流的各种状态；具体步骤如下：

(1)将采样点的电压、电流信号作为模糊控制模块的输入，根据电火花加工各种放电状态中电压、电流值存在不同取值范围的特点，确定电压、电流的梯形隶属度函数在不同放电状态下的各项参数；可划分成五种状态：空载、火花放电、过渡电弧、稳定电弧和短路；采样电压值在0V-20V低压区间包含短路状态和脉冲间隔，若检测到电流，则此时采样点是短路状态，否则，是脉冲间隔；采样电压值在15V-35V中压区间内包含火花/电弧放电状态和脉冲间隔，若放电间隙中检测到电流，则此时采样点的放电状态是火花/电弧放电状态，否则是脉冲间隔；采样电压值在30V-90V高压区间内，主要是脉冲间隔和火花/电弧放电状态，一般为二次放电；在90V附近会出现开路状态，若放电间隙中检测到电流，则为火花/电弧放电状态，若无电流则主要是脉冲间隔；采样电压值在80V-120V超高压区间内以开路状态为主，若电压没有超过90V时，有时会出现脉冲间隔；电流只有两种状态，即有高电流状态0.4A-10A和低电流状态-10A-0.5A；建立模糊控制逻辑规则表，表中包括低压、中压、高压、超高压，脉间低电流、脉间高电流、短路电流、火花/拉弧电流；经过模糊逻辑规则推理得出的采样点的放电状态值作为模块的输出，为简化计算，输出采用高度为1的矩形隶属度函数，代表放电采样点的放电状态，各矩形区间分别代表相应放电状态值的取值范围，用四个区间表示四种状态：短路[0 0.5]，脉冲间隔[1 1.5]，火花/电弧放电[2 2.5]，开路[3 3.5]；

(2)为使LVQ神经网络对状态区间划分准确，在每一区间中取代表区间特征的三个值作为LVQ神经网络的学习样本：区间的最小值、中间值与最大值；通过学习样本的选取，将每一状态又划分了三个子类，分别由LVQ神经网络中的第一层的三个神经元代表，因此第一层的神经元也即隐含层的神经元数为12个，而输出层的神经元根据输出状态划分为4个；以这种形式划分，任何一采样点的状态值经过神经网络结构计算后都会准确的映射成状态矢量；

(3)对极间间隙放电状态的检测，采用统计方法，以一组采样点为单位，分析、比较统计数据；电火花加工间隙放电状态的划分准则：在一组采样点的放电状态矢量经统计求和后，首先比较开路元素值与短路元素值的大小，然后计算代表开路状态的元素值与代表短路状态的元素值之和占代表正常火花/电弧状态的元素值、代表开路状态的元素值和代表短路状态的元素值之和的比率，若开路元素值大于短路元素值，如果上述比率大于2/3，则间隙放电状态是开路状态，如果小于2/3，则间隙放电状态是正常火花放电状态；若开路元素值小于短路元素值，若上述比率小于1/3，则间隙放电状态是正常火花放电状态；若比率大于1/3而小于3/7，则间隙放电状态是过渡电弧放电状态；若比率大于3/7而小于5/9，则间隙放电状态是稳定电弧放电状态；若比率大于5/9，则间隙放电状态是短路状态。

Images