发明内容
本发明的目的在于克服现有技术的上述不足,提出面向电加工专用数控系统加工间隙的智能控制系统及方法,根据放电状态监测数控电加工机床的放电间隙,提高监测的精度,以提高电加工的效率和稳定性。
本发明为实现上述目的所采用的技术方案是:一种面向电加工专用数控系统加工间隙的智能控制系统,包括:
放电电压采样模块,用于对电压信号的A/D转换,根据电压波形,获取电压数据序列,并计算电压均值;
高频脉冲分析模块,通过分析脉冲信号,对电压不同频率的脉冲进行计数,根据高频脉冲比例大小,得出加工效率;
模糊控制模块,用于根据电压期望判定间隙大小,并向伺服输出速度比率;
BP神经网络控制模块,用于根据高频信号比例和模糊控制模块输出间隙大小调整模糊控制模块的推理过程
模糊控制模块,用于根据电压期望判定间隙大小,并向伺服输出速度比率。
所述放电电压采样模块包括
A/D转换模块,用于将放电脉冲采样为数字信号;
电压均值输出模块,用于根据所述数字信号获取电压数据序列,计算得到电压均值,并输出到模糊控制模块。
所述BP神经网络控制模块包括
训练模块,根据从模糊控制模块中选取输出采样样本,并用采样样本训练神经网络;
调整模块,用于当模糊控制控制效果变差时,启动BP神经网络,根据高频脉冲分析模块输出结果判断间隙大小,并据此调整模糊控制门槛电压。
所述模糊控制模块包括:
模糊化处理模块,根据设定的门槛电压和采样器输出结果,得到误差和误差变化,将连续的误差和误差变化数据转换为离散量;
模糊推理模块,根据设定的模糊推理规则控制表和模糊化处理模块的输出数据,得出间隙大小的模糊量;
反模糊处理模块,根据模糊推理模块的输出数据,得出间隙大小的精确量,输出到伺服中,控制电极运动速度和方向。
一种面向电加工专用数控系统加工间隙的智能控制方法,包括以下步骤:
对电压波形进行预处理;
用模糊控制算法和BP神经网络算法分析预处理结果,并输出相对间隙值;
将所述相对间隙值转化为最佳相对电极速度,结合电极最大速度,得到最佳电极速度并发送到伺服,使加工间隙等于相对间隙值。
所述对电压波形进行预处理包括以下步骤;
将连续的波形模拟信号,转换为离散的数字信号,计算电压均值;
分析数字信号,得出高频脉冲比例和加工效率。
所述模糊控制算法包括以下步骤:
获取控制量的精确值,计算得到误差E和误差变化ΔE:
ΔE=ES-Et,-2≤ΔE≤2;(5)
其中,表示电压期望为电压采样模块输出量,Umin、Umax表示门槛电压为已知量可根据BP神经网络调整,E电源表示电源电压为已知量,ES、Et为前一个插补周期和当前插补周期的误差E;将误差和误差变化信号作为输入量,得到精确控制量输出伺服。
所述模糊控制算法还加入影响因子,调整误差和误差变化对精确控制量的影响程度:若E的影响因子为α,ΔE的影响因子为1-α;其中α大小可变,且与的绝对值正相关,根据实验数据设定;
在模糊推理和模糊计算时,若加入影响因子,仅需将误差和误差变化变为相乘即可,即
ΔE=(1-α)*ΔE E=α*E (6)
所述BP神经网络算法包括以下步骤:
判断最近5~20个插补周期的工作效率是否达到预定要求,若符合要求则训练样本,否则根据高频信号比例和电压方差,通过传统BP神经网络算法,判定间隙大小;
将判定的间隙大小同模糊控制算法中的间隙大小比较,来修改模糊控制模块的推理过程。
所述修改模糊控制模块的推理过程,具体为:
通过修改门槛电压的大小,来改变模糊控制模块的推理过程:
其中,S1为模糊控制输出间隙,S2为神经网络输出间隙。u1、u2为电压阈值,u1>u2,β1、β2分别为u1、u2的调整因子;对每个插补周期求调整因子,得到调整因子序列;为序列均值;调整后的电压阈值为u1′,u2′。
本发明具有以下优点:
1.在模糊控制中加入误差和误差变化的影响因子,以获得最佳阶跃响应特性,系统响应快,超调小。
2.通过速度比率和最大速度实现对进给速度的连续控制,控制精度高。
3.BP神经网络和模糊控制相结合的方法提高了系统的自适应性。模糊控制器通过建立查询表可以快速计算输出量速度比率。BP神经网络分析加工效率,训练样本,并根据误差改变电压阈值,间接调整模糊规则,提高加工效率。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
放电电压采样模块,用于对电压信号的A/D转换,根据电压波形,获取电压数据序列,并计算电压均值。对放电脉冲的采样通过硬件实现,采样转换过程中,根据奈奎斯特采样定理,只有当采样频率至少大于信号最高频率2倍时, 采样之后的数字信号才能完整地保留原始模拟信号中的信息,一般实际应用中保证采样频率为信号最高频率的5~10倍。由于放电脉冲频率很高,为尽可能的减小失真,要求尽量提高采样频率。采样后计算均值和方差传送给模糊控制模块,进行下一步计算。
高频脉冲分析模块,根据电加工五种加工状态,与间隙大小,高频脉冲比例大小的关系,可依据高频脉冲比例,判断加工间隙大小。高频脉冲分析模块,可以通过分析脉冲信号,对电压不同频率的脉冲计数,得出加工效率并将结果输出到BP神经网络,得到当前间隙大小。
BP神经网络控制模块,基于人工智能中的BP神经网络算法的控制模块,根据高频信号比例和模糊控制模块输出间隙大小调整模糊控制模块的推理过程,提高自适应性和精确度。首先通过最近5~20个插补周期的工作效率判断模糊控制模块控制效果,若符合要求且间隙测量精确则训练样本,否则若加工效率过低则根据高频信号比例和电压方差等信息,通过传统BP神经网络算法,判定间隙大小。判定结果同模糊控制模块中的间隙大小比较,并以此为依据,修改模糊控制模块的推理过程。例如,可以通过修改门槛电压的大小,来改变模糊控制模块的推理过程。一种实现的具体方式如公式1、2、3所示,S1为模糊控制输出间隙,S2为神经网络输出间隙。u1,u2为电压阈值(u1>u2)。β1,β2分别为u1,u2的调整因子。对每个插补周期求调整因子,得到调整因子序列。为序列均值。调整后的电压阈值为u1′,u2′。
模糊控制模块,基于人工智能中的模糊控制算法的控制模块,根据电压期望判定间隙大小,并向伺服输出速度比率。首先,模糊控制模块获取控制量的精确值,计算比较得误差E和误差变化ΔE。将误差和误差变化信号作为模糊控制模块的一个输入量,结合门槛电压法,误差及其误差变化计算方式如公式4,5所示(表示电压期望为电压采样模块输出量,Umin、Umax表示门槛电压为已知量可根据BP神经网络调整,E电源表示电源电压为已知量,ES、Et为前一个插补周期和当前插补周期的误差E)。通过人工智能中的模糊控制算法,得到精确控 制量输出伺服。为尽快消除误差,减小超调,还可加入影响因子,调整误差和误差变化对精确控制量的影响程度。若E的影响因子为α,ΔE的影响因子为1-α,α大小可变,且与的绝对值正相关,具体可根据实验数据设定。在模糊推理和模糊计算时,若加入影响因子,仅需与误差和误差变化相乘即可。
最后应当说明,以上系统仅用以说明本发明的技术方案而非对其限制,尽管参照较佳的系统实现对本发明进行了详细的说明,依然可以对本发明具体实施方式进行修改或者对部分技术特征等同替换,而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
ΔE=ES-Et -2≤ΔE≤2; (5)
ΔE=(1-α)*ΔE E=α*E (6) 。