数控机床智能化技术
2021-08-09
本文从传感器出发，将数控机床的智能技术按层次划分为智能传感器、智能功能、智能部件、智能系统等部分，对智能技术进行了总结，指出不足，揭示了发展方向。
智能传感器
由机床、刀具、工件组成的数控机床制造系统在加工过程中，随着材料的切除，伴随着多种复杂的物理现象，隐含着丰富的信息[3]。在这种动态、非线性、时变、非确定性环境中，数控机床自身的感知技术是实现智能化的基本条件。
数控机床要实现智能，需要各种传感器收集外部环境和内部状态信息，近似人类五官感知环境变化的功能，如表1所示。对人来讲，眼睛是五官中最重要的感觉器官，能获得90％以上的环境信息，但视觉传感器在数控机床中的应用还比较少。随着自动化和智能化水平的提高，视觉功能在数控机床中将发挥越来越重要的作用。
表1 数控机床可用传感器
由于制造过程中存在不可预测或不能预料的复杂现象和奇怪问题，以及所监测到的信息存在时效性、精确性、完整性等问题，因此，要求传感器具有分析、推理、学习等智能，这要求传感器要有高性能智能处理器来充当“大脑”。美国高通公司正在研制能够模拟人脑工作的人工智能系统微处理器。将来可通过半导体集成技术，将高性能人工智能系统微处理器与传感器、信号处理电路、I/O接口等集成在同一芯片上，形成大规模集成电路式智能传感器，不但具有检测、识别、记忆、分析等功能，而且具有自学习甚至思维能力[4]。相信随着计算机技术、信号处理技术、MEMS技术、高新材料技术、无线通信技术等不断进步，智能传感器将会在数控机床智能感知方面带来全新变革。
智能功能
数控机床向高速、高效、高精化发展，要求数控机床具有热补偿、振动监测、磨损监测、状态监测与故障诊断等智能功能。融合几个或几种智能传感器，采用人工智能方法，通过识别、分析、判断及推理，实现数控机床的智能功能，为智能部件的实现打下基础。
数控机床的误差包括几何误差、热（变形）误差、力（变形）误差、装配误差等。研究表明，几何误差、热误差占到机床总误差的50%以上，是影响机床加工精度的关键因素，如图1所示[5]。其中，几何误差是制造、装配过程中造成的与机床结构本身有关的误差，随时间变化不大，属于静态误差，误差预测模型相对简单，可以通过系统的补偿功能得到有效控制，而热误差随时间变化很大，属于动态误差，误差预测模型复杂，是国际研究的难点和热点。
图1 数控机床加工误差来源（百分比）
在航空航天领域，随着钛合金、镍合金、高强度钢等难加工材料的广泛应用，以及高速切削条件下，切削量的不断增大，刀具、工件间很容易发生振动，严重影响工件的加工精度和表面质量。由于切削力是切削过程的原始特征信号，最能反映加工过程的动态特性，因此可以借助切削力监测与预报进行振动监测。借助测力仪、力传感器、进给电机的电流等，利用粒子群算法、模糊理论、遗传算法、灰色理论等对切削力进行建模和预测[8]。考虑到引起机床振动的原因主要有主轴、丝杠、轴承等部件，也可以采集这些部件的振动、切削力、声发射等信号，利用神经网络、模糊逻辑、支持向量机等智能方法直接进行振动监测[9]。
刀具安装在主轴前端，与加工工件接触，直接切削工件表面，对加工质量的影响是最直接和关键的。刀具磨损、破损等异常现象影响加工精度和工作安全。鉴于直接测量法需要离线检测的缺陷，常采集电流、切削力、振动、功率、温度等一种或多种间接信号，采用RBF神经网络、模糊神经网络、小波神经网络、支持向量机等智能算法对刀具磨损状态进行智能监测[10]。
随着自动化程度的提高，数控机床集成越来越多的功能，复杂程度不断提高。为了高效运行，对数控机床的内部状态进行监测与性能评价、对故障进行预警与诊断十分必要。由于故障模式再现性不强，样本采集困难，因此BP神经网络等要求样本多的智能方法不适合这种场合。状态监测与故障诊断常采用SOM神经网络、模糊逻辑、支持向量机、专家系统和多Agent等智能方法[11-12]。
研究人员不断探索和研究智能功能的新方法或多种方法的混合，但大部分集中在实验室环境下，缺少实时性高、在线功能强的方法，尚需深入发展简洁、快速、适应性强的智能方法。