基于BP神经网络数控机床切削能耗的研究.pdf

2 0 1 2年 1月 第 4 0卷 第 1 期 机床与液压 MAC HI NE TO0L ＆ HYDRAULI CS J a n ． 2 01 2 Vo 1 ． 4 0 No ． 1 DO I 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 2 ． 0 1 ． 0 1 5 基于 B P神经网络数控机床切削能耗的研究 谢 东，陈国荣，施金 良，许弟建，王锋 重庆科技 学院，重庆 4 0 1 3 3 1 摘要数控机床的能耗来源于工作时的电动机空载和切削过程中的负载消耗。分析切削过程中的切削速度、进给速 度、切削深度等切削参数对数控机床能耗的影响；基于 B P神经网络搭建数控机床能耗与切削参数的模型，简化了经验公 式繁琐的计算过程；利用遗传算法对切削参数进行优化。对比试验表明用优化后的参数进行加工，能明显地降低能耗， 为加工过程能耗控制提供了一个良好的方案。 关键词数控机床；切削参数；节能；B P神经网络 中图分类号 T G 5 0 1 文献标识码 A 文章编号 1 0 0 1 3 8 8 1 2 0 1 2 1 0 5 4 4 Re s e a r c h o n CNC M a c h i ne To o l Cu t t i n g En e r g y Co n s u mp t i o n Ba s e d o n BP Ne u r a l Ne t wo r k X I E D o n g ，C HE N G u o r o n g ，S HI J i n l i a n g ，X U D i j i a n ，WA N G F e n g C h o n g q i n g U n i v e r s i t y o f S c i e n c eT e c h n o l o g y ，C h o n g q i n g 4 0 1 3 3 1 ，C h i n a Ab s t r a c t T h e n u me ric a l c o n t r o l ma c h i n e t o o l e n e r g y c o n s u mp t i o n i s o ri g i n a t e d f r o m t h e e l e c t r i c mo t o r i d l e r a c i n g a n d t h e c u t t i n g p r o c e s s ． T h e i n fl u e n c e s o f c u t t i n g s p e e d，f e e d s p e e d， c u t t i n g d e p t h o n CNC ma c h i n e t o o l e n e r g y c o n s u mp t i o n we r e a n a l y z e d ． T h e mo d e l o f C NC ma c h i n e t o o l e n e r g y c o n s u mp t i o n a n d c u t t i n g p a r a me t e r s w a s e s t a b l i s h e d b a s e d o n B P n e u r a l n e t wo r k， a n d c a l c u l a t i n g p r o c e s s o f e mp i ri c a l f o r mu l a w a s s i mp l i fi e d ． T h e c u t t i n g p a r a me t e r s w e r e o p t i mi z e d b y g e n e t i c a l g o ri t h m． Ex p e r i me n t a l c o mp a ri s o n S H O W S e n e r gy c o n s u mp t i o n i n c u t t i n g p r o c e s s c a n b e s i g n i f i c a n t l y r e d u c e d b y u s i n g o p t i mi z e d p a r a me t e r s ． T h i s me t h o d p r o v i d e s a g o o d e n e r g y c o n t r o l s c h e me f o r ma c h i n i n g p r o c e s s ． Ke y wo r d s C NC ma c h i n e t o o l ； C u t t i n g p a r a me t e r ； E n e r g y c o n s e r v a t i o n；B P n e u r al n e t w o r k 提高资源效率是现代制造业的发展趋势。对于制 造业基础的机床制造行业而言，开发研制节能环保的 机床是 2 l 世纪机床制造技术发展的重要趋势之一。 随着数控机床逐渐广泛使用 ，其能耗问题成为当今研 究的热门。数控机床的节能可从数控机床的机械结 构 、控制系统结构和方式 、加工工 艺优化 等各个方面 进行综合考虑 。 数控机床作为一个系统 ，伴随着复杂的物料信 息、能量流程以及工艺流程等系统集合、系统相关等 特性 ，使机床节 能问题的分析和建模变 得非常复 杂 ⋯。许多学者 从 不 同角度 进行 了研究 分 析 ，文献 [ 2 ]通过连续检测机床主电动机输入功率和通过主 传动系统功率平衡方程算出能量消耗曲线，提出统计 不同进度 、不同功率的机床在加工相同工件时所造成 的能量损耗情况 ，合理地安排加工机床和生产计划进 度 ，使产品的综合加工成本达到最低 。文献 [ 3 ] 通过动态调节机床空载运行转速，使得能量消耗最 低 ，提出通过缩短变速时间、减少换刀时 间和工件装 夹时间、减少辅助 时间等方法来 降低 能耗。文献 [ 4 ]通过对切削参数 的优化选择和切除率 的预测， 合理选择切削参数来发挥机床的效能。实际中采用变 频技术减小电机启动电流，以及通过恒功率 、恒线速 度等切削加工方式来降低能耗。 文中主要是从切削过程中的工艺参数对能耗的影 响进行 分析和建模 。由于不 同的切削深度 、切削速度 使得机床的负荷不同，其能耗大小不同，因此要提高 切削负荷 ，减少能量损耗 。加工过程 中工艺参数对机 床能耗的影响由于非线性以及涉及因素太多，模型难 以建立 ，本文提出对加工过程的切削参数与数控机床 能耗关系利用神经网络的非线性函数逼近性能来建立 模型，通过获取的切削实验数据进行训练，最后得到 目标函数，然后用遗传算法寻找最优的方案，为加工 过程能耗控制提供一个良好的方案。 1 数控机床切削过程能耗分析 数控机床在实际运行过程中，主要能耗来源是以 下几个方面 1 主轴转动时能耗，它 占到机床能耗的大部 分。当转速越高，切削力越大时，其功率需求越大， 收稿 日期 2 0 1 1 0 1 0 4 基金项目重庆市科委自然科学基金项目 C S T C 2 0 1 0 B B 4 2 9 5 作者简介谢东 1 9 6 7 一 ，副教授，现从事数控技术应用教学科研工作。E m a i l x i e d o n g c q 1 2 6 ． c o n。 第 1期 谢东 等基于 B P神经网络数控机床切削能耗的研究 5 5 能耗 越高 。 2 进给控制轴能耗 ，主要是 由于切削力、进 给抗力反作用和克服工作台运动摩擦力等引起伺服电 机的能耗。进给速度越快，进给抗力反作用越大 ，伺 服电机功率需求较高 ，能耗大。但进给速度快可以得 到较大 的切除率 ，缩短切削 时间。 3 切削深度对能耗也有较大影响，较大的切 削深度需 要较大的切削力 ，使功率要求也更大 ，能耗 增加。但大的切削深度也可以得到较大的切除率 ，缩 短切削时间，从而缩短机床运动时间。 4 机床辅助电器的能耗，如换刀动作 、冷却 泵运行 、排屑系统运行等。一般来说，相对于整个加 工过程 ，换刀动作 和排 屑系统的运行时间较短 ，这里 暂不考虑。机床辅助电气相对于加工过程来说 ，由于 不同加工工艺，其能耗情况不同。文中基于同一工艺 路线，将机床辅助电器的能耗看成常值 ，只与加工时 间长短有关 。 从以上分析可以看出选用高转速，其能耗是较 高的；选用较大的切削深度和切削速度，虽然功率需 求较大 ，但切削时间短，能耗大小难以评价，但大的 切削深度和切削速度对刀具的磨损很大 ，所以如何选 择切削参数，是一个值得研究的问题。 2 数控机床能耗 B P神经网络模型建立 B P神经 网络 B a c k P r o p a g a t i o n N e u r a l N e t w o r k s 是一种误差反向传播神经网络 ，其结构是一种单向传 播 的多层前 向网络 ，也称之 为多层感知 器 ，被 广泛应 用在工程领域 中来 处理非 线性和复杂系统 。 K o l m o g o r o v 定理保证 含有 一个隐含层 的三层 前 向 网络可以逼近任何多变量函数 ，因此，B P神经网络 通常采用三层结构，一般由输人层 、隐含层和输出层 组成 。隐含层和输 出层都有激活 函数 ，一般选 取标 准 S i g m o i d型函数。当对函数拟合精度有更进一步要求 时，可以用增加各层的神经元数来提高。 在进行数控机床能耗 B P神经网络建模设计时 ， 从输入层 、隐含层 、输 出层 的设计 ，网络 的初 始化 ， 训 练算 法的选择 ，训练样本数 的选择 ，学 习速 率的选 择等几个方 面来进行考虑 。 以切削速度 、进给速度 、切削深度为神经网络的 输入变量 ，输入层神经元个数取3 ；机床能耗为输出 变量 ，输出层神经元个数取 1 。由于理论上 已经证 明具有至少一个 s型隐含层加上一个线性输出层的 网络，能够逼近任何有理函数 ，所以设立 1 个带 s型 的隐含层。由于 B P网络隐含层单元的输入输出之间 是单调上升的非线性函数，要求隐含层单元数必须是 一 个 合理的数 目，实 际中应用经验公式来 确定 ，由于 此设计中输入输出点数不多，所以隐含层的元素个数 由样品对数来确定 。该 网络模型的隐含层节点 设定 为 2 0个 。建 立 的 数控机床 B P神经网络 模 型如图 1 所示 。 其 中 1 、 ， 、 1 为神经 网络的输入 ，分 别表示切 削速度 、进给 输 出层 隐 含层 输 入层 图 1 数控机床能耗 B P 神经网络模型 速度和切削深度；Y 为神经网络的输出， 流值通过计算得到，下文讨论。那么有 q一1 Y _厂 磊 一 砂 zi i 90 j i X 一e i 厂 M _ 用测试 的电 1 2 3 其中 为隐含层输出， 和 分别为输入层到隐含 层连接的权值和阈值 ， 和 沙 分别为隐含层到输出 层 的权值 和阈值 ， ． 厂 u 为单 元所采用 的 S i g m o i d型传 递函数 ，／Z 为各层输出加权求和的值。上式即利用神 经网络建立的数控机床的能耗与切削参数的数学模 型。 为了获得权值和阈值 ，必须用 已知的 “ 样板” 数据对神经网络进行训练 ，通过神经网络所在环境的 刺激作用调整它的自由参数 ，使之以一种新的方式对 外部环境做 出反应。通过 “ 样板” 的 “ 学 习和培 训” ，神 经网络可记忆 客观事物在 空间 、时间方 面 比 较复杂的关系，建立起与实际相似的模型。 3 实验方案及数据获取 为 了获取 数控机床 能耗 与切 削参数数据，实验方案设计要简 洁同时便于操作 ，选 择数控 车床 为测试对象 ，加工形 式采用 外 圆 纵车 粗 加 工 ，工 件 选 用 6 4 0棒 料，走矩形路径 ，加工部分长度 为 1 5 m m，加 工 零件 图样 如 图 2 所示 。 图2 试验零件图 机床选用 C K 6 1 3 6数控机床，其参数为主轴电 机功率 5 ． 5 k W，效 率 卵0 ． 7 5 ，伺服 电机 轴取 1 k W，z 轴取 1 k W，刀具材料 硬质合金 Y T 1 5 ，工 件材料为低碳钢 ，切削时加冷却液。 在数控机床上设定主轴转速和进给速度，通过机 床倍率参数的调整来改变实际主轴转速和实际进给速 度 ，切削深度在0 ． 5～1 ． 5 m m之间逐级变化 ，通过 数控加工程序循环执行。因为切削过程用到的对象是 直径为 4 0 m m的棒料，每次进刀都会减少一定直径 值，这个直径值的变化将影响切削速度，所以切削速 度是利用实际工件直径与主轴转速的乘积来换算。进 5 6 机床与液压 第4 0卷 给速度通过数控程序和机床面板倍率值进行调节。 在机床总进线端 口测量其三相交流电中的某一相 电流值，来计算数控机床在工作过程中功率大小，记 录完成相同工序所需时间，通过计算得到能量消耗情 况。 如前所述设计一个简单的矩形路径，以便记录空载和 负载时间，则机床切削过程的总的能耗为 E P c t c P N t N 4 式中E是完成此次工序切削的总能耗 ，P 为切削 时的功率 ，t 是切削时间，P 是空转功率，t 是空 即便是一次简单切除加工过程，都应包含空载和 转时间。 负载两种情况。空载是刀具没有切削到工件的情况， 切削实验方案如表 1 所示。 表 1 切削实验方案表 实测到电流后 ，用下式计算切削功率和空载功 率 P o s 5 其中U 3 8 0 V，c o s p取0 ． 8 。 为了便于实验和编程，这里将切削深度分 为 5 挡 、进给速度分为 3挡进行 ，由于工件直径不断减 小 ，只把主轴转速分为 7挡，最后换算为切削速度， 一 共得到 1 0 5组数据 ，取 1 0 0组有效数据作为样本数 据 。 由于切削速度与进给速度和计算出的能耗数值相 差太大，在进行神经网络建模的时候，首先对数据进 行归一化处理。为了不改变原数据间的相互关系，即 将各变量数据中最大值作为基数 ，该列数据中各值与 其最大值相除得到的数据作为网络输入数据。经整理 后 的数据如表 2所示 。 表 2 部分实验数据归一化后的数据 4 模型训练及参数优化 模型训练就是利用 B P神经网络在模型未知的情 况下，用已有的输入输出数据，对构建的神经网络进 行 “ 训练” ，用其 自身调节权值的能力建立起一个与 实际模型相近的神经网络模型的过程。 通过上述得到的数控机床能耗 B P神经网络模型 结构和实验中大量的数据，对神经网络进行训练 ，选 的 目标 误差 1 0 一，如 图3 网络训练结果 图 3所 示 。 使用 s i m函数 ，用 1 0 0组训练样本数据来检验该 神经网络建立的模型，并且 比较 网络输出和 目标输 出，结果如图4 所示。 作出神经网络输出与实际输出的误差曲线 ，如图 5所示，可以发现利用神经网络建立的数控机床节 能模 型是可行 的，误 差在很小 的范围 内，最大仅 0 ． 08。 7 6 5 弭4 薅 3 2 1 0 0 ． 0 8 O． 0 6 0 ． 0 4 0． 0 2 0 ． 0 ． 0 2 ．0 ． 0 4 一O． 0 6 0 ． 0 8 0 2 0 4 0 6 0 8 0 1 0 0 样 本 组数／ 组 图4 神经网络输出和 图5 神经网络输出与实 实际输出比较 际输出的误差曲线 基于神经网络建立数控机床的能耗模型，得到数 控机床能耗与切削参数的目标函数，利用遗传算法来 寻找切削参数对数控机床能耗的最优值，对切削参数 第 1 期 谢东 等基于 B P神经网络数控机床切削能耗的研究 5 7 引起的机床能耗做出验证。 遗传算法 G e n e t i c A l g o r i t h m是一种通过模拟 自然进化过程搜索最优解的方法，由于其整体搜索策 略和优化搜索方法使其在计算时不依赖于梯度信息或 其他辅助知识，只影响搜索方向的目标函数和相应的 适应度函数 ，所以遗传算法提供了一种求解复杂系统 问题的通用框架 ，不依赖于问题的具体领域，对问题 的种类有很强的鲁棒性 ，特别是对一些非线性、多模 型、多 目标的函数优化问题，利用遗传算法可以方便 地得到较好的结果 。 在 M A T L A B遗传算法工具箱中建立寻优算法，初 始种群选为 2 0 ，二进制编码位数选为 1 0 ，交叉概率选 为0 ． 7 ，变异概率选为0 ． 7 ／ 1 0 3 0 ． 0 2 3 ，经过 1 0 0 次的迭代得到单 目标优化值和相应的最优解。 根据优化结果 ，换算为对应的切削参数分别为 切削速度 1 8 ． 5 2 m ／ m i n ，进给速度f 0 ． 7 m m ／ r ， 切削深度 a 1 ． 5 m m，利用神经网络模型计算 出能 耗值为 9 ． 9 41 0 一k W h 。用优化的参数按照上述实 验方案进行实际加工测试，采用 3种主轴转速，分别 设定为 3 0 0 、4 0 0 、5 0 0 r ／ m i n ，根据工件直径变化计 算实际进给速度，编程加工 ，测试机床某一相的电流 值 ，计算功率再乘上测试时间后 ，得到3次实测的能 耗分别为 1 0 ． 3 2 、1 0 ． 8 6 、l 0 ． 9 51 0～k W h ，与切削 能耗模型基本一致。 对比切削参数经验值情况 ，同样工作条件下，采 用 1 0 0 m ／ m i n ， f 0 ． 2 m i n ／ r ，a 1 ． 5 m m，通过 神经网络计算能耗值 为 1 4 ． 1 51 0一k W h ，实际测 试其能耗为 1 5 ． 3 41 0 ～k W h 。优化后的切削参数 节能效果 明显 。 5结论 分析切削参数对数控机床能耗的影响，利用实验 数据，建立了数控机床能耗与切削参数的神经网络模 型，用遗传算法对 目标函数的参数进行了寻优 ，再通 过实验，将优化结果输入到数控机床中进行验证。结 果表明采用低的切削速度，低的进给速度和大的切 削深度 ，能使数控机床的能耗得到较好的降低，为数 控机床粗加工过程的能耗控制提供了参考。文中只是 对部分切削工艺参数对数控机床能耗的影响做出了初 步研究，由于影响机床节能的因素还有刀具材料和形 状、工件材料、机床结构等多个方面，数控机床节能 的研究还有待全面进行。 参考文献 【 I 】 刘飞 ， 徐宗俊 ， 但斌． 机械加工系统能量特性及其应用 [ M] ． 北京 机械工业出版社， 1 9 9 5 ． 【 2 】施金良， 刘飞， 许弟建 ， 等． 变频调速数控机床主传动系 统的功率平衡方程 [ J ] ． 机械工程学报， 2 0 0 9 ， 4 6 3 l 1 81 2 4 ． 【 3 】许弟建， 施金 良． 机床功率测试系统设计与节能方法 [ J ] ． 组合机床与自动化加工技术， 2 0 1 0 3 4 7 5 1 ． 【 4 】 赵韩， 冯宝林 ， 董晓慧， 等． 基于改进的 B P神经网络对 切削参数的优化选择[ J ] ． 机床与液压， 2 0 0 8 ， 3 6 5 ． 【 5 】 P a n d y a A b h i j i t s ， M a c y R o b e a B ． 神经网络模式识别及其 实现[ M] ． 徐勇， 荆涛， 译． 北京 电子工业出版社， 1 9 9 9 ． 【 6 】玄光男， 程润伟． 遗传算法与工程设计[ M] ． 北京 科学 出版社， 1 9 9 7 ． 上接第 1 5页 参考文献 【 1 】 夏加宽 ， 苗宇 ， 袁宏． 转台伺服系统模糊 P I D复合控制算 法 [ J ] ． 沈阳工业大学学报， 2 0 0 8 ， 3 0 2 1 3 41 3 8 ． 【 2 】 赵郁峰 ， 雷勇， 王常虹． 基于灰色理论 P I D控制的伺服转 台系统[ J ] ． 四川大学学报， 2 0 0 5 ， 4 2 4 7 3 9 7 4 2 ． 【 3 】 吴艳敏， 崔光照， 黄春， 等． 模糊 自 适应 P I D在转台位置控 制中的应用[ J ] ． 机床与液压 ， 2 0 0 9 ， 3 7 3 1 2 71 2 9 ． 【 4 】V I C E N T E P V， G E R D H ． C h a t t e ri n g f r e e S l i d i n g M o d e C o n t r o l f o r a C l a s s o f N o n l i n e a r Me c h a n i c a l S y s t e ms [ J ] ． I n t e r n a t i o n J o u rna l o f R o b u s t a n d No n l i n e a r C o n t r o l ， 2 0 0 1， 1 1 1 2 1 1 6 11 1 7 8 ． 【 5 】T A N Y K ， P A N D A S K ． S l i d i n g m o d e P o s i t i o n C o n t r o l l e r f o r L i n e a r P e r m a n e n t B r u s h l e s s D C S e r v o M o t o r s [ C ] ／ ／ I n - t e r n a t i o n a l C o n f e r e n c e o n P o w e r E l e c t r o n i c s a n d Driv e s S y s t e ms ， 2 0 0 3 ． 【 6 】 C H E N M S ， H WA N G Y R ， T O M I Z U K A M ． A S t a t e - d e p e n d e n t B o u d a r y L a y e r D e s i g n f o r S l i d i n g Mo d e C o n t r o l [ J ] ． I E E E T r a n s a c t i o n o n A u t o m a t i c C o n t r o l ， 2 0 0 2 ， 4 7 1 O 1 6 7 71 6 8 1 ． 【 7 】高为炳． 变结构控制的理论及设计方法[ M ] ． 北京 科学 出版社 。 1 9 9 6 ． 【 8 】J I A N G K ， Z H A N G J G， C H E N Z M ． A N e w A p p r o a c h fo r s h e S l i d i n g Mo d e C o n t r o l B a s e d o n F u z z y Re a c h i n g L a w [ C] ／ ／ P r o c e e d i n g s o f t h e 4 t h Wo rl d C o n g r e s s o n I n t e l l i g e n t C o n o l a n d Au t o ma t i o n ， 2 0 0 2 6 5 66 6 0． 【 9 】N A Y E E M H a s a n S M， I Q B A L H u s a i n ． A L u e n b e r g e r - s l i d - i n g Mo d e Ob s e r v e r for On l i n e P ara me t e r E s t i ma t i o n a n d Ad a p t a t i o n i n Hi g h - p e rfo rm a n c e I n d u c t i o n Mo t o r Driv e s [ C ] ／ ／ P r o c e e d i n g o f t h e 4 1 s t I E E E C o n f e r e n c e o n I n d u s t r y Ap p l i c a t i o n s ， 2 0 0 6 2 4 4 72 4 5 3 ． 【 1 0 】路强， 沈传文， 季晓隆， 等． 一种用于感应电机控制的新 型滑模速度观测器研究[ J ] ． 中国机电工程学报， 2 0 0 6 ， 2 6 1 8 1 6 41 6 8 ． 【 1 1 】鲍晟， 冯勇， 孙黎霞． 非线性不确定系统的鲁棒滑模观测 器设计[ J ] ． 哈尔滨工业大学学报， 2 0 0 4 ， 3 6 5 6 1 3 61 6 【 1 2 】 孙宜标， 郭庆鼎， 孙艳娜． 基于模糊 自 学习的交流直线 伺服系统滑模变结构控制[ J ] ． 电工技术学报， 2 0 0 1 ， 1 6 1 5 2 5 6 ． 【 l 3 】 达飞鹏， 宋文忠． 基于输入输出模型的模糊神经网络滑 模控制[ J ] ． 自动化学报， 2 0 0 0 ， 2 6 1 1 3 6 1 3 9 ．