双斜面活塞环的测量

作者:xingyang                         时间：2010-12-02

轴承及轴承相关技术文章（轴承型号查询网提供） 关键字：轴承,加工系统 多模态 模糊控制 制造系统的发展经历了自动机、自动线、数控系统、FMS与CIM等阶段，目前正朝着高度集成化和高度智能化的智能制造系统(Intelligent Manufacturing System,IMS)等先进制造技术方向发展。加工系统的智能控制是IMS发展的重要内容，是使制造系统具有快捷灵活响应市场需求能力的基础。另外，加工过程的智能控制是加工过程自适应控制技术的有效发展，是解决加工过程自适应控制模型化困难等瓶颈问题的有效途径［1］。　　加工过程自适应控制是加工系统NC控制的重要延伸，旨在通过在线修改加工参数来优化加工过程，提高加工效率或其它指标，并获得最优的过程动态性能，因此，自适应加工系统是制造自动化发展的重要支持与重要内容。然而，研究实践表明，由于加工过程具有非线性、时变性和非最小相位性，传统的自适应控制技术难以对其实现自适应控制。对于复杂过程控制而言，由于控制任务的复杂化和高的控制要求，使得基于单一控制策略的系统，无论是传统控制还是模糊控制，都难以获得理想的最优控制结果。这是因为传统控制受对象模型的限制，而模糊控制则受控制器设计者的知识及其对控制对象理解程度的影响，而且模糊控制的知识容量和控制的时实性是矛盾的，控制知识越丰富，控制范围可以更广泛，系统的鲁棒性和稳定性可以提高，但却减缓了系统的响应速度。为了处理复杂的控制问题，G.N.Saridis等人提出了著名的分层递阶智能控制思想，我们在此基础上提出了一种有效、实用的加工系统多模态智能控制方案。 加工系统的过程控制特性分析　　自适应控制以研究对象模型为基础，为了有效地对加工过程进行自适应控制，不少研究者对加工过程的动态特性进行了研究［1,3,4］，大量的研究实践证明，加工过程是一类时变性、不确定性系统［2,3］。最具代表性的是Landerbaugh与Ulaoy的研究工作，建模实验条件为：Φ12.7mm高速钢四刃立铣刀；主轴转速N=550r/min；进给速度Vf=50.8mm/min；工件材料为冷轧钢；采样周期Ts=0.05s，得到了变切削深度条件下的铣削过程模型，下表为在Ap1=2.54mm，Ap2=1.91mm，Ap3=3.91mm等不同铣削深度条件下建立的加工过程模型参数。　　加工过程模型Fc(k)=ΨT.θ；ΨT=［b0，b1，a1，a2］；θ=［u(k-1),u(k-2),Fc(k-1)，Fc(k-2)］。表　不同铣削深度时的铣削模型参数Ap(mm)Ts(s)b0b1a1a22.541.913.810.050.050.051.39070.83463.08611.32570.83632.82421.82181.96421.7451-0.8409-0.9773-0.7655　　分析表中参数可知：　　1. 在不同的切削深度下，过程模型的参数是变化的，即过程是时变的；　　2. 在一定条件下，过程的模型零点会移至单位圆外，如表中数据，当切削深度Ap2=1.91mm时，模型的零点Z=-b0/b1=-1.0021处于单位圆外，即说明加工过程为一非最小相位系统。自适应控制理论研究已表明，对于非最小相位系统，传统自适应控制系统的实现具有困难性［1,2］。 加工系统的多模态智能控制系统　　加工系统的多模态智能控制系统结构如图1，系统由两层组成：底层由并行结构的自适应模糊控制器、模糊自校正的PI控制器以及Bang-Bang控制器组成；上层为过程监测器与控制决策器。控制决策器根据对象监测器的监测结果作出判断和决策，进行控制策略切换，以适应不同工况下的控制要求。多模态智能控制中，关键技术是如何建立控制模态的决策与切换机制，并在大偏差时采用Bang-Bang控制、在稳态附近采用PI控制的模糊切换策略。[img]http://www.jinkouzc.com/0904221643482633.bmp[/img]图1　加工过程的多模态并行智能控制系统　　模糊控制以其不依赖于对象特性而得到广泛的工业应用，然而在实际应用中它同时存在两方面的问题，其一是模糊控制实时系统所采用的离散控制决策表影响了系统的稳定控制性能，其二是对时变对象控制的适应性弱。本文中采用了以下策略：　　1. 为了改善系统的稳态控制性能，在稳态附近采用了PI控制，利用积分控制来消除静态误差；　　2. 为了提高宽域范围内的模糊控制响应速度，使大偏差过程能尽快进入新的稳态，在大偏差时采用了Bang-Bang控制；　　3. 由于复杂过程控制中的控制参数难以整定，而且它们本身也是互相矛盾的，如稳态特性良好的PID参数，往往动态特性较差，对强扰动的应变能力差，单一控制参数和模糊规则往往难以获得最优的控制效果，故在本文中采用了模糊自校正PI控制和自适应模糊控制相结合的方案。控制模态及其算法　　1. 加工过程状态的监测　　为了有效监测加工过程状态并进行控制策略的有效切换，可以将过渡过程划分为如图2所示的4种状态，包括3种基本状态：大偏差态、中间态与近稳态，具体判据为：　　1)大偏差态：｜e｜＞δ1；　　2)中间态：δ0＜｜e｜≤δ1；　　3)近稳态：｜e｜≤δ0。[img]http://www.jinkouzc.com/0904221643563166.bmp[/img]图2　过程状态及其控制策略　　δ1、δ0由下列模糊关系确定：δ1≈K1δ，δ0≈K0δ，δ为控制保持精度要求。K0、K1分别为在论域K0∈［2，3］，K1∈［10，15］范围内的模糊值，其精确值由模糊决策确定。在过程状态监测的基础上，对处于不同状态的过程采用如下控制方法：　　MC1：If　过程处于正大偏差态　　　　　Then Bang-Bang控制1(U=UH)　　MC2：If　过程处于负大偏差态　　　　　Then Bang-Bang控制2(U=UL)　　MC3：If　过程处于中间态　　　　　Then 自适应模糊控制(U=UF)　　MC4：If　过程处于近稳态　　　　　Then 模糊自校正PI控制(U=UPI)　　2. 模糊自校正PI控制　　由于在本文中PI控制主要在近稳态起作用，以改善稳态保持性能，它的调节策略是首先调节比例参数Kp，然后仔细调节积分参数KI以消除稳态误差、改善稳态性能，基本调节规则为：　　1)若系统出现微振荡(＞δ0)则减少KP；　　2)若系统连续出现超调(＞δ)现象则减少KI；　　3)否则保持或适当增大KI；　　4)KI与KP的初始值根据系统开环增益决定。　　3. 模糊自适应控制　　对于强时变系统，为了获得好的控制特性，提出了一种基于规则合成因子调节的模糊自适应控制方案，如图3所示。基于模糊规则合成表示的模糊知识库可以用以下解析式表示［5］：　　U(t)=［αE(t)+(I-α)CE(t)］　α∈［0，1］[img]http://www.jinkouzc.com/0904221644067717.bmp[/img]图3　加工过程自适应模糊控制式中α称为规则修正因子，E、CE为误差与误差变化的模糊值。我们曾提出了以下模糊规则合成因子α的调节规则［1］：　　1)当e(t).ce(t)＜0时，增大α，能减少系统阻尼，并加快响应速度，减少过渡时间；　　2)当e(t).ce(t)≥0时，减小α，能增大系统阻尼，抑制超调。为此提出一种有效的模糊规则合成因子α调节方案，具体如下，其中ξ为修正步长，一般取ξ=0.01～0.05。[img]http://www.c-cnc.com/news/file/2008-8/20088231122.gif[/img]　　另外，自适应模糊控制器还对输出量化因子进行自适应调整，调整算法如下：　　GU(t)=Fr/［CS.KP(t)］式中：KP为过程增益，CS≈0.5。　　加工过程多模态智能控制实验结果　　为进行比较，在我们的研究中分别采用所提出的多模态智能控制、单一自适应模糊控制以及单一模糊自校正PI控制等3种方案对变切削深度的加工过程进行控制，切削深度分别为：AP1=2.54mm，AP2=1.91mm，AP3=3.91mm。　　实验结果如图4所示，图中Vf为切削进给速度，Fc为加工过程切削力。[img]http://www.jinkouzc.com/0904221644186390.bmp[/img]图4　加工过程控制结果　　实验结果表明：　　1)多模态策略能获得比PI控制更好的过渡性；　　2)能有效消除模糊控制的稳态波动性；　　3)由于采用了Bang-Bang控制使得大偏差的过渡态能尽快进入新的稳态，则采用多模态策略能有效地同时提高系统的过渡特性和稳态特性。　　通过实验得出如下结论：　　1. 对于复杂的控制问题，单一的控制策略难以获得最优的控制结果，需要采用多模态控制方法，多模态控制的关键在于过程状态的识别以及相应控制策略的切换，本文采用了基于分层递阶智能控制思想的二层结构来组织系统，并在上层完成精度低但智能度高的过程监测与控制决策等任务，而在下层执行精度要求高的具体控制过程。　　2. 模糊控制、PID控制是在工业过程控制中取得广泛应用的两类控制方法，它们在不同的方面具有不同的优点，我们的研究结果表明，在不同的过程状态下采用不同的控制策略能有效提高复杂控制系统的全局最优性。　　3. 多模态控制具有比单一模态控制更好的全局控制性能，实现了对时变加工过程的有效控制。【MechNet】

上一篇：车身尺寸累积误差消除技术

下一篇：金刚石表面Cr金属化的界面扩散反应研究