數控機床如何實現智能化？
發布時間：2017-06-10
刀具安裝在主軸前端，與加工工件接觸，直接切削工件表面，對加工質量的影響是最直接和關鍵的。刀具磨損、破損等異常現象影響加工精度和工作安全。鑒于直接測量法需要離線檢測的缺陷，常采集電流、切削力、振動、功率、溫度等一種或多種間接信號，采用RBF神經網絡、模糊神經網絡、小波神經網絡、支持向量機等智能算法對刀具磨損狀態進行智能監測。 隨著自動化程度的提高，數控機床集成越來越多的功能，復雜程度不斷提高。為了高效運行，對數控機床的內部狀態進行監測與性能評價、對故障進行預警與診斷十分必要。由于故障模式再現性不強，樣本采集困難，因此BP神經網絡等要求樣本多的智能方法不適合這種場合。狀態監測與故障診斷常采用SOM神經網絡、模糊邏輯、支持向量機、專家系統和多Agent等智能方法。 研究人員不斷探索和研究智能功能的新方法或多種方法的混合，但大部分集中在實驗室環境下，缺少實時性高、在線功能強的方法，尚需深入發展簡潔、快速、適應性強的智能方法。
智能部件數控機床機械部分主要包括支撐結構件、主傳動件、進給傳動件、刀具等部分，涉及到床身、立柱、主軸、刀具、絲杠與導軌以及旋轉軸等部件。這些部件可以集成智能傳感器的一種或幾種智能功能構成數控機床智能部件。
主軸是主傳動部件，作為核心部件，直接關系到工件加工精度。由于主軸轉速較高，特別是電主軸，發熱、磨損、振動對加工質量影響很大，因此，越來越多的智能傳感器被集成到主軸中，實現對工作狀態的監控、預警以及補償等功能。日本山崎馬扎克研制的“智能主軸”，裝有溫度、振動、位移及距離等多種傳感器，不但具有溫度、振動、夾具壽命監控和防護功能，而且能夠根據溫度、振動狀態，智能協調加工參數。瑞士Step-Tec、IBAG等制造的電主軸，裝有溫度、加速度、軸向位移等多種傳感器，如圖3所示，能夠進行熱補償、振動監測等。
智能傳感器由機床、刀具、工件組成的數控機床制造系統在加工過程中，隨著材料的切除，伴隨著多種復雜的物理現象，隱含著豐富的信息。在這種動態、非線性、時變、非確定性環境中，數控機床自身的感知技術是實現智能化的基本條件。 數控機床要實現智能，需要各種傳感器收集外部環境和內部狀態信息，近似人類五官感知環境變化的功能，如表1所示。對人來講，眼睛是五官中最重要的感覺器官，能獲得90%以上的環境信息，但視覺傳感器在數控機床中的應用還比較少。隨著自動化和智能化水平的提高，視覺功能在數控機床中將發揮越來越重要的作用。表1數控機床可用傳感器
隨著MEMS(微機電系統)技術、嵌入技術、智能材料與結構等技術的發展，傳感器趨向小型化。MEMS微傳感器、薄膜傳感器以及光纖傳感器等微型傳感器的成熟應用，為傳感器嵌入數控機床奠定了基礎。 由于制造過程中存在不可預測或不能預料的復雜現象和奇怪問題，以及所監測到的信息存在時效性、精確性、完整性等問題，因此，要求傳感器具有分析、推理、學**等智能，這要求傳感器要有高性能智能處理器來充當“大腦”。美國高通公司正在研制能夠模擬人腦工作的人工智能系統微處理器。將來可通過半導體集成技術，將高性能人工智能系統微處理器與傳感器、信號處理電路、I/O接口等集成在同一芯片上，形成大規模集成電路式智能傳感器，不但具有檢測、識別、記憶、分析等功能，而且具有自學**甚至思維能力。相信隨著計算機技術、信號處理技術、MEMS技術、高新材料技術、無線通信技術等不斷進步，智能傳感器將會在數控機床智能感知方面帶來全新變革。
智能功能數控機床向高速、高效、高精化發展，要求數控機床具有熱補償、振動監測、磨損監測、狀態監測與故障診斷等智能功能。融合幾個或幾種智能傳感器，采用人工智能方法，通過識別、分析、判斷及推理，實現數控機床的智能功能，為智能部件的實現打下基礎。 數控機床的誤差包括幾何誤差、熱(變形)誤差、力(變形)誤差、裝配誤差等。研究表明，幾何誤差、熱誤差占到機床總誤差的50%以上，是影響機床加工精度的關鍵因素，如圖1所示。其中，幾何誤差是制造、裝配過程中造成的與機床結構本身有關的誤差，隨時間變化不大，屬于靜態誤差，誤差預測模型相對簡單，可以通過系統的補償功能得到有效控制，而熱誤差隨時間變化很大，屬于動態誤差，誤差預測模型復雜，是國際研究的難點和熱點。
數控機床在加工過程中的熱源包括軸承、滾珠絲杠、電機、齒輪箱、導軌、刀具等。這于溫度敏感點多、分布廣，溫度測試點位置優化設計很重要，主要方法有遺傳算法、神經網絡、模糊聚類、粗糙集、信息論、灰色系統等[6]。在確定了溫度測點的基礎上，常用神經網絡、遺傳算法、模糊邏輯、灰色系統、支持向量機等來進行誤差預測與補償。
在航空航天領域，隨著鈦合金、鎳合金、高強度鋼等難加工材料的廣泛應用，以及高速切削條件下，切削量的不斷增大，刀具、工件間很容易發生振動，嚴重影響工件的加工精度和表面質量。由于切削力是切削過程的原始特征信號，最能反映加工過程的動態特性，因此可以借助切削力監測與預報進行振動監測。借助測力儀、力傳感器、進給電機的電流等，利用粒子群算法、模糊理論、遺傳算法、灰色理論等對切削力進行建模和預測。考慮到引起機床振動的原因主要有主軸、絲杠、軸承等部件，也可以采集這些部件的振動、切削力、聲發射等信號，利用神經網絡、模糊邏輯、支持向量機等智能方法直接進行振動監測。