用户,您好,欢迎您进入NSTL重点领域信息门户! 登录 | 注册  帮助中心
重点领域信息门户
您当前的位置: 首页 > [2017年第2期]情报条目详细信息

编译内容

编译服务: 数控机床与工业机器人 编译者: 杨芳 编译时间: Jun 20, 2017 浏 览 量: 8

 智能机床最早出现在赖特(P·K·Wright)与伯恩(D·A·Bourne)1998年出版的智能制造研究领域的首本专著《智能制造》(Manufacturing Intelligence)中。由于对先进制造业具有重要作用,智能技术引起各个国家的重视。美国推出了智能加工平台计划(SMPI);欧洲实施 “Next Generation Production System”研究;德国推出了“Industry 4.0”计划;中国中长期科技发展对“数字化智能化制造技术”提出了迫切需求,并制定了相应的“十三五”发展规划;在2006年美国芝加哥国际制造技术展览会(IMTS2006)上,日本Mazak公司推出的首次命名为“Intelligent Machine”的智能机床和日本Okuma公司推出的命名为“thinc”的智能数控系统,开启了数控机床智能化时代。 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~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,并对未来进行了展望。

  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。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~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~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

  随着MEMS(微机电系统)技术、嵌入技术、智能材料与结构等技术的发展,传感器趋向小型化。MEMS微传感器、薄膜传感器以及光纤传感器等微型传感器的成熟应用,为传感器嵌入数控机床奠定了基础。 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~能,而且具有自学甚至思维能力。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~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~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~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。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~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。

  数控机床在加工过程中的热源包括轴承、滚珠丝杠、电机、齿轮箱、导轨、刀具等。这些部件的升温会引起主轴延伸、坐标变化、刀具伸长等变化,造成机床误差增大。由于温度敏感点多、分布广,温度测试点位置优化设计很重要,主要方法有遗传算法、神经网络、模糊聚类、粗糙集、信息论、灰色系统等[6]。在确定了温度测点的基础上,常用神经网络、遗传算法、模糊逻辑、灰色系统、支持向量机等来进行误差预测与补偿。

  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。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。

  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、~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。 随着自动化程度的提高,数控机床集成越来越多的~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。 研究人员不断探索和研究智能~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~能强的方法,尚需深入发展简洁、快速、适应性强的智能方法。

  智能部件数控机床机械部分主要包括支撑结构件、主传动件、进给传动件、刀具等部分,涉及到床身、立柱、主轴、刀具、丝杠与导轨以及旋转轴等部件。这些部件可以集成智能传感器的一种或几种智能~能构成数控机床智能部件。

  主轴是主传动部件,作为核心部件,直接关系到工件加工精度。由于主轴转速较高,特别是电主轴,发热、磨损、振动对加工质量影响很大,因此,越来越多的智能传感器被集成到主轴中,实现对工作状态的监控、预警以及补偿等~能。日本山崎马扎克研制的“智能主轴”,装有温度、振动、位移及距离等多种传感器,不但具有温度、振动、夹具寿命监控和防护~能,而且能够根据温度、振动状态,智能协调加工参数。瑞士Step-Tec、IBAG等制造的电主轴,装有温度、加速度、轴向位移等多种传感器,如图3所示,能够进行热补偿、振动监测等。

  
提供服务
导出本资源