数控机床如何实现智能化？
发布时间：2017-06-10
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。 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。 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。
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功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、预警以及补偿等功能。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功能，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。
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
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、分析等功能，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。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。
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。