基于神经网络的数控技术线切割加工状态建模技术研究

1 系统的结构与功能

　　为了实现数控线切割加工状态实时监测与控制的任务要求，本文提出了如图1所示的状态监控系统。整个系统由特征信号采集子系统、网络学习子系统、运行状态监测子系统及显示与控制子系统组成，各子系统在功能上相互独立，通过数据接口相互联系，每个子系统又分为若干功能模块特征信号采集子系统的任务是实时采集机床运行状态的特征信号并进行必要的信号处理。特征信号通过数据采集卡以软件触发方式送入计算机。状态监测子系统包括加工区工作状态辩识和运行状态综合劣化度监测两个模块。分别是基于人工神经网络技术对加工区工作状态进行辩别及在线对机床运行状态综合劣化度进行评价。

图1 系统总体结构组成幽

　　显示与控制子系统对状态监测子系统辩识和监测结果进行显示，并在状态异常时完成强制贮丝筒换向和紧急停车等操作。

2 特征信号的采集与处理

　　理论和实验研究表明，间隙电压、间隙电流及电极丝的张力都与数控线切割加工状态有一定的关系，因此，本文将相对空载率φd、相对火花率φe、相对短路率φs、放电间隙电压U、放电间隙电流，及电极丝张力F6种信息作为评价数控线切割机床运行状态的特征信号。

　　目前关于间隙放电状态的检测，主要有射频信号检测、间隙平均电压检测等方法。实验研究表明，火花放电时的间隙电压与短路间隙电压非常接近，难以通过设置电压门槛的方法来区分。但在火花放电过程中通常伴随有强烈的高频信号，这是火花放电状态区别于其他状态的一‘个重要特征。凶此可采用对间隙电压U_g和高频信号V_f进行综合检测的方法，即通过设置高压门槛T_u，低压门槛T_u'。和高频信号门TH，来实现对放电状态的鉴别和测量。以间隙电压和间隙电流为输入量，通过对间隙电压和高频信号的逻辑判别，输出相对空载率φ_A、相对火花放电率φ，和相对短路率φ。

　　对间隙电压和间隙电流的检测，本文选用西南自动化研究所生产的WBV332Q1型脉动直流电压传感器和wBl332Ql型脉动直流电流传感器。此类传感器输入、输出回路完全隔离，输出信号可以直接通过数据采集卡送人计算机。为了检测电极丝张力的大小，研制了电极丝张力传感器。

　　上述6种特征信号通过北京华远公司生产的HY～6040型数据采集卡进行A／D转换。该卡是一种光电隔离型多功能A／D卡，可直接插入计算机的IsA插槽内，并可在IBM PC／XT及兼容机上运行。适用于环境较恶劣的工业现场。由于各种干扰的存在，采集到的特征信号包含各种噪声，在状态监测与控制系统中必须对这些含有噪声的特征信号进行去噪处理。本系统以加权平均法与程序判断法相结合的方法作为本系统的原始特征信号的处理方法，

3 基于神经网络的机床工作状态建模

　　数控线切割机床的运行状态是一个多变量复杂的非线性系统，很难通过经典的方法为其建立一个精确的运行状态系统模型。近年来，人工智能技术尤其是人工神经网络技术的研究进展为这种复杂系统建模提供了一条新的解决途径“。针对本文的具体问题，探讨了基于神经网络技术来建立机床运行状态的模型，利用采集到的特征信号，通过多层前馈神经网络，对空载、短路状态劣化度进行评价。

　　3.1 工作状态辩识模型

　　工作状态的辨识，从理论上来说，属于模式识别的范畴。模式识别的方法有多种，由于人工神经网络技术在非线性系统模式辨识方面具有突出优点，本文基于神经网络技术构筑工作状态(这里主要指加工区工作状态)辩识模型，进行机床工作状态的在线辩识。

　　数控线切割机床在运行工程中，加工区共有3种工作状态：火花放电、空载和短路状态。

　　理论和实验研究表明，火花放电状态的间隙电压比空载状态的间隙电压要小，而间隙电流则相反。对于短路状态说，间隙电压比火花放电状态的间隙电压要小，间隙电流则比火花放电状态的间隙电流要大。因此，通过工作过程中的间隙电压、间隙电流来辨识加工区的工作状态是可行的。本文基于人工神经网络建立了机床工作状态辨识模型。它是一种基于BP算法的多层前馈神经网络，网络中含有一个隐含层，节点数为2—5—3。输入变量为间隙电压和间隙电流，输出变量为短路状态、空载状态和火花放电状态，神经网络输出的3种状态，送人显示与控制模块，进行机床工作状态的实时显示。