機械加工建模傳感器增強技術淺談
前言：本站為你精心整理了機械加工建模傳感器增強技術淺談范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。
摘要：以機械加工傳感器為研究對象，分析了其建模的思想和增強技術，以此增強了機械加工傳感器模型的可靠性。
引言
隨著社會的進步、經濟的發展及科學技術水平的提高，為機械加工生產效率提供了可靠的保障，進而利于生產成本的控制及生產效益的增多。在實際加工過程中，機械加工建模扮演著重要的角色，它有效預測了機械加工的性能，改進了機械加工工藝。在實際建模過程中，預測目標受諸多因素的影響，此時可結合預測目標和影響因素間的關系，構建適合的預測模型。但機械加工的數量眾多，種類豐富，加工過程各異，因此，各變量間的關系難以明確。在此情況下，機械加工建模僅考慮輸入輸出變量間的關系，很難有效構建金屬切削加工模型，進而制約著制造技術的推廣，降低實效性與適用性。與此同時，在建模研究過程中，對實驗數據的要求相對較高，不僅要具備一定的數量，還要擁有一定的質量，此時的數據難以從文獻資料或實驗研究中獲取。因此，需要生產實踐，以保證所有數據的準確性與可靠性，同時通過實驗驗證模型的可用性，最后，仍需要大量的離線實驗，進而實現對建模數據的校準。
1機械加工傳感器建模的思想簡介
針對機械加工傳感器建模而言，其基本思想為黑箱建模，此方法是指將復雜的研究對象看作為一個黑箱，借助傳感器對其輸入與輸出的狀態進行檢測，同時采用人工智能手段，構建輸入與輸出二者間變量的關系，最終將為研究對象提供一個描述模型。與此同時，傳感器將對研究對象展開實時的檢測，如：輸入與輸出狀態，結合二者的變化情況，以此進一步修正模型。根據相關文獻報道可知，現有的機械加工預測模型與傳感器實時檢測相配合后，有效、全面地掌握了機械加工的輸入與輸出狀態，通過對二者的分析，為原有模型的改進提供了可靠的依據，而及時修正后，模型預測能力也進一步增強。在此基礎上，構建機械加工模型過程中，應關注傳感器的正確選取，同時也要豐富信號處理方法，以此保證切削加工狀態的準確判斷，使加工過程狀態與距離希望特性大小及趨勢等相關內容的預測效果將更加顯著[1]。在構建機械加工模型時，應根據解決方案，選擇適合機床裝備的傳感器及相關的信息輸入設備，以此保證信息搜集的全面、及時與高效。此時，機械加工中涉及的影響因素及其與預測目標間的關系均被忽略，而將機械加工看作為一個黑箱，此時僅對其黑箱的輸入和輸出給予高度關注即可，而二者狀態均可通過傳感器實現全方位的檢測。在對產品進行首次加工過程中，應根據國家的相關規定，如：以公用的加工數據為依據設置初始加工條件，并且將具體加工狀態及輸出值借助傳感器進行檢測，同時反饋至原始模型；此后，原始模型借助文獻報道中所顯示的數據，做成相應的估計常值；最后，在明確傳感信息的條件下，逐漸改進原始模型。在對產品進行二次加工過程中，應結合改進模型，對切削數據進行計算。此時的反復循環，使模型憑借加工信息進行了不斷地完善，進而模型的預測能力也將進一步增強。
2機械加工傳感器建模的增強技術
對于機械加工模型而言，其中應用傳感器所構成的增強模型，提高模型的預測能力，具體表現在以下兩方面，一方面，構建模型的主要目的是對性能指標的數值及其趨勢等進行預測，此時的性能指標主要來自于機械加工的輸入值與機械加工系統的當前狀態，但通過研究分析可知，普遍的當前狀態難以獲取，因此，所構建的機械加工模型也缺少科學性與適用性。但在機械加工時利用傳感器，此時其獲取的檢測信號便是當前狀態的結果，因此，在建模過程中，應用傳感器是必要的。在實際建模時，應注意傳感器選擇的適合性與信號處理方法的準確性，以此保證機械加工當前狀態的及時與準掌握。另一方面，在信息時代，機械加工數據庫的應用日漸普遍與廣泛，但其缺點較為明顯，即：昂貴的價格及較差的準確性等，同時其最為顯著的不足是，難以實現準確的模型系數校準，為了充分發揮機械加工數據庫的作用，保證模型系數校準的高效與準確，需要利用傳感器，輸出標定的預測模型[2]。例如：以某機械加工預測模型為研究對象，同一個加工過程的預測輸出與傳感器檢測試劑輸出分別為P和S，其中S為實時加工的最新顯示，因此，它包含眾多關于該加工過程的響應信息。此時，為了確定模型的修正值，應選擇適合的方法，而模型的系數集，其初值應有靜態的加工數據庫進行設置。通過對機械加工研究可知，其對人工神經網絡ANN的應用較為普遍，通常情況下，選用名義加工輸入值或傳感器檢測信號特征，也可能將二者結合以此作為輸入值，此方法雖然應用效果顯著，但其確定也不容忽視，即：每個感知過程均為一個獨立事件。因此，為了彌補上述方法的不足，可借助預測模型，以此加速模型的感知過程，同時感知系統的穩定性也將進一步增強[3]。將上述方法通過實驗研究顯示，人工神經網絡ANN的學習系統LN引入后，將傳感器檢測功能與模型學習能力有機地結合，保證了模型預測精度的增強。對于此模型而言，MDB屬于簡單的加工數據庫，將名義輸入值分別加入到加工系統、加工預測模型與學習系統LN中，此時學習系統輸入端存在三項輸入，即：名義輸入值、預測模型輸出與傳感器輸出，此后利用人工神經網絡的相關理論，選取給以的學習模型，并訓練多項輸入信息，進而獲得系統增強模型的預測輸出[4]。
3結語
在機械加工建模過程中融入傳感器，它促進模型預測能力的增強，同時簡化建模的環節和降低建模的難度。本文主要分析了機械加工傳感器的建模思想，闡述了機械加工傳感器建模的增強技術，相信機械加工傳感器建模的可靠性與適應性將不斷增強。
參考文獻
[1]仲作陽.微機械諧振器的能量耗散機理與復雜動力學特性研究[D].上海:上海交通大學,2014.
[2]汪延成.仿生蜘蛛振動感知的硅微加速度傳感器研究[D].杭州:浙江大學,2010.
[3]鄭永.基于時柵傳感器的精密蝸輪副動態檢測技術研究[D].合肥:合肥工業大學,2011.
[4]肖傳明.精密臥式加工中心的綜合動態精度設計與應用[D].北京:北京工業大學,2013.
作者：葉婷 單位：西安航空職業技術學院
