MAGAZINE
刊物內容

回列表

工具機智能加值系統整合

摘要"

維持工具機長期使用的精度,經常需要進行機電伺服系統的鑑別及調機;不同的工件要延續相同的加工品質,則需要操作者相當熟悉各項加工參數以及相互影響加工結果的關係。兩種實務上的作業都需要非常有經驗的工程師來進行,本研究透過各項實驗設計與資料蒐集,透過數據分析,藉由類神經網路(Neural Network, NN)及粒子群最佳化演算法(Particle Swarm Optimization, PSO)優化技術,將機台數據化成專家的經驗模型進而進行優化,並同時整合至實體高速五軸雕銑加工機,透過機邊電腦擷取控制訊號,為國產工具機實現智能加值的應用。

關鍵詞:系統鑑別、進給軸預診、智能調機、加工專家系統

前言

現今精密機械產業對於成品精度要求越來越高,但工具機隨著機構零件的老化,精度難免漸漸下降甚至於故障。機台一旦需要進行維護或汰換,產線就容易因此造成未預期的停工。台灣的工具機產業在面臨國際競爭的過程中,遭遇到的最大問題就是無法維持機台長期使用的精度。若能瞭解機台老化的病徵,便可以對症下藥,甚至進一步達到可以事先預測,在適當的時機便進行預防性維護保養。因此,為解決這樣的問題,有必要深入研究對工具機機台狀態進行預診的方法。
在加工效能的改善研究上,過去的文獻針對機構、運動控制、CNC控制器、加工路徑插補、進給系統、以及工具主軸這些主題已經有諸多方法被提出討論[1,2]。傳統工具機的設計依賴實體機台的製作,然後在這個雛形機台上進行改裝、重構來試驗出最佳的設計。為節省時間及成本,現代的工具機設計開始採用電腦進行虛擬雛形設計,使用有限元素法(Finite Element Method)分析並為工具機建立系統架構模型 [3]。在進給系統及伺服控制上,文獻[4-8]討論機械系統參數鑑別,推導雙質量機械系統模型的轉移函數,並自動估測系統的參數數值,設計實驗並驗證參數估計的準確度,其實驗結果也在頻率域上分析。文獻[6, 7]引入粒子群最佳化演算法(PSO)之系統鑑別的技術,利用導出的進給驅動系統位置迴路的轉移函數及頻率響應,求得系統物理參數,並驗證了動力學模型的穩定性,也將鑑別出的系統模型用於模擬追蹤響應與輪廓軌跡的性能。在文獻[8],作者完整建立3軸工具機進給系統之虛擬系統,並進行驗證。
本研究分階段擬建立一完整之五軸工具機模擬分析系統,將CNC控制器、伺服動態系統(servo dynamics)與機台動態(machine dynamics)等特性納入分析,並設計與控制器通訊來採集分析所需的數據,完整建立具備物理意義參數且包含非線性系統特性的多軸進給系統模型。模型建立後可透過演算法設計進行伺服調機(servo tuning),並可透過分析模擬系統鑑別結果的參數變化來進行機台老化預診。
此外,針對工具機常用的加工性能:速度(Speed)、精度(Accuracy)、表面粗糙度(Surface Roughness)三種指標,本研究延續文獻[9]研究成果,透過實驗設計、資訊蒐集及分析,利用人工智慧的技術訓練出加工專家的經驗模型,並將實作此經驗模型的加工專家系統與工具機台整合。

系統鑑別與伺服調機

機台老化導致精度衰退之原因有許多,可能為結構變形、伺服控制迴路參數不匹配,材料潛變等老化使剛性下降,或零件缺陷之產生。以專業知識對機台進行完整的分析,可以更清楚也更有說服力地對機台的各種現象說明與解釋。參考過去的做法,研究[3]討論機械系統參數鑑別,推導雙質量機械系統模型的轉移函數,並自動估測系統的參數數值,設計實驗並驗證參數估計的準確度,實驗結果並在頻率域上分析。研究[4]已推導出進給驅動系統位置迴路的轉移函數,並驗證動力學模型的穩定性,也將鑑別出的系統模型用於模擬追蹤響應與輪廓軌跡的性能。
本研究以系統模型出發採用Model based做法,由數學模型建立工具機進給驅動系統模型,虛擬系統模型結合了伺服控制迴路和機械傳動結構,再透過系統鑑別技術找出包含馬達慣量、馬達黏滯力和導螺桿剛性等等的系統參數。並在所建立的虛擬模型環境下,分析參數改變後所影響的模擬的頻寬、共振頻和輪廓誤差的變異,透過比對這些系統變異來達到機台狀態預診的目的。...更多內容,請見《機械新刊》雜誌
 

READ MORE BACK TO LIST