Главная Коллекция "Otherreferats" Программирование, компьютеры и кибернетика Построение интеллектуальных систем управления металлорежущими станками

Построение интеллектуальных систем управления металлорежущими станками

Проблемы обеспечения качества механической обработки. Документирование жизненного цикла изделия. Разработка программного средства для определения ошибки перемещения подвижных узлов станка. База данных наследуемых параметров обрабатывающего центра.

Рубрика Программирование, компьютеры и кибернетика
Вид дипломная работа
Язык русский
Дата добавления 25.06.2013
Размер файла 3,8 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

Размещено на http://www.allbest.ru/

СОДЕРЖАНИЕ

Введение

1. Аналитический обзор состояния вопроса

1.1 Проблемы обеспечения качества механической обработки

1.2 Методы и системы интеллектуального управления технологическим оборудованием

1.3 Документирование жизненного цикла изделия

1.4 Выводы по разделу. Цель и задачи работы

2. Предложения по решению проблемы

2.1 Архитектура ИЭП

2.1.1 Базовая техническая информация

2.1.2 Интеллектуальная информация

2.2 Анализ существующих программных решений и информационных систем

2.2.1 Цифровой макет

2.2.2 PLM-системы

2.2.3 Системы создания ИЭТР

2.2.4 OLAP-технологии

2.2.5 DataMining

2.3 Выводы по разделу. Обоснование решения

3. Моделирование процессов интеллектуальной паспортизации

3.1 Моделирование хранилища и баз данных в IDEF стандартах

4. Предложения по реализации ИС управления знаниями технологического оборудования

4.1 Анализ объекта исследований

4.2 База данных наследуемых параметров обрабатывающего центра

4.3 Разработка программного средства для определения ошибки перемещения подвижных узлов станка

4.4 Преимущества и перспективы использования разработанных программных средств

5. Экономическое обоснование исследования системы интеллектуальной паспортизации технологического оборудования

5.1 Характеристика НИР, в том числе логическая структурная рамка исследования в виде маркетинговой модели

5.2 «Комплекс инженерного маркетинга - 6p»

5.3 Обоснование научной и научно-технической результативности

5.4 Выводы по разделу

6. Безопасность и экологичность проекта

6.1 Расчет шума

6.1.1 Влияние шума на организм человека

6.1.2 Нормирование и разновидности шумов

6.1.2 Характеристики источников шумов

6.1.3 Расчет ожидаемых уровней звукового давления в расчетной точке и требуемого снижения уровней шума

6.2 Расчет вибрации

6.2.1 Источники вибрации и их характеристики

6.2.2 Меры по защите от вибрации

6.2.3 Расчет виброизоляции

6.3 Расчет опасности поражения электрическим током

6.3.1 Электробезопасность

6.3.2 Основные причины поражения людей электрическим током

6.3.3 Классификация помещений по степени опасности поражения людей электрическим током

6.3.4 Расчет защитного заземления

6.4 Требования эргономики

6.5 Действия в чрезвычайных ситуациях

6.5.1 Классификация и общая характеристика ЧС

6.5.2 План эвакуации в случае ЧС

6.6 Экологичность проекта

6.7 Выводы по разделу

Заключение

Список использованных источников

Приложение А Листинг базы данных

Приложение Б Листинг программного средства

ВВЕДЕНИЕ

В последнее время информационные технологии активно развиваются и находят широкое применение в самых различных сферах и отраслях. На сегодняшний день уже ни одна область знаний не обходится без использования современных методов передачи, хранения и обработки информации. Применение современных средств обработки информации приняло всеобщий характер, а создаваемые при этом информационно-вычислительные системы и сети становятся глобальными как в смысле территориальной распределенности, так и в смысле широты охвата в рамках единых технологий процессов сбора, передачи, накопления, хранения, поиска, переработки информации и выдачи ее для использования.

В связи с массовым развитием информационных технологий наиболее актуальными становятся такие научные направления как интеллектуальное управление и мехатронные системы. Первое охватывает широчайший спектр приложений и проблем, начиная от бытовой техники с микропроцессорным управлением и заканчивая комплексными организационными системами. Второе, касающееся машин различного назначения с компьютерным управлением, включает интеллектуализацию управления как необходимую составляющую современных мехатронных объектов.

При работе с различными мехатронными объектами зачастую встает вопрос о точности их работы. Например, повышение качества изготовления деталей - одно из важнейших требований к технологии механической обработки и станкам. Это особо актуально при внедрении компьютеризированного производства, строящегося на принципах безлюдной технологии (автоматизированные заводы, базирующиеся на активном применении SCADA технологии). Под качеством будем понимать совокупность показателей точности обработки, безотказности и производительности.

Один из перспективных путей повышения качества обработки заключается в создании и применении интеллектуальных систем управления технологическим оборудованием, обеспечивающих изготовление деталей с учётом технических характеристик и состояния станка, режущего инструмента, заготовки и информационно-измерительной подсистемы.

Современные информационные технологии открывают возможности для формирования обобщенного подхода к построению интеллектуальных систем управления металлорежущими станками. Такой подход позволяет интерпретировать практически полезные и доступные данные о состоянии элементов станочной системы в производственных условиях при формировании целостной базы знаний, необходимой для управления и обеспечения высокой точности обработки деталей.

Данная работа выполняется по заказу станкозавода «САСТА». Предприятие проявляет большой интерес к разработке и оказывает содействие в проведении исследований в данной области.

1. Аналитический обзор состояния вопроса

Решение проблемы повышения качества механической обработки в компьютеризированном производстве за счёт использования методов интеллектуального управления является сложной комплексной задачей. Для определения основных подходов к решению необходимо рассмотреть широкий круг вопросов, касающихся процесса обработки резанием, принципов интеллектуального управления, разрабатываемых и применяемых методов и систем интеллектуального управления технологическим оборудованием.

1.1 Проблемы обеспечения качества механической обработки

Общеизвестно, что качество изделий характеризуется совокупностью свойств и мерой полезности изделий, удовлетворяющих определенным потребностям в соответствии с их назначением. Качество определяется при совместной оценке технических, эксплуатационных, конструкторско-технологических параметров, норм надежности, долговечности и пр. Комплексный критерий качества промышленных изделий - степень соответствия технико-экономических и потребительских свойств уровню изделия, служащего эталоном качества.

Важнейшей характеристикой качества большинства приборов, технологических машин, в том числе, металлорежущих станков, вычислительных машин, управляющих устройств и многих других изделий машиностроения и процессов является их точность. Обычно точность характеризуется некоторой совокупностью параметров и степенью соответствия рассматриваемого параметра предмета, вещества или процесса к его теоретическому номинальному значению.

Современные мощные и высокоскоростные машины не могут функционировать при недостаточной точности их изготовления в связи с возникновением дополнительных динамических нагрузок и вибраций, нарушающих нормальную работу машин и вызывающих их ускоренный износ и разрушение.

Повышение точности изготовления деталей и сборки узлов увеличивает долговечность и надежность эксплуатации механизмов и машин. Этим объясняется непрерывное повышение требований к точности изготовления деталей машин в целом. В настоящее время для многих точных изделий требуются детали с допусками в несколько микрометров или даже нанометров.

Многообразные причины, вызывающие появление погрешностей при обработке деталей, можно разделить на два основных вида: причины систематического характера и причины случайного характера.

Систематической называется такая погрешность, которая для всех деталей рассматриваемой партии остается постоянной или же закономерно изменяется по времени или по длине пути резания.

Случайной называется такая погрешность, которая для различных деталей рассматриваемой партии имеет различные значения, причем ее появление не подчиняется никакой видимой закономерности.

Суммарная погрешность обработки в станках с ЧПУ формируется проявлением множества взаимосвязанных ошибок, возникающих в несущей системе станка, в приводе его рабочих органов, в системе управления и контроля, в инструменте и самой обрабатываемой детали.

Классификация погрешностей при обработке на станках с ЧПУ:

1. Виды погрешностей детали:

• размеров поверхностей,

• формы поверхностей,

• взаиморасположения,

• шероховатости.

2. Источник возникновения погрешностей:

• заготовка,

• инструмент,

• оснастка,

• несущая система станка,

• механизмы привода,

• источники механической энергии - двигатели,

• система управления,

• измерительная система,

• программа ЧПУ,

• процесс обработки - резание,

• процессы износа и старения,

• начальная настройка,

• внешняя среда.

3. Причины, порождающие погрешности обработки:

• начальные геометрические и кинематические погрешности станка,

• нестабильность геометрических параметров заготовки и свойств материала ( неоднородность физико-механических свойств),

• нестабильность процесса резания по вектору усилия резания (динамика) и тепловыделениям,

• нестабильность процессов трения,

• износ инструмента,

• упругие силовые деформации,

• температурные деформации,

• колебания параметров энергоснабжения (силового питания),

• помехи в системе управления и преобразования информации,

• стохастичность динамических характеристик системы автоматического управления,

• погрешности датчиков,

• погрешности программы,

• износ, старение элементов несущей системы и передач,

• погрешности установки заготовки и начальной настройки станка,

• внешние воздействия.

4. Характер погрешностей:

• систематические постоянные,

• систематические переменные (функционально изменяющиеся),

• случайные.

5. Период возникновения:

• начальные, образующиеся до периода резания,

• в процессе резания,

• после окончания обработки.

6. Длительность действия:

• быстропротекающие, возникающие в процессе резания, динамические,

• процессы средней длительности (например, температурные деформации),

• длительные процессы(износ, старение).

Следует учитывать, что в процессе обработки, и в основном через этот процесс, источники образования погрешностей (подсистемы) находятся в сложной совокупности взаимосвязей.

Технологические процессы (ТП) изготовления деталей на металлорежущих станках чрезвычайно разнообразны, но большинство из них относится к задаче управления технологическим оборудованием (ТО). Общую постановку этой задачи можно сформулировать следующим образом. Имеется некоторый динамический объект (система СПИД), поведение которого описывается вектором переменных состояния X=(x1, x2, …, xm)T (прочность, жёсткость, износостойкость и др.) и вектором выходов - управляемых переменных объекта Y=(y1, y2, …, yn)T (совокупность показателей качества обработки детали - точность, безотказность, производительность), где “т” - символ операции транспонирования (рисунок 1.1). Требуется перевести систему СПИД из начального состояния X(t0), в котором она находится в момент времени t=t0, в заданное конечное состояние X*, которому соответствует определённое значение вектора выходов Y*. Для решения этой задачи, т. е. для управления состоянием системы СПИД, используется управляющее устройство (регуляторы системы ЧПУ), в функции которого входит формирование вектора управляющих воздействий U=(u1, u2, …, ur)T в соответствии с заданной программой (т. е. значениями задающих воздействий, команд управления) G=(g1, g2, …, gs)T и текущими (измеряемыми) значениями компонент вектора выходов Y и вектора состояния X объекта.

Размещено на http://www.allbest.ru/

Внутри системы СПИД действуют рабочие процессы, которые порождают действие ряда факторов. В то же время на технологическую систему действуют различные факторы окружающей среды F=(f1, f2, …, fk)T.

Классическая процедура синтеза управляющего устройства обычно включает в себя следующие этапы (применительно к ТО):

- построение или получение математической модели системы СПИД или её отдельных частей в зависимости от целей управления (в виде дифференциальных, разностных или интегральных уравнений, частотных характеристик и т. д.);

- задание требований к качеству процессов управления ТО (к выходам системы СПИД), т. е. к поведению системы автоматического управления (САУ) в целом;

- определение структуры и параметров управляющего устройства (или совокупности управляющих устройств системы СПИД) в виде некоторой аналитической зависимости, связывающей векторы U, G, X, Y, F.

При использовании данной процедуры на практике возникает ряд серьёзных затруднений. Так, точная математическая модель реального объекта (системы СПИД или её отдельных частей) часто оказывается неизвестной или слишком сложной. Изменения окружающей среды приводят к воздействию на технологическую систему ряда факторов, в качестве которых выступают температура окружающей среды, колебания фундамента и др. Процесс резания и другие процессы в системе вызывают такие факторы как нагрев системы СПИД, силы трения, силы резания и их моменты, вибрации и др. Действия перечисленных факторов вызывают упругие перемещения, температурные деформации, износ звеньев системы СПИД, что оказывает непосредственное влияние на выходные показатели Y процесса обработки. Качество системы СПИД также зависит от её конструкции, размеров, материалов деталей и др. Всё это вносит дополнительный источник неопределённости характеристик ТО.

Сложность решения задачи управления ТО обусловлена и тем, что сами требования к системе (качеству механической обработки) могут быть заданы лишь приближённо. Более того, они часто оказываются взаимно противоречивыми. Это относится к таким технологическим задачам, как достижение требуемой геометрической точности и обеспечение заданной производительности, которые на определённом уровне становятся взаимоисключающими. Для любого ТО существует некоторый предел, после которого повышение точности приводит к существенному снижению производительности и наоборот.

Таким образом, между действующими факторами, режимами работы, качеством системы СПИД имеют место сложные взаимосвязи. Поэтому найти решение задачи синтеза в классе простых (стандартных) алгоритмов управления (например, с использованием ПИ- и ПИД-регуляторов) возможно только в тех случаях, когда объект описывается достаточно упрощённой и понятной моделью, т. е. справедлива схема: “простой регулятор” “простой объект”.

Адаптивные регуляторы, параметры которых автоматически перестраиваются при изменении параметров процесса механической обработки, также имеют весьма ограниченную область применения, так как трудно подобрать простой и надёжный алгоритм адаптации, работоспособный в случае широкого диапазона изменения параметров системы СПИД. Например, при обработке концевой фрезой наблюдаются значительные изменения припуска заготовки в момент смены направления фрезерования, что приводит к изменению упругих перемещений, температурных деформаций, уровню вибраций и др. Любое ТО как объект управления относится к категории сложных динамических объектов, т. е. он является многомерным (имеет много входов и выходов), описывается дифференциальными уравнениями высокого порядка, имеет существенно нелинейные характеристики и т. п. Более того, система СПИД обладает свойством поведения, поскольку выполняются следующие условия [1]:

- возможные воздействия системы на обрабатываемый объект и окружающую среду достаточно разнообразны;

- последовательность целенаправленных действий совершается на основе некоторой системы правил, связывающей эти действия с данными о прошлом, настоящем и будущем (прогнозируемом) состоянии объекта обработки и внешней среды;

- также возможны реакции, которые представляются не обусловленными или даже противоречащими начальной системе правил, иными словами, реакции иногда бывают непредсказуемыми или предсказуемыми лишь частично.

Поэтому выбор алгоритма адаптации резко усложняется, поскольку возникает проблема сходимости (устойчивости) процессов адаптации в системе. В этом случае трудно подобрать оптимальные значения параметров устройства адаптации. Вот почему методики анализа и синтеза адаптивных САУ ТО связаны порой с чрезмерным упрощением задачи, что приводит к неудовлетворению требований, связанных с ростом качества механической обработки (Y) по всем её показателям в современном производстве.

1.2 Методы и системы интеллектуального управления технологическим оборудованием

Один из выходов в сложившейся ситуации заключается в использовании методов интеллектуального управления, которые предполагают отказ от:

- необходимости получения точной математической модели объекта;

- ориентации на применение “жёстких” (как правило, линейных) алгоритмов формирования управляющих воздействий;

- стремления во что бы то ни стало воспользоваться известными разработчику методиками синтеза, ранее положительно зарекомендовавшими себя для других, более простых классов объектов.

Прежде чем перейти к интеллектуальному управлению нельзя не отметить признанные в мире и ставшие классическими тенденции управления станками, разработанные отечественными научными школами. Это работы Балакшина Б.С., Базрова Б.М., Бжозовского Б.М., Горнева В.Ф., Морозова В.П., Колосова В.Г., Ратмирова В.А., Соломенцева Ю.М., Пуша В.Э., Сосонкина В.Л., Тимирязева В.А., Заковоротного В.Л., Тугенгольда А.К. и др. [2-27]. В частности, созданию систем адаптивного управления станками по показателям качества изготовления изделий посвящены работы [2-4, 9-11]. Гибкие автоматизированные производства (ГАП), позволяющие уменьшить затраты, повысить надёжность и гибкость (способность к переналаживанию) функционирования при частой смене управляющих программ, подробно излагаются в работах [5-7, 12]. Создание программ ЧПУ и особенности их реализации в составе интегрированного автоматизированного производства рассматриваются в [13-14].

Подробный анализ современных методов управления технологическими процессами и оборудованием приведён в работе [15], где показаны достижения современной теории управления, в частности, использования методов аналитического конструирования регуляторов (Летов А.М. и др.), модального управления (Поспелов Г.С. и др.), обратных задач динамики (Крутько П.Д. и др.), инвариантного управления (Щипанов Г.В., Кулебакин В.С., Петров Б.Н. и др.), адаптивного управления (Ципкин Я.Д. и др.) и пр. Отмечено, что вершиной представлений при синтезе систем управления является аналитическое конструирование регуляторов. Принципиально иной путь построения систем управления, опирающийся на синергетическую теорию управления, описан в [16-18]. Принципы эволюционных преобразований и самоорганизации, опирающиеся на синергетический подход, в управляющей системе, координаты состояния которой взаимодействуют со средами, излагаются в работах [19-23]. Все названные подходы и принципы синтеза систем управления имеют свои достоинства и недостатки, но общим для них всех является то, что они опираются на полученную тем или иным способом математическую модель объекта управления, причём математическая модель представляет из себя систему дифференциальных или разностных уравнений, описывающих физическую сущность процессов или объектов. Принципиально иной подход к управлению заключается в использовании математических моделей знаний об управляемом объекте, т.е. использование методов интеллектуального управления. Применительно к ТО данное направление исследований представлено в работах [24-36].

В основе интеллектуального управления лежит идея построения высокоорганизованных САУ, основанных на использовании моделей переменной сложности и неопределённости, с выполнением таких присущих человеку интеллектуальных функций, как принятие решений, планирование поведения, обучение и самообучение в условиях изменяющейся внешней среды. Под обучением нужно понимать способность системы улучшать своё поведение в будущем (применительно к ТО - повышать качество обработки), основываясь на экспериментальной информации, которую она получала в прошлом, о результатах взаимодействия с оказывающими влияние факторами. Самообучение - это обучение без внешней корректировки, т. е. без указаний “учителя”- оператора.

Интеллектуальной системой управления (ИСУ) считается такая [32-34], в которой знания о неизвестных характеристиках объекта управления и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия решений так, что качество управления улучшается.

Необходимым признаком ИСУ является наличие базы знаний, содержащей сведения (факты), модели и правила, позволяющие уточнить поставленную задачу управления и выбрать рациональный способ её решения. Часто об интеллектуальных системах говорят как о системах, основанных на знаниях. В зависимости от характера реализуемых интеллектуальных функций, т. е. от уровня интеллектуальности, различают ИСУ, интеллектуальные “в большом” и “в малом” [34].

Согласно [34] управляющие системы, интеллектуальные “в большом”, - это системы, организованные и функционирующие в соответствии со следующими пятью принципами (в полном их объёме).

1. Взаимодействие с реальным внешним миром с использованием информационных каналов связи.

2. Принципиальная открытость системы в целях повышения интеллектуальности и совершенствования собственного поведения.

3. Наличие механизмов прогноза изменений внешнего мира и собственного поведения системы в динамически изменяющемся внешнем мире.

4. Наличие многоуровневой иерархической структуры, построенной в соответствии с правилом: повышение интеллектуальности и снижение требований к точности моделей по мере повышения уровня иерархии в системе (и наоборот).

5. Сохраняемость функционирования (возможно, с некоторой потерей качества или эффективности, т. е. с некоторой допустимой деградацией) при разрыве связей или потере управляющих воздействий от высших уровней иерархии управляющей структуры.

Управляющие системы, интеллектуальные “в малом”, не удовлетворяют перечисленным выше принципам, но используют при функционировании знания (например, в виде правил) как средство преодоления неопределённости входной информации, неточности описания управляемого объекта или его поведения.

Основываясь на всём выше изложенном можно сделать следующее заключение. При множественности факторов, влияющих на достижение качества обработки на металлорежущих станках, “нечёткости” информации об этих факторах, стохастичности самого процесса резания, а также при разнообразии методов обеспечения заданной точности обработки перспективным направлением исследований и разработок в станочном оборудовании являются интеллектуальные системы управления.

Сейчас наибольшее распространение получили методы интеллектуального управления, относящиеся к следующим четырём классам [35]:

- экспертные системы (ЭС);

- нечёткие регуляторы (НР);

- нейронные сети (НС);

- генетические алгоритмы (ГА).

Экспертные системы (expertsystems) имеют дело с задачами искусственного интеллекта на верхнем уровне, работая с символьной информацией для получения выводов об окружающей среде и формирования управленческих решений с учётом характера сложившейся (или прогнозируемой) ситуации. Экспертные системы накапливают эвристические знания и манипулируют ими, пытаясь имитировать поведение эксперта.

На рисунке 1.2 приведён пример построения экспертного регулятора, представляющего собой объединение ЭС и традиционного регулятора (или системы регуляторов) [35, 36] применительно к управлению ТО. Более сложную структуру (с подробной детализацией отдельных блоков ЭС) имеют предлагаемые в [24-27] модели работы технологической системы, которые базируются на принципе принятия решений по внесению прогнозной коррекции в процесс изготовления деталей с учётом конкретной ситуации. Экспертная система, как и в [24-27], так и на рисунке 1.2 образует верхний, супервизорный уровень управления и включает в себя ряд подсистем.

Подсистема идентификации и прогноза - обеспечивает нахождение математической модели объекта управления непосредственно в процессе функционирования, по результатам наблюдений за его входными/выходными переменными. То есть, в задачи блока входит комплектование информации, необходимой для принятия решений. Этот блок осуществляет программную настройку движений рабочих органов, измеряет и идентифицирует параметры состояния внешней среды - F, управляющие воздействия - U, результаты работы системы СПИД - Y.

Размещено на http://www.allbest.ru/

База данных содержит непрерывно обновляемые данные (предыдущие, текущие, прогнозные) о характеристиках системы СПИД и внешней среды, а также информацию о граничных (критических, предельно допустимых) значениях соответствующих параметров. База знаний содержит знания о специфике работы конкретного ТО, целях, стратегии и алгоритмах управления, о результатах идентификации и прогноза характеристик системы СПИД.

Подсистема логического вывода осуществляет выбор рациональной (наиболее подходящей в момент обработки определённой детали на ТО) структуры и параметров регулятора, а также, возможно, алгоритмов идентификации и прогноза.

Подсистема интерфейса предназначена для организации интерактивного режима по наполнению базы знаний с участием эксперта (режима обучения) и обеспечения общения с пользователем-оператором (рабочим-профессионалом), включая объяснение механизма принятия тех или иных решений по управлению (режима эксплуатации).

Отличие приведенной на рисунке 1.2 архитектуры экспертной системы от архитектуры обычных (статических) экспертных систем состоит в том, что она обеспечивает выполнение следующих важных функций:

* построение динамической модели объекта и его среды;

* поддержание контакта с внешним миром (датчиками, СУБД, регуляторами, другими ЭС).

Данное обстоятельство позволяет относить рассматриваемую экспертную систему к классу динамических (“активных”) экспертных систем, или экспертных систем реального времени, способных восполнить утрачиваемый вклад рабочего-профессионала с его опытом, знаниями и навыками в достижение качества обработки.

Нечёткие регуляторы (fuzzycontrollers). Идеи нечёткой логики, впервые высказанные в 1964 г. американцем Л. Заде, известным специалистом в области теории систем, своё первое применение в задачах управления реальными техническими объектами нашли в Европе. В 1974 г. были опубликованы работы английских учёных Э.Х. Мамдани и С. Ассилиан, посвященные проблеме регулирования парогенераторной установкой с помощью специально сконструированных нечётких правил (продукций).

Типовая структура ИСУ с НР приведена на рисунке 1.3. Будем полагать для простоты, что объект управления (например, привод подачи на основе двигателя постоянного тока (ДПТ)) является одномерным, т. е. имеет один вход (сигнал управления - u) и один выход (скорость вращения вала двигателя - y). Ошибка управления е, представляющая собой разность задающего воздействия и выхода объекта (управляемой переменной) у, подаётся на один из входов блока фаззификации. На другой вход этого блока поступает сигнал производной вычисленный с помощью дифференцирующего устройства (ДУ).

Размещено на http://www.allbest.ru/

Назначение блока фаззификации - преобразование значений сигналов ошибки е и её производной в лингвистические переменные, определяемые функциями принадлежности . Здесь Аi и Вj, - соответственно значения (термы), принимаемые лингвистическими переменными “Ошибка управления” и “Производная ошибки”. Пример построения функций принадлежности и показан на рисунке 1.3, где используются следующие обозначения:

Z - “Близкая к нулю” (zего);

МР - “Средняя положительная” (middlepositive);

LP - “Большая положительная” (largepositive);

MN - “Средняя отрицательная” (middlenegative);

LN - “Большая отрицательная” (largenegative).

В базе знаний хранятся знания в форме правил, левые части которых содержат условия относительно указанных выше значений лингвистических переменных “Ошибка управления” и “Производная ошибки”, а правые части - высказывания относительно значений лингвистической переменной “Приращение управляющего воздействия” (индекс k здесь означает k-й момент времени tk). Данные правила могут принимать следующий вид:

1) ЕСЛИ (Ошибка управления = Близка к нулю) И (Производная ошибки = Близка к нулю), ТО (Приращение управляющего воздействия = Близко к нулю);

2) ЕСЛИ (Ошибка управления = Средняя положительная) И (Производная ошибки = Большая отрицательная), ТО (Приращение управляющего воздействия = Среднее положительное) и т. д.

Предполагается, что реализация данных правил гарантирует выполнение определенных требований к системе, связанных с обеспечением желаемого вида её переходной функции (заданное быстродействие, монотонность, слабая колебательность переходного процесса, например, по управляющему и возмущающему воздействиям для следящего привода металлорежущего станка). Возможный вариант задания функций принадлежности , определяющих базовые значения лингвистической переменной “Приращение управляющего воздействия” в виде одноточечных нечётких множеств (singletons), приведен на рисунке 1.4.

В основе работы механизма логического вывода используется метод “максимума-минимума” или метод “максимума-произведения” [32]. Применение этих методов позволяет получить результирующую функцию принадлежности лингвистической переменной “Приращение управляющего воздействия” (рисунок 1.4) с учётом конкретных (т. е. измеренных в момент tk) значений сигналов еk и - входов нечёткого регулятора.

И, наконец, переход от полученного нечёткого множества, описываемого функцией принадлежности , к единственному (чёткому) значению выходной переменной осуществляется в блоке дефаззификации с помощью метода центра тяжести [32].

Размещено на http://www.allbest.ru/

Для рассматриваемого на рисунке 1.4 случая данная величина подсчитывается как

(1.1)

где - значения функции принадлежности в точках -c1, -c2, 0, -c1, -c2, называемые уровнями активности соответствующих правил и вычисляемые с помощью механизма логического вывода.

Выход нечёткого регулятора uk находится по формуле

(1.2)

где uk-1 - предыдущее значение управляющего воздействия u; - приращение , вычисленное на k-м такте работы регулятора.

Другая разновидность нечёткого регулятора - регулятор типа Сугено [37]. В этом случае только левые части правил (условия) содержат лингвистические переменные; правые же части этих правил (выходы) представляют собой линейные комбинации входных переменных регулятора плюс постоянная составляющая (смещение). Например, нечёткие правила могут иметь следующий вид:

1) ЕСЛИ (Ошибка управления = Близка к нулю) И (Производная ошибки = Близка к нулю), ТО

;

2) ЕСЛИ (Ошибка управления = Средняя положительная) И (Производная ошибки = Большая отрицательная), ТО

и т. д.

Здесь - заданные (выбранные экспертом) числовые коэффициенты; - измеренные в k-м такте значения сигнала ошибки и ее производной . Результирующим выходом является взвешенное среднее для выходов каждого правила (1.3)

, (1.3)

где - уровень активности i-го правила; N - число таких правил; - приращение , вычисленное с помощью i-го правила для конкретных значений .

Главное достоинство применения нечётких регуляторов в управлении ТО - возможность эффективного управления сложными динамическими объектами, входящими в состав системы СПИД, в условиях неопределенности их характеристик путём моделирования механизма обработки знаний по аналогии с поведением высококвалифицированного рабочего (оператора).

Размещено на http://www.allbest.ru/

Нейронные сети. История искусственных нейронных сетей (artificialneuralnetworks) начинается с работ американских учёных У. Мак-Каллока, В. Питтса (1943 г. - модель формального нейрона) и Ф. Розенблатта (1958 г. - однослойная нейронная сеть, названная им персептроном). Сегодня под нейронными сетями (НС) понимаются параллельные вычислительные структуры, которые моделируют биологические процессы, обычно ассоциируемые с процессами человеческого мозга. НС обладают способностью приобретения знаний о предметной области, обучаясь на примерах и подстраивая свои веса для интерпретирования предъявляемых им многоразмерных данных.

На рисунке 1.5 приведена структурная схема НС прямого распространения - многослойного персептрона. Кружками (вершинами) обозначены элементарные преобразователи информации - нейроны, а стрелками (дугами) - связи между ними, имеющие разную “силу” (веса синаптических связей). Как видно из рисунка 1.5, рассматриваемый персептрон состоит из нескольких слоёв нейронов:

* входного слоя, на который подаётся набор входных сигналов;

* одного или более “скрытых” (промежуточных) слоёв;

* выходного слоя нейронов.

Суть процесса обучения НС заключается в выполнении следующей многошаговой процедуры [35].

Шаг 1. Задается обучающее множество (“задачник”)

,

элементами которого являются обучающие пары . В данном случае - 1-й входной вектор (или 1-й входной образ), предъявляемый нейронной сети; - вектор эталонных (требуемых) реакций НС в ответ на 1-й входной вектор ; L - число различных обучающих пар.

Шаг 2. Устанавливается начальное состояние НС путём присваивания всем её весам некоторых случайных (малых) значений. - вес связи, соединяющей выход i-го нейрона k-го слоя со входом j-го нейрона (k + 1)-го слоя.

Шаг 3. На вход сети подаётся входной вектор ; определяются реакции нейронов выходного слоя.

Шаг 4. Вычисляется разность между желаемой реакцией сети и её фактическим выходом , т. е. , а также суммарная квадратичная ошибка

.

Шаг 5. Осуществляется коррекция весов нейронной сети таким образом, чтобы уменьшить ошибку .

Шаг 6. Повторяются шаги 3-5 для каждой пары обучающего множества до тех пор, пока ошибка на всем множестве не достигнет малой, заранее заданной величины Е*.

Результатом обучения является такая настройка весов синаптических связей, при которой каждому входному вектору сеть сопоставляет требуемый (или близкий к нему) выход.

Размещено на http://www.allbest.ru/

Одним из первых алгоритмов, удачно зарекомендовавшим себя при обучении многослойной НС, явился предложенный в 1986 г. Руммельхартом (США) и его коллегами алгоритм обратного распространения (Васk-РгораgаtionAlgorithm), претерпевший впоследствии многочисленные изменения и усовершенствования.

На сегодня известно более 200 разновидностей НС. Кроме упомянутых выше многослойных персептронов, это:

* динамические (рекуррентные) НС;

* сети на основе радиальных базисных функций;

* сети Хопфилда;

* сети Кохонена;

* неокогнитроны и т. д.

На рисунке 1.6 приведён пример применения НС для решения задачи управления сложным динамическим объектом (как и в примере с нечётким регулятором рассматривается поддержание заданной скорости для привода ДПТ). НС выступает в данном случае в качестве нелинейного регулятора, который после завершения процесса обучения обеспечивает минимум рассогласования между выходами эталонной модели (ЭМ) и САУ ТО в целом.

Преимущества использования многослойных НС в качестве контроллеров ТО объясняются комплексом их свойств: 1)сигналы в таких НС, как и в системах автоматического управления, распространяются в одном, прямом направлении; 2)ключевую роль в формировании необходимых нелинейных алгоритмов управления играют универсальные аппроксимационные свойства этих сетей; 3)способность многослойной НС к обучению придаёт адаптивные свойства; 4)способность НС к параллельной обработке как аналоговых, так и дискретных сигналов делает естественным их использование для управления многомерными объектами. Реализация нейроконтроллеров на основе обучаемых НС не вызывает принципиальных трудностей: существующие микропроцессорные средства могут вполне реализовать функции НС. Включение многослойной НС в контур управления расширяет фазовое пространство объекта и увеличивает число его степеней свободы, тем самым даёт возможность синтеза оптимальных законов управления.

Генетические алгоритмы (geneticalgorithms). Это большая группа методов адаптивного поиска и многопараметрической оптимизации, интенсивно развивающихся в последние годы как для их самостоятельного применения, так и в сочетании с другими методами интеллектуального управления [38].

Само название этих алгоритмов указывает на то, что их происхождение связано с использованием принципов естественного отбора и генетики. Традиционные методы поиска обычно предполагают дифференцируемость исследуемой целевой функции по параметрам и, как правило, используют градиентные процедуры. Генетические алгоритмы (ГА) отличаются от обычных методов оптимизации рядом обстоятельств. По своей сути ГА представляют собой метод параллельного поиска глобального экстремума, основанный на использовании в процессе поиска сразу нескольких, закодированных соответствующим образом, точек (кандидатов на решения), которые образуют развивающуюся по определенным случайным законам популяцию. Используемые при этом механизмы отбора, впервые чётко сформулированные ещё Чарльзом Дарвином (“Выживает наиболее приспособленный!”), позволяют отсеять наименее подходящие варианты и, наоборот, выделить, а затем и усилить положительные качества тех вариантов, которые наиболее полно отвечают поставленной цели.

Очертим круг задач, решаемых с помощью ГА применительно к ТО.

Оптимизационные задачи занимают одно из центральных мест при проектировании различных классов САУ ТО. Причиной этого является естественное стремление выбрать наиболее простой вариант построения системы или модели при соблюдении заданных требований к качеству ее функционирования (задача структурного синтеза) или найти оптимальные настройки параметров многокомпонентной системы при заданной её структуре (задача параметрического синтеза). В [35] приводится несколько примеров постановок соответствующих задач.

Задача 1. Требуется найти оптимальный алгоритм идентификации и прогноза характеристик объекта, используемый в составе ИСУ ТО с экспертным регулятором (см. рисунок 1.2). Варьируемые параметры - числовые коэффициенты регрессионной модели, число базисных функций или порядок уравнений регрессии. Целевая функция - ошибка идентификации и прогноза, оцениваемая как разность между выходами объекта управления и его модели в текущий (или будущий) момент времени.

Задача 2. Требуется выбрать форму и взаимное расположение функций принадлежности нечёткого регулятора, обеспечивающего заданное качество процессов управления в САУ ТО. Варьируемые параметры - числовые коэффициенты ai,bj,cs функций принадлежности (см. рисунок 1.5); число функций принадлежности. Целевая функция - показатель качества (функционал), минимуму которого соответствуют эталонные перёходные процессы.

Задача 3. Требуется выбрать структуру (топологию, архитектуру) многослойного персептрона, используемого в качестве нелинейного регулятора в ИСУ ТО, изображённой на рисунке 1.6. Варьируемые параметры - число слоёв и число нейронов в каждом слое НС. Целевая функция - ошибка обучения сети, представляющая собой рассогласование между выходами объекта и эталонной модели системы.

Во всех приведённых примерах задача оптимизации принимает следующую математическую формулировку: найти такие значения варьируемых параметров V1, V2, …, Vn, которые доставляют минимум целевой функции f(V1, V2, …, Vn) при условии, что указанные параметры V1, V2, …, Vn удовлетворяют некоторой допустимой области . Задание области ограничений в каждом конкретном случае диктуется спецификой решаемой задачи. Например, в задаче 2 вид области определяется выбором границ интервалов, в пределах которых ищутся искомые оптимальные параметры функций принадлежности. В задаче 3 соответствующие ограничения связаны с лимитированием предельно допустимой сложности исследуемого класса НС и т. п.

При использовании традиционных алгоритмов многопараметрического поиска для решения вышеперечисленных задач возникает ряд трудностей, к которым относятся:

* резкий рост вычислительных затрат и времени поиска при увеличении числа варьируемых параметров (“проклятие размерности”);

* локальный характер алгоритмов поиска, связанный с необходимостью вычисления производных (градиента) целевой функции на каждом шаге поиска;

* возможность “зависания” алгоритма поиска в окрестности одного из локальных экстремумов;

* низкая помехозащищённость алгоритма;

* низкая эффективность поиска при наличии “овражных” ситуаций.

Привлекательность ГА состоит именно в том, что они в значительной мере лишены указанных недостатков.

Согласно терминологии ГА, заимствованной из генетики и теории эволюции живой природы, они имеют дело с популяцией “индивидуумов”, каждый из которых является претендентом на решение рассматриваемой задачи. Каждому индивидууму приписывается определенный “индекс пригодности (приспособленности)” в зависимости от того, насколько удачным является данный конкретный вариант решения задачи. Например, в качестве такого индекса пригодности может выступать одна из упомянутых выше (см. задачи 1-3) целевых функций. Далее, наиболее пригодным индивидуумам предоставляется возможность “размножения” путём “скрещивания” с другими индивидуумами в популяции. В результате этого появляются новые индивидуумы - “потомки”, которые наследуют часть признаков от каждого из своих “родителей”. Наименее пригодные члены популяции, в силу этого, “вымирают”. Полученная новая популяция возможных решений образует новое “поколение”, сохраняющее в значительно большей пропорции те качества (признаки), которые были присущи лучшим представителям предыдущего поколения. Применяя описанную выше схему из поколения в поколение и поощряя скрещивание и обмен признаками прежде всего среди наиболее пригодных индивидуумов, можно последовательно улучшить популяцию путём сохранения и преумножения в ней наиболее сильных сторон индивидуумов. Другими словами, в процессе поиска будут исследоваться наиболее многообещающие, перспективные области пространства варьируемых параметров. При правильном функционировании ГА популяция сходится к оптимальному решению задачи.

Принято считать, что генетические алгоритмы не гарантируют нахождение глобального оптимума, однако их сила состоит в том, что они позволяют “достаточно быстро” находить “достаточно хорошие” решения широкого круга задач, в том числе и тех, которые с трудом решаются другими методами.

История применения генетических алгоритмов начинается с работ Р. Холстиена [39] и Де Джонга [40], в которых на ряде примеров были впервые продемонстрированы возможности ГА для решения задач многопараметрической оптимизации. В 1975 г. вышла монография Дж. Холланда “Адаптация в природных и искусственных системах” [41], в которой было дано теоретическое обоснование метода, сформулированы базовые принципы, лежащие в его основе. И, наконец, большую популярность получила изданная в 1989 г. и ставшая классической книга Д. Гольдберга “Генетические алгоритмы в задачах поиска, оптимизации и машинного обучения” [42], содержащая большое число примеров и возможных постановок задач из различных областей приложений, решаемых с помощью ГА.

В последние годы область применения ГА значительно расширилась. Показано, что данные методы оказываются эффективными при решении таких задач, как:

* идентификация сложных динамических объектов [43, 44];

* выбор оптимальной конфигурации многоагентных робототехнических систем [45];

* синтез оптимальных алгоритмов управления многозвенными роботами-манипуляторами [46];

* оптимальное управление стыковкой космических аппаратов [47];

* планирование маршрутов движения транспортных средств в условиях препятствий [48];

* структурный синтез проектных решений, синтез расписаний [49]

и многих других.

Применение ГА охватывает не только класс традиционных задач оптимизации, но и быстро распространяется на задачи управления сложными динамическими объектами в условиях неопределённости. Поэтому в задачах управления станочным оборудованием ГА также могут быть использованы для решения широкого круга задач.

Для обеспечения заданного качества обработки на ТО необходимо организовывать интеллектуальное управление на всех уровнях ИСУ: организационном, координационном и тактическом [24]. Это значит, что “интеллектуальными способностями” должны обладать и система регуляторов, и блок идентификации и прогноза в составе ЭС. В качестве регуляторов нелинейных объектов управления часто используют нечёткие, НС регуляторы и их разновидности [31], а для систем идентификации и прогноза - нейро-нечёткие системы (ANFIS - AdaptiveNeuro-FuzzyInferenceSystem) [50] и различные виды нейронных сетей [51]. Сами ЭС также могут быть построены на основе использования “чёткой” или “нечёткой” логики. Таким образом, ЭС может быть разработана на базе НС или нечётких правил, или и тех и других одновременно. Поэтому при организации интеллектуального управления ТО целесообразнее создавать нейро-нечёткие (гибридные) ЭС [52-54], обладающие широкими возможностями использования преимуществ как нечёткой логики, так и НС. Более того, нужно использовать стратегию смешанного (гибридного) управления на всех уровнях ИСУ ТО, потому что это позволит наиболее полно использовать преимущества интеллектуальных методов управления не только на верхнем уровне управления (организационном и координационном), но и на нижнем (тактическом), где существует потребность в нелинейных алгоритмах различных стратегий управления исполнительными механизмами в режиме реального времени.

1.3 Документирование жизненного цикла изделия

Необходимость повышения качества выпускаемой продукции и возросшая конкуренция привела к заметному ужесточению требований, предъявляемых к технологическим машинам. Для того чтобы сохранить конкурентоспособность и вести эффективную экономическую деятельность, необходимо применять результативные системы контроля и управления этими машинами на всех этапах жизненного цикла.

Жизненный цикл изделия (ЖЦИ), как определяет его стандарт ISO 9004, -- это совокупность процессов, выполняемых от момента выявления потребностей общества в определенной продукции до момента удовлетворения этих потребностей и утилизации продукта.

Этапы жизненного цикла изделия:

· Маркетинговые исследования;

· Проектирование продукта;

· Планирование и разработка процесса;

· Закупка;

· Производство или обслуживание;

· Проверка;

· Упаковка и хранение;

· Продажа и распределение;

· Монтаж и наладка;

· Техническая поддержка и обслуживание;

· Эксплуатация по назначению;

· Послепродажная деятельность;

· Утилизация и(или) переработка.

В системах автоматизированного проектирования (САПР) машиностроительных отраслей промышленности принято выделятьсистемы функционального, конструкторского и технологического проектирования.

Первые из них называют системами расчетов и инженерного анализа или системами CAE (Computer Aided Engineering).Системы конструкторского проектирования называют системами CAD (Computer Aided Design).Проектирование технологических процессов составляет часть технологической подготовки производства и выполняется в системах CAM (Computer Aided Manufacturing).

Для решения проблем совместного функционирования компонентов САПР различного назначения, координации работы систем САЕ/CAD/САМ, управления проектными данными и проектированием разрабатываются системы, получившие название систем управления проектными данными PDM (Product Data Management). Системы PDM либо входят в состав модулей конкретной САПР, либо имеют самостоятельное значение и могут работать совместно с разными САПР.

Рисунок 1.7 - Жизненный цикл машиностроительного изделия

К основным этапам жизненного цикла машиностроительного изделия, представленного на рисунке 1.7, относятся: изучение рынка, НИР и проектирование, теоретическая подготовка проектирования, производство изделия, эксплуатация и утилизация изделия.

На большинстве этапов жизненного цикла, начиная с определения предприятий-поставщиков исходных материалов и компонентов и кончая реализацией продукции, требуются услуги системы управления цепочками поставок -- SCM. Цепь поставок обычно определяют как совокупность стадий увеличения добавленной стоимости продукции при ее движении от компаний-поставщиков к компаниям-потребителям. Управление цепью поставок подразумевает продвижение материального потока с минимальными издержками.

Координация работы многих предприятий-партнеров с использованием технологий Intrenet возлагается на системы E-commerce, называемые системами управления данными в интегрированном информационном пространстве CPC (Collaborative Product Commerce).

Информационная поддержка этапа производства продукции осуществляется автоматизированными системами управления предприятием (АСУП) и автоматизированными системами управления технологическими процессами (АСУТП).

К АСУП относятся системы планирования и управления предприятием ERP (Enterprise Resource Planning), планирования производства и требований к материалам MRP-2 (Manufacturing Requirement Planning) и упомянутые выше системы SCM. Наиболее развитые системы ERP выполняют различные бизнес-функции, связанные с планированием производства, закупками, сбытом продукции, анализом перспектив маркетинга, управлением финансами, персоналом, складским хозяйством, учетом основных фондов и т. п. Системы MRP-2 ориентированы, главным образом, на бизнес-функции, непосредственно связанные с производством. В некоторых случаях системы SCM и MRP-2 входят как подсистемы в ERP, в последнее время их чаще рассматривают как самостоятельные системы.

Промежуточное положение между АСУП и АСУТП занимает производственная исполнительная система MES (Manufacturing Execution Systems), предназначенная для решения оперативных задач управления проектированием, производством и маркетингом.

В состав АСУТП входит система SCADA (Supervisory Control and Data Acquisition), выполняющая диспетчерские функции (сбор и обработка данных о состоянии оборудования и технологических процессов) и помогающая разрабатывать ПО для встроенного оборудования. Для непосредственного программного управления технологическим оборудованием используют системы CNC (Computer Numerical Control) на базе контроллеров (специализированных компьютеров, называемых промышленными), которые встроены в технологическое оборудование с числовым программным управлением (ЧПУ).

На этапе реализации продукции выполняются функции управления отношениями с заказчиками и покупателями, проводится анализ рыночной ситуации, определяются перспективы спроса на планируемые изделия. Эти функции возложены на систему CRM.

Страница:


Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены