Giám sát trực tuyến quá trình gia công pot

Giám sát trực tuyến quá trình gia công
TS.Thái Thị Thu Hà
KS.Thái Hội Hiền
Bộ môn Chế Tạo Máy Khoa Cơ khí - ĐHBK TP.HCM
E-mail:
Tóm tắt
Bài báo đa ra khái niệm về giám sát, các thông số cần giám sát trong quá trình gia công. Các phơng
pháp xác định lực cắt, cách xử lý kết quả. Khi sử dụng phơng pháp giám sát sẽ nâng cao năng suất và chất
lợng sản phẩm.
Abstract
The paper contains conceptions about monitoring, machining parameters need monitor. Methods are
used to define cutting force, process the results. Applications of the methods bring about increasing quality of
product.
I Đặt vấn đề
Ngày nay, sản phẩm tạo ra cần phải có chất lợng cao với giá cả cạnh tranh. Để làm
đợc điều này thì cần tăng năng suất, giảm phế phẩm. Trên các hệ thống gia công hiện đại
nhờ có bộ phận giám sát mà năng suất đợc tăng lên, giảm phế phẩm và hạ giá thành sản
phẩm.
Giám sát là quá trình thu nhận, phân tích, xử lý các thông tin liên quan đến đối tợng
để xác định trạng thái của đối tợng đó.
Giám sát tình trạng đợc định nghĩa là sự xác định trạng thái của máy hay hệ thống
thiết bị và những thay đổi theo thời gian để biết đợc tình trạng của máy hay thiết bị ở bất
kỳ thời điểm nào.
Tình trạng của máy có thể xác định thông qua các thông số nh mòn dao, rung động,
tiếng ồn, nhiệt độ, Các thông số này thay đổi cho ta biết đợc tình trạng của máy.
Giám sát mang lại những hiệu quả kinh tế lớn lao nh vậy vì:
Độ mòn của dao đợc giám sát và thực hiện việc thay dụng cụ kịp thời khi cần thiết.
Hệ thống sẽ phát hiện h hỏng của dao hay phôi.

Tuổi thọ dao đợc sử dụng tối u.

Giảm thời gian dừng máy làm tăng năng suất gia công.
Với những u điểm nh vậy cho nên giám sát ngày càng đợc ứng dụng rộng rãi
trong quá trình gia công.
Đối với các hệ thống máy công cụ thì các đối tợng đợc quan tâm là mòn dao, gãy
dao, rung động, lực cắt,
II cấu trúc hệ thống giám sát lực cắt khi tiện
Trong quá trình tiện độ chính xác và chất lợng bề mặt phụ thuộc rất nhiều vào các
thông số công nghệ nh vận tốc cắt, lợng chạy dao, chiều sâu cắt cũng nh tình trạng của
dao (mòn dao, gãy dao). Đặc biệt khi tiện cao tốc hoặc tiện các vật liệu khó gia công nh
gốm sứ,

thì mòn dao là yếu tố ảnh hởng lớn nhất. Chính vì thế mà ta phải giám sát sự
mòn dao. Tuy nhiên việc đo lợng mòn dao trong quá trình tiện khá phức tạp và kém chính
xác, cho nên có thể giám sát lực cắt để xác định độ mòn dao.
Để nhận đợc các dữ liệu dùng trong việc nghiên cứu các tín hiệu lực cắt khi tiện
nhằm giám sát tình trạng dao trực tuyến cần phải tiến hành thí nghiệm quá trình cắt. trên
hình 1 là sơ đồ khối của quá trình giám sát lực cắt khi tiện. Hệ thống đo lực cắt gồm có:

Một bộ chuyển đổi hoặc cảm biến để đo các tín hiệu lực cắt từ quá trình gia công thời
gian thực.
Một hệ thống để khuếch đại các tín hiệu đo đợc.

Một hệ thống thu thập dữ liệu số.

MẠNG
NEURAL
TIẾP T U ÏC
SA I
CẢM BIẾN THỜI
GIAN THỰC

ĐÚNG
DỪNG
MÒN DAO
TỚI GIỚI HẠN
Các thông số
gia công
CHUY ỂN ĐỔI
CHI TIẾT
ĐÚNG
BỀ MẶT
XẤU
DỪNG
MŨI CHỐNG
TÂM
Tính
Fx/Fy
FY
FX
FX
XỬ LÝ
TÍN HIỆU
F
Y

H×nh 1 S¬ ®å khèi gi¸m s¸t lùc c¾t khi tiƯn
Trong st qu¸ tr×nh gia c«ng, ®iƯn ¸p ra tõ hƯ thèng c¶m biÕn lùc ®−ỵc ghi l¹i vµ
ph©n tÝch ®Ĩ nhËn ®−ỵc ®iƯn ¸p thùc sù. Sau khi xư lý ta cã ®−ỵc hai thµnh phÇn cđa lùc c¾t
ë ®iỊu kiƯn gia c«ng ®· biÕt tr−íc.
Bé chun ®ỉi gåm hai thµnh phÇn c¬ b¶n: ®Çu gi÷ dao vµ hƯ thèng c¶m biÕn lùc. HƯ
thèng c¶m biÕn lùc gåm cã c¸c s¬ ®å ®o øng st, hƯ thèng khch ®¹i m¹ch cÇu vµ hƯ

thèng thu nhËn d÷ liƯu sè. Chøc n¨ng cđa c¸c gage ®o øng st lµ c¸c c¶m biÕn ®Ĩ biÕn ®ỉi
tÝn hiƯu lùc c¾t thµnh c¸c tÝn hiƯu ®iƯn ¸p cã thĨ ®o ®−ỵc th«ng qua c¸c hƯ thèng khch
®¹i. Mèi quan hƯ ®Þnh l−ỵng gi÷a c¸c thµnh phÇn lùc c¾t vµ ®iƯn ¸p ra ®o ®−ỵc tõ hƯ thèng
thu nhËn d÷ liƯu sè, ®−ỵc thiÕt lËp tõ qu¸ tr×nh hiƯu chØnh, nhËn ®−ỵc ®é lín cđa c¸c thµnh
phÇn lùc c¾t tõ c¸c tÝn hiƯu ®iƯn ¸p ra.
III. Dïng m¹ng neural gi¸m s¸t trùc tun qu¸ tr×nh tiƯn
Gi¸m s¸t b»ng m¹ng neural ®· ph¸t triĨn ®Ĩ gi¸m s¸t qu¸ tr×nh gia c«ng ®−ỵc chia
thµnh ba giai ®o¹n:
- Giai ®o¹n ®Çu tiªn lµ chän c¶m biÕn. B»ng c¸ch sư dơng c¸c c¶m biÕn nµy qu¸ tr×nh
gia c«ng cã thĨ ®−ỵc gi¸m s¸t tin cËy h¬n. Qu¸ tr×nh gia c«ng cã thĨ ®−ỵc g¸im s¸t hiƯu
qu¶ b»ng nghiªn cøu c¸c tÝn hiƯu lùc tõ qu¸ tr×ng c¾t. TØ sè lùc c¾t, tèc ®é c¾t, l−ỵng ch¹y
dao, chiỊu sÊu c¾t, b¸n kÝnh mòi dao vµ thêi gian gia c«ng ®−ỵc ®−a vµo líp nhËp cđa m¹ng
neural nu«i tiÕn (feedforward neural network).
Giai ®o¹n thø hai lµ hn lun m¹ng. Sau khi chän cÊu tróc m¹ng thÝch hỵp, m¹ng
®−ỵc hn lun víi c¸c mÉu d÷ liƯu hn lun mµ mçi mÉu gåm cã mét cỈp biÕn nhËp vµ
xt. Sai sè b×nh ph−¬ng trung b×nh cđa tÊt c¶ c¸c mÉu hn lun tiÕn tíi mét gi¸ trÞ ®−ỵc
x¸c ®Þnh tr−íc th× dõng qu¸ tr×nh hn lun l¹i, khi ®ã c¸c träng sè kÕt nèi vµ c¸c ng−ìng
®−ỵc x¸c ®Þnh. C¸c träng sè vµ c¸c ng−ìng nµy ®−ỵc dïng ®Ĩ gi¸m s¸t trùc tun qu¸ tr×nh
gia c«ng. C¸c gi¸ trÞ cđa träng sè kÕt nèi vµ c¸c ng−ìng t thc vµo d÷ liƯu hn lun.
Cµng nhiỊu d÷ liƯu hn lun, m¹ng lµm viƯv cµng tèt vµ ®iỊu nµy còng phơ thc vµo
chÊt l−ỵng cđa d÷ liƯu hn lun.
Giai ®o¹n thø ba lµ ¸p dơng m¹ng trong qu¸ tr×nh gia c«ng thêi gian thùc. C¸c tÝn
hiƯu lùc tõ c¸c c¶m biÕn ®i qua bé läc ®Ĩ läc c¸c th«ng thÊp vµ tØ sè lùc (lùc ch¹y dao/lùc
tiÕp tun) ®−ỵc x¸c ®Þnh. TØ sè nµy cïng c¸c th«ng sè gia c«ng kh¸c ®−ỵc ®−a vµo m¹ng
neural ®· ®−ỵc hn lun vµ ®é mßn cđa dao, ®é nh¸m bỊ mỈt chi tiÕt ®−ỵc dù b¸o. Nh×n
vµo c¸c gi¸ trÞ dù b¸o ng−êi vËn hµnh (hay hƯ thèng ®iỊu khiĨn) cã thĨ t¸c ®éng theo h−íng
tèi −u ho¸ qu¸ tr×nh gia c«ng. NÕu bÊt kú c¸c th«ng sè xt nh− ®é mßn cđa dao hay bỊ mỈt
chi tiÕt gia c«ng ®¹t ®Õn mét gi¸ trÞ giíi h¹n th× ng−êi vËn hµnh hay hƯ thèng ®iỊu khiĨn cã
thĨ dõng qu¸ tr×nh gia c«ng vµ thay dao. M¹ng neural cã thĨ ®−ỵc xem nh− lµ mét m¸y cã
kh¶ n¨ng suy ln ®Ĩ t×m ra mét c¸ch hiƯu qu¶ ®é mßn cđa dao khi nhËn ®−ỵc tÝn hiƯu ë

bÊt cø lóc nµo. C¸c m¹ng neural cho phÐp gia t¨ng c¶i tiÕn khi d÷ liƯu míi ®−ỵc ®−a vµo.
Do ®ã m¹ng kh«ng ngõng cËp nhËt d÷ liƯu. Trªn h×nh 2 tr×nh bµy m¹ng ba líp gi¸m s¸t ®é
mßn dao.



H×nh 2 M¹ng neural ba líp gi¸m s¸t mßn dao
§Ĩ thùc hiƯn qu¸ tr×nh thùc nghiƯm, chóng t«i x©y dùng m« h×nh thÝ nghiƯm ®−ỵc
tr×nh bµy trªn h×nh 3



Hệ thống ra quyết đònh
Mòn dao
Các thông số cắt
Độ nhám bề
mặt
Hình thể bề mặt
(surface
Giám sát bằng mạng neuron
Mòn dụng cụ
Tỉ số lực cắt
Tình trạng
d u ïn g c u ï c a ét
Bề mặt
cuối cùng
Chuyển đổi
Cảm nhận thời gi an thực
Bề mặt

cuối cùng
YES
Tín hiệu
lực cắt
Xử lý tín hiệu
NO
Gọi con
người can
thiệp
Dung sai
hình học
và kích
thước
Hệ thống ra quyết đònh
Mòn dao
Các thông số cắt
Độ nhám bề
mặt
Hình thể bề mặt
(surface
Giám sát bằng mạng neuron
Mòn dụng cụ
Tỉ số lực cắt
Tình trạng
d u ïn g c u ï c a ét
Bề mặt
cuối cùng
Chuyển đổi
Cảm nhận thời gi an thực
Bề mặt

cuối cùng
YES
Tín hiệu
lực cắt
Xử lý tín hiệu
NO
Gọi con
người can
thiệp
Dung sai
hình học
và kích
thước




H×nh 3 Gi¸m s¸t ®é mßn cđa dao vµ ®é nh¸m bỊ mỈt chi tiÕt



Líp nhËp Líp Èn Líp xt
Tèc ®é c¾t
L−ỵng ch¹y dao
ChiỊu s©u c¾
t

Thêi gia c¾
t

B¸n kÝnh mòi dao
TØ sè lùc c¾t
§é mßn cđa
dao


Các giá trị trọng số và giá trị ngỡng sau khi huấn luyện có giá trị nh ở hình 4



Hình 4 Giá trị ngỡng và trọng số (10000 vòng lặp)

Và các giá trị xuất của mạng neural dự báo độ mòn dao với các mẫu kiểm tra nh hình 5.



Hình 5 Giá trị xuất của mạng neural dự báo độ mòn dao với các mẫu kiểm tra
IV kết luận
Mạng neural nhân tạo có khả năng học, xấp xỉ bất cứ hàm phi tuyến nào, ra quyết
định trong môi trờng có nhiễu và các thông tin không hoàn hảo. Nó có thể tích hợp vào hệ
thống sản xuất cho việc giám sát. Trong quá trình gia công dùng để giám sát mòn dao, độ
nhám bề mặt chi tiết, Khi chọn đợc cấu trúc mạng thích hợp thì có thể dự báo chính xác
các thông số gia công (mòn dao, độ nhám bề mặt chi tiết,).
Tài liệu tham khảo
[1].S.R.K Rrasad, IFAMMS2000-Intelligent Flexible Autonomous Manufacture
Systems, Mc Graw Hill.
[2].Robert G.Landers- A.Galip Ulsoy- Richard J. Furness,
Process Monitoring
and Control Operations
.

[3].Devdas Shetty- Richar A. Kolk, Mechatronics System Design, PWS Publishing
Company, 1997.
[4].J.H.Williams-A.Davies-P.R.Drake. Condition-Based Maintenance and Machine
Diagnostics, Chapman&Hall 1992.