Nghiên cứu quá trình gia công thông minh trên máy cnc

BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC BÁCH KHOA

ĐẶNG THÀNH TRUNG

ĐỀ TÀI:
NGHIÊN CỨU Q TRÌNH GIA CƠNG THƠNG
MINH TRÊN MÁY CNC

LUẬN VĂN CAO HỌC
CHUYÊN NGÀNH: CHẾ TẠO MÁY

NĂM 2002


MỤC LỤC

CHƯƠNG I

NGHIÊN CỨU TỔNG QUAN ....................................6

I.1 LỊCH SỬ ĐIỀU KHIỂN THÔNG MINH.......................................................................... 6
I.2 KHÁI NIỆM THÔNG MINH.......................................................................................... 7
I.3 CÁC ĐẶC TRƯNG CỦA ĐIỀU KHIỂN THÔNG MINH .................................................. 10
I.4 SƠ LƯC CÁC ĐỀ TÀI ĐÃ NGHIÊN CỨU .................................................................. 11
I.5 KẾT LUẬN ................................................................................................................ 17

CHƯƠNG II

LÝ THUYẾT ĐIỀU KHIỂN NEURAL NETWORK ........... 19

II.1 TỔNG QUÁT VỀ MẠNG NEURAL ............................................................................. 19
II.2 CÁC THÀNH PHẦN CƠ BẢN CỦA CÁC MẠNG NEURAL NHÂN TẠO ........................ 22
II.2.1 PHẦN TỬ XỬ LÝ .......................................................................................................... 22
II.2.2 MÔ HÌNH KẾT NỐI CỦA CÁC MẠNG NEURAL NHÂN TẠO ........................................... 24
II.2.3 LUẬT HỌC THÔNG SỐ TỔNG QUÁT CHO CÁC MẠNG NEURAL NHÂN TẠO ................. 26

II.3 CÁC MẠNG FEEDFORWARD VÀ GIẢI THUẬT TRUYỀN NGƯC ............................... 31
II.4 MẠNG ADALINE...................................................................................................... 35
II.4.1 CẤU TRÚC CỦA MẠNG ADALINE VÀ MADALINE ......................................................... 35
II.4.2 ĐỘNG HỌC MẠNG ADALINE VÀ MADALINE ................................................................ 36
II.4.3 LUẬT HUẤN LUYỆN CHO ADALINE .............................................................................. 37

II.5 ỨNG DỤNG MẠNG NEURAL .................................................................................... 37

CHƯƠNG III MÔ HÌNH THỰC NGHIỆM ................................... 42
III.1 HỆ THỐNG ĐO LỰC GIÁN TIẾP ............................................................................. 45
III.2 MẠCH CHUYỂN ĐỔI TÍN HIỆU VÀ THU NHẬN DỮ LIỆU ........................................ 47
III.2.1 GIỚI THIỆU: ................................................................................................................ 47
III.2.2 ĐẶC TRƯNG CỦA PCL-818L........................................................................................ 47
III.2.3 ĐẶC ĐIỂM KỸ THUẬT ................................................................................................. 48
III.2.4 LẬP TRÌNH.................................................................................................................. 51

III.3 BÀI TOÁN NEURAL NETWORK............................................................................... 66
III.3.1 MÔ HÌNH VÀ CẤU TRÚC MẠNG ................................................................................. 66
III.3.2 CHƯƠNG TRÌNH MATHLAB HUẤN LUYỆN MẠNG ADALINE ........................................ 70
III.3.3 LẤY DỮ LIỆU MẪU – HUẤN LUYỆN MẠNG................................................................ 71

III.4 GIAO TIẾP ĐIỀU KHIỂN MÁY CNC ........................................................................ 74
III.4.1 ĐIỀU KHIỂN TỐC ĐỘ TRỤC CHÍNH............................................................................. 74

III.4.2 ĐIỀU KHIỂN TỐC ĐỘ ĐI DAO...................................................................................... 76

CHƯƠNG IV THỰC NGHIỆM VÀ KẾT LUẬN .............................. 78


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

DANH MỤC CÁC HÌNH VẼ

Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình

Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình
Hình

I.1: Định nghóa điều khiển thông minh - 1985 ..................................................................... 6
I.2: Ý tưởng cơ bản của INC .............................................................................................. 12
I.3 Dòng dữ liệu của máy thông minh bao gồm cả cơ sở dữ liệu điều kiện cắt................ 13
I.4 Sơ đồ nguyên lý hệ thống đánh bóng tự động............................................................. 14
I.5 Sơ đồ nguyên lý bộ điều khiển ổn định lực cắt ............................................................ 15
I.6 Biểu đồ thể hiện mối tương quan giữa dòng điện và lực cắt (Chiều sâu cắt 4mm,
đường kính dao cắt 20mm tốc độ trục chính 600 v/ph tốc độ đi dao 300 mm/ph) .......... 15
I.7 Mô hình nghiên cứu chẩn đoán gãy dao khi gia công phay ......................................... 16
I.8 Mô hình dự đoán độ nhám bề mặt khi gia công tiện ................................................... 17
II.1 Cấu trúc của một neural .............................................................................................. 19
II.2 Mô tả cấu trúc cơ bản của một neural nhân tạo thứ i ................................................ 20
II.3 Mạng neural feedforward một lớp ................................................................................ 24
II.4 Mạng feedforward nhiều lớp ........................................................................................ 25
II.5 Mạng phản hồi một lớp. .............................................................................................. 25
II.6 Mạng phản hồi nhiều lớp............................................................................................. 26
II.7 Mô tả cách học giám sát ............................................................................................ 27
II.8 Mô tả cách học củng cố.............................................................................................. 28

II.9 Mô tả cách học không giám sát .................................................................................. 29
II.10 Mô tả luật học thông số tổng quát cho một phần tử xử lý thứ i .............................. 29
II.11 Mạng feedforward ba lớp ........................................................................................... 32
II.12 (A) Cấu trúc Adaline
(B) Cấu trúc Madaline ........................................ 36
II.13 Đồ thị hàm truyền...................................................................................................... 36
III.1 Sơ đồ khối mô hình nghiên cứu ................................................................................. 44
III.2 Sơ đồ khối servo driver .............................................................................................. 45
III.3 Khối điều khiển servo FANUC model A06B-6047-H002/3 (FANUC system 6M-B
maintenance manual) ......................................................................................................... 46
III.4 Dạng tín hiệu lấy ra từ cảm biến ................................................................................ 46
III.5 Cấu trúc mạng Adaline xác định lực cắt ..................................................................... 67
III.6 Sơ đồ trình tự huấn luyện mạng................................................................................. 68
III.7 Các trọng số kết nối sau khi hội tụ............................................................................ 70
III.8 Kết quả huấn luyện mạng Adaline .............................................................................. 72
III.9 So sánh giá trị xuất của neural với giá trị mong muốn .............................................. 73
III.10 Chi tiết các tín hiệu điều khiển trục chính ................................................................ 75
III.11 Vị trí nối dây và mã điều khiển tốc độ ..................................................................... 77
IV.1 Hình dáng – kích thước phôi gia công thực nghiệm................................................... 78

Trang 2


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

DANH MỤC CÁC BẢNG

Bảng III-1 Các thông số lập trình PCL-818L .............................................................................. 53
Bảng III-2: Các dữ liệu mẫu ....................................................................................................... 71
Bảng III-3 Tốc độ đi dao ............................................................................................................ 76

DANH MỤC CÁC TỪ VIẾT TẮT

STT

TỪ VIẾT TẮT

1
2
3

NN
A/D
ADC

4
5
6
7

PC
AI
FL
CNC

8
9

I/O
ADALINE

10

MADALINE

11

DMA

12
13
14

IRQ
JP
TSR

15

TTL

NỘI DUNG
Neural Network
Analog/Digital
Analog toDigital
Converter
Personal Computer
Artificial Intelligent
Fuzzy Logic
Computer Numerical

Control
Input/Output
ADAptive LINear
Element
Multiple ADALINE
Direct Memory
Access
Interrupt Request
Jumper
Terminal and Stay
Resident
Transitor to Transitor
Logic

Ý NGHĨA
Mạng neural
Tương tự / số
Bộ chuyển đổi tương tự - số
Máy tính các nhân
Trí tuệ nhân tạo
Điều khiển mờ
Máy điều khiển bằng chương
trình số
Vào/ra
Phần tử tuyến tính thích nghi
Phần tử tuyến tính thích nghi
nhiều ngỏ ra
Truy xuất bộ nhớ trục tiếp
Yêu cầu ngắt
Công tắt chuyển

Chương trình thường trú
Tín hiệu logic số

Trang 3


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

GIỚI THIỆU CHUNG
Sơ lược tình hình phát triển và ứng dụng máy
Ngày nay, vai trò của các máy CNC trong gia công cắt gọt cơ khí đã được
khẳng định. Nhất là khi gia công các chi tiết có hình dáng phức tạp, gia công
khuôn, mẫu và gia công hàng loạt các chi tiết giống nhau. Chính vì lý do đó các
tên tuổi lớn trong lónh vực chế tạo các bộ điều khiển CNC như FANUC,
MITSUBISHI, FAGOR, … thi nhau cho ra đời các sản phẩm mới của mình. Các
sản phẩm này ngày càng mang tính hiện đại, tiện dụng, chính xác và mạnh hơn
về khả năng do chúng được thừa hưởng những thành tựu rực rỡ của ngành Công
nghệ Thông tin trong hai thập niên gần đây.
Đồng hành với các nhà sản xuất bộ điều khiển là các nhà phát triển máy
CNC (CNC builder) cũng cho ra đời những thế hệ máy mới dựa trên những bộ
điều khiển mới nhất. Những trung tâm gia công 4 trục, 5 trục và cao hơn nữa cũng
xuất hiện ngày càng nhiều nhằm thoả mãn nhu cầu cải thiện mẫu mã, đa dạng
hoá sản phẩm để phục vụ nhu cầu ngày càng cao của người tiêu dùng.
Ở nước ta và đặc biệt là TP. Hồ Chí Minh máy CNC bắt đầu được đưa vào
ứng dụng rộng rãi vào đầu những năm 90. Chủ yếu các máy này được ứng dụng
trong các ngành chế tạo khuôn, mẫu và chế tạo máy. Tuy nhiên, chiếm tỉ lệ lớn
trong các máy này là các máy đã qua sử dụng (second hand) được nhập về từ các
nước như Nhật, Hàn Quốc, Đài Loan, …Các máy này có ưu điểm là giá thành rất
thấp so với các máy mới. Nhưng về mặt khả năng, độ chính xác, và tính kinh tế
thì không thể so sánh với các máy mới.

Đặt vấn đề nghiên cứu máy thông minh
Một quy trình thông thường để gia công một chi tiết trên máy CNC là chi tiết
đó được mô hình hoá trên máy tính bằng một phần mềm CAD/CAM. Sau đó
người sử dụng chọn công nghệ gia công (khoan, pocket, wcut, …) và khai báo
một số thông số công nghệ (dao, tốc độ trục chính, lượng ăn dao, tốc độ ăn dao,
…) để module tạo đường chạy dao (toolpath) của phần mềm này xuất ra các các
đường chạy dao dưới dạng các mã lệnh G tiêu chuẩn (Xem Phụ lục). Tập tin lệnh
G này thông thường được truyền đến máy CNC bằng phần mềm truyền DNC
Trang 4


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

thông qua cổng RS-232, RS-422, TAPE, … máy CNC sẽ giải mã và thực thi các
lệnh này đểâ gia công ra chi tiết.
Trong quá trình gia công, người sử dụng vẫn có thể thay đổi các thông số
công nghệ (tốc độ đi dao và tốc độ trục chính) nếu thấy các lựa chọn của mình
chưa hợp lý bằng hai cách:
-

Dùng chế độ override

-

Dùng chế độ dry-run

Với hai chế độ này người sử dụng có thể hiệu chỉnh được các thông số công
nghệ theo ý muốn của mình. Tuy nhiên, trong quá trình gia công lực cắt có thể
thay đổi bởi nhiều nguyên nhân như lượng dư không đều, vật liệu phôi không
đồng đều, … điều này ảnh hưởng rất nhiều đến độ chính xác gia công, tuổi thọ

dụng cụ cắt và năng suất gia công.
Để giải quyết vấn đề này nhiều nhà nghiên cứu ở các nước như Mỹ, Nhật,
Hàn Quốc, … đã cho ra đời nhiều công trình nghiên cứu có giá trị trong ứng dụng
thực tế, đặt nền móng cho một thế hệ máy gia công mới thông minh hơn. Có thể
nói đây là hướng nghiên cứu mới có giá trị thực tiễn cao. Ở nước ta do nhiều
nguyên nhân, hầu như chưa có công trình nghiên cứu hoàn chỉnh nào về vấn đề
này. Nhằm mục đích tìm hiểu cặn kẽ hơn về những gì các nhà nghiên cứu ở các
nước đã làm đồng thời thử nghiệm một cách đơn giản trong điều kiện sẵn có để
có thể rút ra một số kết luận sơ bộ cho vấn đề này, chúng tôi chọn đề tài tốt
nghiệp “Nghiên cứu quá trình gia công thông minh trên máy CNC”.

Trang 5


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

CHƯƠNG I

I.1

NGHIÊN CỨU TỔNG QUAN

LỊCH SỬ ĐIỀU KHIỂN THÔNG MINH

Cuối những năm 70 G. N. Saridis và K. S. Fu (New York – Mỹ) đã bắt đầu
đề cập đến thuật ngữ “điều khiển thông minh – intelligent control”. Vào thập
niên 80 nhiều buổi hội thảo chuyên đề về vấn đề này đã được mở ra và người ta
có dịp bàn luận sâu hơn về vấn đề này. Năm 1985 trong quyển “Lý thuyết cơ bản
của điều khiển thông minh”, Saridis đã đưa ra vị trí của lý thuyết của điều khiển
thông minh là giao điểm của lý thuyết điều khiển (control theory), trí tuệ nhân

tạo (artificial inteligent) và vận trù học (operations research) (Hình I.1).

Lý thuyết điều
khiển

Điều khiển
thông minh
Vận trù học

Trí tuệ nhân
tạo

Hình I.1: Định nghóa điều khiển thông minh - 1985

Thành tựu rực rỡ nhất của của công nghệ điều khiển hệ thống trong hai thập
niên gần đây có thể được phân ra làm hai nhóm truyền thống và tiên tiến. Đáp
ứng lại một yêu cầu, như định nghóa của điều khiển hệ thống, có thể bắt gặp
được từ thời xa xưa. Điểm đặc trưng nhất là các máy servo và các phần cứng điều
khiển khác được thiết kế để điều khiển một hệ thống máy điện đơn giản. Sau đó,
lónh vực điều khiển hệ thống đã được mở rộng theo sự phát triển của khoa họcTrang 6


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

công nghệ, bao gồm các nghiên cứu lý thuyết và ứng dụng phần cứng phức tạp.
Sự phát triển và thành công cơ bản của kỹ thuật hệ thống dựa nhiều vào thành
tựu của máy tính và các khả năng của nó. Trong vài năm gần đây, nhờ vào các
mối quan hệ giữa kỹ thuật hệ thống, hệ thống điều khiển mà sự phát triển của
“điều khiển thông minh”, vốn dựa trên các hệ thống truyền thống này, tất yếu
cũng phát triển theo.

Thông thường, điều khiển thông minh trong hệ thống điều khiển được cải
tiến theo thời gian để đáp ứng tốt các yêu cầu phức tạp, các hệ thống động, hệ
thống thời gian thực, điều kiện môi trường làm việc khó khăn, … Các điều kiện
trên rất khó giải quyết được bằng các kiểu tiếp cận truyền thống đơn giản.
Tóm lại, một xu hướng mới về điều khiển – điều khiển thông minh – đang
được hình thành để đáp ứng lại nhu cầu ngày càng cao về các hệ thống điều
khiển. Xu hướng này đang phát triển mạnh mẽ, nhất là ở các nước phát triển, và
đang đần dần đi vào cuộc sống.

I.2

KHÁI NIỆM THÔNG MINH

Theo Mohammad Teshnehlab và Keigo Watanabe điều khiển thông minh
được nghiên cứu vào khoảng ba thập niên gần đây bởi một số nhà nghiên cứu, và
đã được ứng dụng thành công. Hệ thống điều khiển đã được thiết kế để đáp ứng
nhu cầu của các hệ thống đòi hỏi sự tinh tế và phức tạp cao, chủ yếu là phần
động lực. Các hệ thống này đã được trang bị khả năng quyết định với các điều
kiện trong môi trường không được biết trước. Tuy nhiên, cấu trúc của nó là
nguyên nhân của nhiều giới hạn trong việc ứng dụng. Sự thật là các hệ thống
được thiết kế ngày nay bao trùm các lónh vực lớn hơn trước đây rất nhiều. Các
nghiên cứu trong lónh vực này thường được thực hiện trên các hệ thống mô phỏng
con người như robot, các thiết bị tự động, hệ thống hoạt dộng dưới nước, các hệ
thống tự hành và điều khiển theo thủ tục đã được rút ra từ nhiều lý thuyết điều
khiển thông minh. Tuy nhiên, các lónh vực của điều khiển thông minh cần được
nghiên cứu nhiều hơn, tập trung vào điều khiển các đối tượng thực. Theo truyền
thống, điều khiển thông minh bao gồm lý thuyết điều khiển, mạng neurol (Neural
Network - NN), điều khiển mờ (Fuzzy Logic - FL), trí tuệ nhân tạo (Artifical

Trang 7

Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

Intelligent - AI). Trong khuôn khổ luận án, chúng tôi tập trung vào điều khiển
mạng neural.
G. Saridis và A. Meystel (Troy, New York) cho rằng: “Điều khiển thông
minh sẽ thay thế suy nghó của con người trong việc ra quyết định, hoạch định các
chiến thuật điều khiển và có thể học các chức năng mới bằng cách được huấn
luyện và thực hiện các chức năng thông minh khác khi môi trường không cho
phép hay không bố trí người vận hành. Các hệ thống như thế có thể giải quyết
các vấn đề, nhận dạng các đối tượng, hay hoạch định một chiến thuật cho một
chức năng phức tạp của một hệ thống với các chức năng thông minh như sử dụng
đồng thời bộ nhớ, sự hiểu biết, ra quyết định với nhiều cấp độ khác nhau đáp ứng
lại các dẫn giải mờ (fuzzy) hay định tính…”
Từ thập niên 70 của thế kỷ 20, cùng với sự phát triển nhanh chóng của công
nghệ thông tin, giá thành của các máy tính và của những thiết bị điều khiển dựa
trên máy tính (Pc-based) ngày càng hạ với dung lượng bộ nhớ và tốc độ tính toán
ngày càng cao. Điều này đã tạo điều kiện để các nước công nghiệp phát triển
như Mỹ, Nhật Bản, CHLB Đức xúc tiến các nghiên cứu ứng dụng các bộ điều
khiển có cấu tạo như máy tính vào điều khiển các máy công cụ điều khiển chương trình số dạng CNC.
Ngoài các máy CNC hiện nay nhiều thiết bị và các hệ thống sản xuất công
nghiệp dân dụng, các trang thiết bị quốc phòng ngày càng được hiện đại hóa. tự
động hoá và cơ điện tử hóa theo xu hướng thông minh. Chính vì lẽ đó trong các
hệ thống trang thiết bị này cần phải có bộ điều khiển thông minh. Thống kê các
công trình nghiên cứu về vấn đề bộ điều khiển thông minh, cho thấy đi đầu trong
lónh vực này phải kể đến Khoa Hệ thống Thông minh của viện Quốc gia về Tiêu
chuẩn và Công nghệ (NIST) của Mỹ. Họ tập trung nghiên cứu các bộ điều khiển
thông minh trong hệ thống hàn tự động, các máy công cụ như tiện CNC, phay
CNC, máy CNC nhiều trục…

Bộ môn Máy thông minh của Đại học MC Gill của CANADA lại quan tâm
đến các bộ điều khiển thông minh của các con bọ (Walking robot) 8. 6, 4, 2 và 1
chân. Còn ở bộ môn Kỹ thuật điều khiển tự động, trường đại học Twente Hà Lan
đi sâu vào các bộ điều khiển thông minh trong các hệ thống cơ điện tử .

Trang 8


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

Tạp chí duy nhất trên thế giới về Mechatronics khẳng định cơ điện tử là
khoa học của máy và các hệ thống thông minh. Quan niệm của Viện Công nghệ
cao GINTIC của Singapore về các hệ thống và quá trình gia công thông minh là
hệ thống mà quá trình gia công và xử lý vật liệu một cánh thông minh. Họ đã
nghiên cứu các bộ điều khiển cho các quá trình đánh bóng các bề mặt tự do phức
tạp, các quá trình gia công thông minh như cắt bằng Laser cao tốc theo hướng
tiếp cận Cơ điện tử.
Trường Đại học Kỹ thuật Israel rất quan tâm đến các bộ điều khiển thông
minh của các robot phẫu thuật. Trường Đại học Pohang Hàn Quốc chỉ tập trung
nghiên cứu nâng cao độ chính xác gia công các bề mặt phức tạp trên các máy
CNC 5 trục bằng các bộ điều khiển thông minh.
Bộ điều khiển thông minh còn được các giáo sư trường Đại học Purdue (Mỹ)
đầu tư nghiên cứu áp dụng trong các hệ thống đo các bề mặt tự do, phức tạp
chẳng hạn như máy đo tọa độ CMM. Tiến só John Horst ở Khoa hệ thống thông
minh đã công bố rất nhiều công trình về các hệ thống đo lường thông minh để đo
nhiều điểm cũng như các hệ thống định lượng nhiều thành phần. Qua các công
trình nghiên cứu này các tác giả đều xác định mối quan hệ chặt chẽ giữa bộ điều
khiển thông minh, điều khiển thông minh và hệ thống thông minh. Vấn đề ở đây
là chúng ta tập trung tìm hiểu những nghiên cứu về bộ điều khiển thông minh
trong ngành chế tạo máy.

Ngày nay, máy công cụ CNC ngày càng được sử dụng rộng rãi trong ngành
chế tạo máy và đặc biệt là trong lónh vực gia công, chế tạo khuôn mẫu. Tuy
nhiên khi gia công những bề mặt phức tạp như cánh quạt, chân vịt tàu thủy, cánh
tuốc-bin, v.v... các máy CNC 3 trục bộc lộ những nhược điểm về năng suất, chất
lượng và hiệu quả. Chính vì lẽ đó mà người ta bắt đầu quan tâm nhiều đến các
máy gia công 5 trục đặc biệt là máy phay 5 trục .
Bên cạnh những điều phân tích trên, quá trình gia công gắn liền với những
đặc điểm cố hữu; đó là : dụng cụ cắt bị mòn, gãy, lượng dư gia công thay đổi bất
thường dẫn tới nhiễu cho quá trình cắt gọt gây ảnh hưởng xấu đến chất lượng bề
mặt gia công.
Những vấn đề nêu trên được quan tâm giải quyết trên cơ sở sử dụng những
máy phay 3 trục kết hợp với các phương pháp và giải thuật điều khiển thích nghi
Trang 9


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

trong cơ chế nội suy bù khi gia công các mặt phức tạp, cũng như trên máy phay 5
trục.
Hiện nay trên thế giới đã có nhiều hãng đưa ra thị trường nhiều kiểu máy
phay 5 trục khác nhau. So với máy phay 3 trục các máy này có nhiều ưu điểm
như: giảm số lần gá đặt tránh được các lỗ cắt khi gặp các bề mặt phức tạp và
điều kiện cắt được cải thiện hơn nên chất lượng bề mặt tốt hơn và hầu hết các bộ
điều khiển CNC trên các máy phay loại này đều rất mạnh trong tốc độ xử lý.

I.3

CÁC ĐẶC TRƯNG CỦA ĐIỀU KHIỂN THÔNG MINH

Một số định nghóa giới hạn hệ thống thông minh là một hệ thống dựa trên kỹ

thuật máy tính mềm dẻo, như logic mờ (fuzzy logic), mạng neural và thuật toán di
truyền. Một cách nhìn khác là để phân tích hệ thống điều khiển tuỳ theo các đặc
tính của nó.
Bắt đầu bằng cách nhìn vào quy luật điều khiển, là trái tim của hệ thống
điều khiển, xem nó có thông minh hay không. Bộ điều khiển thông minh có
khuynh hướng kết hợp các thiết lập ban đầu thành các hàm của bộ điều khiển. Đó
cũng là sự khác biệt cơ bản.
Trong bộ điều khiển mờ (fuzzy logic controllers) các phép biến đổi cơ bản
chuyển tập hợp các thông tin đầu vào ở vùng phân giải cao đến vùng có độ phân
giải thấp bằng công cụ “mờ hoá”. Mờ hoá đóng vai trò của một thủ tục tổng quát
hoá, bởi vì nó tìm kiếm sự liên tục trong số các đơn vị thông tin, tập trung vào các
thông tin quan trọng, phân nhón các thông tin. Bộ điều khiển mờ chứa các ánh xạ
điều khiển cho các thông tin đã được tổng quát hoá ở vùng phân giải thấp. Khi
tìm thấy các đáp ứng điều khiển cần thiết, nó sẽ được chuyển ngược lên vùng có
độ phân giải cao bằng một một quá trình được gọi là “giải mờ”. Vì thế, các hệ
thống điều khiển mờ được gọi là các hệ thống đa phân giải, và chúng chuyển qua
lại giữa các vùng nhằm mục đích đạt được một đáp ứng điều khiển cần thiết.
Các mạng neural là một thiết bị tính toán cho sự tổng quát hoá một quan hệ
gần gũi (không gian hay thời gian). Nó là một công cụ tự nhiên ñeå di chuyeån

Trang 10


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

thông tin giữa vùng có độ phân giải cao hơn đến vùng có độ phân giải thấp hơn.
Và như thế mạng neural cũng là một hệ thống đa phân giải.
Các bộ điều khiển dựa trên các ứng xử (behaviour-based controllers) sử
dụng nguyên lý chồng (superposition) các hoạt động của nghiều bộ điều khiển
hoạt động đồng thời, mỗi bộ cung cấp một kiểu ứng xử khác nhau, mối quan hệ

có thứ bậc bên trong có sự bổ trợ ngầm với nhau. Lớp có độ phân giải thấp có thể
chọn bất kỳ bộ điều khiển ứng xử nào tuỳ vào từng thới điểm hay đánh giá mức
ảnh hưởng của một số cách ứng xử đã được chọn. Mỗi cách ứng xử độc lập có
một ảnh hưởng riêng.

I.4

SƠ LƯC CÁC ĐỀ TÀI ĐÃ NGHIÊN CỨU

Một ví dụ về điều khiển thông minh có thể được nhìn thấy trong xe Sojourner
được sử dụng để khám phá sao Hoả. Tùy thuộc vào vị trí tương đối giữa trái đất
và sao hoả mà các tín hiệu điều khiển bị trì hoãn từ 4 đến 20 phút do đó không
thể điều khiển trực tiếp hoạt động của Sojourner. Thay vào đó, bộ phận vận hành
của xe sử dụng những hình ảnh được thu nhận bởi những camera quan sát mặt đất
đặt trên máy để tự phân tích và tự quyết định đường đi của nó.
Giáo sư Y. Kakino ở đại học Kyoto Nhật cho rằng: Bộ điều khiển số thông
minh INC (Intelligent numerical control) là một dụng cụ để thực hiện đầy đủ sự
tinh thông trong gia công và mục tiêu của Ông là xây dựng một hệ thống INC để
cạnh tranh và đạt sản lượng gia công bằng cách sử dụng công nghệ gia công tốc
độ cao (high-speed machining). Ý tưởng cơ bản của INC nằm trong sơ đồ được
thể hiện trên Hình I.2 đã được bắt đầu nghiên cứu và phát triển từ năm 1997. INC
có ba vòng phản hồi dùng cho điều khiển thông minh của quá trình gia công. Lớp
1 là vòng phản hồi điều khiển servo, đây là vòng phản hồi truyền thống của các
hệ thống điều khiển vị trí, dịch chuyển. Lớp 2 là vòng phản hồi về quá trình gia
công, giúp giám sát các thông số của quá trình gia công. Hai vòng phản hồi trên
hoạt động theo thời gian thực. Lớp 3 là vòng xem xét kết quả để cập nhật cở sở
dữ liệu gia công.

Trang 11

Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

Hình I.2: Ý tưởng cơ bản của INC

Kaan Erkorkmaz ở đại học công nghệ Istanbul đưa ra các thông số cụ thể
như sau: gia công tốc độ cao bao hàm tốc độ cắt khoảng 1000 m/ph, tốc độ dịch
dao đến 40 m/ph và gia tốc trên 1g, tốc độ trục chính đạt khoảng 20.000 v/ph,
công suất khoảng 40 kW trở lên.
Trong đề tài nghiên cứu của ba nhóm tác giả (Tomonori Sata thuộc tập đoàn
Mitsubishi Electric, Yoshiaki Kakino thuộc Kyoto University, Makoto Fujishima
thuộc công ty Mori Seiki) về quá trình “Khoan tốc độ cao và sản xuất nhanh bằng
máy công cụ thông minh, các tác giả đã cố gắng đạt được một quá trình gia công
hoàn toàn tối ưu bằng cách tích hợp quá trình hoạch định chế độ cắt và điều
khiển thích nghi cho quá trình khoan. Nhiệm vụ đặt ra là họ làm thế nào để nhận
biết được đâu là chế độ gia công thích hợp khi gia công các vật liệu khác nhau,
đặc biệt là khi độ cứng của các vật liệu này khác nhau và hoàn toàn không được
biết trước như vật liệu composite. Phương pháp được đặt ra là nhận biết điều kiện
cắt lúc khới đầu bằng các đặc tính đã được định nghóa trước trong cơ sở dữ liệu
và sau đó nhận biết các điều kiện cắt khi gia công và cập nhật lại các đặc tính
gia công trong cơ sở dữ liệu (Hình I.3).
Mô hình nghiên cứu đã được xây dựng để chứng minh lý thuyết đặt ra (Hình
I.3). Trong mô hình này, máy thực hiện việc khoan một lỗ sâu trên thép đúc. Thời

Trang 12


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

gian gia công giảm bớt được 40%, Ở trường hợp thứ hai gia công trên thép, thời

gian gia công giảm bớt 5-20%.

Thiết lập dao và

DB điều

phôi

kiện cắt
Cập nhật

Module hoạch

Module nhận

Tối ưu điều kiện cắt,
thông số servo
Module điều khiển

Lệnh

Phản hồi
MÁY CNC

Hình I.3 Dòng dữ liệu của máy thông minh bao gồm cả cơ sở dữ liệu điều kiện cắt

Nhóm tác giả X.Q. Chen, Z.M. Gong, H. Huang và L. Zhou ở Trung tâm
Gentic Đại học NangYang Singapore đưa ra mô hình hệ thống robot tự động đánh
bóng ba chiều dùng để sửa chữa turbine các cánh máy bay (Hình I.4).

Trang 13


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

DC 2

DC 3
Robot
DC 4

DC 1

Hút phoi

Trạm đo

ĐK robot

Bàn xoay

Giao tiếp
PC

Hình I.4 Sơ đồ nguyên lý hệ thống đánh bóng tự động

Trong mô hình này, các đầu dụng cụ phục vụ thụ động (passive compliant
tool – PCT) đạt đến một lực tối ưu và điều khiển phù hợp. Một module cảm biến
đo biên dạng (PMS) lấy mẫu mặt cắt biên dạng thực. Sau đó một giải thuật biên
dạng tối ưu (OPF) tính ra sai số biên dạng thực. Dựa trên độ sai lệch về biên

dạng, một bộ hoạch định đường đi cho robot tạo ra đường đi và chương trình phù
hợp để đưa vào bộ điều khiển robot để điểu khiển robot thực hiện công việc đánh
bóng một cách trực tuyến (on-line).
Một ví dụ về máy thông minh của nhóm nghiên cứu Tae-Young và Jongwon
Kim (Công ty Elsevier Science Ltd - Anh Quốc) “Điều khiển thích nghi lực cắt
cho trung tâm gia công sử dụng phương pháp đo lực cắt gián tiếp”.

Trang 14


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

Hình I.5 Sơ đồ nguyên lý bộ điều khiển ổn định lực cắt

Trong nghiên cứu này, có điểm đặc biệt là lực cắt không được đo trực tiếp
mà được đo gián tiếp thông qua dòng điện chạy qua động cơ điều khiển các trục.
Từ dòng điện này người ta suy ra được lực cắt dựa theo biểu đồ Hình I.6

Hình I.6 Biểu đồ thể hiện mối tương quan giữa dòng điện và lực cắt
(Chiều sâu cắt 4mm, đường kính dao cắt 20mm tốc độ trục chính 600 v/ph tốc độ đi dao 300 mm/ph)

Trang 15


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

Một nhóm các nhà nghiên cứu gồm Po-Tsang Huang, J. C. Chen, Chao Yu
Chou đã nghiên cứu về mô hình chẩn đoán gãy dao khi gia công phay.

Hình I.7 Mô hình nghiên cứu chẩn đoán gãy dao khi gia công phay

Trong mô hình này, biến phụ thuộc là hợp lực lớn nhất trong mỗi vòng quay
khi dao còn tốt và các biến độc lập là tốc độ trục chính, lượng ăn dao, chiều sâu
cắt có thể được điều khiển độc lập. Vì các biến độc lập là các thông số có thể
điều khiển được của máy CNC, dựa vào các biến này có thể dự đoán trước lực
cắt trong quá trình gia công. So sánh lực cắt dự đoán và lực cắt đo được thông
qua hệ thống cảm biến có thể rút ra tình trạng của dụng cụ khi gia công.
Luke và J. C. Chen xây dựng mô hình dự đoán độ nhám bề mặt khi gia công
tiện. Mục đích nghiên cứu là thiết lập một mô hình đa hồi quy có khả năng dự
đoán độ nhám bề mặt trong quá trình gia công tiện. Mô hình đòi hỏi phải có các
đặc tính sau: Sử dụng các thông số gia công (tốc độ trục chính, lượng ăn dao,
chiều sâu cắt) để dự đoán, sử dụng các thông số về dao động được thu nhận
thông qua một gia tốc kế làm công cụ thứ hai để dự đoán. Độ chính xác được
đánh giá là trên 90%.

Trang 16


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

Hình I.8 Mô hình dự đoán độ nhám bề mặt khi gia công tiện

I.5

KẾT LUẬN

Nhằm mục đích nâng cao năng suất và độ chính xác khi gia công cắt gọt,
bên cạnh việc nghiên cứu dụng cụ cắt, chế độ gia công, đường chạy dao, … các
bộ điều khiển có tính thông minh cũng rất được chú ý phát triển. Một lượng lớn
các công trình nghiên cứu về điều khiển thông minh lần lượt ra đời trong hơn hai

chục năm qua đủ khẳng định ý nghóa và khả năng của nó.
Điểm đặc trưng của bộ điều khiển thông minh là dùng thêm một vòng hồi
tiếp nữa bên cạnh các vòng hồi tiếp thông thường trong điều khiển vị trí để hiệu
chỉnh một cách mềm dẻo các thông số công nghệ trong quá trình gia công. Các
thông số như tiếng ồn (gây ra do va đập trong quá trình gia công), nhiệt cắt, lực
cắt, độ nhám bề mặt, rung động, … thường được sử dụng cho mục đích này.

Trang 17


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

Trong đó nổi bật nhất là thông số lực cắt. Lực cắt là yếu tố sinh ra nhiệt cắt trong
quá trình gia công, là nguyên nhân chính dẫn đến việc mòn dụng cụ và là nhân tố
chủ yếu gây nên các biến dạng của hệ thống công nghệ trong quá trình gia công.
Giữ ổn định lực cắt trong quá trình gia công sẽ giúp ta cải thiện được chất lượng
bề mặt gia công, tăng năng suất và giảm bớt việc mòn và gãy dụng cụ trong quá
trình gia công.
Để tăng tính mềm dẻo và thông minh trong các hệ thống điều khiển các nhà
nghiên cứu thường sử dụng các giải thuật điều khiển như mạng neural, logic mờ,
trí tuệ nhân tạo, … Do có khả năng thích ứng với các hệ thống động học phức tạp
và không biết trước nên mạng neural thường được sử dụng trong việc nghiên cứu
các máy gia công thông minh.
Chương tiếp theo sẽ giới thiệu khái quát về lý thuyết mạng neural, phần
thiết kế cụ thể sẽ được giới thiệu trong phần nội dung nghiên cứu.

Trang 18


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

CHƯƠNG II

LÝ THUYẾT ĐIỀU KHIỂN
NEURAL NETWORK

II.1

TỔNG QUÁT VỀ MẠNG NEURAL

Mạng neural nhân tạo là mạng được xây dựng bằng cách sao chép lại
nguyên lý tổ chức của mạng neural con người. Bộ óc con người là một mạng
neural gồm có 1010 đến 1012 neural được tổ chức có cấu trúc vào khoảng 200 mô
hình khác nhau dưới dạng nhiều lớp. Cấu trúc cơ bản của một neural trong hệ
neural con người gồm có các đầu vào, thân neural và các đầu ra. Thân neural là
phần tử xử lí có chức năng thu thập tất cả các thông tin đến từ các đầu vào, tính
toán và đưa ra quyết định ở ngõ ra để gởi tín hiệu đến nhiều neural khác như
được mô tả ở Hình II.1.

Kết nối
a

Kết nối

thân
neur
Hình II.1 Cấu trúc của một neural

Mỗi neural có nhiều đầu vào và chỉ một đầu ra. Các kết nối thực hiện chức
năng liên kết nối giữa đầu vào của neural này với đầu ra của neural khác. Tín

hiệu truyền từ neural này đến neural khác là tín hiệu điện áp. Có hai loại tín hiệu
điện áp đó là điện áp dương và điện áp âm . Điện áp dương được coi như là tín
hiệu kích động (excitory) để kích động neural gởi tín hiệu đến nhiều neural khác,
và điện áp âm được coi như là tín hiệu ức chế (inhibitory) để ức chế neural gởi

Trang 19


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

tín hiệu đến nhiều neural khác. Khi điện áp là zero thì không có tín hiệu nối giữa
hai neural.
Cấu trúc cơ bản của một hệ neural con người gồm có lớp neural đầu vào, các
lớp neural ẩn và lớp neural đầu ra. Lớp neural đầu vào được kết nối với các phần
tử cảm biến như miệng, mắt, tai, mũi và da. Lớp neural đầu ra được kết nối với
các phần tử cơ bản như chân và tay. Mô hình kết nối của một hệ neural con người
gồm có đầu ra của neural này kết nối với đầu vào của nhiều neural khác hoặc
kết nối với các đầu vào của neural chính nó. Cường độ kết nối đầu vào xác định
lượng tín hiệu truyền đến đầu vào dendryte. Giá trị của cường độ kết nối được
gọi là trọng số. Trong thời gian hệ tiếp xúc một vài đối tượng, một số phần tử
cảm biến bị tác động , cường độ kết nối của một số neuton thích hợp trong hệ sẽ
được gia tăng nhằm cung cấp toàn bộ thông tin về toàn bộ đối tượng mà hệ đang
tiếp xúc và sau đó đưa ra một số quyết định ở lớp neuton đầu ra để điều khiển
một vài phần tử cơ. Quá trình hệ bắt đầu tiếp xúc một vài đối tượng cho đến khi
hệ làm ra một số quyết định để điều khiển một vài phần tử cơ gọi là huấn luyệân
hay còn gọi là quá trình học. Cường độ kết nối của một số neural thích hợp được
gia tăng theo trong thời gian hệ đang tiếp xúc đối tượng được gọi là luật học.
Trong một vài trường hợp, hệ có chẩn đoán sai, hệ có thể tự điều chỉnh để có một
chẩn đoán đúng bằng cách hệ có thể cập nhật trọng số kết nối giữa các neural
thích hợp sao cho hệ có một chẩn đoán đúng.

Để xây dựng một mạng neural nhân tạo giống như hệ neural con người, ý
tưởng đầu tiên của McCulloch và Pitts vào năm 1943 đề ra một cấu trúc cơ bản
của neural thứ i trong mô hình mạng neuton nhân tạo như Hình II.2

wi1

x1

yi

x2

Giá trị xuất

wi2
xm
wim

θi

Phần tử xử lý
thứ i

Hình II.2 Mô tả cấu trúc cơ bản của một neural nhân tạo thứ i
Trang 20


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

Trong đó :

• xj là đầu ra của neural thứ j hoăc đầu vào từ môi trường bên
ngoài.
• wij là trọng số kết nối giữa neural thứ i và neural thứ j.
• θi là giá trị ngưỡng của neural thứ i.
• yi là đầu ra của neural thứ i.
Mô hình toán đơn giản cho đầu ra yi của neural thứ i được định nghóa như
sau:
m

yj (t+1) = a( ∑ wij x j (t) − θi )
j =1

Trong đó: fi là một hàm tổng hợp để tổng hợp tất cả các thông tin đến từ các
đầu vào của neural thứ i được mô tả bằng hàm tuyến tính:
m

fi = ( ∑ wij x j (t ) − θi )
j =1

và đầu ra yi (t+1) = a(fi) là một hàm tác động có thể được mô tả bằng hàm
bậc thang đơn vị:
1 nếu f ≥ 0

a(f) = 

i

0 nếu fi < 0

Trọng số wij biểu diễn cường độ kết nối giữa neural thứ j với neural đích

thứ i. Nếu là trọng số dương tương ứng với tín hiệu truyền kích động. Nếu là
trọng số âm tương ứng với tín hiệu truyền ức chế và nếu wij = 0 thì không có sự
kết nối giữa hai neural.

Trang 21


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

II.2

CÁC THÀNH PHẦN CƠ BẢN CỦA CÁC MẠNG NEURAL

NHÂN TẠO
Các thành phần cơ bản của các mạng neural nhân tạo là các phần tử xử lý,
mô hình kết nối và việc huấn luyện mạng.
II.2.1 Phần tử xử lý
Một mạng neural nhân tạo đïc kết nối bằng nhiều thân neural, mỗi đơn vị
là một phần tử xử lý. Mỗi phần tử xử lý này có nhiều đầu vào và một đầu ra. Để
kết hợp với các đầu vào của mỗi phần tử xử lý thứ i đó là một hàm tổng hợp fi có
chức năng tổng hợp tất cả các thông tin từ các nguồn bên ngoài hoặc từ nhiều
phần tử xử lý khác gởi đến và kết hợp với đầu ra của mỗi phần tử xử lý thứ i đó
là một hàm tác động hay còn gọi là hàm truyền a(fi).
Hàm tổng hợp : Nếu xj là đầu vào từ môi trường bên ngoài hoặc đầu ra
của phần tử xử lý thứ j, wij là trọng số để kết nối giữa xj và phần tử xử lý thứ i và
θi là giá trị ngưỡng của phần tử xử lý thứ i, thì hàm tổng hợp fi để kết hợp tất cả
các thông tin từ các đầu vào của phần tử xử lý thứ i có thể được định nghóa một
trong các dạng sau:
+ Hàm tổng hợp tuyến tính:
fi = (

m

∑w
j =1

ij

x j (t ) − θi)

+ Hàm tổng hợp phi tuyến bình phương :
fi =

m

∑w
j =1

ij

x 2j − θ i

Hàm tác động (hàm truyền) : Kết hợp đầu ra của phần tử xử lý thứ i là một
hàm tác động hay còn gọi là hàm truyền a(f). Hàm truyền phải liên tục, đơn điệu,
tiện lợi trong tính toán, dễ dàng xác định đạo hàm, đối xứng,… Một vài hàm
truyền được sử dụng như sau :
+ Hàm bậc thang đơn vị :
 1 neáu f ≥ 0
a(f) = 
 0 neáu f < 0

Trang 22


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

f

+ Hàm ngưỡng hay còn gọi là hàm dấu :
u fu >f ≥1 0
1 neá
 neá

a(f) = sgn(f) = 
 - 1 nếu f < 0

nếu 0 £ f

f

+ Hàm tuyến tính:
a(f)=f

f

+ Hàm Unipolar sigmoid:
a(f) =

1
1 + e - λf

Trong đó : l > 0

f

+ Haøm Bipolar sigmoid:

Trang 23


Nghiên cứu QTGCTM trên máy CNC – Đặng Thành Trung

a(f) =

2
−1
−
λ
f
1+ e

f

II.2.2 Mô hình kết nối của các mạng neural nhân tạo
Thành phần quan trọng thứ hai của các mạng neural nhân tạo đó là mô
hình kết nối. Mô hình kết nối của các mạng neural nhân tạo có thể được chia ra
làm hai loại, đó là các mạng feedforward (feedforward network) và các mạng
phản hồi (feedback network). Mạng feedforward là mạng được xây dựng bằng
cách đầu ra của neural ở lớp neural đứng trước chính là đầu vào của các neural ở
lớp đứng sau nó. Mạng phản hồi là mạng mà được xây dựng khi các đầu ra được

định hướng lùi về làm các đầu vào cho các neural ở cùng lớp hoặc ở lớp đứng
trước nó. Nếu mạng phản hồi mà các đầu ra của lớp neural đầu ra là các đầu vào
của lớp neural đầu vào thì được gọi là mạng Recurrent hay còn gọi là mạng hồi
tiếp vòng kín. Giả sử xj (j=1...m) là các đầu vào của lớp neural đầu vào, wij là
trọng số kết nối giữa neural thứ j và neural thứ i, và yi (i=1...n) là các đầu ra của
lớp neural đầu ra. Hình II.3 mô tả mạng neural feedforward một lớp, Hình II.4
mô tả mạng neural feedforward nhiều lớp, Hình II.5 mô tả mạng neural phản hồi
một lớp và Hình II.6 mô tả mạng phản hồi nhiều lớp.
x1

y1

x2

y2

xm

yn

Hình II.3 Mạng neural feedforward một lớp
Trang 24