鋁合金高速干切削過程智能監(jiān)控及工藝研究

　　2.3 MQL系統(tǒng)的模糊控制實現(xiàn)

　　模糊控制模塊設(shè)計采用NI公司的LabVIEW PID 工具包，模糊控制算法直接在Labview軟件內(nèi)實現(xiàn)，采用查表法，使模糊控制器可以保證控制的實時性?？刂七^程是：切削過程中的各類加工信號通過NI PCI-6220采集卡以數(shù)字信號的形式被采進主控計算機后，并對其進行預(yù)處理求其特征值，在主控計算機的Labview環(huán)境中，與設(shè)定的標準值比較后求 出誤差和誤差的變化，通過查詢事先做好的模糊控制表，得到一個模糊控制的輸出量，再通過NI PCI-6220的一個數(shù)字輸出口，從而控制MQL系統(tǒng)。圖7為模糊控制的核心程序框圖。

　　圖8 模糊控制的核心程序框圖

　　2.4、基于KS(Kolmogorov-Smirnov)智能刀具磨損狀態(tài)識別

　　Kolmogorov-Smimov檢驗(KS檢驗)是一種非參數(shù)統(tǒng)計，它用于描述兩個獨立統(tǒng)計樣本的相似性，目前已成功運用于航天、生物工程等許多領(lǐng)域。項目將KS檢驗的方法應(yīng)用于刀具磨損狀態(tài)識別，取得了滿意的效果，且效率較高，完全可以滿足在線智能診斷的要求。

　　從采集到的數(shù)據(jù)中分別提取如下三種不同磨損刀具的振動信號分別記為樣本A(新刀振動數(shù)據(jù))、樣本B(微磨損刀具振動信號)和樣本C(嚴重磨損刀具振 動信號)，時域波形見圖8到圖11。在從嚴重磨損刀具振動信號中取一段信號記為樣本D，樣本D是待識別的振動信號，用來進行磨損識別檢驗。上面所有樣本信 號產(chǎn)生的切削三要素、工件材料等切削條件都相同。樣本信號都經(jīng)過預(yù)處理的樣本數(shù)據(jù)。樣本數(shù)據(jù)的長度都為1024個數(shù)據(jù)點，采樣頻率為20KHz。

　　首先，要準備磨損樣本識別庫，將不同磨損劃分刀具的振動信號存入磨損樣本實例庫中，這樣就得到三種磨損(新刀、微磨損、嚴重磨損)狀態(tài)庫。在相同的切削條件下，將待檢樣本D按照圖12流程進行分類識別。

　　表1 樣本A、樣本B和樣本C的KS檢驗統(tǒng)計值表

　　從表1中可知，在取統(tǒng)計距離D=0.0601，顯著性水平=0.05為門檻值，則識別的結(jié)果完全正確。

　　圖13磨損狀態(tài)識別流程圖

　　三、總結(jié)：

　　虛擬儀器以計算機為統(tǒng)一的硬件平臺，配以具有測試和控制功能硬件接口卡，通過系統(tǒng)管理軟件的統(tǒng)一指揮調(diào)度來實現(xiàn)傳統(tǒng)測控儀器的功能。與傳統(tǒng)儀器相 比，虛擬儀器在智能化程度、處理能力、性能價格比、可操作性等方面都具有明顯的技術(shù)優(yōu)勢。本文利用虛擬儀器技術(shù)，建立了刀具磨損的在線監(jiān)控系統(tǒng)，實時掌握 并控制加工進程中的狀態(tài)，并能夠動態(tài)地采集、存儲和分析數(shù)據(jù)，經(jīng)多次試驗認證可以準確地監(jiān)控刀具磨損狀態(tài)，避免一些危險狀態(tài)的出現(xiàn)，具有實際工程的應(yīng)用價值。