1. 引言
新一輪工業(yè)革命的核心技術(shù)是智能制造——制造業(yè)數(shù)字化、網(wǎng)絡(luò)化和智能化。作為美國(guó)工業(yè)互聯(lián)網(wǎng)、德國(guó)工業(yè)4.0和中國(guó)制造業(yè)高質(zhì)量發(fā)展的主攻方向,智能制造將先進(jìn)信息技術(shù)(特別是新一代人工智能技術(shù))和制造技術(shù)進(jìn)行深度融合,以推進(jìn)新一輪工業(yè)革命[1]。
機(jī)床是制造業(yè)的“工業(yè)母機(jī)”,其智能化程度對(duì)智能制造的實(shí)施具有重要影響。加速機(jī)床向智能邁進(jìn),提高機(jī)床的智能化水平,不僅是機(jī)床行業(yè)面臨的轉(zhuǎn)型升級(jí)的緊迫需求,更是打造制造強(qiáng)國(guó)的關(guān)鍵和基礎(chǔ)[2]。
2017年年底,中國(guó)工程院提出了智能制造的三個(gè)基本范式[1]:數(shù)字化制造、數(shù)字化網(wǎng)絡(luò)化制造、數(shù)字化網(wǎng)絡(luò)化智能化制造——新一代智能制造,為智能制造的發(fā)展統(tǒng)一了思想,指明了方向。
依照智能制造的三個(gè)范式和機(jī)床的發(fā)展歷程,機(jī)床從傳統(tǒng)的手動(dòng)操作機(jī)床向智能機(jī)床演化同樣可以分為三個(gè)階段:數(shù)字化+機(jī)床(numerical control machine tool,NCMT),即數(shù)控機(jī)床;互聯(lián)網(wǎng)+數(shù)控機(jī)床(smart machine tool,SMT),即互聯(lián)網(wǎng)機(jī)床;新一代人工智能+互聯(lián)網(wǎng)+數(shù)控機(jī)床,即智能機(jī)床(intelligent machine tool,IMT)。
第一個(gè)階段是數(shù)控機(jī)床。其主要特征是:在人和手動(dòng)機(jī)床之間增加了數(shù)控系統(tǒng),人的體力勞動(dòng)交由數(shù)控系統(tǒng)完成。
第二個(gè)階段是互聯(lián)網(wǎng)+機(jī)床。其主要特征是網(wǎng)絡(luò)化等信息技術(shù)與數(shù)控機(jī)床的融合,賦予機(jī)床感知和連接能力,人的部分感知能力和部分知識(shí)賦予型腦力勞動(dòng)交由數(shù)控系統(tǒng)完成。
第三個(gè)階段是智能機(jī)床。其主要特征是:新一代人工智能技術(shù)融入數(shù)控機(jī)床,賦予機(jī)床學(xué)習(xí)的能力,可生成并積累知識(shí)。人的知識(shí)學(xué)習(xí)型腦力勞動(dòng)交由數(shù)控系統(tǒng)完成。
基于對(duì)機(jī)床發(fā)展的分析,本文擬定的研究?jī)?nèi)容如下:第2部分詳細(xì)介紹了機(jī)床到智能機(jī)床的演化過程;第3部分重點(diǎn)論述了智能機(jī)床的控制原理(包含關(guān)鍵使能技術(shù))、主要特點(diǎn)及四項(xiàng)功能特征;第4部分具體闡述智能數(shù)控系統(tǒng)和智能機(jī)床工業(yè)樣機(jī)的實(shí)踐,并通過智能化技術(shù)應(yīng)用案例,驗(yàn)證了智能機(jī)床和智能化技術(shù)的可行性和有效性;第5部分對(duì)全文進(jìn)行了總結(jié)。
2. 機(jī)床到智能機(jī)床的演化
手 動(dòng) 機(jī) 床(manually operated machine tool,MOMT)是機(jī)床的最初形態(tài),它是人和機(jī)床物理系統(tǒng)的融合。操作者通過人腦的感知和決策,用雙手操控機(jī)床,完成零件加工。手動(dòng)機(jī)床的加工過程完全由人完成信息感知、分析、決策和操作控制,構(gòu)成了典型的“人-機(jī)系統(tǒng)”(human-physical systems,HPS)[1]。手動(dòng)機(jī)床控制原理的抽象描述如圖1所示。
圖1.(a)手動(dòng)機(jī)床控制原理;(b)手動(dòng)機(jī)床構(gòu)成的“人-機(jī)系統(tǒng)”(HPS)[1]。
機(jī)床從手動(dòng)機(jī)床發(fā)展到智能機(jī)床可分為三個(gè)階段:數(shù)控機(jī)床、互聯(lián)網(wǎng)+機(jī)床和智能機(jī)床。
2.1. 數(shù)控機(jī)床
隨著數(shù)字控制技術(shù)的發(fā)展,手動(dòng)機(jī)床發(fā)展成為數(shù)控機(jī)床。通過在人和機(jī)床之間增加數(shù)控系統(tǒng),加工信息通過G代碼輸入到數(shù)控系統(tǒng)中,由數(shù)控系統(tǒng)替代人操控機(jī)床,實(shí)現(xiàn)對(duì)機(jī)床的運(yùn)動(dòng)控制。
數(shù)控機(jī)床是“人-信息-機(jī)系統(tǒng)”(human-cyber-physical systems,HCPS)[1],即在“人”(human)和“機(jī)”(physical)之間增加了一個(gè)信息系統(tǒng)(cyber system,即數(shù)控系統(tǒng))。數(shù)控機(jī)床控制原理的抽象描述如圖2所示。
圖2.(a)數(shù)控機(jī)床控制原理;(b)數(shù)控機(jī)床的“人-信息-機(jī)系統(tǒng)”(HCPS)[1]。
與手動(dòng)機(jī)床相比,數(shù)控機(jī)床發(fā)生的本質(zhì)變化是:在人和機(jī)床物理實(shí)體之間增加了數(shù)控系統(tǒng)。數(shù)控系統(tǒng)在機(jī)床的加工過程中發(fā)揮著重要作用。數(shù)控系統(tǒng)替代了人的體力勞動(dòng),控制機(jī)床完成加工任務(wù)。
但由于數(shù)控機(jī)床只是通過G代碼來實(shí)現(xiàn)刀具、工件的軌跡控制,缺乏對(duì)機(jī)床實(shí)際加工狀態(tài)(如切削力、慣性力、摩擦力、振動(dòng)、切削力、熱變形,以及環(huán)境變化等)的感知、反饋和學(xué)習(xí)建模的能力,導(dǎo)致實(shí)際路徑可能偏離理論路徑等問題,影響了加工精度、表面質(zhì)量和生產(chǎn)效率。因此,傳統(tǒng)的數(shù)控機(jī)床的智能化程度并不高。
2.2. 互聯(lián)網(wǎng) + 機(jī)床
近年來,隨著“互聯(lián)網(wǎng)+”技術(shù)的不斷推進(jìn),以及互聯(lián)網(wǎng)和數(shù)控機(jī)床的融合發(fā)展[3,4],互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、智能傳感技術(shù)開始應(yīng)用到數(shù)控機(jī)床的遠(yuǎn)程服務(wù)、狀態(tài)監(jiān)控、故障診斷、維護(hù)管理等方面,國(guó)內(nèi)外機(jī)床企業(yè)開展了一定的研究和實(shí)踐[5,6]。Mazak公司、Okuma(大隈)公司、DMG-MORI(德瑪吉)公司、FANUC公司、沈陽機(jī)床股份有限公司等紛紛推出了各自的互聯(lián)網(wǎng)+機(jī)床[7]。
“互聯(lián)網(wǎng)+傳感器”為互聯(lián)網(wǎng)+機(jī)床的典型特征,它主要解決了數(shù)控機(jī)床感知能力不夠和信息難以連接互通的問題。
與數(shù)控機(jī)床相比,互聯(lián)網(wǎng)+機(jī)床增加了傳感器,增強(qiáng)了對(duì)加工狀態(tài)感知能力;應(yīng)用工業(yè)互聯(lián)網(wǎng)進(jìn)行設(shè)備的連接互通,實(shí)現(xiàn)機(jī)床狀態(tài)數(shù)據(jù)的采集和匯聚;對(duì)采集到的數(shù)據(jù)進(jìn)行分析與處理,實(shí)現(xiàn)機(jī)床加工過程的實(shí)時(shí)或非實(shí)時(shí)的反饋控制。互聯(lián)網(wǎng)+機(jī)床控制原理的抽象描述如圖3所示。
圖3.(a)互聯(lián)網(wǎng)+機(jī)床控制原理;(b)數(shù)字化網(wǎng)絡(luò)化制造系統(tǒng)“人-信息-機(jī)系統(tǒng)”[1]。
互聯(lián)網(wǎng)+機(jī)床具有一定的智能化水平,主要體現(xiàn)在:
(1)網(wǎng)絡(luò)化技術(shù)和數(shù)控機(jī)床不斷融合。2006年,美國(guó)機(jī)械制造技術(shù)協(xié)會(huì)(AMT)提出了MT-Connect協(xié)議,用于機(jī)床設(shè)備的互聯(lián)互通[8,9]。2018年,德國(guó)機(jī)床制造商協(xié)會(huì)(VDW)基于通信規(guī)范OPC統(tǒng)一架構(gòu)(UA)的信息模型,制定了德國(guó)版的數(shù)控機(jī)床互聯(lián)通信協(xié)議Umati [10]。華中數(shù)控聯(lián)合國(guó)內(nèi)數(shù)控系統(tǒng)企業(yè),提出數(shù)控機(jī)床互聯(lián)通信協(xié)議NC-Link,實(shí)現(xiàn)了制造過程中工藝參數(shù)、設(shè)備狀態(tài)、業(yè)務(wù)流程、跨媒體信息以及制造過程信息流的傳輸。
(2)制造系統(tǒng)開始向平臺(tái)化發(fā)展。國(guó)外公司相繼推出大數(shù)據(jù)處理的技術(shù)平臺(tái)。GE公司推出面向制造業(yè)的工業(yè)互聯(lián)網(wǎng)平臺(tái)Predix [11],西門子發(fā)布了開放的工業(yè)云平臺(tái)Mindsphere [12];華中數(shù)控率先推出了數(shù)控系統(tǒng)云服務(wù)平臺(tái),為數(shù)控系統(tǒng)的二次開發(fā)提供標(biāo)準(zhǔn)化開發(fā)和工藝模塊集成方法。當(dāng)前,這些平臺(tái)主要停留在工業(yè)互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算技術(shù)層面上,隨著智能化技術(shù)的發(fā)展,其呈現(xiàn)出應(yīng)用到智能機(jī)床上的潛力與趨勢(shì)。
(3)智能化功能初步呈現(xiàn)。國(guó)外,2006年,日本Mazak公司展出了具有四項(xiàng)智能功能的數(shù)控機(jī)床,包括主動(dòng)振動(dòng)控制、智能熱屏障、智能安全屏障、語音提示。DMG MORI公司推出了CELOS應(yīng)用程序擴(kuò)展開放環(huán)境。FANUC公司開發(fā)了智能自適應(yīng)控制、智能負(fù)載表、智能主軸加減速、智能熱控制等智能機(jī)床控制技術(shù)。Heidenhain公司的TNC640數(shù)控系統(tǒng)具有高速輪廓銑削、動(dòng)態(tài)監(jiān)測(cè)、動(dòng)態(tài)高精等智能化功能。國(guó)內(nèi)的華中數(shù)控HNC-8數(shù)控系統(tǒng)集成了工藝參數(shù)優(yōu)化、誤差補(bǔ)償、斷刀監(jiān)測(cè)、機(jī)床健康保障等智能化功能。
盡管“互聯(lián)網(wǎng)+機(jī)床”已經(jīng)發(fā)展了十多年,取得了一定的研究和實(shí)踐成果,但到目前為止,只是實(shí)現(xiàn)了一些簡(jiǎn)單的感知、分析、反饋、控制,遠(yuǎn)沒有達(dá)到替代人類腦力勞動(dòng)的水平。由于過于依賴人類專家進(jìn)行理論建模和數(shù)據(jù)分析,機(jī)床缺乏真正的智能,導(dǎo)致知識(shí)的積累艱難而緩慢,且技術(shù)的適應(yīng)性和有效性不足。其根本原因在于機(jī)床自主學(xué)習(xí)、生成知識(shí)的能力尚未取得實(shí)質(zhì)性突破。
2.3. 智能機(jī)床
新世紀(jì)以來,移動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等新一代信息技術(shù)日新月異、飛速發(fā)展,形成了群體性跨越。這些技術(shù)進(jìn)步,集中匯聚在新一代人工智能技術(shù)的戰(zhàn)略性突破,其本質(zhì)特征是具備了知識(shí)的生成、積累和運(yùn)用的能力。
新一代人工智能與先進(jìn)制造技術(shù)深度融合所形成的新一代智能制造技術(shù),成為新一輪工業(yè)革命的核心驅(qū)動(dòng)力,也為機(jī)床發(fā)展到智能機(jī)床,實(shí)現(xiàn)真正的智能化提供了重大機(jī)遇。
智能機(jī)床是在新一代信息技術(shù)的基礎(chǔ)上,應(yīng)用新一代人工智能技術(shù)和先進(jìn)制造技術(shù)深度融合的機(jī)床,它利用自主感知與連接獲取機(jī)床、加工、工況、環(huán)境有關(guān)的信息,通過自主學(xué)習(xí)與建模生成知識(shí),并能應(yīng)用這些知識(shí)進(jìn)行自主優(yōu)化與決策,完成自主控制與執(zhí)行,實(shí)現(xiàn)加工制造過程的優(yōu)質(zhì)、高效、安全、可靠和低耗的多目標(biāo)優(yōu)化運(yùn)行。
圖4. 智能機(jī)床定義。
利用新一代人工智能技術(shù)賦予機(jī)床知識(shí)學(xué)習(xí)、積累和運(yùn)用能力,人和機(jī)床的關(guān)系發(fā)生根本性變化,實(shí)現(xiàn)了從“授之以魚”到“授之以漁”的根本轉(zhuǎn)變[1]。
3. 基于新一代人工智能的智能機(jī)床
3.1. 智能機(jī)床的控制原理
依據(jù)2.3節(jié)中智能機(jī)床的定義,本文提出智能機(jī)床自主感知與連接、自主學(xué)習(xí)與建模、自主優(yōu)化與決策和自主控制與執(zhí)行的原理與實(shí)現(xiàn)方案,如圖5所示。
圖5. 智能機(jī)床控制原理。
3.1.1. 自主感知與連接
數(shù)控系統(tǒng)由數(shù)控裝置、伺服驅(qū)動(dòng)、伺服電機(jī)等部件組成,是機(jī)床自動(dòng)完成切削加工等工作任務(wù)的核心控制單元。在數(shù)控機(jī)床的運(yùn)行過程中,數(shù)控系統(tǒng)內(nèi)部會(huì)產(chǎn)生大量由指令控制信號(hào)和反饋信號(hào)構(gòu)成的原始電控?cái)?shù)據(jù),這些內(nèi)部電控?cái)?shù)據(jù)是對(duì)機(jī)床的工作任務(wù)(或稱為工況)和運(yùn)行狀態(tài)的實(shí)時(shí)、定量、精確的描述。因此,數(shù)控系統(tǒng)既是物理空間中的執(zhí)行器,又是信息空間中的感知器。
數(shù)控系統(tǒng)內(nèi)部電控?cái)?shù)據(jù)是感知的主要數(shù)據(jù)來源,它包括機(jī)床內(nèi)部電控實(shí)時(shí)數(shù)據(jù),如零件加工G代碼插補(bǔ)實(shí)時(shí)數(shù)據(jù)(插補(bǔ)位置、位置跟隨誤差、進(jìn)給速度等)、伺服和電機(jī)反饋的內(nèi)部電控?cái)?shù)據(jù)(主軸功率、主軸電流、進(jìn)給軸電流等),如圖5所示。通過自動(dòng)匯聚數(shù)控系統(tǒng)內(nèi)部電控?cái)?shù)控與來自于外部傳感器采集的數(shù)據(jù)(如溫度、振動(dòng)和視覺等),以及從G代碼中提取的加工工藝數(shù)據(jù)(如切寬、切深、材料去除率等),實(shí)現(xiàn)數(shù)控機(jī)床的自主感知。
智能機(jī)床的自主感知可通過“指令域示波器”和“指令域分析方法”[3]來建立工況與狀態(tài)數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系。利用“指令域”大數(shù)據(jù)匯聚方法采集加工過程數(shù)據(jù),通過NC-Link實(shí)現(xiàn)機(jī)床的互聯(lián)互通和大數(shù)據(jù)的匯聚,形成機(jī)床全生命周期大數(shù)據(jù)。
3.1.2. 自主學(xué)習(xí)與建模
自主學(xué)習(xí)與建模主要目的在于通過學(xué)習(xí)生成知識(shí)。數(shù)控加工的知識(shí)就是機(jī)床在加工實(shí)踐中輸入與響應(yīng)的規(guī)律。模型及模型內(nèi)的參數(shù)是知識(shí)的載體,知識(shí)的生成就是建立模式并確定模型中參數(shù)的過程。基于自主感知與連接得到的數(shù)據(jù),運(yùn)用集成于大數(shù)據(jù)平臺(tái)中的新一代人工智能算法庫(kù),通過學(xué)習(xí)生成知識(shí)。
在自主學(xué)習(xí)和建模中,知識(shí)的生成方法有三種:基于物理模型的機(jī)床輸入/響應(yīng)因果關(guān)系的理論建模;面向機(jī)床工作任務(wù)和運(yùn)行狀態(tài)關(guān)聯(lián)關(guān)系的大數(shù)據(jù)建模;基于機(jī)床大數(shù)據(jù)與理論建模相結(jié)合的混合建模。
自主學(xué)習(xí)與建模可建立包含機(jī)床空間結(jié)構(gòu)模型、機(jī)床運(yùn)動(dòng)學(xué)模型、機(jī)床幾何誤差模型、熱誤差模型、數(shù)控加工控制模型、機(jī)床工藝系統(tǒng)模型、機(jī)床動(dòng)力學(xué)模型等,這些模型也可以與其他同型號(hào)機(jī)床共享。模型構(gòu)成了機(jī)床數(shù)字孿生,如圖5所示。
3.1.3. 自主優(yōu)化與決策
決策的前提是精準(zhǔn)預(yù)測(cè)。當(dāng)機(jī)床接受到新的加工任務(wù)后,利用上述機(jī)床模型,預(yù)測(cè)機(jī)床的響應(yīng)。依據(jù)預(yù)測(cè)結(jié)果,進(jìn)行質(zhì)量提升、工藝優(yōu)化、健康保障和生產(chǎn)管理等多目標(biāo)迭代優(yōu)化,形成最優(yōu)加工決策,生成蘊(yùn)含優(yōu)化與決策信息的智能控制i代碼,用于加工優(yōu)化。自主優(yōu)化與決策就是利用模型進(jìn)行預(yù)測(cè),然后優(yōu)化決策,生成i代碼的過程。
i代碼是實(shí)現(xiàn)數(shù)控機(jī)床自主優(yōu)化與決策的重要手段。不同于傳統(tǒng)的G代碼,i代碼是與指令域?qū)?yīng)的多目標(biāo)優(yōu)化加工的智能控制代碼,是對(duì)特定機(jī)床的運(yùn)動(dòng)規(guī)劃、動(dòng)態(tài)精度、加工工藝、刀具管理等多目標(biāo)優(yōu)化控制策略的精確描述,并隨著制造資源狀態(tài)的變化而不斷演變。i代碼的詳細(xì)原理和介紹可參考有關(guān)專利[13]。
3.1.4. 自主控制與執(zhí)行
利用雙碼聯(lián)控技術(shù),即基于傳統(tǒng)數(shù)控加工幾何軌跡控制的G代碼(第一代碼)和包含多目標(biāo)加工優(yōu)化決策信息的智能控制i代碼(第二代碼)的同步執(zhí)行,實(shí)現(xiàn)G代碼和i代碼的雙碼聯(lián)控,使得智能機(jī)床達(dá)到優(yōu)質(zhì)、高效、可靠、安全和低耗數(shù)控加工,如圖5所示。
3.2. 智能機(jī)床的特點(diǎn)
與數(shù)控機(jī)床、互聯(lián)網(wǎng)+機(jī)床相比,智能機(jī)床在硬件、軟件、交互方式、控制指令、知識(shí)獲取等方面都有很大區(qū)別,具體見表1。
表1 數(shù)控機(jī)床、互聯(lián)網(wǎng)+機(jī)床與智能機(jī)床
3.3. 智能機(jī)床主要的智能化功能特征
不同智能機(jī)床的功能千差萬別,但其追求的目標(biāo)是一致的:高精、高效、安全與可靠、低耗。機(jī)床的智能化功能也圍繞上述四個(gè)目標(biāo),可分為質(zhì)量提升、工藝優(yōu)化、健康保障、生產(chǎn)管理四大類。
(1)質(zhì)量提升:提高加工精度和表面質(zhì)量。提高加工精度是驅(qū)動(dòng)機(jī)床發(fā)展的首要?jiǎng)恿Α榇耍悄軝C(jī)床應(yīng)具有加工質(zhì)量保障和提升功能,可包括:機(jī)床空間幾何誤差補(bǔ)償、熱誤差補(bǔ)償、運(yùn)動(dòng)軌跡動(dòng)態(tài)誤差預(yù)測(cè)與補(bǔ)償、雙碼聯(lián)控曲面高精加工、精度/表面光順優(yōu)先的數(shù)控系統(tǒng)參數(shù)優(yōu)化等功能。
(2)工藝優(yōu)化:提高加工效率。工藝優(yōu)化主要是根據(jù)機(jī)床自身物理屬性和切削動(dòng)態(tài)特性進(jìn)行加工參數(shù)自適應(yīng)調(diào)整(如進(jìn)給率優(yōu)化、主軸轉(zhuǎn)速優(yōu)化等)以實(shí)現(xiàn)特定的目的,如質(zhì)量?jī)?yōu)先、效率優(yōu)先和機(jī)床保護(hù)。其具體功能可包括:自學(xué)習(xí)/自生長(zhǎng)加工工藝數(shù)據(jù)庫(kù)、工藝系統(tǒng)響應(yīng)建模、智能工藝響應(yīng)預(yù)測(cè)、基于切削負(fù)載的加工工藝參數(shù)評(píng)估與優(yōu)化、加工振動(dòng)自動(dòng)檢測(cè)與自適應(yīng)控制等。
(3)健康保障:保證設(shè)備完好、安全。機(jī)床健康保障主要解決機(jī)床壽命預(yù)測(cè)和健康管理問題,目的是實(shí)現(xiàn)機(jī)床的高效可靠運(yùn)行。智能機(jī)床具有機(jī)床整體和部件級(jí)健康狀態(tài)指示,以及健康保障功能開發(fā)工具箱。其具體功能可包括:主軸/進(jìn)給軸智能維護(hù)、機(jī)床健康狀態(tài)檢測(cè)與預(yù)測(cè)性維護(hù)、機(jī)床可靠性統(tǒng)計(jì)評(píng)估與預(yù)測(cè)、維修知識(shí)共享與自學(xué)習(xí)等。
(4)生產(chǎn)管理:提高管理和使用操作效率。生產(chǎn)管理類智能化功能主要實(shí)現(xiàn)機(jī)床加工過程的優(yōu)化及整個(gè)制造過程的低耗(時(shí)間和資源)。智能機(jī)床的生產(chǎn)管理類智能化功能主要分為機(jī)床狀態(tài)監(jiān)控、智能生產(chǎn)管理和機(jī)床操控這幾類。其具體功能可包括:加工狀態(tài)(斷刀、切屑纏繞)智能判斷、刀具磨損/破損智能檢測(cè)、刀具壽命智能管理、刀具/夾具及工件身份ID與狀態(tài)智能管理、輔助裝置低碳智能控制等。
4. 智能數(shù)控系統(tǒng)和智能機(jī)床的工程實(shí)踐
根據(jù)HCPS的三元模式[14],在生產(chǎn)實(shí)踐中的數(shù)控機(jī)床,機(jī)床是主體,數(shù)控系統(tǒng)是主導(dǎo),人是主宰。從手動(dòng)機(jī)床到數(shù)控機(jī)床再到智能機(jī)床,最大的變化就在于數(shù)控系統(tǒng)的作用不斷增強(qiáng)。機(jī)床的智能化程度,主要取決于其主導(dǎo)者數(shù)控系統(tǒng)的智能化程度。智能機(jī)床需要配備相應(yīng)的智能數(shù)控系統(tǒng)(intelligent numerical controller, INC)。
4.1. 智能數(shù)控系統(tǒng)
本文研制了一款智能數(shù)控系統(tǒng)工程樣機(jī)——華中9型INC,其設(shè)計(jì)方案和平臺(tái)架構(gòu)如圖6所示。在INC中,數(shù)控裝置、伺服驅(qū)動(dòng)、電機(jī)和其他輔助裝置組成LocalNC,它是數(shù)控機(jī)床的本地部分,完成數(shù)控機(jī)床的實(shí)時(shí)控制。
圖6. INC體系構(gòu)架。
除能實(shí)現(xiàn)傳統(tǒng)數(shù)控系統(tǒng)的全部功能之外,INC還要具備智能化所需的最基本的感知能力,能實(shí)現(xiàn)控制過程中的指令數(shù)據(jù)、響應(yīng)數(shù)據(jù)以及必要的外部傳感器數(shù)據(jù)(如溫度、振動(dòng)、視頻信號(hào)等)的實(shí)時(shí)采集和傳輸。
INC通過NCUC2.0總線實(shí)現(xiàn)伺服驅(qū)動(dòng)、智能模塊、外部傳感器等多源數(shù)據(jù)的感知。利用NC-Link實(shí)現(xiàn)與數(shù)控機(jī)床、工業(yè)機(jī)器人、AGV小車、智能模塊等設(shè)備的連接,獲得大數(shù)據(jù)并存儲(chǔ)于INC-Cloud云平臺(tái)。
在INC中,建立物理機(jī)床響應(yīng)模型構(gòu)成數(shù)字孿生,由此實(shí)現(xiàn)智能化功能是其主要特征。在INC的體系架構(gòu)中,我們建立物理機(jī)床和數(shù)控系統(tǒng)所對(duì)應(yīng)的數(shù)字孿生模型Cyber MT和Cyber NC,它們可以在虛擬空間模擬真實(shí)世界的Physical MT和Local NC的運(yùn)行原理和響應(yīng)規(guī)律。作為Physical與Cyber的結(jié)合,INC不僅包括傳統(tǒng)的NC物理實(shí)體,也包括Cyber NC和Cyber MT,它們是INC實(shí)現(xiàn)智能的關(guān)鍵。
4.2. 智能機(jī)床樣機(jī)
基于INC智能數(shù)控系統(tǒng),以S5H精密加工機(jī)床、BL5-C車床、BM8-H銑床為主體,研制了三款智能機(jī)床的工業(yè)樣機(jī),如圖7所示,分別從三個(gè)方面驗(yàn)證本文所提的智能化使能技術(shù)。
圖7. 基于INC的智能機(jī)床樣機(jī)。(a)S5H精密加工機(jī)床;(b)BL5-C智能車床;(c)BM8-H智能銑床。
S5H精密機(jī)床采用大理石床身,機(jī)床采用龍門結(jié)構(gòu),各進(jìn)給軸采用直線電機(jī)驅(qū)動(dòng),并安裝高精度光柵尺。采用了3套獨(dú)立的溫控系統(tǒng),分別對(duì)主軸、床身和冷卻液進(jìn)行恒溫控制。主軸和床身上安裝18個(gè)溫度傳感器,主軸前端軸承及工作臺(tái)共安裝3個(gè)振動(dòng)傳感器。該機(jī)床定位精度< 1 μm,重復(fù)定位精度< 0.5 μm。S5H精密加工機(jī)床用于驗(yàn)證基于Cyber NC和雙碼聯(lián)控的模具加工質(zhì)量?jī)?yōu)化技術(shù)。
BL5-C車床為斜床身結(jié)構(gòu),分別在機(jī)床X向和Z向進(jìn)給軸(軸承座、螺母座)、主軸(軸承)、床身等重要位置安裝溫度傳感器檢測(cè)機(jī)床溫度變化,主軸(軸承)箱體上安裝振動(dòng)傳感器檢測(cè)振動(dòng)頻率,機(jī)床X向和Z向進(jìn)給軸安裝光柵尺,實(shí)現(xiàn)全閉環(huán)控制。該機(jī)床定位精度< 6 μm,重復(fù)定位精度< 3 μm,車削工件圓度< 2 μm。BL5-C車床用于驗(yàn)證基于大數(shù)據(jù)及深度學(xué)習(xí)的車削加工工藝參數(shù)優(yōu)化技術(shù)。
BM8-H銑床在各進(jìn)給軸絲杠螺母、軸承座、電機(jī)座部位分別安裝共9個(gè)溫度傳感器,主軸箱中安裝4個(gè)溫度傳感器,它們用來監(jiān)測(cè)機(jī)床的熱變形;主軸和工作臺(tái)上各安裝一個(gè)三軸振動(dòng)傳感器,各進(jìn)給軸安裝高精度光柵尺實(shí)現(xiàn)全閉環(huán)控制。該機(jī)床定位精度< 10 μm,重復(fù)定位精度< 8 μm。BM8-H銑床用于驗(yàn)證基于動(dòng)力學(xué)及深度學(xué)習(xí)的機(jī)床進(jìn)給系統(tǒng)混合建模及誤差補(bǔ)償技術(shù)。
4.3. 智能機(jī)床主要的智能化應(yīng)用案例
4.3.1. 基于 Cyber NC 和雙碼聯(lián)控的模具加工質(zhì)量?jī)?yōu)化
本案例在配置INC的S5H精密機(jī)床上實(shí)現(xiàn),以典型的模具試切件Mercedes(圖8)為例,驗(yàn)證數(shù)字孿生和雙碼聯(lián)控技術(shù)對(duì)曲面加工表面質(zhì)量?jī)?yōu)化的效果。
圖8. Mercedes試件。
基于S5H精密機(jī)床的幾何與結(jié)構(gòu)參數(shù),建立數(shù)控裝置的參數(shù)級(jí)的數(shù)字孿生Cyber NC。數(shù)控裝置的物理實(shí)體和Cyber NC在插補(bǔ)層面上是完全等效的,它們對(duì)曲面加工程序生成的插補(bǔ)指令完全一致。
在實(shí)際加工前,模具加工G代碼在Cyber NC上進(jìn)行仿真優(yōu)化。以插補(bǔ)軌跡的平滑和指令進(jìn)給速度的橫向一致性為優(yōu)化目標(biāo),進(jìn)行優(yōu)化迭代,不斷修正插補(bǔ)軌跡和速度規(guī)劃指令,直到優(yōu)化目標(biāo)實(shí)現(xiàn)為止,并依據(jù)優(yōu)化結(jié)果生成i代碼指令。在實(shí)際加工中,G代碼與包含優(yōu)化結(jié)果的i代碼在數(shù)控系統(tǒng)同時(shí)執(zhí)行,雙碼聯(lián)控完成加工。
優(yōu)化前后效果如圖9所示。實(shí)驗(yàn)表明,利用基于孿生模型仿真和雙碼聯(lián)控的方法可顯著改善進(jìn)給速度的橫向一致性,從而提高零件表面的加工質(zhì)量。經(jīng)觀察,優(yōu)化后加工零件特征更加清晰,一致性更好,與原始CAD模型的符合度更高[圖9(b)]。
圖9. Mercedes試件區(qū)域A優(yōu)化前后對(duì)比。(a)進(jìn)給速度色譜圖[15];(b) 加工表面質(zhì)量。
4.3.2. 基于大數(shù)據(jù)學(xué)習(xí)的車削加工工藝參數(shù)優(yōu)化
在數(shù)控加工中工藝參數(shù)的優(yōu)化至關(guān)重要,它們影響著零件的加工質(zhì)量、效率、機(jī)床和刀具等制造資源的壽命等[16,17]。針對(duì)工藝參數(shù)優(yōu)化,目前已經(jīng)開展了許多相關(guān)研究。一種方式是通過對(duì)機(jī)床加工過程中切削力、切削穩(wěn)定性等的理論建模,來實(shí)現(xiàn)對(duì)工藝參數(shù)的優(yōu)化[18]。除基于理論分析建模的工藝參數(shù)優(yōu)化外,近年來也出現(xiàn)了基于大數(shù)據(jù)模型的工藝參數(shù)優(yōu)化方法[19,20]。
本案例在配置INC的BL5-C智能車床上實(shí)現(xiàn),利用數(shù)控加工過程數(shù)據(jù),建立車床的工藝系統(tǒng)響應(yīng)模型,驗(yàn)證基于大數(shù)據(jù)的加工工藝知識(shí)學(xué)習(xí)、積累與運(yùn)用方法的可行性與有效性。其具體過程為:
(1)以BP神經(jīng)網(wǎng)絡(luò)作為描述該車床工藝系統(tǒng)響應(yīng)規(guī)律的模型,模型的輸入端為切削深度、切削半徑、材料去除量等5個(gè)工藝參數(shù),輸出端為主軸功率,如圖10所示。
圖10. 表征BL5-C車床工藝參數(shù)——主軸功率響應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型。
(2)選擇該型車床實(shí)際生產(chǎn)常見的零件進(jìn)行加工,記錄加工時(shí)的指令域大數(shù)據(jù)。從其中的主軸功率數(shù)據(jù)中分離出穩(wěn)態(tài)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出端訓(xùn)練樣本。通過指令域分析方法,提取穩(wěn)態(tài)樣本對(duì)應(yīng)的切削參數(shù),包括切削深度、進(jìn)給速度、材料去除量、主軸轉(zhuǎn)速、回轉(zhuǎn)半徑等,作為神經(jīng)網(wǎng)絡(luò)輸入端訓(xùn)練樣本。不斷提取穩(wěn)態(tài)樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,隨著加工的進(jìn)行,該模型逐步具備了對(duì)加工主軸功率進(jìn)行預(yù)測(cè)的能力,即生長(zhǎng)出了一個(gè)仿真該機(jī)床車削主軸功率的模型。
(3)新的加工零件(形狀和工藝參數(shù)都不同的零件)在實(shí)際加工前,先在該模型中進(jìn)行仿真、迭代、優(yōu)化。對(duì)表2所示零件,以最大允許主軸功率及功率的波動(dòng)為約束條件針對(duì)加工效率進(jìn)行優(yōu)化。優(yōu)化前后的進(jìn)給速度、主軸功率曲線分別如圖11(a)、(b)所示,加工時(shí)間如表2所示。結(jié)果表明,在滿足約束條件的情況下,優(yōu)化后的加工時(shí)間較優(yōu)化前縮短了27.8%。
表2 優(yōu)化結(jié)果
圖11. 優(yōu)化前后結(jié)果。(a)進(jìn)給速度;(b)主軸功率。
4.3.3. 基于動(dòng)力學(xué)及深度學(xué)習(xí)的機(jī)床進(jìn)給系統(tǒng)混合建模及誤差補(bǔ)償
機(jī)床進(jìn)給系統(tǒng)建模,是實(shí)現(xiàn)控制策略優(yōu)化、參數(shù)設(shè)定和輪廓誤差預(yù)補(bǔ)償,提升進(jìn)給系統(tǒng)動(dòng)態(tài)響應(yīng)性能的基礎(chǔ)[21,22]。基于理論分析,Erkorkmaz和Altintas [23]通過對(duì)進(jìn)給系統(tǒng)進(jìn)行數(shù)學(xué)和物理分析,并利用無偏最小二乘方法和摩擦力模型進(jìn)行進(jìn)給系統(tǒng)動(dòng)態(tài)參數(shù)辨識(shí)和摩擦特性分析方法,建立進(jìn)給系統(tǒng)模型,指導(dǎo)高速進(jìn)給系統(tǒng)的設(shè)計(jì)。不同于理論建模方法,一些學(xué)者專注于數(shù)據(jù)驅(qū)動(dòng)的建模方法。Huo和Poo [24]提出了一種分線性自回歸神經(jīng)網(wǎng)絡(luò)建模方法,建立機(jī)床進(jìn)給系統(tǒng)模型。利用該模型,輸入指令位置,即可預(yù)測(cè)出機(jī)床的實(shí)際響應(yīng)位置。Li等[25]提出了一種基于深度置信網(wǎng)絡(luò)(DBN)的數(shù)據(jù)驅(qū)動(dòng)建模方法,建立了反向間隙誤差預(yù)測(cè)模型。
本案例在配置INC的BM8-H智能銑床上實(shí)現(xiàn),采用大數(shù)據(jù)和多領(lǐng)域理論建模混合的方式建立機(jī)床進(jìn)給系統(tǒng)的模型,探討機(jī)床進(jìn)給系統(tǒng)的建模方法以及利用模型仿真結(jié)果實(shí)施的補(bǔ)償?shù)目尚行浴F鋵?shí)施步驟如下:
(1)以BM8-H智能銑床為實(shí)驗(yàn)對(duì)象,建立其X和Y軸工作臺(tái)的多領(lǐng)域理論模型。該模型包括伺服驅(qū)動(dòng)、伺服電機(jī)和工作臺(tái)及其機(jī)械傳動(dòng)部件。其中,伺服驅(qū)動(dòng)、伺服電機(jī)的模型采用其設(shè)計(jì)參數(shù)建模。機(jī)械部分模型的主要參數(shù)如表3所示。為了準(zhǔn)確辨識(shí)這些參數(shù),應(yīng)用敏感度分析確定辨識(shí)次序,敏感度低的先給一個(gè)缺省值,從高到低依次進(jìn)行參數(shù)辨識(shí)。參數(shù)的理論分布區(qū)間及辨識(shí)結(jié)果如表3所示。
表3 辨識(shí)參數(shù)及其辨識(shí)區(qū)間
用半徑50 mm、進(jìn)給速度3000 mm·min?1的圓軌跡驗(yàn)證該模型的預(yù)測(cè)精度,結(jié)果如圖12(b)所示,最大輪廓誤差為10.07 μm。
圖12. (a)圓形輪廓指令輪廓、實(shí)際輪廓、動(dòng)力學(xué)模型仿真及混合模型預(yù)測(cè)輪廊;(b)圓形輪廓?jiǎng)恿W(xué)模型仿真誤差(紅色)、混合模型預(yù)測(cè)誤差(藍(lán)色)。
(2)為進(jìn)一步提高預(yù)測(cè)精度,設(shè)計(jì)如圖13所示的混合模型。該模型由一個(gè)基礎(chǔ)模型和一個(gè)偏差模型兩部分組成。基礎(chǔ)模型即第(1)步得到的多領(lǐng)域理論模型。偏差模型是一個(gè)6層的神經(jīng)網(wǎng)絡(luò)模型。其輸入端為進(jìn)給系統(tǒng)的指令序列和多領(lǐng)域理論模型的仿真預(yù)測(cè)序列,輸出端為仿真預(yù)測(cè)值與實(shí)測(cè)值之間的差值序列。從X、軸工作臺(tái)運(yùn)行各種輪廓軌跡時(shí)的指令數(shù)據(jù)和實(shí)測(cè)編碼器數(shù)據(jù)中提取樣本,對(duì)X、Y軸各自的偏差模型進(jìn)行訓(xùn)練,可以分別得到其偏差模型。
圖13. 機(jī)床進(jìn)給系統(tǒng)的混合模型示意圖。
其中,基礎(chǔ)模型主要模塊主要包含APR(automatic position regulator)位置調(diào)節(jié)器、ASR(automatic speed regulator)速度調(diào)節(jié)器、ACR(automatic current regulator)電流調(diào)節(jié)器、電機(jī)及機(jī)械傳動(dòng)部分。r為系統(tǒng)指令輸入,w為實(shí)際輸出,F0為擾動(dòng)輸入。
(3)輪廓誤差預(yù)測(cè)精度如圖12(b)所示,混合模型預(yù)測(cè)誤差最大值為3.21 μm。可以滿足中等精度機(jī)床補(bǔ)償所需的預(yù)測(cè)精度要求。根據(jù)預(yù)測(cè)軌跡的輪廓誤差對(duì)圓軌跡進(jìn)行位置補(bǔ)償,效果如圖14所示,補(bǔ)償前輪廓誤差約12.53 μm,補(bǔ)償后輪廓誤差約為4.58 μm(減少63.4%)。結(jié)果表明經(jīng)典的多領(lǐng)域建模與人工智能典型的神經(jīng)網(wǎng)絡(luò)模型相融合的混合建模方法,可以提升機(jī)床進(jìn)給系統(tǒng)的運(yùn)動(dòng)控制精度。
圖14.(a)圓指令輪廓、補(bǔ)償前實(shí)際輪廓及補(bǔ)償后實(shí)際輪廓;(b)圓輪廓誤差(紅色)及補(bǔ)償后輪廓誤差(藍(lán)色)。
5. 總結(jié)與展望
本文對(duì)新一代人工智能技術(shù)在數(shù)控機(jī)床上的融合與應(yīng)用進(jìn)行了探索,分析了機(jī)床從數(shù)控機(jī)床,經(jīng)“互聯(lián)網(wǎng)+”機(jī)床,走向“智能+”機(jī)床的發(fā)展趨勢(shì)。研究了利用大數(shù)據(jù)和人工智能技術(shù)實(shí)現(xiàn)自主感知與連接、自主學(xué)習(xí)與建模、自主優(yōu)化與決策及自主控制與執(zhí)行的“賦能”原理,揭示了機(jī)床智能化的本質(zhì)在于它可以在生產(chǎn)服役過程中自動(dòng)生成知識(shí)、積累知識(shí)并運(yùn)用知識(shí)以實(shí)現(xiàn)優(yōu)質(zhì)、高效、可靠、安全、低耗的目標(biāo)。為實(shí)現(xiàn)給數(shù)控機(jī)床賦予智能,本文提出了指令域分析方法、混合型數(shù)字孿生模型和雙碼聯(lián)控三項(xiàng)智能化使能技術(shù),設(shè)計(jì)開發(fā)了INC數(shù)控系統(tǒng)工程樣機(jī),研制了三臺(tái)智能機(jī)床。在這三臺(tái)智能機(jī)床上開展了三項(xiàng)應(yīng)用驗(yàn)證,結(jié)果表明,文中提出的三項(xiàng)智能化使能技術(shù)具有較好可行性及先進(jìn)性,它們可顯著改善曲面加工表面品質(zhì)(在曲面特征處過渡平滑)、提高加工效率(提升27.8%)、減少進(jìn)給系統(tǒng)輪廓誤差(減少63.4%)。
本文當(dāng)前的研究工作,是對(duì)智能機(jī)床的初步探索。未來值得進(jìn)一步深入研究的內(nèi)容有:從加工過程積累數(shù)據(jù)中獲取適用于機(jī)器學(xué)習(xí)建模的有效樣本(正樣本和負(fù)樣本)的方法,智能機(jī)床共享、共用、共智的平臺(tái)技術(shù);以及與機(jī)床行業(yè)需求融合的人工智能技術(shù)在生產(chǎn)實(shí)踐中的應(yīng)用技術(shù)。
致謝
特別感謝中國(guó)工程院周濟(jì)院士對(duì)本文的指導(dǎo)。本文在國(guó)家自然科學(xué)基金項(xiàng)目(51675204和51575210)和國(guó)家科技重大專項(xiàng)04專項(xiàng)課題(2018ZX04035002-002)的支持下完成。
Compliance with ethics guidelines
Jihong Chen, Pengcheng Hu, Huicheng Zhou, Jianzhong Yang, Jiejun Xie, Yakun Jiang, Zhiqiang Gao, and Chenglei Zhang declare that they have no conflict of interest or financial conflicts to disclose.
參考文獻(xiàn)
[1] Zhou J, Li P, Zhou Y, Wang B, Zang J, Meng L. Toward new-generation intelligent manufacturing. Engineering 2018;4(1):11–20. 鏈接1
[2] 周濟(jì) . 智能制造 ——“ 中國(guó)制造 2025” 的主攻方向 . 中國(guó)機(jī)械工程 2015;26(17): 2273–84.
[3] Chen J, Yang J, Zhou H, Xiang H, Zhu Z, Li Y, et al. CPS modeling of CNC machine tool work processes using an instruction-domain based approach. Engineering 2015;1(2):247–60. 鏈接1
[4] 劉日良 , 張承瑞 , 姜宇 , 王科 . 基于 MTConnect 的數(shù)控機(jī)床網(wǎng)絡(luò)化監(jiān)控技術(shù)研究 . 計(jì)算機(jī)集成制造系統(tǒng) 2013;19(5):1078–84. 鏈接1
[5] Rehorn AG, Sejdic′ E, Jiang J. Fault diagnosis in machine tools using selective regional correlation. Mech Syst Signal Process 2006;20(5):1221–38. 鏈接1
[6] Kim DH, Song JY, Cha SK, Son H. The development of embedded device to detect chatter vibration in machine tools and CNC-based autonomous compensation. J Mech Sci Technol 2011;25(10):2623. 鏈接1
[7] 張曙 . 智能制造與 i5 智能機(jī)床 . 機(jī)械制造與自動(dòng)化 2017;46(1):1–8.
[8] Vijayaraghavan A, Sobel W, Fox A, Dornfeld D, Warndorf P. Improving machine tool interoperability using standardized interface protocols: MTConnect. In: Proceedings of 2008 International Symposium on Flexible Automation; 2008 Jun 23–26; Atlanta, GA, USA; 2008. 鏈接1
[9] Hu L, Nguyen NT, Tao W, Leu MC, Liu XF, Shahriar MR, et al. Modeling of cloudbased digital twins for smart manufacturing with MTConnect. Procedia Manuf 2018;26:1193–203. 鏈接1
[10] Umati: universal machine tool interface [Internet]. Frankfort: German Machine Tool Builders’ Association; [cited 2019 Jun 17]. Available from: https://vdw.de/en/technology-and-standardisation/umati-universal-machinetool-interface/.
[11] Weber A. GE ‘‘predix” the future of manufacturing. Assembly 2017;60(3): GE70–6.
[12] Siemens y TCS unen fuerzas para impulsar el IoT industrial en MindSphere. Eurofach Electron Actual Tecnol Ind Electrón 2017;(459):28–9. Spanish.
[13] Zhou H, Zhang C, Jiang Y, Chen J, inventors; Huazhong University of Science and Technology, assignee. [Double-code based control method of NC machining and the corresponding device]. China Patent CN201810305822.9. 2018 Nov 2. Chinese.
[14] 周濟(jì), 周艷紅, 王柏村, 臧冀原. 面向新一代智能制造的人-信息-物理系統(tǒng) (HCPS). Engineering 2019;5(4). 鏈接1
[15] Zhou H, Lang M, Hu P, Su Z, Chen J. The modeling, analysis, and application of the in-process machining data for CNC machining. Int J Adv Manuf Technol 2019;102(5–8):1051–66. 鏈接1
[16] Zain AM, Haron H, Sharif S. Application of GA to optimize cutting conditions for minimizing surface roughness in end milling machining process. Expert Syst Appl 2010;37(6):4650–9. 鏈接1
[17] An LB, Feng LJ, Lu CG. Cutting parameter optimization for multi-pass milling operations by genetic algorithms. Adv Mat Res 2011;160–162:1738–43. 鏈接1
[18] Saffar RJ, Razfar MR. Simulation of end milling operation for predicting cutting forces to minimize tool deflection by genetic algorithm. Mach Sci Technol 2010;14(1):81–101. 鏈接1
[19] Zuperl U, Cus F. Tool cutting force modeling in ball-end milling using multilevel perceptron. J Mater Process Technol 2004;153–154:268–75. 鏈接1
[20] Zuperl U, Cus F, Reibenschuh M. Neural control strategy of constant cutting force system in end milling. Robot Comput-Integr Manuf 2011;27(3):485–93. 鏈接1
[21] Yeung CH, Altintas Y, Erkorkmaz K. Virtual CNC system. Part I. System architecture. Int J Mach Tools Manuf 2006;46(10):1107–23. 鏈接1
[22] Yang S, Ghasemi AH, Lu X, Okwudire CE. Pre-compensation of servo contour errors using a model predictive control framework. Int J Mach Tools Manuf 2015;98:50–60. 鏈接1
[23] Erkorkmaz K, Altintas Y. High speed CNC system design. Part II: modeling and identification of feed drives. Int J Mach Tools Manuf 2001;41(10):1487–509.
[24] Huo F, Poo AN. Nonlinear autoregressive network with exogenous inputs based contour error reduction in CNC machines. Int J Mach Tools Manuf 2013;67:45–52. 鏈接1
[25] Li Z, Wang Y, Wang K. A data-driven method based on deep belief networks for backlash error prediction in machining centers. J Intell Manuf. Epub 2017 Dec 19. 鏈接1