自适应电火花成形机仿真试验LCD背光

自适应电火花成形机仿真试验

自适应电火花成形机仿真试验 2011年12月03日 来源： 摘要：利用神经网络技术建立了电火花成形加工模型，实验表明该神经网络模型充分地反映出该机床的加工特性。在此模型的基础上，仿真研究了峰值电流、脉冲宽度、脉冲间隔等主要加工参数与加工速度和表面粗糙度之间的关系，得到了与实际生产情况相符的自适应电火花成形机加工工艺规律，并利用仿真结果揭示了自适应控制机床与传统机床的区别。关键词：电火花加工；仿真试验；神经网络；自适应控制自适应控制电火花成形机由于具有自适应控制能力，可实时调整电加工参数，改善间隙状态，因此在加工参数选择并不十分合理的情况下，也能使放电得以稳定地进行，而不会导致工件烧伤等现象的发生，与传统电加工机床相比，具有很大的优越性。但目前对其工艺规律的研究还较为缺乏，导致生产实践中工艺参数的选取较为盲目，难以取得理想的生产率。研究的自适应控制系统作用下电火花成形机的工艺规律，将不仅对工艺参数的选择具有重要的现实意义，对控制系统的设计、改进也具有很大的参考意义。但由于电火花加工的机理非常复杂，是一个高度非线性的系统，要建立一个严格的数学模型十分困难。完全在电火花加工机床上进行试验不仅费时，费用也高，要对工艺规律进行系统研究存在着现实的困难。另外，某些工艺规律在机床上也不一定能展开研究，如深小孔或易产生破坏性的电弧放电等。若能建立一个电火花加工模型，则不仅能在该模型的基础上利用计算机对工艺规律展开系统研究，而且成本低，安全可靠，也可对某些不易在机床上进行试验的工艺展开仿真研究。本文在大量工艺试验的基础上，建立了电火花成形加工神经网络模型，并利用此模型，仿真研究了峰值电流、脉冲宽度、脉冲间隔等主要加工参数与加工速度和表面粗糙之间的关系。1电火花加工实验设计1.1输入输出变量的确定在电火花成形加工中，峰值电流Ip、脉冲宽度ton、脉冲间隔toff、抬刀时间tup和加工时间tdn、空载电压、伺服参考电压、加工深度、加工面积、电极形状、电极材料及电介液等因数均对电火花加工的速度、表面粗糙度、电极损耗等有密切的关系。但如把所有这些参数均作为自变量来处理，将使实验次数太多而不现实，而且无法同时获得所有这些参数的试验数据。根据上述分析，并与电加工方面的专家及实际操作人员讨论后确定输入变量为峰值电流、脉冲宽度、脉冲间隔、抬刀时间及加工时间；而加工速度和表面粗糙度反映了机床的主要加工特性。电火花成形加工实验条件如下：机床：Sodick A3C工作液：国产放电加工油电极材料：紫铜工件材料：铁基合金加工极性：电极(+)1.2实验方法在实验所用机床中，峰值电流共有30档，脉宽则有63档，而可供选择的脉冲间隔则有63×9=567档，要完全凭经验选取一个合理的参数组合显得极为困难，也给实验设计带来了麻烦，不可能进行全因数实验。因此需要确定一种既能较全面地反映该机床加工特性而实验次数又不太多的实验设计方法。混合正交设计法是目前使用最多的也是最有效的一种实验设计方法，只要较少次数的实验即可全面地反映各个自变量与应变量之间的关系。实验中，峰值电流、脉冲宽度和脉冲间隔均采用9水平设计，而抬刀时间和加工时间由于变化范围相对较小，采用了3水平设计，因此总的实验数为9×9=81次，相对全因数试验9×9×9×3×3=6561次而言，试验次数大大减少。加工稳定后，定时读取机床Z轴位置，再折算成该段时间内的工件蚀除体积，就可得到加工速度。为保证测量数据的可靠性，一般对每一个数据均测量五次，取平均值得到相应工艺条件下的加工速度。表面粗糙度的检测采用了日本SEIMITSU公司生产的Surfcom 130A型专用表面粗糙度测量仪，该仪器能直接输出各种标准的表面粗糙度值，可精确到0.1μm。2神经网络建模人工神经网络具有自组织、自适应、自学习和非线性动态处理等特性，能在一定程度上实现人脑的概括、类比和推广能力，并且它不需要预先给定模型，能自动从大量的数据中提取规律，通过联想记忆和推广能力来获取所需数据，适合于解决复杂的非线性问题。而EDM正是这种具有高度非线性、难以用具体的数学表达式来描述工艺规律的系统，在电火花工艺建模中应用神经网络，正好可发挥神经网络的优越性。神经网络系统是由大量性能简单的神经元组成的一个结构复杂、性能完善的系统。首先根据实际情况确定网络的拓朴结构，然后用有一定数量的样本对网络进行训练，建立输入和输出之间的映射关系。电火花加工的神经网络模型可用图1来表示，图中采用了最常用的BP网络。神经网络模型中隐含层单元数的确定目前还没有明确的规律可循，一般通过网络结构实验来确定。以实验数据为样本，让网络结构从5-5-2变化到5-28-2，发现5-14-2结构最合适，这种结构既有较高的学习精度，学习速度也不慢，最为合理。

图1 电火花加工工艺模型

神经网络模型建立后，为验证网络的正确性，特做了下表所示的实验进行验证。从表中结果可看出，神经网络预测值和实验值相当接近，表明模型已能够反映机床的工艺特性，体现了机床的工艺规律，可用来仿真研究电火花工艺试验。

神经网络模型预测结果

3工艺规律的仿真研究通过前面建立的神经网络模型，对电火花成形加工的主要加工参数与加工性能之间的关系进行了仿真研究，得到的仿真曲线如图2～图7所示，仿真试验的基本条件与1.1规定的相同。

图2 脉宽与表面粗糙度 图3 脉宽与加工速度

图3表明，当峰值电流保持不变，加工速度随脉冲宽度的增加而有较大的增加；但当脉冲宽度增加到一定程度时，加工速度不再随着脉冲宽度的增加而增加，甚至有所下降。分析认为，对于一定的峰值电流，脉宽增加时，由于放电能量的增加，放电痕的半径及深度均有所增加，但当放电持续时间过长时，放电痕半径和放电痕深度虽有所增加，但由于工件本身的热传导作用，使放电能量得不到有效的利用，加工速度仍将由于脉冲宽度的增加而下降，而放电痕深度的增加使表面粗糙度反而有所增加，这可从图2得到验证。因此，对于一定的峰值电流存在一个最佳脉冲宽度，使加工速度达到最大。脉冲宽度过大则有害无益。仿真研究也表明，当脉冲宽度过小时，由于放电能量过小，放电过程很不稳定，导致加工速度极低。

图4 峰值电流与表面粗糙度 图5 峰值电流与加工速度

当脉冲宽度保持不变时，放电能量将随着峰值电流的增加而增加，单位脉冲的蚀除量随之上升，因此加工速度和表面粗糙度都将随电流的提高而提高。当峰值电流增加到一定程度时，由于放电能量过大，间隙状态逐渐恶化，此时，传统的机床由于不能对加工参数进行自适应调节，加工状态逐渐开始不稳定，若峰值电流进一步提高，加工将不能继续进行，但带有自适应控制系统的机床将会自动地适量加大脉冲间隙，使放电产物能较好地得到排出，间隙状态改善，然而加工速度的上升幅度将大大减小，并渐趋平缓。当峰值电流继续增加时，由于间隙状态的严重恶化，导致加工极不稳定，自适应控制系统将进一步提高脉冲间隔宽度，直至间隙状态得到改善。这显然降低了加工效率，使加工速度降低。而脉冲能量的增加将导致放电痕深度的增加，相应地导致表面粗糙度变差。图4和图5的仿真结果反映了电火花加工的这种工艺规律。

图6 脉冲间隔与表面粗糙度 图7 脉冲间隔与加工速度

当峰值电流和脉宽均保持不变而让脉冲间隔变化时，得到如图7所示的仿真曲线。在实际加工中，当脉冲间隔较小时，加工不稳定，而且加工速度一般很小，不易测量。故难于利用试验来研究小脉冲间隔情况下，脉冲间隔与加工性能之间的关系，而仿真试验则不会受到实际加工时的种种限制，利于对某些极端现象展开研究。从仿真曲线可看出，加工速度并不随脉冲间隔的缩小而无限增加，反而会有所减小，表明脉冲间隔存在一个临界点。当脉冲间隔过小时，由于放电频率过高，间隙状态恶化，加工难以稳定，甚至导致工件的烧伤。自适应控制机床由于具有自适应性能，能自动调节脉冲参数，避免工件的烧伤，但由于自适应控制系统总有一个滞后延缓过程，并不一定能完全到位，导致加工速度的降低，且越偏离临界点，下降速度越快。临界点的位置则在某种程度上反映了该机床的控制性能。一般认为，表面粗糙度主要取决于放电能量，而与脉冲间隔并无太大关系，但观察与图7同时得到的仿真曲线图6发现，当脉冲间隔增加到一定程度时，表面粗糙度基本与脉冲间隔无关；但当脉冲间隔比较小，出现了表面粗糙度随脉冲间隔的减小而降低的现象，这种现象在实际加工中是比较少见的。分析原因认为，当脉冲间隔过小时，容易发生放电集中现象，较长时间集中在某一放电点的周围，使放电通道变粗，从而导致放电痕半径变大而深度变浅，表面粗糙度也就相应降低。4结论(1)利用神经网络技术建立了电火花成形加工工艺模型，模型的预测误差基本控制在10%以内，体现了机床的加工工艺规律，为实现工艺参数的优化选择提供了可能。(2)利用神经网络模型在计算机上仿真研究了电火花成形加工的加工参数与加工性能之间的关系，揭示了带有自适应控制系统机床的工艺规律。(3)仿真结果显示，带有自适应控制系统的机床，在加工参数配置不合理的情况下，虽然加工效率较低，但仍能使加工得以维持，不会导致工件的烧伤，这是传统机床所不具备的优点。(4)通过计算机仿真研究了实际加工中一些难以进行的工艺实验，对其中一些现象作出了理论上的解释，充分体现了利用仿真技术研究电火花加工规律的优越性。即仿真试验不仅节省时间和费用，而且安全可靠，也易于揭示某些不易在机床上实际试验的工艺规律的特点。*上海市科委青年启明星基金资助项目(96QF14006)作者单位：楼乐明（上海交通大学）徐放（上海交通大学）伍俊（上海交通大学）李明辉（上海交通大学）彭颖红（上海交通大学）参考文献：［1］李明辉.电火花加工理论基础.北京：国防工业出版社，1989.［2］楼乐明，肖文芳，李明辉等.计算机仿真技术在电火花加工中的应用.电子工艺技术.1999，20(3)［3］许华宇，李明辉，彭颖红.模具加工过程的计算机仿真.中国机械工程，1997，8(4)［4］Anand Srinivas,Baton Rouge.Multi-objective Optimization of electro-discharge machining process.Microtech,1990,6(2)［5］Yasuo Konishi.Recognition of EDM Process Using Neural Networks.Int J Japan Soc Prec Eng,1991,25(3)(end)

济南摩擦试验机厂

摩擦磨损试验机生产厂

济南电子万能试验机

济南试验机哪家好

拉伸试验机WDS10M

试验机公司

济南液压万能试验机生产厂

阳春市试验机