Управляющая система мехатронного завинчивающего агрегата на основе нейроструктур с нечёткой логикой

of the Neural Structure with Fuzzy Logic

Keywords: automation control, neural network, PID controller, screw joints, feedback, stepper motor, assembly head

Проблемы автоматического управления универсальными завинчивающими агрегатами связаны с неустойчивостью крепёжных деталей данного класса в начальный момент сопряжения из-за возникающих при этом изгибающих усилий. Подавление или минимизация этих усилий возможны тремя путями [1; 3]:

1) повышением радиальной жёсткости технологической системы завинчивающего агрегата;

2) обеспечением соосности деталей собираемой группы;

3) нейтрализация изгиба осевым усилием.

Однако большинство известных в настоящее время автоматических завинчивающих устройств основано на энергетике пневмо- или электроприводов и оснащаются только датчиками крутящего момента для контроля затяжки. Польские исследователи представляют систему управления с нейросетью, построенной на основе математической модели процесса завинчивания [8]. Однако данная модель имеет также один информационный параметр в виде крутящего момента и некоторых его портретов, характерных для определённых ситуаций, приводящих к бракоопасным ситуациям [2; 6]. Отсюда желательно, чтобы информационная система агрегата имела бы более развитую сенсорную систему и включала бы датчики скорости и крутящего момента, осевого и изгибающего усилий.

Данная работа ориентирована на разработку системы управления режимами работы мехатронного завинчивающего агрегата с адаптивным нейроуправлением приводами главного движения и подачи с целью стабилизации процесса завинчивания, повышения точности положения крепёжной детали и параметров затяжки соединения.

Анализ динамических явлений, происходящих в технологической системе завинчивающей машины должен решаться на основе параметрической схематизации процесса, который можно разбить на два укрупнённых этапа (перехода): наживления и окончательного сопряжения. Этап наживления является более сложным и малоустойчивым, в силу того, что в нём проявляются изгибающие усилия, стремящиеся сместить ось инструмента (крепёжной детали) относительно оси отверстия. Таким образом, реализация всех переходов сборочного процесса в расширенной информационной среде должна базироваться на принципе развитых сенсорных систем в составе мехатронных модулей, описанном в работах [3; 5; 6].

При создании управляющей системы объектом исследования становится сама система, так как она напрямую воздействует на формирование величины крутящего момента. Для получения удовлетворительного результата необходима такая система, которая не только управляет процессом завинчивания, но и устраняет неблагоприятные условия сборки.

Поэтому САУ оснащена системой датчиков, контролирующих входные параметры - Мкр, Ри, и выходные или управляемые - V и Vв (рис. 1).

Модификация следящей системы блоком нейросетевой адаптации параметров регулятора произведена на основе гибридного нейро-ПИД управления. Данный метод подразумевает совместное функционирование классического ПИД-регулятора и ней- росетевого модуля, который реализует алгоритм параметрической адаптации. Функциональная схема гибридного нейроуправления представлена на рис. 1. На схеме датчики технологической системы контролируют частоту вращения шпинделя ш, крутящий момент Мкр и изгибающий момент, возникающий при завинчивании крепежной детали. Шаговые электродвигатели завинчивающей головки управляются микроконтроллером МК через соответствующие драйверы. Электронная схема ПИД- регулятора принимает сигнал с датчика частоты вращения и вырабатывает сигнал коррекции в цепь управления ШД. Сигналы с датчиков Мкр и Ри воспринимают преобразователи, и через блоки выделения производных ВВП они поступают в компьютер ПК, где установлена программа с нейросетью. На выходе нейросети (НС) формируются сигналы коррекции скорости главного движения V и скорости подачи V в, которые поступают на входы МК.

Рис. 1. Функциональная схема следящей системы с гибридным нейро-ПИД управлением Fig. 1. A functional diagram of a tracking system with a hybrid neural-PID control

В основе алгоритма блока адаптации параметров регулятора лежит трёхслойная нейронная сеть прямого распространения, изменение весовых коэффициентов которой происходит по градиентному методу обратного распространения ошибки.

Взаимодействие искусственной нейронной сети с обратным распространением ошибки и традиционного ПИД-регулятора может эффективно решать задачи, связанные с недостаточной определённостью параметров ПИД-управления. Это объясняется возможностью НС аппроксимировать любую нелинейную функцию простотой структуры сети и особенностями алгоритма обучения [4; 7].

На первом шаге происходит идентификация весов малыми случайными величинами в диапазоне. В зависимости от рассогласования в системе изменяется параметр скорости обучения. Пока присутствует ошибка и если она увеличивается, то коэффициент скорости обучения умножается на понижающий коэффициент. В случае, если ошибка уменьшается, то скорость обучения умножается па повышающий коэффициент. После этого происходит прямое распространение сигналов от входного слоя к выходному. Информация, поступившая на входной слой на к-й итерации, передаётся веем нейронам среднего слоя без изменений.

Затем, когда все весовые коэффициенты скорректированы, снова проходит прямое распространение сигналов от входов НС к выходам, и т. д. За счёт постоянного корректирования параметров обучения и весовых коэффициентов нейро-ПИД регулятор адаптируется к изменениям параметров ОУ, основываясь на измеренных значениях показателей состояния системы.

Нейронная сеть сформирована на принципах нечёткой логики. Логика формирования управляющих сигналов для приводов сборочного модуля подчиняется предварительно установленной совокупности чётких или нечётких правил. Параметры этой совокупности в значениях функций желательности будут представлены ниже в соответствующей таблице.

Если рассмотреть каждый из параметров, контролируемых датчиками системы, то можно установить три основных уровня сигналов, которые могут проявиться в ходе процесса. Например, если контролируется крутящий момент, то его векторы изменения можно оценить трендом: Мкрф Мкр-н-, Мкрф где первое означает рост уровня, второе - стабильное значение, третье - снижение уровня.

Для этого достаточно выделять в логических блоках производные каждого параметра и оценивать знаки производных: (+, 0, -) соответственно. Тогда стратегию управления можно описать системно в форме определённой совокупности логически необходимых взаимосвязей управляемых и входных параметров {V, Vв) = и{Ри, Мкр), где 11 - совокупность векторов входных параметров системы.

Построение нейросетевого блока производилось в редакторе нейронных сетей "1,0 Ы". Была реализована сеть по структуре 5-5-3-2, представленная на рис. 2 [2]. На первые три входа подаются сигналы производных от датчика изгибающего усилия, а на два остальных - сигналы Мир"]" и Мкрф С выходных точек снимаются сигналы соответственно скорости главного движения V и скорости подачи Уя.

Рис. 2. Структура нейросети (а) и процесс её обучения (б)

Fig. 2. The neural network structure (a) and the process of learning (6)

Для обозначения степени принадлежности векторов входных сигналов к соответствующим векторам выходных использовались числовые значения: 1 - связь является основной и чётко определена; 0,8 - свойство используется всегда, однако не является основным при принятии решения; О, 1...0,2 - свойство имеет косвенное отношение к ввіходному сигналу; 0 - не учитвшается при принятии решения. Указаннвіе соотношения представленні в таблице.

Таблица

Коэффициенты предпочтительных соотношений необходимы для настройки нейросети перед её обучением. В соответствии с адекватностью реакции нейросети на совокупности входных сигналов, коэффициенты могут корректироваться. После обучения нейросети производилась проверка её реакции на различные знаки векторов входных параметров. На рис. 3 приведены фрагменты таких испытаний. На первом фрагменте показан результат реакции скорости главного движения на изменение крутящего момента при условии, что величина изгибающего усилия растёт. Видим, что при росте Мкр скорость тоже растёт и выходит на уровень, установленный технологическими рекомендациями.

На втором фрагменте показана реакция скорости подачи при переходе крутящего момента от падающих значений (отрицательная производная) к растущим (положительная производная). Видим небольшой перебег скорости подачи, а затем снижение к скоростям, соответствующим движению по шагу.

После окончательной сборки экспериментальной установки и монтажа системы управления и отладки этой системы производились серии испытаний по завинчиванию винтов самонарезающих 2,5 х 6 серии 7811-7175 в гладкие отверстия образцов высотой 5 мм из винипласта. Испытания системы проходили в трёх режимах:

1. В режиме работы приводов головки от микроконтроллера без обратных связей от сенсорной системы.

2. Режим работы с ПИД-регулятором и обратной связью с микроконтроллером по скорости подачи.

3. Режим работы с ПИД-регулятором и нейроуправлением.

Показателем качества работы системы является устойчивость всех фаз процесса сопряжения отверстия с крепёжным элементом, что сказывается на качестве получаемого соединения. Последнее, в свою очередь, характеризуется такими показателями, как: плавность хода процесса завинчивания, отсутствие срывов начальных ниток резьбы, минимальные значения начальных угловых перекосов и поперечных изгибающих сил.

Рис. 3. Фрагменты испытаний нейросети: реакция скорости главного движения на Мкр (а); реакция скорости подачи на Мкр (б)

Fig. 3. Fragments of the neural network tests for reactions to torque: the speed of the main movement (a); the reaction of the machine tool supply (6)

Одним из наиболее важных показателей процесса сопряжения и получаемых соединений является величина крутящего момента.

На формирование крутящего момента косвенным образом влияют угловые перекосы винтов, неустойчивое положение винта в начальный момент времени, проворачивание приводной головки (срыв шлица) и другие внешние воздействия. Эти величины носят, как правило, вероятностный характер.

Очевидно, что чем меньше угол первоначального перекоса, тем устойчивее крепёжная деталь, завинчиваемая в гладкое отверстие. Вероятностный характер перекоса приводит к неустойчивости углового положения детали и нестабильности процесса завинчивания. Поэтому задачей системы управления является повышение качества процесса путём контроля входных параметров САУ, их анализа и выработки необходимой стратегии управления скоростями главного движения и подачи.

Для реализации серии экспериментов бвши подготовленв 1 группв 1 образцов и соответствующая технологическая оснастка. В данной части исследований приводятся даннвге об эффективности работв 1 САУ в различных режимах. При этом производилась записи в памяти компьютера данник о значениях изгибающих и осевых усилий, скорости и крутящего момента для каждого завинчивания. По этим данным строились соответствующие графики и поля распределений статистически связанных величин. На рис. 3 приведены 1 данные по проведённым экспериментам. В каждом из трёх исследуемых режимов производили по 20 завинчиваний. На рис. 4а представлен в 1 поля рассеивания одновременно контролируемых изгибающего и осевого усилий. Видно, что при работе систем в 1 от МК без обратных связей поле рассеивания наибольшее. Это объясняется неуправляемостью процесса и несогласованностью усилий ввиду отсутствия информации о величине. Использование ПИД-регулятора примерно в 3 раза сужает области рассеивания и приводит к более тесной взаимосвязи усилий. При действии нейрорегулятора области уплотняется ещё больше и по сравнению с первым режимом уменьшается примерно в 10 раз. Таким образом, осевое усилие, вызванное управляемой скоростью подачи на основании информации об изгибающей силе, значительно повышает устойчивости процесса и его качество.

На рис. 46 показаны экспериментальные кривые взаимосвязи изгибающего усилия от скорости главного движения при различных режимах работы САУ. В первом режиме наблюдается значительная чувствительность величины Ри от скорости. Таким образом, любые изменения положительного градиента скорости приводят к резким скачкам усилия. Это связано с крайней неустойчивости начального положения крепёжных деталей, что требует дополнительных мер к воздействию на процесс. Введение ПИД-регулятора снижает чувствительности Ри к скорости завинчивания примерно на 28-36 %, однако она всё ещё остаётся довольно значительной.

В третьем режиме чувствительности снижается до незначительных величин, и скорости практически перестаёт влиять на формирование изгибающей силы.

Кроме приведённых экспериментов исследовались качественные характеристики переходных процессов в системе с нейрорегулятором. Сравнивая результаты работы системы при трёх разных способах управления, можно сделать вывод о том, что наличие ПИД-регулятора увеличивает плавности переходного процесса и на 25-30 % снижает перерегулирование. Снижается также колебательности процесса и время установившегося режима. Наличие в системе нейроблока снижает величину перерегулирования до 2,5-3,2 %. В случае с нейроуправлением адаптация системы к изменению момента инерции происходит быстрее. Об этом можно судить по величине перерегулирования при увеличенном моменте инерции и амплитуде колебаний при уменьшенной инерционности.

Заключение

Основные научные и практические результаты состоят в следующем:

1. Разработаны действующие модели сборочных установок для автоматизации монтажных операций для мелкоразмерного крепежа на основе мехатронной завинчивающей головки с автоматической системой управления её режимами работы и технологического оборудования с ЧПУ.

2. Изготовлены электронные компоненты САУ, включающие систему управления мехатронной головкой, регуляторы и компьютерную часть с соответствующей программной поддержкой.

3. Наличие в САУ ПИД-регулятора увеличивает плавности переходного процесса и на 25-30 % снижает перерегулирование. Снижается также колебателвности процесса и время установившегося режима.

4. Наличие в системе нейроблока снижает величину перерегулирования до 2,5--

3,2 %. В случае с нейроуправлением адаптация системы 1 к изменению момента инерции происходит быстрее. Об этом можно судить по величине перерегулирования при увеличенном моменте инерции и амплитуде колебаний при уменьшенной инерционности.

Список литературы

1. Березин С.Я. Параметрический анализ структуры мехатронного привода завинчивающих автоматов // Учёные записки Забайкалвского государственного университета. Сер. Физика, математика, техника, технология. 2017. Т. 12, № 4. С. 38-44.

2. Березин С.Я., Охрименко М.И. Роботизация операций завинчивания крепёжно-резвбообразующих деталей // Известия МГТУ "МАМИ". Научный рецензируемый журнал. 2010. № 1. 286 с.

3. Березин С.Я., Охрименко М.И. Мехатронный завинчивающий модули с интеллектной системой управления режимами сборки // Кулагинские чтения: материалв 1 XVII Меж- дунар. науч.-практ. конф. (г. Чита, 28-30 нояб. 2017 г.). Чита: ЗабГУ, 2017.

4. Кабак И.С., Суханова И.В. Моделирование надёжности программного обеспечения систем управления автоматизированнвши технологическими комплексами на базе искусственного интеллекта // Вестник МГТУ "Станкин". 2012. № 1. С. 95-99.

5. Макаров И.М., Лохин В.М., Манвко С.В., Романов М.П. Искусственный интеллект и интеллектуальные системв 1 управления / отв. ред. И.М. Макарова. М.: Наука, 2006. 333 с.

6. Чумаков P. Е. Синтез структуры 1 технологической системв 1 для сборки резьбы 1х соединений в условиях неопределённости // Сборка в машиностроении, приборостроении. 2009. № 2. С. 3-8.

7. Lewis F. L., Shuzhi Sam Ge. Neural Networks in Feedback Control Systems. To appear in Mechanical Engineer's Handbook. John Wiley. New York, 2005. P. 1-28.

8. Longwic R., Nieoczym A. Control of the process of screwing in the industrial screwdrivers // Advances in Science and Technology Research Journal. 2016. Vol. 10, No. 30. June. Pp. 202-- 206.

References

1. Berezin S. Ya. Parametricheskii analiz struktury mekhatronnogo privoda zavinchivayushchikh avtomatov / / Uchenye zapiski Zabaikal'skogo gosudarstvennogo universiteta. Ser. Fizika, matematika, tekhnika, tekhnologiya. 2017. T. 12, № 4. S. 38-44.

2. Berezin S. Ya., Okhrimenko M. I. Robotizatsiya operatsii zavinchivaniya krepezhno- rez'boobrazuyushchikh detalei // Izvestiya MGTU "MAMI". Nauchnyi retsenziruemyi zhurnal. 2010. № 1. 286 s.

3. Berezin S. Ya., Okhrimenko M. I. Mekhatronnyi zavinchivayushchii modul's intellektnoi sistemoi upravleniya rezhimami sborki // Kulaginskie chteniya: materialy XVII Mezhdunar. nauch.-prakt. konf. (g. Chita, 28-30 noyab. 2017 g.). Chita: ZabGU, 2017.

4. Kabak I. S., Sukhanova N. V. Modelirovanie nadezhnosti programmnogo obespecheniya

sistem upravleniya avtomatizirovannymi tekhnologicheskimi kompleksami na baze

iskusstvennogo intellekta // Vestnik MGTU "Stankin". 2012. № 1. S. 95-99.

5. Makarov I. M., Lokhin V. M., Man'ko S. V., Romanov M. P. Iskusstvennyi intellekt i intellektual'nye sistemy upravleniya / otv. red. I. M. Makarova. M.: Nauka, 2006. 333 s.

6. Chumakov R. E. Sintez struktury tekhnologicheskoi sistemy dlya sborki rez'bovykh soedinenii v usloviyakh neopredelennosti // Sborka v mashinostroenii, priborostroenii. 2009. № 2. S. 3-8.

7. Lewis F. L., Shuzhi Sam Ge. Neural Networks in Feedback Control Systems. To appear in Mechanical Engineer's Handbook. John Wiley. New York, 2005. P. 1-28.

8. Longwic R., Nieoczym A. Control of the process of screwing in the industrial screwdrivers // Advances in Science and Technology Research Journal. 2016. Vol. 10, No. 30. June. Pp. 202--206.

Размещено на Allbest.ru