黃廣煒，趙萬(wàn)生

（上海交通大學(xué)機(jī)械與動(dòng)力工程學(xué)院，機(jī)械系統(tǒng)與振動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，上海200240）

基于極限學(xué)習(xí)機(jī)的工件厚度辨識(shí)研究

黃廣煒，趙萬(wàn)生

（上海交通大學(xué)機(jī)械與動(dòng)力工程學(xué)院，機(jī)械系統(tǒng)與振動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，上海200240）

電火花線切割加工變厚度工件時(shí)，會(huì)出現(xiàn)加工效率低和易斷絲的現(xiàn)象。為了降低厚度變化對(duì)加工產(chǎn)生的影響，提出了基于極限學(xué)習(xí)機(jī)的工件厚度辨識(shí)方法。該方法利用加工階梯狀工件過(guò)程中采集的數(shù)據(jù)，建立了基于極限學(xué)習(xí)機(jī)的厚度辨識(shí)模型。數(shù)據(jù)驗(yàn)證結(jié)果表明：該模型的辨識(shí)誤差小于2 mm。

電火花線切割加工；極限學(xué)習(xí)機(jī)；工件厚度辨識(shí)

電火花線切割加工技術(shù)以其精度高、速度快和可加工復(fù)雜零件等特點(diǎn)，被廣泛應(yīng)用于模具、航空航天及醫(yī)療器械領(lǐng)域[1]。電火花線切割加工過(guò)程中，路徑上的工件厚度往往會(huì)發(fā)生變化，而大部分情況下線切割加工都是選擇固定的加工參數(shù)進(jìn)行加工，當(dāng)工件厚度發(fā)生變化時(shí)，若加工參數(shù)不隨之調(diào)整，便會(huì)帶來(lái)一系列問題。例如：當(dāng)加工路徑上的工件厚度由高變低時(shí)，加工速度增加，但電極絲的熱密度也會(huì)增加，易出現(xiàn)放電集中現(xiàn)象而產(chǎn)生斷絲；當(dāng)工件厚度由低變高時(shí)，會(huì)導(dǎo)致加工速度變慢，使生產(chǎn)效率降低。因此，對(duì)于變厚度工件的線切割加工過(guò)程，及時(shí)地根據(jù)厚度變化選擇合適的加工參數(shù)，對(duì)提高加工穩(wěn)定性具有重要的作用。

針對(duì)電火花線切割加工變厚度工件的問題，國(guó)內(nèi)外學(xué)者做了大量的研究。Portillo等[2]用回饋神經(jīng)網(wǎng)絡(luò)來(lái)監(jiān)控電火花線切割加工變厚度工件情況下的退化行為，將一個(gè)放電脈沖的峰值電流、點(diǎn)火延時(shí)時(shí)間及放電能量作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸入變量，建立模型，并最終達(dá)到降低斷絲率、提高加工效率的目的。廖運(yùn)炫等[3]提出了使用灰色預(yù)測(cè)策略增益自調(diào)整模糊控制算法，將一個(gè)采樣周期中的非正常放電比例作為控制變量，可降低加工中工件厚度突然變化時(shí)的非正常放電比例，從而實(shí)現(xiàn)加工的穩(wěn)定。宗福來(lái)[4]在線切割伺服進(jìn)給控制系統(tǒng)中引入了自校正控制理論，將加工過(guò)程中采集的電火花放電狀態(tài)的空載率和短路率作為輸入信息，實(shí)施對(duì)伺服進(jìn)給的自校正控制，實(shí)現(xiàn)了對(duì)伺服進(jìn)給的寬范圍快速調(diào)節(jié)，在變厚度工件加工中取得了穩(wěn)定、高效的加工效果。豆尚成[5]提出了利用支持向量機(jī)建立工件厚度辨識(shí)模型，其預(yù)測(cè)誤差在2 mm以內(nèi)，隨后又基于最小二乘支持向量機(jī)提出了在線修正的工件厚度辨識(shí)模型，擴(kuò)大了系統(tǒng)適用范圍，同時(shí)提高了預(yù)測(cè)精度，使厚度識(shí)別誤差保持在1.5 mm以內(nèi)。在工業(yè)界，線切割機(jī)床制造廠商也在不斷研發(fā)變厚度線切割技術(shù)，如阿奇夏米爾研制的電火花線切割機(jī)床，可針對(duì)工件形狀特征優(yōu)化脈沖電源放電能量，使工件各加工部分的能量釋放接近一致，避免了放電能量過(guò)于集中而導(dǎo)致的斷絲，同時(shí)保持了較高的切割速度和精度。

1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）是一種求解單隱層神經(jīng)網(wǎng)絡(luò)算法[6]。相比于其他的神經(jīng)網(wǎng)絡(luò)，尤其是單隱層前饋神經(jīng)網(wǎng)絡(luò)（SLFN），ELM在保證學(xué)習(xí)精度的前提下，比傳統(tǒng)的學(xué)習(xí)算法速度更快。

一個(gè)典型的單隱層神經(jīng)網(wǎng)絡(luò)見圖1，由輸入層、隱含層和輸出層組成。其中，輸入層與隱含層、隱含層與輸出層神經(jīng)元之間全連接。

圖1 單隱層神經(jīng)網(wǎng)絡(luò)

設(shè)具有N個(gè)樣本的訓(xùn)練集（xi，yi），其中輸入節(jié)點(diǎn)， 真 實(shí) 值yi＝。隱含層神經(jīng)元的激活函數(shù)為g（x），對(duì)于一個(gè)具有L個(gè)隱含層神經(jīng)元的單隱層前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)的輸出為：

式中：H為神經(jīng)網(wǎng)絡(luò)的隱含層輸出矩陣，具體表達(dá)式為：

當(dāng)訓(xùn)練樣本個(gè)數(shù)較大時(shí)，采用小于樣本數(shù)的隱含層神經(jīng)元個(gè)數(shù)，以降低運(yùn)算量，減少訓(xùn)練時(shí)間。SLFN的訓(xùn)練誤差逼近一個(gè)任意的ε＞0，即：

在激活函數(shù)無(wú)限可微的條件下，ELM算法中SLFN可隨機(jī)地確定輸入權(quán)重w和隱層節(jié)點(diǎn)閾值b，且在訓(xùn)練過(guò)程中保持不變，不需進(jìn)行調(diào)整。而隱含層和輸出層之間的輸出權(quán)重可通過(guò)求解方程組的最小二乘解獲得：

2 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)在BM400C-C精密型“中走絲”電火花線切割機(jī)床上進(jìn)行。開發(fā)了基于Linux的數(shù)控系統(tǒng)，以替代原智能型BMXP編控系統(tǒng)；保留了機(jī)床原有的脈沖電源、沖液系統(tǒng)、運(yùn)絲系統(tǒng)等；設(shè)計(jì)了放電檢測(cè)電路，用于區(qū)分加工過(guò)程中的正?；鸹ǚ烹?、開路和短路三種狀態(tài)。機(jī)床可調(diào)節(jié)的加工參數(shù)包括脈沖寬度、脈沖間隔、峰值電流、進(jìn)給速度、沖液壓力及運(yùn)絲速度，調(diào)節(jié)范圍見表1。

表1 機(jī)床加工參數(shù)調(diào)節(jié)范圍

建立一個(gè)厚度預(yù)測(cè)模型，很重要的一點(diǎn)就是確定模型的輸入變量，在本實(shí)驗(yàn)中即為那些對(duì)加工過(guò)程的有效放電頻率、加工速度有明顯影響的參數(shù)。為了保證工件在加工后的表面質(zhì)量一致性，需保持單個(gè)脈沖放電能量恒定。在此條件下，實(shí)驗(yàn)參數(shù)中的脈沖寬度和峰值電流要保持相同，不能在線調(diào)節(jié)，不能作為模型的輸入。本文通過(guò)如下實(shí)驗(yàn)確定了對(duì)有效放電頻率和加工速度有顯著影響的參數(shù)：加工固定厚度為20 mm的工件，只調(diào)節(jié)除峰值電流、脈沖寬度之外的某一項(xiàng)參數(shù)，并保持其他參數(shù)不變，得到的實(shí)驗(yàn)結(jié)果見圖2～圖5。

圖2 脈沖間隔對(duì)放電頻率和加工速度的影響

圖3 進(jìn)給速度對(duì)放電頻率和加工速度的影響

從上述實(shí)驗(yàn)可看出，對(duì)加工過(guò)程有明顯影響的參數(shù)還有脈沖間隔和進(jìn)給速度。在加工過(guò)程中，利用放電檢測(cè)電路采集單位時(shí)間△t內(nèi)的有效放電次數(shù)△Ν，同時(shí)通過(guò)坐標(biāo)值計(jì)算單位時(shí)間內(nèi)的位移，進(jìn)而得到加工速度。因此，選擇脈沖間隔和進(jìn)給速度作為實(shí)驗(yàn)的可調(diào)參數(shù)變量，從而可把放電頻率、加工速度、進(jìn)給速度及脈沖間隔這四個(gè)特征量作為模型的輸入，建立基于極限學(xué)習(xí)機(jī)的厚度預(yù)測(cè)模型。

圖4 運(yùn)絲速度對(duì)放電頻率和加工速度的影響

3 加工實(shí)驗(yàn)

用電火花線切割機(jī)床加工一個(gè)階梯狀工件（圖6），電極絲為直徑0.2 mm的鉬絲，工件材料為模具鋼，階梯高度分別為10、20、30 mm。加工過(guò)程中，按圖7所示調(diào)節(jié)不同的參數(shù)組合。對(duì)有效放電頻率和加工速度進(jìn)行采集，采集數(shù)據(jù)的時(shí)間周期為100 ms。如圖8所示，去除數(shù)據(jù)中的不穩(wěn)定加工部分，有效放電頻率和加工速度隨著加工參數(shù)而變化；且可看出，原始數(shù)據(jù)中包含了很多高頻成分，可通過(guò)設(shè)計(jì)低通濾波器對(duì)原始波形進(jìn)行濾波處理。

圖6 階梯形工件

圖7 參數(shù)調(diào)節(jié)

圖8 階梯工件加工過(guò)程中的數(shù)據(jù)采集

在用極限學(xué)習(xí)機(jī)訓(xùn)練數(shù)據(jù)前，需對(duì)其做歸一化處理，以防止較大項(xiàng)數(shù)據(jù)變化掩蓋較小項(xiàng)數(shù)據(jù)變化，歸一化范圍取[0，1]之間。將數(shù)據(jù)歸一化處理后，送入極限學(xué)習(xí)機(jī)訓(xùn)練，同時(shí)將訓(xùn)練數(shù)據(jù)作為模型測(cè)試集。由于極限學(xué)習(xí)機(jī)中隱層神經(jīng)元的數(shù)量對(duì)神經(jīng)網(wǎng)絡(luò)的擬合精度有較大影響，因此通過(guò)調(diào)節(jié)不同的隱層神經(jīng)元個(gè)數(shù)訓(xùn)練厚度辨識(shí)模型，以神經(jīng)元個(gè)數(shù)為100和400舉例說(shuō)明，所得結(jié)果見圖9、圖10?？煽闯觯?dāng)神經(jīng)元個(gè)數(shù)為100時(shí)，厚度辨識(shí)模型的預(yù)測(cè)誤差在3 mm以內(nèi)；當(dāng)神經(jīng)元個(gè)數(shù)為400時(shí)，厚度辨識(shí)模型的預(yù)測(cè)誤差減小到2 mm以內(nèi)。

圖9 神經(jīng)元個(gè)數(shù)為100時(shí)的厚度辨識(shí)模型訓(xùn)練結(jié)果

圖10 神經(jīng)元個(gè)數(shù)為400時(shí)的厚度辨識(shí)模型訓(xùn)練結(jié)果

為了檢驗(yàn)?zāi)Ｐ偷姆夯?，首先設(shè)計(jì)了如下實(shí)驗(yàn)：以不同的參數(shù)組合加工厚度為15 mm的工件，采集加工中的數(shù)據(jù)，去掉其中不穩(wěn)定加工部分的數(shù)據(jù)，將其加入訓(xùn)練模型的數(shù)據(jù)樣本集合之中，設(shè)置神經(jīng)元個(gè)數(shù)為400，重新訓(xùn)練得到新的高度的厚度辨識(shí)模型。然后，用固定參數(shù)切割一個(gè)梯形工件，該工件的上底為10 mm，下底為20 mm，高為30 mm，切割方式見圖11。

圖11 梯形工件

加工參數(shù)保持在脈間第四檔、進(jìn)給速度第二檔。采集加工時(shí)的有效放電頻率和加工速度，以新的工件厚度辨識(shí)模型測(cè)試加工梯形工件時(shí)采集的數(shù)據(jù)，得到的辨識(shí)厚度輸出及誤差見圖12?？煽闯?，利用訓(xùn)練好的極限學(xué)習(xí)機(jī)的工件厚度辨識(shí)模型在測(cè)試梯形工件時(shí)的辨識(shí)誤差也在2 mm以內(nèi)，說(shuō)明基于極限學(xué)習(xí)機(jī)的工件厚度辨識(shí)模型具有良好的泛化性。

圖12 梯形工件辨識(shí)

4 結(jié)束語(yǔ)

本文通過(guò)加工階梯狀的工件，利用加工時(shí)采集到的信息建立了基于極限學(xué)習(xí)機(jī)的厚度辨識(shí)模型，并最終得到工件厚度辨識(shí)誤差在2 mm以內(nèi)的結(jié)果，還通過(guò)使用加工梯形狀工件采集的數(shù)據(jù)測(cè)試得到模型的辨識(shí)誤差也在2 mm以內(nèi)。測(cè)試結(jié)果表明，極限學(xué)習(xí)機(jī)厚度辨識(shí)模型具有訓(xùn)練速度快、預(yù)測(cè)精度高、泛化性能強(qiáng)的特點(diǎn)，可用于實(shí)際加工中在線辨識(shí)工件厚度、指導(dǎo)加工參數(shù)的選取等方面。

[1] 趙萬(wàn)生.特種加工技術(shù) [M].北京：高等教育出版社，2001.

[2] PORTILLO E，MARCOS M，CABANES I，et al.Recurrent ANN for monitoring degraded behaviours in a range of workpiece thicknesses[J].Engineering Applications of Artificial Intelligence，2009，22（8）：1270-1283.

[3] LEE W M，LIAO Y S.Adaptive control of the WEDM process using a self-tuning fuzzy logic algorithm with grey prediction [J].The International Journal of Advanced Manufacturing Technology，2007，34（5-6）：527-537.

[4] 宗福來(lái).電火花線切割變厚度加工自適應(yīng)控制技術(shù)的研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2006.

[5] 豆尚成.變厚度電火花線切割加工過(guò)程控制系統(tǒng)[D].上海：上海交通大學(xué)，2013.

[6] HUANG Guangbin，ZHU Qinyu，SIEW C K.Extreme learning machine: theory and applications [J].Neurocomputing，2006，70（1-3）：489-501.

信息·動(dòng)態(tài)

中國(guó)機(jī)床工具工業(yè)協(xié)會(huì)特種加工機(jī)床分會(huì)召開2017年常務(wù)理事會(huì)會(huì)議

2017年6月10日，中國(guó)機(jī)床工具工業(yè)協(xié)會(huì)特種加工機(jī)床分會(huì)在蘇州召開了2017年常務(wù)理事會(huì)會(huì)議。特種加工機(jī)床分會(huì)常務(wù)理事單位負(fù)責(zé)人和秘書處工作人員參加會(huì)議，吳國(guó)興理事長(zhǎng)主持會(huì)議。

會(huì)議討論并研究了以下事項(xiàng)，并達(dá)成了共識(shí)：①根據(jù)中國(guó)機(jī)床工具工業(yè)協(xié)會(huì)的安排，分會(huì)承擔(dān)了《中國(guó)機(jī)床工具工業(yè)發(fā)展史》（特種加工機(jī)床部分）的編寫工作。會(huì)議討論并確定了特種加工機(jī)床發(fā)展史的總體編寫方案及時(shí)間進(jìn)度安排。②討論了9家申請(qǐng)入會(huì)單位提交的材料，決定吸收蘇州亞馬森機(jī)床有限公司、佛山市宏石激光技術(shù)有限公司等6家單位入會(huì)。③今年繼續(xù)在行業(yè)內(nèi)開展電加工機(jī)床“達(dá)標(biāo)認(rèn)定”活動(dòng)。④討論并研究了秘書處提出的理事會(huì)換屆初步方案，并擬于今年11月下旬召開換屆大會(huì)。⑤各單位負(fù)責(zé)人交流了今年上半年生產(chǎn)經(jīng)營(yíng)情況，總體市場(chǎng)形勢(shì)較去年同期有所好轉(zhuǎn)。建議協(xié)會(huì)組織業(yè)內(nèi)企業(yè)，對(duì)附配件形成集中統(tǒng)一采購(gòu)，以降低成本、提高話語(yǔ)權(quán)。

（特種加工機(jī)床分會(huì)秘書處）

Study on Online Estimation of Workpiece Height Based on Extreme Learning Machine

HUANG Guangwei，ZHAO Wansheng
（ School of Mechanical Engineering，Shanghai Jiao Tong University，State Key Laboratory of Mechanical System and Vibration，Shanghai 200240，China ）

Wire breakage and low machining efficiency are the two major issues when machining workpiece with a variable height.In order to reduce the influence of thickness change on the machining process，an approach to estimate workpiece height based on extreme learning machine is raised.Workpiece height estimation model is built by using the data collected from the machining process.The value of estimation errors at most parts of the workpiece is less than 2 mm.

WEDM；extreme learning machine；workpiece height estimation

TG661

A

1009－279X（2017）04－0005-05

2017-03-29

黃廣煒，男，1991年生，碩士研究生。