張文龍， 黎旭權(quán)， 蘇德輝

（東莞市質(zhì)量監(jiān)督檢測中心， 廣東 東莞 523808）

0 引言

電火花加工技術(shù)已經(jīng)是一種應(yīng)用很廣的加工技術(shù)，技術(shù)上有很大的發(fā)展提升，加工硬質(zhì)材料有獨特的優(yōu)勢，對模具制造產(chǎn)業(yè)發(fā)展產(chǎn)生了很大影響[1]，但模具經(jīng)常有很多微小零件及精密零件的加工， 因此電火花加工正逐漸向微小和精密方向發(fā)展，與普通電火花加工相比，微小電火花加工具有放電能量低、精度要求高和電火花放電間隙小等特點。 并且微小孔尺寸一般比較小，大都小于0.5mm[2]，導致微小孔電火花加工中的放電間隙環(huán)境是極其復雜的，檢測到的加工信號頻率很高、電流和電壓波形發(fā)生畸變等[3，4]，這些情況的出現(xiàn)都給微小孔加工的進行提出新的挑戰(zhàn)。

本文根據(jù)常規(guī)檢測方法難于滿足微小孔加工特點，提出了一種多傳感器信息融合技術(shù)， 該方法的引入可以減少檢測模塊對傳感器和硬件電路的依賴， 降低設(shè)備成本，并大大的減少工藝測試實驗所需要的大樣本數(shù)據(jù)，減少了計算機整理分析數(shù)據(jù)所需要的硬件支持[5]。

1 傳統(tǒng)檢測方法

近年來， 國內(nèi)高校科研院所對間隙狀態(tài)檢測進行了大量的探索和研究，提出了很多改進檢測方法，常用的檢測方法有：間隙平均電壓檢測法[6]、間隙電導率檢測法[7]、脈沖電壓積分法和電流電壓門檻值法[8]等；這些方法在常規(guī)電加工機床中應(yīng)用較多， 如在微小電加工中脈沖寬度常常在0.1～0.2μs 量級，脈沖電壓積分法容易造成信息丟失，導致狀態(tài)誤判[9，10]。

2 放電狀態(tài)檢測改進設(shè)計

本文針對微小孔電加工的特點， 設(shè)計多層信息融合網(wǎng)絡(luò)模型，通過對多模糊信息的獲取、表達、內(nèi)在處理和優(yōu)化等過程的技術(shù)處理，最終實現(xiàn)目標識別與檢測。

2.1 模糊控制網(wǎng)絡(luò)設(shè)計

融合信息實現(xiàn)過程為， 以電流和電壓信息作為模糊神經(jīng)網(wǎng)絡(luò)的輸入， 根據(jù)間隙狀態(tài)的特點， 設(shè)計以正常放電、 開路、 電弧放電和短路四個隸屬度特征進行權(quán)重比較，權(quán)重大者即為所屬放電狀態(tài)，完成間隙放電狀態(tài)的隸屬度識別，如圖1 所示的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。

圖1 放電間隙狀態(tài)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.1 Neural network structure model of discharge gap state

接下來對所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型的中間網(wǎng)絡(luò)4 層的權(quán)重和隸屬度進行詳細設(shè)計，具體過程如下說明：

第1 層為雙輸入層： 采用峰值電流和峰值電壓作為輸入層， 該層中的神經(jīng)元各個節(jié)點的變量傳遞到下一層采用單位一，進行等量傳遞。

第2 層為隸屬函數(shù)層： 考慮到放電加工過程中檢測到的各放電間隙狀態(tài)都存在不同的電壓和電流域值，因此采用梯形隸屬度函數(shù)，其函數(shù)曲線如圖2 所示。

在神經(jīng)網(wǎng)絡(luò)構(gòu)建時，采用對應(yīng)梯形曲線的函數(shù)如公式（1）所示[11]：

圖2 函數(shù)層隸屬度曲線圖Fig.2 Function level membership curve

第3 層為規(guī)則層：該層主要完成模糊推理，設(shè)計的神經(jīng)元與模糊規(guī)則數(shù)相同。 與前一層的最終連接權(quán)重值由網(wǎng)絡(luò)訓練獲得，初始值為0 或1。

第4 層為結(jié)論層： 規(guī)則層的每個神經(jīng)元節(jié)點與該層各個節(jié)點相連，每個規(guī)則神經(jīng)元相應(yīng)結(jié)論的神經(jīng)元連接，第3 層和4 層采用S 型曲線轉(zhuǎn)移函數(shù)[12]，如公式（2）和（3）所示：

式中：wij—規(guī)則層第j 個神經(jīng)元節(jié)點處轉(zhuǎn)移到第i 個節(jié)點結(jié)論層權(quán)重值；Xi—規(guī)則層第j 個節(jié)點處的輸出，Si定義為結(jié)論層第i 個節(jié)點的輸入。

第5 層為輸出層： 該輸出層為四種放電間隙狀態(tài)的隸屬度，其可直接參與間隙狀態(tài)識別，無需再進行去模糊處理。

2.2 控制算法確定

本文采用的模糊神經(jīng)網(wǎng)絡(luò)中， 只在中間兩個層權(quán)重值需要學習訓練，其他層都有確定的轉(zhuǎn)移權(quán)重值，采用誤差反向傳播的BP 算法[13，14]，該算法核心是最小二乘法，采用梯度搜索使誤差均方值最小，目標函數(shù)如公式（4）所示。

其中，P—實驗數(shù)據(jù)進行處理后的典型樣本數(shù)；N—輸出節(jié)點數(shù)；dpk—神經(jīng)網(wǎng)絡(luò)理論輸出；Opk—網(wǎng)絡(luò)實際輸出；Ep—誤差總和。

2.3 模型訓練與分析

為了驗證所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型的有效性， 基于Matlab 軟件神經(jīng)網(wǎng)絡(luò)模塊完成了識別模擬器的設(shè)計，在目標要求103量級的迭代次數(shù)下， 獲得了較好的收斂結(jié)果，成功的構(gòu)建了模擬識別器，迭代收斂過程如圖3 所示。

圖3 樣本收斂過程Fig.3 Sample convergence process

以常規(guī)單一信號無法辨識的間隙狀態(tài)數(shù)據(jù)為輸入，利用此模型進行識別， 結(jié)果顯示采用多融合技術(shù)可以獲得以往無法辨識的信號，結(jié)果如表2 所示。

表2 信息融合測試數(shù)據(jù)Tab.2 Information fusion test data

從表2 可以看出， 采用多傳感器信息融合的神經(jīng)網(wǎng)絡(luò)識別器可以很好的識別出來， 為控制策略的實施提供了很好支撐。

3 驗證實驗

基于以上的多信息融合控制策略， 為了驗證加工效果，與常規(guī)單一放電檢測控制方法進行對比實驗，分別加工φ0.5mm 和φ0.3mm 的孔，對加工的兩組孔，采用分段記錄，加工相同時間間隔作為一次記錄（以五分鐘為一個時間間隔），獲得的實驗結(jié)果如表3 所示。

表3 部分實驗對比數(shù)據(jù)Tab.3 Comparison data of some experiments

表3 所示的實驗結(jié)果表明， 在相同的時間內(nèi)采用多信息融合模糊控制方法獲得孔深比常規(guī)單一檢測控制方法的要深大約8%，電極相對損耗也有明顯的降低，對獲得結(jié)果分析發(fā)現(xiàn)， 采用常規(guī)的檢測方法經(jīng)常出現(xiàn)檢測誤判，導致很多檢測狀態(tài)無法識別，增加了系統(tǒng)的識別計算時間，特別是由于微孔加工畸形信號的出現(xiàn)，使得常規(guī)檢測方法更容易造型誤判，導致加工時間延長，加工效率降低，甚至出現(xiàn)間隙狀態(tài)為短路的狀態(tài)還在持續(xù)放電，這樣會導致電極損耗加快， 這也驗證了電極損耗常規(guī)方法損壞快的原因。

4 結(jié)束語

本文針對微小孔電火花加工放電狀態(tài)難于檢測，放電過程極其復雜的特點，要實現(xiàn)對加工電極模糊控制，完成有效的放電加工， 提出了一種基于多信息融合技術(shù)的模糊控制策略，采用峰值電壓和電流雙輸入信息融合，基于Matlab 軟件構(gòu)建了多層BP 模糊神經(jīng)網(wǎng)絡(luò)模型，對獲得檢測信息進行有限融合，經(jīng)過多層神經(jīng)網(wǎng)絡(luò)處理，能夠精確和高效的判斷放電間隙狀態(tài)， 為微小孔電火花加工電極伺服控制提供了一套行之有效的模糊控制策略， 最后通過微孔加工比較實驗，驗證了設(shè)計的控制器的可行性。