机械加工建模传感器增强技术浅谈
前言：本站为你精心整理了机械加工建模传感器增强技术浅谈范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。
摘要：以机械加工传感器为研究对象，分析了其建模的思想和增强技术，以此增强了机械加工传感器模型的可靠性。
引言
随着社会的进步、经济的发展及科学技术水平的提高，为机械加工生产效率提供了可靠的保障，进而利于生产成本的控制及生产效益的增多。在实际加工过程中，机械加工建模扮演着重要的角色，它有效预测了机械加工的性能，改进了机械加工工艺。在实际建模过程中，预测目标受诸多因素的影响，此时可结合预测目标和影响因素间的关系，构建适合的预测模型。但机械加工的数量众多，种类丰富，加工过程各异，因此，各变量间的关系难以明确。在此情况下，机械加工建模仅考虑输入输出变量间的关系，很难有效构建金属切削加工模型，进而制约着制造技术的推广，降低实效性与适用性。与此同时，在建模研究过程中，对实验数据的要求相对较高，不仅要具备一定的数量，还要拥有一定的质量，此时的数据难以从文献资料或实验研究中获取。因此，需要生产实践，以保证所有数据的准确性与可靠性，同时通过实验验证模型的可用性，最后，仍需要大量的离线实验，进而实现对建模数据的校准。
1机械加工传感器建模的思想简介
针对机械加工传感器建模而言，其基本思想为黑箱建模，此方法是指将复杂的研究对象看作为一个黑箱，借助传感器对其输入与输出的状态进行检测，同时采用人工智能手段，构建输入与输出二者间变量的关系，最终将为研究对象提供一个描述模型。与此同时，传感器将对研究对象展开实时的检测，如：输入与输出状态，结合二者的变化情况，以此进一步修正模型。根据相关文献报道可知，现有的机械加工预测模型与传感器实时检测相配合后，有效、全面地掌握了机械加工的输入与输出状态，通过对二者的分析，为原有模型的改进提供了可靠的依据，而及时修正后，模型预测能力也进一步增强。在此基础上，构建机械加工模型过程中，应关注传感器的正确选取，同时也要丰富信号处理方法，以此保证切削加工状态的准确判断，使加工过程状态与距离希望特性大小及趋势等相关内容的预测效果将更加显著[1]。在构建机械加工模型时，应根据解决方案，选择适合机床装备的传感器及相关的信息输入设备，以此保证信息搜集的全面、及时与高效。此时，机械加工中涉及的影响因素及其与预测目标间的关系均被忽略，而将机械加工看作为一个黑箱，此时仅对其黑箱的输入和输出给予高度关注即可，而二者状态均可通过传感器实现全方位的检测。在对产品进行首次加工过程中，应根据国家的相关规定，如：以公用的加工数据为依据设置初始加工条件，并且将具体加工状态及输出值借助传感器进行检测，同时反馈至原始模型；此后，原始模型借助文献报道中所显示的数据，做成相应的估计常值；最后，在明确传感信息的条件下，逐渐改进原始模型。在对产品进行二次加工过程中，应结合改进模型，对切削数据进行计算。此时的反复循环，使模型凭借加工信息进行了不断地完善，进而模型的预测能力也将进一步增强。
2机械加工传感器建模的增强技术
对于机械加工模型而言，其中应用传感器所构成的增强模型，提高模型的预测能力，具体表现在以下两方面，一方面，构建模型的主要目的是对性能指标的数值及其趋势等进行预测，此时的性能指标主要来自于机械加工的输入值与机械加工系统的当前状态，但通过研究分析可知，普遍的当前状态难以获取，因此，所构建的机械加工模型也缺少科学性与适用性。但在机械加工时利用传感器，此时其获取的检测信号便是当前状态的结果，因此，在建模过程中，应用传感器是必要的。在实际建模时，应注意传感器选择的适合性与信号处理方法的准确性，以此保证机械加工当前状态的及时与准掌握。另一方面，在信息时代，机械加工数据库的应用日渐普遍与广泛，但其缺点较为明显，即：昂贵的价格及较差的准确性等，同时其最为显著的不足是，难以实现准确的模型系数校准，为了充分发挥机械加工数据库的作用，保证模型系数校准的高效与准确，需要利用传感器，输出标定的预测模型[2]。例如：以某机械加工预测模型为研究对象，同一个加工过程的预测输出与传感器检测试剂输出分别为P和S，其中S为实时加工的最新显示，因此，它包含众多关于该加工过程的响应信息。此时，为了确定模型的修正值，应选择适合的方法，而模型的系数集，其初值应有静态的加工数据库进行设置。通过对机械加工研究可知，其对人工神经网络ANN的应用较为普遍，通常情况下，选用名义加工输入值或传感器检测信号特征，也可能将二者结合以此作为输入值，此方法虽然应用效果显著，但其确定也不容忽视，即：每个感知过程均为一个独立事件。因此，为了弥补上述方法的不足，可借助预测模型，以此加速模型的感知过程，同时感知系统的稳定性也将进一步增强[3]。将上述方法通过实验研究显示，人工神经网络ANN的学习系统LN引入后，将传感器检测功能与模型学习能力有机地结合，保证了模型预测精度的增强。对于此模型而言，MDB属于简单的加工数据库，将名义输入值分别加入到加工系统、加工预测模型与学习系统LN中，此时学习系统输入端存在三项输入，即：名义输入值、预测模型输出与传感器输出，此后利用人工神经网络的相关理论，选取给以的学习模型，并训练多项输入信息，进而获得系统增强模型的预测输出[4]。
3结语
在机械加工建模过程中融入传感器，它促进模型预测能力的增强，同时简化建模的环节和降低建模的难度。本文主要分析了机械加工传感器的建模思想，阐述了机械加工传感器建模的增强技术，相信机械加工传感器建模的可靠性与适应性将不断增强。
参考文献
[1]仲作阳.微机械谐振器的能量耗散机理与复杂动力学特性研究[D].上海:上海交通大学,2014.
[2]汪延成.仿生蜘蛛振动感知的硅微加速度传感器研究[D].杭州:浙江大学,2010.
[3]郑永.基于时栅传感器的精密蜗轮副动态检测技术研究[D].合肥:合肥工业大学,2011.
[4]肖传明.精密卧式加工中心的综合动态精度设计与应用[D].北京:北京工业大学,2013.
作者：叶婷 单位：西安航空职业技术学院
