随着制造行业对制造需求的不断提高，对制造装备的需求也不断提高，因而数控机床（CNC）逐渐走上了历史舞台并扮演着极其重要的角色。现有的数控机床虽能满足大多数加工需求，但也存在不如人意之处，本文仅就数控机床在动力源、“神经系统”、回收上的改善方式进行讨论。

　　关键词：高速/高精实现 BP神经网络 PID控制器 AHP回收评估

　　中图分类号：TG659 文献标识码：A 文章编号：1007-9416（2015）07-0000-00

　　1 数控机床及其发展历史

　　数控机床是采用数字控制技术对机床加工过程进行自动控制的一类机床。在1952年，美国研制出世界上第一台数控机床后，其他工业国家相继对数控机床进行研制。我国在1958年也研发出第一台数控机床。从这一阶段起，由于其自身在精度和可控度方面的自然优势，数控机床逐渐取代了传统加工机床，成为制造行业的中坚力量。

　　2 数控机床在动力源上的改善

　　提高生产率最主要、最直接的方式是提高加工速度，而高速加工与高速数控机床的开发应用紧密相关。为实现高速、高精加工，与之配套的功能部件如电主轴、直线电机等得到了快速发展，其应用领域逐步扩大。高频电主轴、直线电机、转矩电机等越来越多地应用在高档数控装备中。这些新兴电机集成了机械传动结构和电气动力源，也实现了高速高精化，且高度集成，使得机床体积不断减小。

　　数控机床未来在动力源上将有如下的几种优化方式：

　　（1）利用高频电主轴。高频电主轴直接将电动机装配在主轴中，不需中间传动环节，是高频电动机与主轴部件的集成，具有体积小、转速高、可无级调速等一系列优点。在多工件复合加工机床、多轴联动多面体加工机床、并联机床和柔性加工单元中，电主轴更有机械主轴不可替代的优越性。

　　目前，利用高性能电主轴替代复杂的机床传动箱体系统已经成为主流。这样一方面减少了复杂传动系统所致加工精度的降低，又可以尽可能缩小机床体积。

　　（2）直线电机。直线电机专为动态性能和运动精度要求高的机床设计，虽然其价格高于传统的伺服电机，但它大大简化了机械传动结构，有效提高了机床动态性能。直线电机驱动的工作平台具有高速、高加速度、高精度、行程不受限制等特点，因而满足现代数控机床对于进给伺服电机的要求。

　　当前主流数控机床的运动主要是电机带动滚珠丝杠副，从而将角位移转化为直线位移，运动误差是电机误差和滚珠丝杠副制造安装误差的累积。但如果采用直线电机的传动链没有误差，所有的误差来源于电机，这样就更容易实现精确控制。基于此，未来数控机床的工作台将会由高性能直线电机直接驱动。

　　（3）转矩电机。转矩电机是一种同步电机，其转子直接固定在所要驱动的部件上，因而没有机械传动元件，它像直线电机一样直接驱动装置。转矩电机所能达到的角加速度比传统的蜗轮蜗杆传动所能达到的角加速度高6倍，应用于摆动叉形主轴头时加速度可达到3g。由于转矩电机可达到极高的静态和动态负载刚性，因而能大大提高回转轴和摆动轴的定位和重复定位精度。

　　机床加工工件过程中，有时需要低转速大转矩的动力输出，用蜗轮蜗杆传动或液压辅助回路实现虽然各具一定的优点，但都需占用较大的体积。转矩电机的出现及其性能的不断改进有望在未来成为解决这类问题的有效手段，在保证加工精度的基础上减小机床体积。

　　3 数控机床未来的“智能神经系统”

　　数控系统在控制性能上正向智能化发展。随着人工智能在计算机领域的渗透和发展，数控系统引入了自适应控制、模糊系统和神经网络的控制机理，不但具有自动编程、前馈控制、模糊控制等功能，而且人机界面友好，并具有故障诊断专家系统。伺服系统智能化的主轴交流驱动和智能化进给伺服装置，能自动识别负载并自动优化调整参数。

　　神经网络模型现在已经成功地运用于模式识别。事实上，我们工程当中遇到的许多问题从本质上讲几乎没有完全的线性模型，人们根据自己经验对非线性问题做出各种假设和逼近，从而使得非线性问题转化为线性问题。这个过程事实上就是一种建模，模型不能完全反应系统的原理。但是产生的误差可以接受。利用神经网络来构建智能系统其实就是在模仿这个过程，仿真一个“人脑”然后“集成”到数控机床中去。为了对这种手段的可行性进行更加有力的论证，下面简单地用一个基于BP神经网络的PID控制环节仿真来说明问题。

　　3.1基于BP神经网络的PID控制环节仿真

　　BP（BackPropagation）神经网络由以Remerhalt和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。选用BP神经网络的原因是它和我们要仿真的PID控制的控制方式比较类似，可以使得仿真工作量减少。

　　BP神经网络由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度或预先设定的学习次数为止。

　　神经网络在控制过程中处于不断地“学习”输出状态，输出参数就是PID控制器的三个关键参数：比例系数kp、积分系数ki、微分系数kd，如图2所示。反映这个“智能”PID控制器调整过程的误差曲线中表示的是相对误差，单位是10-3，如图3。

　　从上面的仿真过程可以出，并不只限于PID控制器，基于神经网络模型可设计出各种具有智能参数选择的数控机床控制系统。

　　3.2基于神经网络模型的工艺参数及流程设计智能系统

　　利用神经网络的原理，用以往的参数选择来“训练”工艺选择的神经网络，可以对未知情况做出更理想的非线性预测，使数控机床在加工时实现真正的智能化。

　　现有的关于神经网络的应用方式大多把神经网络选择参数的过程看作是一种优化算法，这样的理解是普遍接受的。但是，依旧可以把神经网络看成是一个具有智能的“大脑”，它选择参数的过程就是“思考”、“学习”的过程。然而这样认为可能会引起很多人的疑问――神经网络的输入输出都是矩阵，如何来对复杂的外界进行认知，学习呢？对于这个问题可以效仿早期使用单片机时的做法――引入类似译码器的东西，即对于外界的事物可以进行编码作为输入。根据上面的基于BP神经网络的PID仿真过程已经说明引入神经网络来完成智能的“思考”具有很高的可操作性。同样，利用神经网络来使得数控机床自己“知道”加工所需的材料及参数也非常可行。对于材料，可以把各种钢编号，神经网络的输出中某些具体的数就对应这种编号，从而表示出机床的选择。然后不断完善其它的参数输出，使整个系统具有一定的复杂性和可靠性，最终可以达到大量应用的目的。

　　要完成这个目标有一个无法回避的问题，并且是实现这个技术的关键问题：在PID仿真的过程中，理想输出就是一个正弦波，可以用一个误差函数精确地说明离最终目标还差多少，神经网络还要修正多少。但是，如果引入不表示数量只表示编号的数值，神经网络就无法确定调整量，无法精确描述反馈。显然，实现这个技术目前需要解决的主要问题就是如何科学合理地刻画这些模糊的输出误差，从而来调整网络参数。如果这个问题得到了一般性的解决，真正的含有“大脑”的智能化数控机床也就指日可待。

　　4 数控机床回收再制造科学评估系统

　　制造业给人类带来了前所未有的文明和财富的同时，也带来了不可忽视的环境问题。现在逐渐盛行的“绿色制造”将会深深地影响数控机床产品的生命周期。

　　用绿色制造的观点来看待废旧的数控机床，可以发现，废旧数控机床是一种具有很高的回收再利用价值的机电产品。它具有很高的经济价值，数控机床制造需要消耗大量普通钢铁材料及部分高档钢材，数控机床的回收再利用可以二次使用钢铁资源，从而大大避免资源浪费；其次回收数控机床具有很好的环境价值，数控机床中的电子元件的处理可以避免破坏生态环境；此外，数控机床机械部分具有耐久性，性能稳定的特点，适合于循环回收再利用；同时，数控机床属于标准化产品，功能部件互换性好，这大大简化了回收再利用工艺。近年来先进的机床机械功能部件、驱动系统和控制系统的发展为数控机床的回收再利用提供了良好的技术支撑，使得其具备一定可行性。基于以上分析，数控机床未来再制造产业将会成为数控机床产品不可或缺的来源。

　　考虑到未来的设计理论应该更为完善，这里假设数控机床的设计者普遍不考虑如何设计机床机构来提升其可回收性。那么，在未来一个自然而然的需求就是，数控机床的再制造需要一种普适性的理论来提高效率。目前国内外使用的评价方法有：模糊层次评价法、加权评分法、层次分析法等。

　　相对来说比较成熟的评价决策方法是模糊层次评价法，其具体步骤如下：

　　（1）对构成评价系统的目的、评价指标建立多级递阶的结构模型；

　　（2）对同属一级的要素以上一级的要素为准则进行两两比较，根据评价尺度确定其相对重要度，建立判断矩阵；

　　（3）解权重判断矩阵，并检验每个矩阵的一致性，计算出最底层指标的组合权重；

　　（4）建立最底层评价指标的隶属函数，求出隶属度；

　　（5）对待评价对象进行综合得分分析。

　　为使判断定量化，一般都引用1～9的比例标度法。之后再写出一致化矩阵，计算一致性比例，从而可用反向断定一开始决策时对各个指标的偏重是否存在不一致性。反复迭代修改最终可以评价出废旧数控机床的合理回收工艺方案。

　　这样的方法使决策者可利用数学方法来避免思维的不一致性，并且方法本身和机床的具体结构没有任何关系，所以又符合之前提出的普遍适应的需求。

　　参考文献

　　[1]李斌，李曦.数控技术[M].武汉：华中科技大学出版社，2010.

　　[2]王建明.电机及机床电气控制[M].北京：北京理工大学出版社，2012.

　　[3]Simon.Haykin.神经网络原理[M].机械工业出版社，2004.

　　[4]闫晓玲，冷崇杰.机床数控化再制造[J].北京工商大学学报.

　　收稿日期：2015-07-01

　　作者简介：安培良（1993―），男，汉族，河北秦皇岛人，本科，主研方向： 机械设计制造及其自动化。

标签：机床数控网络神经电机过程误差输出制造