1. Введение

Ключевой технологией нового витка промышленной революции является интеллектуальное производство — цифровизация, сетевое взаимодействие и интеллектуализация обрабатывающей промышленности. Являясь основным направлением развития промышленного интернета в США, «Индустрии 4.0» в Германии и высококачественного развития обрабатывающей промышленности Китая, интеллектуальное производство обеспечивает глубокую интеграцию передовых информационных технологий (в особенности технологий искусственного интеллекта нового поколения) с производственными технологиями, что способствует продвижению нового витка промышленной революции [1].

Станки являются «промышленными материнскими машинами» в сфере производства, и степень их интеллектуализации оказывает существенное влияние на внедрение интеллектуального производства. Ускорение перехода станков к интеллектуализации и повышение уровня их интеллектуализации представляют собой не только насущную потребность отрасли станкостроения в модернизации и трансформации, но и ключевую основу для формирования страны с мощной производственной базой [2].

В конце 2017 года Китайская инженерная академия выделила три базовых парадигмы интеллектуального производства[1]: цифровое производство, цифровое сетевое производство и цифровое сетевое интеллектуальное производство — новое поколение интеллектуального производства, что позволило унифицировать подходы к развитию интеллектуального производства и определить его направление.

В соответствии с тремя парадигмами интеллектуального производства и историей развития станочного оборудования эволюция станков от традиционных станков с ручным управлением к интеллектуальным станкам также может быть разделена на три этапа: цифровизация плюс станок (numerical control machine tool, NCMT), то есть станки с числовым программным управлением; интернет плюс станки с ЧПУ (smart machine tool, SMT), то есть «интернет-станки»; новое поколение искусственного интеллекта плюс интернет плюс станки с ЧПУ, то есть интеллектуальные станки (intelligent machine tool, IMT).

Первый этап — это станки с числовым программным управлением. Его основная особенность заключается в том, что между человеком и ручным станком внедрена система числового программного управления, благодаря чему физический труд человека перекладывается на эту систему.

Второй этап — «Интернет плюс станки». Его основная особенность заключается в интеграции сетевых и других информационных технологий с станками с числовым программным управлением, что придаёт станкам способность к восприятию и подключению; при этом часть человеческих функций восприятия и часть интеллектуального труда передаются на выполнение системе ЧПУ.

Третий этап — это интеллектуальные станки. Их основная особенность заключается в том, что в современные станки с числовым программным управлением интегрированы технологии нового поколения искусственного интеллекта, что придаёт станкам способность к обучению и позволяет им генерировать и накапливать знания. Таким образом, умственный труд человека, связанный с освоением знаний, перекладывается на систему числового программного управления.

На основе анализа развития станочного оборудования в настоящей статье сформулированы следующие исследовательские задачи: в разделе 2 подробно описывается процесс эволюции станков до интеллектуальных станков; в разделе 3 основное внимание уделяется принципам управления интеллектуальными станками (включая ключевые технологии, обеспечивающие их функционирование), их основным характеристикам и четырём функциональным признакам; в разделе 4 конкретно рассматриваются практические реализации интеллектуальной системы ЧПУ и промышленного опытного образца интеллектуального станка, а также на примерах применения интеллектуальных технологий подтверждается целесообразность и эффективность интеллектуальных станков и соответствующих интеллектуальных технологий; в разделе 5 приводится обобщение всего текста.

 

2. Эволюция станков до интеллектуальных станков

Ручной станок (manually operated machine tool, MOMT) представляет собой первоначальную форму станочного оборудования и является интеграцией человека и физической системы станка. Оператор, используя восприятие и принятие решений мозгом, управляет станком обеими руками, осуществляя обработку деталей. В процессе обработки на ручном станке все этапы — восприятие информации, её анализ, принятие решений и оперативное управление — полностью выполняются человеком, что формирует типичную «человек–машина» систему (human–physical systems, HPS) [1]. Абстрактное описание принципа управления ручным станком представлено на рис. 1.

 

Рис. 1. (a) Принцип управления ручным станком; (b) «Человек–машина система» (HPS), образованная ручным станком [1].

Переход станков от ручных к интеллектуальным можно разделить на три этапа: станки с числовым программным управлением, станки «Интернет плюс» и интеллектуальные станки.

 

2.1. Станки с числовым программным управлением

С развитием технологий цифрового управления ручные станки превратились в станки с числовым программным управлением. Благодаря введению системы ЧПУ между оператором и станком обрабатывающая информация вводится в систему ЧПУ в виде G-кода, после чего система ЧПУ заменяет человека в управлении станком, обеспечивая контроль его движения.

Станки с числовым программным управлением представляют собой «человек–информационно-физическую систему» (human-cyber-physical systems, HCPS) [1], то есть между «человеком» (human) и «физической системой» (physical) вводится информационная система (cyber system, то есть система ЧПУ). Абстрактное описание принципа управления станками с ЧПУ представлено на рис. 2.

 

Рис. 2. (а) Принцип управления станком с ЧПУ; (б) «Система человек–информация–машина» (HCPS) станка с ЧПУ [1].

По сравнению с традиционными станками с ручным управлением существенное изменение, внесённое станком с числовым программным управлением, заключается в том, что между человеком и физическим объектом — станком — был введён числовой программный контроллер. Этот контроллер играет ключевую роль в процессе обработки на станке: он заменяет физический труд человека и обеспечивает управление станком для выполнения технологических операций.

Однако, поскольку станки с ЧПУ осуществляют управление траекторией инструмента и заготовки исключительно на основе G-кода, им недостаёт способности к восприятию, обратной связи и обучению моделированию реального состояния обработки — таких параметров, как резательные силы, инерционные силы, силы трения, вибрации, термическая деформация, а также изменения окружающей среды. В результате фактическая траектория может отклоняться от теоретической, что негативно сказывается на точности обработки, качестве поверхности и производительности. Таким образом, уровень интеллектуализации традиционных станков с ЧПУ остаётся невысоким.

 

2.2. Интернет + станки

В последние годы, по мере неуклонного продвижения технологии «Интернет+» и интеграции интернета с станками с числовым программным управлением [3,4], интернет, Интернет вещей и технологии интеллектуального датирования начали применяться в таких областях, как удалённое обслуживание станков с ЧПУ, мониторинг их состояния, диагностика неисправностей и управление техническим обслуживанием; отечественные и зарубежные предприятия станкостроительной отрасли провели соответствующие исследования и практические разработки [5,6]. Компании Mazak, Okuma (Окума), DMG-MORI (Демаги), FANUC, а также Шэньянская машиностроительная акционерная компания и ряд других предприятий представили собственные решения «Интернет+» для станков [7].

«Интернет плюс датчики» — это характерная черта концепции «Интернет плюс станки», которая в первую очередь решает проблемы недостаточной сенсорной способности числовых программных станков и сложности интеграции и обмена информацией между ними.

По сравнению с традиционными станками с ЧПУ, станки «Интернет плюс» оснащаются датчиками, что повышает их способность к восприятию состояния обработки; благодаря применению промышленного интернета обеспечивается взаимное подключение оборудования, что позволяет осуществлять сбор и агрегацию данных о состоянии станка; полученные данные анализируются и обрабатываются, что в свою очередь позволяет реализовать как реальное, так и нерегулярное обратное управление процессом обработки на станке. Абстрактное описание принципа управления станком «Интернет плюс» представлено на рис. 3.

 

Рис. 3. (а) Принцип управления станком в рамках концепции «Интернет плюс»; (б) Цифровая сетевая производственная система «человек–информация–машина» [1].

Интернет+ станки обладают определённым уровнем интеллектуализации, что проявляется прежде всего в следующем:

(1) Сетевые технологии и станки с числовым программным управлением постоянно интегрируются. В 2006 году Американская ассоциация технологий машиностроения (AMT) разработала протокол MT-Connect, предназначенный для взаимного подключения станочного оборудования [8,9]. В 2018 году Немецкая ассоциация производителей станков (VDW), опираясь на информационную модель унифицированной архитектуры OPC Unified Architecture (UA), разработала немецкий вариант протокола связи для сетевого взаимодействия станков с ЧПУ — Umati [10]. Компания «Хуачжун КНК» совместно с отечественными предприятиями, выпускающими системы ЧПУ, предложила протокол связи для сетевого взаимодействия станков с ЧПУ — NC-Link, который обеспечивает передачу технологических параметров, состояния оборудования, бизнес-процессов, межмедийной информации, а также потоков информации о ходе производственного процесса.

(2) Производственные системы начинают развиваться в направлении платформенности. Зарубежные компании поочерёдно запускают технологические платформы для обработки больших данных. Компания GE представила промышленную интернет-платформу Predix, ориентированную на производственный сектор [11], а Siemens — открытую промышленную облачную платформу MindSphere [12]; компания Huazhong CNC первой внедрила облачную сервисную платформу для систем числового программного управления, обеспечивая стандартизированные методы разработки и интеграции технологических модулей для вторичной разработки таких систем. В настоящее время эти платформы в основном функционируют на уровне технологий промышленного интернета, больших данных и облачных вычислений; по мере развития технологий интеллектуализации они демонстрируют потенциал и тенденцию к применению на интеллектуальных станках.

(3) Начальное проявление интеллектуальных функций. За рубежом в 2006 году японская компания Mazak представила станки с числовым программным управлением, оснащённые четырьмя интеллектуальными функциями: активным управлением вибрацией, интеллектуальным термическим барьером, интеллектуальным защитным барьером и голосовыми подсказками. Компания DMG MORI выпустила расширенную открытую среду приложений CELOS. Фирма FANUC разработала такие интеллектуальные технологии управления станками, как интеллектуальное адаптивное управление, интеллектуальный датчик нагрузки, интеллектуальное ускорение и замедление шпинделя, а также интеллектуальное термическое управление. Числовой контроль TNC640 компании Heidenhain обладает такими интеллектуальными функциями, как высокоскоростное контурное фрезерование, динамический мониторинг и динамическая высокоточная обработка. В Китае цифровая система ЧПУ HNC-8 компании Huazhong CNC интегрирует такие интеллектуальные функции, как оптимизация технологических параметров, компенсация погрешностей, контроль обрыва инструмента и обеспечение работоспособности станка.

Несмотря на то, что концепция «Интернет плюс станки» развивается уже более десяти лет и уже достигла определённых научно-исследовательских и практических результатов, до сих пор удалось реализовать лишь некоторые простые функции — восприятие, анализ, обратная связь и управление — и далеко не удалось выйти на уровень замещения человеческого умственного труда. Из‑за чрезмерной зависимости от человеческих экспертов в вопросах теоретического моделирования и анализа данных станки лишены подлинного интеллекта, что затрудняет и замедляет накопление знаний, а также снижает адаптивность и эффективность технологий. Основная причина этого заключается в том, что способность станков к самостоятельному обучению и генерации знаний пока не достигла существенного прорыва.

 

2.3. Интеллектуальный станок

С начала нового века новые поколения информационных технологий — мобильный интернет, большие данные, облачные вычисления, Интернет вещей и другие — неуклонно совершенствуются и стремительно развиваются, что привело к масштабному прорыву. Этот технологический прогресс в конечном счёте сосредоточился в стратегическом прорыве в области искусственного интеллекта нового поколения, основной характеристикой которого является способность генерировать, накапливать и применять знания.

Новое поколение технологий интеллектуального производства, возникшее в результате глубокой интеграции искусственного интеллекта нового поколения с передовыми производственными технологиями, стало ключевым драйвером очередной промышленной революции и предоставило значительные возможности для развития станков до уровня интеллектуальных станков, что позволяет добиться их подлинной интеллектуализации.

Интеллектуальный станок — это станок, созданный на основе новейших информационных технологий и характеризующийся глубокой интеграцией передовых технологий искусственного интеллекта и современных производственных технологий. Он использует автономное восприятие и связь для получения информации о состоянии станка, процессе обработки, рабочих условиях и окружающей среде, формирует знания посредством самообучения и моделирования и затем применяет эти знания для самостоятельной оптимизации и принятия решений, осуществляя автономное управление и выполнение операций, что позволяет обеспечить многокритериальную оптимизацию производственного процесса с высоким качеством, высокой эффективностью, безопасностью, надёжностью и низким энергопотреблением.

 

Рис. 4. Определение интеллектуального станка.

Благодаря применению технологий искусственного интеллекта нового поколения станки приобретают способность к обучению, накоплению и использованию знаний, что приводит к коренному изменению взаимоотношений между человеком и станком и обеспечивает фундаментальный переход от «давать рыбу» к «учить ловить рыбу» [1].

 

3. Интеллектуальные станки на основе искусственного интеллекта нового поколения

 

3.1. Принципы управления интеллектуальными станками

В соответствии с определением интеллектуального станка, приведённым в разделе 2.3, в настоящей статье предлагаются принципы и реализационные решения по автономному восприятию и взаимосвязи, автономному обучению и моделированию, автономному оптимизированию и принятию решений, а также автономному управлению и выполнению, как показано на рис. 5.

 

Рис. 5. Принцип управления интеллектуальным станком.

3.1.1. Автономное восприятие и подключение

Система числового программного управления состоит из управляющего устройства, сервопривода, серводвигателя и других компонентов и представляет собой ключевой управляющий блок, обеспечивающий автоматическое выполнение станком таких рабочих операций, как резание. В процессе эксплуатации станка с ЧПУ внутри системы числового программного управления образуется большой объём исходных электрических управляющих данных, состоящих из управляющих сигналов по командам и сигналов обратной связи; эти внутренние электрические данные в режиме реального времени, в количественном выражении и с высокой точностью описывают выполняемые станком рабочие задачи (или, иначе говоря, рабочие условия) и его текущее состояние. Таким образом, система числового программного управления выступает одновременно в роли исполнительного механизма в физическом пространстве и в роли датчика в информационном пространстве.

Внутренние электронные управляющие данные системы ЧПУ являются основным источником информации для восприятия; они включают в себя как оперативные данные внутренней электроники управления станком — например, данные实时-интерполяции G‑кода обработки деталей (позиция интерполяции, отклонение слежения по позиции, скорость подачи и т. п.), так и внутренние управляющие данные обратной связи сервоприводов и двигателей (мощность шпинделя, ток шпинделя, ток подающих осей и др.), как показано на рис. 5. Благодаря автоматическому агрегированию внутренних управляющих данных системы ЧПУ с данными, полученными от внешних датчиков (например, температуры, вибрации и визуального контроля), а также с технологическими данными обработки, извлекаемыми из G‑кода (такими как ширина резания, глубина резания, скорость удаления материала и др.), обеспечивается автономное восприятие станка с ЧПУ.

Автономное восприятие интеллектуального станка позволяет установить взаимосвязь между данными о режимах обработки и состоянием оборудования с помощью «осциллографа домена команд» и «метода анализа домена команд» [3]. Используя метод сбора больших данных в «домене команд» для регистрации данных процесса обработки, а также реализуя взаимосвязь и интеграцию станков посредством NC-Link и централизованного накопления больших данных, формируется комплексная база больших данных, охватывающая весь жизненный цикл станка.

3.1.2. Самостоятельное обучение и моделирование

Основная цель самостоятельного обучения и моделирования заключается в генерации знаний посредством обучения. Знания в области числового программного управления представляют собой закономерности взаимодействия станка с входными данными и его реакции в процессе обработки. Модель и параметры, содержащиеся в ней, выступают носителями знаний; генерация знаний сводится к построению модели и определению её параметров. На основе данных, полученных благодаря самостоятельному восприятию и связям, с использованием библиотек алгоритмов искусственного интеллекта нового поколения, интегрированных в платформу больших данных, осуществляется генерация знаний посредством обучения.

В процессе самостоятельного обучения и моделирования выделяют три подхода к генерации знаний: теоретическое моделирование, основанное на физической модели причинно-следственных связей между входными параметрами станка и его откликом; модельное построение на основе больших данных, ориентированное на взаимосвязь между задачами работы станка и его эксплуатационным состоянием; а также гибридное моделирование, сочетающее использование больших данных о станке с теоретическим моделированием.

Самостоятельное обучение и моделирование позволяют создать такие модели, как модель пространственной структуры станка, модель кинематики станка, модель геометрических погрешностей станка, модель термических погрешностей, модель управления ЧПУ-обработкой, модель технологической системы станка и модель динамики станка; при этом эти модели могут быть совместно использованы с другими станками той же модели. В совокупности эти модели формируют цифровой двойник станка, как показано на рис. 5.

3.1.3. Автономная оптимизация и принятие решений

Предпосылкой принятия решений является точное прогнозирование. После того как станок получает новую обработочную задачу, с использованием вышеупомянутой модели станка осуществляется прогнозирование его реакции. На основе полученных результатов проводится многокритериальная итеративная оптимизация, охватывающая повышение качества, оптимизацию технологического процесса, обеспечение надёжной эксплуатации и управление производством, что позволяет формировать оптимальное решение по обработке и генерировать интеллектуальный управляющий i‑код, содержащий информацию об оптимизации и принятии решений, который затем используется для оптимизации обработки. Самостоятельная оптимизация и принятие решений — это процесс, в ходе которого с помощью моделей выполняется прогнозирование, затем осуществляется оптимизация решений и формируется i‑код.

Код i является важным инструментом для реализации автономной оптимизации и принятия решений на станках с числовым программным управлением. В отличие от традиционного кода G, код i представляет собой интеллектуальный управляющий код многокритериальной оптимизации обработки, соответствующий области команд; он точно описывает стратегии многокритериальной оптимизации управления, включая планирование движения конкретного станка, его динамическую точность, технологию обработки и управление режущим инструментом, и постоянно эволюционирует по мере изменения состояния производственных ресурсов. Подробное описание принципов работы и техническое изложение кода i можно найти в соответствующем патенте [13].

3.1.4. Самостоятельный контроль и исполнение

С использованием технологии совместного управления двумя кодами — синхронного выполнения G‑кода, основанного на традиционном управлении геометрической траекторией в ЧПУ, и i‑кода интеллектуального управления, содержащего информацию для оптимизации многоцелевой обработки и принятия управленческих решений (второй код) — достигается совместное управление двумя кодами, что позволяет интеллектуальным станкам осуществлять высококачественную, высокоэффективную, надёжную, безопасную и энергосберегающую обработку с ЧПУ, как показано на рис. 5.

 

3.2. Особенности интеллектуальных станков

По сравнению с станками с числовым программным управлением и «Интернетом+» в сфере станочного оборудования интеллектуальные станки существенно отличаются по аппаратной и программной части, способам взаимодействия, управляющим командам и методам получения знаний; подробности приведены в таблице 1.

 

Таблица 1. Станки с числовым программным управлением, станки «Интернет плюс» и интеллектуальные станки

 

3.3. Основные интеллектуальные функциональные характеристики интеллектуальных станков

Функциональные возможности различных интеллектуальных станков сильно различаются, однако их конечная цель едина: высокая точность, высокая эффективность, безопасность и надёжность, а также низкий уровень потребления ресурсов. Интеллектуальные функции станков также ориентированы на эти четыре цели и могут быть разделены на четыре основные категории: повышение качества, оптимизация технологических процессов, обеспечение эксплуатационной надёжности и управление производством.

(1) Повышение качества: повышение точности обработки и качества поверхности. Повышение точности обработки является главным двигателем развития станочного оборудования. В связи с этим интеллектуальные станки должны быть оснащены функциями обеспечения и повышения качества обработки, включая: компенсацию пространственных геометрических погрешностей станка, компенсацию термических погрешностей, прогнозирование и компенсацию динамических погрешностей траектории движения, высокоточную обработку криволинейных поверхностей с совместным управлением двумя системами числового программного управления, а также оптимизацию параметров системы ЧПУ с приоритетом на точность и гладкость поверхности.

(2) Оптимизация технологического процесса: повышение эффективности обработки. Оптимизация технологического процесса в основном заключается в адаптивной корректировке параметров обработки с учётом физических характеристик станка и динамических характеристик резания (например, оптимизация подачи, оптимизация частоты вращения шпинделя и т. п.) для достижения конкретных целей — например, приоритета качества, приоритета эффективности или защиты станка. Конкретные функции могут включать: самообучающуюся/саморазвивающуюся базу данных технологических режимов обработки, моделирование реакции технологической системы, интеллектуальное прогнозирование отклика технологического процесса, оценку и оптимизацию параметров обработки на основе нагрузки резания, автоматический контроль вибраций при обработке и адаптивное управление ими и т. п.

(3) Обеспечение здоровья оборудования: поддержание его исправного и безопасного состояния. Основная задача обеспечения здоровья станков заключается в прогнозировании их срока службы и управлении их состоянием; цель — достижение высокоэффективной и надёжной эксплуатации станков. Интеллектуальные станки оснащены индикацией состояния здоровья как в целом по станку, так и на уровне отдельных узлов и компонентов, а также набором инструментов для разработки функций обеспечения здоровья. Конкретные функции могут включать: интеллектуальное техническое обслуживание шпинделя и подачевых приводов; мониторинг состояния здоровья станка и предиктивное техническое обслуживание; статистическую оценку и прогнозирование надёжности станка; обмен знаниями о ремонте и самообучение и т. п.

(4) Управление производством: повышение эффективности управления и эксплуатации. Интеллектуальные функции в области управления производством в основном направлены на оптимизацию процесса обработки на станках и снижение затрат (времени и ресурсов) на протяжении всего производственного цикла. Интеллектуальные функции управления производством умных станков в основном подразделяются на мониторинг состояния станка, интеллектуальное управление производством и управление станком. Конкретные функции могут включать: интеллектуальное определение состояния обработки (обрыв инструмента, намотка стружки), интеллектуальный контроль износа/повреждения инструмента, интеллектуальное управление сроком службы инструмента, интеллектуальное управление идентификацией и состоянием инструментов, приспособлений и заготовок, а также интеллектуальное низкоуглеродное управление вспомогательными устройствами и т. п.

 

4. Инженерная практика интеллектуальных систем числового программного управления и интеллектуальных станков

Согласно трёхкомпонентной модели HCPS [14], в практике производства станок с числовым программным управлением представляет собой основу, числовое программное управление — главенствующий элемент, а человек — решающий фактор. От ручных станков к станкам с ЧПУ и далее к интеллектуальным станкам наиболее существенное изменение заключается в постоянно усиливающейся роли системы ЧПУ. Степень интеллектуализации станка в значительной мере определяется уровнем интеллектуализации его ведущего компонента — системы ЧПУ. Интеллектуальные станки должны быть оснащены соответствующей интеллектуальной системой числового программного управления (intelligent numerical controller, INC).

 

4.1. Интеллектуальная система числового программного управления

В данной статье разработан инженерный образец интеллектуальной системы числового программного управления — модель HuaZhong 9 INC; её проектное решение и архитектура платформы представлены на рис. 6. В системе INC устройство числового программного управления, сервоприводы, электродвигатели и другие вспомогательные устройства образуют локальную часть системы числового программного управления (LocalNC), которая осуществляет оперативное управление станком с ЧПУ.

 

Рис. 6. Архитектура системы INC.

Помимо реализации всех функций традиционной системы числового программного управления, INC также должна обладать минимально необходимыми сенсорными возможностями для интеллектуализации, обеспечивая в режиме реального времени сбор и передачу управляющих данных, данных отклика, а также необходимых данных внешних датчиков (таких как температура, вибрация, видеосигналы и т. п.).

INC обеспечивает восприятие многоканальных данных от сервоприводов, интеллектуальных модулей, внешних датчиков и других источников посредством шины NCUC 2.0. С использованием протокола NC-Link осуществляется подключение к станкам с ЧПУ, промышленным роботам, AGV‑транспортерам, интеллектуальным модулям и другому оборудованию, что позволяет получать большие объёмы данных и хранить их на облачной платформе INC-Cloud.

В рамках INC основной его особенностью является построение физической модели отклика станка, которая формирует цифровой двойник и тем самым обеспечивает реализацию интеллектуальных функций. В архитектуре INC мы создаём цифровые двойники — Cyber MT и Cyber NC — соответственно для физического станка и системы ЧПУ; эти цифровые двойники способны в виртуальном пространстве имитировать принципы работы и закономерности отклика реальных физического станка (Physical MT) и локальной системы ЧПУ (Local NC). Будучи интеграцией физического и кибернетического компонентов, INC охватывает не только традиционные физические устройства ЧПУ, но и кибернетические версии — Cyber NC и Cyber MT, которые играют ключевую роль в реализации интеллектуализации в рамках INC.

 

4.2. Прототип интеллектуального станка

На основе интеллектуальной системы ЧПУ INC, в составе которой основными станками являются высокоточный обрабатывающий центр S5H, токарный станок BL5-C и фрезерный станок BM8-H, были разработаны промышленные опытные образцы трёх интеллектуальных станков, показанные на рис. 7; при этом соответствующие эксперименты позволили подтвердить предложенные в данной статье технологии интеллектуализации по трем различным аспектам.

 

Рис. 7. Прототипы интеллектуальных станков на базе INC. (a) Станок точной обработки S5H; (b) Интеллектуальный токарный станок BL5-C; (c) Интеллектуальный фрезерный станок BM8-H.

Точная станочная линия S5H оснащена станиной из мрамора, имеет портальную конструкцию, все подающие оси приводятся в действие линейными электродвигателями и оборудованы высокоточными масштабными линейками. В системе применены три независимые системы термоконтроля, обеспечивающие поддержание постоянной температуры шпинделя, станины и охлаждающей жидкости. На шпинделе и станине установлено 18 датчиков температуры, а на переднем подшипнике шпинделя и на рабочем столе — в общей сложности 3 вибрационных датчика. Точность позиционирования станка составляет менее 1 мкм, а повторяемость позиционирования — менее 0,5 мкм. Точная обрабатывающая станочная линия S5H используется для верификации технологии оптимизации качества обработки пресс-форм на основе Cyber NC и совместного управления двумя кодами.

Токарный станок BL5-C имеет наклонную станину и оборудован, соответственно, на станке Икс К и, а также З Установка датчиков температуры в ключевых узлах, таких как подающий вал (подшипниковый узел, гайковый узел), шпиндель (подшипник) и станина, для контроля изменений температуры станка; установка датчика вибрации на корпусе шпинделя (подшипника) для измерения частоты вибрации; станок Икс К и, а также З На подающий шпиндель устанавливается линейный масштаб, что обеспечивает полностью замкнутое управление. Точность позиционирования станка составляет менее 6 мкм, повторяемость позиционирования — менее 3 мкм, а круглость обрабатываемой детали при токарной обработке — менее 2 мкм. Токарный станок BL5-C используется для верификации технологии оптимизации параметров токарной обработки на основе больших данных и глубокого обучения.

На фрезерном станке BM8-H установлено в общей сложности девять датчиков температуры — по одному на каждую ходовую гайку, опорный узел и моторный блок всех подающих осей, а также четыре датчика температуры в шпиндельной коробке; эти датчики используются для мониторинга термической деформации станка. На шпинделе и на рабочем столе установлено по одному трехкомпонентному вибрационному датчику, а на каждой из подающих осей — высокоточный линейный масштаб с оптической сеткой, что обеспечивает полностью замкнутое управление. Позиционная точность станка составляет менее 10 мкм, а повторяемость позиционирования — менее 8 мкм. Фрезерный станок BM8-H предназначен для верификации методов гибридного моделирования и компенсации погрешностей в системе подачи станка, основанных на динамике и глубоком обучении.

 

4.3. Основные примеры интеллектуального применения интеллектуальных станков

4.3.1. Оптимизация качества обработки пресс-форм на основе Cyber NC и совместного управления двумя кодами

Данный пример реализован на высокоточной станке S5H компании INC: на основе типового пробного детали для изготовления пресс-форм — модели Mercedes (см. рис. 8) — проведена проверка эффективности технологии цифрового двойника и совместного управления по двум кодам в части оптимизации качества обработанной поверхности криволинейных поверхностей.

 

Рис. 8. Испытательный образец Mercedes.

На основе геометрических и конструктивных параметров прецизионного станка S5H создается цифровой двойник числового программного управления на уровне параметров — Cyber NC. Физическая реализация числового программного управления и Cyber NC полностью эквивалентны на уровне интерполяции: они генерируют абсолютно одинаковые интерполирующие команды для программ обработки поверхностей.

Перед непосредственной обработкой генерируемый для формообразующей оснастки G‑код подвергается имитационной оптимизации в системе Cyber NC. В качестве целевых параметров оптимизации выступают плавность интерполяционной траектории и однородность по ширине заданной скорости подачи; осуществляются итеративные циклы оптимизации с последовательным корректированием интерполяционной траектории и команд планирования скорости до тех пор, пока не будут достигнуты заданные цели, после чего на основе полученных результатов формируется i‑код. В процессе реальной обработки G‑код и i‑код, содержащий результаты оптимизации, выполняются одновременно в ЧПУ‑системе, что обеспечивает совместное управление двумя кодами и завершение обработки.

Результаты до и после оптимизации представлены на рис. 9. Экспериментальные данные свидетельствуют, что применение метода моделирования на основе сдвоенной нейронной сети и совместного управления двумя кодами позволяет существенно улучшить поперечную однородность подачи, тем самым повышая качество обработки поверхности деталей. Как показывают наблюдения, после оптимизации характеристики обработанных деталей становятся более чёткими, их однородность повышается, а степень соответствия исходной CAD-модели возрастает [рис. 9, б].

 

Рис. 9. Сравнение области A испытательного образца Mercedes до и после оптимизации. (a) Хроматограмма скорости подачи [15]; (b) Качество обработанной поверхности.

4.3.2. Оптимизация технологических параметров токарной обработки на основе обучения на больших данных

Оптимизация технологических параметров в числовом программном управлении имеет чрезвычайно важное значение, поскольку она влияет на качество обработки деталей, производительность, а также на срок службы таких производственных ресурсов, как станок и режущий инструмент [16, 17]. В настоящее время по вопросам оптимизации технологических параметров проведено немало соответствующих исследований. Одним из подходов является теоретическое моделирование таких параметров, как силы резания и устойчивость процесса резания в ходе обработки на станке, с целью их оптимизации [18]. Помимо оптимизации технологических параметров на основе теоретического анализа и моделирования, в последние годы также появились методы оптимизации, основанные на моделях больших данных [19, 20].

Данный пример реализован на интеллектуальном токарном станке BL5-C компании INC: с использованием данных о процессе числового программного управления создана модель отклика технологической системы станка, что позволило подтвердить целесообразность и эффективность методов обучения, накопления и применения знаний о технологических процессах обработки на основе больших данных. Конкретный ход работы выглядит следующим образом:

(1) В качестве модели, описывающей закономерности отклика технологической системы данного токарного станка, используется нейронная сеть БП; входными сигналами модели являются пять технологических параметров — глубина резания, радиус резания, объём удаления материала и др., а выходным сигналом — мощность шпинделя, как показано на рис. 10.

 

Рис. 10. BP-нейронная сеть, моделирующая технологический параметр токарного станка BL5-C — отклик мощности шпинделя.

(2) Выбираются детали, наиболее часто изготавливаемые на данном токарном станке в условиях реального производства, и осуществляется их обработка; при этом фиксируются большие массивы данных о поле управляющих команд во время обработки. Из данных о мощности шпинделя выделяются стационарные значения, которые используются в качестве обучающих образцов на выходе нейронной сети. С помощью метода анализа поля управляющих команд извлекаются соответствующие стационарным образцам параметры резания — глубина резания, подача, объём снятия материала, частота вращения шпинделя, радиус поворота и др. — и используются в качестве обучающих образцов на входе нейронной сети. Постепенно, по мере продолжения обработки, извлекаются всё новые стационарные образцы для обучения модели нейронной сети; таким образом модель постепенно приобретает способность прогнозировать мощность шпинделя станка в процессе обработки, то есть формируется модель, имитирующая мощность шпинделя токарного станка при выполнении токарных операций.

(3) Новые детали, подвергаемые обработке (с различными формами и технологическими параметрами), предварительно моделируются, проходят итерационный процесс и оптимизацию в данной модели перед непосредственной обработкой. Для деталей, указанных в таблице 2, оптимизация производительности обработки осуществляется с учетом ограничений, заданных максимальной допустимой мощностью шпинделя и колебаниями этой мощности. Кривые подачи и мощности шпинделя до и после оптимизации представлены соответственно на рис. 11 а) и б), а время обработки — в таблице 2. Результаты показывают, что при соблюдении заданных ограничений время обработки после оптимизации сократилось на 27,8% по сравнению с исходным значением.

 

Таблица 2. Результаты оптимизации

 

Рис. 11. Результаты до и после оптимизации. (a) Скорость подачи; (b) Мощность шпинделя.

4.3.3. Гибридное моделирование и компенсация погрешностей системы подачи станка на основе динамики и глубокого обучения

Моделирование системы подачи станка является основой для оптимизации стратегий управления, настройки параметров и предварительной компенсации контурной погрешности, что позволяет улучшить динамические характеристики системы подачи [21, 22]. На основе теоретического анализа Эркоркмаз и Алтинтас [23] провели математический и физический анализ системы подачи, а также применили метод несмещённых наименьших квадратов и модель трения для идентификации динамических параметров системы подачи и анализа её трекционных характеристик, в результате чего была построена модель системы подачи, которая служит руководством при проектировании высокоскоростных систем подачи. В отличие от теоретических методов моделирования, некоторые учёные сосредоточились на методах моделирования, основанных на данных. Хуо и Пу [24] предложили метод моделирования с использованием линейной адаптивной нейронной сети, на основе которого была построена модель системы подачи станка. С помощью этой модели, задавая командное положение, можно прогнозировать фактическое положение станка. Ли и соавторы [25] предложили метод моделирования, основанный на глубоких доверительных сетях (DBN), и разработали модель прогнозирования ошибки обратного люфта.

Данный пример реализован на интеллектуальном фрезерном станке BM8-H компании INC: для построения модели системы подачи станка использован смешанный подход, сочетающий большие данные и теоретическое моделирование в различных областях; при этом исследуются методы моделирования системы подачи станка, а также практическая осуществимость компенсации на основе результатов имитационного моделирования. Стадии реализации следующие:

(1) В качестве объекта эксперимента используется интеллектуальный фрезерный станок BM8-H, для которого создаётся… Икс И И Многосферная теоретическая модель рабочего стола с ЧПУ. Данная модель включает сервопривод, серводвигатель и сам рабочий стол вместе с его механическими передаточными элементами. При этом модели сервопривода и серводвигателя строятся на основе их проектных параметров. Основные параметры модели механической части представлены в таблице 3. Для точной идентификации этих параметров применяется анализ чувствительности, позволяющий определить порядок их идентификации: параметрам с низкой чувствительностью первоначально задаётся значение по умолчанию, после чего идентификация параметров проводится последовательно — от наиболее чувствительных к менее чувствительным. Теоретические диапазоны распределения параметров и результаты их идентификации приведены в таблице 3.

 

Таблица 3. Идентифицируемые параметры и их диапазоны идентификации

С радиусом 50 мм и подачей 3000 мм/мин. ⁻¹ Проверка предсказательной точности данной модели была проведена на основе круговой траектории; результаты представлены на рис. 12(b): максимальная погрешность контура составила 10,07 мкм.

 

Рис. 12. (a) Профиль круглого контура: заданный профиль, фактический профиль, симуляция на основе динамической модели и прогнозируемый профиль по гибридной модели; (b) Погрешность симуляции на основе динамической модели для круглого контура (красный цвет) и погрешность прогноза по гибридной модели (синий цвет).

(2) Для дальнейшего повышения точности прогнозирования разработана смешанная модель, изображённая на рис. 13. Эта модель состоит из двух частей: базовой модели и модели отклонений. Базовая модель представляет собой многосферную теоретическую модель, полученную на этапе (1). Модель отклонений — это нейронная сеть с шестью скрытыми слоями; её входом служит последовательность команд системы подачи и последовательность имитационных прогнозов, полученных с помощью многосферной теоретической модели, а выходом — последовательность разностей между имитационными прогнозами и фактическими измеренными значениями. Из Икс , извлекать выборки из командных данных и фактически измеренных данных энкодера при работе поворотного стола по различным контурным траекториям, для Икс 、 И Путём обучения отдельных моделей смещений для каждой оси можно получить соответствующие модели смещений.

 

Рис. 13. Схема гибридной модели системы подачи станка.

В состав основных модулей базовой модели входят регулятор положения APR (автоматический регулятор положения), регулятор скорости ASR (автоматический регулятор скорости), регулятор тока ACR (автоматический регулятор тока), а также электродвигатель и механическая передача. р Для ввода системной команды, в Для фактического вывода, Ф ₀ В качестве возмущающего воздействия.

(3) Точность прогнозирования контурной погрешности показана на рис. 12(b): максимальное значение погрешности по результатам прогноза, полученного с использованием гибридной модели, составляет 3,21 мкм. Это соответствует требованиям к точности прогнозирования, необходимым для компенсации в станках средней точности. На основе прогнозируемой контурной погрешности траектории осуществляется позиционная компенсация круговой траектории; результаты представлены на рис. 14: до компенсации контурная погрешность составляла около 12,53 мкм, после — примерно 4,58 мкм (снижение на 63,4%). Полученные данные свидетельствуют о том, что гибридный метод моделирования, объединяющий классическое многодоменное моделирование с типичными нейронными сетевыми моделями искусственного интеллекта, позволяет повысить точность управления движением системы подачи станка.

 

Рис. 14. (a) Контур заданной окружности, фактический контур до компенсации и фактический контур после компенсации; (b) погрешность контура окружности (красный цвет) и погрешность контура после компенсации (синий цвет).

 

5. Итоги и перспективы

В данной статье проведено исследование интеграции и применения технологий искусственного интеллекта нового поколения на станках с числовым программным управлением, а также проанализирована тенденция развития станков — от станков с ЧПУ через станки «Интернет плюс» к станкам «Интеллект плюс». Исследован принцип «энаблинга», заключающийся в использовании больших данных и технологий искусственного интеллекта для реализации самостоятельного восприятия и подключения, самостоятельного обучения и моделирования, самостоятельной оптимизации и принятия решений, а также самостоятельного управления и выполнения операций; при этом выявлено, что сущность интеллектуализации станка состоит в его способности в процессе эксплуатации автоматически генерировать знания, накапливать их и применять для достижения целей высокого качества, высокой эффективности, надежности, безопасности и низкого энергопотребления. С целью придания станкам с ЧПУ интеллектуальных возможностей в статье предложены три технологии интеллектуального энаблинга: метод анализа области команд, гибридная цифровая двойная модель и совместное управление по двум кодам; разработан инженерный прототип системы ЧПУ INC, а также созданы три интеллектуальных станка. На этих трех интеллектуальных станках были проведены три испытания по проверке практической применимости предложенных технологий, результаты которых свидетельствуют о высокой осуществимости и передовом характере указанных трех технологий интеллектуального энаблинга: они позволяют существенно улучшить качество обработанной поверхности при обработке криволинейных поверхностей (обеспечивая плавные переходы в зонах кривизны), повысить производительность обработки (на 27,8 %) и снизить контурную погрешность системы подачи (на 63,4 %).

Настоящая работа представляет собой первоначальное исследование в области интеллектуальных станков. В дальнейшем целесообразно более глубоко изучить следующие аспекты: методы получения эффективных образцов (положительных и отрицательных) для построения моделей машинного обучения на основе накопленных данных о технологическом процессе обработки; платформенные технологии совместного использования, взаимного доступа и коллективного интеллектуального управления интеллектуальными станками; а также технологии практического применения искусственного интеллекта, интегрированные с потребностями станочного производства, в производственной практике.

 

Благодарность

Особая благодарность академику Чжоу Цзи из Китайской инженерной академии за руководство настоящей статьёй. Настоящая статья подготовлена при поддержке проектов Национального фонда естественных наук Китая (№ 51675204 и № 51575210) и тематического проекта по Государственной программе научно-технических достижений, направление № 04 (№ 2018ZX04035002-002).