基于Multi-agent的曲軸隨動磨削參數(shù)智能決策系統(tǒng)

沈南燕 李 靜 何永義

(上海大學(xué)CIMS＆機(jī)器人中心，上海200072)

隨動磨削是一種高精度、高效率的曲軸和凸輪軸類零件的加工方法，通過控制工件的旋轉(zhuǎn)運動和砂輪的橫向進(jìn)給運動，使砂輪外圓與工件表面輪廓始終相切，實現(xiàn)異形零件加工。同普通外圓磨相比，隨動磨削中影響加工結(jié)果的因素更多，需要決定的磨削參數(shù)也更為繁雜。韓秋實選取部分凸輪隨動磨削條件參數(shù)，建立磨削用量和條件參數(shù)之間的神經(jīng)網(wǎng)絡(luò)模型，運用BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力求解最佳磨削用量［1］。

目前磨削參數(shù)智能決策研究基本限于內(nèi)、外圓磨削，且都是基于某種人工智能技術(shù)的［2］。對于隨動磨削參數(shù)智能決策這個復(fù)雜問題，理想的解決方案是集合多種人工智能技術(shù)，互相取長補(bǔ)短來避免僅采用某一技術(shù)所帶來的局限。本文利用Multi-Agent系統(tǒng)各Agent間的相互調(diào)度、相互合作協(xié)同，解決單個決策A-gent的知識、能力難以應(yīng)對的隨動磨削參數(shù)智能決策問題。

1 曲軸隨動磨削相關(guān)參數(shù)

曲軸隨動磨削中涉及的參數(shù)主要包括:工件材質(zhì)、工件幾何信息、加工要求、機(jī)床參數(shù)、砂輪參數(shù)、冷卻液和修整工具類型、磨削用量和砂輪修整參數(shù)。

如圖1所示，根據(jù)參數(shù)在決策過程中的角色，將其劃分成描述決策問題的條件參數(shù)和需要決策解答的未知參數(shù)。其中，認(rèn)為工件材質(zhì)、工件幾何信息、加工要求和機(jī)床參數(shù)是描述問題的必要參數(shù);磨削用量和砂輪修整參數(shù)是決策解答的必要組成;而砂輪參數(shù)、冷卻液和修整工具類型可給定作為問題描述參數(shù)，缺省時也可通過系統(tǒng)決策解答。

2 基于Multi-agent的參數(shù)決策系統(tǒng)

如圖2所示，交互層、智能決策層以及資源層的三層體系構(gòu)成了基于Multi-agent的隨動磨削參數(shù)智能決策系統(tǒng)［3］。

2.1 黑板結(jié)構(gòu)

黑板是一個全局?jǐn)?shù)據(jù)庫，用來存放原始數(shù)據(jù)、問題求解過程中的部分解及完整解，由圖3所示的四層工作內(nèi)存區(qū)域構(gòu)成。黑板上的信息被劃分成若干層次，不同的層次代表對問題及其解的不同詳細(xì)程度的描述。黑板是各個決策Agent之間通訊與相互作用的媒介，黑板上的信息由功能Agent來增加、刪除和修改。

2.2 功能Agent

本系統(tǒng)共有四個功能Agent，相互獨立，互相之間不能直接調(diào)用，只能通過黑板進(jìn)行通訊。各功能Agent對黑板數(shù)據(jù)平面的變化進(jìn)行監(jiān)督，對各決策Agent的激活條件和黑板各平面信息進(jìn)行匹配，如果匹配，則進(jìn)一步分析，決定是直接激活相應(yīng)的決策Agent讀取黑板信息完成相應(yīng)的任務(wù)或者是做其它操作。各功能Agent的事件驅(qū)動規(guī)則具有統(tǒng)一形式，以表1所示附加子任務(wù)的驅(qū)動規(guī)則為例:

當(dāng)黑板上存在未解決的附加子任務(wù)時，服務(wù)于RBR Agent的功能Agent就會根據(jù)規(guī)則［RBR_DRIVER_1］執(zhí)行相關(guān)動作。

2.3 決策Agent

本系統(tǒng)根據(jù)不同的決策方法設(shè)計了四個決策A-gent，分別是:CBR(基于范例推理)Agent、RBR(基于規(guī)則推理)Agent、MBR(基于模型推理)Agent以及FR(模糊推理)Agent。每個決策Agent在某個領(lǐng)域有解決問題的知識和技能，在功能Agent的控制和監(jiān)督下，通過相互間的協(xié)調(diào)合作，解決曲軸隨動磨削參數(shù)決策問題。

2.4 資源層

資源層包含模型庫、規(guī)則庫、范例庫和方法庫及其各自的管理系統(tǒng)，并通過多庫協(xié)同器對各庫進(jìn)行總控調(diào)度、通信聯(lián)絡(luò)，實現(xiàn)對各庫的管理及資源共享。其中模型庫是各種模型的集合，包括曲軸隨動磨削運動模型，磨削力、表面粗糙度模型以及曲軸旋轉(zhuǎn)速度曲線優(yōu)化模型等;規(guī)則庫主要用來存放具有很強(qiáng)結(jié)構(gòu)性、特別適合描述前提和結(jié)論的因果關(guān)系和非解析映射關(guān)系的產(chǎn)生式規(guī)則;范例庫將獲得的曲軸非圓磨削原始數(shù)據(jù)，按照決策要求重新組織，形成標(biāo)準(zhǔn)的磨削參數(shù)范例(如圖1所示)，并生成相應(yīng)的索引序列;方法庫是方法的匯集，主要為模型求解提供算法基礎(chǔ)和方法支持。

2.5 決策系統(tǒng)控制策略

曲軸隨動磨削參數(shù)決策系統(tǒng)的控制流程如圖4。

(1)決策者和界面Agent進(jìn)行交互，輸入隨動磨削決策新問題的必要描述和選填描述。

(2)在決策者的參與下，黑板把參數(shù)決策問題分解為必要子問題(磨削用量以及砂輪修整參數(shù)決策)和附加子問題(冷卻液、修整工具類型以及砂輪參數(shù)決策)。

(3)各功能Agent監(jiān)督黑板各平面的信息:

如果存在附加子任務(wù)，功能Agent 2激活RBR A-gent，根據(jù)新問題的必要描述，通過規(guī)則推理出附加子問題的解答，并改變黑板上相關(guān)信息;

如果不存在附加子任務(wù)，功能Agent 1激活CBR Agent，根據(jù)索引序列搜索范例庫，尋找與新問題最接近的已有范例，得到進(jìn)給量a和工件平均轉(zhuǎn)速ω的可能解，并改變黑板上有關(guān)信息;

如果存在可能解，功能Agent 3激活 MBR Agent，根據(jù)模型庫中相應(yīng)模型修改可能解，得到適合新問題的磨削進(jìn)給量a、工件平均轉(zhuǎn)速ω，并改變黑板上有關(guān)信息;

如果不存在可能解，功能Agent 2激活RBR Agent，根據(jù)新問題的描述，推導(dǎo)適合新問題的磨削進(jìn)給量a、工件平均轉(zhuǎn)速ω，并改變黑板上有關(guān)信息;

如果存在工件平均轉(zhuǎn)速ω，功能Agent3激活MBR Agent，根據(jù)曲軸非圓磨削運動模型及工件轉(zhuǎn)速優(yōu)化模型等，得到最優(yōu)的工件速度時變曲線，并改變黑板上有關(guān)信息;

如果存在磨削進(jìn)給量a，功能Agent 4激活FR Agent，根據(jù)表面粗糙度、砂輪硬度、修整工具類型、進(jìn)給量a，由模糊推理得到砂輪修整參數(shù)，并改變黑板上有關(guān)信息。

(4)黑板合成各決策Agent的決策結(jié)果，形成完整的曲軸隨動磨削參數(shù)決策方案。

3 CBR(基于范例推理)Agent［4］

CBR(基于范例推理)Agent利用范例庫中的成功范例，為相近零件的磨削參數(shù)提供決策參考。范例庫的存在使得CBR決策Agent具有自學(xué)習(xí)的能力。一個范例由問題、解答以及索引序列(如圖1所示)三個主要部分組成。

索引序列利用一組關(guān)鍵字和數(shù)值來描述問題的關(guān)鍵特征，采用指數(shù)化的方法來衡量、判斷各個范例間的相似性。表2列出了曲軸隨動磨削中，對磨削用量決策有重要影響的特征參數(shù)，其重要程度由表中權(quán)值表示。以表2中特征參數(shù)值為例，則該問題的索引序列可以表示為Index=(P1，P2，…，P11)=(HS，CBN，67.5，76，600，100，0.32，6，25，1，5)。

表2 特征參數(shù)值

范例與新問題的相似程度可以由公式(1)表達(dá)。

其中，除了工件材料和砂輪類型兩個特征參數(shù)是當(dāng)材料和類型完全一致時，simi才能取1。其余特征參數(shù)的simi定義如公式(2)，Pi和Ci分別是新問題和范例中第i項特征參數(shù)的值，R是此特征參數(shù)的取值范圍;Wi是其相應(yīng)的權(quán)值。

CBR Agent搜索范例庫，尋找S值最大的范例(即與新問題最接近的范例)，將該范例的進(jìn)給量a以及工件平均轉(zhuǎn)速ω作為新問題的可能解通過功能Agent 1寫到黑板上。但是如果S的最大值小于0.5，就認(rèn)為不存在與新問題相似的范例，CBR Agent決策失敗。

4 RBR(基于規(guī)則推理)Agent

RBR(基于規(guī)則推理)Agent用模式匹配技術(shù)尋找合適的產(chǎn)生式，如果已知的條件參數(shù)使某個產(chǎn)生式前提為真，則這個產(chǎn)生規(guī)則可以作用在這個新問題上，即規(guī)則被激活，從而推導(dǎo)出有待決策的未知參數(shù)。

規(guī)則主要來源于經(jīng)驗判斷、對磨削手冊和相關(guān)文獻(xiàn)內(nèi)容的收集整理。每條規(guī)則的基本形式為:IF(條件)THEN(結(jié)論)。例如:

IF 連桿頸直徑Dw≤140 mm

AND 曲柄長度R≤130 mm

AND 主軸頸直徑Dj≤300 mm

THEN 砂輪選擇:CBN

AND 冷卻液選擇:磨削油

AND 修整工具選擇:單點金剛石修整筆

AND 砂輪直徑 Ds∈［500 mm，900 mm］

AND 砂輪線速度 Vs∈［100 m/s，120 m/s］

本系統(tǒng)中的RBR Agent主要用于附加子問題中冷卻液、修整工具類型以及砂輪參數(shù)的決策;另外，當(dāng)范例庫的資源不夠充足時，CBR Agent決策可能失敗，它還要負(fù)責(zé)磨削進(jìn)給量a、工件平均轉(zhuǎn)速ω的決策任務(wù)。

5 MBR(基于模型推理)Agent

MBR(基于模型推理)Agent主要根據(jù)存儲在模型庫中的模型進(jìn)行隨動磨削參數(shù)選取和優(yōu)化工作。

一方面，在磨削運動學(xué)模型基礎(chǔ)上，MBR Agent遵循保持平均磨削層長厚比、當(dāng)量磨削層厚度不變的原則修改可能解［5］。當(dāng)工件直徑、砂輪直徑、砂輪線速度由近似范例中的 Dwo、Dso、Vso變?yōu)樾聠栴}中的 Dwn、Dsn、Vsn時，適合新問題的工件平均轉(zhuǎn)速由 ωo變?yōu)?ωn，則有

磨削進(jìn)給量由ao變?yōu)閍n，則有

另一方面，MBR Agent還要根據(jù)曲軸非圓磨削運動模型及工件轉(zhuǎn)速優(yōu)化模型，得到最優(yōu)的工件速度時變曲線:

其中，a1，a2，…，an為待優(yōu)化的參數(shù)，也是確定工件轉(zhuǎn)速曲線的參數(shù)。通過使目標(biāo)函數(shù)F(a1，a2，…，an)最小化(即，使影響磨削加工精度的消極因素最小化)［6］，來尋找由 a1，a2，…，an表述的最優(yōu)轉(zhuǎn)速時變曲線，從而提高曲軸隨動磨削精度。

6 FR(模糊推理)Agent

針對砂輪在線修整最常用的兩種工具:單粒金剛石修整筆和金剛石滾輪，分別設(shè)計了兩個模糊推理系統(tǒng)用來選取相應(yīng)的修整參數(shù)。系統(tǒng)有三個輸入量:表面粗糙度Ra、進(jìn)給量a以及砂輪硬度Hs。其中前兩項是精確數(shù)字量，將其模糊劃分為VS、S、L、VL四個等級，它們的隸屬度函數(shù)如圖5所示。而砂輪硬度直接用模糊量表示，無需模糊化。

使用滾輪修整需要決策的參數(shù)有砂輪每轉(zhuǎn)切入進(jìn)給率ad、軸向進(jìn)給率fd及修整速比qd，使用修整筆則只需前兩項參數(shù)。以金剛滾輪修整器為例，表3列舉了相關(guān)參數(shù)使各隸屬度函數(shù)值為1.0時的精確數(shù)值。

表3 相關(guān)參數(shù)的精確數(shù)值

FR Agent的模糊規(guī)則具有如下形式:

IF(Ra=VL)AND(a=VL)AND(Hs=S)

THEN(ad=S)AND(fd=L)AND(qd=VL)

FR Agent將多輸入多輸出轉(zhuǎn)化為多輸入單輸出，并按多規(guī)則模糊推理先推理后聚合原則，用Mamdani方法進(jìn)行模糊推理，最后用重心法對輸出模糊集去模糊化，就可得到適應(yīng)新問題的砂輪修整參數(shù)精確值。

7 結(jié)語

本文采用基于黑板的多Agent技術(shù)構(gòu)建了曲軸隨動磨削參數(shù)智能決策系統(tǒng)，制定了滿足隨動磨削參數(shù)決策要求、系統(tǒng)負(fù)載輕的協(xié)調(diào)控制策略，通過四種推理技術(shù)的協(xié)同，提高了系統(tǒng)利用知識和自學(xué)的能力，實現(xiàn)了復(fù)雜隨動磨削參數(shù)的智能決策。如何根據(jù)本系統(tǒng)實際應(yīng)用的反饋信息，更加充分發(fā)揮決策Agent良好的可擴(kuò)展性，并進(jìn)一步優(yōu)化各Agent間的協(xié)調(diào)機(jī)制，以提高系統(tǒng)的整體性能，需要進(jìn)一步研究、完善。

1 王紅軍，韓秋實，李光林.數(shù)控凸輪軸磨床磨削參數(shù)智能化選擇模型研究［J］.制造技術(shù)與機(jī)床，2003(11):34～37

2 W.B.Rowe，Y.Li，B.Mills.Application of intelligent CNC in grinding［J］.Computers in Industry，1996，31:45-60

3 孫喁喁，黃光球.基于黑板的多Agent智能決策支持系統(tǒng)的研究［J］.現(xiàn)代電子技術(shù)，2007(20):85～87，93

4 R.Cai，W.B.Rowe，J.L.Moruzzi，et al.Intelligent grinding assistant(IGA)-system development part I intelligent grinding database［J］.International Journal of Advanced Manufacture Technology，2007，35:75-85

5 Y.Li，W.B.Rowe，B.Mills.Study and selection of grinding conditions Part 1:grinding conditions and selection strategy.Proceedings of the Institution of Mechanical Engineers，Part B:Journal of Engineering Manufacture，1999，213:119-129

6 李勇，段正澄，胡倫驥.基于粒子群算法的數(shù)控凸輪軸磨削指令優(yōu)化［J］.機(jī)械制造，2006，44(8):16 ～19