機械式沖床停上死點位置的控制策略設計與實現

秦文強，何通能，陳德富，李華楠

(浙江工業(yè)大學 信息學院 電子信息與智能系統(tǒng)研究所，杭州　310023)

?

機械式沖床停上死點位置的控制策略設計與實現

秦文強，何通能，陳德富，李華楠

(浙江工業(yè)大學 信息學院 電子信息與智能系統(tǒng)研究所，杭州310023)

機械式沖床進行沖壓操作時，上死點位置的精度是最關鍵的問題之一；為了提高沖床停上死點位置的精度，研究了沖床剎車后由于慣性而轉過的角度與剎車時影響因子的關系，擬合出剎車曲線，利用此曲線保證沖床剎車后能準確停在上死點；介紹數據的獲取方法及流程，利用BP神經網絡對沖床剎車曲線進行擬合，以均方誤差作為衡量擬合效果的評價指標，并與最小二乘法擬合的曲線進行比較；分析兩種方法對沖床剎車曲線的擬合效果，均方誤差分別為0.006 092 3和1.624 7，實驗結果表明，使用BP神經網絡對沖床剎車曲線擬合的效果較好。

機械式沖床；上死點；剎車曲線；BP神經網絡

0　引言

在國民生產中，沖壓工藝相比傳統(tǒng)機械加工有節(jié)約材料和能源、效率高、對操作者技術要求不高、通過各種模具的應用就可以加工出機械加工所無法完成的產品等優(yōu)點，因而它的用途越來越廣泛[1]。沖床進行沖壓加工時，都嚴格要求滑塊能夠準確停在上死點，這樣才能保證沖壓加工時有足夠的能量進行沖壓操作，所以沖床剎車曲線的精度非常重要[2-3]。

市面上大部分的沖床控制系統(tǒng)使用PLC作為主控制單元，由于PLC計算能力有限，這類控制器一般使用查表法計算沖床上死點的剎車位置，即把事先測量的數據按照一定規(guī)則和順序編制成表格，查表程序根據需要查表的值，查出最終所需要的結果[4]。由于沖床進行沖壓操作時低速和高速的區(qū)間范圍大，這就需要編制一張很大的表，勢必會增加查詢的時間，而且這種方法并不能精細地表示沖床的剎車規(guī)律，因而擬合精度偏低。另一種擬合方法是根據經驗，選取一個多項式，利用最小二乘法擬合出沖床的剎車曲線，該方法有一定的智能性，通過分析擬合結果發(fā)現，沖床的剎車曲線并不能簡單地用多項式進行表示，因而精度也不甚理想。

BP網絡(Back-Propagation Network，BP)是一種以誤差逆向傳播算法進行學習訓練的多層前饋型神經網絡，是應用最為廣泛的神經網絡之一，具有很強的非線性映射能力，解決非線性問題是它最為突出的一環(huán)[5-6]。BP神經網絡結構簡單，具有較高的誤差精度，易于編程實現，具有較強的可操作性。筆者將BP神經網絡應用于沖床剎車曲線的擬合中，使用樣本數據建立了BP神經網絡的沖床上死點剎車位置預測模型，并用測試數據對預測結果進行了細致分析。

1　機械式沖床停上死點位置的控制結構及原理

機械式沖床通過曲柄連桿機構將電動機的旋轉運動轉換為滑塊的往復直線運動，并使其獲得材料沖壓成形所需要的力和直線位移，滑塊運動的最高位置即為上死點位置。

本文研究的機械式沖床控制系統(tǒng)主要由離合器、制動器、電氣控制裝置、觸摸屏人機界面等組成。離合器和制動器位于曲柄滑塊機構與大齒輪之間，當需要滑塊運動時，ARM控制器輸出控制信號使離合器接合、制動器斷開；當需要滑塊停止運動時，控制離合器斷開、制動器接合，由于慣性的作用，正在以一定速度運動的滑塊并不會立刻停止運動，而是會繼續(xù)運動一段距離最終停止在某一位置。

本文采用跟曲軸相連的旋轉編碼器作為沖床停上死點位置的角度檢測傳感器，將采集到的角度信號經編碼器輸入接口電路送入ARM控制器，控制器根據固定Δt時間內編碼器的脈沖個數，計算出曲軸的當前轉動速度，根據下文所研究的沖床停上死點位置的BP神經網絡回歸模型，即可確定出當前速度下的上死點位置停車制動角度。若ARM控制器接收到上死點位置停車控制信號，控制器會反復判斷滑塊是否到達制動角度，當滑塊到達制動角度時，控制離合器斷開、制動器接合。

2　BP神經網絡學習算法分析

BP網絡能夠學習和存儲大量的輸入輸出映射關系，而無需事前揭示描述這種映射關系的學習方程。它的學習原理是：輸入信號通過隱含層神經元作用于輸出神經元，經非線性變換，產生輸出信號，計算網絡的實際輸出與期望輸出的偏差，調整各層神經元的權值和閾值，使誤差沿梯度方向下降，經過反復訓練，使網絡的輸出值達到期望值[7]。BP網絡算法的計算過程如下：

1)隱含層第i個神經元的輸入Neti、輸出yi：

(1)

(2)

wij表示隱含層第i個神經元跟輸入層第j個神經元之間的連接權值；xj表示輸入層第j個神經元的輸入；θi表示隱含層第i個神經元的閾值；φ(x)表示隱含層神經元的激活函數。

2)輸出層第k個神經元的輸入Netk、輸出ok：

(3)

(4)

vki表示輸出層第k個神經元跟隱含層第i個神經元之間的連接權值；ak表示輸出層第k個神經元的閾值；ψ(x)表示輸出層神經元的激活函數。

3)第k組樣本輸入時的二次型輸出誤差ek，p組訓練樣本的總誤差E：

(5)

(6)

Tk表示第k組樣本的期望輸出。

4)根據誤差函數對各層神經元權值、閾值的修正量Δwki、Δak、Δwij、Δθi，由BP算法的迭代公式，推出第n+1次迭代時網絡的權值和閾值：

(7)

(8)

(9)

(10)

3　樣本數據和測試數據獲取

本文中研究的沖床控制系統(tǒng)由上位機和下位機兩部分組成，上位機由觸摸屏終端和以ARM控制器為核心的主控板組成，下位機由外圍控制電路組成，上、下位機通過RS232進行數據通信。

沖床剎車曲線數據的獲取流程如下：沖床處于停機狀態(tài)，把沖床的運轉模式調到寸動模式，點擊上位機觸摸屏界面的自學習按鈕，正確輸入密碼后，進入沖床自學習設置頁面，輸入沖床自學習的次數(本文以38次為例)、沖床的調速方式(人工通過調速旋鈕調速或通過變頻器調速)等參數。點擊開始學習按鈕，觸摸屏向上位機ARM控制器發(fā)送開始學習命令，上位機ARM控制器判斷沖床的調速方式，若是通過變頻器調速，通過MODBUS協(xié)議跟變頻器通信，學習完一組數據后增加固定的頻率，依次對應沖床不同的速度，本文以人工通過調速旋鈕調速來研究。當沖床運轉速度趨于穩(wěn)定時，控制器發(fā)出剎車命令，等待沖床完全停止運動后，控制器記錄下沖床剎車時的速度、離合器制動位置(0°～360°)、沖床氣壓大小、過沖角度等數據。數據記錄完成后，沖床繼續(xù)啟動，速度增大，繼續(xù)學習，直到學習完指定的次數。學習結束后，沖床停止運轉，得到n組樣本點，ARM控制器根據記錄的n組樣本數據依據特定的算法進行沖床剎車曲線的學習、訓練，最后把計算的參數保存在flash中。沖床剎車曲線數據獲取流程如圖1所示。

圖1　沖床剎車曲線數據獲取流程

通過研究發(fā)現，影響沖床剎車后過沖角度大小的主要因素是沖床剎車時的速度，選擇沖床剎車時的速度作為網絡模型的輸入因子，沖床的過沖角度作為輸出因子，對沖床停上死點剎車曲線進行分析。在建立網絡模型的過程中，把數據分為樣本數據和測試數據兩個部分，表1是沖床剎車曲線樣本數據，表2是沖床剎車曲線測試數據。

4　模型設計與參數選擇

BP神經網絡的隱含層層數和隱含層神經元的數量決定著所建網絡的優(yōu)劣，理論上講，單隱含層的三層BP前饋神經網絡可以實現任何復雜的非線性映射問題[8]。一般來說，隱含層神經元數目越多，網絡的逼近能力越強，但會增加訓練的難度和時間。本文所建的神經網絡輸入層有1個神經元，隱含層有20個神經元，輸出層有1個神經元，網絡的結構為1-20-1。

表1　沖床剎車曲線樣本數據

表2　沖床剎車曲線測試數據

網絡的隱含層神經元轉移函數采用Sigmoid函數，由于模型的輸出層為沖床的過沖角度，如果轉移函數還是選用曲線函數，輸出則會被限制在一個很小的范圍，故輸出神經元的轉移函數選用線性purelin函數。

BP神經網絡的學習算法有很多形式，各種訓練函數有不同的訓練算法，Levenberg-Marquardt算法是目前最快的訓練算法，本文建立的神經網絡采用此算法作為訓練算法。本文網絡采用批處理模式，選取較小的學習速率，范圍在0.01～0.8之間，以保證系統(tǒng)的穩(wěn)定性。最大訓練步長為500，目標誤差為0.01。

為了消除各維數據間的數量級差別，避免因輸入輸出數據的數量級差別較大而造成網絡的預測誤差，本文對樣本數據和測試數據進行了歸一化處理，采用最大最小法進行處理，經過處理后的數據轉化為[-1,1]之間的數據。

5　實驗結果及分析

利用設計好的BP網絡模型對沖床的剎車曲線進行擬合，并以均方誤差mse作為衡量擬合效果的評價指標，為了更好地分析不同算法對沖床剎車曲線的擬合效果，筆者同時畫出了使用最小二乘法擬合的曲線，并把兩種方法擬合的曲線放在同一圖中進行比較。最小二乘法、BP神經網絡擬合的沖床剎車曲線如圖2所示，沖床剎車曲線BP神經網絡擬合的均方誤差如圖3所示，沖床剎車曲線BP神經網絡擬合的相關系數如圖4所示。

圖2中，“o”表示樣本數據的輸入向量和目標向量之間的關系，虛線表示最小二乘法擬合出的曲線，直線表示BP神經網絡擬合出的曲線，“*”表示測試數據的輸入向量和目標向量之間的關系。

圖2　最小二乘法、BP神經網絡擬合的沖床剎車曲線

從圖2可以看出，各樣本數據點和測試數據點更多地落在BP神經網絡所擬合的曲線上或分布在曲線附近，說明BP神經網絡所擬合的曲線精度高，能夠更好地逼近樣本數據點和測試數據點，而且能更準確地預測出沖床停車時的剎車點。對于最小二乘法擬合的曲線來說，輸出的均方誤差mse為1.624 7，雖然樣本數據和測試數據基本上在擬合的曲線附近，但是偏差較大，擬合效果不好。

圖3　沖床剎車曲線BP神經網絡擬合的均方誤差

圖4沖床剎車曲線BP神經網絡擬合的相關系數

BP神經網絡擬合曲線的相關系數R為0.999 99，此時網絡的曲線擬合精度已非常高。由以上分析表明，經過訓練后的BP神經網絡對沖床剎車曲線擬合的效果較好。

6　結論

本文構建了沖床剎車曲線的BP神經網絡回歸模型，主要研究了沖床剎車后的過沖角度與剎車時速度的關系，以采集到的樣本數據和測試數據進行實例分析，并與使用最小二乘法擬合的曲線進行比較，實驗結果表明，使用BP神經網絡擬合的曲線預測精度高，能夠逼近樣本數據點和測試數據點，可以很好地預測出沖床停車時的剎車點，得到了較好的非線性擬合效果。當然，本文仍然存在諸多不足，比如對沖床剎車曲線的影響因子研究不夠全面，這是本文下一步研究的重點。

[1] 盈亮. 高強度鋼熱沖壓關鍵工藝試驗研究與應用[D]. 大連：大連理工大學,2013:7-10.

[2] 耿渝,孫成建,田世領. 精沖壓力機上死點精度控制技術[J]. 鍛壓裝備與制造技術,2012(6):26-27.

[3] 胡超,魏國勇,竇磊,等. 調速壓力機自動停準上死點方法[J]. 鍛壓裝備與制造技術,2010,45(3):27-28.

[4] 陳紅,謝勤嵐. 用查表法實現微處理器的快速CRC計算[J]. 交通與計算機,2003,21(3):73-75.

[5] 唐銀鳳,賀賽先,耿學賢. 基于優(yōu)化BP神經網絡的鋼板測速修正方法[J]. 計算機測量與控制,2014,22(10):3105-3107.

[6] 張良均,曹晶,蔣世忠. 神經網絡實用教程[M]. 北京: 機械工業(yè)出版社,2008.

[7] 韓力群. 人工神經網絡教程. 北京: 北京郵電大學出版社,2006.

[8] MATLAB技術聯(lián)盟,劉冰,郭海霞. MATLAB神經網絡超級學習手冊[M]. 北京: 人民郵電出版社,2014.

Design and Realization of Control Strategy of Mechanical Punch Stop Top Dead Center Position

Qin Wenqiang,He Tongneng,Chen Defu,Li Huanan

(Information and Intelligent System Institute,College of Information,Zhejiang University of Technology, Hangzhou310023,China)

The top dead center position accuracy is one of the most critical issues when a mechanical punch stamping operation. In order to improve the accuracy of punch stop top dead center position,the relationship between the angle of inertia and the influence factors is studied when a punch braked. We fit a punch brake curve and use it to ensure that the punch can accurately stop at top dead center. This paper introduces the method and process of data acquisition,and uses BP neural network to fit the punch brake curve. Using mean square error as the evaluation index,and compared with the least square method. The fitting effect of the two methods to the punch brake curve was analyzed. The mean square error is 0.006 092 3 and 1.624 7 respectively. The experiment result shows that using BP neural network to fit the punch brake curve is better.

mechanical punch; top dead center; brake curve; BP neural network

1671-4598(2016)04-0098-03DOI：10.16526/j.cnki.11-4762/tp.2016.04.029

TP272

A

2015-11-06；

2015-11-27。

秦文強(1989-)，男，山東棗莊人，碩士，主要從事工業(yè)控制、機器學習方向的研究。