多信息融合技术驱动的电加工控制优化研究

张文龙， 黎旭权， 苏德辉

（东莞市质量监督检测中心， 广东 东莞 523808）

0 引言

电火花加工技术已经是一种应用很广的加工技术，技术上有很大的发展提升，加工硬质材料有独特的优势，对模具制造产业发展产生了很大影响[1]，但模具经常有很多微小零件及精密零件的加工， 因此电火花加工正逐渐向微小和精密方向发展，与普通电火花加工相比，微小电火花加工具有放电能量低、精度要求高和电火花放电间隙小等特点。 并且微小孔尺寸一般比较小，大都小于0.5mm[2]，导致微小孔电火花加工中的放电间隙环境是极其复杂的，检测到的加工信号频率很高、电流和电压波形发生畸变等[3，4]，这些情况的出现都给微小孔加工的进行提出新的挑战。

本文根据常规检测方法难于满足微小孔加工特点，提出了一种多传感器信息融合技术， 该方法的引入可以减少检测模块对传感器和硬件电路的依赖， 降低设备成本，并大大的减少工艺测试实验所需要的大样本数据，减少了计算机整理分析数据所需要的硬件支持[5]。

1 传统检测方法

近年来， 国内高校科研院所对间隙状态检测进行了大量的探索和研究，提出了很多改进检测方法，常用的检测方法有：间隙平均电压检测法[6]、间隙电导率检测法[7]、脉冲电压积分法和电流电压门槛值法[8]等；这些方法在常规电加工机床中应用较多， 如在微小电加工中脉冲宽度常常在0.1～0.2μs 量级，脉冲电压积分法容易造成信息丢失，导致状态误判[9，10]。

2 放电状态检测改进设计

本文针对微小孔电加工的特点， 设计多层信息融合网络模型，通过对多模糊信息的获取、表达、内在处理和优化等过程的技术处理，最终实现目标识别与检测。

2.1 模糊控制网络设计

融合信息实现过程为， 以电流和电压信息作为模糊神经网络的输入， 根据间隙状态的特点， 设计以正常放电、 开路、 电弧放电和短路四个隶属度特征进行权重比较，权重大者即为所属放电状态，完成间隙放电状态的隶属度识别，如图1 所示的模糊神经网络结构模型。

图1 放电间隙状态神经网络结构模型Fig.1 Neural network structure model of discharge gap state

接下来对所构建的神经网络模型的中间网络4 层的权重和隶属度进行详细设计，具体过程如下说明：

第1 层为双输入层： 采用峰值电流和峰值电压作为输入层， 该层中的神经元各个节点的变量传递到下一层采用单位一，进行等量传递。

第2 层为隶属函数层： 考虑到放电加工过程中检测到的各放电间隙状态都存在不同的电压和电流域值，因此采用梯形隶属度函数，其函数曲线如图2 所示。

在神经网络构建时，采用对应梯形曲线的函数如公式（1）所示[11]：

图2 函数层隶属度曲线图Fig.2 Function level membership curve

第3 层为规则层：该层主要完成模糊推理，设计的神经元与模糊规则数相同。 与前一层的最终连接权重值由网络训练获得，初始值为0 或1。

第4 层为结论层： 规则层的每个神经元节点与该层各个节点相连，每个规则神经元相应结论的神经元连接，第3 层和4 层采用S 型曲线转移函数[12]，如公式（2）和（3）所示：

式中：wij—规则层第j 个神经元节点处转移到第i 个节点结论层权重值；Xi—规则层第j 个节点处的输出，Si定义为结论层第i 个节点的输入。

第5 层为输出层： 该输出层为四种放电间隙状态的隶属度，其可直接参与间隙状态识别，无需再进行去模糊处理。

2.2 控制算法确定

本文采用的模糊神经网络中， 只在中间两个层权重值需要学习训练，其他层都有确定的转移权重值，采用误差反向传播的BP 算法[13，14]，该算法核心是最小二乘法，采用梯度搜索使误差均方值最小，目标函数如公式（4）所示。

其中，P—实验数据进行处理后的典型样本数；N—输出节点数；dpk—神经网络理论输出；Opk—网络实际输出；Ep—误差总和。

2.3 模型训练与分析

为了验证所构建的神经网络模型的有效性， 基于Matlab 软件神经网络模块完成了识别模拟器的设计，在目标要求103量级的迭代次数下， 获得了较好的收敛结果，成功的构建了模拟识别器，迭代收敛过程如图3 所示。

图3 样本收敛过程Fig.3 Sample convergence process

以常规单一信号无法辨识的间隙状态数据为输入，利用此模型进行识别， 结果显示采用多融合技术可以获得以往无法辨识的信号，结果如表2 所示。

表2 信息融合测试数据Tab.2 Information fusion test data

从表2 可以看出， 采用多传感器信息融合的神经网络识别器可以很好的识别出来， 为控制策略的实施提供了很好支撑。

3 验证实验

基于以上的多信息融合控制策略， 为了验证加工效果，与常规单一放电检测控制方法进行对比实验，分别加工φ0.5mm 和φ0.3mm 的孔，对加工的两组孔，采用分段记录，加工相同时间间隔作为一次记录（以五分钟为一个时间间隔），获得的实验结果如表3 所示。

表3 部分实验对比数据Tab.3 Comparison data of some experiments

表3 所示的实验结果表明， 在相同的时间内采用多信息融合模糊控制方法获得孔深比常规单一检测控制方法的要深大约8%，电极相对损耗也有明显的降低，对获得结果分析发现， 采用常规的检测方法经常出现检测误判，导致很多检测状态无法识别，增加了系统的识别计算时间，特别是由于微孔加工畸形信号的出现，使得常规检测方法更容易造型误判，导致加工时间延长，加工效率降低，甚至出现间隙状态为短路的状态还在持续放电，这样会导致电极损耗加快， 这也验证了电极损耗常规方法损坏快的原因。

4 结束语

本文针对微小孔电火花加工放电状态难于检测，放电过程极其复杂的特点，要实现对加工电极模糊控制，完成有效的放电加工， 提出了一种基于多信息融合技术的模糊控制策略，采用峰值电压和电流双输入信息融合，基于Matlab 软件构建了多层BP 模糊神经网络模型，对获得检测信息进行有限融合，经过多层神经网络处理，能够精确和高效的判断放电间隙状态， 为微小孔电火花加工电极伺服控制提供了一套行之有效的模糊控制策略， 最后通过微孔加工比较实验，验证了设计的控制器的可行性。