基于表面粗糙度的缸體打磨控制專家系統研究*

顧寄南，潘 甜

(江蘇大學 制造業信息化研究中心，江蘇 鎮江 212000)

0 引 言

當前，制造業信息化快速發展，我國鑄件后處理打磨技術和裝備還處于比較落后的水平，面對低效率、高污染、高能耗等問題，傳統鑄件后處理打磨技術亟待轉型。國外鑄造公司如意大利MAUS公司、德國格林策巴赫機械公司和其他鑄件后處理自動化公司與國內公司合作研發的集柔性和智能化為一體的機器人自動打磨單元生產線，實現了制造業的自動生產和綠色生產[1]。專家系統作為人工智能的一個重要分支應用于缸體打磨是計算機技術與傳統鑄造業的完美結合[2]。

由于國內對專家系統研究相對較晚，技術基礎薄弱，國外對專家系統相關技術的保護和限制，使得本次研究具有工程實際意義。本研究從專家系統的基本原理出發，基于目前計算機和機械制造業領域強大的技術支撐，開發應用于缸體表面打磨控制的專家系統。該系統具有強大數據處理功能和友好界面，能夠依據質量檢測特征數據，自動調整生產加工工藝參數，優化加工工藝，實現降低表面粗糙度、提高鑄件質量與加工效率等功能。

并且筆者計劃實施進一步的網絡化開發，通過網絡實現遠程打磨控制。

1 專家系統與打磨控制

專家系統興起于20世紀60年代初，快速發展成一門新興應用學科，作為人工智能學科的一個重要分支，專家系統隨著計算機技術的發展而日趨成熟。

傳統的人工打磨生產方式滯后，生產質量不高，生產效率低下，工人通過目測缸體表面實際情況思考得出方案進行指導加工。機器人打磨通過圖像檢測得到缸體表面的實際情況，經過計算機系統分析后，系統設定最優的打磨方式和合理的參數組合，進而得到整個缸體打磨方案。

經研究發現，傳統的打磨機器人控制系統要同時考慮機械手臂和砂輪運轉兩個子系統，使系統具有很強的時變性和強耦合性，多輸入多輸出的非線性系統使加工參數很難控制，從而給機器人打磨控制帶來困難。實際驗證表明，利用專家系統控制打磨過程，正好可以解決這一問題。通過建立基于BP神經網絡預測模型，作為專家系統的核心算法，結合BP神經算法的非線性表達能力，把分析所得的打磨方法向下位機的控制器發送控制信息，找到最合適的參數組合并指導工作機的工作參數與工作方式，從而保證了打磨順利有效地進行。

專家系統一般由知識庫、推理機、人機交互界面和知識獲取機制等方面組成。該系統可以按照該領域的專家經驗和知識制定規則，其內部包括大量的具有專家水平的領域知識和經驗，推理機模擬人類專家的決策過程，運用人類專家解決問題的知識和方法進行推理和判斷，針對影響機器人打磨過程的主要加工參數提供必要的優化和控制，從而自動地調整生產加工工藝參數，優化加工工藝，提高了鑄件的表面質量與加工效率[3-4]。

專家系統結構如圖1所示。

圖1 專家系統結構圖

基于機器人打磨關鍵技術的研究，運用正交試驗的方法發現，影響工件表面質量和機器人打磨效率的主要加工參數包括砂輪狀態、進給速度、工具轉速和打磨次數等。在砂輪準備好之后，開始打磨的第一段里，影響打磨的每個參數都在變化，通過對工藝參數進行實時合理地控制，可以有效提高打磨后的表面質量。當選定合適的磨具后，通過研究各種切割打磨系統，打磨壓強Pa、進給速度Vs和打磨次數n都是影響打磨后表面粗糙度Ra的主要因素。

通過對加工參數進行實時合理的控制，可以有效提高打磨后的表面質量，從而實現打磨的智能化[5]。

2 專家系統總體設計

本研究旨在運用專家系統建立智能化鑄件后處理打磨數字化、信息化集成平臺，具有優化打磨工藝參數、降低缸體打磨后表面粗糙度的功能。系統模塊體系包括用戶登錄模塊、預測優化模塊、數據庫模塊等。此外，系統還具備知識庫維護子模塊，方便用戶對知識庫進行不斷補充和完善。

專家系統通過網絡訓練建立基于BP神經網絡的表面粗糙度預測模型，BP神經網絡是基于誤差方向傳播的多層前饋網絡，是一種監督學習算法，能夠解決非線性連續函數的多層前饋神經網絡權重調整問題，典型的BP神經網絡采用梯度下降算法。專家系統中該模型由輸入層、隱層和輸出層組成，輸入的是打磨壓強Pa、進給速度Vs、打磨次數n和原始表面粗糙度Ra，輸出的是打磨后缸體的表面粗糙度預測值[6-9]。數據計算選擇均方誤差作為誤差控制函數，樣本訓練的誤差為樣本誤差平方和的平均值，計算公式如下：

(1)

建模過程如圖2所示。

圖2 建模流程圖

傳統的機器人打磨控制系統中參數呈非線性變化組合，無法準確指導加工過程。

通過改進打磨控制方法可以保證加工參數和方式的優化。知識庫中存儲著領域專家的知識和經驗，工人通過人機交互界面鍵入原始表面粗糙度和打磨加工參數，系統推理得到打磨后表面粗糙度實際值，并與網絡模型得到的預測值進行比較，如果誤差過大，則系統顯示繼續優化的提醒，此時繼續改變打磨壓強Pa、進給速度Vs和打磨次數n，重新打磨，然后把打磨后的表面粗糙度重新鍵入搜索欄中，重新搜索，以此往復，直到誤差小于2%為止，最后將優化后的打磨壓力、進給速度和打磨次數呈現在打磨參數優化查詢界面上，從而指導工人順利有效地進行打磨。

3 知識庫設計

專家系統構造的關鍵在于知識庫、推理機的設計和知識獲取機制。推理結果的優劣很大程度上取決于知識庫的好壞。

3.1 知識的表示形式

知識的表示是設計專家系統的關鍵，該系統知識庫主要是缸體表面打磨控制相關知識。筆者通過研究發現，影響打磨后表面粗糙度Ra的主要因素是進給速度Vs、打磨壓強Pa和打磨次數n。知識庫采用MySQL數據庫進行存儲，知識庫中的數據表適合產生式規則表示法，因此該系統采用產生式規則形式表示知識，產生式規則表示知識的形式為：

If E Then C。

其中：E-規則前提條件；C-條件引出的結論。

通過正交試驗對數據進行分析，其中一條完整的規則為：

IfRa1=3.105 μm; andPa=5.5 kPa; andVs=180 mm/min; andn=8；ThenRa2=0.741 μm。

其中:Ra1，Ra2-打磨前、后的表面粗糙度值。

3.2 知識獲取機制

知識獲取是專家系統開發過程的關鍵技術之一，知識獲取機制將從知識庫中提煉的知識轉化為計算機程序，且能為專家系統的推理機制所應用。本文知識獲取方式為知識工程師通過大量實驗向系統注入打磨領域的專家知識，如影響打磨效果各加工工藝參數和不同參數組合控制下的表面粗糙度值，并以規則表的形式存儲在知識庫中。此外，它還能根據實踐結果總結發現原知識庫中錯誤的規則并加以修改，從而使知識庫保持不斷更新的狀態，使專家系統可以解決更多更復雜的問題。

3.3 知識庫建立

知識庫中的知識來源于工廠生產數據和實驗結果，本研究經過大量實驗和兩組驗證實驗，獲得了多組來源于打磨領域專家的加工參數和表面粗糙度的知識表示，將不同的加工參數，對應不同的表面粗糙度值以獨立文件形式建立文件文本區，并將其整理成規則表存入知識庫中。

本研究以缸體內表面打磨為例，部分規則如表1所示。

表1 知識規則表

4 推理機的設計

推理機設計是根據一定的規則從存在的實踐中推理出新的事實的思維過程。推理機作為專家系統的核心，主要在求解問題的過程中適時地決定知識的選擇和調用。在缸體表面打磨專家系統中，推理以知識庫中存儲的知識為前提，是一種基于知識的推理，知識庫和推理機構成了專家系統的核心部分。

知識庫是以規則表的形式存儲在數據庫中，使用SQL語言可以有效檢索出符合要求的結果集。這種基于SQL語言的推理方式可以發揮知識庫本身的優點，通過普通的檢索語句就可以實現推理。

該系統采用正向推理機制，產生式規則的推理機制是搜索和匹配的過程。工人通過人機交互界面輸入原始表面粗糙度和打磨工藝參數，如果檢索到相匹配的規則前件，則匹配成功，輸出規則的結論部分；否則作為新規則加入到知識庫中，以備下次推理時調用。

建立了知識庫之后，推理機根據知識庫中經驗數據，模擬專家指導打磨的思路，推理出打磨后表面粗糙度實際值，結合預測模型得到的打磨后表面粗糙度預測值，分析誤差大小，從而改變工作參數和工作方式，并把優化策略呈現出來。

推理流程如圖3所示。

圖3 推理流程圖

5 專家系統的實現

本研究將BP神經網絡建模技術融于專家系統并應用于一般的機器人打磨控制系統，是機器人打磨控制方法的革新。

本研究應用計算機領域的相關技術開發專家系統，采用菜單及下拉菜單組件，結合對話框、狀態欄提示，具有良好的人機交互界面。該系統使用面向對象的JAVA語言進行開發，具有較好的健壯性和移植性[10-12]。開發使用的工具包括MyEclips編輯器和MySQL數據庫。數據庫設計采用第二范式，用投影分解把關系模式分解成多個關系模式，降低數據冗余度，解決可能存在的數據插入、刪除等問題。

應用于缸體表面打磨控制的專家系統是目前國內較為先進的一種系統，并與實際生產緊密結合。專家系統的實現不光有計算機技術領域的支撐，其優化功能的實現同時滿足了一般工廠的生產加工要求。功能界面主要包括用戶登錄界面、規則增加或修改界面、打磨參數優化管理界面、用戶留言界面等。其中，打磨參數優化管理界面是系統的核心功能，也是向控制器輸送信號的關鍵步驟，從而指導工作機改變加工參數和加工方式，準確完成企業的生產加工要求。

以下是缸體表面打磨控制專家系統中實現打磨優化和知識維護功能的關鍵步驟。對知識庫中具體的規則進行修改或增加，從而使知識庫得到不斷補充和完善。

規則增加或修改界面如圖4所示。

圖4 規則增加或修改界面

推理機將推理得到的實際值與神經網絡模型預測值進行比較，直到預測值與實際值的誤差范圍小于2%為止，進而推理出合適的打磨參數和打磨方法，顯示在優化查詢界面上。

預測結果顯示如圖5所示。

圖5 預測結果顯示

本研究使用GlassFish服務器完成了缸體表面打磨優化專家系統網絡應用的部署，最終程序運行平穩，指導工作機控制打磨過程方便快捷且準確無誤，再次證明了建立神經網絡預測模型方法的有效性。在日后的研發中，可以通過改進規則的添加方法，使之更為簡潔明了、方便操作。

6 結束語

基于BP神經網絡預測模型建立的缸體表面打磨控制專家系統，利用數據推理和誤差分析得到最合適的加工參數組合，通過打磨控制技術方法的革新準確快捷地完成了工藝參數的優化，達到降低表面粗糙度、提高生產質量的生產目的，有效避免了傳統打磨中太過依賴工人經驗進行實時控制的繁瑣，這對日后研究如何降低打磨過程中材料的去除率、優化打磨軌跡有著十分重要的指導意義。

將先進的計算機技術應用到傳統的鑄件后處理打磨過程中是未來鑄造行業發展的必然趨勢，人工智能和專家系統技術也將越來越廣泛地應用于鑄造行業。

[1] 李玉青，吳殿杰.鑄件后處理磨削工藝裝備的應用現狀[J].鑄造設備與工藝，2014(2):21-23.

[2] 張煜東，吳樂南，王水花.專家系統發展綜述[J].計算機工程與應用，2010，46(19):43-47.

[3] RAO S S, NAHM A, SHI Z, et al. Artificial intelligence and expert systems applications in new product development a survey[J].JournalofIntelligentManufacturing，1999，10(3):231-244.

[4] 徐 姣.基于機器人自動打磨系統的設計與實現[J].產業與科技論壇，2017，16(4):89-90.

[5] 陳 進.打磨機器人的運動軌跡控制策略研究[D].武漢：湖北工業大學電氣與電子工程學院，2015.

[6] 朱 英.改進的BP神經網絡預測模型及其應用[J].武漢理工大學學報：交通科學與工程版，2012，36(6):1252-1255.

[7] 張家敏，許德章.基于蟻群BP神經網絡算法的六維力傳感器解耦研究[J].輕工機械，2016，34(1)：1-4.

[8] PRABHU S， UMA M， VINAYAGAM B K. Surface roughness prediction using Taguchi-fuzzy logic-neural network analysis for CNT nanofluids based grinding process[J].NeuralComputingandApplications，2015，26(1):41-55.

[9] LI L， WANG D， PAN Cai-xia， et al. Soil surface roughness measuring method based on neural network and decision tree[J].NongyeGongchengXuebao/transactionsoftheChineseSocietyofAgriculturalEngineering，2015，31(14):132-138.

[10] 劉瑞強.專家系統的Java實現[J].黑龍江科技信息，2012(12):96-96.

[11] CUN Xian-e . An application study on the rule-based java expert system shell—jess[J].MicrocomputerInformation，2010(5):224-225，194.

[12] BASHEER A， SAPUAN S M， ZAINUDIN E S， et al. Java based expert system for selection of natural fibre composite materials Basheer[J].JournalofFoodAgriculture&Environment，2013，11(3):5448-5459.