非剛性材料加工軌跡的FNN研究.pdf

1、非剛性材料高速加工時產(chǎn)生的變形,導致實際加工軌跡偏離設(shè)定軌跡。對于這種高速加工過程引起變形因素較多,關(guān)系復雜,采取前饋控制方式時往往只能采用一些經(jīng)驗數(shù)據(jù)進行加工前修正。而采用單純的閉環(huán)反饋,往往造成較嚴重的振蕩,難以進行實時補償,嚴重影響加工效率。因加工形變等非線性因素,難以得到運動對象控制模型?，F(xiàn)有的方法在快速計算的實時性、準確性、精確建模以及過分依賴人工經(jīng)驗等方面存在著不少問題。模糊神經(jīng)網(wǎng)絡(luò)(FNN)是一種能處理抽象信息的網(wǎng)絡(luò)結(jié)構(gòu),

2、具有強大的自學習建模和參數(shù)快速自整定功能,已經(jīng)在一些非線性復雜生產(chǎn)過程取得良好效果。將FNN應(yīng)用于柔性物料的加工,可以解決加工對象建模困難等問題。本文為克服單純前饋與單純反饋控制的缺點,引入FNN和計算機視覺測量技術(shù),以絎縫機為典型的研究對象,對非剛性材料的軌跡變形采用前饋與反饋結(jié)合的方法。在加工每一針前根據(jù)設(shè)定軌跡、運動參數(shù)、物料材質(zhì)、當前加工位置等先用FNN得到加工點粗略的變形量,對加工軌跡進行預補償。加工時動態(tài)采集加工點的局部圖像

3、,經(jīng)數(shù)字圖像處理得到加工點實際坐標與設(shè)定坐標的偏差值,一方面將所得值作為FNN的輸出樣本,結(jié)合相關(guān)參數(shù)對FNN進行在線培訓,另一方面將此偏差值與加工點設(shè)定坐標之和(即加工點實際坐標)作為PID控制器的輸入,從而提高控制系統(tǒng)的動態(tài)特性,實現(xiàn)快速精確絎縫的自動化加工。
　　 本文建立了FNN絎縫加工變形量預測模型,并通過MATL,AB仿真實驗調(diào)整網(wǎng)絡(luò)的參數(shù),得到一個速度快,精度高,穩(wěn)定性好的網(wǎng)絡(luò),同時用此網(wǎng)絡(luò)去逼近非線性函數(shù),仿真實