（机械制造及其自动化专业论文）数控轧辊磨床磨削质量智能优化控制研究.pdf

上海大学硕t 学位论文 摘要 轧辊是轧机上承受轧制力并把轧制材料均匀减薄的消耗性工具。高表面质 量的铝合金板、带、箔等板形的生产，在很大程度上依赖于高表面磨削质量的 轧辊。为了获得理想的板形质量，必须对轧辊进行磨削，以保证轧辊辊形和表 面精度。轧辊磨削是一种具有特殊工艺要求的磨削技术，磨损的轧辊必须通过 轧辊磨床来进行磨削。轧辊磨床属于大型精密加工机床，是金属板、带、箔材 加工企业的关键设备，在保证和提高产品表面质量反面起着重要的作用。 由于轧辊磨削是一种影响因素非常复杂的加工过程，磨削质量的优劣很大 程度上与磨削专家知识和长期积累的磨削实践经验有关。同时磨削过程的非线 性、随机性和不确定性等原因，其发展还不尽人意。目前国内外现有的数控轧 辊磨削在磨削表面质量估计、磨削参数优化决策及磨削工艺数据历史追随性等 方面还存在许多问题。在磨削加工中，许多方面仍依赖于操作者的经验和技术 熟练程度。磨削的现状已成为制约某些先进制造技术发展的关键。 针对目前轧辊磨削中存在的问题和状况，本文对轧辊磨削进行了深入的理 论和实践研究，为了获得更高的轧辊磨削精度，获得对轧辊磨削质量的预测， 对轧辊磨削机理、磨削表面质量精度和表武粗糙度进行了深入研究。建立了轧 辊磨削的动态模型，提出了提高轧辊磨削质量的控制策略，提出了基于人工神 经网络的磨削表面粗糙度的预测。 详细分析了磨削工艺参数对轧辊磨削质量影响，研究轧辊与之相配用的砂 轮、冷却液和磨削工艺参数之间关系，同时将遗传算法和多目标优化理论结合， 提出了基于遗传算法的多目标磨削参数优化决策方法，初步实现对轧辊磨削加 工中轧辊磨削质量智能决策。 关键词：轧辊磨床、表面粗糙度、神经网络、遗传算法、智能预测 v 上海大学硕士学位论文 寻 a bs t r a c t t h er o l l e r sa r ec o n s u m p t i v et o o l sw h i c ha r eu s e dt oe n d u r er o l l i n gf o r c ea n d m a k er o l l i n gm a t e r i a lt h i ni nr o l l g r i n d i n gw h e nt h em e t a li sc o m p r e s s e db e t w e e n t w or o t a t i n gr o l l sf o rr e d u c i n gi t sc r o s s s e c t i o na r e a t h em a n u f a c t u r eo ft h em e t a l p l a t e ，s t r i p ，f o i lm a t e r i a la r eg r e a t l yd e p e n d e do nt h eh i g h s u r f a c er o l l e r s t h er o l l e r s m u s tb eg r o u n dt om a k es u r et h a tt h ep l a n t sh a v eg o o dq u a l i t yt ok e e pt h eg o o dr o l l s h a p ea n ds u r f a c ep r e c i s i o n t h er o l lg r i n d i n gi sat e c h n i q u ew h i c hh a ss p e c i a l r e q u i r e m e n t s t h ed a m a g e dr o l l e r sm u s tb eg r o u n di nr o l lg r i n d e r r o l lg r i n d e ri sa l a r g et y p ep r e c i s i o nm a c h i n et o o la n dak e ya e v i c ei nm a n u f a c t u r i n gm e t a lp l a t e s t r i p ，f o i lm a t e r i a le n t e r p r i s e h e n c ei ti sv e r yi m p o r t a n tt oe n s u r ea n di r e p r o v e p r o d u c tq u a l i t y b e c a u s er o l lg r i n d i n gi sav e r yc o m p l e xm a c h i n i n gp r o c e s s ，t o om a n yf a c t o r s h a v ei n f l u e n c e so ni t t h ef i n a lq u a l i t yp e r f o r m a n c eo fg r i n d i n gi sd e e p l yc o r r e l a t e d w i t hs p e c i a l i s t s k n o w l e d g ea n dt h e i rp r e v i o u sg r i n d i n gp r a c t i c a le x p e r i e n c e s a tt h e s a m et i m e ，b e c a u s eo ft h en o n l i n e a r i t y , r a n d o m i c i t y , u n c e r t a i n t yi ng r i n d i n gp r o c e s s ， t h e r ea r em a n yd i s a d v a n t a g ef a t o r si nr o i lg r i n d e r a tp r e s e n t ，m a n yp r o b l e m sa b o u t n u m e r i c a lc o n t r o lr o l l g r i n d e ra th o m ea n da b r o a dn e e dt ob es o l v e d ，s u c ha s ， p r e d i c t i n gt h er o u g h n e s so fs u r f a c e ，o p t i m i z i n go fg r i n d i n gp a r a m e t e r , h i s t o r i c a ld a t a t r a c e a b i l i t yo fr o l ls h a p ea n dg r i n d i n gp r o c e s $ d a t a t h eg r i n d i n gi so n eo ft h ek e y t e c h n o l o g i e st h a tc o n s t r a i n t ss o m ee l e m e n t so fa d v a n c e dt e c h n o l o g yd e v e l o p m e n t a c c o r d i n gt ot h e s ep r o b l e m sa n dc o n d i t i o n si nr o l lg r i n d i n ga tp r e s e n t ，w ed o s o m er e s e a r c h e so nr o l lg r i n d i n gb a s e do nt h ed e e p l ys t u d yo ft h et h e o r e t i c a la n d p r a c t i c e ，t h er o l lg r i n d i n gm e c h a n i s ma n dt h ef a c t o r sa f f e c t i n gt h eq u a l i t yo fs u r f a c e g r i n d i n ga c c u r a c ya n ds u r f a c er o u g h n e s st og e tah i g h e rr o l lg r i n d i n gp r e c i s i o n a d y n a m i cm o d e la b o u tr o l lg r i n d i n gi se s t a b l i s h e d s o m ec o n t r o ls t r a t e g i e st oi m p r o v e t h eq u a l i t yo fg r i n d i n gr o l la n dt h ep r e d i c to ft h es u r f a c er o u g h n e s sb a s e do n a r t i f i c i a ln e u r a ln e t w o r ka r ep r o p o s e d 。 t h ep r o c e s sp a r a m e t e r sa r ea n a l y s e di nd e t a i lh o wt oa f f e c tt h eg r i n d i n gq u a l i t y o fr o l lg r i n d i n g t h er e l a t i o n s h i pb e t w e e nt h ep r o c e s sp a r a m e t e r sa n dc o o l i n gf l u i d a n db e t w e e nr o l la n dt h ew h e e la r es t u d i e d a n da tt h es a m et i m e ，b a s e do ng e n e t i c a l g o r i t h m sa n dm u l t i o b j e c t i v eo p t i m i z a t i o nt h e o r y ，t h eo p t i m i z a t i o n a lm e t h o do f g r i n d i n gp a r a m e t e r sa r ep r o p o s e da n dt h eg r i n d i n gq u a l i t yi n t e l l i g e n td e c i s i o na b o u t t h er o l lg r i n d i n gi n i t i a l l yi sr e a l i z e d k e y w o r d s ：r o l lg r i n d i n g ，s u r f a c er o u g h n e s s ，n e u r a ln e t w o r k s ，g e n e t i ca l g o r i t h m s ， i n t e l l i g e n tp r e d i c t i o n v i 上海人学硕学位论文 原创性声明 本人声明：所呈交的论文是本人在导师指导下进行的研究工作。 除了文中特别加以标注和致谢的地方外，论文中不包含其他人已发 表或撰写过的研究成果。参与同二工r f 乍的其他同志对本研究所做的 任何贡献均已在论文中作了明确的说明并表示了谢意。 签名幽哮日哆啦 本论文使用授权说明 本人完全了解上海大学有关保留、使用学位论文的规定，即： 学校有权保留论文及送交论文复c 1 1 , f 4 , 允许论文被查阅和借阅；学 校可以公布论文的全部或部分内容。 ( 保密的论文在解密后应遵守此规定) 签名：导师签名： i 、 期： 毕7 上海大学硕j 二学位论文 1 1 研究背景及意义 1 1 1 课题研究背景 第一章绪论 磨削是一个非常复杂的机械加工过程，几十年来科研人员一直努力在建模、仿 真、预测和控制方面进行研究。但由于磨削过程的复杂性、砂轮切削刃分布的随机 性、磨削参数间的非线性以及磨削过程的动态不稳定性，对磨削机理的研究至今还 没有得到满意的解释。传统的磨削加工方法已经不能解决磨削过程的最优控制，我 们只能用新的人工智能和先进的智能控制理论来解决。在轧辊磨削的控制中更是如 此。国内外的大量学者在智能磨削方面进行了研究，在磨削理论和实际应用方面取 得了一些成果，为研究轧辊磨削质量智能优化控制作了很好的铺垫。 智能优化控制的理论基础是人工智能、控制论、运筹学和信息论等学科的交叉， 人工智能中的专家系统、模糊逻辑和神经网络以其强大的处理非线性复杂问题的能 力广泛用于工业控制中。智能控制用于磨削加工当中主要包括：磨削过程的优化方 法、表面粗糙度的智能预测、磨削参数的选择、磨削过程中的监控和磨削智能控制 器的研发等几个方面。 轧辊磨削【1 1 【2 l 是一种具有特殊工艺要求的磨削技术，实施这一任务的机床是轧辊 磨床如图1 1 。 轧辊磨床【3 】1 4 1 属于大型精密加工机床，是金属板、带、箔材加工企 业的关键设备，对保证和提高产品表面质量起着重要的作用。轧辊磨床主要用于磨 削轧制机中的各种具有中凸度或中凹度的圆柱体轧辊【5 】。辊磨床的磨削机理具有一 般大型外圆磨床特点，但又不同于一般的外圆磨床的运动，除砂轮与工件( 轧辊) 作相对回转运动( 主运动) 外，还要求砂轮、工件二者相对纵向运动的同时，作一 定的径向相对位移，而且这个径向位移是不同于磨削锥度的复合运动。因此，它的 传动机构比较复杂，机床工作精度要求电较高。 近年来，随着技术不断发展，对现代轧辊磨床提出了一系列新要求【6 j ，能够磨 削更加复杂的轧辊辊型；轧辊的形位公差( 偏心、圆度、圆跳动、锥度) 要求更严； 辊型公差要求更小；对轧辊检测技术要求更高、更全面( 尺寸、探伤、硬度、粗糙度) 。 j 一海太学硕学位论文 为了获得更高的轧辊磨削精度，获得对轧辊磨削质量的预测，就要求对轧辊磨削精 度、表面质壹与磨床工作精度之制的关系进行研究，更要研究轧辊与之相配用的砂 轮、冷却液和磨削工艺参数之间的关系。 圈i - 1 数控轧辊磨床外观图 磨削工艺参数的选择是制定零件加工工艺的一个重要方面，选择得恰当与否， 将直接影响到产品的质量、生产率、加工成本等，且与其他机械加工方法相比，磨 削加工要求的精度更高而且磨削机理复杂影响因数繁多，影响因数之间叉相互 交叉、互相制约，因而确定最优磨削用量较为困难。 通常，工艺人员对磨削参数的确定是通过查询相关的工艺手册结合自身的实际 加工经验进行选择磨削参数选择的好坏在很大程度上决定于工艺人员的水平。这 种状况至今一直延续着，很多企业的工艺制定仍然采用这种方法。传统意义上依靠 经验来对参数确定、修正，已远不能适应时代发展。如何使磨削参数的选择既结合 工艺人员的经验同时又基于完善的理论基础，使磨削参数的选择趋于最佳，这是一 个急待解决的问题。 另一方面，高表面质量的铝台金板、带、箔的生产在很大程度上依赖于高 表面磨削质量的轧辊，而轧辊的表面质量是由精密轧辊磨床保证的。如何保证精 密轧辊磨床的磨削精度，准确诊断和分析已发现的磨削缺陷，找出产生的原因， 及时采取j 下确而经济的方法消除和预防最终提高轧辊磨削质量，成为金属板、带、 箔生产企业十分棘手的技术难题。 轧辊磨床的主要性能指标包括：轧辊磨削直径范围、工件转速n ”砂轮线速度 v s 、进给速度” 磨削深度、砂轮规格、砂轮电机功率、主轴回转精度、加工表面 七海人学硕i j 学位论文 粗糙度r a 、磨削效率等。轧辊磨削精度由磨削圆度，圆柱度，轧辊辊形误差，表面 粗糙度柬衡量。 基于以上轧辊磨削的现状分析，研究轧辊磨削加工质量优化问题势在必行。 1 1 2 课题来源及研究意义 1 1 2 1 课题来源 课题研究来源于上海科委支持的“面向钢铁、汽车行业的高档数控磨床关键技 及装备开发”产学研项目。项目号0 5 d z ll c 0 4 。承担项目中“高档轧辊磨床智能化数 控系统”的研究和开发。 1 1 2 2 研究目的和意义 为了使我国制造业抓住制造全球化的有利时机，迎接知识经济的到来，根据市 场需求和国内轧辊磨床制造企业的要求，本课题主要研究数控轧辊磨床磨削质量智 能优化控制，跟踪国外轧辊磨削技术的发展，从我国国情出发，深入探索轧辊磨床 控制系统的智能化，充分利用计算机技术，信息技术，以及知识管理技术，使数控 轧辊磨床的控制系统向智能化，开放化，知识化方向发展，从而振兴我国板材加工 业，提高我国板材的制造水平。 本研究为提高轧制板形质量、轧辊磨削质量和精度、提升轧辊磨削智能制造过 程奠定了理论基础和知识支撑，对现有的国内外轧辊磨削提供了新的思维。磨削是 精加工的主要方法，往往是机械加工产品的终极加工工序，其加工效果直接影响到 0 产品的最终质量和性能。但磨削过程非常复杂，影响因素繁多，影响因素之间又相 互交叉，相互制约，很难建立数学模型，因而确定最佳磨削参数较为困难。另外， 在实际磨削过程中，许多方面仍依赖于操作者的实际经验和技术熟练程度，对加工 过程的实际调整是靠试凑法。所以，磨削加工的现状已成为制约现代先进制造技术 发展的关键技术之一，急待解决。 现代加工已在向智能化、精密化方向发展，对操作者的技术要求相对较低，这 就要求机床控制系统具有智能，即磨削加工应具有智能决策和预测的能力。要实现 对磨削过程的智能控制，需对磨削的过程变量和输出变量进行检测，并反馈给工业 控制机，以调整控制变量使加工过程达到最优。但有些过程参数，如对工件的表面 上海大学硕上学位论文 粗糙度等实时检测是很困难的，因此，需要对这些参数进行预测。本文就如何对参 数进行智能化的预测和优化以便实现磨削过程的智能控制进行了研究，使得磨削加 工的产品质量得以保证。 在方法上，对轧辊磨削机理及动态模型进行理论分析，为智能控制系统提供充 分的理论支持；对轧辊磨肖4 加工质量及其影响因素进行深入研究，详细地分析拉工 艺参数对磨削加工质量的影响，并提出了一些相应的磨削质量控制策略；提出了基 于神经网络的表面粗糙度的预测和基于遗传算法的主要磨削参数的优化。 1 2 国内外研究现状和发展趋势 1 2 1 课题研究现状 1 2 1 1 轧辊磨削技术现状 8 0 年代以来，一些先进的轧辊磨床制造厂，都相继在其产品中引进了数控技术， 目前均已实现数控化，且形成完整的系列。随着模块化设计技术、计算机辅助设计， 以及柔性制造技术等高科技在轧辊磨削领域中的应用和普及，促使其向高精度、高 效率和高柔性方向迅速发展【7 】【8 1 。国内外轧辊磨床数控系统的开发有了很大的进展， 专用的磨削n c 系统已经商品化。国外对磨肖0 数掘库及磨削知识库的研究做了大量 工作，我国也研制出自己的磨削数掘库为磨削工艺参数化提供了基础。 目前国内著名的轧辊磨床制造厂，险峰机床厂、天水星火机床公司、无锡开源 机床集团有限公司、上海机床厂有限公司等m k 型系列数控轧辊磨床，与国外著名 的轧辊磨床制造厂，德国h e r k u l e s 、w a l d r i c h 公司的w s c 系列、日本东芝 机械公司的k w a 系列、意大利因赛公司的r c h 系列等，设计原理和思路基本相同， 在机床工作精度方面相当3 1 。但是作为轧辊磨床的数控系统，在轧辊磨削质量控 制和轧辊磨削工艺参数决策等方面仍有不足，主要表现在： 1 )轧辊磨削工艺单一，磨削数据库工艺知识不完善( 主要指经验工艺数据) 。 2 )轧辊磨削质量得不到很好的控制和预测。 3 )对加工过程中使用的磨削参数缺乏学习和记忆功能。使得对机床操作人 员在磨削工艺方面的知识要求较高。 4 上海大学硕十学位论文 随着数控技术的高精化、高速化、高效化、柔性化、智能化、集成化的发展， 工艺适用性的、智能化和集成化专用数控系统将会不断出现。为了适应轧辊磨削精 密化、高效化、自动化、智能化等发展趋势，同时也为了适应用户需求和市场的变 化，降低机床对操作人员的要求，同时老工程师的经验工艺知识能够永远为我们所 用，又必要对轧辊工艺参数智能决策和轧辊磨肖0 质量预测进行进一步的研究。 由于轧辊磨削精度和表面质量除了依靠精良的轧辊磨床工作精度之外，主要还 取决于对特定的加工轧辊选用与之相匹配的砂轮、冷却液和磨削工艺参数，轧辊磨 削过程是一个复杂多变的过程。由于轧辊磨削工艺受多种因素影响，这些影响因素 实际上就是专家经验和轧辊领域实践知识，如何对这些制造知识进行发现、描述、 提炼、并充分利用起来，这就需要进行系统的知识化、企业的知识化，以适应未来 集成智能制造系统的发展需求。 1 2 1 2 智能优化控制研究现状 ( 1 ) 磨削优化模型和优化方法 传统的磨削优化方法，都是在事先得到数学模型的前提下进行的，但在实际的 磨削过程中，有时只能通过一些实验数据或语言描述来表达，传统的优化方法不能 使磨削结果达到最优。在平面磨削方面，w e n 等采用了离线优化方法【l4 1 ，这种方法 是在大量的分析模型基础上，采用连续二次编程的方法来解决非线性约束优化问 题。但这种优化算法不能处理离散的输入变量，如砂轮的型号和修整的时间闯隔等。 另外，这种方法也没有经过实际磨削过程的验证。x i a o 等人对内圆切入磨削过程建 立了非线性优化模型，分析模型中的部分参数用牛顿迭代法进行优化，利用实验数 据进行调整【1 5 】。后来x i a o 和m a l k i n 又把一些时变的约束( 如砂轮的磨损) 加到优 化模型中，但这种方法是专门为外圆切入磨削方式设计的，优化的目标函数以磨削 时间最短作为优化目标，所以这种方法不适用于其它的磨削方式【l6 。m _ r l i l e 等在外 圆切入磨削中以最大磨削效率为目标函数，以表面粗糙度和工件的烧伤为约束条 件，采用基于多目标的函数模型，并采用遗传算法对模型进行优化【0 7 1 。 8 0 年代后期，学者们发现模糊逻辑、专家系统和人工神经网络等人工智能技术 应用到磨削过程的优化和控制当中具有很大的潜力。这种方法适用于对磨削机理不 甚了解，不能建立量化模型或控制过程中信息不完全的磨削加工中。将智能系统引 上海人学硕1 ：学位论文 入到磨削的优化过程中是历史的必然。r o w e 等在查阅了大量文献后，总结了应用 于磨削过程的智能控制和优化方法【1 8 】，这些方法包括基于知识的专家系统、基于 模糊逻辑的方法、基于人工神经网络的方法和自适应的优化控制方法。在磨削过程 的优化过程中大都是基于模型的优化方法，同时也加入了模拟人的决策过程。 ( 2 ) 神经网络在磨削中的应用【1 8 】1 1 9 1 神经网络( n n ) 是模拟人脑的信息处理和思维决策过程而运行的网络系统， 它具有能充分逼近任意复杂的非线性系统，很强的鲁棒性和容错性，大规模并行性， 以及学习、推理并能适应严重不确定系统的动态特性等特点，因而近年来在控制领 域受到了广泛关注并得到了迅速发展。神经网络是在人类思维模式的基础上发展而 来的。它有很多优点，如神经网络中的知识是通过对样本的学习得到的，因此它适 用于对所研究领域的机理不甚了解，特别是多变量和非线性的系统，特别适合用于 磨削过程优化中。神经网络用于磨削中主要用于磨削参数的选择和优化、砂轮修整 参数的选择以及磨削过程的优化和建模等方面。 l i a o 和c h e n 利用b p 前向网络，采用梯度下降法建立了对缓进给磨削的优化 模型；s a k a k u r a 和i n a s a k i 建立了反向人工神经网络模型，它能根据磨削的期望输出 值提供合适的输入参数值。日本的u n n o 和k u n i h i k o 等人提出了一种根据特征数据 由神经网络计算加工条件的方法。此系统由一个参考加工条件计算单元，一个以特 征数据为输入、以补偿量为输出的神经网络和一个实施补偿的单元组成，并于1 9 9 5 年申报了美国专利智能加工系统。m s a k a k u r a 等在磨削参数选择方面引入神经 网络方法。2 0 0 4 年，k w a k ，j 提出了一种利用声发射信号和神经网络诊断磨削颤振 和烧伤的智能方法。美国的t w a r r e nl i a o 等人研究了在平面磨削过程中，用金钢石 砂轮采用缓进给磨削铝材时，利用b p 神经网络对其进行建模和优化，仿真结果表 明其建模和优化是成功的。美国的z w a n g 等人研究了在平面磨削加工中利用声发 射信号建立人工神经网络来预测磨削烧伤。目前利用神经网络预测质量特征参数的 研究主要集中在表面粗糙度预测方面，所使用的大多为b p 网。比如同本的松村隆、 舀井英治等用神经网络及三维解析法综合预测车削光轴时的加工误差及粗糙度； n a d h m i 提出了磨削模式辨识及神经网络预测粗糙度的方法，采用磨削力f t ，f t f n 和磨削能量作为输入参数，预测结果与实验结果相近：唐英等人在车削过程中将刀 6 t 海人学顾 ：学位论文 具磨损作为影响表面粗糙度的主要因素，考虑到切削力和声发射信号与刀具磨损状 态有直接关系。因此把切削力和声反射信号测量值及其历史值作为a n n 的输入来 预测刀具状态，进而预测粗糙度；a z o u z i 利用正交设计安排车削试验，用统计方法 分析得到影响表面粗糙度和工件直径误差的主要因素，为进给速度、工件直径、径 向切削力和进给分量，把这四个因素作为a n n 融合模型的输入，表面粗糙度和工 件直径作为输出，效果令人满意。朱名栓等提出一种新型的神经网络，采用主轴电 机信号、刀具z 向振动加速度信号和声发射信号作为监测信号，对刀具磨损量进行 估计，取得良好的效果。美国普渡大学的y t ：n gs h i n 教授自9 0 年代初期开始从事智 能磨削研究，他和他的学生开发了通用智能磨削咨询系统( g i g a s ) ，采用神经网 络、模糊逻辑和进化算法等先进的智能学习和控制方法，并在平面磨削中得到应用 1 2 2 1 。g i g a s 实际上也可以看作基于模型的模糊控制器。它把模糊规则库集成到磨 削优化过程，通过模糊推理对磨削过程进行优化，使得建模和优化在一个过程中就 能实现。s a k a k u r a 和i n a s a k i 也建立了基于模糊规则库的磨削优化系统1 2 4 1 ，通过该 系统可以得到优化的磨削参数和砂轮修整时间间隔，但用来验证该方法的实验未见 报道。 由于轧辊磨削精度和表面质量除了依靠精良的轧辊磨床工作精度之外，主要还 取决于对特定的加工轧辊选用与之相匹配的砂轮、冷却液和磨削工艺参数，轧辊磨 削过程是一个复杂多变的过程。磨削加工参数的优选，即选择合理的切削深度、进 给量和切削速度等参数，对于保证加工质量、降低加工成本和提高劳动生产率都具 有重要的意义。在目前工厂实际生产中，都是根据技术人员的经验知识、参考手册 规范或经验公式来确定，而这些规范都是在特定条件下的试验结果，因此选择参数 在一定条件下使用效果好，换一个工厂甚至另一台机床往往就不好用了。如何优化 选择磨削用量成为提高磨削加工质量的关键。磨削加工中，切削用量的合理选择及 优化问题，关系到加工生产率、经济性、加工精度、加工表面质量以及零件的使用 寿命及可靠性问题，是提高会属切削效益的主要途径之一。 1 2 2 数控轧辊磨削发展趋势 由于冶金、造纸、橡胶、塑料以及印染业等工业经济的迅速发展，轧辊的尺寸 7 上海大学硕士学位论文 越来越大，轧辊磨削直径达3 0 0 0 m m ，工件重量达2 0 0 吨，轧辊的几何精度均为g m 级。同时重载荷轧辊磨床的出现，对轧辊磨削的技术要求也同趋提高。由于国内轧 辊磨床的市场需求旺盛，国内各轧辊磨床生产厂家竟相纷纷加大轧辊磨床生产、研 发的力度。当前，轧辊磨削技术正朝着使用超硬磨料磨具，开发精密及超精密磨削， 高速，高效磨削工艺及研制高精度高刚度酪自动化磨床的方向发展【1 3 1 。 ( 1 ) 数控技术与传统加工工艺相结合，不仅能够缩短生产准备时间，提高磨削 精度和效率，完成辊面形状比较复杂的轧辊加工，同时也是实现轧辊磨削自动化的 基础。由于轧辊一般长度在1 5 m - 8 m 之间，完全依靠机床本身精度，很难保证轧辊 辊形精度需求。并且由于加工对象的差别，轧辊的形状各异，仅靠机械机构根本无 法实现各种曲线形状轧辊的磨肖l j 。因此，开发数控技术与轧辊磨削加工技术结合成 为必然。 ( 2 ) 超精密磨削、研磨和抛光随着尖端技术的发展，在6 0 年代初逐步形成的超 精密加工技术已获得了惊人进步和广泛的应用。超精密n - r 精度为0 1 - 0 0 0 1 岬数 量级，表面粗糙度r zo 0 0 1pm 。而纳米工艺的加工精度为1 0 一l o 3 岬。随着技术 创新与高科技产品的不断出现，对轧辊的加工精度和表面完整性要求愈来愈高。目 前轧辊磨削精度正从现有的微米、亚微米( 1 p m - q 3 1 岬) 加工技术，向纳米级精度 发展 z o l 2 1 1 。 ( 3 ) 高效率磨削磨削虽然在达到加工精度和表面粗糙度方面具有无可比拟的优 势，但其材料切除率难以与切削加工相比。惭以为了提高磨削效率，人们开发出增 大磨屑数、磨屑断面积及增大磨屑长度的许多高效磨削技术。随着板轧技术的发展， 对轧辊的硬度和耐磨性要求越来越高，轧辊的高硬度和高合金化，给轧辊磨削带来 很大的考验。一些重负荷的轧辊磨削在保证磨削精度的同时，还要追求高效率的磨 削，轧辊磨床也由3 5 r n s 提高到4 5 m s 以上1 2 。 ( 4 ) 磨削加工自动化、智能化磨削技术当前除向超精密、高效率和超硬磨料方向 发展外，磨削加工自动化也是磨削技术发展的重要方向之一【2 0 】。目前磨削自动化在 c n c 技术同趋成熟和普及基础上，正在进一步向数控化和智能化方向发展，许多专 用磨削n c 软件和系统已经商品化。磨削是一个复杂的多变量影响过程，对其信息 的智能化处理和决策，是实现柔性自动化和最优化的重要基础。目前磨削中人工智 卜海人学硕士学位论文 能的主要应用包括磨削过程建模、磨具及磨削参数合理选择，磨削过程监测预报和 控制、自适应控制优化、智能化工艺设计祀智能工艺库等方面。近几年来，磨削过 程建模、模拟和仿真技术有很大发展，并已达到实用水平。在磨削过程智能监测方 面，声发射技术应用较多，它与力、尺寸、表面完整性和微观参数测量相结合，通 过“中性网络和“模糊推理”，对磨削过程已能提取全面的在线信息，以用于过 程监测与控制。此外，神经网络系统、自适应控制、磁力轴承轴心偏移实时补偿、 计算机仿真，以及利用虚拟技术建立一个逼真的虚拟磨削环境等均有一定的发展。 1 3 课题研究相关技术基础 1 3 1 表面粗糙度 零件表面即使经过最仔细的精密加工，在显微镜下观察仍然是粗糙不平的。整 个表面层结构是由一系列具有不同幅度和间距的峰和谷来表征的。表面上微观不平 度的分布根据加工方法性质的不同，可以是定向的，也可以是各向同性的。经过车 削、铣削、刨削等定向加工法加工的表面，分布的周期性和方向性都很强，分布规 律接近于标准高斯分布；经过抛光、研磨等非定向加工法加工的表面，是以随机性 为主的表面，分布的方向性不强，分布规律是偏斜的高斯分布，或是别的类型的分 布。实际的表面形貌特征是属于复杂的三维表面轮廓。 表面粗糙度【2 2 】是反映零件表面上微观几何形状误差的一个重要指标，它主要是 由于在加工过程中刀具和零件表面之间的摩擦；切屑分离时的塑性变形和金属撕 裂；以及工艺系统中存在的高频振动等原因形成的。表面粗糙度不仅包括由机床几 何精度方面的误差等引起的表面宏观几何形状误差；也包括在加工过程中，由于机 床、刀具、工艺系统的强迫振动等引起的介予宏观和微观几何形状误差之间的波度。 形状误差、表面波度和表面粗糙度三者之间只有分级的不同，而没有原则上的区别。 三者通常是按两波峰或两波谷之间的距离的大小来区分的：波距小于l m m 并呈周 期性变化的，属于表面粗糙度范围：波距在1 1 0 m m 之间并呈周期性变化的，属于 表面波度范围：波距在l o m m 以上，不呈现周期性变化的，属于表面形状误差的范 围t 2 3 。 9 上海大学硕一t 学位论文 磨削表面的粗糙度参数值一般比别的加工方法小，通常在2um 以下，一般轧 辊粗糙度要求o 0 0 5 m m 【2 4 】。近年来由于数控技术的应用以及机床轴承、砂轮等磨削 工艺条件的改善，磨削技术得到很大提高，故磨削表面粗糙度参数值进一步减小。 1 3 2 神经网络( n e u r a ln e t w o r k ) 国际著名的神经网络研究领导人i - i e c h t 一n i e l s o n 给神经网络的定义【2 5 】：“神经 网络是一个以有向图为拓扑结构的动态系统，它通过对连续或断续式的输入作状态 响应而进行信息处理”。神经网络是通过模拟人脑处理信息的方式来实现对人工智 能的模拟。神经网络其实是处理多维数据的一种基本方法，网络中包含多维的输出 和输入数据。一般情况下，多维矩阵数学关系可由下面公式表示。 设多维输入矩阵x = ( x 。，x 2 ，x ，) ，多维输出矩阵y = ( y 。，y 2 ，y 。) 。它们的关 系可由下面公式表示【2 5 】： ( m ，y 2 ，y 。) = a ( x 1 ，x 2 ，x 。) 或 y = 似 ( 1 - 1 ) 式中a 是一个( m n ) 矩阵。在某些情况下，当输入和输出矩阵很大或难以 用数字表达时，a 用传统的计算方法难以确定，不是很精确或不理想，这时，神经 网络这个有力的工具就显得很重要。 神经网络经过很长的发展，已经有很多种，应用于不同的领域，受到各行各界 人士的关注，经过不断完善和发展，将会发挥更大的作用。因而近年来在控制领域 受到了广泛关得到了迅速发展。神经网络是在人类思维模式的基础上发展而来的。 它有很多优点，经网络中的知识是通过对样本的学习得到的，因此它适用于对所研 究领域的机理不解，特别是多变量和非线性的系统，特别适合用于磨削过程优化中。 神经网络主要用于磨削参数的选择和优化、砂轮修整参数的选择以及磨削过程的优 化和建方面。 神经网络理论的应用取得了令人瞩目的进展，特别在人工智能、自动控制和优 化、计算机科学、信息处理、机器人、模式识别和图像处理、c a d c a m 、预报和 智能信息管理、通讯、空间科学等方面都有重大的应用。目前神经网络模型有几十 种，为了便于研究，从不同的角度将其分类；按网络结构可分为前向网络、前馈型 1 0 上海大学硕士学位论文 和反馈型网络：按网络的性能可分为连续型和离散型；按学习的方式可分为有导师 型和无导师学习型；按照连接的性质分为一级性关联与高级非线性关联网络。 在实际应用中，根据实际的问题，选择不同种类的神经网络。在神经网络设计 的过程中，根据实际的需要，选择不同的网络结构，同时可以选择不同的网络学习 方法进行训练。常见的神经网络包括：b p 神经网络、径向基神经网络( r b f ) 、广义 回归神经网络( g r n n ) 和e l m a n 型回归神经网络等。 1 3 3 多目标优化理论 大多数工程设计问题都具有多个目标，设计工作需要同时极大化( 或极小化) 这 些目标，并且满足约束条件。一般情况下，这些和被设计系统的技术性能或经济性 能相关的目标是内在相互冲突的。 在许多实际工程中常常遇到多目标的优化问题( m u l t i o b j e c t i v eo p t i m i z a t i o n m o p ) 。这些目标往往互相矛盾甚至冲突，通常的做法是根据某效用函数将多目标 合成单一目标来优化。但此类问题一般均具有非线性、动态、不确定的特征。过去， 大多数多目标的优化方案建立在数学模型基础上，一般的多目标优化问题的数学模 型可由式l 一2 表示【3 0 l 。由于所建模型与实际系统相差很大，影响了优化的效果。 l t m i n f ( x ) = 【z ( x ) ， ( x ) ，厶( x ) 】7 卜x 善 2 ) 式中，t - - m i n 表示向量极小化，即向量目标厂 ) = 【z ( x ) ，厶( x ) ，t ( x ) r 中的 各个子目标函数都尽可能最小，反之，亦然。 近年来，许多学者开始采用遗传算法进行多目标的优化处理。法国经济学家 v p a r e t o 最早提出多目标优化问题，它的理论称为p a r e t o 最优化理论【3 1 1 。用求单目 标优化的方法求最优解，获得的所谓理想解往往在可行域内。m o p 问题的解不是 单一点，而是一组点的集合，称为p a r e t o 最优集。其定义过程如下： 设x c _ r m 是多目标优化模型的约束集，( z ) r 9 是多目标优化时的向量目标 函数，如x ，) c 2 x 。若 ，k ( j ci ) f ( z2 )( v k = 1 ，2 ，p ) 上海人学硕士学位论文 并且 ，k ( 工。) 0 4 5 ，1 0 3 a l ( n ) 0 1 5 。 一般磨肖0 时，比切向磨削力和比法向磨削力之间有下列关系： f t =秒fn ( 2 - 4 ) 秒值在0 2 0 5 9 范围内变化。随着磨削用量的加大，即随着磨削力中切屑变形成分 的增加，比切削磨削力对法向磨削力的比值护也相应增加。 尽管这种指数形式的磨削力数学模型的计算结果与实测结果很符合，且模型的 作者正确的认识到总的磨削力来自磨削时的切屑变形和摩擦两种作用，但是这种指 数模型存在一个主要的缺点，即没有从物理意义上清楚地区分切屑变形力和摩擦 力。用不同的指数值不可能清楚地表达切屑变形和摩擦作用的磨削力的影响程度， 更不能说明在磨削过程中磨削力随着砂轮的钝化而急剧变化的情况。 本文在在前人研究的基础上，对轧辊磨削过程中的磨削力进行修正研究，得到 分两项表示的磨削力模型，其中第一项相应于切屑变形力，第二项相应于摩擦力。 比法向磨削力的表达式为： r = k 警c c 时口警见字 协5 ， 比切向磨削力的表达式为： e = 尚口+ 百p 方- p a xc 叫钉口 + z a t 见下l - a 协6 ， 1 8 上海大学硕上学位论文 其中：万一磨粒和轧辊实际接触的平均面积( r a m 2 ) ： f 一轧辊和磨粒磨损平面之间的平均接触压力( k m m 2 ) ： y 一磨粒半顶角，平均可取5 3 0 ； 一砂轮与轧辊之间的摩擦系数，因被磨材料而不同； 口、一指数； k 、a , v - - 与轧辊辊形相关的比例系数；式中的其余符号意义同前。 根据比切向磨削力和比法向磨削力之间有式( 2 4 ) 的关系，则由式( 2 5 ) 、( 2 6 ) 中的第一项可见，比切向磨削力的比切屑变形力部分f 。：! ! l a 与比法向磨 “4t a ny v 。 削力的比切屑变形力部分f n 。= k 等a 的关系，可用f t 。i = 石f n 。表示，即主要 决定于磨粒半顶角的几何参数y 。又由式q 一5 ) 、( 2 6 ) 中的第二项可以看到，比 切向磨削力的摩擦力部分( 民) 与比法向磨削力的摩擦力部分( 氏。) 的关系，可 用k = 风。表示，即与磨粒切削刃顶面和轧辊的摩擦系数有关。 这个磨削力数学模型，对磨削时磨削力的产生和磨削力对磨削加工所起的作 用，做了更清楚的解释，更容易反映磨削力的物理意义。 2 1 3 磨削过程的功率模型 磨削功率【4 1 4 6 1 是轧辊磨削的一个重要过程参数，采用功率控制可以控制轧辊的 变形，防止磨削砂轮的过度磨损，还可以减少磨削的时间。功率控制可以限制砂轮 的磨损，实践证明g 率和功率之间遵循一定的规律。当磨削功率突然增加时意味着 砂轮的磨损加快，同时g 比率急剧下降。在轧辊纵向磨削过程中对砂轮的功率进行 监测与控制是非常重要的。 ( 1 ) 磨削功率模型 磨削功率p m 可以由下式确定： 1 9 上海大学硕1 ：学位论文 厶= 警( k w ) ( 2 - 7 ) 中：“+ 号表示“逆磨”，砂轮与轧辊转速在磨削区内方向相反；“一 号表示“顺磨 ，砂轮与轧辊转速在磨肖4 区内方向相同。根据切向磨削力只的理论 模型和经验模型，可分别求出磨削功率的理论模型和经验模型。 ( 2 ) 磨削功率的影响因素 磨削深度 磨削深度的增加，磨削功率也会增加，工件烧伤的可能性倾向也越大。一般认 为：磨削功率和磨削深度成指数关系。 轧辊速度 磨削条件一定的条件下，磨削功率和工件的速度呈指数关系，但随着速度的增 大，磨削功率变化的不很明显。工件速度一般有一个最佳范围，速度太大工件振颤 增加，速度太小，工件容易烧伤。 工作台速度 磨削条件一定的条件下，磨削功率和轧辊的速度也呈指数关系。 2 2 轧辊磨削加工质量影响因素分析 磨削加工是主要的精加工方法之一，在大多数情况下，经过磨削的表面往往做 为零件的中加工表面。磨削加工质量主要包括磨削精度、磨削表面粗糙度和物力机 械性能。因此磨削加工质量的影响因素主要从这三方面去分析，下一节将详细介绍 表面粗糙度及其影响因素，影响轧辊磨削加工精度的主要因素为：轧辊磨削前的原 始精度，包括轧辊磨削余量的变化，原始轧辊的同轴度、平行度、圆度、直线度等； 轧辊磨床磨削轧辊时产生的误差，包括砂轮架位置误差、轧辊安装误差、砂轮磨损 引起的误差等；轧辊测量误差，包括读数误差、量仪精度误差、测量时温度变化产 生的误差、表面粗糙度引起的测量误差等。