|
PDM/PLM/CAPP |
|
| 按行业筛选 |
|
|
| 按产品筛选 |
|
|
| |
|
查看本类全部文章 |
| |
|
|
|
|
动态CAPP系统及其加工资源决策方法的研究 |
|
|
作者：清华大学 王忠宾 王宁生 陈禹六 |
|
摘要：为提高工艺计划的可执行性，提出一种动态CAPP系统集成模型。在工艺计划产生过程中，考虑车间加工资源的状态以及能力，实现加工资源的合理选择，产生具有良好生产指导能力的工艺计划信息。在资源决策过程中，基于BP神经网络进行车间加工资源决策，利用相关算法计算对应于每一加工特征的加工资源的优先指标，按照优先指标排序。结果表明，利用该方法产生的工艺计划符合车间资源能力，满足车间生产计划的需求。
关键词：CAPP；车间生产计划；集成模型；BP神经网络；资源决策
0 引言
传统的CAPP系统仅仅注重纯工艺技术方面的设计，而不考虑车间的动态信息，使得产生的工艺计划在实际生产中的可执行性大为降低。为了提高车间的计划能力，CAPP系统在产生工艺计划的过程中，必须考虑车间的状态以及资源加工能力，能够根据车间状态的变化动态地产生工艺计划。近年来，国内外学者提出了一些动态工艺规划方法[1，2]。目前对于动态工艺规划的研究主要集中在框架阶段，实现方法很少涉及。本文研究一种动态CAPP系统集成模型，并基于BP神经网络实现加工资源的动态选择，产生满足车间生产条件的工艺计划。
1 一种动态CAPP系统集成模型
CAPP系统产生的工艺计划包括与时间无关的信息以及与时间有关的信息。在这里，把工艺计划中和时间无关的信息叫做静态工艺计划信息，如加工特征、特征优先关系、公差、表面精度、加工方法等；和时间相关的信息叫做动态工艺计划信息，动态工艺计划信息是考虑车间状态变化以及有限资源能力而产生的工艺计划信息，如机床选择、刀具选择、夹具选择、加工方法排序信息等。为了产生动态工艺计划，CAPP系统必须和车间计划实现集成，从车间计划系统接受生产约束，根据车间的动态信息，进行资源决策、加工任务排序，产生动态工艺计划信息，并提供给车间计划系统，车间计划系统根据加工路线制定详细生产计划安排生产。在生产过程中，如果出现机器故障、增加订单、取消订单等突发事件时，需要进行资源重新分配或调整工艺计划。基于以上要求，本文提出了一种动态CAPP系统集成模型，见图1。
图1 动态CAPP系统的集成模型
2 静态工艺计划信息的产生
动态CAPP系统在产生静态工艺计划的过程中，首先由加工特征提取模块从CAＤ系统得到零件的特征信息并确定零件的所有加工特征，这一步骤的输出包括一系列加工特征和它们的属性，如特征类型、尺寸、特征位置、公差、表面精度等。这些属性被用于确定特征加工时需要的加工方法、机床、刀具、夹具等。第二步由特征排序模块根据各种特征优先关系的约束条件，如定位约束、基准约束、装夹约束、非破坏性约束、先主后次约束等，确定特征的优先关系。然后由加工方法选择模块进行加工方法的选择，在这个过程中由于加工特征和加工方法之间存在一对多的关系，可以产生多条工艺路线，使得车间生产的柔性得到提高，利于产生满足车间生产能力的工艺计划。
3 基于BP网络动态工艺计划信息的产生
动态工艺计划信息包括机床选择、刀具选择、夹具选择和加工方法排序，它们分别由机床选择模块、刀具选择模块、夹具选择模块和加工方法排序模块完成。在动态工艺计划的生成过程中，需要车间的动态信息，以便生成满足车间加工能力的工艺计划。为了保证CAPP系统具有动态、自适应的能力，必须实现加工资源的智能决策。加工资源决策过程实际上就是机床、刀具和夹具的选择过程。主要包括：
①根据工件材料类型、工件尺寸、特征公差、特征表面精度、加工方法等确定满足每一加工特征加工要求的车间加工资源。
②根据车间计划系统提供的加工资源的排队时间、运输时间和装夹时间等在线因素，对满足每一加工特征加工要求的所有加工资源进行优先排序。在加工过程中首先选取优先指标高的加工资源。
为了实现上述目标，本文采用BP神经网络进行车间加工资源选择。然后利用相关优化算法计算对应于每一加工特征的加工资源的优先指标，并按照优先指标进行排序。
3.1 BP神经网络及其算法
加工资源的确定实际上就是选择对应于每一个加工特征的加工资源，实际上是一个分类过程。另外，在BP神经网络中，神经元的传递函数为Sigmoid函数，Sigmoid函数既具有完成分类所需的非线性特性，又具有实现LＭS算法所需要的可微特性[3]。BP学习算法具有理论依据充分、推导过程严谨、物理概念清晰及通用性好等优点。因此，在加工资源决策过程中，利用反向传播模型实现加工资源的选择。
BP神经网络是一种多层前向反馈神经网络，其结构见图2。BP算法是一种迭代算法，它的主要思想是通过使误差函数最小化来完成输入到输出的映射，若N个学习实例的计算输出都能够达到期望的结果，则学习过程结束；否则进入误差反向传播过程。 
(ａ)训练阶段 (ｂ)预测阶段
图2 BP神经网络结构图
对图2所示的BP模型，定义网络输出误差为
式中，dｐｊ、oｐｊ分别为第ｊ个神经元在第ｐ个样本时的期望输出与实际输出。
为使Ｅｐ达到最小，由Ｅｐ表达式求出对各个神经元输出的偏导数，也就可以算出Ｅｐ对所有连接权的偏导数，利用梯度下降法来修改各个连接权，不断地循环迭代使Ｅｐ达到最小。
应用BP算法实现基于知识的机床选择、刀具选择和夹具选择的目的是通过离线适应性算法的应用，不断地学习工艺计划知识并通过从车间得到的加工数据重复训练，使CAPP能够产生具有良好生产指导能力的实时工艺计划信息。在基于BP算法的实例学习过程中，我们从某加工车间提取了60个实例，并取误差ε=0.001，步长α=0.1，实验发现，当BP神经网络的层数L=3，隐含层神经元数目ｊ=12时，可以得到较为满意的结果。通过实例学习可以看到，基于BP网络的加工资源选择迭代过程是可靠收敛的，见图3。
图3 基于BP网络的加工资源选择迭代过程
3.2 机床选择
基于车间状态，机床选择模块为每一个加工特征选择加工机床。在实际加工中，一个加工特征也许对应多个机床，首先利用BP神经网络，确定加工某类零件需要的机床加工能力，确定满足加工能力的机床，并用能力需求满足矩阵表示，然后根据机床的排队时间、装夹时间和运输时间计算车间每一个可用机床的优先指标[4]，利用优先指标表示加工某一特征时机床选择的优先级。具体步骤如下：
(1)基于BP神经网络，利用机床选择专家知识库和车间实际加工数据对神经网络进行反复训练，使其能够正确输出机床能力需求。神经网络的输入向量包括工件属性和工艺特征属性，如工件材料类型、工件尺寸(长、宽、高)、特征公差、特征表面精度、加工方法等；输出向量为机床能力需求，包括机床类型、主参数、第二主参数、工作台负载能力、行程(ｘ、ｙ、ｚ方向)、主轴功率、主轴转速和进给量等。不同类型机床的主参数和第二主参数是不同的，例如铣床类的主参数、第二主参数是工作台长度和宽度，而车床的主参数、第二主参数是最大工件长度和最大加工长度。因此，在对神经网络进行训练的过程中，输出向量是不完全相同的。
在实际应用过程中，笔者利用ＶC开发了基于BP神经网络的机床选择模块。在学习过程中，首先读取输入样本实例和输出样本实例进行学习，学习结束后，得到各层权重系数并存储，然后输入新的零件加工参数，就可以对加工该零件需要的机床能力进行预测。
(2)基于得到的机床能力需求以及机床列表、排队时间和装夹时间等在线因素，通过优先指标矩阵Ｉ，确定适合加工某一特征的每一个机床的优先指标。
式中，C为由满足BP神经网络确定的加工能力的机床构成的能力需求满足矩阵，它是由1和0构成的对角矩阵；mii为对应第i个满足加工能力的机床，mii=1(i=1，2，…，ｎ)；Ｔ为由满足加工能力的每一个机床的装夹时间指数、排队时间指数和运输时间指数得到的机床状态矩阵。
如果机床不需要任何准备就能够被应用，那么装夹时间是0；如果机床出现永久性故障，那么它的排队时间是无穷。为了便于计算，利用Sigmoid型函数，分别将装夹时间和排队时间转换为0～1之间的装夹时间指数ｓi、排队时间指数ｑi和运输时间指数ｔi。
式中，Ｆi表示装夹时间指数ｓi、排队时间指数ｑi和运输时间指数ｔi；ｘi为第i个机床的装夹时间ｘ1、排队时间ｘ2和运输时间ｘ3。
通过式(1)进行计算，就可以得到对应某个加工特征的机床优先指标值，机床优先指标数值越大，它的优先级别越高。利用上述方法，通过机床选择模块就可以得到对应一个加工特征的多个机床，但是它们的优先级别是不一样的，在零件加工过程中，将首先选择优先级别高的机床。刀具和夹具选择过程与机床的选择过程类似。通过机床、刀具和夹具选择以后，就可以提供给车间一个动态、柔性的工艺计划，然后再根据生产的具体要求，如加工成本最小、加工时间最短等，利用遗传算法等对工艺路线进行优化选择。
4 结语
随着并行工程应用的不断深入，生产过程中不同阶段集成的重要性和迫切性日益突出，其中包括CAPP和车间计划的集成。在CAPP阶段如果不考虑车间具体制造环境和生产能力，就无法制定合理的工艺计划。在生产过程中，车间计划系统也应当及时反馈工艺执行情况，当生产过程中出现问题时，及时进行资源重新分配或者调整工艺计划。动态CAPP系统在某厂的应用表明，基于BP网络的资源决策方法是可行的，通过CAPP和车间计划的集成，使得设备负荷不均和调度瓶颈得以改善，CAPP系统产生的工艺计划的可执行性提高了大约1/3。(end)
|
|
| 文章内容仅供参考
(投稿)
(如果您是本文作者，请点击此处)
(1/10/2005) |
对 PDM/PLM/CAPP 有何见解？请到 PDM/PLM/CAPP论坛 畅所欲言吧！
|
