giám sát tự động quá trình gia công

Cấp điều khiển quá trình Điều khiển quá trình Process Control Level lμ điều chỉnh chế độ công nghệ, thường lμ tốc độ cắt, lượng chạy dao để duy trì hay tối ưu hóa các thông số của quá

GS TS Đμo Văn Hiệp

Giám sát tự động quá trình gia công

(Tμi liệu chuyên khảo sau đại học)

Hμ Nội 01-2014

Mục lục

Mục lục I  Danh mục các hình vẽ III 

Chương 1: Tổng quan về gia công thông minh 1 

1.1 Khái quát về điều khiển quá trình gia công 1 

1.1.1 Cấp điều khiển servo 1  

1.1.2 Cấp điều khiển quá trình 2  

1.1.3 Cấp sản phẩm 4  

1.2 Hệ thống gia công thông minh 5 

1.2.1 Quan niệm về hệ thống gia công thông minh 5  

1.2.2 Cấu trúc của máy CNC thông minh 6  

1.3 Giám sát tự động quá trình gia công 8 

Chương 2: Cấu trúc hệ thống giám sát tự động 10 

2.1 Cấu trúc chung của hệ thống GSTĐ 10 

2.2 Những vấn đề trong thiết lập hệ thống GSTĐ 11 

2.3 Hệ thống thu nhận vμ xử lý tín hiệu 12 

2.4 Sensor dùng trong GSTĐ 15 

2.4.1 Sensor lực 15  

2.4.2 Gia tốc kế 18  

2.4.3 Sensor sóng âm 18  

2.4.4 Sensor dòng vμ công suất điện 20  

2.4.5 Các loại sensor khác 21  

2.5 Các đặc trưng của tín hiệu 22 

Chương 3: Các công cụ hỗ trợ ra quyết định 24 

3.1 Tổng quan về ra quyết định 24 

3.1.1 Khái niệm về ra quyết định 24  

3.1.2 Hệ thống hỗ trợ ra quyết định 26  

3.1.3 Công cụ hỗ trợ giám sát thông minh 27  

3.2 Mạng nơ ron nhân tạo 28 

3.2.1 Mô hình nơ ron nhân tạo 28  

3.2.2 Cấu trúc của mạng nơ ron nhân tạo 31  

3.2.3 Huấn luyện mạng nơ ron 32  

3.2.4 ứng dụng ANN trong giám sát quá trình công nghệ 33  

3.3 Logic mờ 36 

3.3.1 Các khái niệm mở đầu 36  

3.3.1.1 Khái niệm tập mờ 36 

3.3.1.2 Khái niệm logic mờ 39 

3.3.2 Hệ DSS dựa trên logic mờ 41  

3.3.2.1 Mờ hóa dữ liệu vμo, ra 42 

3.3.2.2 Suy luận mờ 44 

3.3.2.3 Tổng hợp giá trị 45 

3.3.2.4 Giải mờ 46 

3.3.3 Hộp công cụ Fuzzy Logic của Matlab 46  

3.3.3.1 Giới thiệu Fuzzy Logic Tool Box 46 

3.3.3.2 Giải bμi toán tốc độ cắt Fuzzy Tool Box GUI 47 

3.4 Giải thuật gen 52 

3.4.1 Từ chọn lọc tự nhiên đến giải thuật gen 52  

3.4.2 Các khái niệm mở đầu của GA 52  

3.4.2.1 Bμi toán tối ưu hóa 52 

3.4.2.2 Tìm hiểu về thuật toán GA 54 

3.4.3 Hộp công cụ GA của Matlab 57  

3.4.3.1 Mô tả bμi toán 57 

3.4.3.2 Giải bμi toán tối ưu hóa với GA 59 

3.4.3.3 Giải bμi toán tối ưu hóa dùng quy hoạch tuyến tính 60 

3.5 Phương pháp Taguchi 61 

Phụ lục 63 

Tμi liệu tham khảo 66 

Danh mục các hình vẽ

Hình 1: Hệ điều khiển phân cấp quá trình gia công 1 

Hình 2: Sai số quỹ đạo khi gia công 1 

Hình 3: Nguyên tắc điều khiển của hệ CNC cơ sở 2 

Hình 4: Nguyên tắc điều khiển thích nghi 2 

Hình 5: Sơ đồ cấu trúc của hệ CNC có ĐKTN 3 

Hình 6: Trục chính có tích hợp sensor lực vμ mô men để giám sát quá trình 5 

Hình 7: Quá trình tự động hóa vμ thông minh hóa máy công cụ 6 

Hình 8: Sơ đồ các khối chức năng của máy CNC thông minh 7 

Hình 9: Sơ đồ kết cấu máy CNC thông minh 8 

Hình 10: Sơ đồ cấu trúc của hệ thống GSTĐ 10 

Hình 11: Những vấn đề phải giải quyết khi thiết lập hệ thống GSTĐ 11 

Hình 12: DAQ-USB (a) vμ DAQ-PCI (b) của National Instruments 13 

Hình 13: Sơ đồ cấu trúc của DAQ 14 

Hình 14: Giao diện điều khiển ảo được tạo trong phần mềm Dasylab 14 

Hình 15: Mức độ sử dụng các loại sensor trong GSTĐ 15 

Hình 16: Nguyên lý vμ kết cấu của sensor lực áp điện 17 

Hình 17: Mạch khuyếch đại điện tích 17 

Hình 18: Ví dụ về tai nghe thu tín hiệu AE 19 

Hình 19: Sự phát sinh, lan truyền vμ thu tín hiệu sóng AE 19 

Hình 20: Hình ảnh sensor AE gắn trên vật vμ tín hiệu điện thu được 20 

Hình 21: Một số nguồn AE trong vùng gia công 20 

Hình 22: Tín hiệu thô vμ tín hiệu được mô tả RMS 23 

Hình 23: Con người trước sự lựa chọn 24 

Hình 24: Mô hình hệ thống ra quyết định 25 

Hình 25: Các công cụ TTNT ứng dụng trong DSS 28 

Hình 26: Mô hình nơ ron sinh học (a), sơ đồ đơn giản (b) vμ nơ ron nhân tạo 29 

Hình 27: Đồ thị hμm logsig với các hệ số độ dốc khác nhau 30 

Hình 28: Đồ thị hμm tansig với các hệ số độ dốc khác nhau 30 

Hình 29: Đồ thị hμm tuyến tính vμ tuyến tính bão hòa 31 

Hình 30: Mô hình mạng truyền thẳng điển hình 31 

Hình 31: Mô hình mạng có phản hồi 32 

Hình 32: Sơ đồ thuật toán lan truyền ngược 33 

Hình 33: Sơ đồ mạng xác định Ra 34 

Hình 34: Xấp xỉ hμm nhờ ANN vμ phương pháp truyền thống 35 

Hình 35: Tập những ngμy lμm việc trong tuần 37 

Hình 36: Tập ngμy nghỉ rõ vμ mờ 38 

Hình 37: Cấu trúc của hệ logic mờ 41 

Hình 38: Hμm thuộc dạng tam giác 42 

Hình 39: Hμm thuộc dạng hình thang 43 

Hình 40: Mờ hóa giá trị độ cứng, chiều sâu cắt vμ tốc độ cắt 43 

Hình 41: Các phép tính logic cho tập mờ 44 

Hình 42: Kết quả của một quy tắc mờ 45 

Hình 43: Kết quả tổng hợp mờ vμ giải mờ 45 

Hình 44: Sơ đồ chức năng của hộp công cụ Fuzzy Logic 46 

Hình 45: Hộp thoại FIS Editor các các chức năng Edit 47 

Hình 46: FIS có 2 biến vμo, 1 biến ra 48 

Hình 47: Định nghĩa các hμm thuộc trong MF Editor 49 

Hình 48: Định nghĩa các quy tắc mờ trong Rule Editor 49 

Hình 49: Cửa số Rule View 50 

Hình 50: Cửa số Surface Viewer 51 

Hình 51: Các bước chính của GA 54 

Hình 52: Hμm F = 1 + sin(ax) 54 

Hình 53: Kết quả cực đại hóa hμm f(x) = 1+sin(ax) với GA 57 

Hình 53: Kết quả tối ưu hóa chế độ cắt với GA 60 

Hình 55: Mô hình tối ưu hóa chế độ cắt trong Solver của Excel 61 

Hình 56: 62 

Chương 1: Tổng quan về gia công thông minh

1.1 Khái quát về điều khiển quá trình gia công

Để đảm bảo những yêu cầu đặt ra đối với sản phẩm, quá trình gia công phải

thường xuyên được giám sát vμ điều khiển Quá trình gia công lμ một quá trình phức

tạp, gồm nhiều quá trình nhỏ, được thực hiện bởi một hệ thống phân cấp Vì vậy, một cách tự nhiên, ý tưởng về các hệ thống điều khiển phân cấp quá trình gia công

đã được hình thμnh, như sơ đồ trong hình 1

Cấp sản phẩm

Cấp quá trình

Cấp điều khiển servo

Máy công cụ

Quá trình gia công

Sản phẩm gia công

vị trí, vận tốc,

lực, rung động, mòn dao,

độ chính xác, độ nhám bề mặt,

Hình 1: Hệ điều khiển phân cấp quá trình gia công

1.1.1 Cấp điều khiển servo

Điều khiển servo, hay điều khiển chuyển động (Servo Control, Machine Level)

lμ cấp thấp nhất Nhiệm vụ chính của bộ điều khiển servo lμ giảm sai số quỹ đạo

(Contour Error) Đó lμ khoảng cách  giữa các điểm trên quỹ đạo thực vμ quỹ đạo

mong muốn (hình 2)

Hình 2: Sai số quỹ đạo khi gia công Yêu cầu cơ bản của cấp điều khiển servo lμ thực hiện chính xác những gì được

đưa vμo chương trình từ trước khi gia công, trước hết lμ các chuyển động vμ chế độ

công nghệ Vì vậy, nó mới mang tên lμ CNC (Computerized Numerical Controller)

- bộ điều khiển theo chương trình số Quá trình công nghệ nằm ngoμi vòng điều

khiển của CNC nên nó không có khả năng nhận biết vμ thích ứng với những biến

động (nhiễu) xảy ra Dù quá trình công nghệ xảy ra thế nμo, dao tốt hay xấu, cơ tính

vμ bề dμy lớp vật liệu thay đổi, thì nó vẫn duy trì các chế độ công nghệ (F, S) đã cho (hình 3)

Hình 3: Nguyên tắc điều khiển của hệ CNC cơ sở

1.1.2 Cấp điều khiển quá trình

Điều khiển quá trình (Process Control Level) lμ điều chỉnh chế độ công nghệ,

thường lμ tốc độ cắt, lượng chạy dao để duy trì hay tối ưu hóa các thông số của quá trình, trực tiếp liên quan đến năng suất, chất lượng gia công, an toμn cho hệ thống,

như lực cắt, mòn dao, rung động, Bộ điều khiển thích nghi (Adaptive Controller -

AC) lμ dạng điển hình của cấp điều khiển quá trình

(a)

(b) Hình 4: Nguyên tắc điều khiển thích nghi Chức năng điều khiển quá trình đã từng được thực hiện trên các máy công cụ vạn năng, do chính người thợ đứng máy thực hiện Bằng mắt nhìn, tai nghe, người thợ luôn luôn giám sát diễn biến của quá trình thông hình dạng, mμu sắc của phoi,

độ bóng của bề mặt gia công, âm phát ra từ vùng cắt, Bằng kiến thức vμ kinh nghiệm, người thợ phân tích, phán đoán tình huống, ra quyết định điều chỉnh chế

độ công nghệ, đảm bảo năng suất, chất lượng gia công hoặc khắc phục các sự cố,

đảm bảo sự an toμn của hệ thống Trong trường hợp nμy quá trình gia công nằm trong vòng điều khiển nên luôn luôn được giám sát (hình 4a) Cho đến nay chưa có một hệ thống sensor nμo có khả năng cảm nhận được tinh tế như người, cũng chưa

có một hệ thống xử lý tín hiệu vμ điều khiển nμo thông minh, linh hoạt vμ khéo léo như người Nhưng điều khiển dựa vμo giác quan vμ xử lý của con người không thể

đảm bảo độ tin cậy, sự ổn định vμ tốc độ xử lý ĐKTN lμ cách mμ kỹ thuật học tập ở thiên nhiên, nhằm tạo ra các bộ điều khiển có tính thông minh, tinh tế, khéo léo, linh hoạt của người, đồng thời có tính chính xác, tin cậy, công suất của máy (hình 4b) Kết cấu chung của hệ CNC có ĐKTN như trong hình 5 Hệ điều khiển servo chính lμ bộ CNC cơ bản, có nhiệm vụ đọc chương trình, tính toán quỹ đạo (X, Y, Z), xuất tín hiệu điều khiển quỹ đạo cho hệ chấp hμnh trên máy công cụ Hệ điều khiển quá trình (ĐKTN) gồm hệ thống các sensor, đo các thông số của quá trình (lực cắt, nhiệt độ, rung động), tính toán lượng mòn dao hoặc chỉ tiêu năng suất, ra quyết định hiệu chỉnh chế độ cắt (tốc độ cắt S vμ lượng chạy dao F) Do đó, chế độ cắt trong chương trình (F1, S1) trở thμnh F2, S2)

Hình 5: Sơ đồ cấu trúc của hệ CNC có ĐKTN

Có 3 dạng ĐKTN [16]:

- Điều khiển thích nghi tối ưu (Adaptive Control Optimization - ACO) nhằm

hiệu chỉnh trực tuyến chế độ cắt để đạt được chỉ tiêu tối ưu nhất định, ví dụ năng suất cắt cao nhất hay chi phí gia công nhỏ nhất Bộ ACO đầu tiên do hãng Bendix thực hiện từ năm 1962-1964 dưới sự giám sát kỹ thuật không quân Mỹ Sau đó có một số dự án nữa về ACO đã được thực hiện ACO đòi hỏi đo trực tuyến độ mòn dao, nhưng cho đến nay vẫn chưa có cách nμo đo trực tiếp đại lượng nμy Đo mòn dao một cách dán tiếp qua các đại lượng khác, như lực hoặc nhiệt độ cắt, có nhược

điểm lμ chịu ảnh hưởng của các yếu tố khác, như cơ tính của vật liệu gia công hoặc các thông số công nghệ, Vì vậy, cho đến nay ACO vẫn chưa được ứng dụng trong công nghiệp, trừ mμi vì mμi không đòi hỏi đo trực tiếp mòn dao

- Bù hình học thích nghi (Geometric Adaptive Compensation - GAC) nhằm

nâng cao độ chính xác kích thước hoặc độ nhám bề mặt gia công bằng cách giám sát

vμ bù trực tuyến sai số hình học do sự biến động của nhiệt độ vùng cắt, do sai số hình học của máy, do mòn dao, do biến dạng, Vì GAC cũng vấp phải khó khăn như ACO nên chưa thể được ứng dụng trong công nghiệp

- ĐKTN theo trạng thái giới hạn (Adaptive Control Constraints - ACC), trong

hầu hết các trường hợp lμ nhằm nâng cao tối đa năng suất gia công Điều đó được thực hiện bằng cách nâng cao tối đa chế độ cắt, chủ yếu lμ lượng chạy dao, nhưng hạn chế các thông số của quá trình, như lực chạy dao hoặc mô men trục chính không vượt quá giới hạn cho phép Hiện nay đây lμ hướng khả thi nhất cho AC máy công

cụ Các bộ ĐKTN được có khả năng ứng dụng công nghiệp hoặc đã thương mại hóa

đều thuộc dạng nμy

1.1.3 Cấp sản phẩm

Cấp cao nhất (Supervisory Level) (*), trực tiếp giám sát các thông số chất lượng của sản phẩm, như độ chính xác kích thước, độ nhám bề mặt, Máy tính với hệ CAD/CAPP/CAM tự động thiết lập tình tự công nghệ, xác định chế độ cắt, sinh quỹ

đạo dao, sinh chương trình gia công, Mặt khác, hệ thống tự động giám sát kết quả gia công (độ chính xác kích thước, độ nhám bề mặt), so sánh với dữ liệu về yêu cầu

kỹ thuật của chi tiết trong CAD, tự động điều chỉnh chiến lược gia công Phần mềm giám sát lμ một hệ chuyên gia, vận dụng các tri thức, bí quyết công nghệ do con người đưa vμo đồng thời tự tích lũy thông qua quá trình học

Trên thực tế, các cấp điều khiển không được phân chia rạch ròi như vậy mμ số cấp có thể nhiều hơn hay ít hơn; một vμi thông số có thể được giám sát, điều khiển hay không, hoặc được đặt ở cấp nμy hay cấp kia Mỗi cấp (hay vòng) điều khiển có chu kỳ điều khiển khác nhau Ví dụ chu kỳ của vòng điều khiển servo khoảng 3ms; của vòng điều khiển quá trình lμ 30ms (đối với lực cắt) hoặc 30s đối với mòn dao; của vòng giám sát chất lượng sản phẩm có thể đến vμi chục phút Thường thì trong

bộ điều khiển phân cấp, sự có mặt của các cấp cao sẽ giảm nhẹ độ phức tạp kết cấu

vμ lμm việc của cấp dưới Ví dụ, máy CNC có ĐKTN không đòi hỏi lập trình tỷ mỷ như bộ CNC cơ bản Tuy nhiên, để thực hiện chức năng của mình, các bộ điều khiển cấp cao cần có năng lực phần cứng mạnh vμ thuật toán phần mềm phức tạp, mang nhiều tính chất "trí tuệ" hơn các bộ điều khiển cấp thấp Ví dụ, trong khi cấp servo chỉ đơn thuần sử dụng thuật điều khiển truyền thống thì cấp quá trình phải đương

đầu với các loại tín hiệu khó đo lường vμ xử lý, như lực cắt, mòn dao Nhiệm vụ của

bộ điều khiển cấp sản phẩm còn khó khăn hơn: phải xử lý các đại lượng tổng hợp, không thể đo trực tiếp, như năng suất, chất lượng vμ chi phí gia công Điều đó lý

(*)

Supervisory có nghĩa lμ giám sát Để phân biệt với chức năng Monitoring (cũng lμ giám

giải, tại sao kỹ thuật CNC truyền thống phát triển rất nhanh, chỉ trong vμi thập kỷ (từ thập kỷ 195x đến 197x) đã cho ra đời các máy CNC nhiều trục, có năng suất vμ độ chính xác cao, nhưng điều khiển quá trình thì khác Nhưng ngược lại, từ bộ điều

khiển thích nghi (Adaptive Control with Optimization - ACO) đầu tiên (do hãng

Bendix thực hiện) từ năm 1964 đến nay, sau nửa thế kỷ vẫn chưa xuất hiện sản phẩm

có ứng dụng trong công nghiệp Vấn đề mμ bộ ACO đầu tiên chưa đạt được, lμ giám sát trực tuyến lượng mòn dao vẫn chưa được giải quyết ngay cả với trình độ kỹ thuật ngμy nay Thập kỷ 198x khởi đầu cho sự gia tăng nghiên cứu vμ ứng dụng vμo sản xuất các phương pháp điều khiển tiên tiến dựa trên máy tính số, trong đó có ứng dụng các hệ sensor tích hợp vμ phần mềm trí tuệ nhân tạo trên máy CNC, khiến chúng trở nên mềm dẻo, "thông minh" Hình 6 lμ ví dụ trục chính có tích hợp sẵn các sensor đo lực vμ mô men cắt, phục vụ điều khiển quá trình

Hình 6: Trục chính có tích hợp sensor lực vμ mô men để giám sát quá trình

Sự tích hợp hệ thống sensor vμ phần mềm giám sát vμ điều khiển quá trình vμ

vμo hệ CNC lμm xuất hiện vμ phổ cập khái niệm gia công thông minh (Intelligent

Machining), sẽ được bμn đến sau đây

1.2 Hệ thống gia công thông minh

1.2.1 Quan niệm về hệ thống gia công thông minh

Thuật ngữ máy thông minh, gia công thông minh gần đây thường xuyên được

nhắc đến Hình 7 thể hiện quá trình phát triển của các thế hệ mấy công cụ, tính từ máy cơ khí, đến máy thông minh [14]

Máy CNC có điều khiển thích nghi lμ ranh giới giữa máy điều khiển theo chương trình cứng vμ máy thông minh Các dấu hiệu sau đây giúp phân biệt máy CNC thông minh vμ máy thông thường:

- Được TĐH đến mức điều khiển quá trình hoặc cao hơn Các máy CNC thông thường chỉ được TĐH đến mức điều khiển servo, các máy cơ khí hóa được ĐKTN nhưng do con người thực hiện

- Có khả năng hoạt động tự chủ (Autonomous Operation), tự ra quyết định chế

độ công nghệ hoặc điều chỉnh linh hoạt các thông số công nghệ ngay trong quá trình gia công để thích ứng với sự biến động của quá trình công nghệ

Hình 7: Quá trình tự động hóa vμ thông minh hóa máy công cụ

- Sử dụng các công cụ giám sát vμ điều khiển thông minh, gồm hệ thống thu thập dữ liệu xử lý dữ liệu dựa trên trí tuệ nhân tạo -bắt chước cấu trúc hệ thần kinh

vμ phương pháp tư duy của người

- Có khả năng tự tích lũy tri thức vμ kinh nghiệm thông qua quá trình học

1.2.2 Cấu trúc của máy CNC thông minh

Hệ CNC thông minh bao gồm cả 3 cấp điều khiển như đã trình bμy trong hình

1, gồm các khối chức năng như trong hình 8

Cấp cơ sở kế thừa toμn bộ kết cấu phần công tác vμ điều khiển của máy CNC thông thường, trong đó có 3 thμnh phần cơ bản: (1) bộ nội suy sinh quỹ đạo chạy dao, xuất tín hiệu điều khiển vị trí vμ tốc độ chuyển động tương đối giữa dao vμ

phôi; (2) vòng điều khiển hệ thống chấp hμnh (Servo Control Loop); vμ (3) máy

công cụ Thông tin phản hồi trong hệ CNC chỉ lμ thông tin về vị trí vμ tốc độ (cấp 1

vμ cấp 2) Quá trình công nghệ (tương tác trong vùng gia công) nằm ngoμi vòng điều khiển của CNC nên CNC không thể nhận biết diễn tiến của quá trình

Máy CNC có ĐKTN giám sát diễn biến của quá trình (lực cắt, nhiệt độ, rung

động, ) hiệu chỉnh chế độ gia công của CNC để đảm bảo tối ưu hóa quá trình hoặc khống chế các thông số trong giới hạn cho phép Hệ ĐKTN nhận thông tin phản hồi

từ bản thân quá trình công nghệ

Hình 8: Sơ đồ các khối chức năng của máy CNC thông minh

Hệ thống chuẩn bị công nghệ có trợ giúp của máy tính (Computer Aided

Process Planning - CAPP) với chức năng tự động thiết lập quy trình vμ xác định chế

công nghệ vμ hệ thống CAM - tự động xuất chương trình NC, về bản chất lμ hệ trợ

giúp ra quyết định (Decision Making) Đầu vμo cho hệ thống nμy lμ CSDL về chi tiết gia công, các cơ sở tri thức (Knowledge Base) về máy, dụng cụ, vật liệu gia công, quy trình công nghệ điển hình, Hệ thống suy luận (Inference System) dựa trên các

công cụ suy diễn truyền thống (phân tích hồi quy, xác suất, logic, ) vμ tiên tiến trên cơ sở trí tuệ nhân tạo (logic mờ, mạng nơ ron, giải thuật gen, hệ chuyên gia) CSDL, cơ sở tri thức vμ hệ thống suy luận được thiết lập trên cơ sở các quy luật khoa học, kinh nghiệm, kỹ năng của con người, được bổ sung, hiệu chỉnh nhờ khả năng tự học của hệ thống Vòng điều khiển cấp cao nhất nμy (cấp sản phẩm) giám sát vμ

điều khiển trực tiếp kết quả gia công

Với các khối chức năng trên, máy CNC thông minh có sơ đồ kết cấu như trong hình 9 Bộ CNC có chức năng điều khiển quỹ đạo vμ chế độ cắt Máy tính với phần mềm CAD/CAPP/CAM tự động sinh quỹ đạo, lượng chạy dao vμ tốc độ trục chính,

sinh chương trình cho bộ CNC Bộ ĐKTN nhận các thông tin về quá trình: nhiệt độ, rung động, lực cắt, điều chỉnh quỹ đạo, lượng chạy dao vμ tốc độ trục chính

Hình 9: Sơ đồ kết cấu máy CNC thông minh

1.3 Giám sát tự động quá trình gia công

Giám sát quá trình (Process Monitoring) lμ theo dõi diễn biến của quá trình, dựa trên các biểu hiện đặc trưng của nó, để biết quá trình có được thực hiện một

cách bình thường, nghĩa theo đúng yêu cầu hay không Cái gọi lμ "bình thường" hay

"đúng yêu cầu" được đánh giá trên cơ sở phân tích vμ tổng hợp các "đặc trưng" của

quá trình Sự phân tích, đánh giá quá trình dựa trên các đặc trưng lμ thực chất lμ xử

lý thông tin vμ ra quyết định Như vậy, giám sát quá trình gồm các giai đoạn: (1) thu

thập thông tin, (2) xử lý thông tin, vμ (3) ra quyết định

Giám sát quá trình lμ cơ sở để điều khiển quá trình (Process Control) Muốn

điều khiển được quá trình phải giám sát được nó Hệ thống tự động giám sát quá trình công nghệ lμ thμnh phần cơ bản, không thể thiếu được của một hệ thống gia

công hiện đại Giám sát tự động - GSTĐ (Automatic Monitoring) còn được gọi lμ giám sát trực tuyến - GSTT (On-line Monitoring hay In-Process Monitoring) Về

ngữ nghĩa, các thuật ngữ trên không đồng nghĩa với nhau, nhưng trong ứng dụng thực tế, chúng không tách rời nhau nên nói chung vẫn được dùng lẫn GSTĐ xuất hiện từ giữa thế kỷ trước, do nhu cầu giám sát thường xuyên chất lượng gia công, phát hiện sớm vμ phòng ngừa các sự cố có thể gây nên phế phẩm vμ mất an toμn, vμ phục vụ điều khiển thích nghi quá trình công nghệ Trong vμi thập kỷ gần đây, một mặt do nhu cầu thông minh hóa hệ thống công nghệ, mặt khác nhờ xuất hiện các hệ thống sensor vμ thiết bị giám sát - điều khiển, nhờ khả năng ứng dụng các công cụ

tính toán mới, đặc biệt lμ trí tuệ nhân tạo - TTNT (Artificial Intelligence - AI) vμo xử

lý tín hiệu vμ điều khiển quá trình, kỹ thuật GSTĐ cμng phát triển vượt bậc

Đặc trưng cơ bản của quá trình gia công lμ phức tạp, phi tuyến, thường xuyên chịu tác động của các yếu tố không lường trước được Trong gia công truyền thống, giám sát vμ điều khiển quá trình thường dựa vμo các công nhân có tay nghề cao vμ giμu kinh nghiệm Họ có khả năng nhận biết, phán đoán nhanh các tình huống vμ xử

lý chúng một cách linh hoạt Nhưng các hμnh vi của con người thường thiếu chính xác vμ không ổn định Trong bối cảnh cạnh tranh ngμy cμng khắc nghiệt, các nhμ sản xuất buộc phải áp dụng các hệ thống điều khiển tự động, thay thế dần từng bộ phận, tiến đến thay thế hoμn toμn vai trò giám sát vμ điều khiển của con người bằng máy móc

So với con người, máy móc có ưu thế về cường độ, tốc độ vμ độ chính xác nhưng thua kém về tính linh hoạt vμ thông minh Nói chung, máy móc "giỏi" về thừa hμnh, còn con người giỏi về nhận dạng, phán đoán vμ ra quyết định TTNT lμ giải pháp kết hợp ưu điểm của con người vμ máy móc, bằng cách tạo ra các hệ lai có đầy đủ cấu hình cần thiết của máy, đồng thời bắt chước cấu trúc (trong mạng nơ ron nhân tạo - ANN), cách suy diễn của bộ não người (trong logic mờ - FL), sự tiến hóa trong tự

nhiên (trong giải thuật Gen - GA) Công cụ tính toán dựa trên TTNT thuộc nhóm Soft

Computing, lμm việc với các dữ liệu thực, rời rạc, khác với công cụ truyền thống - Hard Computing, mô tả hệ thống vμ quá trình bằng các quan hệ toán học giữa các đại

lượng vật lý

Giám sát vμ điều khiển quá trình theo kỹ thuật truyền thống đã được phổ cập, còn kỹ thuật giám sát quá trình gia công dựa trên ứng dụng TTNT mới được hình thμnh nhưng đang phát triển mạnh mẽ trong vμi thập kỷ qua Những vấn đề được tập trung nghiên cứu trong những năm gần đây gồm: thu nhận tín hiệu bằng hệ thống

phối hợp các sensor (Multi-Sensor hay Sensor-Fusion), xử lý tín hiệu vμ trích chọn

đặc trưng (Feature Selection/Extraction), mô hình hóa, tối ưu hóa quá trình sử dụng

TTNT [6] Về kỹ thuật xử lý tín hiệu, ANN, FL vμ GA đã được ứng dụng một cách rộng rãi thay cho các phương pháp truyền thống [7], kể cả ở Việt Nam mặc dù điều kiện kỹ thuật ở các cơ sở nghiên cứu vμ sản xuất còn nhiều hạn chế [1], [5]

- Hệ thống thu nhận vμ xử lý tín hiệu (DAQ);

- Hệ thống máy tính với phần mềm hỗ trợ ra quyết định

Tùy theo các thông số công nghệ cần giám sát mμ sử dụng các DAQ khác nhau Trên hình 10 lμ sơ đồ cấu trúc của hệ thống giám sát động lực học quá trình cắt, phụ vụ nghiên cứu ảnh hưởng của chế độ cắt đến lực cắt, mô men trục chính, rung động của phôi vμ trục chính Ba thμnh phần Px, Py, Pz của lực cắt được đo bằng lực kế 3 thμnh phần dùng sensor áp điện, chuyển đổi tín hiệu lực thμnh điện lượng

(Charge), sau đó được khuyếch đại nhờ Charge Amplifier Tương tự, mô men trục

chính được đo bằng sensor mô men, được gắn trên trục chính Rung động của phôi

vμ trục chính được đo bằng các gia tố kế Để giám sát tình trạng mòn hoặc mẻ dao,

người ta dùng Acoustic Emission Sensor (AE)

Hình 10: Sơ đồ cấu trúc của hệ thống GSTĐ

Tín hiệu từ các sensor đựợc đưa vμo bộ thu nhận vμ xử lý tín hiệu (DAQ) Tại

đây, tín hiệu được xử lý, số hóa rồi đưa vμo xử lý trong máy tính với các phần mềm thích hợp

Chi tiết hơn về các sensor vμ DAQ dùng trong GSTĐ sẽ đựợc trình bμy trong phần sau

2.2 Những vấn đề trong thiết lập hệ thống GSTĐ

Hệ thống GSTĐ lμ hệ thống cơ điện tử phức tạp, liên quan đến nhiều lĩnh vực khác nhau Chúng được khái quát thμnh 5 vấn đề chính [6], vμ được biểu diễn trong sơ đồ hình 11

1 Chọn sensor: chọn loại sensor nμo? Gia công lμ quá trình phức tạp, tương

tác giữa nhiều quá trình cơ, lý, hóa Vì vậy có nhiều đại lượng cần giám sát, cần nhiều loại sensor khác nhau: lực, mô men, rung động, nhiệt độ, âm thanh, Khi chọn sensor, ngoμi những yêu cầu cơ bản về khả năng lμm việc, còn phải quan tâm

đến sự tương thích với các thiết bị khác trong hệ thống, nhất lμ hệ thống thu nhận vμ

xử lý tín hiệu, vμ giá thμnh Các loại sensor sẽ được trình bμy chi tiết trong mục 3

Hình 11: Những vấn đề phải giải quyết khi thiết lập hệ thống GSTĐ

2 Xử lý tín hiệu: thu nhận vμ xử lý tín hiệu từ sensor thế nμo? Xác định các

chức năng cần thiết cho hệ thống thu nhận vμ xử lý tín hiệu Chúng có thể gồm: lọc tín hiệu tương tự (thông tần số thấp, dải thông hoặc thông tần số cao), tần số trích mẫu, lọc tín hiệu số, phân mảnh tín hiệu để lấy tín hiệu cần thiết

3 Tạo đặc trưng: đặc trưng (hay đại lượng) nμo mô tả tín hiệu tốt nhất? Tín

hiệu từ sensor cần được biểu diễn dưới dạng nμo cho chính xác thuận tiện nhất cho

xử lý, ví dụ biểu diễn trong miền thời gian, miền tần số hay dạng sóng

4 Chọn/trích đặc trưng: đặc trưng nμo trong số được tạo ra có ý nghĩa? Để

hệ thống GSTĐ lμm việc hiệu quả, mô tả chính xác quá trình, cần phải chọn các đặc trưng quan trọng, có ý nghĩa nhất

5 Tạo mô hình tri thức quá trình

Bước nμy nhằm xây dựng mô hình giám sát, gồm:

(a) Thiết kế hệ thống thực nghiệm sao cho quá trình được giám sát một cách chính xác, hiệu quả về kinh tế vμ thời gian

(b) Chọn công cụ TTNT (logic mờ, mạng nơ ron, ANFIS) xử lý số liệu thu

được từ DAQ, ra quyết định phán đoán về trạng thái của quá trình Công cụ TTNT phải phù hợp tính chất của hệ thống: dạng tín hiệu phi tuyến, quan hệ phức tạp, rời rạc, ngẫu nhiên, vμ những hiểu biết về quá trình

2.3 Hệ thống thu nhận vμ xử lý tín hiệu

Các tín hiệu thực nhận được trực tiếp từ thế giới thực lμ các đại lượng vật lý

(Analog), ví dụ áp suất, biến dạng, nhiệt độ, vμ thường không tương thích với các

thiết bị xử lý vμ điều khiển, ví dụ yếu, bị nhiễu hoặc chứa các tín hiệu không cần thiết Trong khi đó các thiết bị xử lý vμ điều khiển chỉ có thể lμm việc với dạng tín hiệu chuẩn, ví dụ điện áp trong một dải nμo đó Mặt khác, máy tính số dùng trong

xử lý tín hiệu vμ điều khiển lμm việc với tín hiệu số (Digital) Vì vậy, cần có hệ thống các thiết bị thu nhận, chuyển đổi, xuất tín hiệu (Data Acquisition System -

DAQ), với các bộ phận:

- Sensor (Transducer), biến đổi năng lượng tự nhiên thμnh dạng năng lượng

phù hợp, thường lμ điện năng;

- Phần cứng DAQ (Data Acquisition Hardware) thu nhận tín hiệu, thưc hiện 2

chức năng cơ bản: xử lý tín hiệu tương tự (lọc nhiễu, điều chế, khuyếch đại để có tín hiệu chuẩn), vμ biến đổi tín hiệu tương tự sang tín hiệu số Phần cứng DAQ lμ giao diện giữa sensor vμ PC, được chế tạo dưới dạng modul độc lập, cắm vμo cổng (nối tiếp, song song hoặc USB, ) hoặc dạng bảng mạch được cắm trực tiếp vμo khe (ISA, PCI, PCI-E, ) trên bảng mạch chủ của PC Phần cứng DAQ thường có modul ADC, DAC, TTL-IO, timer, RAM, trong đó có 2 modul không thể thiếu được lμ:

- Mạch nối ghép để nhận vμ xử lý tín hiệu từ sensor, ví dụ lọc, khuyếch đại,

- Mạch chuyển đổi tín hiệu tương tự - số (Analog-to-Digital Converter - ADC)

Trên thực tế, các DAQ được chế tạo để thực hiện đồng thời 2 chức năng, cả thu

nhận tín hiệu (Input) lẫn xuất tín hiệu điều khiển (Output), nhưng ở đây chỉ nói đến

Hình 12: DAQ-USB (a) vμ DAQ-PCI (b) của National Instruments

Phần mềm DAQ được gọi lμ Driver Software, được cμi đặt trên PC, giúp PC

nhận biết vμ lμm việc với phần cứng DAQ, cho phép người dùng khai báo hoặc thiết

đặt cấu hình phần cứng sao cho phù hợp nhất với đối tượng cần đo Nó có các chức năng cơ bản: nối/ngắt tín hiệu; điều khiển tốc độ truyền thông; liên kết phần cứng DAQ với các nguồn tμi nguyên của máy tính, như Processor Interrupt, DMA, Memory Phần mềm DAQ thường được cấp kèm theo phần cứng, có thể tải miễn phí

từ các trang web của nhμ cung cấp

Máy tính với các phần mềm ứng dụng để xử lý tín hiệu vμ điều khiển

(Application Sofware) Chúng có thể lμ phần mềm đa năng như LabVIEW, Matlab,

Dasylab hoặc phần mềm chuyên dùng, được phát triển bằng C++, Visual Basic, nhận tín hiệu từ DAQ để tính toán, hiển thị, lưu trữ, xuất tín hiệu điều khiển, tạo giao diện người dùng, Ví dụ, với Data Acquisition Toolbox của Matlab có thể tạo các chức năng Analog Input (AI), Analog Ouput (AO), vμ Digital I/O (DIO), giao tiếp với các hệ phần cứng thông dụng, như Advantech, National Instruments

Sơ đồ trong hình 14 thể hiện cấu trúc chung của DAQ vμ trình tự thu nhận, xử

lý vμ xuất tín hiệu điều khiển Ví dụ tín hiệu âm thanh được microphone (Sensor)

thu nhận, được khuyếch đại vμ số hóa nhờ sound card (DAQ), chuyển vμo PC với

phần mềm Matlab để phân tích Cũng nhờ sound card, tín hiệu âm thanh số được

chuyển đổi thμnh tương tự, khuyếch đại, xuất ra loa (Actuator)

Hình 13: Sơ đồ cấu trúc của DAQ

Hình 14 lμ ví dụ một giao diện (Control Panel) ảo, dùng trong điều khiển thích

nghi máy CNC, được tạo trong phần mềm DasyLab [4]

Hình 14: Giao diện điều khiển ảo được tạo trong phần mềm Dasylab

2.4 Sensor dùng trong GSTĐ

Giám sát quá trình gia công thường được tập trung vμo chất lượng gia công (độ chính xác kích thước vμ độ nhám bề mặt) vμ trạng thái của hệ thống, đặc biệt lμ tình trạng (mòn, mẻ, gãy) của dao Các phương pháp giám sát được phân lμm 2 nhóm: đo trực tiếp vμ đo gián tiếp [6] Phương pháp đo trực tiếp dùng các loại sensor laser, quang học, siêu âm, đắt tiền vμ khó áp dụng trong quá trình gia công (trực tuyến) Phương pháp gián tiếp, ngược lại rẻ hơn vμ có thể áp dụng trong giám sát trực tuyến, dùng các sensor lực, gia tốc, AE, dòng điện,

Hình 15 so sánh mức độ sử dụng các loại sensor hay dùng trong GSTĐ Ta thấy, lực kế thường được sử dụng nhất, sau đó lμ AE

Hình 15: Mức độ sử dụng các loại sensor trong GSTĐ

2.4.1 Sensor lực

Cắt lμ quá trình tương tác cơ, nhiệt, hóa giữa dao vμ phôi, nhưng tương tác cơ học lμ gốc rễ của mọi tương tác Ta đều thấy, có lực mới có biến dạng vμ phá hủy, (tạo phoi), lực ma sát sinh ra nhiệt, nhiệt độ cao lμm tăng tốc độ các quá trình hóa học, Mặt khác, lực cắt lμ một trong những nguyên nhân gây sai số hình học, lμ nguyên nhân mòn dao, đồng thời mòn dao cũng tác động trở lại, lμm thay đổi lực cắt Lực cắt phụ thuộc trực tiếp vμo tất cả các điều kiện gia công: vật liệu dao, vật liệu phôi, chế độ cắt, dung dịch trơn nguội Không chỉ giá trị của lực cắt tổng hợp

mμ tỷ lệ giữa các thμnh phần lực cắt cũng lμ thông tin quan trọng đánh giá tình trạng mòn dao Ví dụ khi tiện, thμnh phần dọc vμ hướng kính của lực cắt nhạy cảm với mòn dao hơn thμnh phần tiếp tuyến Tóm lại, lực cắt lμ đại lượng vật lý thể hiện trực tiếp tương tác giữa dao vμ phôi trong quá trình cắt Từ các thông tin về lực cắt có thể

đánh giá độ chính xác của chi tiết vμ tình trạng của dao Vì vậy, trong các hệ thống giám sát trực tuyến vμ điều khiển thích nghi quá trình gia công không thể thiếu sensor lực (lực kế) Tuy nhiên, sensor lực có những hạn chế, ví dụ cho phép nhận

biết nhưng không thể đánh giá rung động, khả năng chịu va đập kém Một số loại sensor lực giảm độ cứng vững của hệ thống công nghệ Vì vậy trong những trường hợp cần thiết cần bổ sung các loại sensor khác

Vì ứng suất trong vật thể đμn hồi tỷ lệ thuận với biến dạng nên đa số các sensor đo lực kiểu cũ đều dựa trên nguyên lý đo biến dạng, ví dụ dùng phần tử điện trở, điện dung gắn trên phần tử biến dạng Nhược điểm chính của các loại sensor biến dạng nằm ở chính nguyên lý đo: phần tử biến dạng lμm giảm độ cứng vững, phát sinh chuyển vị vμ dao động của cơ hệ Nếu được dùng để đo lực cắt, chính sensor lực lại lμm tăng sai số kích thước vμ độ nhám bề mặt gia công Bảng 1 giới thiệu tính năng kỹ thuật của một số loại sensor lực dựa trên các nguyên tắc vật lý khác nhau

Bảng 1: Tính năng kỹ thuật của một số loại sensor lực

Nguyên lý đo Giới hạn đo Độ chính

xác (% FSO)

Sai số do nhiệt (% FSO/OC)

Nhiệt độ lμm việc (OC)

0,2  1

0,02  1

0,02  1

0,2  0,5 0,02 0,0015

-40  80 -40  80 -40  80

dụng F Vì vậy muốn tăng điện lượng thì phải xếp các đĩa nối tiếp nhau

Hình 16: Nguyên lý vμ kết cấu của sensor lực áp điện

Điện lượng tổng cộng theo được tính theo công thức sau

Q qF n

trong đó, q(C/N) - hằng số áp điện, n - số đĩa nối tiếp

Công thức trên cho thấy, điện lượng Q tỷ lệ thuận với lực tác dụng, không phụ

thuộc vμo biến dạng của đĩa Vì vậy người ta có thể chọn vật liệu vμ kết cấu của các phần tử áp điện sao cho chúng có khả năng chống biến dạng cao nhất

Hình 17: Mạch khuyếch đại điện tích

Điện tích được khuyếch đại nhờ mạch điện khuyếch đại thuật toán đặc biệt, gọi lμ Charge Amplifier (hình 17) Điện áp ra

o r

Q U

động cũng lμ một dấu hiệu giúp phát hiện mẻ dao, vì khi mẻ dao thì lực cắt lớn vμ không ổn định Điều nμy dễ thấy khi phay bằng dao nhiều lưỡi cắt, vì mẻ ở một lưỡi cắt sẽ khiến lực cắt mất cân bằng Như vậy, đo rung động lμ một phương pháp giám sát độ chính xác kích thước, độ nhám bề mặt gia công vμ tình trạng của dao

Cũng như lực kế, AE, gia tốc kế lμ một trong những loại sensor dùng để giám sát rung động, nhưng rẻ tiền vμ dễ ứng dụng hơn Tuy nhiên, tín hiệu rung động đo bằng gia tốc kế không ổn định bằng, vμ thể hiện độ nhám bề mặt vμ độ chính xác kích thước gia công không ổn định bằng lực kế vμ AE Ngoμi ra, khi ứng dụng gia tốc kế để giám sát rung động có những vấn đề cần quan tâm:

- Tốc độ cắt phải nằm trong một dải xác định;

- Biên độ rung động giảm khi đặt sensor xa vùng cắt, nhưng khi đặt sensor gần vùng cắt thì lại sinh nhiễu do phoi vμ các phần tử vật chất khác va đập vμo sensor;

- Sensor có thể bị phoi lμm hỏng

2.4.3 Sensor sóng âm

Phát sóng âm (Acoustic Emission - AE) lμ hiện tượng phát sinh vμ lan truyền

âm thanh trong lòng vật liệu khi chịu biến dạng hoặc rạn nứt Hiện tượng AE tương

tự như động đất, sự vỡ của đá, tiếng răng rắc của xμ gỗ trước khi gẫy, chỉ khác, AE xảy ra trong phạm vi các tinh thể trong lòng vật liệu Khi các tinh thể trong lòng vật liệu phát sinh biến dạng hay rạn nứt thì từ đó sẽ xuất hiện ứng suất, lan truyền trong

lòng vật liệu dưới dạng sóng (Stress Wave) Đây lμ sóng cơ nên khi thoát ra ngoμi

môi trường (không khí, nước, ) sẽ phát ra âm thanh Tuy nhiên, khác với thiết bị thu âm kiểu micro phone (thu sóng âm ngoμi môi trường), sensor AE được gắn ngay trên trên bề mặt của vật liệu để thu sóng âm trước nó khi thoát ra ngoμi Nhờ vậy mμ tín hiệu thu được rõ vμ trung thực hơn

Dụng cụ thu AE đơn giản được

thấy trên thực tế lμ ống nghe của bác

sĩ Các ống nghe cũng được ứng dụng

trong kỹ thuật để nghe âm thanh

chuyển động trong máy móc, như

được minh họa trong hình 18 Nhiều

khi, người ta dùng một thanh gỗ hay

thanh kim loại thay cho ống nghe

Hình 18: Ví dụ về tai nghe thu tín hiệu AE Hình 19 mô tả nguyên lý phát sinh, lan truyền vμ thu tín hiệu AE

Hình 19: Sự phát sinh, lan truyền vμ thu tín hiệu sóng AE

AE được phát hiện từ trước công nguyên, nhưng các công trình nghiên cứu cứu ứng dụng mới được ghi nhận gần đây Ví dụ, năm 1920 Abram Joffe (Nga) phát hiện âm thanh phát ra khi các tinh thể muối vμ kẽm bị biến dạng Năm 1936 Friedrich Forster vμ Erich Scheil (Đức) đã đo được sự biến đổi điện áp vμ điện trở của vật liệu do ứng suất gây nên bởi chuyển biến Mác ten xít trong thép Từ những

năm 195x, AE được dự báo lμ có thể dùng trong kiểm tra không phá hủy

(Non-Destructive Testing - NDT) vμ lần đầu tiên dự đoán nμy thμnh hiện thực khi AE

được ứng dụng để kiểm tra vỏ động cơ tên lửa khi chịu tải thủy tĩnh Năm 1965, AE

được ứng dụng thμnh công trong kiểm ra rò rỉ dung dịch lμm mát của lò phản ứng hạt nhân Ngμy nay phương pháp kiểm tra không phá hủy dùng AE đã trở nên phổ biến trong công nghiệp [9]

Sensor AE có nhiệm vụ phát hiện sự lan truyền của sóng ứng suất, biến đổi nó thμnh tín hiệu điện, thường dùng nguyên lý áp điện, có tích hợp tiền khuyếch đại

điện áp Phần tử áp điện trên cơ sở chì - zircon - titan (PZT) lμ loại thông dụng, do rẻ

tiền, độ nhạy cao, dễ sử dụng Hình 20 cho ví dụ về dạng sensor AE được gắn bằng nam châm trên vật vμ tín hiệu điện nhận được

Hình 20: Hình ảnh sensor AE gắn trên vật vμ tín hiệu điện thu được

Ngoμi PZT lμ loại sensor tiếp xúc còn có các loại sensor không tiếp xúc, như sensor dùng laser, sensor dùng cáp quang,

Khi gia công, do sự tương tác cơ, nhiệt giữa dao, phoi vμ phôi trong vùng gia công có thể xuất hiện các nguồn AE (hình 21), trong đó có các yếu tố vĩ mô, như ma sát, va đập, gãy phoi vμ các yếu tố vi mô trong lòng vật liệu, như chuyển biến pha, ứng suất dư, Các yếu tố nμy, dù trực tiếp hay dán tiếp đều có liên quan đến mòn dao Đó lμ lý do sensor AE được sử dụng vμo giám sát mòn dao

Hình 21: Một số nguồn AE trong vùng gia công

2.4.4 Sensor dòng vμ công suất điện

Dòng điện trong phần ứng của của động cơ điện tỷ lệ với mô men phát ra trên trục động cơ, do đó tỷ lệ với lực tác dụng Vì vậy, về nguyên tắc có thể đo lực cắt thông qua dòng điện phần ứng Tuy nhiên, phương nμy có những nhược điểm trong ứng dụng thực tế Thứ nhất, sensor đo dòng điện có tính phi tuyến cao, đòi hỏi kỹ

thuật bù hoặc chỉnh định phức tạp Thứ hai, sensor dòng điện có dải thông tần hẹp vì quán tính của rotor tác dụng như một bộ lọc thông tần số thấp Vì vậy, sensor dòng

điện không có khả năng nhận biết các thμnh phần lực cắt tần số cao, chỉ có ích khi giám sát các quá trình chậm hoặc khi các đáp ứng tần số cao không đáng quan tâm Công suất tiêu thụ trên động cơ tỷ lệ với dòng điện, vì vậy sensor công suất có

ưu, nhược điểm tương tự sensor dòng điện Chúng thường được dùng để đo mô men trên trục chính, từ đó đánh giá được tình trạng của dao Trên các máy công cụ có tốc

độ trục chính cao, dải thông của trục chính có thể cải thiện vùng lμm việc của sensor công suất, cho phép quan sát đáp ứng của trục chính mang dao nhiều lưỡi cắt

Nhìn từ góc độ công nghệ còn có thể kế ra một số nhược điểm nữa của việc đo lực cắt thông qua dòng điện phần ứng vμ công suất tiêu thụ của động cơ: khi gia công với lực cắt nhỏ, ví dụ khi khoan lỗ nhỏ hoặc khi gia công tinh thì công suất cho cắt chỉ chiếm phần rất nhỏ của công suất tiêu thụ của động cơ; công suất động cơ trục chính tỷ lệ với lực cắt tổng hợp, không có mối quan hệ chặt chẽ lắm với mòn dao; công suất động cơ chịu ảnh hưởng của nhiệt độ; công suất tiêu thụ của động cơ chạy dao phụ thuộc vμo trạng thái bôi trơn vμ tốc độ chạy dao

Như vậy, về độ chính xác vμ tin cậy thì sensor dòng vμ công suất điện tiêu thụ trên động cơ không thể so sánh được với các loại sensor lực khác, nhưng chúng lại

có ưu điểm lμ rẻ, dễ nối ghép vμ dễ sử dụng Vì vậy, chúng có thể được sử dụng như sensor bổ trợ trong giám sát chế độ cắt vμ tình trạng của dao

2.4.5 Các loại sensor khác

Ngoμi các loại sensor chính như kể trên, trong giám sát quá trình cắt gọt còn

có thể sử dụng các loại sensor sau

Sensor nhiệt độ được sử dụng để giám sát gián tiếp chế độ công nghệ vμ quá trình gia công, vì nhiệt độ vùng cắt liên quan đến mòn dao, lực cắt vμ quá trình tạo phoi Tuy nhiên, các quan hệ nμy đều lμ gián tiếp, tương tác qua lại rất phức tạp vμ chịu nhiều yếu tố nhiễu lọan, ví dụ nhiệt độ môi trường, dung dịch trơn nguội, Mặt khác hiện nay người ta mới chỉ đo được nhiệt độ trung bình của vùng lân cận lưỡi cắt, nên gặp sai số lớn

Các loại sensor quang học có thể sử dụng để quan sát bề mặt gia công, tình trạng lưỡi cắt, Tuy nhiên, chúng chịu ảnh hưởng nhiều của ánh sáng môii trường hoặc bị nhiễu bởi tính chất quang học của dao vμ chi tiết, của dung dịch trợ nguội, Sensor siêu âm dựa trên nguyên lý phát siêu âm vμ thu sóng phản xạ từ đối tượng quan sát, có thể được dùng để quan sát tình trạng bề mặt gia công

Bảng 2 tóm tắt đánh giá vμ ứng dụng của các loại sensor đã nói ở trên [6]

Bảng 2: So sánh ưu nhược điểm vμ ứng dụng các loại sensor

Các thông số có thể giám sát

* Chú thích: nhiều sao lμ cao hơn (không nhất thiết lμ tốt hơn), chữ đậm lμ

ứng dụng ưu tiên

Hòa (tín hiệu) sensor (Sensor Fusion) lμ giải pháp sử dụng phối hợp tín hiệu

của nhiều sensor bổ trợ cho nhau để giám sát một hay nhiều đặc trưng của quá trình Nếu tín hiệu của các sensor không có tác dụng bổ trợ cho nhau thì không gọi lμ hòa tín hiệu Hiệu quả của việc hòa tín hiệu phụ thuộc vμo việc chọn đặc trưng của quá trình cần giám sát vμ tín hiệu nμo của các sensor được phối hợp để thể hiện đặc trưng đó Ví dụ sử dụng đồng thời tín hiệu lực vμ dòng điện không thể được coi lμ hòa tín hiệu, vì chúng có quan hệ trực tiếp Ngược lại, giữa tín hiệu lực cắt vμ AE không có quan hệ rõ rμng nên có thể hòa đựơc với nhau để giám sát, ví dụ mòn dao Ngoμi sensor, hòa tín hiệu còn đòi hỏi thuật toán tổng hợp thông tin Thường

có 2 phương pháp tổng hợp: phương pháp thống kê (truyền thống) vμ phương pháp dùng trí tuệ nhân tạo Phương pháp thống kê tạo ra quan hệ hồi quy giữa các đại lượng đo được Phương pháp AI thích hợp với các mô hình phi tuyến phức tạp, như mạng nơ ron (NN) hoặc mạng Bayesian (BN) Mạng nơ ron được sử dụng nhiều trong các hệ thống giám sát vμ chẩn đoán mòn dao, gãy dao, độ nhám bề mặt hay độ chính xác kích thước

2.5 Các đặc trưng của tín hiệu

Tín hiệu thu được từ các sensor lμ tín hiệu thô, chưa thể sử dụng để đánh giá

định lượng hoặc điều khiển quá trình Chúng cần được mô tả bằng các đặc trưng, gọi lμ Signal Feature hay Signal Descriptor Hình 22 cho ví dụ về tín hiệu thô vμ tín

Hình 22: Tín hiệu thô vμ tín hiệu được mô tả RMS Bảng 3 tóm tắt các đặc trưng của tín hiệu vμ phương trình biểu diễn, trong đó 4

đặc trưng được sử dụng nhiều nhất, lμ trung bình (Average), căn bình phương trung bình (Root Mean Square - RMS), sai lệch bình phương trung bình (Variance) vμ độ lệch tiêu chuẩn (Standard Deviation)

Chương 3: Các công cụ hỗ trợ ra quyết định

3.1 Tổng quan về ra quyết định

3.1.1 Khái niệm về ra quyết định

Trong sinh hoạt thường ngμy cũng như trong hoạt động chuyên môn, nghiệp

vụ, mỗi con người thường xuyên bị đặt trước sự lựa chọn Có những lựa chọn đơn giản: có hay không; có những lựa chọn không quan trọng: "sao cũng được" Nhưng

có những lựa chọn phức tạp trong tập hợp hμng ngμn đối tượng, hoặc những lựa chọn liên quan đến vận mệnh của loμi người, như chiến tranh vμ hòa bình Có những lựa chọn của một cá nhân; có những lựa chọn phải dung hòa lợi ích của hμng chục triệu người, như bầu tổng thống Có những lựa chọn tương đối dễ dμng, như chọn giá trị max-min của một dãy số; có những lựa chọn với các mục tiêu vμ các điều kiện rμng buộc trừu tượng, trái ngược nhau, như chọn mua một căn nhμ theo cảm nhận (thích hay không thích) với hμng chục căn cứ: vị trí trong vùng dân cư, khoảng cách đến các siêu thị, đến trường học của các con, hướng chính của căn nhμ, số lượng vμ cách

bố trí các phòng, tiện nghi, giá cả,

Mọi sự lựa chọn như kể ở trên

đều được gọi lμ ra quyết định

(Decision Making)

Như vậy, ra quyết định được

định nghĩa một cách rất dễ hiểu, lμ

lựa chọn lấy một hay một số trong

tập hợp các đối tượng có thể theo

một hay một số tiêu chí xác định

Theo định nghĩa nμy thì:

- Ra quyết định lμ một phép lựa

- Mục tiêu lμ chọn ra được một hay một số đối tượng đạt một hay một số tiêu chí định trước;

- Tập hợp các đối tượng được đưa vμo chọn gồm ít nhất 2 đối tượng, có các thuộc tính xác định

Theo ngôn ngữ kỹ thuật, thì ra quyết định lμ một quá trình suy luận

(Inference), trong đó chủ thể (bộ suy luận, hay bộ máy suy luân - Inference System)

đưa ra quyết định (Output) trên cơ sở các thông tin đầu vμo (Input) dựa trên bộ các quy tắc (Rules) nhất định (hình 24) Nói cách khác, đó lμ quá trình ánh xạ vμo - ra

Bộ suy luận có thể lμ sinh vật (ví dụ con người) hoặc một thiết bị

Input vμ Output lμ các tập hợp, chứa giá trị của các đại lượng, hay biến tương

ứng Như vậy, ta có tập các biến vμo (Input Set) vμ tập các biến ra (Output Set)

Hình 24: Mô hình hệ thống ra quyết định Sau đây lμ vμi ví dụ về ra quyết định

(a) Một người quyết định có xuất hμnh năm mới hay không bằng cách gieo

đồng xu, nếu mặt phải thì đi, mặt trái thì không

(b) Tìm cực đại của hμm y=f(x) trong miền giới hạn (y 1 , y 2 ) lμ bμi toán ra quyết

định, trong đó mục tiêu lμ chọn ra được (các) điểm max(y 1 : y 2 ); các đối tượng đưa

vμo chọn lμ tập hợp vô hạn các phần tử có các thuộc tính: số thực, lμ hμm y=f(x), vμ nằm trong giới hạn (y 1 , y 2 )

(c) Tuyển giám đốc cho 1 doanh nghiệp lμ một bμi toán ra quyết định, trong đó mục tiêu lμ chọn được 01 người "tốt nhất", trong tập hợp hữu hạn các ứng viên (những người nộp hồ sơ xét tuyển) đạt các yêu cầu: tốt nghiệp đại học hệ chính quy, giao tiếp được bằng tiếng Anh, nam, tuổi dưới 40

Ví dụ (a) lμ bμi toán ra quyết định đơn giản: chọn 1 trong 2 khả năng tùy thuộc kết quả ngẫu nhiên Trong ví dụ (b), mục tiêu (tiêu chí lựa chọn) vμ các điều kiện rμng buộc (thuộc tính của các đối tượng đưa vμo chọn) lμ tường minh, số đối tượng

được chọn có thể lμ 1 hoặc nhiều hơn, tập hợp đối tượng đưa vμo chọn lμ vô hạn Trong ví dụ (c), mục tiêu "tốt nhất" lμ không rõ rμng, số người được chọn bắt buộc

lμ vμ chỉ lμ 1, tập hợp người đưa vμo chọn lμ hữu hạn, nhưng có thuộc tính không rõ

rμng (ví dụ "giao tiếp được bằng tiếng Anh") Ba ví dụ trên phần nμo nói lên tính đa

dạng của bμi toán ra quyết định Qua đó chúng ta cũng hình dung được, rằng phương pháp thực hiện chúng hoμn toμn khác nhau

Trong kỹ thuật, bμi toán ra quyết định có thể thuộc một số dạng sau:

- Bμi toán nhận dạng (Pattern Recognition), ví dụ nhận dạng bằng hình ảnh,

nhận dạng tiếng nói, chữ viết, ;

- Bμi toán xấp xỉ hμm (Function Fitting, Function Approximation), tìm hμm

dạng đa thức hay hμm mũ biểu diễn gần đúng các quan hệ thực nghiệm Thực chất

đây cũng lμ bμi toán nhận dạng, nhưng dùng thuật giải khác;

- Bμi toán phân loại (Clusturing, Classification), gộp các đối tượng cho trước

thμnh các nhóm có những thuộc tính chung;

- Bμi toán tối ưu hóa (Optimization), tìm tập hợp các tham số tối ưu theo một

hay nhiều tiêu chí (hμm mục tiêu) với các điều kiện rμng buộc xác định

Giám sát quá trình (Process Monitoring) thực chất lμ một dạng của bμi toán

nhận dạng, trong đó "dạng" lμ dấu hiệu hay ngưỡng mòn dao, sai số kích thước, độ nhám, lực cắt nguy hiểm, Bằng các phương tiện kỹ thuật hiện nay chưa thể đo trực tiếp các thông số trên một cách chính xác vμ tin cậy, nên cần đánh giá chúng một

cách gián tiếp, thông qua các mô hình vμ thuật toán hỗ trợ ra quyết định

3.1.2 Hệ thống hỗ trợ ra quyết định

Ra quyết định vốn lμ chức năng của con người vμ cho đến nay, chưa có hệ thống máy tính nμo thay thế được con người một cách hoμn hảo Những quyết định quan trọng nhất vẫn phải do con người thực hiện Đó lμ do so với máy, con người có

ưu thế tuyệt đối về khả năng cảm nhận, phân tích, sáng tạo, linh hoạt Tuy nhiên, con người thua máy tính về tốc độ xử lý, truyền vμ lưu trữ thông tin, nhất lμ khi khối lượng thông tin rất lớn Bảng 4 tóm tắt những điểm mạnh, yếu của con người vμ máy tính trong xử lý thông tin Ta thấy, nếu như dùng thế mạnh của máy tính hỗ trợ con người trong những công việc con người không có thế mạnh thì sẽ giúp cho quyết

định của con người được nhanh chóng, chính xác, tin cậy hơn Hiệu quả của sự kết hợp nμy ngμy cμng lớn, khi máy tính được thông minh hóa, nghĩa lμ được trang bị các công cụ trí tuệ nhân tạo

Bảng 4: So sánh năng lực trí tuệ giữa người vμ máy

Thu thập, lưu trữ lượng thông tin lớn Trung bình Cao

Thực hiện nhanh, chính xác các phép

tính phức tạp

Hệ thống tin học hỗ trợ con người trong việc ra quyết định được gọi lμ hệ

thống hỗ trợ ra quyết định (Decision Support System - DSS) Khi DSS được xây dựng

trên nền tảng trí tuệ nhân tạo thì nó được gắn thêm tính từ "thông minh", trở thμnh

Intelligent DSS

3.1.3 Công cụ hỗ trợ giám sát thông minh

Cắt gọt kim loại vốn lμ một quá trình phức tạp, phi tuyến, thông tin đầu vμo không rõ rμng vμ chịu nhiều tác động nhiễu loạn Bình thường, quá trình nμy được giám sát bởi người vận hμnh có khả năng ra quyết định trên cơ sở kinh nghiệm vμ trực giác nghề nghiệp được tích lũy nhiều năm Hệ tự động giám sát, hay giám sát thông minh (nếu có) phải có hệ thống sensor, thu thập dữ liệu (DAQ) vμ máy tính với các phần mềm xử lý dữ liệu vμ hệ thống trợ giúp ra quyết định (DSS) tương tự như hệ thống giác quan vμ bộ não của người Nói cách khác, DSS lμ một bộ phận của hệ thống giám sát thông minh DSS đòi hỏi mô hình của quá trình gia công Mô hình quá trình có thể dựa trên các phương trình toán học, thường lμ phương trình vi phân mô tả bản chất vật lý của quá trình Mô hình dạng nμy được gọi lμ mô

hình vật lý (Physics Based Model), được thiết lập vμ phân tích nhờ các công cụ toán học, được gọi lμ công cụ tính toán cứng (Hard Computing Tools) Trong nhiều

trường hợp, bản chất vật lý của quá trình không được biết hoặc không thể được mô tả một cách chính xác

Ngược lại, mô hình quá trình cũng có thể được thiết lập trên cơ sở dữ liệu thực

nghiệm, được gọi lμ mô hình dữ liệu (Data Based Model) Nhóm công cụ thiết lập

vμ xử lý mô hình dữ liệu được gọi lμ công cụ tính toán mềm (Soft Computing Tools)

Về nguyên tắc, các công cụ tính toán cứng cho kết quả chính xác, nhưng trên thực tế lại không đạt được độ chính xác mong muốn vì quá trình mô hình hóa vμ phân tích phải trải qua nhiều phép xử lý gần đúng Thứ nhất, chúng đòi hỏi các hệ phương trình mô tả chính xác động lực học của quá trình, nhưng phần lớn các trường hợp các quy luật vật lý chưa được biết hoặc được giả định, hoặc sử dụng các quan hệ thực nghiệm Thứ hai, giải các hệ phương trình động lực học, chủ yếu lμ các hệ phương trình vi phân không dễ dμng, phần lớn phải giải gần đúng bằng cách hạ bậc, hoặc dùng các phương pháp số Thứ ba, các công cụ tính toán cứng hiện nay mới chủ yếu hỗ trợ các hệ tuyến tính, trong khi hầu hết các hệ động lực lμ phi tuyến, nên phải chấp nhận kết quả gần đúng do tuyến tính hóa Các công cụ tính toán mềm về bản chất lμ tính toán gần đúng, nhưng chúng không gặp khó khăn đối với các mô hình phi tuyến, nhiều đầu vμo nhiều đầu ra, số liệu đầu vμo rời rạc, không chính xác, không rõ rμng Các công cụ tính toán mềm hiện có được gọi chung lμ trí tuệ nhân tạo, được xây dựng theo nguyên tắc phỏng sinh, bắt chước cấu trúc hệ thần kinh vμ tư duy của con người, lại được thực hiện trên máy tinh nên có những ưu điểm của cả

máy lẫn của người, như đã phân tích trong mục trước TTNT còn có ưu điểm lớn nữa

lμ khả năng tự học để tích lũy tri thức vμ kinh nghiệm Vì vậy khi giải quyết những vấn đề thực tế, trong đó có lớp các bμi toán ra quyết định, người ta ngμy cμng nghiêng về các công cụ TTNT

Hình 25, cho bức tranh tổng quan về ứng dụng TTNT vμo DSS, cũng chính lμ vμo giám sát thông minh quá trình gia công [6]

Hình 25: Các công cụ TTNT ứng dụng trong DSS 3.2 Mạng nơ ron nhân tạo

Mạng nơ ron nhân tạo (Artificial Neural Network - ANN) lμ sự bắt chước cấu

trúc vμ cơ chế xử lý thông tin của não người, nhưng được mô tả bằng ngôn ngữ toán học Ai cũng biết lμ máy tính có khả năng xử lý thông tin nhanh hơn nhiều lần so với não người Tuy nhiên, có rất nhiều trường hợp não người lại có khả năng xử lý nhanh, nhậy vμ chính xác hơn máy, như diện người, nhận dạng tiếng nói, chữ viết,

Đó lμ những trường hợp phải xử lý song song, kết hợp nhiều nguồn thông tin đầu vμo không rõ rμng, thậm chí không đầy đủ Những ứng dụng điển hình của ANN lμ

nhận dạng (Pattern Recognition), phân loại (Clustering), xấp xỉ hμm (Fitting)

3.2.1 Mô hình nơ ron nhân tạo

Não người có được khả năng kỳ diệu vì có cấu tạo vμ cơ chế xử lý thông tin rất

đặc biệt Não được hình thμnh bởi một mạng lưới nhằng nhịt các tế bμo thần kinh (nơ ron), liên kết với nhau về mặt thông tin (hình 26a) Mỗi nơ ron có một thân

(Soma), từ đó tỏa ra các nhánh, hay rễ (Dendrites), trong đó có 1 nhánh lớn vμ dμi

nhất, được gọi lμ nhánh trục (Axon) Các rễ nhận vμ thông tin vμo thân, còn trục

truyền thông tin từ thân ra Các nơ ron nối vμ truyền thông tin cho nhau qua các tiếp

giáp (Synapse) Các tín hiệu nhận vμo vμ xuất từ nơ ron lμ các xung điện áp Hình

26b lμ sơ đồ đơn giản của một nơ ron vμ mối liên kết giữa nó với một nơ ron khác Nếu không để ý đến bản chất sinh học của quá trình xử lý thông tin thì mỗi nơ ron lμ một phần tử xử lý thông tin rất đơn giản, có thể ví như một diode (hình 26c)

Nơ ron nhận n tín hiệu vμo (x i , i = 1 n) vμ k tín hiệu ra (y j , j = 1 k) Nơ ron sinh

học chỉ có 1 đầu ra Mỗi synapse đ−ợc đặc tr−ng bởi một trọng số w i, khiến tín hiệu

vμo từ mỗi rễ bằng w i x i Nhờ bộ cộng, các tín hiệu vμo đ−ợc tổ hợp tuyến tính với

Hình 26: Mô hình nơ ron sinh học (a), sơ đồ đơn giản (b) vμ nơ ron nhân tạo

Một hμm kích hoạt (Activation Function) f(u) tạo ng−ỡng (bias) kích hoạt u b

Khi giá trị của u < u b thì tín hiệu ra bằng 0, ng−ợc lại thì tín hiệu ra sẽ khác 0 vμ

trong đó, c lμ hệ số độ dốc Hình 27 lμ đồ thị hμm logsig với các giá trị khác

nhau của hệ số c Ta thấy hμm nμy nhận các giá trị từ 0 đến 1

-5 -4 -3 -2 -1 0 1 2 3 4 5 0

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Logsig Activation Function

Hình 27: Đồ thị hμm logsig với các hệ số độ dốc khác nhau

-0.6

-0.4

-0.2

0 0.2

Hình 28: Đồ thị hμm tansig với các hệ số độ dốc khác nhau Các hμm tuyến tính (purelin) hoặc tuyến tính bão hòa (satlin, satlins), có đồ

thị nh− trong hình 29

-5 -4 -3 -2 -1 0 1 2 3 4 5 -5

-4 -3 -2 -1 0 1 2 3 4 5

Linear Activation Functions

H×nh 29: §å thÞ hμm tuyÕn tÝnh vμ tuyÕn tÝnh b·o hßa

3.2.2 CÊu tróc cña m¹ng n¬ ron nh©n t¹o

ANN ®−îc ph©n lo¹i theo cÊu tróc vμ ph−¬ng ph¸p huÊn luyÖn

Theo cÊu tróc, m¹ng n¬ ron ®−îc ph©n thμnh: (1) m¹ng truyÒn th¼ng

(Feed-forward), (2) m¹ng cã ph¶n håi (Feedback), vμ (3) m¹ng tù tæ chøc Organizing)

(Self-H×nh 30: M« h×nh m¹ng truyÒn th¼ng ®iÓn h×nh