动态CAPP系统及其加工资源决策方法的研究

    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