تخمين به‌هنگام خمش ابزار ميكرو فرزكاري با استفاده از سيگنال هاي ميزهاي متحرك با موتورهاي خطي

Real-time estimation of micro-milling cutting tool deflections by using signals of stages driven by linear motors

با وجود ابداع روش‌هاي متنوع ميكرو ساخت، ميكرو فرزكاري به علت ويژگي‌هايش در ساخت قطعات سه بعدي، نرخ براده برداري زياد و دقت بالا مورد توجه ويژه است. با اين حال اين فرايند با چالش‌هايي روبروست كه از مهمترين آنها خمش ابزار است كه گاهي تا 90 درصد از خطاي محصول نهايي را نيز در بر‌مي‌گيرد. در اين مقاله، يك روش به هنگام براي تخمين خمش ابزار ميكروفرز براي ماشين‌هاي ميكروفرزي كه مجهز به موتورهاي خطي هستند، ارائه مي شود. در اين روش از يك فيلتر كالمن براي تخمين غير‌مستقيم نيروي ماشين‌كاري از پسخوراند موقعيت و جريان ورودي آمپلي‌فايرهاي موتورهاي خطي ميز تغذيه استفاده مي شود. با توجه به اينكه خروجي تخمين‌گر نيرو، برايندي از تمامي نيروهاي وارده به موتور است، بنابراين بايد منابع اغتشاشي اضافي كه عمدتا اصطكاك و موج هاي نيرويي است، حذف شود. در پژوهش پيش رو، از شبكه هاي عصبي براي حذف اين نيروها استفاده شده است. براي اين هدف از يك شبكه عصبي پرسپترون با يك لايه پنهان 16 گره اي و دو تاخير زماني در ورودي استفاده شد. نتايج آزمون‌هاي تجربي نشان داد كه روش مزبور به طور ميانگين تا 75 درصد از خمش ابزار را پيش بيني كند.

Micro-milling is prominent among other micro-manufacturing processes due to their abilities in manufacturing of 3D features, high material removal rates and high precision. One of the most important challenges of this process is tool deflections which contribute even up to 90% of dimensional errors of the finished product. This paper addresses a novel method to estimate micro-milling tool deflections applicable in micro-milling machines equipped with linear motors. In this method, position feedbacks and inputs to the amplifiers are used for the real-time estimation of cutting forces by applying Kalman filter. Outputs of the estimator include a resultant of all disturbing forces in servo control loop of the motors. Therefore, cutting forces need to be compensated for other disturbing forces that are mostly friction and force ripples in linear motors. To compensate them, neural networks were used. A neural network with a hidden layer and 16 nodes inside, and with two time-delayed lined (TDL) could well model friction and force ripples. Results showed that the proposed tool deflection method is able to estimate 22% of micro-milling tool deflections.