Автоматизация сварочных процессов
..pdfэлектронов. Физический принцип действия электронного луча базируется на торможении электронов с высоким уровнем энергии в металле сварного шва, при котором кинетическая энергия электроном превращается в тепловую энергию.
1.3. Элементы систем управления
К элементам систем управления сварочным оборудованием относятся:
–датчики электрических величин: датчики тока – шунты и трансформаторы тока; датчики напряжения – добавочные сопротивления и трансформаторы напряжения;
–датчики неэлектрических величин: датчики расхода (газа); датчики давления; датчики температуры (термопары, пирометры, тепловизоры); датчики механических напряжений и деформаций (тензометры, рычажные системы, пневмодатчики); фотоэлементы; анализаторы спектра свечения дуги;
–вычислительная и преобразовательная техника систем управления: микроконтроллеры; локальные контроллеры СУ; ПЭВМ; АЦП и ЦАП; каналы связи;
–усилители сигналов;
–исполнительные механизмы и их коммутация: реле, транзисторы, оптопары, тиристорные системы, электродвигатели, механические преобразователи (редукторы, вариаторы, шариковинтовые передачи).
1.4. Понятие оптимизации в задачах управления
Оптимизация решений технических задач связана с определением экстремальных в определенном смысле режимов, свойств и условий работы исследуемых процессов, объектов. Определенный смысл исследования объекта или процесса закладывается в выражение некоторой функции, расчетный параметр которой составляется с учетом наиболее важных показателей качества процесса и технико-экономических характеристик.
11
По значению этой функции оценивают меру качества процесса в области допустимых значений расчетного параметра.
Если расчетный параметр функции, принимаемый в качестве меры, является «нежелательным» для данного процесса, то функцию надо минимизировать, а если расчетный параметр рассматривается как мера «качества» процесса, то ищут максимальное значение этой функции. Таким образом, формализованная постановка и решение технической задачи оптимизации связаны с составлением и поиском экстремума (минимума или максимума) некоторой функции f( x ), определенной на заданном множестве X.
Задачу оптимизации, связанную с определением минимума функции (задачу минимизации), условно записывают в виде [8]
f (x) → min, x X , |
(1.1) |
где f – целевая функция; X – допустимое множество; x X – допустимая точка (точка, принадлежащая допустимому множеству X).
Задачу оптимизации, связанную с определением максимума (задачу максимизации), соответственно записывают в виде
f (x) → max, x X . |
(1.2) |
Очевидно, что задача максимизации эквивалентна задаче
– f (x) → min, x X
при условии, что множества решений задач максимизации и минимизации совпадают. В этом случае результаты решения задач минимизации можно переносить на решение задач максимизации и наоборот.
Заданное множество X, на котором определяется целевая функция, может быть конечномерным (евклидовым) пространством Rn. В этом случае аргументом целевой функции f является точка x в n-мерном евклидовом пространстве, и задача оптимизации относится к классу задач управления с сосредоточенны-
ми параметрами.
12
При исследовании задач оптимизации важным является решение вопроса об условиях экстремума целевой функции, которые в теории оптимизации называют условиями оптималь-
ности. Различают необходимые и достаточные условия опти-
мальности. Необходимое условие оптимальности имеет вид
f '(x) = 0 . |
(1.3) |
Достаточное условие оптимальности содержит требования к второй производной f ''(x) , которая в задаче минимизации
при условии (1.3) должна быть положительно определена. Задачи (1.1) и (1.2) представляют собой общую постановку
задач оптимизации. В зависимости от вида функции f и множества X задачи оптимизации классифицируют по ряду основных признаков и выделяют наиболее важные для теории и приложений типы задач.
В зависимости от условий (ограничений), которые накладываются на множество X, рассматривают задачи безусловной и условной оптимизации.
Задача (1.1) является задачей безусловной оптимизации, если на множество X не наложено ограничений, т. е. множество X принадлежит всему пространству Rn: X=Rn. Необходимые и достаточные условия оптимальности в задачах безусловной оптимизации формируются на основе классических теорем и критериев из математического анализа, например теоремы Вейерштрасса о существовании глобального решения задачи (1.1) или критерия Сильвестра для исследования f ''(x) .
Если на множество X наложены условия (ограничения), т. е. допустимое множество X является подмножеством (частью) пространства Rn, то задача (1.1) в этом случае является задачей условной оптимизации (задачей на условный экстремум). Обычно классическая задача на условный экстремум (задача минимизации) записывается в виде
f (x)→ min, gi (x) = 0, i =1,2,…,m; m < n, (1.4)
13
где m уравнений – это количество условий, определяющих границы допустимого множества X (подмножества в пространстве Rn).
Для задач условной оптимизации сохраняются необходимые и достаточные условия оптимальности безусловных задач, если решение x* является внутренней точкой допустимого множества X. Если экстремум целевой функции f(x*) достигается на границе допустимого множества X, то классические условия из математического анализа, например условие (1.3), оказываются неприемлемыми и решение задачи оптимизации становится более сложным.
Эффективным методом решения задачи (1.4) является правило множителей Лагранжа, которое дает необходимые условия оптимальности [8].
Для решения условных задач успешно используется анализ выпуклых множеств, математическое программирование, дискретная оптимизация и т.д.
Исследованию решений задач безусловной (1.1) и условной (1.4) оптимизации посвящено много учебных пособий и монографий. Наиболее подробно методы оптимизации для основных классов задач в конечномерном пространстве рассмотрены в [8].
Для технических приложений наиболее важным классом задач оптимизации являются задачи, при постановке которых целевая функция должна зависеть от вида другой функции, т. е. аргументом целевой функции будет являться другая функция. В этом случае выражение целевой функции связано с понятием функционала и функциональной зависимости. Применение функции в качестве аргумента, описывающего состояние процесса, позволяет более точно формализовать параметр качества и составить модель целевой функции, более адекватную реальному процессу.
Функционал – это обобщенное понятие функции, в которой роль независимой переменной играет другая функция.
Для функции характерна зависимость: значение функции (число) зависит от значения аргумента (тоже числа). Например,
14
параболическая функция f (x) =5x2 +3x +1 принимает при значении аргумента x =1 значение f (1) = 7 . Для функционала
характерной является зависимость числа (значения функционала) от вида функции. Рассмотрим это на примере.
Примером простейшего функционала является определенный интервал вида
J[y(x)] = ∫1 |
y(x)dx . |
(1.5) |
0 |
|
|
Значение функционала J – это число, величина которого зависит от вида функции y(x) .
Рассмотрим, как изменяется значение функционала J на примере двух видов функции y(x) : прямой и параболы. Пусть
y(x) = x . Величина функционала J определяется величиной
интеграла (1.5) и при |
y(x) = x на отрезке оси |
x от 0 до 1 рав- |
на 0,5, т. е. величина |
J равна половине площади квадрата 1х1 |
|
в системе координат |
x, y (рис. 1.2, а). Если |
y(x) = x2 , то ве- |
личина функционала J на том же отрезке оси x от 0 до 1 рав-
на 0,33 – это величина площади в том же квадрате, ограниченной параболой (рис. 1.2, б). В результате для функции парабо-
лического вида функционал J принимает меньшее значение по сравнению с линейной функцией.
Рис. 1.2. Зависимость величины функционала J от вида функции
y(x) : а – y(x) = x ; б – y(x) = x2
15
В рассмотренном примере величина функционала выражается через площадь. Однако следует отметить, что величина функционала может выражаться и через длину кривой. Пусть задан функционал вида
J[y(x)] = ∫1 ds = ∫1 1+ y '2 dx ,
0 0
где y' – производная функции y(x) ; ds = dx2 +dy2 .
В случае прямой y(x) = x имеем J = 2 =1,414 – длину диагонали ОА квадрата (см. 1.1, а).
Если y(x) = x2 , то J =1,479 – это длина дуги параболы, соединяющей вершины О и А того же квадрата (см. 1.1, б). В этом случае для функции параболического вида функционал J принимает большее значение по сравнению с линейной функцией.
Большинство функционалов, рассматриваемых в вариационном исчислении и теории оптимального управления, зависят не только от функции, но также от ее аргумента x и производной y'(x) . В общем виде такой функционал определяется вы-
ражением
x1
J[y(x)] = ∫F(x, y, y ')dx ,
x0
т.е. в общем виде аргументами подынтегральной функции F являются x, y, y ' = ddyx , при этом функция F – заданная функция
этих аргументов.
В более сложных задачах оптимизации функционал может зависеть от нескольких видов функций и их производных:
x1
J = ∫F(x, y1,..., yn , y '1,..., y 'n )dx .
x0
16
При постановке задач оптимизации важным является выделение класса функций, на котором будет определяться экстремум функционала. Для большинства задач оптимизации в качестве аргумента (вида независимой функции) функционала принимают класс кусочно-непрерывных функций с конечным числом разрывов первого рода на заданном интервале (в допустимом множестве) аргумента этих функций.
Пример кусочно-непрерывной функции y(x), заданной на интервале (x0 , x4 ) , представлен на рис. 1.3. Каждому значению
аргумента x в заданном интервале соответствует определенное (однозначное) значение функции y(x) за исключение точек
x1, x2 , x3 .
В точках x1, x2 , x3 функция y(x) имеет разрыв первого рода,
характерным для которого является то, что слева и справа от точки разрыва функция принимает различные значения конечной величины, т. е. в точках разрыва функция неоднозначна.
Так, например, в точке x1 ордината y принимает значения
y(x1 −0) = y1 , y(x1 +0) = y2 .
Класс кусочно-непрерывных функций является достаточно широким, он включает много видов различных функций. Частными случаями кусочно-непрерывных функций являются классы непрерывных функций: гладких и кусочно-гладких.
Рис. 1.3. Кусочно-непрерывная функция y(x)
17
Примером непрерывных гладких функций являются функции y(x) = x, y(x) = x2 , которые использовались в качестве
аргумента функционала (1.5) для рассмотренного выше примера. Непрерывная кусочно-гладкая функция, представленная на рис. 1.4, состоит из отрезков прямых и гладких кривых, т. е. кривых с непрерывной производной на каждом отрезке. В точ-
ках x1, x2 , x3 заданного интервала (x0 , x4 ) производная кусоч- но-гладкой функции y(x) претерпевает разрывы первого рода. Такие точки называют угловыми.
Рис. 1.4. Непрерывная кусочно-гладкая функция y(x)
Выбор класса функций для описания состояния управляемого устройства или процесса зависит от конструктивных особенностей устройства, от свойств и условий протекания процесса, а также от ограничений на пространственные координаты и управляющие воздействия.
Методы отыскания экстремумов функционала рассматриваются в специальном разделе математики «вариационное исчисление» и разрабатываются в теории оптимального управления техническими системами.
В основе вариационного исчисления лежит уравнение Эйлера.
18
2. АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ СВАРОЧНЫМ ОБОРУДОВАНИЕМ
2.1.Автоматизация управления дуговой сваркой
2.1.1.Характеристика объекта управления
При дуговой сварке на постоянном токе основными параметрами режима являются: Iд – ток дуги; Uд – напряжение на дуге; Vп – скорость подачи электрода; Vсв – скорость сварки.
При импульсной дуговой сварке появляются такие параметры режима, как tи – время импульса тока; tп – время паузы; Iи – ток дуги во время импульса; Iп – ток дуги во время паузы; Uи – напряжение на дуге во время импульса; Uп – напряжение на дуге во время паузы.
Наибольшее внимание при создании систем автоматического регулирования сварочных процессов уделяется поддержанию на заданном уровне тока дуги Iд и напряжения на дуге Uд.
Рассмотрим теперь классификацию систем автоматического регулирования тока дуги и напряжения на дуге.
Взависимости от того, что является объектом регулирования, системы автоматического регулирования сварочных процессов подразделяются на системы АРД – автоматического регулирования дуги и системы АРП – автоматического регулирования питающей системы.
Взависимости от регулировочного параметра системы АРД подразделяются на системы АРТД – автоматического регулирования тока дуги и системы АРНД – автоматического регулирования напряжения на дуге. В свою очередь, системы АРТД де-
лятся на АРТДС – саморегулирующие, и АРТДП – с принудительным регулированием.
Системы автоматического регулирования питающей системы подразделяются на системы АРНП – автоматического регу-
19
лирования напряжения питающей системы и системы АРТП – автоматического регулирования тока питающей системы.
Существуют также системы двойного действия АРДД = = АРД + АРП – автоматического регулирования дуги и питающей системы.
Рассмотрим теперь составные части – источник питания сварочной дуги и дугу.
Источник питания можно представить как источник ЭДС и дополнительные устройства (рис. 2.1, а). Источник питания сварочной дуги может иметь различную внешнюю вольт-амперную характеристику (рис. 2.1, б).
Рис. 2.1. Схема источника питания сварочной дуги (а) и его вольтамперные характеристики (б):
1 – крутопадающая; 2 – пологопадающая;
3 – жесткая; 4 – возрастающая
Сварочная дуга имеет вольт-амперную характеристику, изображенную на рис. 2.2. Здесь участок I – ручная дуговая сварка, участок II – сварка под флюсом, участок III – сварка при больших плотностях тока, а также сварка в СО2.
20