Суперфинишные станки для автомобильной промышленности
..pdfв
г
Рис. 6.8. Окончание: в – вариант III; г – вариант IV
Наладка станков при обработке партии заготовок на основе статистического моделирования
Налаживать бесцентровые суперфинишные станки на обработку одной конкретной заготовки нецелесообразно, а в партии отклонения формы заготовок имеют стохастический характер. Выявить одну доминирующую гармонику не всегда возможно,
191
Стр. 191 |
ЭБ ПНИПУ (elib.pstu.ru) |
так как обычно имеются несколько гармоник со сравнительно большими амплитудами.
Для решения подобных задач используется метод статистического моделирования, также называемый методом статистических испытаний Монте-Карло [63]. Он базируется на применении случайных чисел некоторой случайной величины с заданным распределением вероятности. Сущность метода статистического моделирования сводится к построению моделирующего алгоритма, его реализации с помощью программно-технических средств ЭВМ и обработкеданныхметодами математическойстатистики.
Применительно к наладке станков основная идея метода Мон- те-Карло заключается в моделировании стохастических входных данных (отклонений формы заготовок), многократной реализации аналитической модели базирования и получении вероятностных характеристик, численные значения которых совпадают с результатом решения детерминированной задачи. В результате получают серию частных значений искомой погрешности базирования, статистическая обработка которых дает сведения о влиянии параметров наладки станка при обработке партии заготовок. Исходные данные о погрешностях формы заготовок получают экспериментальным путем, а законы и параметры распределения рассчитывают по формулам математической статистики. Если количество реализаций модели достаточно велико, то полученные результаты моделирования приобретают статистическую устойчивость и с достаточной точностью принимаются ввиде оценок искомых параметров. Моделирующий алгоритм приведеннарис. 6.9.
Исходными данными при моделировании являются: параметры заготовки З (радиус r0, число n гармоник, параметры распределения и границы интервала изменения амплитуд и начальных фаз гармоник), параметры наладки станка (углы базирующих элементов α1, α2, радиусы валков R1, R2) и количество m заготовок в партии. Число m заготовок в партии назначают, исходя из трудоемкости моделирования, а не из реального технологического процесса. Очевидно, что с увеличением числа реализаций m возрастает точность и достоверность получаемых статистических оценок.
192
Стр. 192 |
ЭБ ПНИПУ (elib.pstu.ru) |
Рис. 6.9. Моделирующий алгоритм наладки станка
Первый этап моделирования включает генерирование последовательности случайных равномерно распределенных чисел zi для каждой заготовки в партии в зависимости от числа гармоник профиля. Полученные числа zi преобразуют в требуемый закон распределения для амплитуды аi и начальной фазы ϕi каждой гармоники. Врезультатеформируютпрофиль однойзаготовки rj.
На втором этапе рассчитывают погрешность базирования для каждой заготовки по аналитической модели и находят критерий точности базирования Kj.
На третьем этапе проводят статистическую обработку критерия K, вычисленного для всех заготовок в партии. В результате получают математическое ожидание МK и среднеквадратическое отклонение σK для критерия K. Далее проводят оптимизацию по указанным параметрам. Особенность заключается в том, что параметры МK и σK имеют единый минимум.
193
Стр. 193 |
ЭБ ПНИПУ (elib.pstu.ru) |
Результаты статистического моделирования существенно зависят от качества исходных последовательностей случайных чисел. На практике используют три основных способа генерации случайных чисел: аппаратный, табличный и алгоритмический. Алгоритмический способ генерации случайных чисел наиболее рационален при моделировании на компьютере. Его сущность состоит в том, что равномерно распределенная случайная величина в интервале [0, 1] имеет математическое ожидание m = ½ и дисперсию σ2 = 1/12. Получить непрерывное распределение на ЭВМ невозможно, поэтому используют дискретную последовательность 2n случайных чисел того же интервала. Такой закон распределения называют квазиравномерным распределением. Случайная величина, имеющая квазиравномерное распределение в интервале [0, 1], принимает значения zi = i/(2n – 1) с вероятностями pi = 1/2n, i = = 0, …, 2n – 1. В результате математическое ожидание квазиравномерной случайной величины совпадает с математическим ожиданием равномерной случайной последовательности интервала [0, 1], а дисперсия отличается множителем (2n + 1)/(2n – 1), который при достаточно больших n близок к единице. Кроме того, для получения значений zi используют формулы (алгоритмы), поэтому такие детерминированные последовательности чисел называют псевдослучайными.
В нашем случае требуется последовательность из примерно 2 105 случайных чисел. Такой объем псевдослучайных чисел с определенным числом разрядов без повторений обеспечивает стандартный датчик случайных чисел random, имеющийся в большинстве языков и сред программирования. С целью улучшения качества последовательностей после генерирования партии заготовок применяется метод возмущений, программно реализованный в виде команды randomize. Эта функция позволяет избежать повторения результатов при многократных запусках программы.
Экспериментальные исследования установили, что между некоторыми амплитудами гармоник имеются значимые корреляционные связи. Для случайных погрешностей x и y с разными функ-
194
Стр. 194 |
ЭБ ПНИПУ (elib.pstu.ru) |
циями распределения F1(x), F2(y), математическими ожиданиями mx, my и среднеквадратическимиотклонениями σx σy целесообразно перейти к равномерно распределенным в интервале [0, 1] случайным величинам, воспользовавшись преобразованиями:
z = F |
|
x − mX |
|
; |
z |
|
= F |
|
y − mY |
. |
(6.16) |
|
|
|
2 |
|
σ |
||||||||
1 1 |
|
σ |
|
|
|
2 |
|
|
||||
|
|
|
X |
|
|
|
|
|
|
Y |
|
|
В этом случае коэффициент линейной корреляции находят по формуле [64]
|
12 |
|
n |
|
1 |
|
1 |
|
|
r = |
|
|
z1i − |
|
z2i − |
|
. |
(6.17) |
|
n − |
|
2 |
2 |
||||||
|
1 i 1 |
|
|
|
|
||||
|
|
= |
|
|
|
|
|
|
При таком определении коэффициента корреляции упрощается решение задачи генерирования коррелированных случайных величин с разными законами распределения и исключается зависимость значения r от вида этих законов.
Воспользуемся последовательностью получения пары коррелированных случайных чисел с разными законами распределения, изложенной в работе [65]. На первом этапе генерируют три некоррелированных случайных числа А, В, С с равномерным распределением в интервале [0, 1]. Далее из них формируют пару коррелированных между собой чисел по формулам
y1 = A |
| r*| + B |
1− | r*|; |
(6.18) |
|
|
|
|
|
|
y2 |
= A |
| r*| + C |
1− | r*|. |
|
|
|
|
|
|
Для выражений (6.18) можно строго доказать, что коэффициентом корреляции между случайными величинами y1 и y2 является r*, если значение r* определялось обычным образом. Числа y1 и y2 в общем случае распределены по симметричному
трапецеидальному закону с большим s1 = | r*| + 1− | r*| и ма-
лым |
s |
2 |
= s |
1 |
− |
2 |
| r*| |
основаниями. |
|
||||||||
|
|
1 |
|
|
s1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
195 |
Стр. 195 |
ЭБ ПНИПУ (elib.pstu.ru) |
Далее выполняют преобразование трапецеидального распределения чисел y1 и y2 в равномерное на интервале [0, 1] по следующим формулам:
– если yi > s1/2, то при р = s2 – yi
|
|
|
|
2 p2 |
|
p |
|
s |
|
|
|
s |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
1 |
− |
|
|
, |
− |
1 |
|
|
> |
|
2 |
|
; |
|
|
|||
|
|
2 |
2 |
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
2 |
|
|
|
2 |
|
|
|
|
|||||
z |
= |
|
|
s1 |
− s2 |
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|||||||||||
i |
|
|
|
s2 |
− s1 + 4 p |
|
|
|
|
|
|
s1 |
|
|
s2 |
|
||||
|
|
|
− |
|
|
p − |
|
≤ |
|
|||||||||||
|
|
1 |
|
|
|
|
, |
|
|
|
|
|
|
; |
||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
2(s1 + s2 ) |
|
|
|
|
|
|
2 |
|
|
|
2 |
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
– если yi ≤ s1/2, то при р = yi
|
|
|
2 p2 |
|
p − |
s |
|
|
|
s |
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
, |
|
1 |
|
> |
|
2 |
|
; |
|
|
||||
|
|
2 |
2 |
|
2 |
2 |
|
||||||||||||
z |
= |
s1 |
− s2 |
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|||||||||||
i |
|
|
s2 |
− s1 + 4 p |
|
|
|
|
|
s1 |
|
|
|
s2 |
|
||||
|
|
|
, |
|
p − |
|
|
≤ |
. |
||||||||||
|
|
|
|
|
|
||||||||||||||
|
|
|
2(s + s |
|
) |
|
|
|
|
|
|
2 |
|
|
2 |
|
|||
|
|
|
|
1 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(6.19)
(6.20)
В результате получаем случайные числа z1 и z2, равномерно распределенные в интервале [0, 1] и имеющие, как показала соответствующая численная проверка, коэффициент корреляции |r|, связанный с |r*| соотношением
|r*| = |r| + 0,005086 + 0,01739sin(6,3986|r| + 5,9575). (6.21)
Таким образом, чтобы найти требуемое значение коэффициента корреляции r между случайными величинами z1 и z2, необходимо при формировании случайных чисел y1, y2 задать величину |r*| по выражению (6.21). Абсолютная систематическая погрешность значения r при этом методе получения двух коррелированных выборок не превышает 0,0025.
При перестановках в формулах (6.18) двух пар параметров А и В, А и С случайные величины z1 и z2 будут иметь коэффициент корреляции 1 – |r|, что позволит сформировать выборки двух случайных величин с коэффициентом корреляции ±(1 – |r|) и произвольными законами распределения.
196
Стр. 196 |
ЭБ ПНИПУ (elib.pstu.ru) |
Суммируемые случайные погрешности можно разделить на некоррелированные между собой группы трех типов: включающие любое число некоррелированных погрешностей; жестко коррелированных между собой погрешностей с r = ±1 относительно какой-либо одной погрешности из этой группы, принятой за базовую; погрешностей с коэффициентом корреляции пар относительно одной базовой погрешности ±r и ±(1 – |r|). Групп второго и третьего типов может быть несколько, а значение r в каждой из них – произвольным. Если количество погрешностей в группе больше двух, то накладываются ограничения на перекрестные коэффициенты корреляции. Например, нельзя одновременно задать значения r12 = 1 и r13 = 1, если r23 ≠ 1.
Для генерирования случайных чисел с заданным законом распределения используем метод инверсии, заключающийся в формировании последовательности случайных чисел zi, равномерно распределенных в интервале [0, 1], и последующем преобразовании:
xi = F –1(zi), |
(6.22) |
где F –1(zi) – функция, обратная функции распределения случайной величины xi.
Количество случайных чисел, используемых для получения статистически устойчивой оценки параметров при реализации на ЭВМ, колеблется в широких пределах в зависимости от объекта моделирования, оцениваемых параметров, необходимой точности и достоверности результатов моделирования.
Приближенное число испытаний при моделировании методом Монте-Карло определим по формуле
tДУ, n−1σ |
2 |
|
|||
n = |
|
|
, |
(6.23) |
|
e |
|||||
|
|
|
|
где tДУ, n–1 – коэффициент для вычисления двустороннего доверительного интервала математического ожидания; e – допустимая ошибка при оценке σ.
197
Стр. 197 |
ЭБ ПНИПУ (elib.pstu.ru) |
Для определения допустимой погрешности e воспользуемся неравенством Чебышева, согласно которому для любого распределения с конечным математическим ожиданием М и дисперсией σ2 по крайней мере [1 – (1/k2)]100 % значений случайной величины находится в интервале М ± kσ. Пределы по данному выражению задаются с очень большим запасом. Считая, что не менее 99 % числа испытаний должны попасть в интервал М ± 3σ, принимаем максимально допустимую ошибку e при оценке М в 0,2σ. Максимальное среднеквадратическое отклонение для амплитуд гармоник составляет 0,1 мкм, поэтому назначаем e = 0,02 мкм. При 99%-ном доверительном уровне и ориентировочном числе испытаний n = 200 получаем tДУ, n–1 = 2,601. Число испытаний по формуле (6.23) равно n = 169. Принимаем число заготовок в партии при моделировании m = 200. Тогда с 99%-ной вероятностью не менее 99 % от числа испытаний при моделировании попадет в интервал (0,1 ± 0,06) мкм.
Экспериментальные исследования выявили, что амплитуды a гармоник распределены по закону Пирсона первого типа (бе- та-распределение), а начальные фазы ϕ – по закону равной вероятности.
Функция плотности вероятности β-распределения амплитуд гармоник имеет вид
f (x) = |
Γ(η + μ) |
xη−1(1− x)μ−1 , |
(6.24) |
|
Γ(η)Γ(μ) |
||||
|
|
|
где Г – гамма-функция; η, μ – параметры β-распределения; x – случайная величина.
Гамма-функция имеет вид
∞ |
|
Γ(γ) = xγ −1e− xdx . |
(6.25) |
0 |
|
Функцияраспределенияначальныхфазгармоникимеет вид
F(x) = (x − a) / (b − a) , |
(6.26) |
где a, b – границы интервала изменения начальной фазы ϕ.
198
Стр. 198 |
ЭБ ПНИПУ (elib.pstu.ru) |
Поскольку a = 0°, b = 360°, имеем следующее выражение для функции распределения начальных фаз:
F(x) = xi / 360 . |
(6.27) |
В общем случае, зная плотность вероятности f(х), необходимо выбрать случайное число zi и решить относительно xi интегральное уравнение:
xi |
|
f (xi ) dxi = zi , |
(6.28) |
a
где a – наименьшее значение xi.
Для равномерного распределения обратная функция имеет явный вид, и преобразование случайной величины zi в случайную величину xi осуществляют по выражению
xi = 360zi . |
(6.29) |
Методика получения случайных величин, имеющих различные законы распределения, с помощью нормированных случайных величин изложена в работах [64, 67].
Параметры β-распределения η и μ, полученные в результате статистической обработки экспериментальных данных, имеют нецелые значения. Поэтому применим следующий метод генерации. Вычислим
S |
= z1/η , S |
2 |
= z1/μ , |
(6.30) |
1 |
1 |
2 |
|
где z1, z2 – независимые друг от друга равномерно распределенные случайные числа.
Если S1 + S2 > 1, то возьмем еще одну пару случайных чисел z1, z2 и проделаем те же операции. Если S1 + S2 < 1, то
xi = |
|
S1 |
. |
(6.31) |
|
S1 |
+ S2 |
||||
|
|
|
Полученные по формулам (6.25)–(6.31) распределения являются нормированными, т.е. находятся в интервале [0, 1]. По-
199
Стр. 199 |
ЭБ ПНИПУ (elib.pstu.ru) |
лучить распределения в интервале [a1, а2] можно с помощью последующего преобразования:
x′ = |
xi |
− a1 |
. |
(6.32) |
|
|
|||
i |
a2 |
− a1 |
|
|
|
|
На основе разработанного алгоритма (рис. 6.9), формул (6.16)–(6.32) и экспериментальных данных проведено моделирование критерия точности базирования для партии из 200 заготовок для бесцентрового суперфиниширования [66]. Статистическая обработка результатов показала, что наилучшим образом критерий K описывается нормальным законом при суперфинишировании. Функция плотности вероятности в этом случае однозначно определена двумя параметрами – математическим ожиданием m и среднеквадратическим отклонением σ.
По результатам статистического моделирования рассчитаны первые четыре статистические момента (m1, m2, m3, m4), среднеквадратическое отклонение σ, показатели асимметрии α3 и эксцесса α4 для распределения критерия K, которые приведены
втабл. 6.3. Параметр наладки станка α имеет тот же смысл, что
иранее.
Таблица 6 . 3
Начальные моменты распределения критерия K в партии заготовок
α |
m1 |
m2 |
σ |
m3 |
α3 |
m4 |
α4 |
15 |
1,400 |
0,123 |
0,351 |
0,012 |
0,277 |
0,043 |
2,858 |
30 |
0,809 |
0,049 |
0,221 |
0,004 |
0,007 |
0,393 |
2,790 |
45 |
0,603 |
0,020 |
0,141 |
0,001 |
0,001 |
0,306 |
3,154 |
Анализ табл. 6.3 показал, что все варианты характеризуются положительным показателем асимметрии и показателем эксцесса, равным 3 и более. При суперфинишировании наиболее нерациональный угол α = 15° (МО погрешности базирования равно 1,4 мкм и СКО равно 0,351 мкм). При наилучшем угле наладки α = 45° МО уменьшается примерно в 2,3 раза и СКО – в 2,5 раза. Столь большие различия статистических оценок критерия K по
200
Стр. 200 |
ЭБ ПНИПУ (elib.pstu.ru) |