打开文本图片集

摘要：针对新型无卡轴旋切机木板旋切厚度精度和均匀度精度不易保证问题，本文通过对无卡轴旋切机原理和旋切曲线研究，借鉴阿基米德螺旋线原理，建立无卡轴旋切机系统数学模型，推导各个参量之间的函数关系，保证木板的厚度精度；引入基于改进极限学习机ELM算法，利用其自身具有较好的预测性能，泛化学习能力强，参数解耦性强等优点，搭建在线检测进刀转矩实时反馈给控制系统，保证进刀速度曲线与旋切曲线一致性，保证木板的均匀度精度；采用有PG闭环矢量控制同步电机实现进刀主轴的速度和准停控制，实现速度的精确控制；采用闭环控制实时调整设备运行参数，规避现有设备大量参数设定的问题，使操作更加友好简单，提高设备的劳动生产率。

关键词：无卡轴旋切机、改进极限学习机ELM算法、均匀度控制

引言：

随着国家对森林资源的日益重视，使得木材资源的高效利用，降低成本，提高自动化水平和拓宽加工范围成为木工设备制造行业一项重要课题。旋切是单板和胶合板生产的一个重要工序，在很大程度上决定了单板和胶合板的质量。现有的旋切机大都采用无卡轴旋切机械结构，规避了剩余木芯直径大、木材利用率低等缺点，提高木材的使用范围和利用率，但无卡轴旋切机在旋切过程中随着木段直径的变化、后角的变化等，造成单板的均匀度精度难以保证。

无卡轴旋切机在旋切过程中随着木段直径的变化、后角的变化等，造成单板的厚度难以保证。如果单板厚薄不均，压制胶合板时，必然要用较大的压力，增大了木材压缩损失，单板厚度的不均匀还给胶合板表面的精加工带来很大困难，即由于板材厚度不均，造成砂削受力不均匀，使砂光机砂架产生一定的振颤，影响砂光质量。这样不仅浪费了大量珍贵的木材，而且砂光量过大还增加了砂光机的负荷，甚至需要二次砂光。由此可见，如何提高无卡轴旋切机的加工精度，特别是单板厚度的均匀度的研究是提高旋切机质量的关键。

2016年葛坤明等人采用基于ANSYS对无卡轴旋切机进行有限元分析，分析得出刀架的固有频率和震动特性。2019年高翔等人提出采用超声波传感器，利用图像处理标定拟合方法在线检测原木直径，进而控制木板厚度。2021年谢迪武等人利用约束动画工具模拟分析得出旋切后角随半径变化的规律，为木板的均匀度提供了理论依据。基于电子电气技术和计算机技术的快速发展，旋切机单板均匀度已从1mm提高到0.1mm，但是还不能更好的满足加工精度需求，为此本文采用改进极限学习机算法优化数学模型和控制算法，进一步提高无卡轴旋切机均匀度。

一、控制系统总体设计

新型无卡轴原木旋切机系统的设计主要分为两各部分：木板厚度控制和木板均匀度控制。

（1）木板厚度控制：借鉴阿基米德螺旋线原理，建立无卡轴旋切机系统数学模型，推导各个参量之间的函数关系，保证木板的厚度精度。

（2）木板均匀度控制：采用PLC作为主控制器，按照特定输出速度曲线控制进刀主轴、双棍、单辊、胶辊、切刀之间的逻辑关系，实现木板控制、尾板控制、速度控制。采用有PG闭环矢量控制同步电机实现进刀主轴的速度和准停控制，实现速度的精确控制；采用闭环控制实时调整设备运行参数，规避现有设备大量参数设定的问题，使操作更加友好简单，提高设备的劳动生产率。木板均匀度误差补偿机制：多次重复性实验，在线检测采集大量木板厚度数据，建立标准数据库；建立基于改进极限学习ELM算法，选择高斯核函数作为ELM激励函数，优化隐含层神经元权值和阈值，利用优化HHO滤波算子，有效消除数据噪声，降低测量值的动态误差，将处理后的补偿数据归一化，反馈进刀速度控制值，提高控制系统木板均匀度误差补偿性能。

二、基于改进极限学习机算法的新型无卡轴旋切机木板均匀度控制系统设计

ELM（Extreme Learming Machine）是一种新型神经网络算法，最早由Huang于2004年提出，与SVM，传统神经网络相比，ELM的训练速度非常快，需要人工干扰较少，对于异质的数据集其泛化能力很强。Huang在对ELM进行了总结，包括最初的ELM算法和后来被发展延伸的ELM算法（比如在线序列ELM算法、增量ELM算法和集成ELM算法等），里面的很多知识点值得学习。

从神经网络的结构上来看，ELM是一个简单的SLFN，SLFN示意图如下：

该SLFN包括三层：输入层、隐含层和输出层（忽略输入层则为两层）。其中隐含层包括L个隐含神经元，一般情况下L远小于N，输出层的输出为m维的向量，对于二分类问题，显然该向量是一维的。

对于一个训练数据样本，忽略输入层和隐含层而只考虑隐含层神经元的输出和输出层，则神经网络的输出函数表达式为：a和bi是隐含层节点的参数，表示第i个隐含层神经元和输出神经元之间的连接权值，即它是一个m维的权值向量。公式里面的G是隐含层神经元的输出。

ELM的学习方法：给定任意个不同的样本，隐层神经元数目，激励函数选择一个非常数的连续函数，随机选取隐层参数，ELM可以以误差逼近任意的个样本，表示为：

其中，是输入权值，是隐层节点的阈值，是输入向量，是第个隐层元和输出节点的连接权值，是输出向量。上式可以简化为，为隐层输出矩阵，其中：

计算输出权值是隐层输出矩阵的左伪逆矩阵。

考虑到生产过程的实际要求，由于生产的连续性，在这样的动态情况下，在线学习属性至关重要。在线学习系统可以更新经验数据的特征属性权值，使系统更准确的预测当前工况，达到自然学习过程。所以此次使用惯序性极限学习机，它具有固定极限学习机的训练速度，又有增量式极限学习机的泛化效率。惯序性极限学习机的学习和训练过程不是一撮而就的，数据分批次给出，学习过程存在次序性。任何时候，只有新的训练样本需要被学习，并调整权值。训练过程不存在任何先验知识，只需要新的数据。学习算法如下：

1.建立精确数学模型，研究双闭环控制系统

分析主轴进给速度与驱动辊转速、驱动辊直径、圆木外径、切削厚度等参量之间的函数关系，建立有效正确数学模型，设计“有PG闭环矢量控制”和“编码器反馈”双闭环控制系统，既可实现进刀主轴的速度和准停控制，又可以通过获取编码器信号获知进刀主轴的移动位置，精确计算出双棍、胶辊、切刀等控制量，进而提高旋切机的加工精度。

2.引入改进极限学习ELM算法，建立木板均匀度实时误差补偿机制

多次重复性实验，在线检测采集大量木板厚度数据，建立标准数据库；建立基于改进极限学习ELM算法，选择高斯核函数作为ELM激励函数，优化隐含层神经元权值和阈值，利用优化HHO滤波算子，有效消除数据噪声，降低测量值的动态误差，将处理后的补偿数据归一化，反馈进刀速度控制值，提高控制系统木板均匀度误差补偿性能。

3.采用闭环控制自适应调整参数机制，设计智能化操作模式

现有旋切机系统操作模式单一，设定参数较多，操作工人难以掌握，调试成本高。拟采用闭环控制实时调整设备运行参数，规避现有设备大量参数设定的问题，采用PLC、HMI、智能文本模板等，保证不增加设备成本的前提下，将运行命令和参数实时显示在人机交互界面，使操作更加友好简单，提高设备的劳动生产率。

三、控制系统软硬件设计

旋切机具体有双棍、单辊、胶辊、切刀、进刀五部分组成，主要通过伺服、变频器控制五个轴的配合运行。研发的旋切机控制系统由1个PLC、2个10KW变频器，2个3.7KW变频器、1个7.5KW伺服驱动器，配套异步电机同步电机、触摸屏、光电开关、行程开关等组成。对无卡轴旋切机床建立数学模型，分析影响精度的变量，优化控制算法，设计顺序控制流程图，编写PLC程序，调试优化。

控制系统主电路

旋切机控制系统中进刀电机实际运行曲线如下图所示：较平滑的曲线是进刀电机运行速度曲线，实时记录整个旋切过程中的运行数据，进刀速度是借鉴阿基米德螺旋线原理，建立无卡轴旋切机系统数学模型，利用改进极限学习机算法，优化推导出其实时运行速度。波动线段是进刀伺服输出扭矩实时曲线，实时记录整个旋切过程中的运行数据，借鉴曲线可以获得最佳的进刀伺服功率选型，保障系统的经济性，系统采用闭环控制实时调整设备运行参数，规避现有设备大量参数设定的问题，采用PLC和HMI人机交互系统，将运行命令和参数实时显示在人机交互界面，使操作更加友好简单，提高设备的劳动生产率。

旋切机控制系统运行曲线

结论

本文通过建立准确的旋切刀速度控制数学模型、寻找合理的旋切刀速度的控制方法；借鉴阿基米德螺旋线原理，建立无卡轴旋切机系统数学模型，利用改进极限学习机算法推导出刀具进给速度与驱动辊转速、驱动辊直径等参量之间的函数关系；采用有PG闭环矢量控制同步电机实现进刀主轴的速度和准停控制，进而提高旋切单板的加工精度。采用闭环控制实时调整设备运行参数，规避现有设备大量参数设定的问题，采用PLC和HMI一体机，保证不增加设备成本的前提下，将运行命令和参数实时显示在人机交互界面，提高设备的劳动生产率。在现有设备的基础上，将木板厚度精度控制在±0.05mm。引入改进极限学习ELM算法，建立木板均匀度实时误差补偿机制，在现有设备的基础上，将木板均匀度误差维持在±0.2mm，提高到±0.1mm。

参考文献：

[1]葛坤明. 基于ANSYS的无卡旋切机螺母驱动型滚珠丝杆传动系统的优化设计[D]. 上海交通大学，2016.

[2]高翔. 旋切机用原木直径测量系统开发与方法研究[D]. 北京林业大学，2019.

[3]谢迪武，涂登云. 旋切机第二类刀架运动模拟[J]. 木工机床，2021（3）：3

基金项目：论文依托河北省机电装备智能感知与先进控制技术创新中心，邢台市智能生产线及装备技术创新中心，邢台市重点研发计划自筹项目《基于改进极限学习机算法的新型无卡轴旋切机木板均匀度控制系统的研发》（2022ZC027），河北省科学技术厅2022年大中学生科技创新能力培育专项项目《新型无卡轴原木旋切机系统的设计与应用》（22E50182D）