⚡ electrical engineering

Adaptive approaches for milling forces control

यह अध्ययन विभिन्न प्रक्रिया स्थितियों के दौरान स्थिरता बनाए रखते हुए मिलिंग बलों को प्रभावी ढंग से नियंत्रित करने और मशीनिंग सटीकता बढ़ाने के लिए एक सुपरवाइजरी चयन के साथ मल्टी-एस्टिमेशन योजना सहित अनुकूलन नियंत्रण रणनीतियों का प्रस्ताव और सत्यापन करता है।

मूल लेखक: Luis Rubio Rodriguez, Manuel De la Sen, Gusztáv Fekete, Kollár László E

प्रकाशित 2026-07-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luis Rubio Rodriguez, Manuel De la Sen, Gusztáv Fekete, Kollár László E

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: "मिलिंग मॉन्स्टर" को वश में करना

एक मिलिंग मशीन की कल्पना एक बहुत ही शक्तिशाली, भूखे शेफ के रूप में करें जो सब्जियों (धातु के वर्कपीस) को काट रहा है। शेफ सब्जियों की परतों को काटने के लिए एक घूमते हुए चाकू (टूल) का उपयोग करता है। लक्ष्य यह है कि परतों को बिल्कुल समान रूप से काटा जाए ताकि अंतिम व्यंजन शानदार दिखे और चाकू न टूटे।

समस्या यह है कि "सब्जी" एक समान नहीं है। कभी-कभी शेफ को एक मोटे हिस्से को काटना पड़ता है, और कभी-कभी एक पतले हिस्से को। जब चाकू किसी मोटे हिस्से से टकराता है, तो ब्लेड पर लगने वाला बल (force) अचानक बढ़ जाता है। यदि बल बहुत अधिक हो जाता है, तो चाकू कुंद हो सकता है, कंपन कर सकता है या टूट सकता है। यदि बल बहुत कम है, तो कट ढीला या खराब होगा।

इस शोध का लक्ष्य एक स्मार्ट शेफ असिस्टेंट (एक कंट्रोल सिस्टम) बनाना है जो तुरंत यह तय कर सके कि शेफ कितनी तेजी से चाकू चलाएगा (फीड रेट), ताकि चाहे "सब्जी" का आकार कैसा भी बदले, कटिंग फोर्स एकदम स्थिर रहे।

पुराने तरीके की समस्या (द "स्टिफ" असिस्टेंट)

पारंपरिक रूप से, इन सहायकों ने ज़ीरो-ऑर्डर होल्ड (ZOH) नामक विधि का उपयोग किया। इसे एक रोबोटिक हाथ की तरह समझें जो ऊबड़-खाबड़, सीढ़ीनुमा गतियों में चलता है।

यह हर सेकंड में एक बार बल (force) की जांच करता है।
यह एक गति तय करता है।
यह पूरे सेकंड के लिए उस गति को स्थिर रखता है, भले ही चाकू बीच में ही किसी सख्त हिस्से से टकरा जाए।
फिर यह दोबारा जांच करता है और एक नई गति पर कूद जाता है।

यह "सीढ़ीनुमा" दृष्टिकोण चाकू में झटके पैदा करता है। ये झटके कंपन (लहरें) पैदा करते हैं और जब सामग्री अचानक बदलती है, तो बल के खतरनाक स्तर तक पहुँचने का कारण बनते हैं। यह एक कार चलाने जैसा है जहाँ आप केवल हर कुछ सेकंड में एक्सीलेटर को "पूरा ऑन" या "पूरा ऑफ" कर सकते हैं; आप कभी भी सुचारू रूप से गाड़ी नहीं चला पाएंगे।

नया समाधान: "स्मूथ" असिस्टेंट (फ्रैक्शनल ऑर्डर होल्ड्स)

लेखक एक स्मार्ट तरीका प्रस्तावित करते हैं जिसे फ्रैक्शनल ऑर्डर होल्ड्स (FROH) कहा जाता है।

सीढ़ियों की तरह गति बदलने के बजाय, यह असिस्टेंट चाकू को सुचारू, फिसलती हुई गतियों में चलाता है।
यह गति को ठीक से ट्यून करने के लिए एक विशेष "करेक्शन नॉब" (जिसे $\beta$ कहा जाता है) का उपयोग करता है।
उपमा: कल्पना करें कि आप कार चला रहे हैं। पुराना तरीका एक्सीलेटर को नीचे दबाकर पकड़ लेने जैसा था। नया तरीका सड़क के अनुसार एक्सीलेटर को धीरे से दबाने और छोड़ने जैसा है, जो एक स्मूथ कर्व बनाता है। यह कार को आगे की ओर झटके देने या पीछे की ओर झटका देने से रोकता है।

इस सुचारू गति का उपयोग करके, मशीन परिवर्तनों के प्रति तेजी से प्रतिक्रिया करती है, बल के खतरनाक स्पाइक्स को कम करती है, और कट को बहुत अधिक सुचारू रखती है।

"सुपर-ब्रेन" सिस्टम (मल्टी-एस्टिमेशन स्कीम)

स्मूथ असिस्टेंट होने के बावजूद, मशीन को यह पता नहीं होता कि "सब्जी" कितनी सख्त होने वाली है जब तक कि वह उससे टकरा न जाए। इसे हल करने के लिए, लेखकों ने एक मल्टी-एस्टिमेशन स्कीम बनाई है।

कल्प इसकी कल्पना एक विशेषज्ञों के पैनल के रूप में करें जो एक कंट्रोल रूम में बैठे हैं, जिनमें से प्रत्येक के पास इस बारे में अलग सिद्धांत है कि मशीन को कैसे व्यवहार करना चाहिए:

विशेषज्ञ A सोचता है कि सामग्री नरम है।
विशेषज्ञ B सोचता है कि सामग्री मध्यम है।
विशेषज्ञ C सोचता है कि सामग्री सख्त है।

तीनों विशेषज्ञ एक ही समय में एक साथ सही गति की गणना कर रहे हैं।

सुपरवाइजर: एक बॉस (सुपरवाइजरी सिस्टम) वास्तविक कटिंग फोर्स को देखता है।
स्कोरकार्ड: बॉस विशेषज्ञों के अनुमानों की वास्तविकता से तुलना करता है। किसका अनुमान सच के सबसे करीब है?
स्विच: बॉस तुरंत सबसे अच्छे विशेषज्ञ को चुनता है और मशीन को नियंत्रित करने के लिए उनके कैलकुलेशन का उपयोग करता है।

"रेसिडेंस टाइम" का नियम:
बॉस को घबराने और हर मिलीसेकंड में विशेषज्ञ बदलने से रोकने के लिए (जिससे मशीन हिल सकती है), एक नियम है: एक बार जब किसी विशेषज्ञ को चुना जाता है, तो उन्हें कम से कम कुछ सेकंड तक प्रभारी रहना चाहिए। यह सिस्टम को दोबारा स्विच करने से पहले स्थिर होने का समय देता है।

शोध में क्या पाया गया (परिणाम)

शोधकर्ताओं ने इन विचारों का परीक्षण करने के लिए कंप्यूटर सिमुलेशन चलाए। यहाँ उनकी खोजें दी गई हैं:

सफर को सुचारू बनाना: पुराने "सीढ़ीनुमा" तरीके (ZOH) के बजाय नए "स्मूथ" तरीके (FROH) का उपयोग करने से झटकेदार गतिविधियों और बल के स्पाइक्स में काफी कमी आई।
जादुई नंबर: उन्होंने पाया कि करेक्शन नॉब के लिए एक विशिष्ट सेटिंग (लगभग 0.5 का $\beta$ मान) सबसे अच्छा काम करती है। यह एक "गोल्डिलॉक्स" सेटिंग थी—न बहुत सख्त, न बहुत ढीली।
टीमवर्क की जीत: "पैनल ऑफ एक्सपर्ट्स" (मल्टी-एस्टिमेशन) वाला सिस्टम और भी बेहतर था। यह सामग्री अचानक बदलने पर तेजी से अनुकूलित हो सकता था। इसने नई स्थितियों को संभालने के लिए सही "विशेषज्ञ" को चुना, जिससे बल स्थिर रहा और टूल टूटने से बच गया।
बेहतर सतह फिनिश: क्योंकि बल अधिक स्थिर था और कंपन कम थे, इसलिए धातु के टुकड़े पर अंतिम कट बहुत अधिक चिकना और सटीक होगा।

सारांश

यह पेपर औद्योगिक मिलिंग मशीनों को नियंत्रित करने का एक नया तरीका प्रस्तुत करता है। एक कठोर, झटकेदार नियंत्रण पद्धति के बजाय, वे एक सुचारू, स्लाइडिंग नियंत्रण पद्धति का उपयोग करते हैं जो वर्चुअल विशेषज्ञों की एक टीम के साथ मिलकर काम करती है जो लगातार सबसे अच्छे तरीके पर वोट देती है।

परिणाम: मशीन अधिक सुचारू रूप से काटती है, औजार लंबे समय तक चलते हैं, और अंतिम उत्पाद अधिक सटीक होता है, और यह सब बिना यह जाने कि धातु के सटीक गुण क्या हैं। यह एक ऐसे रोबोट से अपग्रेड करने जैसा है जो चाकू को झटके देता है, एक ऐसे मास्टर शेफ में जो प्रतिरोध को महसूस करता है और दबाव को तुरंत समायोजित करता है।

तकनीकी सारांश: मिलिंग बलों के नियंत्रण के लिए अनुकूली दृष्टिकोण

समस्या विवरण
मिलिंग प्रक्रियाएं स्वाभाविक रूप से गैर-रेखीय (nonlinear) और समय-परिवर्ती होती हैं, विशेष रूप से जब अक्षीय कटिंग की गहराई (axial depth of cut) बदलती है, जिससे कटिंग बलों में भिन्नता आती है। अत्यधिक बल टूल के घिसाव को तेज कर सकते हैं, चैटर (chatter) उत्पन्न कर सकते हैं, सतह की गुणवत्ता को खराब कर सकते हैं और टूल की विफलता का कारण बन सकते हैं। जबकि पारंपरिक प्रोपोर्शनल-इंटीग्रल-डेरिवेटिव (PID) नियंत्रक व्यापक रूप से उपयोग किए जाते हैं, वे मशीनिंग वातावरण की गतिशील अनिश्चितताओं और गैर-रैखिकता के साथ संघर्ष करते हैं। यद्यपि अनुकूली नियंत्रण (adaptive control) वास्तविक समय में मापदंडों को समायोजित करके एक समाधान प्रदान करता है, पारंपरिक कार्यान्वयन अक्सर विविक्तकरण (discretization) के लिए ज़ीरो-ऑर्डर होल्ड (ZOH) पर निर्भर करते हैं, जिसके परिणामस्वरूप उप-इष्टतम क्षणिक प्रतिक्रिया (suboptimal transient responses), इंटर-सैंपल रिपल्स (inter-sample ripples), और विविक्त ट्रांसफर फंक्शन में अस्थिर शून्य (unstable zeros) हो सकते हैं। यह अध्ययन जिस चुनौती का समाधान करता है वह एक ऐसी नियंत्रण रणनीति विकसित करना है जो सुरक्षा सीमाओं के भीतर कटिंग बलों को बनाए रखते हुए क्षणिक प्रदर्शन में सुधार करे, ओवरशूट को कम करे, और स्थिरता से समझौता किए बिना अचानक प्रक्रिया परिवर्तनों के प्रति अनुकूलन क्षमता को बढ़ाए।

कार्यप्रणाली
लेखक एक अज्ञात समय-परिवर्ती मापदंडों वाले लीनियर प्लांट मॉडल पर आधारित एक नियतकालिक अनुकूली नियंत्रण (deterministic adaptive control) रणनीति प्रस्तावित करते हैं। मुख्य कार्यप्रणाली में तीन मुख्य घटक शामिल हैं:

सिस्टम मॉडलिंग और विविक्तकरण (Discretization):
मिलिंग डायनेमिक्स को एक सेकंड-ऑर्डर निरंतर ट्रांसफर फंक्शन के रूप में मॉडल किया गया है, जो टूल-वर्कपीस इंटरेक्शन और सर्वो-इलेक्ट्रॉनिक्स को जोड़ता है। निरंतर प्लांट और विविक्त नियंत्रक के बीच के अंतर को पाटने के लिए, लेखक मानक ZOH के बजाय एक सुधारक गेन ( $\beta$ ) के साथ फ्रैक्शनल ऑर्डर होल्ड्स (FROH) का उपयोग करते हैं। FROH एक अतिरिक्त स्वतंत्रता की डिग्री पेश करता है; जब $\beta=0$ होता है, तो यह ZOH में बदल जाता है, और जब $\beta=1$ होता है, तो यह फर्स्ट-ऑर्डर होल्ड (FOH) बन जाता है। अध्ययन इस बात की जांच करता है कि कैसे $\beta$ का परिवर्तन विविक्त सिस्टम के पोल्स (poles) और ज़ीरो (zeros) को प्रभावित करता है, जिसका लक्ष्य विशेष रूप से ज़ीरो प्लेसमेंट और इंटर-सैंपल व्यवहार में सुधार करना है।
मॉडल रेफरेंस एडेप्टिव कंट्रोल (MRAC):
एक मॉडल रेफरेंस एडेप्टिव कंट्रोल योजना लागू की गई है जहाँ प्लांट आउटपुट को एक वांछित डायनेमिक्स (विशिष्ट डैम्पिंग और नेचुरल फ्रीक्वेंसी द्वारा विशेषता युक्त) वाले रेफरेंस मॉडल को ट्रैक करने के लिए मजबूर किया जाता है। नियंत्रक मापदंडों को रिकर्सिव लीस्ट स्क्वेयर्स (RLS) एल्गोरिदम का उपयोग करके वास्तविक समय में अपडेट किया जाता है। नियंत्रण नियम (control law) को एक डायोफेंटाइन समीकरण (Diophantine equation) को हल करके प्राप्त किया जाता है ताकि यह सुनिश्चित किया जा सके कि क्लोज्ड-लूप सिस्टम रेफरेंस मॉडल से मेल खाता है, जो विविक्तकरण द्वारा पेश किए गए संभावित अस्थिर ज़ीरो को भी ध्यान में रखता है।
बहु-अनुमान पर्यवेक्षी योजनाएं (Multi-Estimation Supervisory Schemes):
अनिश्चितताओं और अचानक परिवर्तनों (जैसे अक्षीय कटिंग की गहराई में स्टेप परिवर्तन) को संभालने के लिए, दो बहु-अनुमान स्कीमें पेश की गई हैं:

स्कीम 1: कई अनुमानक (estimators) समानांतर में चलते हैं, जिनमें से प्रत्येक एक अलग $\beta$ -FROH विविक्तकरण के तहत प्लांट मापदंडों की पहचान करता है। एक पर्यवेक्षी प्रणाली प्रत्येक सैंपलिंग अंतराल पर सबसे उपयुक्त नियंत्रक का चयन करती है, जो एक बहु-उद्देश्यीय लागत फलन (multi-objective cost function) पर आधारित होता है। यह फलन ट्रैकिंग एरर, आउटपुट वेरिएशन, कंट्रोल सिग्नल वेरिएशन और एस्टिमेशन एरर का मूल्यांकन करता है। स्विचिंग के दौरान क्लोज्ड-लूप स्थिरता सुनिश्चित करने के लिए एक "न्यूनतम निवास समय" (minimum residence time) लागू किया जाता है।
स्कीम 2: एक कम्प्यूटेशनल रूप से हल्का दृष्टिकोण जहाँ केवल वर्तमान में चयनित $\beta$ -गेन से जुड़े अनुमानक को ही अपडेट किया जाता है। एक पर्यवेक्षी तंत्र समानांतर में उपलब्ध उम्मीदवार नियंत्रकों के ट्रैकिंग प्रदर्शन का मूल्यांकन करता है और सर्वश्रेष्ठ ट्रैकिंग व्यवहार वाले नियंत्रक में स्विच करता है, तत्पश्चात उसके मापदंडों का उपयोग एस्टिमेशन के लिए करता है।

प्रमुख योगदान

मिलिंग में $\beta$ -FROH का अनुप्रयोग: यह पेपर मिलिंग सिस्टम के विविक्तकरण के लिए विभिन्न सुधारक गेन के साथ फ्रैक्शनल-ऑर्डर होल्ड्स के उपयोग को पेश करता है, यह प्रदर्शित करते हुए कि यह दृष्टिकोण पारंपरिक ZOH की तुलना में बेहतर क्षणिक प्रदर्शन और स्थिरता प्रदान करता है।
सुपरवाइजरी मल्टी-एस्टिमेशन फ्रेमवर्क: एक विशिष्ट $\beta$ -FROH गेन को चुनने के लिए एक पर्यवेक्षी तंत्र का विकास जो ट्रैकिंग प्रदर्शन इंडेक्स को कम करता है। यह सिस्टम को विभिन्न विविक्तकरण मॉडलों के बीच स्विच करके प्रक्रिया विविधताओं के अनुकूल होने की अनुमति देता है।
निरंतर प्रदर्शन के लिए कॉस्ट फंक्शन: एक विशिष्ट कॉस्ट फंक्शन (समीकरण 13) का प्रस्ताव जो निरंतर-समय सिस्टम आउटपुट और रेफरेंस मॉडल आउटपुट के बीच के क्षेत्र को मापता है। यह मीट्रिक स्पष्ट रूप से इंटर-सैंपल व्यवहार और रिपल्स को ध्यान में रखता है, जो मशीनिंग सतह की गुणवत्ता के लिए महत्वपूर्ण हैं।

परिणाम
सिमुलेशन परिणाम एक मिलिंग सिस्टम पर आयोजित किए गए जिसमें वर्कपीस प्रोफाइल में अक्षीय कटिंग की गहराई में स्टेप परिवर्तन शामिल था।

होल्ड्स की तुलना: ZOH ( $\beta=0$ ) और $\beta=0.5$ के साथ FROH की तुलना करने वाले सिमुलेशन ने दिखाया कि FROH दृष्टिकोण अचानक गहराई-दर-गहराई परिवर्तन के दौरान क्षणिक ओवरशूट और पीक फोर्स को काफी कम कर देता है। यह कमी टूल फ्रैक्चर को रोकने और उच्च रेफरेंस फोर्स के लिए सुरक्षित रूप से काम करने हेतु महत्वपूर्ण है।
इष्टतम $\beta$ मान: कॉस्ट फंक्शन विश्लेषण ने संकेत दिया कि $\beta \approx 0.5$ के मान ने परीक्षण किए गए प्रारंभिक स्थितियों के लिए सिस्टम और रेफरेंस रिस्पॉन्स के बीच एरर एरिया को न्यूनतम किया। पाया गया कि $\beta < -0.6$ के मान अस्थिर ज़ीरो पेश करते हैं, जिससे प्रदर्शन गिर जाता है।
मल्टी-एस्टिमेशन प्रदर्शन: दोनों मल्टी-एस्टिमेशन स्कीम्स ने रेफरेंस फोर्स (1200 N) को सफलतापूर्वक ट्रैक किया और पैरामीटर परिवर्तनों के अनुकूल हुआ। पर्यवेक्षी प्रणाली ने विभिन्न $\beta$ मानों के बीच प्रभावी ढंग से स्विच किया, जो आमतौर पर स्थिर अवस्था के दौरान एक विशिष्ट गेन चुनती है और पीक्स को कम करने के लिए ट्रांजिएंट्स के दौरान अन्य में स्विच करती है। परिणामों ने पुष्टि की कि मल्टी-एस्टिमेशन दृष्टिकोण निश्चित-गेन कार्यान्वयन की तुलना में बेहतर क्षणिक प्रतिक्रिया प्राप्त कर सकता है।

महत्व और दावे
यह पेपर दावा करता है कि प्रस्तावित फ्रेमवर्क मिलिंग में अनुकूली बल विनियमन के लिए एक व्यवस्थित दृष्टिकोण प्रदान करता है, जो प्रक्रिया विविधताओं के प्रति बेहतर अनुकूलन क्षमता और उन्नत मशीनिंग प्रदर्शन प्रदान करता है। लेखक का तर्क है कि क्षणिक प्रतिक्रिया, ज़ीरो प्लेसमेंट और इंटर-सैंपल व्यवहार में सुधार करके, यह रणनीति निम्नलिखित में योगदान देती है:

बेहतर सतह की गुणवत्ता और कम टूल घिसाव।
ओवरशूट को कम करके टूल टूटने की सीमा के करीब सुरक्षित रूप से संचालित करने की क्षमता।
एक मजबूत नियंत्रण आर्किटेक्चर जो सिस्टम के इष्टतम मापदंडों के पूर्ण पूर्व ज्ञान के बिना भी प्रभावी ढंग से कार्य करता है।

यह कार्य अनुकूली नियंत्रण, पर्यवेक्षी निर्णय लेने और भविष्य कहनेवाला अनुकूलन (predictive optimization) सिद्धांतों को जोड़कर इंटेलिजेंट मैन्युफैक्चरिंग और इंडस्ट्री 4.0 की ओर एक कदम के रूप में स्वयं को स्थापित करता है। लेखक नोट करते हैं कि हालांकि मल्टी-एस्टिमेशन स्कीम जटिलता बढ़ाती है, लेकिन अनिश्चित वातावरण में एक श्रेष्ठ मॉडल को पहचानने और संक्रमण करने की इसकी क्षमता इसके उपयोग को न्यायसंगत बनाती है। यह अध्ययन इन दृष्टिकोणों की प्रभावशीलता को उजागर करने के लिए सिमुलेशन परिणामों पर निर्भर करता है।