人工智能技术在处理那些基于精确数学模型的传统方法不能很凑效的、具有高度非线性、时变性及不确定性对象时，具有独特的效果。回顾控制理论的发展历程可以看出，它的发展过程反映了人类由机械化时代进入电气化时代，并走向自动化、信息化、智能化时代。从60年代起，由于空间技术、计算机技术及人工智能技术的发展，控制界学者在研究自组织、自学习控制的基础上，为了提高系统的自学习能力，开始将人工智能技术与方法应用于实际控制系统：1.计算机数控技术自从由硬件数控跨越式发展到软件数控以来，最近二十年，仍处于一个功能不断完善的时期，虽然也有一些新颖数控技术的报道，但还没有突破传统的系统框架。

本文立足于上述状况，提出将人工智能技术应用于计算机数控系统中，寻求中间的交叉点和结合的新途径。由于数控机床是一个机、电、液、气相结合的复杂被控对象，很难建立精确的数学模型，采用经典控制理论虽能解决一些控制问题，但在加工过程的控制和故障诊断及维修方面显得有些困难。为此，本文针对数控系统的某一个功能模块，采用人工智能技术来予以实现，以达到替换或者提高系统性能的目的。

1模糊控制在数控系统中的应用模糊数学（也称模糊集合论）是1965年由L.A.Zadeh所创。他在深入探索和研究“大系统”、“模糊性”、“计算机”和“人脑思维”之间的关系与矛盾过程中，从数学与人脑思维的分离处入手，结果发现Contor所创的集合论实质上是剔除了模糊性而抽象出来的数学概念，是把思维过程绝对化，从而达到精确和严格的目的。为此，他将模糊性和数学统一起来，并且不是让数学放弃其严格性去迁就模糊性，而是让数学回过头来吸取人脑对于模糊现象认识和推理中的优点，于是1965年在InformationandControl）〉杂志上发表了第一篇开创性经典论文“FuzzySets这时，可以使用一个二维模糊控制器来实现增益控制。其结构框图如所示。图中FPD的模糊查询表可采用隶属度函数和规则推理获得，也可采用简单实用的规则自调整控制策略。

位置环增益模糊控制原理框人工神经网络在数控系统中的应用人工神经网络（ANN）的研究由来已久，并且曾经在60年代掀起过一次研究热潮。但在经历了十年的低谷后，80年代开始复兴，又吸引了研究人员极大的兴趣。概括起来，ANN具有如下几个显著特点：分布式存贮信息，即使网络的某一部分受到损坏，可依靠联想记忆功能恢复出原来的信息。

并行方式处理信息，大大加快了运行速度。

连续方式进行学习，方法简单。

以众多的神经元组成一个网络，可以逼近任意非线性系统。

所以，基于ANN设计的控制系统，均具有较好的适应性、智能性和鲁棒性，能够处理高维数、非线性、强干扰、不确定、难建模的复杂对象，具体体现在如下几个方面：利用自适应神经元来实现数控系统位置环软件增益的调节控制。

利用ANN来实现数控系统的故障诊断。

利用ANN来实现数控系统的插补计算。

CNC系统中插补计算是其中的核心模块之一，它是根据被加工零件轮廓的线型、起点、终点、速度等信息，在起点与终点之间插入一些中间点的过程，也相当于“数据点的密化处理‘。而BP型人工神经网络具有极强的复杂函数逼近能力，并且已经证明：利用一个三层BP神经网络，只要各层节点数足够，理论上就能逼近任意复杂程度的非线性函数。我们可以利用这个特点，构造出一个三层BP神经网络，用来插补非圆曲线轮廓，如所示。

3专家系统在数控系统中的应用六十年代，并且获得了极为有价值的应用。所谓专家系统就是一个提供具有人类专门水平的求解专业范围内重要问题的计算机程序系统。它能解决那些专门领域中的结构不明确、或者难以确定算法的知识推理问题。一般来说，一个功能比较完善的ES由七部分组成：知识库、推理机制、问题理解、用户接口、结论、学习机制、知识获取，具体如所示。

但是，一般专家系统规模相对都较大，属静态知识处理范畴，面对实际控制系统还不能实现在线控制。

为此，Astrom于1984年将它引入实时控制领域，并首次提出专家控制（ExpertControl）的名称，目前发展成为智能控制领域的一个重要分支。

计算机数控系统（机床）是一个融（下转第40页）3结论对数控加过程进行了深入细致地研究，提出了数控机床加工中广义工序思想和适用于数控加工切削用量优化方法。系统地建立了数控加工中主要加工方法的优化数学模型，并开发出了相应的应用软件，通过在四五七厂精密加工分厂实际验证，经济效益十分显著。

通过对刀具切削实验，建立了较为切合实际的耐用经验公式。