CN104267671A - 一种数控加工刀具智能选择方法及其系统 - Google Patents

Abstract

本发明涉及一种数控加工刀具智能选择方法及其系统，系统由零件加工信息录入模块、刀具类型及材料选择规则库管理模块、切削加工实例库管理模块块以及切削加工实例检索配置模块组成，通过向本发明系统输入加工零件的相关信息，系统会自动输出实例库中加工该类似零件所使用的刀具，工艺人员只需直接调用或适当修改刀具的几何参数便可以直接使用及加工，方便快捷，大大降低了对操作人员的专业化要求。

Description

一种数控加工刀具智能选择方法及其系统

技术领域

本发明及刀具选择系统，尤其涉及一种基于规则推理(RBR)及实例推理(CBR)的数控加工刀具智能选择方法及其系统。

背景技术

刀具是生产制造系统中的重要组成部分，合理的刀具选择对零件加工的几何形状，尺寸精度，表面质量及加工成本等方面具有很大影响。近年来，随着机械行业的发展，客户对产品的要求越来越高，伴随而来的是零件的加工要求不断提高，零件的种类也越来越多。为了满足零件的加工要求，生产中所使用的各类刀具的种类也越来越多。这就导致在生产之前，刀具的准备工作越来越复杂，对工艺人员的专业化要求也越来越高。因此，基于上述问题，对刀具的智能选择进行研究有着重要的实际意义。

发明内容

本申请人针对上述现有问题，进行了研究改进，提供一种数控加工刀具智能选择方法及其系统，该方法基于相集成的规则推理和实例推理，充份利用现有加工经验，快速有效的选择出符合加工要求的刀具。

本发明所采用的技术方案如下：

一种数控加工刀具智能选择方法，包括以下步骤：

第一步：向零件加工信息录入模块中录入加工零件的信息，其中录入加工零件的信息包括零件自身的固有属性、零件的加工性质以及零件的加工要求属性三大类；

第二步：将第一步录入的零件自身的固有属性、零件的加工性质，结合刀具类型及材料选择规则库管理模块并通过规则推理得出所需选择刀具的刀具类型及刀具材料；

第三步：将第一步录入的零件的加工性质、第二步所得刀具类型及刀具材料，通过切削加工实例库管理模块进行初步检索，得出候选实例集；

第四步：利用切削加工实例检索匹配模块将第一步录入零件的加工要求属性结合实例推理与第三步所得候选实例集进行相似度匹配，从切削加工实例库管理模块中检索匹配出与录入加工零件信息相似度最高的实例。

其进一步技术方案在于：

所述零件自身的固有属性由零件的加工特征及零件材质组成；所述零件的加工要求属性由零件特征尺寸、加工精度范围以及加工表面粗糙度组成；

所述刀具类型及材料选择规则库管理模块包含规则前提管理模块，规则体管理模块，规则结论管理模块；规则前提管理模块用于存储零件加工特征、零件材质、零件的加工性质；规则结论管理模块用于存储相应的刀具类型、刀具材料；规则体管理模块，则用来存储规则，所述规则为规则前提与规则结论之间的对应映射关系。

一种数控加工刀具智能选择系统，由零件加工信息录入模块、刀具类型及材料选择规则库管理模块、切削加工实例库管理模块块以及切削加工实例检索配置模块组成，所述零件加工信息录入模块用于获取加工零件的信息；刀具类型及材料选择规则库管理模块用于对获取加工零件的信息进行规则推理并得出规则结论；切削加工实例库管理模块用于存储和管理系统中已有的加工实例；切削加工实例检索匹配模块根据录入加工信息、以及依据规则推理得出的规则结论从切削加工实例库中检索匹配出与录入问题最相似的实例，并直接调用或适当修改实例所用刀具的几何参数作为录入问题的解。

本发明的有益效果如下：

本发明充分利用企业现有的加工信息，通过向本发明系统输入加工零件的相关信息，系统会自动输出实例库中加工该类似零件所使用的刀具，工艺人员只需直接调用或适当修改刀具的几何参数便可以直接使用及加工，方便快捷，大大降低了对操作人员的专业化要求。

附图说明

图1为本发明方法的流程示意图。

图2为刀具类型及材料选择规则库中的部分表格结构及映射图。

图3为切削加工实例库管理模块的示意图。

图4为时，计算区间属性相似度的高斯函数分布图(表示区间中值，表示区间的长度)。

图5为时，计算区间属性相似度的高斯函数分布图。

图6为时，计算区间属性相似度的高斯函数分布图。

具体实施方式

下面结合附图，说明本发明的具体实施方式。

一种数控加工刀具智能选择方法及其系统，包括以下步骤：

第一步：向零件加工信息录入模块中录入加工零件的信息，其中录入加工零件的信息包括零件自身的固有属性、零件的加工性质以及零件的加工要求属性三大类；其中零件自身的固有属性由零件的加工特征(车外圆、铣平面、铣槽、钻孔、绞孔等)、零件材质(40Cr、45#等)组成；零件的加工性质(粗加工、半精加工、精加工)组成；而零件的加工要求属性则由零件特征尺寸(长度、宽度、曲率半径、槽宽、槽深等)、加工精度范围及加工表面粗糙度组成。

第二步：将第一步录入的零件自身的固有属性、零件的加工性质，结合刀具类型及材料选择规则库管理模块并通过规则推理得出所需选择刀具的刀具类型及刀具材料。

上述规则推理(RBR)是指对相关领域专家在其领域内实践、研究经验的总结，这种经验通过一定的编码方式提取、归纳，内置到规则中，并以规则的形式表现出来。其知识表达通常采用产生式，表达形式为IF(条件满足)，THEN(动作执行)，上述规则推理为已有公知技术。

上述刀具类型及材料选择规则库管理模块用于存储和维护生产上根据所零件的加工特征、零件材质、零件的加工性质与所选用刀具之间的关系总结出来的规则。刀具类型的选择主要取决于零件的加工性质和零件加工特征，刀具材料的选择则主要由零件加工性质和零件材质决定。

根据上述原则建立刀具类型及材料选择规则库管理模块，规则库管理模块的部分表格结构如图2所示，刀具类型及材料选择规则库管理模块包含三个子模块：规则前提管理模块，规则体管理模块，规则结论管理模块。规则前提管理模块用于存储零件加工特征、零件材质、零件的加工性质等前提条件。规则结论管理模块用于存储相应的刀具类型、刀具材料等信息。规则体管理模块，则用来存储具体的规则，即规则前提与规则结论之间的对应映射关系。如图2所示，规则前提和规则结论通过规则体连接，即在满足规则前提的条件下，通过规则体的规则映射匹配，得到最终的规则结论。

第三步：将第一步录入的零件的加工性质、第二步所得刀具类型及刀具材料这三个属性作为初始索引条件，先进入切削加工实例库管理模块中进行检索，检索出初步满足要求的候选实例集，由此在实例推理前对实例库进行了一次预判，大大提高了实例获取的精确度，且使获取的实例集合规模大为缩小，使实例推理更具针对性。

其中切削加工实例库管理模块用于存储和管理系统中已有加工实例的相关信息知识。已有加工实例的管理通常包含实例的组织表示和实例的存储维护两个方面的内容。其中实例的组织表示是实例推理中最基础的一个环节，其表示的好坏对实例推理的效率和应用范围影响很大。采用面向对象的知识表示方法来表示零件加工中的刀具选择实例，建立了如下的实例模型：Case(Q,R)＝Case[(q1,q2,……,qn),(r1,r2,……,rn)]，其中：Q＝(q1,q2,……,qn),Q是实例的问题描述部分，qi包括零件特征、零件材质、加工性质、特征尺寸、精度范围、表面粗糙度等；R＝(r1,r2,……,rn)，R是问题的解决方案部分，ri包括使用何种刀具、刀具物料组成、加工切削参数等。综上所述一个实例包含问题描述和问题解决方法两方面的内容。实例的存储维护是指根据实例的组织表示结构将实例存入系统数据库，为便于后期的检索维护，对实例按照一定的标准进行层次分类存储。

如图3所示，切削加工实例库管理模块中第一层按照零件加工类型进行分类，零件加工类型主要由车削、铣削、钻削、镗削等等组成，同时对零件不同的加工类型给与不同的编码代号(如车C,铣X,钻Z，镗T，磨M，铰J，拉L，刨B，插H，攻丝G等)。第二层则按照零件的形状特征进行分类(零件的形状特征例如平面、曲面、槽、孔等)，同样对上述零件不同的形状特征进行编码代号(例如平面P、侧面E、曲面Q、槽C，孔K，螺纹L，倒角D)，将上述特征以一定的编码规则编入案例编号，便于后期对实例库进行检索和维护，例如XP00001，其中XP代表加工特征为铣削平面，00001代表实例流水号。

第四步：通过切削加工实例检索匹配模块将第一步录入的零件的加工要求属性结合实例推理与第三步所得候选实例集进行相似度匹配，从切削加工实例库管理模块中检索匹配出与录入加工零件信息相似度最高的实例。

实例推理(CBR)是指在已有切削加工实例库管理模块中找到与当前加工问题最相似的实例，通过直接调用或修改过去解决问题的方法、来形成现在新问题的解决方法。其核心在于用过去求解问题的经验来解决当前新问题。基本步骤为：问题描述、实例检索、实例修改、实例复用。

由于第三步中已经进行了初步检索，因此在该步骤中只需要对候选实例集中的实例属性进行相似度匹配(即实例匹配)，需要进行相似度匹配(实例匹配)的实例属性为零件的加工要求属性，而零件的加工要求属性又包括零件特征尺寸、加工精度范围、加工表面粗糙度，其中零件特征尺寸和加工表面粗糙度是模糊数字型属性，而加工精度范围是模糊区间型属性，采用基于模糊数学隶属函数理论的相似度计算方法，选择典型高斯函数作为隶属函数来计算实例属性间的相似度，能有效计算出实例和录入问题之间数字型和区间型属性的相似度。对于模糊数字型属性μ_s(z)的相似度计算方法，其计算公式为：

$\begin{array}{cc}{\mathrm{\μ}}_s\left(z\right)=e^{-\frac{{(z-s)}^2}{{2a}^2}}& z_{\min }\≤z\≤z_{\max }\end{array}$

上述公式(1)中s为录入新问题的属性值；z为实例集中某一实例的属性值。Z_min、Z_man分别表示实例集中对应属性的最小值和最大值；σ表示高斯函数宽度,σ＝max((s-z_min)/3,(z_max-s)/3)。即目标问题属性s与对应的实例属性z之间的相似度为s(s,z)＝μ_s(z)。而对于模糊区间型属性μ_x(z)的相似度计算方法，建立了符合其特点的高斯函数:

${\mathrm{\μ}}_x\left(z\right)=\frac{1}{\sqrt{2\mathrm{\π\σ}}}{e}^{-\frac{{(z-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}}$

其中：(为区间中值)；(为区间的长度)。假设x＝(x₁,x₂)为目标问题属性，y＝(y₁,y₂)为某一实例所对应的属性，两者所对应高斯函数分别为、μ_X(z)、μ_y(z)、x＝(x₁+x₂)/2、y＝(y₁+y₂)/2、x＝x₂-x₁、y＝y₂-y₁，则x，y之间的相似度为:

(1)若且时，高斯分布如图4(a)所示，x,y之间的相似度为：

$s(x,y)=\frac{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}}{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}}$

当时，高斯分布如图4(b)所示，x,y之间的相似度为：

$s(x,y)=\frac{{\∫}_{-\∞}^t{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_t^{+\∞}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}}{{\∫}_{-\∞}^t{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_t^{+\∞}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}}$

当时，高斯分布如图4(c)所示，x,y之间的相似度为：

$s(x,y)=\frac{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}}{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}}$

(2)若且时，高斯分布如图5(a)所示，x,y之间的相似度为：

$s(x,y)=\frac{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}}{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}}$

当时，高斯分布如图5(b)所示，x,y之间的相似度为：

$s(x,y)=\frac{{\∫}_{-\∞}^t{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_t^{+\∞}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}}{{\∫}_{-\∞}^t{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_t^{+\∞}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}}$

当时，高斯分布如图5(c)所示，x,y之间的相似度为：

$s(x,y)=\frac{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}}{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}}$

(3)若且当时，高斯分布如图6(a)所示，x,y之间的相似度为：

$s(x,y)=\frac{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}}{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}}$

当时，高斯分布如图6(b)所示，x,y之间的相似度为：

$s(x,y)=\frac{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}}{{\∫}_{-\∞}^{t_1}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}+{\∫}_{t_1}^{t_2}{\mathrm{\μ}}_x\left(z\right)\mathrm{dz}+{\∫}_{t_2}^{+\∞}{\mathrm{\μ}}_y\left(z\right)\mathrm{dz}}$

在考虑到实例间不同属性对最终刀具选择结果的影响程度不同，采用层次分析法确定实例属性之间的权重w_i(i＝1,2...,n)，且(表示所有实例属性的权重和为1)，结合实例属性与录入问题属性之间的相似度s(s_i,z_i)，以此可计算实例整体与新录入问题的全局相似度(其中：j代表实例，i代表实例描述部分所需计算相似度的属性)。参考与新录入问题最相似实例的解决方法，直接调用或适当修改最相似实例所用刀具的几何参数可作为新问题的解。

上述层次分析法及相似度计算方法均为已有公知技术。

实施例1：

以江苏南通某电梯零部件制造企业的生产实际为例。加工一批磁铁安装板，零件材质为40Cr，半精铣其表面，零件表面长度24cm，宽度20cm，要求精度范围[-0.5，+0.5]，表面粗糙度1.0。

第一步：首先用户在零件信息录入模块中录入零件的加工特征为铣平面，零件材质为40Cr，加工性质为半精加工。

第二步：系统会输出其所要选择刀具的刀具类型为端铣刀、刀具材质为PBCN，触发规则如下：

IF零件加工特征＝铣平面and加工性质＝半精加工THEN刀具类型＝端铣刀

IF零件材质＝40Crand加工性质＝半精加工THEN刀具材料＝PBCN

第三步：然后以第二步所述规则结论为初始信息对切削加工实例库管理模块中进行检索，得到候选实例集如下表1(表1表示候选实例集问题描述部分属性值)所示：

第四步：实例相似度计算的具体步骤如下：

(1)运用层次分析法(AHP法)计算各特征属性的权重，求得长度L，宽度W，精度范围Δ，表面粗糙度Ra的权重分别为0.082，0.082，0.306，0.529.

(2)根据上文所述的相似度计算公式得出各实例属性与录入问题属性的局部相似度s(si,zi)如下表2(表示各实例属性相似度)所示：

(3)根据全局相似度计算公式计算各实例的全局相似度，所得各实例的全局相似度分别为:0.2713，0.7742,0.6090,0.6511,0.6306。由此可见，实例2与目标问题最为相似，因此可以通过对实例2中刀具参数的适当修改作为目标问题的解。

以上描述是对本发明的解释，不是对发明的限定，本发明所限定的范围参见权利要求，在不违背本发明的基本结构的情况下，本发明可以作任何形式的修改。

Claims (4)

1.一种数控加工刀具智能选择方法，其特征在于包括以下步骤：

第一步：向零件加工信息录入模块中录入加工零件的信息，其中录入加工零件的信息包括零件自身的固有属性、零件的加工性质以及零件的加工要求属性三大类；

第二步：将第一步录入的零件自身的固有属性、零件的加工性质，结合刀具类型及材料选择规则库管理模块并通过规则推理得出所需选择刀具的刀具类型及刀具材料；

第三步：将第一步录入的零件的加工性质、第二步所得刀具类型及刀具材料，通过切削加工实例库管理模块进行初步检索，得出候选实例集；

第四步：利用切削加工实例检索匹配模块将第一步录入零件的加工要求属性结合实例推理与第三步所得候选实例集进行相似度匹配，从切削加工实例库管理模块中检索匹配出与录入加工零件信息相似度最高的实例。

2.如权利要求1所述的一种数控加工刀具智能选择方法，其特征在于：所述零件自身的固有属性由零件的加工特征及零件材质组成；所述零件的加工要求属性由零件特征尺寸、加工精度范围以及加工表面粗糙度组成。

3.如权利要求1所述的一种数控加工刀具智能选择方法，其特征在于：所述刀具类型及材料选择规则库管理模块包含规则前提管理模块，规则体管理模块，规则结论管理模块；规则前提管理模块用于存储零件加工特征、零件材质、零件的加工性质；规则结论管理模块用于存储相应的刀具类型、刀具材料；规则体管理模块，则用来存储规则，所述规则为规则前提与规则结论之间的对应映射关系。

4.一种数控加工刀具智能选择系统，其特征在于：由零件加工信息录入模块、刀具类型及材料选择规则库管理模块、切削加工实例库管理模块块以及切削加工实例检索配置模块组成，所述零件加工信息录入模块用于获取加工零件的信息；刀具类型及材料选择规则库管理模块用于对获取加工零件的信息进行规则推理并得出规则结论；切削加工实例库管理模块用于存储和管理系统中已有的加工实例；切削加工实例检索匹配模块根据录入加工信息、以及依据规则推理得出的规则结论从切削加工实例库中检索匹配出与录入问题最相似的实例，并直接调用或适当修改实例所用刀具的几何参数作为录入问题的解。