CN104536385A - 一种数控机床加工程序的修正方法 - Google Patents

Abstract

本发明公开了一种数控机床的加工程序修正方法，属于数控技术领域，包括如下步骤：S1.采集机床运行状态数据，建立机床运行状态数据与加工程序的映射关系；S2.确定阈值，对不连续特征对应的加工程序段进行标记，所述不连续特征即为机床运行状态数据中大于阈值的数据；S3.计算不连续特征对应的加工程序段的修正值；S4.将步骤S2中所述标记以及步骤S3中所述修正值反馈给数控系统界面，以用于修正加工程序。本发明方法可对数控加工过程中造成工件质量缺陷的程序进行快速定位并进行修正。

Description

一种数控机床加工程序的修正方法

技术领域

本发明属于数控技术领域，更具体地，涉及一种数控机床加工程序的修正方法。

背景技术

数控机床在切削过程中会产生大量的反映状态的物理量数据，如各运动轴电机电流、主轴振动频率、温度等机电系统和机械系统的特性数据。当数控系统执行到某段指令时机床运行状态特征超出了机电系统和机械特性所能承受的范围，例如机床振动剧烈或者主轴转速不均匀，此时采集的反映运行状态的数据值就会过大，该状态数据称为不连续特征。

当出现不连续特征时，数控加工得到的工件会出现局部质量问题，特别是高速切削条件下，机电系统动态特性等因素会引起工件的被加工表面局部出现小坑或者粗糙度不符合要求等表面质量不均匀问题，或者是实际切削轨迹偏离G代码指定轨迹，亦或加工精度不稳定等问题，此时需要对加工程序进行修正以使工件质量良好并符合加工要求，而定位到这些相应的缺陷程序段却很困难，或者是定位效率低，进而给用户分析缺陷原因、修正程序带来很大不便。

但是，目前的数控加工程序修正方法是从几何特征优化、减少加工时间的角度来对加工程序进行修正。如公开号为CN103260824A的中国专利，通过修正刀路中的空切走刀段，如刀具的后退、移动、接近刀轨，来提高加工效率；又如公开号为CN102809944A的中国专利，通过把刀路中不平滑移动路径修正为平滑路径，来缩短加工时间。以上方法不能用于定位到不连续特征对应的缺陷程序段，相应的，也没用公开如何去修正相应的程序段以消除工件质量缺陷。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种数控机床加工程序的修正方法，其能快速定位出工件质量缺陷对应的程序位置，还能计算出修正该加工程序的修正值，并将结果反馈给操作人员以用于修正程序，其目的在于准确定位与工件质量缺陷相对应的加工程序位置，并可对相应缺陷程序段进行修正，由此解决数控加工中无法对造成工件质量缺陷的程序进行定位和修正的的技术问题。

为实现上述目的，本发明提供了一种数控机床的加工程序修正方法，其特征在于，包括如下步骤：

S1：采集机床运行状态数据，建立机床运行状态数据与加工程序的映射关系；

S2：确定阈值，对不连续特征对应的加工程序段进行标记，所述不连续特征即为机床运行状态数据中大于阈值的数据；

S3:计算不连续特征对应的加工程序段的修正值；

S4：将步骤S2中所述标记以及步骤S3中所述修正值反馈给数控系统界面，以用于进行修正加工程序。

进一步的，步骤S1中通过指令域示波器采集机床运行状态数据。指令域是将G代码程序的指令段按加工顺序排列起来的集合，其包含加工过程中刀路几何特征的数据。指令域示波器是数控系统里的采集、显示模块，它通过高频采样，可记录、显示任意时刻工件加工过程中的机床运行状态数据及加工刀路几何特征信息。

进一步的，步骤S1中，建立机床运行状态数据与加工程序的映射关系具体为，先基于数控机床系统的插补周期建立机床运行状态数据与插补数据的对应关系，再根据插补数据与加工程序的对应关系，从而建立机床运行状态数据与加工程序的映射关系。

进一步的，步骤S2中，采用统计方法确定阈值，具体为：

(i)先将机床运行状态数据整数化处理，所述整数化处理按照以下公式进行：

$F\left(\mathrm{\β}\right)=\mathrm{int}(\frac{\mathrm{\β}}{\max }\·N)$

其中，β为机床运行状态数据；max为所有机床运行状态数据里的最大值；N为划分的等份，N取正整数，且N大于1000，在实际计算中为了方便，可将N取值为1024或者其他值；int表示对进行取整，F(β)表示机床运行状态数据整数化处理后的值；

(ii)计算按照步骤(i)中经过所述整数化处理获得的值的平均值Mean，其公式如下：

$\mathrm{Mean}=\frac{1}{M}[F_1\left(\mathrm{\β}\right)+F_2\left(\mathrm{\β}\right)+...+F_i\left(\mathrm{\β}\right)...+F_M\left(\mathrm{\β}\right)]$

其中，M为状态数据的个数，F_i(β)为第i个状态数据经过整数化处理后的值；

(iii)最后计算得出阈值Threshold，公式如下：

$\mathrm{Threshold}=K\·\frac{\mathrm{Mean}+\mathrm{Max}}{2},K=1~1.5$

其中，Mean为步骤(ii)中所述平均值，K为经验系数，Max为F(β)值里最大的值。

进一步的，步骤S3中，所述修正值的计算具体是基于数控机床系统的历史数据进行，还可以根据经验公式进行。

进一步的，步骤S1中，采集机床运行状态数据具体为采集进行试切工作的机床的运行状态数据，以在试切时候发现不连续特征并进行修正，从而保证实际批量加工中工件的质量。

总体而言，通过本发明所构思的以上技术方案与现有技术对比，可以取得如下有益效果：

1、先基于数控机床系统的插补周期建立机床运行状态数据与插补数据的对应关系，再根据插补数据与加工程序的对应关系，从而建立机床运行状态数据与加工程序的映射关系，根据该映射关系可快速定位造成质量缺陷的程序段，并根据统计方法计算出缺陷程序段的修正值，供操作人员参考，用于修正缺陷程序段。

2、通过试切来发现并修正数控机床加工程序，保证数控机床在实际批量加工时候的加工程序无缺陷，避免批量加工时出现机床剧烈振动、刀具磨损或者刀具断裂等异常情况，从而使机床整体运行更平稳，有助于使机床保持活力以及延长刀具加工寿命。

3、对于航空件、叶片等的复杂零件加工，运用该修正方法，可逐渐形成关于主轴转速、切削深度、进给速度、刀具轨迹优化、机床加速度、伺服增益等工艺参数方面的专家数据库，用于给用户提供更恰当的修正参考值。

总而言之，本发明方法可自动快速定位缺陷程序段，并将缺陷程序段对应的修正值反馈给操作人员参考及优化，极大的方便了用户。

附图说明

图1是本发明实施例方法中步骤流程示意图；

图2是本发明实施例方法中机床运行状态数据与加工程序的映射原理图；

图3是本发明实施例方法中机床运行状态数据与加工程序映射关系示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1是本发明实施例方法中步骤流程示意图，结合该图对本发明方法进一步详细说明。

本发明方法包括如下步骤：

S1：采集机床运行状态数据，建立机床运行状态数据与加工程序的映射关系。建立机床运行状态数据与加工程序的映射关系具体为，先基于数控机床系统插补周期建立机床运行状态数据与插补数据的对应关系，再根据插补数据与加工程序的对应关系，从而建立机床运行状态数据与加工程序的映射关系。

图2为本发明实施例方法中机床运行状态数据与加工程序的映射原理图，也正是基于该原理，才可以建立机床运行状态数据与加工程序的映射关系。

该步骤中通过指令域示波器采集机床运行状态数据。指令域是将G代码程序的指令段按加工顺序排列起来的集合，其包含加工过程中刀路几何特征的数据。指令域示波器是数控系统里的采集、显示模块，它通过高频采样，可记录、显示任意时刻工件加工过程中的机床运行状态数据及加工刀路几何特征信息。

更加具体的，一方面，采集进行试切工作的机床的运行状态数据时，先启动指令域示波器对机床运行状态数据采样，取采样周期ΔT等于数控机床系统的插补周期，ΔT＝1ms，从指令域示波器的采集模块以ΔT时间间隔读取机床运行状态数据信息，机床运行状态数据包括机床主轴电流I_spind，X轴、Y轴和Z轴各自的电流I_x、I_y、I_z，A、B两个不同方向的摆动轴电流I_A、I_B，振动频率f_vibra，机床温度T_temp。另一方面，数控机床系统会将G代码程序进行插补，在第n个插补周期会将第m行G代码插补成插补数据Δx_n,Δy_n,Δz_n,Δa_n,Δb，_n则使得插补数据与G代码一一相对应。

由于采样周期和插补周期相同，则在第n个采样周期也即第n个插补周期会采集第n个运行状态数据I_{spind_n},I_{x_n},I_{y_n},I_{z_n},I_{A_n},I_{B_n},f_{vibra_n},T_{temp_n}，同时，数控机床系统会在第n个插补周期将第m行G代码插补成插补数据Δx_n,Δy_n,Δz_n,Δa_n,Δb_n，其标记为第n个插补数据，这样，第n个运行状态数据就与第m行G代码程序形成了映射关系。如图3所示，图3为本发明实施例方法中机床运行状态数据与加工程序映射关系示意图。

S2：确定阈值，对不连续特征对应的加工程序段进行标记，所述不连续特征即为机床运行状态数据中大于阈值的数据；采用统计方法确定阈值，具体为：

(i)先将机床运行状态数据整数化处理，所述整数化处理按照以下公式进行：

$F\left(\mathrm{\β}\right)=\mathrm{int}(\frac{\mathrm{\β}}{\max }\·N)$

其中，β为机床运行状态数据；max为所有机床运行状态数据里的最大值；N为划分的等份，N取正整数，且N大于1000，在实际计算中为了方便，可将N取值为1024或者其他值；int表示对进行取整，F(β)表示机床运行状态数据整数化处理后获得的值；

(ii)计算按照步骤(i)中经过所述整数化处理获得的值的平均值Mean，其公式如下：

$\mathrm{Mean}=\frac{1}{M}[F_1\left(\mathrm{\β}\right)+F_2\left(\mathrm{\β}\right)+...+F_i\left(\mathrm{\β}\right)...+F_M\left(\mathrm{\β}\right)]$

其中，M为状态数据的个数，F_i(β)为第i个状态数据经过整数化处理后的值；

(iii)最后计算得出阈值Threshold，公式如下：

$\mathrm{Threshold}=K\·\frac{\mathrm{Mean}+\mathrm{Max}}{2},K=1~1.5$

其中，Mean为步骤(ii)中所述平均值，Max为F(β)值里最大的值，K为经验系数。

确定出合适的阈值或合理区间后，再将任意时刻采集的机床运行状态数据与阈值进行比较，若某机床运行状态数据超出阈值的，表示该状态数据超过机电系统或者机械系统所承受范围，即该处为不连续特征。

以主轴电流I_spind为例进一步说明如下：

采用指令域示波器已经采集获得的机床运行状态数据总个数为M＝100万个，先将机床运行状态数据按照步骤(i)进行整数化处理，划分的等份N＝2048，则第i个主轴电流整数化后的值max为100万个状态数据里的最大值，总获得100万个的F(I)。

接着，再计算出整数化处理后的获得的总共100万个F(I)的平均值I_mean：

$I_{\mathrm{mean}}=\frac{1}{1.0\·e^6}[F\left(I_{\mathrm{spind}\_1}\right)+F\left(I_{\mathrm{spind}\_2}\right)...+F\left(I_{\mathrm{spind}\_i}\right)+...+F\left(I_{\mathrm{spind}\_1.0\·e^6}\right)],$

然后，筛选出这些经过整数化处理后获得的值里的最大值I_max：

$I_{\max }=\mathrm{Max}\left(\right[F\left(I_{\mathrm{spind}\_1}\right)+F\left(I_{\mathrm{spind}\_2}\right)...+F\left(I_{\mathrm{spind}\_i}\right)+...+F\left(I_{\mathrm{spind}\_1.0\·e^6}\right)\left]\right),$

最后，计算阈值，阈值 $I_{\mathrm{threshold}}=K\·\frac{I_{\mathrm{mean}}+I_{\max }}{2},K=1.2.$ K值在此取1.2为经验值。

若某机床主轴电流数据经过整数化处理后的值F(I_spind)＞I_threshold，则确认该处电流值为不连续特征，记下该主轴电流的索引号及该数据点所对应的G代码行号m，即为该不连续特征对应的加工程序段进行标记。

S3：计算不连续特征对应的加工程序段的修正值，具体是基于数控机床系统的历史数据进行，还可以根据经验公式进行。

以主轴电流I_spind的不连续特征为例，从数控机床系统的历史数据可知，通过降低进给速度或提高主轴转速S可以对主轴电流不连续特征进行修正。本实施例中选择提高主轴转速S的方式来修正主轴电流的不连续特征，按照历史数据库提供的如下公式计算：

$S_{\mathrm{revise}}=\frac{F\left(I_{\mathrm{spind}\_i}\right)}{I_{\mathrm{threshold}}}\·S$

其中，S为修正前的主轴转速，本实施例中S＝5000转/分钟，F(I_{spind_i})为第i个主轴电流经过整数化处理后获得的值，I_threshold为主轴电流的阈值。S_revise为修正主轴转速。计算得到修正主轴转速S_revise后，调整机床的主轴转速为该S_revise，即可对主轴电流进修正。

如果计算的主轴转速S_revise≥Max_S，则取S_revise＝Max_S，其中Max_S为本实施例数控机床所能承受的最大主轴转速。即，若采用提高主轴转速的方式来修正主轴电流，计算得到的修正主轴转速的S_revise，若大于该数控机床所能承受的最大主轴转速，则取该机床的最大主轴转速用来修正主轴电流。

以上修正主轴电流的具体示例只给出了修正值的一种计算方式，实际上，关于修正值的计算不具体局限于以上方式，本领域的技术人员还可以根据已知的常识或者经验，通过常规手段获得。

S4：将主轴转速修正值S_revise及G代码行号m从数控系统内核层传给应用层的G代码显示框里，并将对应的第m行G代码以红色字体显示。即，将计算得到的修正值实时传送给数控系统界面，以用于供操作人员参考并进行修正加工程序。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种数控机床的加工程序修正方法，其特征在于，包括如下步骤：

S1：采集机床运行状态数据，建立机床运行状态数据与加工程序的映射关系；

S2：确定阈值，对不连续特征对应的加工程序段进行标记，所述不连续特征为机床运行状态数据中大于阈值的数据；

S3:计算不连续特征对应的加工程序段的修正值；

S4：将步骤S2中所述标记以及步骤S3中所述修正值反馈给数控系统界面，以用于进行修正加工程序。

2.如权利要求1所述的一种数控机床的加工程序修正方法，其特征在于，步骤S1中通过指令域示波器采集机床运行状态数据。

3.如权利要求1所述的一种数控机床的加工程序修正方法，其特征在于，步骤S1中，先基于数控机床系统的插补周期建立机床运行状态数据与插补数据的对应关系，再根据插补数据与加工程序的对应关系，从而建立机床运行状态数据与加工程序的映射关系。

4.如权利要求1所述的一种数控机床的加工程序修正方法，其特征在于，步骤S2中，采用统计方法确定阈值，具体为：

(i)先将机床运行状态数据整数化处理，所述整数化处理按照以下公式进行：

$F\left(\mathrm{\β}\right)=\mathrm{int}(\frac{\mathrm{\β}}{\max }\·N)$

其中，β为机床运行状态数据；max为所有机床运行状态数据里的最大值；N为划分的等份，N取正整数，且N大于1000；int表示对进行取整，F(β)表示机床运行状态数据整数化处理后的值；

(ii)计算按照步骤(i)中经过所述整数化处理获得的值的平均值Mean，其公式如下：

$\mathrm{Mean}=\frac{1}{M}[F_1\left(\mathrm{\β}\right)+F_2\left(\mathrm{\β}\right)+...+F_i\left(\mathrm{\β}\right)...+F_M\left(\mathrm{\β}\right)]$

其中，M为状态数据的个数，F_i(β)为第i个状态数据经过整数化处理后的值；

(iii)最后计算得出阈值Threshold，公式如下：

$\mathrm{Threshold}=K\·\frac{\mathrm{Mean}+\mathrm{Max}}{2},K=1~1.5$

其中，Mean为步骤(ii)中所述平均值，K为经验系数，Max为F(β)值里最大的值。

5.如权利要求1或4所述的一种数控机床的加工程序修正方法，其特征在于，步骤S1中，采集进行试切工作的机床运行状态数据，以用于在试切工件的时候发现不连续特征并进行修正，从而能保证实际批量加工中工件的质量。