CN107491036B - 机床加工能耗控制方法及加工机床 - Google Patents

机床加工能耗控制方法及加工机床 Download PDF

Info

Publication number
CN107491036B
CN107491036B CN201710770952.5A CN201710770952A CN107491036B CN 107491036 B CN107491036 B CN 107491036B CN 201710770952 A CN201710770952 A CN 201710770952A CN 107491036 B CN107491036 B CN 107491036B
Authority
CN
China
Prior art keywords
energy consumption
machine tool
current
machining
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710770952.5A
Other languages
English (en)
Other versions
CN107491036A (zh
Inventor
朱晨曦
李洪丞
刘国胜
杨海东
朱成就
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710770952.5A priority Critical patent/CN107491036B/zh
Publication of CN107491036A publication Critical patent/CN107491036A/zh
Application granted granted Critical
Publication of CN107491036B publication Critical patent/CN107491036B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32021—Energy management, balance and limit power to tools
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种机床加工能耗控制方法，包括步骤：步骤100，获取机床当前实际加工参数和当前能耗；步骤200，通过当前实际加工参数和当前能耗建立加工参数与能耗之间的状态空间模型；步骤300，根据所述状态空间模型获取当前加工步骤最低能耗状态下的加工参数，并作为最优加工参数；步骤400，将所述最优加工参数反馈至所述机床。在该机床加工能耗控制方法中，利用了当前加工参数和当前能耗，建立了加工参数与能耗之间的状态空间模型，进而可以通过状态空间模型获取最低能耗状态下的加工参数，以可以降低加工能耗，所以可以有效地解决现有技术中机床加工能耗很难控制的问题。本发明还公开了一种采用上述机床加工能耗控制方法的加工机床。

Description

机床加工能耗控制方法及加工机床
技术领域
本发明涉及机械加工技术领域，更具体地说，涉及一种机床加工能耗控制方法，还涉及一种采用上述机床加工能耗控制方法的加工机床。
背景技术
零件在数控机床上进行加工时，首先需要确定加工工艺，在确定加工工艺后，对于加工工艺的各步加工参数，当各步按造设定的加工参数加工完成后，进行下一步加工，直到完成整个加工工艺。如加工工艺包括粗车外圆、精车外圆、钻孔、粗车外圆和精车外圆，各步加工步骤，一般包括主轴转速n、切削速度Vc、进给量f、背吃刀量ap等中几个，如粗车外圆的加工参数一般是：主轴转速1000转每秒，切削速度100毫米每分钟，进给量0.3毫米，而背吃刀量2毫米。
目前在制造系统能耗特性研究、能耗检测、机器优化设计、运行参数优化、调度优化等方面，但对于机床的能耗控制效果依然不好。
综上所述，如何有效地解决现有技术中机床加工能耗很难控制的问题，是目前本领域技术人员急需解决的问题。
发明内容
有鉴于此，本发明的第一个目的在于提供一种机床加工能耗控制方法，该机床加工能耗控制方法可以有效地解决现有技术中机床加工能耗很难控制的问题，本发明的第二个目的是提供一种采用上述机床加工能耗控制方法的加工机床。
为了达到上述第一个目的，本发明提供如下技术方案：
一种机床加工能耗控制方法，包括步骤：
步骤100，获取机床当前实际加工参数和当前能耗；
步骤200，通过当前实际加工参数和当前能耗建立加工参数与能耗之间的状态空间模型；
步骤300，根据所述状态空间模型获取当前加工步骤最低能耗状态下的加工参数，并作为最优加工参数；
步骤400，将所述最优加工参数反馈至所述机床。
优选地，在所述步骤100之前还包括：
步骤500，采用决策树式工艺决策逻辑规则生成工艺路线。
优选地，所述获取机床当前实际加工参数和当前能耗为：
通过机床数据输出口获取机床当前实际加工参数和当前能耗。
优选地，所述步骤400后，还包括：
步骤600：返回步骤100直至加工完成。
优选地，所述步骤300为：
根据状态空间模型，通过神经网络PID控制单元调整当前加工参数以获取当前加工步骤最低能耗状态下的加工参数。
根据上述的技术方案，可以知道在应用该机床加工能耗控制方法时，在机床开始按预先设定的加工参数启动加工步骤后，同时当前加工参数以及输出的能耗，建立状态空间模型，通过状态空间模型分析当前加工步骤最低能耗状态下的加工参数，此时机床调整加工参数继续加工。在该机床加工能耗控制方法中，利用了当前加工参数和当前能耗，建立了加工参数与能耗之间的状态空间模型，进而可以通过状态空间模型获取最低能耗状态下的加工参数，以可以降低加工能耗。综上所述，该机床加工能耗控制方法能够有效地解决现有技术中机床加工能耗很难控制的问题。
基于上述实施例提供的机床加工能耗控制方法，本发明还提供一种加工机床，具体的该加工机床包括：
机床控制器，用于按设定的加工工艺控制加工工具逐步执行工件的加工，并能够实时获取当前实际加工参数以及当前能耗。
能效控制器，能够从所述机床控制器处获取当前实际加工参数和当前能耗，并能够通过所述当前实际加工参数和所述当前能耗建立加工参数与能耗之间的状态空间模型，并能够根据所述状态空间模型获取当前加工步骤最低能耗状态下的加工参数以作为最优加工参数，并将所述最优加工参数反馈至机床控制器以使所述机床控制器将当所述最优加工参数作为当前设定加工参数。
由于该加工机床采用了上述的机床加工能耗控制方法，所以该加工机床也应具有上述有益效果。
优选地，所述机床控制器能够根据输入的工件毛坯尺寸以及成型尺寸要求采用决策树式工艺决策逻辑规则生成工艺路线。
优选地，所述能效控制器包括神经网络PID控制单元，所述神经网络PID控制单元能够根据状态空间模型调整当前加工参数以获取当前加工步骤最低能耗状态下的加工参数。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的机床加工能耗控制方法的流程示意图；
图2为本发明实施例提供的一种加工设备状态空间的示意图；
图3为本发明实施例提供的神经网络PID控制单元的控制方式示意图。
具体实施方式
本发明实施例公开了一种机床加工能耗控制方法，以有效地解决现有技术中机床加工能耗很难控制的问题。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的机床加工能耗控制方法的流程示意图。
在一种具体实施例中，本实施例提供了一种机床加工能耗控制方法，具体的该机床加工能耗控制方法包括如下步骤。
步骤100：获取当前机床当前实际加工参数和当前能耗。
其中加工参数，指的是当前加工步骤的各个设定的加工量，具体的加工参数可能是主轴转速n、切削速度f、背吃刀量ap等，需要说明的是，这些加工参数可以是全部当前设定值，也可以是全部当前检测值，当然还可以是一部分是设定值，另一部分是当前检测值，例如对于其中的主轴转速可以采用当前实际值，背吃刀量可以采用当前设定值。为了方便获取上述数值，具体的，可以是通过机床数据输出口获取机床当前实际加工参数和当前能耗，目前很多的机床均能够均设置数据采集口，并能够将自身检测以及当前设定数据通过该数据采集口向传输，为了操作方便，降低成本，可以通过机床获取。
步骤200：通过当前实际加工参数和当前能耗建立加工参数与能耗之间的状态空间模型。
状态是是描述系统运动行为的一些信息集合，即可以通过当前或以前的工作状态，即知道输入量和输出量，若工作状态没有改变，则可以根据接下来的输入量，来推定接下来的输出量，其中输入量又称为状态变量。即，若已知t＝t0时的状态和t>t0时的输出，则可以确定系统在t>t0的任一时刻的运动状况。
其中状态变量一般指足以完全描述系统运动行为的最小变量组。完全描述是指如果给定了t＝t0时刻一组变量值，和t>t0时输入的时间函数，系统在t>t0的任何瞬间的行为就完全确定了，则称这组变量为对系统的完全描述。最小变量组意味着给定的这组变量之间是互相独立的。减少变量，则描述不完整，增加变量则变量之间一定存在线性相关性。需要说明的是，只需要在允许偏差范围内，去除一些影响不大的变量亦是在允许范围之内。
其中当前加工步骤的实际加工参数作为变量，即输入量，而将当前能耗作为输出量。其中状态变量指的是，能够影响能耗的各个加工参数。将具体将状态变量看做是向量X(t)的分量，其中X(t)包括x1(t)、x2(t)、x3(t)、……、xn(t)，其中x1(t)、x2(t)、x3(t)、……、xn(t)分别表示各个加工参数，其中的n表示影响能耗的加工参数个数。状态空间是指以状态变量x1(t)、x2(t)、x3(t)、……、xn(t)为坐标轴所构成的n维空间，而在某一特定时刻t，状态向量X(t)是状态空间的一个点。
进一步的，建立状态方程，即上述由状态变量构成的一阶微分方程，以反映系统中状态变量和输入变量的因果关系，也反映每个状态变量对时间的变化关系。具体的状态方程如下：
Figure BDA0001395007590000051
上式中X1、X2……Xn分别表示：各个加工步骤的输出量即能耗量，或者是某个加工步骤的各个时间段输出量即能耗量。
上式中x1、x2……xn分别表示：状态变量中各个变量，即各个加工参数；
上式中μ1、μ2……μn分别表示：为无关的变量，即不影响能耗的加工参数。
上式中aij(i＝1、2、3…n，j＝1、2、3…n)、bij(i＝1、2、3…n，j＝1、2、3…r)均为系数。
状态方程也可以写成矩阵形式：
X＝Ax+Bμ，
其中X表示的是X1、X2……Xn，A表示的aij(i＝1、2、3…n，j＝1、2、3…n)，B表示bij(i＝1、2、3…n，j＝1、2、3…r)，其中x表示x1、x2……xn，其中μ表示μ1、μ2……μn。
而在生产过程在中，并非所有的输出都是可观测的，设输出与状态变量的关系为：
Y＝Cx
上述式中Y为输出变量，即机加工设备的能耗状况，C为观测矩阵cij(i＝1、2、3…m，j＝1、2、3…n),表征输出和每个状态变量的关系，其中x表示的是状态变量中各个变量，即各个加工参数。
同时，由于制造过程中由于输入和输出阶段都存在系统误差和测量误差。令输入噪声为p，输出噪声为q，则由式状态方程和输出与状态变量的关系式，可得状态空间模型的一般形式为：
Figure BDA0001395007590000061
每种类型的设备有不同的操作状态，表现出不同的能源消耗模式。在将时间T内，有Q种操作状态，具体可以参考附图2：图2是一种加工设备状态空间的示意图。
步骤300，根据所述状态空间模型获取当前加工步骤最低能耗状态下的加工参数，并作为最优加工参数；
根据上述建立的状态空间模型，便可以通过各个加工参数的输入预先计算出能耗，基于此，在各个加工参数允许调整范围内，便可以通过调整加工参数，来获取最低能耗状态下的加工参数，并将该加工参数作为最优加工参数。需要说明的是，其中最优加工参数应当是允许范围内。
步骤400：将所述最优加工参数反馈至所述机床。
当获取最优加工参数后，将该参数反馈至机床，以使机床调整加工参数，来获得最低能耗。
在本实施例中，在应用该机床加工能耗控制方法时，在机床开始按预先设定的加工参数启动加工步骤后，同时当前加工参数以及输出的能耗，建立状态空间模型，通过状态空间模型分析当前加工步骤最低能耗状态下的加工参数，此时机床调整加工参数继续加工。在该机床加工能耗控制方法中，利用了当前加工参数和当前能耗，建立了加工参数与能耗之间的状态空间模型，进而可以通过状态空间模型获取最低能耗状态下的加工参数，以可以降低加工能耗。综上所述，该机床加工能耗控制方法能够有效地解决现有技术中机床加工能耗很难控制的问题。
进一步的，优选在上述步骤100之前还包括：步骤500，采用决策树式工艺决策逻辑规则生成工艺路线。
具体的可以利用创成式CAPP(Computer Aided Process Planning，计算机辅助工艺过程设计)系统中决策树式工艺决策逻辑规则生成工艺路线。对一个待加工的零件而言，它的某一加工状态对应着决策树中的一个结点，从一个结点变化到另一个结点反映的就是工件从一个状态变化到另一个状态的过程，其实也就是对应工艺路线中的某一特定的工步。通常树的根结点代表的是零件加工完毕的状态，树的每一个叶结点代表一种毛坯状态。为了获得最佳的工艺路线，系统会在各个分枝结点做出决策，具体可以利用某一特定的目标函数的值或者某些判定条件作为判定依据，判定的依据一般是能耗低优先、加工时长短优先、加工精度高优先。一直到叶子结点，最后将所找到的那条路径颠倒过来就可得到该零件的加工工艺路线。具体的，基于零件和毛坯的几何形状及加工时工艺要求的差值，从最终的零件几何形状和技术要求出发逐步辨识，反向生成工艺路线；过程如下：辨识零件特征，生成加工工步，修改零件的几何形状；这个过程不断重复直至整个决策树生成为止，进而得到工艺路线。
进一步的，优选步骤400后，还包括：步骤:600：返回步骤100直至加工完成。
在调整机床的加工参数之后，机床按该加工参数的能耗预测出来，而随着运行的进行，机床本身的工作状态，以及加工零件的性质可能发生细微变化。基于此，在加工完成之前，循环建立状态空间模型，以利于实时修正机床的加工参数，以进一步的降低能耗。
进一步的，优选所述步骤300具体为：根据状态空间模型，通过神经网络PID调整当前加工参数以获取当前加工步骤最低能耗状态下的加工参数。
在建立起状态空间模型后，需要通过对状态空间模型以及对应的能耗状态进行分析，对各个加工状态下的相关参数进行能效控制，从而得出新的能效结果。采用神经网络PID控制单元对机加工装备的主轴转速n、切削速度Vc、进给量f、背吃刀量ap等加工参数进行调整，继而以达到控制优化的目的。即，将智能控制与常规PID控制相结合，其设计理念是:利用专家控制、模糊控制和神经网络控制技术，将人工智能以非线性控制方式应用到常规PID控制器中，使系统在任何运行状态下都能得到比常规PID控制更好的控制性能。智能PID控制具有控制器参数在线自动调整的特点，对系统参数变化具有较好的适应性。具体参见附图图3，图3为神经网络PID控制单元的控制方式示意图。
运用神经网络PID控制。与模糊PID控制和专家PID控制不同，基于神经网络的PID控制不是用神经网络来整定PID的参数，而是用神经网络直接作为控制器。神经网络具有任意非线性表示能力，并且结构和学习算法简单明确，可以通过神经网络自身的学习，以及训练神经网络的权系数，间接地调整主轴转速n、切削速度Vc、进给量f、背吃刀量ap这几个参数，直到寻找到最优能效下的PID参数，从而达到能效控制优化的结果。
基于上述实施例提供的机床加工能耗控制方法，本发明还提供一种加工机床，具体的该加工机床包括：
机床控制器，用于按设定的加工工艺控制加工工具逐步执行工件的加工，并能够实时获取当前实际加工参数以及当前能耗。
能效控制器，能够从所述机床控制器处获取当前实际加工参数和当前能耗，并能够通过所述当前实际加工参数和所述当前能耗建立加工参数与能耗之间的状态空间模型，并能够根据所述状态空间模型获取当前加工步骤最低能耗状态下的加工参数以作为最优加工参数，并将所述最优加工参数反馈至机床控制器以使所述机床控制器将当所述最优加工参数作为当前设定加工参数。
由于该加工机床采用了上述实施例中的机床加工能耗控制方法，所以该加工机床的有益效果可以参考上述实施例。
进一步的，优选机床控制器能够根据输入的工件毛坯尺寸以及成型尺寸要求采用决策树式工艺决策逻辑规则生成工艺路线。具体方式可以参考上述实施例。
进一步的，优选能效控制器包括神经网络PID控制单元，该神经网络PID控制单元能够根据状态空间模型调整当前加工参数以获取当前加工步骤最低能耗状态下的加工参数。具体的操作方式参考上述实施例。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种机床加工能耗控制方法，其特征在于，包括步骤：
步骤100，获取机床当前实际加工参数和当前能耗；
步骤200，通过当前实际加工参数和当前能耗建立加工参数与能耗之间的状态空间模型；
步骤300，根据所述状态空间模型获取当前加工步骤最低能耗状态下的加工参数，并作为最优加工参数；
步骤400，将所述最优加工参数反馈至所述机床；
所述状态空间模型为：
Figure FDA0002378949820000011
其中X表示的是各个加工步骤的能耗量或当前加工步骤的各个时间段能耗量X1、X2……Xn，A表示系数aij(i＝1、2、3…n，j＝1、2、3…n)，B表示系数bij(i＝1、2、3…n，j＝1、2、3…r)，其中x表示状态变量中各个加工参数x1、x2……xn，其中μ表示无关的变量μ1、μ2……μn，输入噪声为p；
其中Y为机加工设备的能耗状况，C为观测矩阵cij(i＝1、2、3…m，j＝1、2、3…n)，表示输出和每个状态变量的关系，其中x表示的是状态变量中各个加工参数，输出噪声为q。
2.根据权利要求1所述的机床加工能耗控制方法，其特征在于，在所述步骤100之前还包括：
步骤500，采用决策树式工艺决策逻辑规则生成工艺路线。
3.根据权利要求2所述的机床加工能耗控制方法，其特征在于，所述获取机床当前实际加工参数和当前能耗为：
通过机床数据输出口获取机床当前实际加工参数和当前能耗。
4.根据权利要求1-3任一项所述的机床加工能耗控制方法，其特征在于，所述步骤400后，还包括步骤：
步骤600：返回步骤100直至加工完成。
5.根据权利要求4所述的机床加工能耗控制方法，其特征在于，所述步骤300为：
根据状态空间模型，通过神经网络PID控制单元调整当前加工参数以获取当前加工步骤最低能耗状态下的加工参数。
6.一种加工机床，其特征在于，包括：
机床控制器，用于按设定的加工工艺控制加工工具逐步执行工件的加工，并能够实时获取当前实际加工参数以及当前能耗；
能效控制器，能够从所述机床控制器处获取当前实际加工参数和当前能耗，并能够通过所述当前实际加工参数和所述当前能耗建立加工参数与能耗之间的状态空间模型，并能够根据所述状态空间模型获取当前加工步骤最低能耗状态下的加工参数以作为最优加工参数，并将所述最优加工参数反馈至机床控制器以使所述机床控制器将当所述最优加工参数作为当前设定加工参数；
所述状态空间模型为：
Figure FDA0002378949820000021
其中X表示的是各个加工步骤的能耗量或当前加工步骤的各个时间段能耗量X1、X2……Xn，A表示系数aij(i＝1、2、3…n，j＝1、2、3…n)，B表示系数bij(i＝1、2、3…n，j＝1、2、3…r)，其中x表示状态变量中各个加工参数x1、x2……xn，其中μ表示无关的变量μ1、μ2……μn，输入噪声为p；
其中Y为机加工设备的能耗状况，C为观测矩阵cij(i＝1、2、3…m，j＝1、2、3…n)，表示输出和每个状态变量的关系，其中x表示的是状态变量中各个加工参数，输出噪声为q。
7.根据权利要求6所述的加工机床，其特征在于，所述机床控制器能够根据输入的工件毛坯尺寸以及成型尺寸要求采用决策树式工艺决策逻辑规则生成工艺路线。
8.根据权利要求7所述的加工机床，其特征在于，所述能效控制器包括神经网络PID控制单元，所述神经网络PID控制单元能够根据状态空间模型调整当前加工参数以获取当前加工步骤最低能耗状态下的加工参数。
CN201710770952.5A 2017-08-31 2017-08-31 机床加工能耗控制方法及加工机床 Expired - Fee Related CN107491036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710770952.5A CN107491036B (zh) 2017-08-31 2017-08-31 机床加工能耗控制方法及加工机床

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710770952.5A CN107491036B (zh) 2017-08-31 2017-08-31 机床加工能耗控制方法及加工机床

Publications (2)

Publication Number Publication Date
CN107491036A CN107491036A (zh) 2017-12-19
CN107491036B true CN107491036B (zh) 2020-06-09

Family

ID=60645961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710770952.5A Expired - Fee Related CN107491036B (zh) 2017-08-31 2017-08-31 机床加工能耗控制方法及加工机床

Country Status (1)

Country Link
CN (1) CN107491036B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109521729B (zh) * 2018-11-14 2020-05-29 内蒙古工业大学 一种三轴数控机床可补偿及不可补偿几何误差分离方法
CN112255968A (zh) * 2020-11-10 2021-01-22 苏州艾汇格物联科技有限公司 一种机床能耗监测系统及方法
CN117111585B (zh) * 2023-09-08 2024-02-09 广东工业大学 基于容差子关系粗糙集的数控机床健康状态预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1517821A (zh) * 2003-01-13 2004-08-04 重庆大学 一种机械加工系统节能降噪方法
CN105259791B (zh) * 2015-11-16 2017-11-03 哈尔滨工业大学 一种基于通用切削能耗模型的加工参数优化方法
CN105844356A (zh) * 2016-03-22 2016-08-10 江南大学 基于自适应遗传算法的机床切削用量能耗优化方法
CN105929689B (zh) * 2016-04-22 2017-12-08 江南大学 基于粒子群算法的机床制造系统加工节能优化方法

Also Published As

Publication number Publication date
CN107491036A (zh) 2017-12-19

Similar Documents

Publication Publication Date Title
CN107220734B (zh) 基于决策树的数控车床车削过程能耗预测系统
DE102016010064B4 (de) Numerische Steuerung mit Bearbeitungsbedingungsanpassungsfunktion zum Verringern des Auftretens von Rattern oder Werkzeugverschleiss/-bruch
JP6680756B2 (ja) 制御装置及び機械学習装置
DE102016008994B4 (de) Werkzeugmaschine, simulationsvorrichtung und maschineneinlerngerät
CN107491036B (zh) 机床加工能耗控制方法及加工机床
CN111694320B (zh) 一种虑及颤振抑制的机床自适应控制方法
CN110488754B (zh) 一种基于ga-bp神经网络算法的机床自适应控制方法
DE102018211682A1 (de) Maschinelle lernvorrichtung, numerische steuervorrichtung, numerisches steuersystem und maschinelles lernverfahren
CN105700466A (zh) 高速数控加工轨迹的曲率光顺方法
CN116088419B (zh) 基于参数优化的数控机床加工控制方法、系统及相关设备
Zuperl et al. Modeling and adaptive force control of milling by using artificial techniques
US20030187624A1 (en) CNC control unit with learning ability for machining centers
CN112051799A (zh) 一种机械加工自适应控制方法
TWI684080B (zh) 智慧型調整系統及其方法
US20170090452A1 (en) Machine tool for generating speed distribution
CN110376969A (zh) 调整装置以及调整方法
CN108427378B (zh) 数值控制装置
CN110518848B (zh) 基于单神经元与改进粒子群算法优化双电机高速高精度同步控制方法
Tandon et al. A novel artificial neural networks force model for end milling
CN116339242B (zh) 一种自由曲面刀具路径生成方法及相关设备
CN117608246A (zh) 一种适用于多工序零件的数控机床自适应加工方法
CN106094722B (zh) 智能车床控制方法
CN104950676A (zh) 时变电力系统自适应控制方法和装置
CN107942953A (zh) 一种抑制加工颤振的方法
CN116057485A (zh) 用于加工工件的设备和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200609

Termination date: 20210831

CF01 Termination of patent right due to non-payment of annual fee