一种大幅面激光加工方法
技术领域
本发明属于激光加工装备领域,尤其涉及一种大幅面激光加工方法。
背景技术
激光加工机床包括机床轴运动系统和振镜扫描系统,采用拼接加工的方式,通过轴运动对工件进行定位,激光扫描振镜进行激光加工。振镜加工响应快、加工精度和速度较高,广泛应用于激光加工中。但是振镜扫描范围有限,且扫描范围越大精度越差,因此在实际加工中会限制振镜的扫描范围。对于超过振镜最大扫描范围的大幅面加工图案,需要将其分为若干个小图案,通过机床轴运动对每个小图案进行定位,利用振镜进行加工。目前图形的分割主要采用栅格法,该方法处理图形与栅格边界交点较为复杂,并且会造成大量不大于振镜加工幅面的单个图形被分割成多个图形,需要进行多次拼接加工,影响加工精度。
激光加工轨迹描述了激光加工过程中激光焦点与加工工件之间的相对运动关系,它包括实际加工轨迹以及辅助运动轨迹。实际加工轨迹是所绘制的图形轨迹,而各个图形之间并不都是相互连接,因此需要辅助运动实现轨迹之间的跳转以及分割后的小图案之间的定位运动。辅助运动虽然不直接参与工件的切削,但却是加工中必不可少的一部分,会耗费一定的加工时间。与此同时,所绘制的图形顺序为实际加工顺序,一般情况下所绘制的加工图形处于无序状态,特别是分割后图形其加工顺序更加混乱,影响加工效率,一些轨迹相连的图形在实际加工过程中并没有连续加工,会对加工质量造成不利影响。
发明内容
为了解决上述技术问题,本发明提供了一种大幅面激光加工方法,通过对大幅面的激光加工图形进行自动分割,之后对每个分割区域的图形轨迹和各区域之间的机床定位运动轨迹进行优化,然后对拼接加工过程进行控制,并且利用振镜校正机床的定位误差,提高加工质量和加工效率。
本发明采用如下技术方案来实现的:
一种大幅面激光加工方法,该方法采用的激光加工机床包括激光器、振镜头、光路系统、机床三轴运动平台、运动控制卡、振镜控制卡、伺服驱动器和计算机,其中,振镜头安装在机床Z轴平台上,能够随机床Z轴进行上下运动,振镜镜片不摆动时出光方向与机床Z轴平行;工件安装在机床XY轴平台上,通过计算机发送指令到运动控制卡,控制伺服驱动器驱动电机旋转带动工件运动实现定位;激光器发出的激光束经过光路系统进入振镜头,通过计算机向振镜控制卡发送指令控制振镜镜片摆动在工件上形成所需要的加工轨迹;该方法包括以下步骤:
1)对超过振镜加工幅面的图形A进行分割
首先将超过振镜加工幅面的单个图形B离散成1mm大小的图形C,对来源于同一个图形B离散后的图形C进行相同的标记,然后将大幅面的图形A按照从左到右,从下到上的顺序分割成小于振镜加工幅面的区域,单个图形只出现在一个区域中,不再进行离散,并以每个区域的中心作为加工定位点,之后对同一区域具有相同标记的图形C进行重新整合,使相连的图形C整合成图形D;分割完成后每个区域的图形E存储在一个图层内;
2)对分割后的每个区域的图形E利用基于邻域搜索的遗传算法进行轨迹优化,获得各个区域内图形E的振镜加工顺序,并对图形E进行排序,同时各个区域之间的机床定位运动点组成机床的定位运动轨迹图形F,同样采用基于邻域搜索的遗传算法对定位运动轨迹进行优化,获得优化后各个区域之间的加工顺序;
3)按照优化后各个区域的加工顺序,将移动工件到每个区域的加工定位点,利用振镜对该区域所对应的图形E进行加工,直至所有图形E加工完毕。
本发明进一步的改进在于,步骤2)中,对分割后的每个区域的图形E和各区域之间的机床定位运动轨迹图形F利用基于邻域搜索的遗传算法进行轨迹优化,具体实现方法如下:
步骤1:将首尾相连的图形整理成图形链,用图形链取代组成该图形链的图形,减少参与优化的图形的数目;
步骤2:将图形抽象成一个自定义类,这个类包括图形的存储序号,图形的总节点数和起始加工节点序号,用这个类的声明对象代替图形进行优化,同时采用顺序编码的方式进行编码;
步骤3:创建并初始化种群:种群中每个个体通过随机数生成序列,随机数代表图形的序号,并对每一个个体基因设置一个起始加工节点序号,同时设置种群个体数和迭代次数;
步骤4:计算种群的适应度:计算种群中每个个体代表的图形序列所对应的轨迹长度,取其长度的倒数的10000倍作为该个体的适应度,并找出适应度最高的个体;
步骤5:选择一部分个体进入到新种群:将适应度最高的个体添加到新种群,然后通过轮盘法选取新种群其他个体,新种群个体数与旧种群相同;
步骤6:采用顺序交叉法进行选择操作:随机选取两个个体A、B,然后随机选取两个位置m、n,将两个个体A、B在这m、n之间的基因进行互换;
步骤7:变异运算:随机选取一个个体上的随机两个位置m、n,将这两个位置之间基因进行反序;
步骤8:邻域搜索运算,包括插入和交换这两种邻域搜索:插入运算是将个体的每一个基因取出,插入到个体的各个位置,同时改变该基因的起始加工节点序号,计算个体适应度,确定该基因的最优插入位置以及与之相对应的起始加工节点序号,交换运算是将个体的每个基因与该个体的其他基因交换位置,同时遍历该基因的所有节点,计算适应度值,确定与该基因交换的基因的位置以及交换时该基因的节点序号;
步骤9:计算种群适应度,同时当前迭代次数加一,如果当前迭代次数等于所设置的迭代次数,则进入下一步,否则重复步骤5-9;
步骤10:迭代完成之后,选择适应度最高的个体对应的图形序列以及每个图形的起始加工节点对图形进行重新排序整理。
本发明进一步的改进在于,步骤3)中,根据步骤2)中优化得到的各个区域的加工顺序,通过机床运动对各个区域进行定位,对加工区域内的图形E设置振镜偏移,偏移值为机床定位点的光栅尺读取的坐标值,使图形E加工的振镜加工原点移动到区域图形E的中心;同时在振镜加工和机床运动定位停止时判断是否存在中断信号,如果存在中断信号则停止加工,不存在则继续加工,直到所有区域加工完成,机床运动到原点位置,整个加工过程结束。
本发明具有如下有益的技术效果:
本发明提供的一种大幅面激光加工方法,该方法通过对图形进行分割,将超过振镜加工幅面的单个图形离散成很小的图形,分割完成之后重新组合,即增加了离散图形的适应度,同时保证了单个大图形具有较少的拼接次数。将大幅面图形分割为小于振镜加工幅面的图形,每块小幅面图形为一个区域,相邻小区域之间有重合区域,但是单个图形只属于一个区域,保证了每个图形只被加工一次,每个小区域的图形都是完整的图形,没有进行再一次的图形的离散,保证了图形加工的完整性,避免了拼接带来的误差。
轨迹优化之后,每个小区域的图形变得有序,相邻的图形连续加工,辅助运动轨迹大幅缩短,提高了加工质量和加工效率。小区域之间的定位运动轨迹也得到了很好的优化,使机床的整体运动轨迹变短,缩短了定位运动所花费的时间,提高了加工效率。
以实际光栅尺测量值对图形进行平移,通过振镜校正了机床误差,有效地提高了拼接加工精度。同时中断机制可以保证加工过程中可以随时停止以及设备出故障时自动停止。
附图说明
图1为本发明控制系统结构图。
图2为本发明实施例中大幅面图形第一次分割结果图。
图3为本发明实施例中大幅面图形再次分割结果图。
图4为本发明实施例中分割完成结果图。
图5为本发明实施例中轨迹优化前小区域图形的加工轨迹图。
图6为本发明实施例中轨迹优化流程图。
图7为本发明实施例中轨迹优化后小区域图形的加工轨迹图。
图8为本发明实施例中拼接加工控制流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明所采用的激光加工机床控制系统结构如图1所示。该机床由机床三维运动台(包括电机、丝杠和导轨)、伺服驱动器、运动控制卡、振镜头、振镜控制卡、激光器、光路系统和计算机等组成。通过计算机发送指令到运动控制卡,控制伺服驱动器驱动电机旋转带动工件运动实现定位;激光器发出的光经过光路系统进入振镜,通过软件向振镜控制卡发送指令控制振镜摆动在工件上形成所需要的加工图案,一个小区域加工完成后机床运动定位到下一个加工区域进行加工,直到所有图形加工完毕。
在实施例中,如图2所示,区域1中的图形为需要加工的大幅面图形A,首先将较大的单个图形B分割为小的图形C,得到的每个图形均小于振镜加工幅面L×L。计算得到整体图形的边界框1,大小为M×N,其中M,N>L。之后从左侧选取L×N大小的区域2,选取全部落在该区域的图形,图中用虚线表示,首先对这些图形进行分割。如图3所示,在区域2底部划分一个L×L大小的区域3,所有完全落在区域3的图形(虚线表示)即为区域3所对应的图形E,这时区域2被分割为区域3和区域4,将区域4中的图形作为一个整体继续分割直到区域2的所有图形分割完毕。区域2的图形分割完毕后,区域1剩余的图形作为整幅图形重复上述步骤直到所有图形分割完毕。最后分割结果图如图4所示,该大幅面图形总共分成8个区域,每个区域的图形存储在一个图层内,对比图2可以看出相邻区域之间有重叠部分,但单个图形只出现在一个区域中,且单个小于振镜加工幅面的图形一次加工完成,没有进行离散。
图形分割完毕之后对每个小区域的图形E和各区域之间的机床定位运动点所形成的轨迹图形F进行轨迹优化。如图5所示,以分割后得到的区域⑧为例进行优化,带箭头的虚线表示图形之间的跳转轨迹,这也是绘制图形的顺序,可以看出优化前的图形处于一种无序状态,加工顺序比较杂乱,这样会降低加工效率,影响加工质量,下面通过基于邻域搜索的遗传算法进行轨迹优化,如图6所示为优化流程,步骤如下:
步骤1:对图形节点进行提取和整理。首先获得图形的起始加工点和终止加工点,并将具有相同节点的相连图形整合成一个图形链作为一个图形进行优化,这样可以减少参与优化的图形个数,并且相连的图形连续加工,保证加工质量。对于封闭图形链,其所组成图形的节点均可作为起始节点和终止节点,当节点数过多时,均匀选取8个节点代替所有节点进行优化,提高加工效率。
步骤2:将图形抽象成一个自定义类,这个类包括图形的存储序号,图形的总节点数和起始加工节点序号。用这个类的声明对象代替图形进行优化,同时采用顺序编码的方式进行编码。
步骤3:创建并初始化种群。种群中每个个体通过随机数生成序列,并对每一个个体基因设置一个起始加工节点序号,同时设置种群个体数和迭代次数。
步骤4:计算种群适应度:种群中每个个体的适应度表示个体在种群中的生存能力,适应度越大表明个体的生存能力越强。而在路径优化问题中,需要获得较短的轨迹路径,因此个体的适应度应该与个体的路径长度成反比。以路径长度的倒数为适应度值在路径长度较大时会引入较大的舍入误差,因此以每个个体的路径长度的倒数*10000作为其适应度,并选出适应度最高的个体。
步骤5:选择一部分个体进入到新种群。选择采用轮盘法,本实例中种群个体数为20,则建立一个长度为20的数列F[20],F[0]=0,每个个体的适应度为f[i],F[i]=F[i-1]+f[i](20>i>0),然后生成一个大于0小于∑f[i]的随机数a,若a>=F[i]且a<F[i+1},则第i个体被选中进入新种群,步骤4中选出的适应度最高的个体直接进入新种群,被选中的个体还可以继续被选中。
步骤6:随机选取两个个体A、B,然后随机选取两个基因位置m、n,将两个个体在这m、n之间的基因进行互换。基因交换之后按照交叉前的各自的基因顺序将其他的基因填充到剩余位置上,防止基因重复,这样就得到两个新的个体。
步骤7:变异运算,随机选取一个个体,并随机选取该个体的两个基因点位进行两个点位之间基因的反序。
步骤8:邻域搜索。邻域搜索包括两个部分,一个是插入运算,一个是交换运算。
插入运算:随机选取一个个体,取出该个体的一个基因,然后插入到个体各个位置,与此同时遍历该基因的所有节点序号,并计算适应值,确定该基因的最优插入位置以及与之相对应的节点序号,之后对其他基因进行相同的操作。
交换运算:随机选取一个个体,将个体的一个基因与该个体的其他基因交换位置,同时遍历该基因的所有节点寻找最优的交换位置和节点序号,计算适应度值,确定与该基因交换的基因的位置以及交换时该基因的节点,之后对其他基因进行相同的操作。
步骤9:再次计算种群适应度,选出适应度最高的个体,当前迭代次数+1,若果当前迭代次数达到所设置迭代次数,则停止迭代进入下一步,否则重复步骤5到步骤8。
步骤10:解码,按照步骤9得到的适应度最高的个体对应的图形序列以及每个图形的起始加工节点对图形进行重新排序整理,获得优化后的图形序列。
如图7所示为优化后的加工轨迹,对比图5可以明显看出辅助运动轨迹明显缩短,图形加工更有序。
每个小区域的图形优化结束之后按照同样的方法,将小区域的中心点作为一个点组成各区域的机床定位运动轨迹图形进行轨迹优化,得到各个区域的加工顺序,然后按照顺序对每个区域对应的图层进行重新排序。
轨迹优化完成之后按照优化后的顺序对每个区域的图形进行定位加工。如图8所示为定位加工流程图,首先将机床运动到当前加工区域的定位点,获取当前定位点的光栅尺读数,以光栅尺读数作为当前定位点位置对图形进行偏移,使图形的振镜加工原点移动到当前加工区域的中心,之后利用振镜加工当前区域。一个区域加工完成之后机床运动到下一个区域的加工定位点并利用振镜加工该区域图形,直到所有区域加工完毕,机床回到原点,整个加工过程完成。在机床定位运动停止和振镜加工停止时检测是否存在中断信号,如果存在中断则停止加工。这里的定位停止和加工停止包括定位完成和加工完成停止以及人为手动停止。如果不存在中断且存在为未加工的图层,则加工继续。