CN110442099A - 一种基于长短期记忆的数控加工工艺参数优化方法 - Google Patents

Abstract

本发明实施例公开了一种基于长短期记忆的数控加工工艺参数优化方法，步骤S1、运行G代码，得到G代码的指令序号，以及包括进给速度在内的工作任务数据和状态数据；步骤S2、深度神经网络根据接受到当前状态的状态数据，前向传播预测出当前状态的下一状态第m行的G代码第n次的进给速度步骤S3、判断进给速度是否在进给速度的允许范围内，如果是则进行骤S4，否则返回步骤S2；步骤S4、用对原第m行的G代码的进给速度进行第n次替换修正，并运行；步骤S5、判断加工精度ERR与加工效率是否大于预设值，如果是则执行步骤S6，否则返回步骤S2步骤S6、判断参数是否结束，如果是则转步骤S7，否则返回步骤S1；步骤S7、提取最优参数。

Description

一种基于长短期记忆的数控加工工艺参数优化方法

技术领域

本发明实施例涉及加工工艺参数优化技术领域，具体涉及一种基于长短期记忆的数控加工工艺参数优化方法。

背景技术

在加工过程中，加工精度以及加工效率与切削参数息息相关，虽然加工路径可以通过CAM软件生成，但是工艺参数的设置往往依托于员工的经验值，无法最大限度的发挥工艺参数的具体价值，参数设置不当往往造成切削力的增大，最后甚至影响刀具与机床的寿命。

现有的加工方法都是通过修正空切走刀段、刀具的后退等优化几何特征的方法进行减少时间，以上方法无法对加工效率相关的进给速度进行优化。

发明内容

为此，本发明实施例提供一种基于长短期记忆的数控加工工艺参数优化方法，以解决现有技术中的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

一种基于长短期记忆的数控加工工艺参数优化方法，其特征在于，包括如下步骤：

步骤S1、运行数控机床的G代码，得到所述G代码的指令序号，以及包括进给速度在内的工作任务数据和状态数据；

步骤S2、深度神经网络根据接受到当前状态的所述状态数据，前向传播预测出当前状态的下一状态第m行的所述G代码第n次的所述进给速度

步骤S3、判断所述进给速度是否在进给速度的允许范围内，如果是则进行下一步骤S4，否则返回步骤S2；

步骤S4、用预测得到的所述下一状态的进给速度对原第m行的G代码的所述进给速度进行第n次替换修正，并运行修正后的所述G代码；

步骤S5、判断加工精度ERR与加工效率是否大于预设值，如果是则执行下一步骤S6，否则返回步骤S2

步骤S6、判断参数是否结束，如果是则转下一步骤S7，否则返回步骤S1

步骤S7、提取最优参数。

优选地，所述步骤S2中的深度神经网络为长短期记忆神经网络，且为预先训练好的。

优选地，所述深度神经网络的训练方法包括：

步骤201、采集数控机床的位置控制装置程序运行时的位移增量，以及从数值控制装置获取进给速度，对所述位移增量和所述进给速度的数据进行分段，将其分为M个加工工件的加工过程对应的M段信号；

步骤202、对于每段信号进行规整处理，使各段信号长度一致，然后将规整的各段位移增量信号数据，送入长短期记忆的网络中进行训练，其中输入的序列为X∈{x^t|T_i＜T＜T_i+Δ}，其中x^t＝[Δx,Δy,Δz]为各个轴的X、Y、Z的增量，T为G代码行号；

步骤S3、用位移增量的训练的结果对进给速度进行预测，输出为Y＝{y^t|T_i＜T＜T_i+Δ}其中y_t＝[ΔF_x,ΔF_y,ΔF_z]为各个轴的预测进给速度，利用已知的实际进给速度y_实，得到实际进给速度y_实与预测进给速度y_t的误差值，通过反向传播算法，并使用随机梯度下降法最小化误差，可以最终完成深度神经网络的训练。

优选地，在所述步骤S3中，

对所述进给速度的判断是预测结果进行的一次过滤，不局限于是否超过了最高进给速度；

如果低于最低进给速度同样属于过滤范围；

如果进行预测超过两次预测值大于最大进给速度或者小于最小速度则各自取小于最大值F_max合适值F_ma；以及大于F_min合适值F_mi；

所述进给速度的值可以预先设定，也可以根据条件设定。

优选地，所述步骤S4中，对所述进给速度进行的替换，优先进行局部替换，然后才进行全局替换。

优选地，所述工作任务数据是进给速度F下运动的G代码，所述状态数据是从数控机床内部直接获取的进给轴的电流、脉冲信号、位置增量和进给速度。

优选地，所述加工精度ERR表达式为：

其中R为实际运行轨迹与指令运行轨迹之间的差值。

本发明的实施方式具有如下优点：

本发明的方法主要结合了神经网络的强大感知能力对于参数进行预测优化，避免传统经验的不确定性；而且能够保证程序处于最大安全载荷的稳定工作状态下，生成具有最优参数的数控程序，提搞了程序的质量；最优参数可以提取出来，可以反复使用，从而提高了生产效率。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例提供的加工工艺参数优化方法流程示意图；

图2为本发明实施例提供的长短期记忆的训练流程示意图；

图3为本发明实施例提供的长短期记忆网络链式结构图；

图4为本发明实施例提供的长短期记忆的神经单元内结构图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。

如图1所示，本发明提供了一种基于长短期记忆的数控加工工艺参数优化方法，具体步骤如下：

步骤S1、运行数控G代码，得到G代码的指令序号以及进给速度F在内的工作任务数据和状态数据；

其中，工作任务数据是进给速度F下运动的G代码，状态数据是从数控机床内部直接获取的进给轴的电流、脉冲信号、位置增量、进给速度等。

步骤S2、深度神经网络根据接受到的工作任务数据与状态数据，前向传播预测出该状态下一状态的第m行G代码的第n次的进给速度其中神经网络的参数是提前训练好的

其中深度神经网络为长短期记忆神经网络，本发明深度神经网络的训练方法如图2所示，具体包括如下步骤：

步骤201、采集数控机床的位置控制装置程序运行时的位移增量，以及从数值控制装置获取到进给速度，并对数据进行分段，将M个加工工件的加工过程对应M段信号进行划分；

步骤202、对于每段信号进行规整处理，使各段信号长度一致，然后将规整的各段位移增量信号数据，送入长短期记忆的网络中进行训练，其中输入的序列为X∈{x^t|T_i＜T＜T_i+Δ}，其中x^t＝[Δx,Δy,Δz]为各个轴的X、Y、Z的增量，T为G代码行号；

在本实施例中，长短期记忆网络(LSTM)是循环神经网络(RNN)的一种特殊形式(如图3)，解决了RNN在反向传播过程提低衰减的问题，因此能够利用长期历史信息帮助网络进行决策，其神经单元如图4所示，由遗忘门f决定丢弃神经元中哪些信息需要丢弃；输入出门i和g决定更新细胞中的保存信息；输出门o决定输出信息；

f_t＝σ(W_fxx_t+W_fhh_t-1)+b_f

i_t＝σ(W_ixx_t+W_ihh_t-1)+b_i

g_t＝ψ(W_gxx_t+W_ghh_t-1)+b_g

o_t＝σ(W_oxx_t+W_ohh_t-1)+b_o

S_t＝g_i·i_t+s_t-1·f_t

h_t＝o_t·ψ(s_t)

式中W都为权重信号，b都是偏置值，h_t为隐藏层，式中ψ(x)＝tanh(x)，σ(x)＝1/(1+e^-x)。

步骤203、用位移增量的训练的结果对进给速度进行预测，输出为Y＝{y^pr|T_i＜T＜T_i+Δ}其中y^pr＝[ΔF_x,ΔF_y,ΔF_z]为各个轴的预测进给速度，利用已知的实际进给速度y^t，可得到实际进给速度y^t与预测进给速度y^p的误差值，通过反向传播算法的随机梯度下降法最小化误差，可以最终完成训练。

具体的，采用处理过的位移增量数据作为长短期记忆网络(LSTM)的输入进行训练后，网络通过对输入数据X进行编码，在输出时再进行解码的得到初步的进给速度预测值Y,利用实际进给速度y^t与预测进给速度y^p的误差值，为了最小化差值，采用反向传播算法的随机梯度下降法对神经网络的梯度进行计算，通过多次计算使得误差小于预设值，最终完成模型的训练，完成后的训练的网络，在实际运行中即可对实时状态的进给速度进行预测。

步骤S3、对进给速度进行判断，判断是否在进给速度的允许范围内，如果是则转S4，否则返回S2；

对进给速度进行判断，其实是对进给速度的判断是预测结果进行的一次过滤，不局限于是否超过了最高进给速度；

如果低于最低进给速度同样属于过滤范围；

如果进行预测超过两次预测值大于最大进给速度或者小于最小速度则各自取小于最大值F_max合适值F_ma，以及大于F_min合适值F_mi。该值可以预先设定，也可以根据条件设定，如果预测值与实际值相等，则保持原值不变；步骤S4、用预测的进给速度对原第m行G代码的进给速度进行第n次替换修正，并运行；

对进行的替换，优先的是局部替换，其次才是全局替换；

步骤S5、判断加工精度ERR与加工效率是否大于预设值，是则执行步骤S6，否则返回步骤S2。

如加工精度可用实际运行轨迹与指令运行轨迹之间的差值R，通过进行判断。

步骤S6、判断参数是否结束，如是则转步骤S7，否则返回步骤S1；

步骤S7、提取最优参数。

本发明的方法主要结合了神经网络的强大感知能力对于参数进行预测优化，避免传统经验的不确定性；而且能够保证程序处于最大安全载荷的稳定工作状态下，生成具有最优参数的数控程序，提搞了程序的质量；最优参数可以提取出来，可以反复使用，从而提高了生产效率。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (7)

1.一种基于长短期记忆的数控加工工艺参数优化方法，其特征在于，包括如下步骤：

步骤S1、运行数控机床的G代码，得到所述G代码的指令序号，以及包括进给速度在内的工作任务数据和状态数据；

步骤S2、深度神经网络根据接受到当前状态的所述状态数据，前向传播预测出当前状态的下一状态第m行的所述G代码第n次的所述进给速度

步骤S3、判断所述进给速度是否在进给速度的允许范围内，如果是则进行下一步骤S4，否则返回步骤S2；

步骤S4、用预测得到的所述下一状态的进给速度对原第m行的G代码的所述进给速度进行第n次替换修正，并运行修正后的所述G代码；

步骤S5、判断加工精度ERR与加工效率是否大于预设值，如果是则执行下一步骤S6，否则返回步骤S2

步骤S6、判断参数是否结束，如果是则转下一步骤S7，否则返回步骤S1

步骤S7、提取最优参数。

2.根据权利要求1所述的一种基于长短期记忆的数控加工工艺参数优化的方法，其特征在于，所述步骤S2中的深度神经网络为长短期记忆神经网络，且为预先训练好的。

3.根据权利要求2所述的一种基于长短期记忆的数控加工工艺参数优化的方法，其特征在于，所述深度神经网络的训练方法包括：

步骤201、采集数控机床的位置控制装置程序运行时的位移增量，以及从数值控制装置获取进给速度，对所述位移增量和所述进给速度的数据进行分段，将其分为M个加工工件的加工过程对应的M段信号；

步骤202、对于每段信号进行规整处理，使各段信号长度一致，然后将规整的各段位移增量信号数据，送入长短期记忆的网络中进行训练，其中输入的序列为X∈{x^t|T_i＜T＜T_i+Δ}，其中x^t＝[Δx,Δy,Δz]为各个轴的X、Y、Z的增量，T为G代码行号；

步骤S3、用位移增量的训练的结果对进给速度进行预测，输出为Y＝{y^t|T_i＜T＜T_i+Δ}其中y_t＝[ΔF_x,ΔF_y,ΔF_z]为各个轴的预测进给速度，利用已知的实际进给速度y_实，得到实际进给速度y_实与预测进给速度y_t的误差值，通过反向传播算法，并使用随机梯度下降法最小化误差，可以最终完成深度神经网络的训练。

4.根据权利要求1所述的一种基于长短期记忆的数控加工工艺参数优化的方法，其特征在于，在所述步骤S3中，

对所述进给速度的判断是预测结果进行的一次过滤，不局限于是否超过了最高进给速度；

如果低于最低进给速度同样属于过滤范围；

如果进行预测超过两次预测值大于最大进给速度或者小于最小速度则各自取小于最大值F_max合适值F_ma；以及大于F_min合适值F_mi；

所述进给速度的值可以预先设定，也可以根据条件设定。

5.根据权利要求1所述的一种基于长短期记忆的数控加工工艺参数优化方法，其特征在于，所述步骤S4中，对所述进给速度进行的替换，优先进行局部替换，然后才进行全局替换。

6.根据权利要求1所述的一种基于长短期记忆的数控加工工艺参数优化方法，其特征在于，所述工作任务数据是进给速度F下运动的G代码，所述状态数据是从数控机床内部直接获取的进给轴的电流、脉冲信号、位置增量和进给速度。

7.根据权利要求1所述的一种基于长短期记忆的数控加工工艺参数优化方法，其特征在于，所述加工精度ERR表达式为：

其中R为实际运行轨迹与指令运行轨迹之间的差值。