CN111650891B - 具有恒力自适应控制方法的五轴精密小龙门数控加工中心 - Google Patents

具有恒力自适应控制方法的五轴精密小龙门数控加工中心 Download PDF

Info

Publication number
CN111650891B
CN111650891B CN202010582673.8A CN202010582673A CN111650891B CN 111650891 B CN111650891 B CN 111650891B CN 202010582673 A CN202010582673 A CN 202010582673A CN 111650891 B CN111650891 B CN 111650891B
Authority
CN
China
Prior art keywords
cutting
force
real
current
constant
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.)
Active
Application number
CN202010582673.8A
Other languages
English (en)
Other versions
CN111650891A (zh
Inventor
李爱军
刘欢
李寿超
彭刚
刘国锦
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 Pradi Technology Co ltd
Original Assignee
Guangdong Pradi Technology Co ltd
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 Pradi Technology Co ltd filed Critical Guangdong Pradi Technology Co ltd
Priority to CN202010582673.8A priority Critical patent/CN111650891B/zh
Publication of CN111650891A publication Critical patent/CN111650891A/zh
Application granted granted Critical
Publication of CN111650891B publication Critical patent/CN111650891B/zh
Active 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
    • G05B19/416—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 control of velocity, acceleration or deceleration
    • G05B19/4163—Adaptive control of feed or cutting velocity
    • 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
    • G05B19/408—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 data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4083—Adapting programme, configuration
    • 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
    • G05B2219/32335—Use of ann, neural network
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45136—Turning, lathe
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开了一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心，在切削过程中，检测模块对加工中心的主轴电机电流和实际切削参数不断采样，经过数据处理单元的处理，提供切削力分析数据；恒力控制系统通过实际检测和分析切削过程中切削力的变化，优化进给速度，向数控加工中心的运动控制器发送调节指令；在运动控制器和伺服驱动器的调节下，执行伺服电机调整进给速度，从而使切削力维持在期望的水平。相比传统的小龙门数控加工中心，本发明能够通过对加工过程的实时监控，识别其动态变化特征，自动调节加工参数；根据切削量的变化优化切削进给速度，在保证刀具、机床以及人员安全的基础上，进行恒力平稳切削，实现高精、高效加工作业需求。

Description

具有恒力自适应控制方法的五轴精密小龙门数控加工中心
技术领域
本发明涉及数控加工中心控制系统设计技术领域，尤其涉及一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心。
背景技术
小龙门数控加工中心与传统立式加工中心相比，具有刚性好，轻型重载，加工精度高及主轴高度限制小等优点，特别适合于品种多样化、异型精密零部件的加工，在很多应用领域已逐渐取代大、中型立式加工中心，有着广阔的应用前景。但航空航天、汽车模具、轨道交通等行业的应用同时也对小龙门数控加工中心的加工精度、加工效率及智能化程度等提出了越来越高的要求，研究高性能的小龙门数控加工中心已成为提高装备制造业水平的关键问题之一。
在小龙门数控加工中心的作业过程中，加工余量始终存在着波动，甚至会发生突变。如果始终保持统一的切削进给速度，加工余量的波动和突变势必使切削力产生大幅度变动，影响加工精度和加剧刀具磨损。为提机床稳定性、加工精度和加工效率，数控加工中心需要根据当前的工作状况自动调节进给速度，使得切削力保持在恒定期望值附近，从而实现平稳加工。因此，需要探索简单有效的控制策略，进一步提升小龙门数控加工中心的性能。
发明内容
针对以上现有技术的不足，本发明的目的是提供一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心。该方法首先建立“主轴电机电流特征-切削力”的映射关系，根据主轴电流动态变化状况，提取电流特征，识别切削力动态变化；同时基于即时学习算法的径向基(RBF)神经网络建立切削力特征值与切削参数(切削深度、进给速度)的映射模型，根据当前工况自适应调整机床的进给倍率，从而实现五轴精密小龙门数控加工中心的恒力自适应控制，提高加工精度和加工效率。
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心，其控制方法包括如下步骤：
步骤101，针对不同的切削参数，对机床空转条件下的主轴电流进行采样，获得空切时的电流信号；
步骤102，对主轴电流信号进行滤波，去除干扰噪声获得趋势序列；从而根据对趋势序列样本数据的均值计算，得到空切状态下的主轴电流特征值Iq；
步骤103，在加工过程中，对主轴电流进行采样、滤波以及均值计算处理，获得实物切削过程中的主轴电流特征值Ip；
步骤104，去除实物切削状态中机床自身特征的影响，即可获得当前切削状态的切削力特征值Ir，即Ir＝Ip-Iq，其中，加工过程中切削力的变化特征就转换为切削力特征值的变化特征；
步骤105，在小龙门数控加工中心的实际切削作业过程中，当刀具、工件、材料加工条件不变时，切削力特征值I只与切削用量H和进给速度w存在关系，其映射模型可表示为：I＝f(H,w)，设计标定实验以获得切削力特征值I、切削用量H和进给速度w三者的映射关系，依据所述标定实验的样本数据来建立控制变量(I，H，w)的初始函数关系；
步骤106，根据确立的系统模型f(·)，设计如下恒切削力自适应控制率：
wref＝g(Iref,Hreal)
其中，Iref预设的期望切削力设定值，Hreal为当前切削深度，切削过程中，根据当前切削用量自适应优化进给速度以保证恒力平稳切削。
步骤107，根据当前切削力特征值Ireal和当前进给速度wreal进行估算切削深度，即Hreal＝h(Ireal,wreal)。
更进一步地，所述步骤105进一步包括：在标准工况下进行一系列只改变切削用量或只改变进给速度的切削实验，对实验过程中的主流电流进行采样并进行特征值提取，建立样本数据库Ω，收集足够的样本后进行系统建模。
更进一步地，所述步骤106进一步包括：采用径向基(RBF)神经网络对其建模，建立两输入一输出的径向基(RBF)神经网络来描述映射关系h(·)和g(·)，其中中间层神经元个数为5，所述径向基(RBF)神经网络具有三层，分别为输入层、隐层、输出层，其中从输入层到隐层为非线性变换，从隐层到输出层为线性变换。
更进一步地，所述径向基神经网络的激活函数可表示为:
Figure BDA0002552981800000021
则神经网络输出可表示为：
Figure BDA0002552981800000031
对于映射关系g(·)，神经网络的输入(x1,x2)为(Iref,Hreal)，输出y为wref；对于映射关系h(·)，神经网络的输入(x1,x2)为(Ireal,wreal)，输出y为Hreal。
更进一步地，通过所述步骤105的所述样本数据对神经网络进行训练即以得到切削力特征值I、切削用量H和进给速度w三者在不同时刻的映射模型，基于即时学习算法构建动态数据库，当切削过程工况发生变化时，所述即时学习算法可以通过矢量相似度选择准则来确定被控参数的当前邻域，基于局部邻域数据更新神经网络模型。
更进一步地，所述即时学习算法构建动态数据库进一步包括：在数控加工中心的切削作业过程中，将当前的控制变量(Iref,Hreal)或(Ireal,wreal)称为查询向量，所述即时学习算法评估查询向量与样本向量的相似度，所述相似度评价函数的定义如下：
Figure BDA0002552981800000032
其中，xc和xi代表当前查询向量和样本向量；根据相似度对数据库内的样本向量进行排列，并选择相似度高前M个样本向量组成查询向量的邻域，从而更新神经网络模型；若数据库内样本向量与查询向量的相似度都维持在较低水平，则将查询向量作为新的样本向量加入数据库，否则在更新神经网络模型后舍去。
本发明进一步公开了一种基于小龙门数控加工中心的恒力自适应切削控制方法，包括如下步骤：
步骤201：实时检测切削力变化特征，通过直接检测方式和间接检测方式检测切削力，其中，所述直接检测在主轴部位安装测力传感器，所述间接检测利用主轴电流与切削力存在着的对应关系，实时采集电机电流信号并滤波得到切削力的特征信号，以主轴电流信号的变化特征来间接描述切削力的变化特征；
步骤202，构建动态样本数据库，通过初始化的标定实验和切削过程中的实时采样构建样本数据库，为恒力自适应控制模型的建立以及进给速度的调整提供依据；
步骤203，执行恒力自适应控制策略，使用三次径向基(RBF)神经网络对当前切削用量的评估函数h(·)和进给速度调整函数g(·)两个映射函数分别建模，根据后给出的调整策略在运动控制器和伺服驱动器的调节下，执行伺服电机调整进给速度，从而使切削力维持在期望的水平。
更进一步地，所述步骤203进一步包括：恒力自适应控制系统向数控加工中心的运动控制器发送调节指令，以符合当前工况的最优进给速度调整进给速度，维持切削力为预设恒力。
本发明进一步提供了一种电子设备，包括：
处理器；以及，
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述的五轴精密小龙门数控加工中心的恒力自适应控制的方法。
本发明进一步公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的五轴精密小龙门数控加工中心的恒力自适应控制的方法。
本发明中，首先对空切及实际切削过程中的主轴电流实时采样，并进行滤波以及均值计算等处理，建立主轴电机电流特征与切削力的映射关系；然后，分析切削力特征值I与切削用量H和进给速度w的关系，构建其神经网络模型；接着基于一些标定实验构建初始数据库，并初始化恒力自适应控制的神经网络模型；最后，在切削实验中，基于即时学习算法构建动态数据库，更新神经网络模型，基于自适应控制率优化进给速度，使机床可以以恒切削力平稳切削。
综上所述，本发明与现有技术相比，取得的有益效果是：
1、本发明针对五轴精密小龙数控加工中心的控制系统进行了改进，所设计的控制系统能够对切削过程进行实时监控，自适应调整加工参数，实现恒力平稳切削。
2、本方法基于神经网络设计了恒力自适应控制系统，依据神经网络良好的非线性系统建模能力，确立了切削力特征值I、切削用量H和进给速度w的映射模型，可以实时根据当前机床的切削用量和切削力自动确定最优进给速度，可在保证设备以及人员安全的基础上，提高生产效率和切削精度。
3、本发明使用即时学习算法构建了控制系统的动态数据库，利用即时学习算法的局部学习能力，可在有限样本空间内实时快速提升建模辨识精度，保证了恒力自适应控制系统的控制精度和响应性能。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明实施例的恒力自适应控制策略的操作流程图；
图2是本发明实施例的恒力适应控制系统的控制结构图；
图3是本发明实施例的RBF神经网络结构示意图；
图4是本发明小龙门数控加工中心的结构示意图。
具体实施方式
下面结合附图及实施例，对本发明进行进一步阐述。应当理解，此处所描述的具体实施例仅用以解释本发明，并不构成对本发明的限定。
实施例一
如图4所示的小龙门数控加工中心采用门型封闭式结构，具有刚性好，轻型重载，加工精度高及主轴高度限制小等优点，特别适合于品种多样化、异型精密零部件的加工，已在航空航天、汽车模具、轨道交通等行业得到了广泛应用。数控系统是五轴精密小龙门数控加工中心的控制中枢，智能化的数控系统可以提升机床加工精度和效率，解决机床的加工安全及状态监测问题。
为强化机床运动精度、加工效率以及提高刀具寿命，本实施例设计了具有恒力自适应控制的五轴联动精密数控小龙门加工中心，其控制结构如图2。切削力为切削加工中工件材料抵抗刀具切削时产生的阻力，在小龙门数控加工中心的作业过程中，其大小随着进给速度和切削用量的变化而不断变化。为实现恒力切削，本实施例设计的五轴精密小龙门数控加工中心可以对切削力进行实时检测，机床的进给速率可以根据切削力大小自适应调整，在维持最大的切除率，提高加工效率的同时，还可防止切削力突变影响加工精度甚至危害刀具及设备安全。图1是本发明实施例的恒力自适应控制策略的操作流程图，具体实现如下：
步骤1：实时检测切削力变化特征
切削力的检测分为直接检测和间接检测。直接检测在主轴部位安装测力传感器，虽然操作简单但会影响对产品的加工。而间接检测利用主轴电流与切削力存在着的对应关系，实时采集电机电流信号并滤波得到切削力的特征信号，以主轴电流信号的变化特征来间接描述切削力的变化特征。切削过程中，将切削力特征值维持在恒定范围内即可实现恒力切削。
为构建“切削力-主轴电流”的映射关系，本实施例首先在离线状态下，对机床空转条件下的主轴电流进行采样、滤波，获得空切时的电流信号。并对电流信号的趋势序列样本数据进行均值计算处理，得到空切状态下的主轴电流特征值Iq。
同理，在加工过程中，对主轴电流进行实时采样、滤波以及均值计算等处理，获得实物切削过程中的主轴电流特征值Ip。实物切削状态中的主轴电流特征值Ip减去空切状态下的主轴电流特征值Iq，即可获得当前切削状态的切削力特征值Ir，即Ir＝Ip-Iq。
步骤2：构建动态样本数据库
该步骤通过初始化的标定实验和切削过程中的实时采样构建样本数据库，为恒力自适应控制模型的建立以及进给速度的调整提供依据。在小龙门数控加工中心的实际切削作业过程中，当刀具、工件、材料等加工条件不变时，切削力特征值I只与切削用量H和进给速度w存在关系。因此样本数据分为两类[wref,(Iref,Hreal)]和[Hreal,(Ireal,wreal)]，其中Iref为预设的期望切削力设定值，Hreal为预估的当前切削深度，而wref和wreal分为为进给速度调整值和实际值。
建立初始样本数据库的标定实验分为两类：
(1)标定实验1，在标准工况下，保持进给速度不变只改变切削用量进行切削实验，对实验过程中的主流电流进行采样并进行特征值提取，同时记录相应的切削参数；
(2)标定实验2，在标准工况下，保持切削用量不变只改变进给速度进行切削实验，对实验过程中的主流电流进行采样并进行特征值提取，同时记录相应的切削参数。基于上述标定实验即可确立初始的样本数据库。
然而样本数据库的容量有限，若采用有限的样本数据去辨识系统的全局控制模型，则容易控制精度不足。即时学习算法可以通过矢量相似度选择准则来确定被控参数的当前邻域，基于局部邻域数据构建动态数据库。基于动态数据库确定系统模型，其优点是可以获得符合当前控制状态的局部控制模型，无需辨识全局模型，建模辨识精度高，实时性强，并且不需要样本空间容量问题。
本实施例使用的相似度评价函数的定义如下：
Figure BDA0002552981800000061
其中,xc和xi代表当前查询向量和样本向量。
相似度κ(i)的范围为(0,1)，且查询向量与样本向量的相似度越接近1，则表明二者的相似性越高。选择与查询向量相似度较高的前M个样本向量组成当前用于恒力自适应控制的样本数据库，本实施例中M为100。
此外，在完成一次自适应控制后，则更新一次固定数据库，更新准则如下：
(1)若与查询向量的相似度大于0.5的样本向量不足M个，则表明当前状态为切削过程中出现的新状态，将当前查询向量加入固定数据库，以备下次使用，否则将舍弃；
(2)若与查询向量的相似度大于0.5的样本向量超过M个，则表明当前状态为切削过程中经常出现的状态，且数据库中已记录了大量与当前状态相关的数据，因此为在有限的样本数据库内提高样本多样性，则将当前查询向量以及与其相似度较高的前N个样本数据从固定数据库内删除。
步骤三：执行恒力自适应控制策略
恒力自适应控制策略的实现依赖于两个映射函数：当前切削用量的评估函数h(·)和进给速度调整函数g(·)。本实施例中使用三次径向基(RBF)神经网络对两个映射函数分别建模，其控制结构如图3所示：
本实施例使用的激活函数可表示为:
Figure BDA0002552981800000071
对于当前切削用量的评估函数h(·)，神经网络的输入(x1,x2)为(Ireal,wreal)，输出y为Hreal，输出表示为：
Figure BDA0002552981800000072
而对于进给速度调整函数g(·)，神经网络的输入(x1,x2)为(Iref,Hreal)，输出y为wref，输出表示为：
Figure BDA0002552981800000073
系统运行前，基于初始数据库的样本数据对以上两个神经网络模型进行训练，得到初始的映射函数；系统运行后，在每个控制周期，基于动态数据库的样本数据对其进行优化。
恒力自适应控制中，首先需要识别当前切削用量，根据实际切削用量和预设的切削力特征值优化进给速度。然而在实际作业中，切削用量无法直接测量，本实施例根据步骤一获得的当前切削力特征值Ireal和当前进给速度wreal对齐进行估算，估算值为
Hreal＝h(Ireal,wreal)
基于进给速度调整函数g(·)，利用已知的预设的期望切削力设定值Iref和当前切削用量Hreal，即可获得符合当前工况的最优进给速度wref：
wref＝g(Iref,Hreal)
恒力自适应控制系统向数控加工中心的运动控制器发送调节指令wref；在运动控制器和伺服驱动器的调节下，执行伺服电机调整进给速度，从而使切削力维持在期望的水平。
通过上述步骤可根据主轴电流动态变化状况，识别切削力动态变化特征，基于恒力自适应控制策略自适应调整机床的进给倍率，进而将切削力维持在恒定范围。具有恒力自适应控制的五轴精密小龙门数控加工中心，相比传统的小龙门数控加工中心，其加工效率和加工精度更高，并且一定程度上可以提高刀具使用寿命。
实施例二
本实施例具体提供一种具有恒力自适应控制的五轴精密小龙门数控加工中心设计方法具体包括以下步骤。
(1)为了消除机床自身特征对切削力特征值得影响，针对不同的切削参数，对机床空转条件下的主轴电流进行采样，获得空切时的电流信号。
(2)对主轴电流信号进行滤波，去除干扰噪声获得趋势序列；从而根据对趋势序列样本数据的均值计算，得到空切状态下的主轴电流特征值Iq。
(3)同理，在加工过程中，对主轴电流进行采样、滤波以及均值计算等处理，获得实物切削过程中的主轴电流特征值Ip。
(4)去除实物切削状态中机床自身特征的影响，即可获得当前切削状态的切削力特征值Ir，即Ir＝Ip-Iq。加工过程中切削力的变化特征就转换为切削力特征值的变化特征。
(5)在小龙门数控加工中心的实际切削作业过程中，当刀具、工件、材料等加工条件不变时，切削力特征值I只与切削用量H和进给速度w存在关系，其映射模型可表示为：I＝f(H,w)。
(6)为获得切削力特征值I、切削用量H和进给速度w三者的映射关系，首先需要设计标定实验。依据标定实验的样本数据来建立控制变量(I，H，w)的初始函数关系。实验操作方式为，在标准工况下进行一系列只改变切削用量或只改变进给速度的切削实验，对实验过程中的主流电流进行采样并进行特征值提取，建立样本数据库Ω。收集足够的样本后进行系统建模。
(7)根据确立的系统模型f(·)，设计如下恒切削力自适应控制率：
wref＝g(Iref,Hreal)
其中，Iref预设的期望切削力设定值，Hreal为当前切削深度。切削过程中，可根据当前切削用量自适应优化进给速度，从而保证恒力平稳切削。
(8)而在实际作业中，切削深度无法直接测量，需要根据当前切削力特征值Ireal和当前进给速度wreal进行估算，即Hreal＝h(Ireal,wreal)。
步骤(7)和(8)中的映射关系h(·)和g(·)是f(·)的等价变型。由于切削过程相关控制变量间的复杂性和耦合性，很难通过简单的线性数学模型描述种映射关系。作为进一步改进，本发明采用径向基(RBF)神经网络对其建模，具体如下：
RBF神经网络具有很强的非线性拟合能力，可映射任意复杂的非线性关系，且学习速度快，适应于有实时性需求的动态运动控制系统。为描述映射关系h(·)和g(·)，建立如图3所示的两输入一输出的RBF神经网络，其中中间层神经元个数为5。所设计的RBF神经网络具有三层，分别为输入层、隐层、输出层，其中从输入层到隐层为非线性变换，从隐层到输出层为线性变换。
径向基神经网络的激活函数可表示为:
Figure BDA0002552981800000091
则神经网络输出可表示为：
Figure BDA0002552981800000092
对于映射关系g(·)，神经网络的输入(x1,x2)为(Iref,Hreal)，输出y为wref；对于映射关系h(·)，神经网络的输入(x1,x2)为(Ireal,wreal)，输出y为Hreal。
利用步骤(6)的样本数据对神经网络进行训练即可得到切削力特征值I、切削用量H和进给速度w三者在不同时刻的映射模型，所得映射模型的精度依赖于样本数据库的大小及样本的多样性。但初始的样本数据库容量有限，同时随着系统的运行及工况的改变也出现新的样本数据。因此，本发明提出基于即时学习算法构建动态数据库。
当切削过程工况发生变化时，即时学习算法可以通过矢量相似度选择准则来确定被控参数的当前邻域，基于局部邻域数据更新神经网络模型。其优点是可以实时快速提升建模辨识精度，并且不需要样本空间容量问题。
在数控加工中心的切削作业过程中，将当前的控制变量(Iref,Hreal)或(Ireal,wreal)称为查询向量。即时学习算法的第一步是评估查询向量与样本向量的相似度。相似度评价函数的定义如下：
Figure BDA0002552981800000101
其中,xc和xi代表当前查询向量和样本向量。
根据相似度对数据库内的样本向量进行排列，并选择相似度高前M个样本向量组成查询向量的邻域，从而更新神经网络模型。
同时，若数据库内样本向量与查询向量的相似度都维持在较低水平，则将查询向量作为新的样本向量加入数据库，否则在更新神经网络模型后舍去。这可以保证数据库容量有限的情况下，拥有足够的样本多样性。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心，其特征在于，所述小龙门数控加工中心的控制方法包括如下步骤：
步骤101，针对不同的切削参数，对机床空转条件下的主轴电流进行采样，获得空切时的电流信号；
步骤102，对主轴电流信号进行滤波，去除干扰噪声获得趋势序列；从而根据对趋势序列样本数据的均值计算，得到空切状态下的主轴电流特征值Iq；
步骤103，在加工过程中，对主轴电流进行采样、滤波以及均值计算处理，获得实物切削过程中的主轴电流特征值Ip；
步骤104，去除实物切削状态中机床自身特征的影响，即可获得当前切削状态的切削力特征值Ir，即Ir＝Ip-Iq，其中，加工过程中切削力的变化特征就转换为切削力特征值的变化特征；
步骤105，在小龙门数控加工中心的实际切削作业过程中，当刀具、工件、材料加工条件不变时，切削力特征值I只与切削用量H和进给速度w存在关系，其映射模型可表示为：I＝f(H,w)，设计标定实验以获得切削力特征值I、切削用量H和进给速度w三者的映射关系，依据所述标定实验的样本数据来建立控制变量(I，H，w)的初始函数关系；
步骤106，根据确立的系统模型f(·)，设计如下恒切削力自适应控制率：
wref＝g(Iref,Hreal)
其中，Iref预设的期望切削力设定值，Hreal为当前切削深度，切削过程中，根据当前切削用量自适应优化进给速度以保证恒力平稳切削；
步骤107，根据当前切削力特征值Ireal和当前进给速度wreal进行估算切削深度，即Hreal＝h(Ireal,wreal)；
所述步骤105进一步包括：在标准工况下进行一系列只改变切削用量或只改变进给速度的切削实验，对实验过程中的主流电流进行采样并进行特征值提取，建立样本数据库Ω，收集足够的样本后进行系统建模；
所述步骤106进一步包括：采用径向基(RBF)神经网络对其建模，建立两输入一输出的径向基(RBF)神经网络来描述映射关系h(·)和g(·)，其中中间层神经元个数为5，所述径向基(RBF)神经网络具有三层，分别为输入层、隐层、输出层，其中从输入层到隐层为非线性变换，从隐层到输出层为线性变换；
所述径向基神经网络的激活函数可表示为:
Figure FDA0003439442880000021
则神经网络输出可表示为：
Figure FDA0003439442880000022
对于映射关系g(·)，神经网络的输入(x1,x2)为(Iref,Hreal)，输出y为wref；对于映射关系h(·)，神经网络的输入(x1,x2)为(Ireal,wreal)，输出y为Hreal；
通过所述步骤105的所述样本数据对神经网络进行训练即以得到切削力特征值I、切削用量H和进给速度w三者在不同时刻的映射模型，基于即时学习算法构建动态数据库，当切削过程工况发生变化时，所述即时学习算法可以通过矢量相似度选择准则来确定被控参数的当前邻域，基于局部邻域数据更新神经网络模型；
所述即时学习算法构建动态数据库进一步包括：在数控加工中心的切削作业过程中，将当前的控制变量(Iref,Hreal)或(Ireal,wreal)称为查询向量，所述即时学习算法评估查询向量与样本向量的相似度，所述相似度评价函数的定义如下：
Figure FDA0003439442880000023
其中，xc和xi代表当前查询向量和样本向量；根据相似度对数据库内的样本向量进行排列，并选择相似度高前M个样本向量组成查询向量的邻域，从而更新神经网络模型；若数据库内样本向量与查询向量的相似度都维持在较低水平，则将查询向量作为新的样本向量加入数据库，否则在更新神经网络模型后舍去。
2.一种基于小龙门数控加工中心的恒力自适应切削控制方法，其特征在于，包括如下步骤：
步骤201：实时检测切削力变化特征，通过直接检测方式和间接检测方式检测切削力，其中，所述直接检测在主轴部位安装测力传感器，所述间接检测利用主轴电流与切削力存在着的对应关系，实时采集电机电流信号并滤波得到切削力的特征信号，以主轴电流信号的变化特征来间接描述切削力的变化特征；
步骤202，构建动态样本数据库，通过初始化的标定实验和切削过程中的实时采样构建样本数据库，为恒力自适应控制模型的建立以及进给速度的调整提供依据；
步骤203，执行恒力自适应控制策略，使用三次径向基(RBF)神经网络对当前切削用量的评估函数h(·)和进给速度调整函数g(·)两个映射函数分别建模，根据后给出的调整策略在运动控制器和伺服驱动器的调节下，执行伺服电机调整进给速度，从而使切削力维持在期望的水平。
3.如权利要求2所述的一种基于小龙门数控加工中心的恒力自适应切削控制方法，其特征在于，所述步骤203进一步包括：恒力自适应控制系统向数控加工中心的运动控制器发送调节指令，以符合当前工况的最优进给速度调整进给速度，维持切削力为预设恒力。
4.一种电子设备，其特征在于，包括：
处理器；以及，
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1所述的五轴精密小龙门数控加工中心的恒力自适应控制的方法。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的五轴精密小龙门数控加工中心的恒力自适应控制的方法。
CN202010582673.8A 2020-06-23 2020-06-23 具有恒力自适应控制方法的五轴精密小龙门数控加工中心 Active CN111650891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010582673.8A CN111650891B (zh) 2020-06-23 2020-06-23 具有恒力自适应控制方法的五轴精密小龙门数控加工中心

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010582673.8A CN111650891B (zh) 2020-06-23 2020-06-23 具有恒力自适应控制方法的五轴精密小龙门数控加工中心

Publications (2)

Publication Number Publication Date
CN111650891A CN111650891A (zh) 2020-09-11
CN111650891B true CN111650891B (zh) 2022-05-06

Family

ID=72346277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010582673.8A Active CN111650891B (zh) 2020-06-23 2020-06-23 具有恒力自适应控制方法的五轴精密小龙门数控加工中心

Country Status (1)

Country Link
CN (1) CN111650891B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112958840B (zh) * 2021-02-10 2022-06-14 西南电子技术研究所（中国电子科技集团公司第十研究所） 精密零件加工削力信号自动分段方法
CN113485255A (zh) * 2021-06-18 2021-10-08 意特利（上海）科技有限公司 一种数控机床的工件切削自适应控制的方法
CN113359622B (zh) * 2021-07-09 2022-05-31 南京航空航天大学 一种数据驱动的数控机床切削力自监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107263211A (zh) * 2017-05-26 2017-10-20 温州大学 一种基于多传感融合的刀具状态监测方法
CN107403196A (zh) * 2017-07-28 2017-11-28 江南大学 基于谱聚类分析的即时学习建模方法
CN107450481A (zh) * 2017-08-31 2017-12-08 福建工程学院 一种数控机床切削速度优化方法
CN107976956A (zh) * 2017-11-22 2018-05-01 沈阳机床股份有限公司 数控机床的多目标切削数据生成算法及切割参数优化方法
CN110064965A (zh) * 2019-04-29 2019-07-30 上海电力学院 一种铣削系统稳定性状态获取方法
CN110320806A (zh) * 2019-07-24 2019-10-11 东北大学 基于集成即时学习的污水处理过程自适应预测控制方法
CN110488754A (zh) * 2019-08-09 2019-11-22 大连理工大学 一种基于ga-bp神经网络算法的机床自适应控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107263211A (zh) * 2017-05-26 2017-10-20 温州大学 一种基于多传感融合的刀具状态监测方法
CN107403196A (zh) * 2017-07-28 2017-11-28 江南大学 基于谱聚类分析的即时学习建模方法
CN107450481A (zh) * 2017-08-31 2017-12-08 福建工程学院 一种数控机床切削速度优化方法
CN107976956A (zh) * 2017-11-22 2018-05-01 沈阳机床股份有限公司 数控机床的多目标切削数据生成算法及切割参数优化方法
CN110064965A (zh) * 2019-04-29 2019-07-30 上海电力学院 一种铣削系统稳定性状态获取方法
CN110320806A (zh) * 2019-07-24 2019-10-11 东北大学 基于集成即时学习的污水处理过程自适应预测控制方法
CN110488754A (zh) * 2019-08-09 2019-11-22 大连理工大学 一种基于ga-bp神经网络算法的机床自适应控制方法

Also Published As

Publication number Publication date
CN111650891A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111650891B (zh) 具有恒力自适应控制方法的五轴精密小龙门数控加工中心
CN111716150B (zh) 一种刀具状态智能监测的进化学习方法
Kuo et al. Multi-sensor integration for on-line tool wear estimation through radial basis function networks and fuzzy neural network
CN101477351B (zh) 具有三级加工自优化功能的智能数控方法
EP1466219B1 (en) Method of ascertaining control parameters for a control system
Wang et al. A kMap optimized VMD-SVM model for milling chatter detection with an industrial robot
CN108803486A (zh) 基于并联深度学习网络的数控机床热误差预测与补偿方法
CN109597315B (zh) 一种机械设备健康退化状态辨识方法、设备及系统
CN110308658B (zh) 一种pid参数整定方法、装置、系统及可读存储介质
CN111982302A (zh) 一种带噪声滤波和环境温度补偿的测温方法
CN112069966B (zh) 基于改进型lstm网络的表面粗糙度预测方法
CN112180833B (zh) 数控机床及其自适应加工的控制方法和装置
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
CN111126255A (zh) 基于深度学习回归算法的数控机床刀具磨损值预测方法
Han et al. ESPRIT-and HMM-based real-time monitoring and suppression of machining chatter in smart CNC milling system
CN108857577A (zh) 刀具磨损状态监控方法及设备
CN115409067A (zh) 一种数控机床组件剩余寿命预测方法
CN116578832B (zh) 预测机械加工零件表面粗糙度的装置
CN113673166B (zh) 面向加工质量预测的数字孪生模型工况自适应方法及系统
CN110597184A (zh) 在线同时调整变主轴转速幅值和频率的主动颤振抑制方法
Asiltürk et al. Intelligent adaptive control and monitoring of band sawing using a neural-fuzzy system
Liu et al. Selection of key temperature measuring points for thermal error modeling of CNC machine tools
Wang et al. Thermal error prediction of numerical control machine based on improved particle swarm optimized back propagation neural network
Sun et al. Optimization of High-speed Dry Milling Process Parameters Based on Improved ELM and Genetic Algorithm
He et al. A study on multivariable optimization in precision manufacturing using MOPSONNS

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
CB02 Change of applicant information

Address after: 528100 block 1 and 3, No. 9, Lexin Avenue, Leping Town, Sanshui District, Foshan City, Guangdong Province

Applicant after: Guangdong Pradi Technology Co.,Ltd.

Address before: 528100 workshop a, area C, Sanshui Industrial Park, Foshan City, Guangdong Province

Applicant before: FOSHAN PRATIC CNC SCIENCE & TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant