CN111930075B

CN111930075B - 一种自适应加工控制方法及非易失性可读存储介质

Info

Publication number: CN111930075B
Application number: CN202010762398.8A
Authority: CN
Inventors: 吕东尧; 彭孔明; 肖晓杰; 毕雪峰; 王晋生
Original assignee: Intelligent Grindoctor Technology Shenzhen Co ltd
Current assignee: Intelligent Grindoctor Technology Shenzhen Co ltd
Priority date: 2020-07-31
Filing date: 2020-07-31
Publication date: 2022-03-15
Anticipated expiration: 2040-07-31
Also published as: CN111930075A

Abstract

本发明涉及工件加工技术领域，公开一种自适应加工控制方法及非易失性可读存储介质。方法包括：加工工件时，获取第一预设时长内的初始功率集合；根据初始功率集合，计算波动系数及基准功率；获取标准模糊算法模型，根据波动系数，调整标准模糊算法模型中每个语言输入变量的各个语言子集；根据调整后的标准模糊算法模型、基准功率及当前功率，调整当前进给倍率；根据调整后的当前进给倍率，加工工件。由于本方法加工每个单件时，提前截取一段时长的初始功率集合，以此学习并调整标准模糊算法模型的论域，使得调整后的标准模糊算法能够适应本工件，后续再可靠准确地加工工件，因此，本方法能够适应并可靠准确地加工工况条件不同的各类工件。

Description

一种自适应加工控制方法及非易失性可读存储介质

技术领域

本发明涉及工件加工技术领域，具体涉及一种自适应加工控制方法及非易失性可读存储介质。

背景技术

在加工过程中，由于切削方向、切削深度、材料硬度、刀具磨损程度不同等原因，数控机床的切削力会发生变化，从而影响加工效率。

为了保持恒定的切削力，人们提出了自适应控制方案。一般的，现有自适应控制方案采用先学习处于正常加工状态下的一件工件，以此生成学习数据，后续再根据该学习数据，监控另一个工件的加工。

然而，即使同种类型工件，不同个体工件的工况条件是略有不同的，仅有一组学习数据，传统技术是无法适应工况条件不同的各个工件的加工。

发明内容

本发明实施例的一个目的旨在提供一种自适应加工控制方法及非易失性可读存储介质，其能够适应工况条件不同的各类工件的加工。

在第一方面，一种自适应加工控制方法，包括：

加工工件时，获取第一预设时长内的初始功率集合；

根据所述初始功率集合，计算波动系数及基准功率；

获取标准模糊算法模型，根据所述波动系数，调整所述标准模糊算法模型中每个语言输入变量的各个语言子集；

根据调整后的标准模糊算法模型、所述基准功率及当前功率，调整当前进给倍率；

根据调整后的当前进给倍率，加工所述工件。

可选地，所述根据所述初始功率集合，计算波动系数包括：

在所述初始功率集合中，计算时序上相邻两个功率之间的变化偏差，得到偏差集合；

使用箱形图算法处理所述偏差集合，得到上限值及下限值；

搜索所述偏差集合，得到最大正常偏差值及最小正常偏差值，所述最大正常偏差值小于或等于所述上限值，所述最小正常偏差值大于或等于所述下限值；

将所述最大正常偏差值减去所述最小正常偏差值，得到波动系数。

可选地，所述根据所述初始功率集合，计算基准功率包括：

使用箱形图算法处理所述初始功率集合，得到最大正常功率值；

使用所述最大正常功率值减去预设阈值，得到基准功率。

可选地，每个所述语言输入变量皆对应有若干模糊档位，每个所述模糊档位在论域上皆存在对应的语言子集，所述根据所述波动系数，调整标准模糊算法模型中每个语言输入变量的各个语言子集包括：

获取每个所述语言输入变量中各个模糊档位的语言子集；

使用所述波动系数乘以每个所述模糊档位的语言子集，得到调整后的标准模糊算法模型的各个语言子集。

可选地，所述根据调整后的标准模糊算法模型、所述基准功率及当前功率，调整当前进给倍率包括：

确定在时序上与所述当前功率相邻并处于所述当前功率前方的历史功率；

计算所述当前功率与所述基准功率两者的基准偏差，以及所述当前功率与所述历史功率两者的相邻偏差；

根据调整后的标准模糊算法模型、所述基准偏差及所述相邻偏差，计算倍率调整量；

根据所述倍率调整量，调整当前进给倍率。

可选地，所述根据所述倍率调整量，调整当前进给倍率包括：

当所述倍率调整量为负数，且所述当前进给倍率为下限进给倍率时，保持所述当前进给倍率不变，所述下限进给倍率为正常加工时的进给倍率；

当所述倍率调整量为正数，且所述当前进给倍率为上限进给倍率时，保持所述当前进给倍率不变；

当所述当前进给倍率大于下限进给倍率且小于上限进给倍率时，使用所述倍率调整量相加所述当前进给倍率，得到调整后的当前进给倍率，所述调整后的当前进给倍率大于下限进给倍率且小于上限进给倍率。

可选地，在加工所述工件之后，所述方法还包括：

当所述当前进给倍率在预设监控时长内保持不变时，获取所述预设监控时长内的目标功率集合；

根据所述目标功率集合，重新调整基准功率；

根据调整后的标准模糊算法模型、调整后的基准功率及当前功率，调整当前进给倍率；

根据调整后的当前进给倍率，继续加工所述工件。

可选地，所述根据所述目标功率集合，重新调整基准功率包括：

使用箱形图算法处理所述目标功率集合，得到目标上限值；

搜索所述目标功率集合，得到最大目标功率值，所述最大目标功率值小于或等于所述目标上限值；

使用所述最大目标功率值减去预设阈值，得到调整后的基准功率。

可选地，所述获取第一预设时长内的初始功率集合包括：

当检测到切削信号的上升沿时，延迟第二预设时长；

经过所述第二预设时长后，获取第一预设时长内的初始功率集合。

在第二方面，一种非易失性可读存储介质，所述非易失性可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使电子设备执行任一项所述的自适应加工控制方法。

在第三方面，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使电子设备执行上述自适应加工控制方法。

在第四方面，本发明实施例提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的自适应加工控制方法。

在本发明实施例提供的自适应加工控制方法中，首先，加工工件时，获取第一预设时长内的初始功率集合。其次，根据初始功率集合，计算波动系数及基准功率。再次，根据波动系数，调整标准模糊算法模型中每个语言输入变量的各个语言子集。再次，根据调整后的标准模糊算法模型、基准功率及当前功率，调整当前进给倍率。最后，根据调整后的当前进给倍率，加工工件。由于本方法加工每个单件时，提前截取一段时长的初始功率集合，以此学习并调整标准模糊算法模型的论域，使得调整后的标准模糊算法能够适应本工件，后续再可靠准确地加工工件，因此，本方法能够适应并可靠准确地加工工况条件不同的各类工件。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1a是本发明实施例提供的一种刀具监控系统的结构示意图；

图1b是图1a中数控机床与本地监控组件之间的架构示意图；

图2是本发明实施例提供的一种自适应加工控制方法的流程示意图；

图3是本发明实施例提供的一种功率曲线图，所述功率曲线图包括位于上方的传统功率曲线图和位于下方的改进功率曲线图；

图4a是本发明实施例提供的一种自适应加工控制装置的结构示意图；

图4b是本发明实施例提供的另一种自适应加工控制装置的结构示意图；

图5是本发明实施例提供的一种电子设备的电路结构示意图。

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用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有作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。

需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。再者，本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定，仅是对功能和作用基本相同的相同项或相似项进行区分。

本发明实施例提供一种工件加工系统。请参阅图1a，工件加工系统 100包括数控机床11、本地监控组件12、云端13及应用客户端14。

数控机床11用于加工工件，其可以对工件实施铣削、钻削、铰削、镗削、攻丝或车削等加工方式。

在一些实施例中，数控机床11包括任意合适类型机床，例如立式数控机床或卧式数控机床。

本地监控组件12用于监控数控机床11加工工件时的加工信号，例如，本地监控组件12可采集与数控机床11主轴工作的相关信号作为加工信号，其中，主轴用于带动刀具实施加工作业。相关信号包括用于驱动主控工作的电流信号、电压信号、转矩、电机转差率或功率信号等等。

再例如，本地监控组件12还可采集数控机床11加工工件时产生的关联信号作为加工信号，关联信号包括加工区域所产生的振动信号或声音信号等等。

可以理解的是，本领域技术人员可以根据具体业务需求所需的加工信号，自行配置本地监控组件12的硬件架构及软件设计，在此并不限制本地监控组件12的具体构成，例如，若配置加工信号为功率信号，本地监控组件12可以被配置有电流传感器与电压传感器。若配置加工信号为振动信号，本地监控组件12可以被配置有振动传感器，振动传感器可安装在加工区域。

云端13用于与本地监控组件12互相通信，一方面，本地监控组件 12可将数控机床11的本地数据传输至云端13，云端13存储本地数据，并利用本地数据完成大数据分析和处理，从而为一些应用开发作好基础。另一方面，云端13可控制本地监控组件12完成相应的业务操作。

在一些实施例中，云端13由若干服务器构成，各个服务器可以是一个物理服务器或者多个物理服务器虚拟而成的一个逻辑服务器。服务器也可以是多个可互联通信的服务器组成的服务器群，且各个功能模块可分别分布在服务器群中的各个服务器上。

应用客户端14用于与云端13互相通信，以实现相应的应用功能，例如，应用客户端14可通过云端13，远程控制本地监控组件12，以进一步控制数控机床11。

在一些实施例中，应用客户端14可以为任意形式的电子设备，例如，应用客户端14包括手机、电脑或移动设备等等。

可以理解，本实施例涉及的数控机床11或本地监控组件12可被配置成任意合适架构。

参阅图1b，数控机床11包括PLC控制器111(Programmable Logic Controller，可编程逻辑控制器)、驱动器112及主轴电机113。PLC控制器111与驱动器112连接，用于产生控制指令，控制驱动器112工作。驱动器112与主轴电机113连接，用于根据控制指令，驱动主轴电机113 工作，主轴电机113进而带动刀具转动。

本地监控组件12包括霍尔传感器121、功率采集器122及主机123。霍尔传感器121与功率采集器122连接，用于采集流经主轴电机113的电流或电压，功率采集器122根据采集的电流或电压，计算功率信号。主机123与功率采集器122连接，用于根据功率信号，加工工件。

请参阅图2，本发明实施例提供一种自适应加工控制方法。如图2 所示，自适应加工控制方法S200包括：

S21、加工工件时，获取第一预设时长内的初始功率集合；

在本实施例中，初始功率集合为加工单个工件时，在第一预设时长内各个时间点对应功率的集合，例如，加工单件的全部时间集合为 {t₁,t₂,t₃,t₄,t₅……t_n}，每个时间点对应一个功率，于是，所述单件的全部功率为{p₁,p₂,p₃,p₄,p₅……p_n}。

在本实施例中，第一预设时长的时间集合可以为{t₁,t₂,t₃……t_m}，于是，初始功率集合为{p₁,p₂,p₃……p_m}，亦可以在上述全部时间集合中选择一个起始时间点作为第一预设时长的起始时间点，例如，第一预设时长的时间集合可以为{t_k,t_k+1,t_k+2……t_k+x}，于是，初始功率集合为{p_k,p_k+1,p_k+2……p_k+x}，m小于n，k+x小于n。

在本实施例中，第一预设时长的起始时间点可以选定在刚开始加工工件时的初期，因此，主机能够更好有效地监控单件剩下的加工过程。

一般的，数控机床开始上电加工工件时，主机检测到切削信号的上升沿时，可以开始获取第一预设时长内的初始功率集合。主机亦可以当检测到切削信号的上升沿时，延迟第二预设时长，经过第二预设时长后，主机开始获取第一预设时长内的初始功率集合，此类作法能够保证得到可靠地初始功率集合，以便后期准确可靠地加工工件。

在本实施例中，第一预设时长或第二预设时长由用户根据业务需求自定义，例如，第一预设时长为1秒，第二预设时长为2秒。

S22、根据初始功率集合，计算波动系数及基准功率；

在本实施例中，波动系数与每个工件的工况关联，波动系数用于描述每个工件在加工过程中相对标准状态的波动情况，后期可以根据波动系数调整标准状态，以匹配和适应当前工件的工况。

在本实施例中，本领域技术人员可以借助任意合适的数学统计原理，计算用于跟踪不同工件工况变化的系数，所述系数可作为本文的波动系数。

在一些实施例中，计算波动系数时，首先，主机在初始功率集合中，计算时序上相邻两个功率之间的变化偏差，得到偏差集合，例如，变化偏差为ec_i-1＝p_i-p_i-1，初始功率集合为{p₁,p₂,p₃……p_n+1}，于是便有：

ec₁＝p₂-p₁

ec₂＝p₃-p₂

ec₃＝p₃-p₂

……

ec_n＝p_n+1-p_n

因此，偏差集合为{ec₁,ec₂,ec₃,……,ec_n}。

其次，主机使用箱形图算法处理偏差集合，得到上限值及下限值，例如，主机将偏差集合中各个变化偏差按照从小到大的顺序进行排列, 假设偏差集合为{0.1,0.5,0.8,0.3,-0,4,-0.6,-0.1,0.2,0.5,0.2}，一共有10个变化偏差，按照上述排列顺序，则为-0.6、-0.4、-0.1、0.1、 0.2、0.2、0.3、0.5、0.5、0.8。

根据下四分位Q1位置＝1×(n+1)/4＝a.b(整数部分为a，小数部分为b)，主机计算下四分位Q1位置＝1×(10+1)/4＝2.75,a＝2,b＝0.75。

根据下四分位Q1＝(1-b)×第a项+b×第a+1项，主机计算下四分位 Q1＝(1-0.75)×(-0.4)＝-0.1。

根据上四分位Q3位置＝3×(n+1)/4＝c.d(整数部分为c，小数部分为d)，主机计算上四分位Q3位置＝3×(10+1)/4＝8.25，c＝8,d＝0.25。

根据上四分位Q3＝(1-d)×第c项+d×第c+1项，主机计算上四分位 Q3＝(1-0.25)×0.5+0.25×0.5＝0.3125。

根据上下四分位宽度Y＝Q3-Q1，主机计算上下四分位宽度 Y＝0.3125-(-0.1)＝0.4125。

根据上限值H1＝Q3+K*Y，假设K＝1.5，主机计算上限值 H1＝0.3125+1.5*0.4125＝0.7477。

根据下限值L1＝Q3-K*Y，主机计算下限值 L1＝0.3125-1.5*0.4125＝-0.4898。

再次，主机搜索偏差集合，得到最大正常偏差值及最小正常偏差值，最大正常偏差值小于或等于上限值，最小正常偏差值大于或等于下限值，例如，虽然变化偏差0.8在偏差集合中是最大的，但是由于变化偏差0.8大于上限值0.7477，因此变化偏差0.8为异常值而需要丢弃。接着，由于变化偏差0.5在小于上限值的偏差集合中是最大的，因此，将变化偏差0.5作为最大正常偏差值。

同理可得，虽然变化偏差-0.6在偏差集合中是最小的，但是由于变化偏差-0.6小于下限值-0.4898，因此变化偏差-0.6为异常值而需要丢弃。接着，由于变化偏差-0.4在大于下限值的偏差集合中是最小的，因此，将变化偏差-0.4作为最小正常偏差值。

最后，主机将最大正常偏差值减去最小正常偏差值，得到波动系数，例如，0.5-(-0.4)＝0.9,0.9作为波动系数。

在本实施例中，通过采用箱形图算法计算出的波动系数参与跟踪不同工件的加工过程中，为可靠准确地适应不同工件的加工作好准备。

在本实施例中，基准功率用于描述工件加工过程中每个当前时刻的当前功率的变化，主机可以通过根据基准功率与当前功率，调整当前进给倍率，从而调整进给速度，以便达到功率恒定。

在一些实施例中，主机可以在初始功率集合中选择最大正常功率值作为基准功率，例如，主机使用箱形图算法处理初始功率集合，得到上限值，于是，在初始功率集合中，搜索小于或等于上限值且在小于或等于上限值的功率集合中是最大的功率值，将所述功率值作为最大正常功率值，亦即作为基准功率。

在一些实施例中，主机使用箱形图算法处理初始功率集合，得到最大正常功率值，再使用最大正常功率值减去预设阈值，得到基准功率，其中，预设阈值由用户根据业务需求自行定义。

S23、获取标准模糊算法模型，根据波动系数，调整标准模糊算法模型中每个语言输入变量的各个语言子集；

在本实施例中，主机采用模糊算法，通过控制加工进给倍率从而改变进给速度。为了能够适应不同工件的加工，本实施例提前构建标准模糊算法模型并预存在主机内，待开始加工每个单件时，主机使用波动系数调整标准模糊算法模型的论域。

在标准模糊算法模型中，令e为当前功率与基准功率两者的基准偏差，ec为当前功率与历史功率两者的相邻偏差，u为倍率调整量，其中， e和ec作为标准模糊算法模型的两个输入，u作为标准模糊算法的输出，因此，语言变量包括语言输入变量与语言输出变量，其中，e在e的论域上被定义为语言输入变量“基准偏差变量E”，ec在ec的论域上被定义为语言输入变量“相邻偏差变量EC”，u在u的论域上被定义为语言输出变量“控制量U”。

在本实施例中，语言变量E、EC及U皆对应有若干模糊档位，每个模糊档位在论域上皆存在对应的语言子集，例如：

基准偏差变量E被划分如下模糊档位：{正大(PB)、正中(PM)、正小(PS)、正零(PO)、负零(NO)、负小(NS)、负中(NM)、负大(NB)}。基准偏差变量E的论域可以由用户根据业务需求自行设计，例如基准偏差变量E的论域为{-12,-8,-4,0,4,8,12}，模糊档位PB的语言子集为 (8,12)，PM为(4,12),PS为(0,8)，PO为(-4,4),N0为(-4,4),NS为 (0,-8)，NM为(-4,-12),NB为(-8,-12)。

相邻偏差变量EC被划分为{正大(PB)、正中(PM)、正小(PS)、零(ZO)、负小(NS)、负中(NM)、负大(NB)}。相邻偏差变量EC的论域可以由用户根据业务需求自行设计，例如相邻偏差变量EC的论域为 {-6,-4,-2,0,2,4,6}，模糊档位PB的语言子集为(4,6)，PM为(2,6),PS 为(0,4)，ZO为(-2,2),NS为(0,-4)，NM为(-2,-6),NB为(-4,-6)。

控制量U被划分为{正大(PB)、正中(PM)、正小(PS)、零(ZO)、负小(NS)、负中(NM)、负大(NB)}。控制量U的论域可以由用户根据业务需求自行设计，例如控制量U的论域为{-15,-10,-5,0,5,10,15}，模糊档位PB的语言子集为(10,15)，PM为(5,15),PS为(0,10)，ZO为(-5,5),NS为(0,-10)，NM为(-5,-15),NB为(-10,-15)。

在一些实施例中，基准偏差变量E、相邻偏差变量EC及控制量U可以采用任意类型的隶属函数，例如采用三角形隶属函数等等。

在一些实施例，模糊规则可由用户根据业务需求自行设计。主机根据基准偏差变量E、相邻偏差变量EC及控制量U，结合模糊规则，生成模糊查询表，如表1所示：

表1

在一些实施例中，调整标准模糊算法模型中各个语言变量的论域时，主机可以获取每个语言输入变量中各个模糊档位的语言子集，使用波动系数乘以每个模糊档位的语言子集，得到调整后的标准模糊算法模型的各个语言子集，例如，波动系数为0.9，那么，对于基准偏差变量 E，调整后的每个模糊档位的语言子集为：PB为(7.2,10.8)，PM为 (3.6,10.8),PS为(0,7.2)，PO为(-3.6,3.6),N0为(-3.6,3.6),NS为 (0,-7.2)，NM为(-3.6,-10.8),NB为(-7.2,-10.8)。

对于相邻偏差变量EC，PB为(3.6,5.4)，PM为(1.8,5.4),PS为 (0,3.6)，ZO为(-1.8,1.8),NS为(0,-3.6)，NM为(-1.8,-5.4),NB为 (-3.6,-5.4)。

作为语言输出变量的控制量U，其保持不变。

至此，主机已调整标准模糊算法模型中每个语言输入变量的各个语言子集，得到与本工件的工况相适应的模糊算法，以便后续更加可靠准确地控制加工。

S24、根据调整后的标准模糊算法模型、基准功率及当前功率，调整当前进给倍率；

在一些实施例中，调整当前进给倍率时，首先，主机确定在时序上与当前功率相邻并处于所述当前功率前方的历史功率，计算当前功率与基准功率两者的基准偏差，以及当前功率与历史功率两者的相邻偏差，例如，如前所述，作为精确输入变量的基准偏差e＝当前功率p_i-基准功率p_ref，同样作为精确输入变量的相邻偏差ec＝当前功率p_i与历史功率p_i-1两者的相邻偏差。

其次，主机根据调整后的标准模糊算法模型、基准偏差及相邻偏差，计算倍率调整量，例如，主机将基准偏差及相邻偏差两者输入调整后的标准模糊算法模型，调整后的标准模糊算法模型将e和ec量化为精确输入E*和EC*，然后将E*和EC*通过模糊化接口转化为模糊输入A*和 B*，再将A*和B*根据规则库蕴含的模糊关系进行模糊推理，得到模糊控制输出量C*。接着，再对C*进行清晰化处理，得到精确输出量U*，通过比例因子将U*转化为倍率调整量。

最后，主机根据倍率调整量，调整当前进给倍率。可以理解的是，主机可以采用任意合适方式调整当前进给倍率。

在一些实施例中，当倍率调整量为负数，且当前进给倍率为下限进给倍率时，保持当前进给倍率不变，下限进给倍率为正常加工时的进给倍率。采用此种方式，其能够保证在降低进给倍率时，始终至少是按照正常加工时的进给倍率进行加工的。

当倍率调整量为正数，且当前进给倍率为上限进给倍率时，保持当前进给倍率不变。当当前进给倍率大于下限进给倍率且小于上限进给倍率时，使用倍率调整量相加当前进给倍率，得到调整后的当前进给倍率，调整后的当前进给倍率大于下限进给倍率且小于上限进给倍率。

S25、根据调整后的当前进给倍率，加工工件。

在本实施例中，由于本方法加工每个单件时，提前截取一段时长的初始功率集合，以此学习并调整标准模糊算法模型的论域，使得调整后的标准模糊算法能够适应本工件，后续再可靠准确地加工工件，因此，本方法能够适应并可靠准确地加工工况条件不同的各类工件。

在一些实施例中，本方法还可以在上述实施例的基础上，通过自适应控制方式，不断地迭代新的基准功率，以便提高加工效率。因此，当当前进给倍率在预设监控时长内保持不变时，获取预设监控时长内的目标功率集合，其中，预设监控时长由用户根据业务需求自定义，例如预设监控时长为0.5秒。若主机监控到当前进给倍率在持续变化，则重新监控当前进给倍率的变化趋势。

其次，主机根据目标功率集合，重新调整基准功率，例如，主机使用箱形图算法处理目标功率集合，得到目标上限值。接着，主机搜索目标功率集合，得到最大目标功率值，最大目标功率值小于或等于目标上限值，使用最大目标功率值减去预设阈值，得到调整后的基准功率。

再次，主机根据调整后的标准模糊算法模型、调整后的基准功率及当前功率，调整当前进给倍率。

最后，主机根据调整后的当前进给倍率，继续加工工件。

为了详细阐述本发明实施例提供的自适应控制方法，本实施例结合图3作出详细的阐述，可以理解的是，下文只是从众多实施例中列举一种实施方式，下文所涉及的内容并不对本发明的保护范围造成任何不合理的限定，具体如下：

在图3中，为了表达采用本实施例提供的自适应方法所带来的有益效果，特地在图3中引用采用传统方式加工单件的传统功率曲线图，以及采用本方法加工单件的改进功率曲线图作为对比，传统功率曲线图为图3的上方坐标图，改进功率曲线图为图3的下方坐标图。

在传统功率曲线图中，其包括处于同一加工段中4个不同加工位置的功率曲线，分别为直线A1、B1、C1及D1。

采用本发明实施例提供的自适应控制方法按照相同加工工艺，加工相同的单个工件时，首先，数控机床按照进给倍率100％开始正常加工工件，当主机检测到切削信号的上升沿时，延迟1秒，开始截取t0至t1 之间的初始功率集合，根据初始功率集合，学习波动系数和基准功率，再根据波动系数调整标准模糊算法模型中每个语言输入变量的各个语言子集，以匹配和适应该工件。对于此次学习到的基准功率，先命名为p_s1。

在一些实施例中，在直线A2中，由于当前功率是不断增加的且大于前面的基准功率，当当前功率大于基准功率时，主机控制数控机床降低进给倍率，但是，无论如何降低，降低后的进给倍率不可低于下限进给倍率。在本实施例中，下限进给倍率为正常加工时的进给倍率，亦即，下限进给倍率为100％。

由于开始加工时，数控机床是按照进给倍率100％正常加工工件的，即使当前功率在不断增加，主机只能持续控制数控机床按照进给倍率 100％加工工件，一直加工到直线A2的峰值功率P2，与此同时，由于主机不断地迭代基准功率，当加工到直线A2的峰值功率P2时，最新的基准功率为P2。此处，直线A2与直线A1的斜率相同。

数控机床加工另一个位置，进入直线B2。

在直线B2中，由于当前功率持续下降，于是主机增加当前进给倍率，于是，数控机床提高进给速度加工工件，因此，数控机床可以快速地加工该位置，并在时间点t3结束。由于当前进给倍率在直线B2中一直在变化，按照上述实施例所阐述的控制方法，主机未迭代更新基准功率，于是，在时间点t3结束时，最新的基准功率依然为直线A2的峰值功率P2。其中，时间点t3的功率p1大于传统功率曲线中的p3。此处，直线B2的斜率绝对值大于直线B1的斜率绝对值。

数控机床再加工另一个位置，进入直线C2。

在直线C2_1中，虽然当前功率持续在增加，但是，在t3至t4之间的时间段内，当前功率依然是小于峰值功率P2的，于是，主机在t3至 t4之间的时间段内依然是增加当前进给倍率，于是，数控机床提高进给速度加工工件，直至加工至时间点t4。

以时间点t4开始，进入直线C2_2。

由于当前功率持续在增加，并且自时间点t4后的当前功率是大于峰值功率P2的，于是，主机降低当前进给倍率，直至降低至下限进给倍率100％。此处，直线C2_2的斜率与直线C1的斜率近乎相同。

数控机床再加工另一个位置，进入直线D2。

在直线D2中，由于当前功率持续下降且小于最新的基准功率，于是主机增加当前进给倍率，于是，数控机床提高进给速度加工工件，因此，数控机床可以快速地加工该位置。此处，直线D2的斜率绝对值大于直线D1的斜率绝对值。

综上所述，本发明实施例不仅能够适应各类工件的单件加工，而且采用本发明实施例提供的自适应控制方法加工单个工件时，其效率相对于传统方式是明显地提高了。

需要说明的是，在上述各个实施方式中，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施方式的描述可以理解，不同实施方式中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。

作为本发明实施方式的另一方面，本发明实施方式提供一种自适应加工控制装置。其中，自适应加工控制装置可以为软件模块，所述软件模块包括若干指令，其存储在存储器内，处理器可以访问该存储器，调用指令进行执行，以完成上述各个实施方式所阐述的自适应加工控制方法。

在一些实施方式中，自适应加工控制装置亦可以由硬件器件搭建成的，例如，自适应加工控制装置可以由一个或两个以上的芯片搭建而成，各个芯片可以互相协调工作，以完成上述各个实施方式所阐述的自适应加工控制方法。再例如，自适应加工控制装置还可以由各类逻辑器件搭建而成，诸如由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RI SC Machine) 或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合而搭建成。

请参阅图4a，自适应加工控制装置400包括功率采集模块41、计算模块42、论域调整模块43、倍率调整模块44及加工模块45。

功率采集模块41用于加工工件时，获取第一预设时长内的初始功率集合。计算模块42用于根据初始功率集合，计算波动系数及基准功率。论域调整模块43用于获取标准模糊算法模型，根据波动系数，调整标准模糊算法模型中每个语言输入变量的各个语言子集。倍率调整模块44用于根据调整后的标准模糊算法模型、基准功率及当前功率，调整当前进给倍率。加工模块45用于根据调整后的当前进给倍率，加工工件。

在本实施例中，由于本装置加工每个单件时，提前截取一段时长的初始功率集合，以此学习并调整标准模糊算法模型的论域，使得调整后的标准模糊算法能够适应本工件，后续再可靠准确地加工工件，因此，本装置能够适应并可靠准确地加工工况条件不同的各类工件。

在一些实施例中，计算模块42具体用于：在初始功率集合中，计算时序上相邻两个功率之间的变化偏差，得到偏差集合；使用箱形图算法处理偏差集合，得到上限值及下限值；搜索偏差集合，得到最大正常偏差值及最小正常偏差值，最大正常偏差值小于或等于上限值，最小正常偏差值大于或等于下限值；将最大正常偏差值减去最小正常偏差值，得到波动系数。

在一些实施例中，计算模块42还具体用于：使用箱形图算法处理初始功率集合，得到最大正常功率值；使用最大正常功率值减去预设阈值，得到基准功率。

在一些实施例中，每个语言输入变量皆对应有若干模糊档位，每个模糊档位在论域上皆存在对应的语言子集，论域调整模块43具体用于：获取每个语言输入变量中各个模糊档位的语言子集；使用波动系数乘以每个模糊档位的语言子集，得到调整后的标准模糊算法模型的各个语言子集。

在一些实施例中，倍率调整模块44具体用于：确定在时序上与当前功率相邻并处于当前功率前方的历史功率；计算当前功率与基准功率两者的基准偏差，以及当前功率与历史功率两者的相邻偏差；根据调整后的标准模糊算法模型、基准偏差及所述相邻偏差，计算倍率调整量；根据倍率调整量，调整当前进给倍率。

在一些实施例中，倍率调整模块44还具体用于：当倍率调整量为负数，且当前进给倍率为下限进给倍率时，保持当前进给倍率不变，下限进给倍率为正常加工时的进给倍率；当倍率调整量为正数，且当前进给倍率为上限进给倍率时，保持当前进给倍率不变；当当前进给倍率大于下限进给倍率且小于上限进给倍率时，使用倍率调整量相加当前进给倍率，得到调整后的当前进给倍率，调整后的当前进给倍率大于下限进给倍率且小于上限进给倍率。

在一些实施例中，请参阅图4b，自适应加工控制装置400还包括功率获取模块46、功率调整模块47、倍率重调模块48及继续加工模块49。

功率获取模块46用于当当前进给倍率在预设监控时长内保持不变时，获取预设监控时长内的目标功率集合。功率调整模块47用于根据目标功率集合，重新调整基准功率。倍率重调模块48用于根据调整后的标准模糊算法模型、调整后的基准功率及当前功率，调整当前进给倍率。继续加工模块49用于根据调整后的当前进给倍率，继续加工工件。

在一些实施例中，功率调整模块47具体用于：使用箱形图算法处理目标功率集合，得到目标上限值；搜索目标功率集合，得到最大目标功率值，最大目标功率值小于或等于目标上限值；使用最大目标功率值减去预设阈值，得到调整后的基准功率。

在一些实施例中，功率采集模块41具体用于：当检测到切削信号的上升沿时，延迟第二预设时长；经过第二预设时长后，获取第一预设时长内的初始功率集合。

需要说明的是，上述自适应加工控制装置可执行本发明实施方式所提供的自适应加工控制方法，具备执行方法相应的功能模块和有益效果。未在自适应加工控制装置实施方式中详尽描述的技术细节，可参见本发明实施方式所提供的自适应加工控制方法。

请参阅图5，图5是本发明实施例提供的一种电子设备的电路结构示意图，其中，电子设备可以为任意合适类型的设备或电子产品，例如，电子设备包括数控机床、电脑或手机等具有逻辑计算和分析功能的设备或电子产品。如图5所示，电子设备500包括一个或多个处理器51以及存储器52。其中，图5中以一个处理器51为例。

处理器51和存储器52可以通过总线或者其他方式连接，图5中以通过总线连接为例。

存储器52作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的自适应加工控制方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的非易失性软件程序、指令以及模块，从而执行自适应加工控制装置的各种功能应用以及数据处理，即实现上述方法实施例提供的自适应加工控制方法以及上述装置实施例的各个模块或单元的功能。

存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述程序指令/模块存储在所述存储器52中，当被所述一个或者多个处理器51执行时，执行上述任意方法实施例中的自适应加工控制方法。

本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图5中的一个处理器51，可使得上述一个或多个处理器可执行上述任意方法实施例中的自适应加工控制方法。

本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使所述电子设备执行任一项所述的自适应加工控制方法。

以上所描述的装置或设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的，作为模块单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

1.一种自适应加工控制方法，其特征在于，包括：

加工工件时，获取第一预设时长内的初始功率集合；

根据所述初始功率集合，计算波动系数及基准功率；

根据调整后的标准模糊算法模型、所述基准功率及当前功率，调整当前进给倍率，所述当前进给倍率由根据倍率调整量进行调整得到，当所述倍率调整量为负数，且所述当前进给倍率为下限进给倍率时，保持所述当前进给倍率不变，所述下限进给倍率为正常加工时的进给倍率；

根据调整后的当前进给倍率，加工所述工件；

根据所述目标功率集合，重新调整基准功率；

根据调整后的当前进给倍率，继续加工所述工件。

2.根据权利要求1所述的方法，其特征在于，所述根据所述初始功率集合，计算波动系数包括：

使用箱形图算法处理所述偏差集合，得到上限值及下限值；

3.根据权利要求2所述的方法，其特征在于，所述根据所述初始功率集合，计算基准功率包括：

使用所述最大正常功率值减去预设阈值，得到基准功率。

4.根据权利要求1所述的方法，其特征在于，每个所述语言输入变量皆对应有若干模糊档位，每个所述模糊档位在论域上皆存在对应的语言子集，所述根据所述波动系数，调整标准模糊算法模型中每个语言输入变量的各个语言子集包括：

获取每个所述语言输入变量中各个模糊档位的语言子集；

5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据调整后的标准模糊算法模型、所述基准功率及当前功率，调整当前进给倍率包括：

根据所述倍率调整量，调整当前进给倍率。

6.根据权利要求5所述的方法，其特征在于，所述根据所述倍率调整量，调整当前进给倍率包括：

7.根据权利要求1所述的方法，其特征在于，所述根据所述目标功率集合，重新调整基准功率包括：

使用箱形图算法处理所述目标功率集合，得到目标上限值；

8.根据权利要求1至4任一项所述的方法，其特征在于，所述获取第一预设时长内的初始功率集合包括：

当检测到切削信号的上升沿时，延迟第二预设时长；

9.一种非易失性可读存储介质，其特征在于，所述非易失性可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使电子设备执行如权利要求1至8任一项所述的自适应加工控制方法。