CN113056751A - 多轴机器的轴控制的调整 - Google Patents

Abstract

提出了一种用于调谐多轴机器（30）的轴控制的系统（10）和操作该系统（10）的方法（40）。系统（10）包括知识库（11），用于采集（41）和维护与轴控制的调谐相关联的事实知识（20）。所述事实知识（20）具有统一的本体（21）和统一的数据表示，并且包括与已知输出事实（212）相关联的已知输入事实（211）。系统（10）进一步包括推理单元（12），用于根据事实知识（20）自动推理（42）与给定的新的输入事实相关联的新的输出事实。

Description

多轴机器的轴控制的调整

技术领域

本发明涉及特别用于材料处理的多轴机器的轴控制的调整。本发明的各种实施例涉及用于调整多轴机器的轴控制的系统以及操作这样的系统的对应方法。

背景技术

加工涉及制造处理，在该处理中，使用计算机数字控制（CNC）机床以通过减法制造——即，通过受控材料移除，例如通过切削或者或铣削——来将刚性材料件（即，工件）成形为期望的形状和大小。加工尤其对于工件的表面质量、精度和切削时间等有很高的要求。

多轴加工涉及基于与各自空间自由度相关联的多个轴的加工。通过移动工件所附接的工作台，或者通过移动工具，实现移动的每个轴。多个轴促进了上述要求的实现，并且还使得能够制造更复杂的工件。

为了使得轴能够根据机器要求移动，轴的反馈回路以及计算机数字控制和驱动控制的附加功能，诸如急动限制或摩擦补偿，必须以对应的方式进行调整。存在许多不同的控制特征，所述控制特征用于补偿轴的传动系的机械特性，或用于实现特定的调整目标，诸如高速切削或压膜（mold&die）。每个特征具有不同的模式和参数，以面对不同的机械情况和不同的要求。此外，还存在目标冲突的特征。为了实现期望的运动质量，即，精度、点到点时间并且没有激励或振动，必须选择相关特征，必须关于实际轴特性并且根据机器要求确定相关模式和参数。

多轴加工需要有经验的工程师选择相关特征，并在实际轴上测试其有效性。更进一步地，必须通过阅读文档或反复试验来找到该特征的最便利模式。使特征参数适应于特定的轴特性，并关于机器要求调整这些参数是一项具有多次迭代的耗时任务。如果调整没有成功，则难以确定以下各项是否成立：

-特征的组合是正确的，

-已经使用了所有相关特征，

-已经使用了对应的特征模式，

-有机会通过轴调整影响工件质量问题，

-有机会通过应用控制特征来解决轴移动质量问题。

如今，只有机器制造商处的少数领域专家/工程师负责并且能够调整对应的控制和驱动设置。他们必须收集关于特征的信息，并获得在分析问题方面的经验。更进一步地，负责的专家必须通过适配控制参数来决定在当前环境下是否能够成功地实现工件质量和机器要求，诸如机器轴特性、可用的控制特征和可用特征模式。除了测试和测量的时间消耗和努力之外，还不确定在切削时间或工件质量方面有多大的改进。如果工程师没有记住或报告其分析的发现，那么来自这些调整结果的任何数据/经验都不能被重复使用。更进一步地，不可能对轴类型、结果和经证明的方法进行分类。

已知的解决方案基于由个人用户收集的原始数据。

发明内容

鉴于以上所述，在本领域中需要用于调整多轴机器的轴控制的系统以及操作这样的系统的方法，其解决了上述一些需求。

本发明的这些基本目的每个都由独立权利要求所定义的系统和方法来解决。从属权利要求中阐述了本发明的优选实施例。

根据第一方面，提供了一种用于调整多轴机器的轴控制的系统。该系统包括用于采集和维护与轴控制的调整相关联的事实知识的知识库。事实知识具有统一的本体和统一的数据表示。此外，事实知识包括已知的输入事实和相关的已知输出事实。该系统进一步包括推理单元，用于根据事实知识自动推理与给定的新的输入事实相关联的新的输出事实。

根据事实知识自动推理与给定的新的输入事实相关联的新的输出事实促进以下各项：

-获得具有更高成功率的调整推荐，

-通过减少迭代次数来减少用于调整的时间，

-在使用已知的调整策略时，获得用于预期改进的建议，以及

-获得每个步骤的预期值（策略、模式、测量条件、结果）。

此外，统一的本体和统一的数据表示促进从多个源采集事实知识，所述多个源可能在其数据收集中使用了不同的方法和/或度量。

本文使用的术语“调整”可以指代根据给定的调整要求/目标、尤其是在计算机数字控制下的系统和方法的优化。

术语“计算机数字控制”或“CNC”，可以指代借助于计算机对加工工具进行自动控制，以根据给定的要求处理工件。

本文使用的术语“轴控制”可以指代反馈回路的控制和/或轴的数字控制特征，包括例如实际驱动/马达的速度控制，并且不包括其基本电压和/或电流控制。

本文使用的术语“本体”可以指代具有逻辑关系的信息系统。例如，本体可以定义存在哪些信息实体，以及这样的实体可以如何被分组、在层次结构中相关联以及根据相似性和差异被细分。

本文使用的术语“统一数据表示”可以指代在语法和语义上以相同方式表示相似数据的情况。作为语法示例，实值数字可以以统一的浮点数据格式来表示。作为进一步的示例，字符串可以以统一的字符串数据格式来表示，等等。提供在使用中赋予特定数据格式或表示的标识符可以是有用的。特别地，如果数据是从多个源收集的，所述多个源可能在其数据收集中使用了不同的方法和/或度量，则可能需要执行将数据转换成适当的统一数据表示。作为语义示例，可以为要求、多个轴的动态行为和/或调整结果的评级定义统一的品质因数。例如，合期望的可以是描述以下各项：

-调整成功的程度，这可以是测量的表面质量、测量的轮廓精度和测量的处理时间之间的折衷，

-测量的精度程度，

-调整结果的挑战程度，以及

-满足整体或个体要求的困难程度。

所述多个轴中的每个轴的轴控制可以分别与多个可用轴控制特征、与所述多个可用轴控制特征相关联的多个可用轴控制模式、以及与所述多个可用轴控制模式相关联的多个可用轴控制参数相关联。

输入事实可以相应地包括可容许的表面质量、可容许的精度和可容许的加工时间中的至少一个。

输入事实可以进一步包括如下各项的统一的、机器可读的描述：

-机器类型，诸如具有一个主轴的三轴立式加工中心、具有实际五轴切削的五轴加工中心、车床、车铣加工中心等，

-机器轴类型，诸如单轴、耦合轴、具有齿轮箱、丝杠或直接驱动的水平/垂直/旋转机械传动系等，

-应用类型，诸如铣削、磨削、车削、激光切削，

-机器要求，以及

-工件要求，诸如加工材料，特别是金属。

本文使用的术语“可容许表面质量”可以指代成形表面与完美成形表面（诸如，完美平坦的表面）不一致的可容许程度。

本文使用的术语“可容许精度”可以指代尺寸的量度与该量度的预定义规格不一致的可容许程度。

本文使用的术语“可容许加工时间”可以指代使用相同的输出事实集合来至少部分成形工件或其细节所要求的可容许时间段。

输出事实可以相应地包括多个（即，一个或多个）可用轴控制特征中的至少一个，与所述多个可用轴控制特征中的至少一个中的每个相关联的多个（即，一个或多个）可用轴控制模式中的至少一个，与所述多个可用轴控制模式中的至少一个中的每个相关联的多个（即，一个或多个）可用轴控制参数中的至少一个，以及所述多个可用轴控制参数中的至少一个中的每个的可接受值。

输出事实可以进一步包括如下各项的统一的、机器可读的描述：

-机器类型，诸如具有单个主轴的三轴立式加工中心、具有实际的五轴切削的五轴加工中心、车床、车铣加工中心等，

-机器轴类型，诸如单轴、耦合轴、具有齿轮箱、丝杠或直接驱动的水平/垂直/旋转机械传动系等，

-应用类型，诸如铣削、磨削、车削、激光切削，

-机器要求，

-工件要求，

-报告并自动保存关于成功调整实验的数据，

-保存的机器轴的实际特性以及导出所述特性的方法，

-轴对于机器处理及其要求的重要性的准则，

-轴对机器处理所需特性或相关要求的影响的准则，

-成功调整的准则：

a.测量的处理时间，或其改进，

b.测量的精度，或其改进，以及

c.测量的表面质量，或其改进。

将上述信息对象中的相关信息对象的组合与成功评估一起保存，减少了在调整多轴机器的轴控制时的反复试验。

本文使用的术语“测量的表面质量”可以指代成形表面与完美成形表面（诸如，完美平坦的表面）不一致的所测量程度。

本文使用的术语“测量精度”可以指点尺寸的量度与该量度的预定义规格的所测量的一致性程度。

本文使用的术语“测量的加工时间”可以指代使用相同的输出事实集合至少部分地成形工件或其细节所需的所测量的时间段。

可以防止与输出事实相矛盾。

例如，这样的矛盾可以根据已知的试探法通过相互作用的输出事实的相互排斥或限制来防止，例如编码为如果-那么-否则情况区别。

这减少了调整多轴机器的轴的控制时的反复试验。

知识库可以被配置用于从多个多轴机器上的多个制造或测试用例中采集事实知识。

这促进解决所谓的“知识采集问题”，其标示从通常罕见且昂贵的领域专家处采集可用事实知识的问题。由于这样的专家潜在地隶属于一个组织的不同部门和/或不同的组织，因此可以采集更广泛的事实知识基础以供提取，例如以用于重复使用和进一步检查。

推理单元可以被配置用于如果新的输入事实表示一些已知输入事实的内插或外推，则根据事实知识自动推理与新的输入事实相关联的新的输出事实。

特别地，可能存在其中新的输入事实仅在细节上偏离所述一些已知输入事实的情况。例如，这可能涉及少至单个信息项的偏差。在这样的情况下，可以基于固有关系通过内插或外推将所述一些已知输入事实映射到新的输入事实，例如，所述固有关系诸如是通过回归分析或试探法可确定的。因此，调整参数只能通过仔细选择的少量测试用例来探索。

然而，如果新的输入事实与任何已知输入事实相同，则可能可以直接重新使用后者来进行调整。

本文使用的术语“回归分析”可以涉及一组统计处理，用于估计变量之间的关系，并且特别是因变量和一个或多个自变量之间的关系。

本文使用的术语“试探法”可以涉及采用实际方法来产生满意的解决方案的任何解决问题的方法，尤其是如果发现最佳解决方案不可能或不切实际的话。

推理单元可以被配置用于根据事实知识，基于已知输入事实和已知输出事实之间的关联，自动推理与新的输入事实相关联的新的输出事实。

根据事实知识，自动推理与新的输入事实相关联的新的输出事实促进以下各项：

-给出针对调整策略的建议：

a.推荐哪些特征和调整步骤，

b.推荐这些特征的哪些模式，和/或

c.针对每个推荐步骤的测量策略；

-给出针对调整结果的建议，如果实际轴的特性与找到的云数据非常匹配的话，

-给出针对调整结果的预期范围的建议，例如预期值和方差的度量，

-在进一步调整之前，关于已知事实给出当前轴调整状态的初始判断，

-关于已知事实给出测量结果的自动判断，以及

-关于已知事实给出单个调整实验结果的自动判断。

该系统可以进一步包括学习单元，用于自动学习已知输入事实与已知输出事实之间的关联。

这促进直接捕捉输入事实与输出事实之间的固有关联，例如，无需经由插值或外推走任何弯路，并且无需明确地捕捉这些固有关联。

学习单元可以被配置为基于机器学习来自动学习已知输入事实和已知输出事实之间的关联。

这促进直接捕捉输入事实与输出事实之间的固有关联，而无需明确地设计这样的捕捉处理。

例如，机器学习可以用于：

-对机器轴类型、机器轴特性以及典型组合进行分类，以及

-如果期望的话，则基于用户反馈、潜在地基于由真实工程师执行的自动测试用例，改进已知输入事实和已知输出事实之间的所学习的关联。

本文使用的术语“机器学习”可以涉及给计算机系统基于给定的数据——诸如上面提到的已知事实知识——逐步提高特定任务的性能的能力，而不需要明确地编程。机器学习算法可以从给定的数据中学习并针对其进行预测，并且可以通过根据样本输入建立模型来作出数据驱动的预测或决策，从而克服严格遵循静态程序指令的情况。例如，机器学习可以基于使用具有多个隐藏层的人工神经网络的深度学习。

学习单元可以被配置用于基于使用事实知识的有监督学习来自动学习已知输入事实和已知输出事实之间的关联。

本文使用的术语“有监督机器学习”可以涉及向计算机系统呈现示例输入和它们的期望输出，以便学习将示例输入映射到期望输出的一般规则。在调整机器轴的情况下，示例输入、期望输出和一般规则对应于已知输入事实、已知输出事实以及它们之间的关联。

根据第二方面，提供了一种操作用于调整多轴机器的轴控制的系统的方法。该方法包括采集和保持与轴控制的调整相关联的事实知识的步骤。事实知识具有统一的本体和统一的数据表示。此外，事实知识包括已知输入事实和相关联的已知输出事实。该方法进一步包括根据事实知识自动推理与给定的新的输入事实相关联的新的输出事实的步骤。

该方法可以用于操作各种实施例的系统。

有利地，上述与用于调整多轴机器的轴控制的系统相关的技术效果和优点同样适用于具有对应特征的对应方法。

附图说明

将参照随附附图描述本发明的实施例，其中相同或相似的附图标记指定相同或相似的元件：

图1是根据一个实施例的系统10的示意图，该系统10用于调整多轴机器30的轴控制；

图2是与多轴机器30的轴控制的调整相关联的事实知识20的本体21的示意图；

图3是根据一个实施例的与多个多轴机器30连接的基于云的系统10的示意图；

图4是根据操作一个实施例的系统10的实施例的方法40的示意图，该方法40用于调整多轴机器30的轴控制。

具体实施方式

现在将参照附图描述本发明的示例性实施例。尽管将在特定应用领域的上下文中描述一些实施例，但是所述实施例不限于该应用领域。进一步地，各种实施例的特征可以彼此组合，除非另外具体声明。

附图要被视为示意性表示，并且附图中图示的元件不一定按比例示出。相反，各种元件被表示成使得它们的功能和一般目的对于本领域技术人员变得显而易见。

图1是根据一个实施例的系统10的示意图，该系统10用于调整多轴机器30的轴控制。

参考图1，应当领会，用于调整多轴机器30的轴控制的系统10可以包括知识库11、推理单元12以及学习单元13。

知识库11被配置用于采集41和维护与轴控制的调整相关联的事实知识20，该事实知识20具有统一的本体21和统一的数据表示，并且包括与已知输出事实212相关联的已知输入事实211。

推理单元12被配置用于根据事实知识20自动推理42与给定的新的输入事实相关联的新的输出事实。

例如，推理单元12可以被配置用于如果新的输入事实表示一些已知输入事实211的内插或外推，则根据事实知识20自动推理42与新的输入事实相关联的新的输出事实。

可替代地或附加地，推理单元12可以被配置用于根据事实知识20，基于已知输入事实211和已知输出事实212之间的关联，自动推理42与新的输入事实相关联的新的输出事实。

为此，学习单元13被配置用于自动学习43已知输入事实211和已知输出事实212之间的关联，以便概括这些关联，并且能够将概括的关联也应用于新的输入事实，从而产生新的输出事实。

例如，学习单元13可以被配置用于基于机器学习、特别是基于使用事实知识20的有监督机器学习，自动学习43已知输入事实211和已知输出事实212之间的关联。

图2是与多轴机器30的轴控制的调整相关联的事实知识20的可能本体21的示意图。

参照图2，应当领会，由知识库11维护的事实知识20具有统一的本体21、统一的数据表示，并且包括在图2的右手侧示出并且与图2的左手侧示出的已知输出事实212相关联的已知输入事实211。

输入事实——已知的211或新的——相应地包括加工方法、加工工具、加工材料、可容许表面质量、可容许精度和可容许加工时间中的至少一个。

如将参照图2进一步理解的，事实知识20的输出事实212具有统一的本体21，该本体21定义了哪些可能的信息实体存在，以及这样的实体如何被分组、在层次结构内相关以及根据相似性和差异被细分。多个轴中的每个的轴控制与以下信息实体相关联：

-多个可用轴控制特征213，

-与所述多个可用轴控制特征213相关联的多个可用轴控制模式214，以及

-与所述多个可用轴控制模式214相关联的多个可用轴控制参数215。

因此，输出事实——已知212或新的——相应地包括：

-多个可用轴控制特征213中的至少一个，

-与所述多个可用轴控制特征213中的至少一个中的每个相关联的多个可用轴控制模式214中的至少一个，

-与所述多个可用轴控制模式214中的至少一个中的每个相关联的多个可用轴控制参数215中的至少一个，以及

-所述多个可用轴控制参数215中的至少一个中的每个的可接受值（未示出）。

防止了相应输出事实中的矛盾（例如，由于冲突的目标）。

图3是根据一个实施例的与多个多轴机器30连接的基于云的系统10的示意图。

参照图3所示，应当领会，系统10、更具体地说是其知识库11，被配置用于从多个多轴机器30采集41事实知识20。

为此，系统10经由图3中被指示为云的无线和/或有线网络基础设施31与多个多轴机器30通信。

多个制造或测试用例可以在多个多轴机器30上执行，从而产生广泛的事实知识基础20以供提取。

图4是根据操作一个实施例的系统10的实施例的方法40的示意图，该方法40用于调整多轴机器30的轴控制。

参照图4，应当理解，方法40可以包括采集41和维护、自动推理42和自动学习43的步骤。

在步骤41处，与轴控制的调整相关联的事实知识20被采集41并被维护，该事实知识20具有统一的本体21、统一的数据表示，并且包括与已知输出事实212相关联的已知输入事实211。

在步骤42处，根据事实知识20自动推理42与给定的新的输入事实相关联的新的输出事实。

在步骤43处，自动学习43已知输入事实211与已知输出事实212之间的关联。

方法40可以用于操作各种实施例的系统10。

尽管已经描述了根据各种实施例的系统10和方法40，但是可以在其他实施例中实现各种修改。例如，机器学习可以基于各种方法，诸如遗传算法、强化学习等。

当然，在不脱离本发明的基本特征的情况下，本发明可以以除了本文具体阐述的方式之外的其他方式来实现。例如，前面的实施例在多轴机器的轴控制的调整的上下文中描述了本发明，并且特别用于材料处理中。然而，本领域技术人员应当领会，本发明不限于此。本发明也可以用在需要由昂贵的领域专家调整复杂控制任务的其他上下文中。因此，本实施例在所有方面都被认为是说明性的而非限制性的，并且在所附权利要求的含义和等同范围内的所有改变都旨在被包含在其中。

Claims (11)

1.一种用于调整多轴机器（30）的轴控制的系统（10），包括

知识库（11 ），用于采集（41）和维护与轴控制的调整相关联的事实知识（20），

所述事实知识（20）具有统一的本体（21）和统一的数据表示，并且

所述事实知识（20）包括与已知输出事实（212）相关联的已知输入事实（211）；和

推理单元（12），用于根据事实知识（20）自动推理（42）与给定的新的输入事实相关联的新的输出事实；

所述输出事实相应地包括

多个可用轴控制特征（213）中的至少一个，

与所述多个可用轴控制特征（213）中的至少一个中的每个相关联的多个可用轴控制模式（214）中的至少一个，

与所述多个可用轴控制模式（214）中的至少一个中的每个相关联的多个可用轴控制参数（215）中的至少一个，以及

所述多个可用轴控制参数中的至少一个中的每个的可接受值（215）；和

其中根据已知的试探法，通过矛盾的输出事实的相互排斥或限制来防止相应输出事实内的矛盾。

2.根据权利要求1所述的系统（10），

所述多个轴中的每一个的轴控制相应地与如下各项相关联

多个可用的轴控制特征（213），

与所述多个可用轴控制特征（213）相关联的多个可用轴控制模式（214），以及

与所述多个可用轴控制模式（214）相关联的多个可用轴控制参数（215）。

3.根据权利要求1或权利要求2所述的系统（10），

输入事实相应地包括加工方法、加工工具、加工材料、可容许表面质量、可容许精度和可容许加工时间中的至少一个。

4.根据前述权利要求中任一项所述的系统（10），

知识库（11）被配置用于从多个多轴机器（30）上的多个制造或测试用例采集（41）事实知识（20）。

5.根据前述权利要求中任一项所述的系统（10），

所述推理单元（12）被配置用于如果新的输入事实表示一些已知输入事实（211）的内插或外推，则根据事实知识（20）自动推理（42）与新的输入事实相关联的新的输出事实。

6.根据前述权利要求中任一项所述的系统（10），

推理单元（12）被配置用于根据事实知识（20），基于已知输入事实（211）与已知输出事实（212）之间的关联，自动推理（42）与新的输入事实相关联的新的输出事实。

7.根据前述权利要求中任一项所述的系统（10），进一步包括

学习单元（13），用于自动学习（43）已知输入事实（211）与已知输出事实（212）之间的关联。

8.根据权利要求7所述的系统（10），

学习单元（13）被配置用于基于机器学习自动学习（43）已知输入事实（211）与已知输出事实（212）之间的关联。

9.根据权利要求8所述的系统（10），

学习单元（13）被配置用于基于使用事实知识（20）的有监督机器学习来自动学习（43）已知输入事实（211）与已知输出事实（212）之间的关联。

10.一种操作用于调整多轴机器（30）的轴控制的系统（10）的方法（40），包括：

采集（41）并维护与轴控制的调整相关联的事实知识（20），

所述事实知识（20）具有统一的本体（21）和统一的数据表示，并且

所述事实知识（20）包括与已知输出事实（212）相关联的已知输入事实（211）；和

根据事实知识（20）自动推理（42）与给定的新的输入事实相关联的新的输出事实；

所述输出事实相应地包括

多个可用轴控制特征（213）中的至少一个，

与所述多个可用轴控制特征（213）中的至少一个中的每个相关联的多个可用轴控制模式（214）中的至少一个，

与所述多个可用轴控制模式（214）中的至少一个中的每个相关联的多个可用轴控制参数（215）中的至少一个，以及

所述多个可用轴控制参数中的至少一个中的每个的可接受值（215）；和

其中根据已知的试探法，通过矛盾的输出事实的相互排斥或限制来防止相应输出事实内的矛盾。

11.根据权利要求10所述的方法（40），

其中所述方法（40）用于操作权利要求1-9中任一项的系统（10）。

Images