CN114265363B - 一种数控机床加工路径智能优化方法及其系统 - Google Patents
一种数控机床加工路径智能优化方法及其系统 Download PDFInfo
- Publication number
- CN114265363B CN114265363B CN202111550004.3A CN202111550004A CN114265363B CN 114265363 B CN114265363 B CN 114265363B CN 202111550004 A CN202111550004 A CN 202111550004A CN 114265363 B CN114265363 B CN 114265363B
- Authority
- CN
- China
- Prior art keywords
- machining
- machine tool
- training
- processing
- path
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000003754 machining Methods 0.000 title claims description 77
- 238000012545 processing Methods 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims description 50
- 230000009471 action Effects 0.000 claims description 23
- 230000013016 learning Effects 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 8
- 230000009326 social learning Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Abstract
本发明涉及数控机床加工技术领域，特别涉及一种数控机床加工路径智能优化方法及其系统；在数控机床在执行加工任务时，本发明将加工任务和刀具状态作为输入，对其加工路径实现实时的、在线的智能指导，同时进行约束设置，来不断安排刀具按照最优的路径选择下一个工作基元，以提高数控机床的工作效率。
Description
技术领域
本发明涉及数控机床加工技术领域，特别涉及一种数控机床加工路径智能优化方法及其系统。
背景技术
数控机床是一种融合了计算机、自动控制、电气工程、机械工程以及传感监测等各项技术的先进智能装备；数控机床可以按照加工人输入的加工程序来对工件实现连续地、精确地自动加工；数控机床的应用对提升企业生产效率、降低劳动成本等方面有着重要作用，且对促进国家制造业的发展和进步有着重要意义，但是，当数控机床在面对一些复杂零件的批量化生产加工任务中，会存在加工时间长、加工行程大等问题，这严重影响了数控机床的加工效率，而如何对机床在工作过程中刀具的加工路径进行优化，就成为了当前制造业关注的重点问题之一。
现有的传统路径优化技术往往很难适应数控机床的应用场景，传统路径优化技术通常是基于静态的模型，大都局限于一些固定的规则，而数控机床的加工任务往往是灵活多变的，不同的加工任务可能需要不同的加工方式和加工设备，而即便是在某一特定加工任务下，在不同的加工基元中，也会面临着加工刀具的更换、加工方式的改变等问题；因此，传统路径优化方法很难适应这样的动态的、灵活多变的问题模型。
发明内容
本发明主要解决的技术问题是提供一种数控机床加工路径智能优化方法，其为数控机床在执行加工任务时，对其加工路径实现实时的、在线的智能指导，从而进一步提升数控机床的工作效率；还提供了一种数控机床加工路径智能优化系统。
为解决上述技术问题，本发明采用的一个技术方案是：提供了一种数控机床加工路径智能优化方法，其中，包括如下步骤：
步骤S1、输入初始化数据；
步骤S2、根据初始化数据进行初试训练动作，同时通过社会学习粒子群方法对初试训练动作的选择提供引导，从而选择出下一个加工基元；
步骤S3、设定循环训练选择出下一个加工基元，同时对选择下一个加工基元的行为进行约束且根据约束来设定对应的得分值，结合约束来获得得分值；
步骤S4、判断所有的训练任务是否完成，若完成，则将此时加工状态的数据转化为输入步骤S1内的初始化数据，进行再次训练，从而进行迭代循环训练；若未完成，则更新加工状态，返回步骤S2；
步骤S5、继续迭代循环训练，判断是否达到设定的最大迭代训练次数，若达到，则输出得分值最高的那组加工路径，若未达到，则更新加工状态，返回步骤S2；
步骤S6、将得分值最高的那组加工路径作为最优加工路径，进行可视化。
作为本发明的一种改进，在步骤S1内，初始化数据包括当前数控机床的加工状态和根据历史数据训练得到的网络参数。
作为本发明的进一步改进，当前数控机床的加工状态包括加工基元位置、加工刀具状态、加工刀具寿命、刀具加工方式和刀具加工时间。
作为本发明的更进一步改进，在步骤S2内，通过社会学习粒子群方法得到一个初始最优解，以这个初始最优解对初试训练动作选择提供引导，从而选择出下一个加工基元。
作为本发明的更进一步改进，在步骤S3内，约束包括加工基元位置不能重复和刀具的使用寿命。
作为本发明的更进一步改进，在步骤S3内，遵守约束，设定加工路径越短，加工时间越少，得分越高。
作为本发明的更进一步改进，在步骤S3内，违背约束，则进行对应的扣分。
作为本发明的更进一步改进，在步骤S4内，所有的训练任务未完成，则通过异步学习网络更新网络参数及加工基元位置的状态信息，返回步骤S2。
作为本发明的更进一步改进，在步骤S5内，未达到设定的最大迭代训练次数，则通过通过异步学习网络更新网络参数及加工基元位置的状态信息，返回步骤S2。
一种数控机床加工路径智能优化系统，其中，包括：
输入模块，用于输入初始化数据；
训练模块，用于根据初始化数据进行初试训练；
奖励模块，用于根据训练的行为获取对应的得分值；
判断模块，用于判断训练是否完成；
输出模块，用于输出最优加工路径；
显示模块，用于将最优加工路径进行可视化显示。
本发明的有益效果是：与现有技术相比，在数控机床在执行加工任务时，本发明将加工任务和刀具状态作为输入，对其加工路径实现实时的、在线的智能指导，同时进行约束设置，来不断安排刀具按照最优的路径选择下一个工作基元，以提高数控机床的工作效率。
附图说明
图1为本发明的步骤框图；
图2为本发明的流程示意图；
图3为本发明的异步学习网络框架的框架图。
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仅用以解释本发明，并不用于限定本发明。
请参照图1至图3，本发明的一种数控机床加工路径智能优化方法，包括如下步骤：
步骤S1、输入初始化数据；
步骤S2、根据初始化数据进行初试训练动作，同时通过社会学习粒子群方法对初试训练动作的选择提供引导，从而选择出下一个加工基元；
步骤S3、设定循环训练选择出下一个加工基元，同时对选择下一个加工基元的行为进行约束且根据约束来设定对应的得分值，结合约束来获得得分值；
步骤S4、判断所有的训练任务是否完成，若完成，则将此时加工状态的数据转化为输入步骤S1内的初始化数据，进行再次训练，从而进行迭代循环训练；若未完成，则更新加工状态，返回步骤S2；
步骤S5、继续迭代循环训练，判断是否达到设定的最大迭代训练次数，若达到，则输出得分值最高的那组加工路径，若未达到，则更新加工状态，返回步骤S2；
步骤S6、将得分值最高的那组加工路径作为最优加工路径，进行可视化。
本发明将加工任务和刀具状态作为输入，对其加工路径实现实时的、在线的智能指导，同时进行约束设置，来不断安排刀具按照最优的路径选择下一个工作基元，以提高数控机床的工作效率。
在步骤S1内，初始化数据包括当前数控机床的加工状态和根据历史数据训练得到的网络参数，当前数控机床的加工状态包括加工基元位置、加工刀具状态、加工刀具寿命、刀具加工方式和刀具加工时间。
在步骤S2内，通过社会学习粒子群方法得到一个初始最优解，以这个初始最优解对初试训练动作选择提供引导，从而选择出下一个加工基元。
在步骤S3内，约束包括加工基元位置不能重复和刀具的使用寿命；遵守约束，设定加工路径越短，加工时间越少，得分越高；违背约束，则进行对应的扣分。
在步骤S4内，所有的训练任务未完成，则通过异步学习网络更新网络参数及加工基元位置的状态信息，返回步骤S2。
在步骤S5内，未达到设定的最大迭代训练次数，则通过通过异步学习网络更新网络参数及加工基元位置的状态信息，返回步骤S2。
如图2所示，本发明提供一个实施例，该实施例包括:
1、首先要得到初始化的数据，要有加工任务总需求(在整个加工任务中，刀具要经过几个加工基元、在哪些加工基元需要换刀、各加工基元所需的加工方法以及该加工方法所需加工时间等)以及当前刀具的状态(位于哪个基元、刀具寿命情况等)，并采用一种异步优势动作评价方法(A3C)来实现对刀具加工路径的智能优化。
2、异步优势动作评价方法(A3C)的动作空间定义为刀具在完成加工任务时所需要经历的所有加工基元，异步优势动作评价方法(A3C)的动作为选择下一个加工基元(即刀具由当前基元移动到下一个加工基元，来完成下一个加工步骤)，随着加工基元位置的改变，相应的加工状态信息以及相应的加工任务需求等相关状态变量也会随之改变。
在此步骤中，为提升所提框架的实用性，在强化学习进行初始动作选择时，引入社会学习粒子群方法(SLPSO)来加快异步优势动作评价方法(A3C)的计算速度，SLPSO是一种启发式智能优化方法，其通过让种群中的个体不断向比自己优秀的个体(适应度值更高)来进行迭代寻优，最终得到最优结果；SLPSO的位置更新方式如下所示：
Δxi，j(t+1)＝r1(t)Δxi，j(t)+r2(t)Ii，j(t)+φr3(t)Ci，j(t)；
其中，xi，j(t)代表第t代时，i个个体的第j个维度，Δxi，j(t+1)是从优于自身的个体身上学习的量，Ii，j(t)代表i个个体的第j个维度与比自己优秀的个体对应维度的差值，Cj，t则代表i个个体的第j个维度与当前种群所有个体第j个维度的平均值的差值；r1(t)、r2(t)与r3(t)均为0到1之间的随机数，φ为一个与问题维度和种群规模相关的数，本方法为了加快计算时间，设定该值为1，在方法框架的起始阶段，在得到加工任务的总需求以及知道都有经历哪些加工基元后，先让SLPSO按照传统路径优化问题进行简单求解，得到一个初始最优解，这个初始最优解将为异步优势动作评价方法(A3C)在最初选择基元时提供指导；由于异步优势动作评价方法(A3C)在最初选择下一个基元时是随机的，这会导致计算时间的增加，而加入指导以后，本框架指定异步优势动作评价方法(A3C)在选择最优解求得的下一个基元的位置的概率会增加20％，这就会使异步优势动作评价方法(A3C)在一开始时就朝着路径最优的方向对基元进行选择，从而进一步增加异步优势动作评价方法(A3C)的计算时间，提高算法实用性。
3、奖励函数可定义为：
其中，disi表示刀具第i次切换加工基元所要走的距离，t表示整个加工任务刀具目前在第t个步骤；timei表示刀具在第i个基元时，完成加工任务所需的时间；α和β分别为权重系数，可根据自身情况而设置；此外，由于加工路径和加工时间的值都是越小越好，因此在这里取相反数，加工路径越短，总时间越少，则得到的奖励越大。
4、约束处理：
(1)重复走刀约束：若在加工过程中，刀具在某一基元中重复出现两次，势必会增加不必要的加工路径，因此要求整个加工过程中，基元位置不能重复，奖励部分的处理可如下所示：
其中，pt表示在第t个加工步骤时所选择的加工基元，而pprev则表示第t个步骤之前的所有加工基元的集合，若有重复则会对降低奖励以作为惩罚。
(2)刀具寿命约束：由于磨损等原因，刀具是有寿命的，超出寿命的刀具无疑会降低加工质量：
其中，表示第i个刀具在执行第t个加工步骤之前已经参与过的加工任务次数，/>表示该刀具的标准加工寿命，若该刀具的加工次数大于加工寿命，则必须对奖励进行惩罚。
上面式子中的x和y均为一个惩罚值，违背约束就会降低奖励的值，x和y的大小可分别根据企业不同的加工任务需求而设定，如有些加工任务不需要很高的精度，则可将y值设定的很小，从而让刀具寿命约束的影响减小。
5、本发明所用异步优势动作评价方法(A3C)的框架为一个异步学习网络的框架，该异步学习网络框架包括一个总网络和n个分网络，其中n取决于运行算法的计算机的CPU的数目，总网络并不直接与环境进行交互，各个分网络负责与环境交互，而分网络得到的神经网络损失函数的梯度并不更新自己线程里的神经网络，而是每隔一定时间传递给总网络，即n个分网络都会按照自己的梯度去更新总网络的神经网络模型参数，而每隔一段时间总网络就会将自己的网络参数传递给各分网络，这就完成各分网络之间的信息共享工作，该方法能大大加快了计算速度。
其中，分网络得到动作概率部分的损失梯度和得到得分值部分的损失梯度可由下式所示：
式中，s为当前状态，a为动作，θ为分网络动作概率部分的网络参数，θv为分网络得到得分值部分的网络参数；θ′和θ′v为下一时刻动作概率部分和得分值部分的网络参数，V(si；θ′v)为分网络的状态值函数，为一个权重参数，R为奖励值。
6、在设定循环训练时，只要加工任务没有完成，就必须继续选择下一个基元继续加工，若所有必须的基元都已遍历，即加工任务已经完成，那就将刀具状态和任务进度初始化为最开始的输入状态，在上一步训练的基础上再次进行训练，在这样不停的迭代过程中，不断选择奖励值最高的下一个基元，就能达到对加工路径进行智能优化的目的。
7、按照前述步骤的模式进行反复的训练，主要是按照梯度不断更新神经网络的权重参数(分网络的神经网络参数为间接更新)，直到达到设定的最大训练次数时即可输出使得分值最高的那组加工路径，并将该结果可视化，使数控机床按照此最优路径来完成任务。
8、鉴于不同加工任务的不同需求，因此在进行正式加工路径优化网络的训练前，可将自身的历史工作数据对本发明的方法进行训练，这样就可以让本发明的方法尽早适应本企业的工作任务特点，从而更快得到想要的加工路径。
本发明还提供了一种数控机床加工路径智能优化系统，包括：
输入模块，用于输入初始化数据；
训练模块，用于根据初始化数据进行初试训练；
奖励模块，用于根据训练的行为获取对应的得分值；
判断模块，用于判断训练是否完成；
输出模块，用于输出最优加工路径；
显示模块，用于将最优加工路径进行可视化显示。
本发明的有益效果：
1、将加工任务和刀具状态作为输入，考虑重复走刀约束以及刀具寿命约束，来不断安排刀具按照最优的路径选择下一个工作基元，以提高数控机床的工作效率。
2、引入社会学习粒子群智能优化方法来为A3C在初始动作选择时提供指导，从而提升计算效率。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种数控机床加工路径智能优化方法，其特征在于，包括如下步骤：
步骤S1、输入初始化数据；
步骤S2、根据初始化数据进行初试训练动作，同时通过社会学习粒子群方法对初试训练动作的选择提供引导，从而选择出下一个加工基元；
步骤S3、设定循环训练选择出下一个加工基元，同时对选择下一个加工基元的行为进行约束且根据约束来设定对应的得分值，结合约束来获得得分值；
步骤S4、判断所有的训练任务是否完成，若完成，则将此时加工状态的数据转化为输入步骤S1内的初始化数据，进行再次训练，从而进行迭代循环训练；若未完成，则更新加工状态，返回步骤S2；
步骤S5、继续迭代循环训练，判断是否达到设定的最大迭代训练次数，若达到，则输出得分值最高的那组加工路径，若未达到，则更新加工状态，返回步骤S2；
步骤S6、将得分值最高的那组加工路径作为最优加工路径，进行可视化。
2.根据权利要求1所述的一种数控机床加工路径智能优化方法，其特征在于，在步骤S1内，初始化数据包括当前数控机床的加工状态和根据历史数据训练得到的网络参数。
3.根据权利要求2所述的一种数控机床加工路径智能优化方法，其特征在于，当前数控机床的加工状态包括加工基元位置、加工刀具状态、加工刀具寿命、刀具加工方式和刀具加工时间。
4.根据权利要求3所述的一种数控机床加工路径智能优化方法，其特征在于，在步骤S2内，通过社会学习粒子群方法得到一个初始最优解，以这个初始最优解对初试训练动作选择提供引导，从而选择出下一个加工基元。
5.根据权利要求4所述的一种数控机床加工路径智能优化方法，其特征在于，在步骤S3内，约束包括加工基元位置不能重复和刀具的使用寿命。
6.根据权利要求5所述的一种数控机床加工路径智能优化方法，其特征在于，在步骤S3内，遵守约束，设定加工路径越短，加工时间越少，得分越高。
7.根据权利要求6所述的一种数控机床加工路径智能优化方法，其特征在于，在步骤S3内，违背约束，则进行对应的扣分。
8.根据权利要求7所述的一种数控机床加工路径智能优化方法，其特征在于，在步骤S4内，所有的训练任务未完成，则通过异步学习网络更新网络参数及加工基元位置的状态信息，返回步骤S2。
9.根据权利要求8所述的一种数控机床加工路径智能优化方法，其特征在于，在步骤S5内，未达到设定的最大迭代训练次数，则通过异步学习网络更新网络参数及加工基元位置的状态信息，返回步骤S2。
10.一种数控机床加工路径智能优化系统，其特征在于，采用如权利要求1至9任一项所述的一种数控机床加工路径智能优化方法；该智能优化系统包括：
输入模块，用于输入初始化数据；
训练模块，用于根据初始化数据进行初试训练；
奖励模块，用于根据训练的行为获取对应的得分值；
判断模块，用于判断训练是否完成；
输出模块，用于输出最优加工路径；
显示模块，用于将最优加工路径进行可视化显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111550004.3A CN114265363B (zh) | 2021-12-17 | 2021-12-17 | 一种数控机床加工路径智能优化方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111550004.3A CN114265363B (zh) | 2021-12-17 | 2021-12-17 | 一种数控机床加工路径智能优化方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114265363A CN114265363A (zh) | 2022-04-01 |
| CN114265363B true CN114265363B (zh) | 2024-02-20 |
Family
ID=80827684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111550004.3A Active CN114265363B (zh) | 2021-12-17 | 2021-12-17 | 一种数控机床加工路径智能优化方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114265363B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114755974B (zh) * | 2022-04-19 | 2022-12-02 | 中科航迈数控软件(深圳)有限公司 | 复杂结构件加工路径优化方法、装置、终端及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109491320A (zh) * | 2018-10-31 | 2019-03-19 | 华中科技大学 | 一种基于强化学习的刀具路径生成与优化方法 |
| CN110134062A (zh) * | 2019-04-17 | 2019-08-16 | 华中科技大学 | 一种基于强化学习的多轴数控机床加工路径优化方法 |
| CN112488542A (zh) * | 2020-12-04 | 2021-03-12 | 深圳先进技术研究院 | 基于机器学习的智慧工地智能物料调度方法及系统 |
| CN112528556A (zh) * | 2020-11-30 | 2021-03-19 | 广东工业大学 | 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109682380B (zh) * | 2019-01-16 | 2020-01-10 | 北京邮电大学 | 一种通信无人机路径优化方法及设备 |
-
2021
- 2021-12-17 CN CN202111550004.3A patent/CN114265363B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109491320A (zh) * | 2018-10-31 | 2019-03-19 | 华中科技大学 | 一种基于强化学习的刀具路径生成与优化方法 |
| CN110134062A (zh) * | 2019-04-17 | 2019-08-16 | 华中科技大学 | 一种基于强化学习的多轴数控机床加工路径优化方法 |
| CN112528556A (zh) * | 2020-11-30 | 2021-03-19 | 广东工业大学 | 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 |
| CN112488542A (zh) * | 2020-12-04 | 2021-03-12 | 深圳先进技术研究院 | 基于机器学习的智慧工地智能物料调度方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| 兰丽尔 ; 孙超利 ; 何小娟 ; 谭瑛 ; .求解大规模多目标问题的改进粒子群算法.太原科技大学学报.2020,(04),全文. * |
| 基于STEP-NC的在线工艺规划及刀具路径生成;李刚年;王军;舒启林;;机电产品开发与创新(05);全文 * |
| 基于邻域速度模仿策略的粒子群算法;邓浩;李均利;胡凯;;计算机工程与设计(10);全文 * |
| 李刚年 ; 王军 ; 舒启林 ; .基于STEP-NC的在线工艺规划及刀具路径生成.机电产品开发与创新.2011,(05),全文. * |
| 求解大规模多目标问题的改进粒子群算法;兰丽尔;孙超利;何小娟;谭瑛;;太原科技大学学报(04);全文 * |
| 邓浩 ; 李均利 ; 胡凯 ; .基于邻域速度模仿策略的粒子群算法.计算机工程与设计.2020,(10),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114265363A (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108227482B (zh) | 控制系统以及机器学习装置 | |
| DE102016117773B4 (de) | Werkzeugmaschine, die eine optimale Beschleunigung/Verlangsamung erzeugt, Simulationsvorrichtung und Maschinenlernvorrichtung | |
| CN107045330B (zh) | 生产控制系统及综合生产控制系统 | |
| DE102016008994B4 (de) | Werkzeugmaschine, simulationsvorrichtung und maschineneinlerngerät | |
| CN108345273B (zh) | 数值控制装置及机器学习装置 | |
| JP6438450B2 (ja) | レーザ加工ロボットの加工順序を学習する機械学習装置、ロボットシステムおよび機械学習方法 | |
| DE102016117560B4 (de) | Werkzeugmaschine zum erzeugen einer geschwindigkeitsverteilung | |
| CN106552974B (zh) | 具有移动轴异常负载警告功能的线放电加工机 | |
| CN108388205B (zh) | 学习模型构建装置以及控制信息最优化装置 | |
| CN109612037A (zh) | 空调控制系统 | |
| DE102012009461A1 (de) | Numerische Steuervorrichtung mit einer Maschinenzeitvorhersageeinheit und einer Maschinenfehlervorhersageeinheit | |
| CN110297510A (zh) | 驱动装置以及机器学习装置 | |
| KR20050025953A (ko) | 생산 계획 작성 시스템, 방법, 및 프로그램을 기록한 기록매체 | |
| JP2022063240A (ja) | 自己学習システムを用いて工作機械上での機械加工をシミュレーションするための方法及び装置 | |
| JP2017138881A (ja) | 操作メニューの表示を学習する機械学習器，数値制御装置，工作機械システム，製造システムおよび機械学習方法 | |
| CN108931959A (zh) | 控制装置及机械学习装置 | |
| CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
| CN110303492A (zh) | 控制装置、机器学习装置以及系统 | |
| CN114265363B (zh) | 一种数控机床加工路径智能优化方法及其系统 | |
| CN107301489A (zh) | 实施生产计划的生产系统 | |
| CN112907150B (zh) | 一种基于遗传算法的生产排程方法 | |
| CN116542445A (zh) | 基于深度强化学习的装备制造车间智能调度方法和系统 | |
| CN108427378B (zh) | 数值控制装置 | |
| Muqeet et al. | A novel optimization algorithm based PID controller design for real-time optimization of cutting depth and surface roughness in finish hard turning processes | |
| Kutschenreiter-Praszkiewicz | Application of artificial neural network for determination of standard time in machining |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230103 Address after: 518073 2010, Tower A, Zhongguan Times Square, No. 4168, Liuxian Avenue, Pingshan Community, Taoyuan Street, Nanshan District, Shenzhen, Guangdong Applicant after: Zhongke hangmai CNC software (Shenzhen) Co.,Ltd. Address before: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue Applicant before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |