CN114326596A - 使用自学习系统模拟在机床上进行机加工的方法和设备 - Google Patents

Abstract

本发明涉及一种借助于自学习人工神经网络AAKI来模拟工件在数控机床上的机加工过程的方法和装置。来自位于制造环节FA中的真实机床上的机加工过程和在模拟环节SA中实现的数字机器模型的过程参数被提供给人工神经网络AAKI，以学习包括所用的工具和工件的机床的行为，并借助于数学变换重新格式化为输入参数E1‑EN。通过学习机加工过程的行为，人工神经网络AAKI可以反过来将输出文件F1发送回模拟环节SA的模拟软件，从而通过调整模拟参数使数字机器模型的行为最佳地适应真实机床的条件，同时使其更高效，以便优化机床上的机加工过程。

Description

使用自学习系统模拟在机床上进行机加工的方法和设备

技术领域

本发明涉及一种借助于自学习人工神经网络模拟工件在机床上的机加工过程的设备和方法，其中人工神经网络能够从真实机床以及从数字机器模型二者接收机加工过程的过程和参数数据，并且使用它们来优化模拟和/或真实机加工过程。

背景技术

由于当今的工件机加工过程的复杂性不断增加，特别是在工件的机器执行或机器支持的机加工领域，新型机床通常面临着大量提高的质量或经济的要求。越来越困难的过程力学要求越来越强大和/或精确的机器运动学，伴随着机器力学、驱动器或控制的改进功能，但在大多数情况下，也会导致增加的设置时间以及困难的、涉及损失并且特别昂贵的试运行。

机床模拟优选地在数字机床模型上再现相应工件的机加工过程的进程。为此，使用多种机械模型例如多质量模型、几何运动学或有限元模型来描述机器元件和工件的物理特性和相互作用，并与控制软件相结合以移动机器元件。此外，还可以利用基于工件和工具之间的穿透计算的过程模拟来获得优势。

EP1901149B1示出了用于定义在机床上对工件进行机加工的顺序的机器模拟，其中，特别地，将数据结构整合到模拟中，这使得能够整合由真实机床上的传感器记录的元件的数据或行为，从而进一步改进所实施机器模型的控制描述。

此外，WO2012/168427A1示出了使用虚拟机器在机床上的工作过程的机器模拟，其中CNC控制的子过程可以分布在并行操作的不同处理器核上，因此可以并行计算以加速模拟过程。

然而，在根据现有技术的对工具机加工过程中的机床进行模拟时，始终存在这样的问题：对机床、所使用的工具和/或工件的所有状态参数，尤其是它们的物理特性的时间演变的准确规范，是不可能不付出巨大努力的。

因此，本发明的一个目的是提供一种用于模拟工件在机床上的机加工过程的方法和用于模拟这种机加工过程的设备，其解决了现有技术的上述问题并且其特别允许用于使过程模拟中的数字机器模型适应真实机床的条件和属性和/或尽可能高效、低成本和快速地改进它。此外，一个目的是优化模拟与相关模拟参数的适配，使得适配可以自动化并因此尽可能独立于人为错误判断而执行。

发明内容

提出独立权利要求的特征以实现上述目的。从属权利要求涉及本发明的优选实施例。

本发明具体说明了一种用于模拟工件在机床上的机加工过程的方法和设备，其被配置为使用通过在该方法的模拟环节中在数字机器模型上执行的机加工过程的模拟生成的模拟数据以及在该方法的独立制造环节中在真实机床上实施的机加工过程的机加工数据的记录，以便收集模拟和真实机加工过程之间的比较数据并将它们馈送给在该方法的分析环节中实施的人工智能(AI)，以提高模拟的有效性。人工神经网络有利地用作人工智能，并且用于存储模拟数据的数据模型特别有利地配置为时间连续的数据模型。

数字机器模型和真实机床的控制优选地以先前定义的NC和/或PLC数据的函数来执行，并且分析环节被配置为使得它通过馈送模拟数据和机加工数据到AI机器来学习机床、至少一个工具和/或工件的行为，并且例如，输出用于更改和/或优化模拟属性的模拟变化参数作为输出数据集(用于过程控制、预测和优化的AI输出)。此外，由AI建模的状态可用于解释和优化实际机床状态。

本发明，特别是由于模拟、也称为机加工过程(优选自动地)模拟的改进，借助于自学习AI，因此创建了与现有技术相比更精确且同时更具成本效益和效率的模拟环境，模拟环境优选独立运行，因此不需要额外的暂停或等待时间。此外，评估和解释产生的模拟数据能够简化和同样精确地优化实际工具机加工过程，特别是因为可以借助于机加工过程模拟来快速识别机床内可能的低效设置，而无需借助复杂的传感器的帮助，并可针对相应的工作步骤进行调整。

优选地，数字机器模型可能已经是机加工环节的机床的再制造，所述数字机器模型甚至在通过AI、特别优选数字孪生(真实机床的数字图像)优化之前就尽可能准确，以便模拟环节内的模拟的机加工过程的变化能够输出尽可能准确的关于机床上的机加工过程的结果的预测(机加工过程分析)，只要它经历相同的变化即可。

同时，设置在分析环节中的AI可以优选地被配置为使得借助于上述学习过程能够识别数字工具模型的机加工过程与机加工环节内的机床之间的机加工过程之间的差异，并可通过模拟变化参数的输出，用于机加工过程模拟的自动改进。

例如，在一个优选的示例性实施例中，AI可以被配置为通过模拟变化参数的输出使模拟的机加工过程的条件适应机床的机加工过程，从而使模拟的机加工过程之间的可能的差异最小化，并且实现在机床上的机加工过程。这尤其具有以下优点：通过精确调整模拟过程，不仅可以对相应的机加工过程进行更精确、更真实的模拟预测，而且还可以用于更精确地优化机床上的机加工过程。

在另一优选的示例性实施例中，AI还可以配置为通过学习机床、待机加工工件和各种工具的行为，在模拟环节中(例如，通过改变旋转速度、行进路径、待使用的工具、工件几何形状或过程轨迹，)额外使用未来(或当前执行的，即与当前正在运行的实际机加工过程并行实时提供优化参数)的机加工过程的最有效的设置变量。换句话说，优选地不仅通过优化和/或调整既有的模拟的过程，而且通过在模拟过程之前(或与实际机加工过程并行地)预测方法，AI可用于改进机加工过程模拟。为此目的，模拟数据也可以优选地通过整合在输出数据集中的模拟变化参数来描述，从而一方面在每个优化方法中保留已知的数据结构并因此被有效地使用，另一方面，模拟的和/或实际的机加工过程的任何磨合时间都可以通过人工智能生成的预测而减少到最低限度。

优选地，可以将包含模拟变化参数的分析环节的输出数据集反馈给模拟环节以优化机加工过程模拟，例如以便将模拟的机加工过程与机床的机加工过程匹配和/或以便预测有效的过程序列，从而优选地创建闭合程序循环并且可以最佳地配置相应的模拟。

将输出数据集引入模拟环节可以优选地以如下方式与模拟软件相关联：至少一个模拟参数(但优选地，声明为由分析环节改变的所有模拟参数)通过将分析环节的输出数据集整合到模拟环节被调整。为此，输出数据集的各个模拟变化参数可以例如优选地配备有数字模拟标记，数字模拟标记优选地在模拟软件内读取并且指示模拟软件将与模拟标记相关联的模拟参数设置为作为模拟变化参数存储的值。人工神经网络还可以有利地被配置为优化机加工过程的模拟的模拟参数，使得机加工数据的所选择的过程参数与模拟数据之间的可能的差异最小。

输出数据集的模拟变化参数可以包括待改变的模拟软件的各种(优选所有的模拟参数)，例如工具设备或机器元件的几何形状、研磨或切削条件、机器或工件元件的轨迹或物理属性(温度、弹性、摩擦系数等)，但也可能包括完整的命令链或对设置的基本更改，例如选择相应的机器模型，从而为人工智能提供用于优化模拟的最大自由度数。同样地，分析环节的输出数据可以优选与模拟环节的模拟数据和制造环节的处理数据具有相同的数据格式，从而可以通过省略可能的解析器来优化各速度的读入和读出速度。

在一个特别优选的实施例中，程序循环可以迭代地并且优选地自动地执行，所述程序循环至少包括机加工过程的模拟、将模拟数据馈送到分析环节、将输出数据集引入模拟环节以及基于输出数据集设置模拟参数，迭代步骤的数量n至少为n≥1。如上所述，例如具有变化的工件和/或变化的工具或工具设置的新的机加工过程，可以优选地在每个迭代中在模拟环节内执行，并且可以被教给AI并由此被调整，从而生成在每个迭代步骤中不断演化的优化方法。

在程序循环的迭代中以及彼此之间的基本过程步骤可以被理解为流畅的方法，并且它们可以优选地首先开始于将基于由AI学习的信息的输出数据集传输到模拟环节，从而可以基于在输出数据集中实施的模拟变化参数，在实际模拟之前优化模拟参数。在下一步中，然后可以执行相应机加工过程的模拟，并且可以将以此方式获得的结果数据作为过程参数馈送以将AI教给包含人工智能的分析环节。后者可以优选地以这样一种方式进行，即模拟环节的过程参数和在机加工环节在机床上产生的过程参数都被记录在分析环节中，相互关联，然后直接传输给AI作为用于教导AI的输入参数。因此，这样的程序循环允许通过每个进一步的机加工过程模拟来展示系统的改进的优化能力，因为AI不断接收有关机床、工件和工具的新信息并对其进行学习。

然而，所提及的过程步骤的顺序和作用模式不限于所提及的示例性实施例。例如，机加工过程模拟可以优选地作为第一步进行，并且以这种方式获得的过程参数可以作为当前模拟的“实际值”被馈送给AI，AI可以通过将输出数据传输到模拟环节来依次解释和优化过程参数。

同样，优化过程也可以优选地独立于机加工环节内或机床上的机加工过程而执行。在特别优选的示例性实施例中，AI例如可以仅使用在早期学习阶段获得的关于机床、工件和工具的信息/知识，并因此根据操作人员/用户的意愿优化相应的模拟。机加工环节的附加过程参数可以通过例如在机床上较晚或较早执行的机加工过程产生，但也可以在相关模拟之前或之后产生，从而可以在实际模拟之前或之后完成AI的学习或可以在以后的时间点扩展，从而使指定的优化过程具有最大的灵活性。

模拟加工参数及机加工数据可以优选地以这样的方式不同于机加工过程模拟的模拟参数，即它们仅包括涉及机加工过程、即实际(真实)或模拟的机床的属性、所使用的工具和工件的信息，但优选地至少在模拟数据的过程参数的情况下不涉及上级模拟设置(例如，来自模拟模型或所使用的模拟函数的信息)。因此，在这种情况下，类似于参与人工优化过程的人，AI只有可在机床上测量的、可用于教学和优化模拟学习参数，从而将前者的人为错误或错误决策的发生减少到最低限度。

优选地，模拟数据还可以以这样的方式产生，即至少对于机加工数据的每个过程参数，等效过程参数都存在或可以在模拟数据中产生或可以从模拟数据内的各个过程参数导出，从而进一步最大化用于AI的训练参数的数量，从而可以尽可能变化地训练AI。在本发明的一个特别优选的实施例中，模拟数据和机加工数据中的各个过程参数的数据集也可以是时间相关的，其中模拟数据中的至少一个相应的过程参数优选存在于机加工数据的过程参数的任何时间点，并可赋给机加工数据的过程参数。

模拟环节的过程参数与机加工环节的过程参数的所述关联，还有通过机加工过程模拟的模拟数据的一般生成，还具有以下优点：这些不仅可以用作用于AI学习的比较数据，而且优选也允许对于机床上的(例如，当前正在运行的)机加工过程的直接结论。使用模拟产生的数据，例如单个机器或工件元件的磨损、温度或运动数据，用户/员工还可以识别机床上的错误或不正确的设置，从而可以在(例如，并行运行的)机加工过程模拟的帮助下采取措施以优化机加工过程。换句话说，人工智能的上述优化过程不仅可以用于分析和/或对机加工过程进行更精确的模拟，还可以用于优化机加工环节的机床，从而使机加工过程可以效率更高并质量更高地运行。

在一个特别优选的示例中，这些措施也可以完全自动地、优选地借助于模拟环节和机加工环节之间的反馈来采取，并且因此可以被视为AI的进一步优化过程。机加工环节和模拟环节中存在的过程参数(例如PLC和/或NC数据、工具选择或速度)也可时间相关地传输，例如从模拟环节到机床，并可用于在机加工过程中改进对机床的控制。在另一个示例性实施例中，这些过程参数也可以直接在AI的输出文件的帮助下传输。换句话说，AI也可以优选地以这样的方式配置，即它可以控制机床上的机加工过程以及数字机器模型，从而通过在机加工环节和模拟环节中实施输出文件而同时优化它们。因此，这种方法不仅可以在以前的工作流程的基础上独立改进机加工过程，从而根据人工智能的训练水平，将优化过程的时间和成本降至最低，而且还可以确保数字机器模型，可以从该数字机器模型获得大量对机加工过程来说重要的信息。

为了进一步改进该方法，模拟和机加工环节的过程参数也可以存储在为此目的提供的数据存储器中，优选地也在相应的制造或模拟环节生成之后或在被馈送到分析环节之前，其中相应的模拟数据优选地被添加到在迭代循环中实现的模拟数据库并且制造环节的过程参数被添加到制造数据库，该制造数据库与模拟序列分开或独立布置并且可以被声明为对各自的操作人员是可访问的。这具有特殊的优势，即操作人员还可以在稍后的时间点、例如在进一步学习和/或优化迭代后查看先前AI决策的结果，必要时对其进行评估，并使用它们以采用某些机加工过程改进或更改。此外，单独的过程参数在各自数据库中的中间存储允许在结果参数不正确或不令人满意的情况下将AI重置到早期学习阶段。

为了借助AI学习和优化机加工过程，模拟环节和制造环节的多个过程参数，优选地来自模拟和制造数据库，也可以被引入分析环节中，其中通过比较将它们转换为适合AI的单独的输入参数，并馈送到后者。输入参数优选不限于过程参数本身或其在机加工环节中实施的机加工过程与模拟机加工过程之间的直接比较，而是例如还可以代表多个过程参数的组合、基于过程参数或相关函数的机械的、经济的或定性评估，使得AI可以根据操作人员的意愿自由地被教导，并可以用于优化机加工过程模拟。

此外，为了生成这些输入参数，分析环节可以优选地包括多个处理环节，但是至少一个数据链接环节和数据解释环节，它们优选地在上游连接到或并联连接到AI的输入。数据链接环节可以优选地被配置为使得它接收存储在制造数据库和模拟数据库中的模拟数据和机加工数据，搜索相应的可比较的过程参数并且首先将它们链接为数据包并将它们传送到数据解释环节，其中连接相应的模拟数据和机加工数据可以优选地通过连续数据映射来实现。(特别地，可以使用时间连续映射方法，例如有利地通过所执行的操作/机加工作步骤、NC线和/或轴位置的关联来执行映射。)反过来，在一个特别优选的实施例中，数据解释环节可以在这方面分析被链接的模拟数据和机加工数据，将它们与其他数据包进行比较，并从它们生成任何数量的AI的输入参数，它也将输入参数转发给人工智能。借助这种优选彼此独立地作用的处理环节，可以实现一种优化的、特别是快速的将输入参数迭代地馈送到AI的方法，该方法可以为相应的操作人员自由调整，以便例如通过优选附加的输入接口，经由待实施的代码来控制处理环节。

此外，最终获得输入参数的人工智能可以直接连接到处理环节的输出并且优选地被配置为聚类方法、支持向量机或者特别优选地被配置为人工神经网络。后者也可以优选地具有在分析环节内也可以改变的典型网络结构，例如单层或多层前馈或循环网络，以便可以根据待优化的机加工过程的复杂度选择最优改进方法。为了优化模拟机加工过程，可以进一步实施具有期望的激活函数的人工神经网络的任何学习算法，其中所述算法优选地至少以这样的方式配置，使得借助人工神经网络生成的模拟变化参数或模拟参数最终导致机加工过程模拟的期望的优化，例如通过使模拟适应机床上的条件或针对新过程模拟的目标设置预测。

如已经提到的，使用AI来优化模拟机加工过程的优点在于它可以可变地适应各个问题或操作人员的各个偏好，并且可以在优化过程中进行操作而无需人工干预，这尤其是最大限度地减少了时间和劳动力成本。然而，此外，还有其他目的：在一个特别优选的实施例中，AI的学习和AI对模拟过程的优化也可以并行和/或独立于各自在机床上的实际机加工过程进行，这可进一步节省时间。同样，AI的训练过程也可以这样配置，即在模拟和处理过程之前的环节中进行，例如通过制作多个机加工开始前可用的训练数据集。特别是，通过这种方式，已经训练过的网络也可以用于多过程模拟，因为训练数据自然不必依赖于相应机床的结构或相应的机加工过程，因此可以提供更具体的学习阶段的最佳基础。因此可以在模拟和机加工过程之前的训练过程中用训练数据集训练人工神经网络。

在进一步优选的示例性实施例中，AI还可以存储在可扩展技术数据库中产生的输出数据集，在该数据库中引入的模拟变化参数可以被查看并且返回给AI。这样，一方面操作人员可以根据模拟变化参数了解每次迭代产生的模拟数据，并在适当的情况下继续使用；另一方面，例如通过再次向循环网络系统添加单独的模拟变化参数，后者也可以优选地用于进一步改进上述学习和优化过程。此外，至少技术数据库、模拟数据库和制造数据库可以优选地布置在外部系统中，例如云或外部网络，以便操作人员或制造商以及外部员工可以有效地访问存储的数据并使用它们，例如用于进一步的机加工或变化过程，优选用于多个机床。

为了确保对模拟和制造环节内的机加工过程大体相同的要求，两个方法环节还可以包括另外的特性。例如，在模拟环节内实施的数字机器模型可以优选地创建机床、所使用的工具和待机加工的工件的整个几何形状，但至少根据它们的实际等效物创建相应机加工过程所需的零件。此外，在极其优选的示例性实施例中，用于控制机床的各个机器元件的NC数据和/或PLC数据也可以以相同的形式用于移动数字机器模型的所模拟元件，使得模拟环节提供了真实机床的精确数字副本。

之前已经被描述为数字孪生的这种机器模型具有特别的优势，即可以将机加工过程模拟的任何特性或结果直接与真实机床的数据进行比较。此外，在这种模型上对机加工过程的模拟也可以优选地输出物理参数，例如机床或工具和/或待机加工工件的温度、弹性、摩擦系数等(这些参数在现实中很难确定或需要很大的努力才能确定)，从而可以快速高效地识别机加工过程内部的任何问题。出于这个原因，数字机器模型因此也可以优选地输出这些物理参数的至少与时间相关的数据系列，例如，这些物理参数可以根据相应的加工过程和/或相应的工作步骤的时间，通过与数据系列相关联的附加时间和位置标记来定义，并且可以作为过程参数输出。

同时为了进一步提高数字机器模型与真实机床的可比性，在每种情况下在产品分析环节期间对机床、工件和/或使用的工具的元件进行的分析也可以在真实机床上进行，优选地在真实机床上的机加工过程期间和/或之后进行，这可以例如通过在机床上实施的传感器或外部安装的分析单位来实施。这里，收集的数据也优选地定义为过程参数并存储在上述制造数据库中。

此外，用于定义数字机器模型和真实机床的上述NC和/或PLC和几何数据可以优选地适用于在机加工过程之前的输入数据预处理环节中的过程开发。例如，至少由机床上和数字机器模型上的NC和/或PLC数据定义的机加工过程的工作步骤可以优选地最初在上游CAD/CAM系统上生成，并且可以作为操作文件从CAD/CAM系统传输到上述输入数据预处理环节，其中操作文件应理解为具有信息的通用数据包，例如关于机器、工具和工件几何形状、单个元件的运动顺序和/或标识结构例如UUID。根据操作文件的数据格式，输入数据预处理环节还可以包括一个或多个解析器，将前者转换为合适的输入格式后再进行进一步处理，输入数据预处理环节本身可以处理格式不同和/或在外部生成的操作文件。

然后，在CAD/CAM系统中开发的操作文件可以在输入数据预处理环节内转换为NC数据格式，并可以传输到制造环节，或者与同样重新格式化的待模拟的机床、工具和/或待机加工的工件的相应制造和状态数据一起传输到模拟环节。这具有特殊的优势，即、可以独立于相应的模拟周期重新格式化操作文件，因此不会不必要地阻碍或减慢相应的模拟周期。

另外，作为将操作文件重新格式化为NC格式以识别各个工作步骤的结果，可以优选地在NC数据中插入附加的工作步骤标记，以便真实机床和数字机床模型例如在控制模型的帮助下，可以解释机加工过程中的步骤标记，从而可以在机加工过程中了解(数字)机床当前所在的工作步骤。

在另一个优选实施例中，先前存储在NC数据中的工作步骤可以额外地作为重新格式化的结构文件输出，例如从输入数据预处理环节作为XML或STEP文件输出，用于在其他模拟系统中进行解释，因此在更改相应的模拟引擎时也可以使用上述格式化过程，因此可以独立于模拟过程进行查看。同样地，另一方面，机床和数字机器模型也可以优选地以这样的方式配置，即、使得所述工作步骤和/或过程信息可以例如通过另外的解析器模块从其他数据格式中获取，并且解释用于传输和执行所包含的相应工作步骤，从而优选能够与其他模拟网络进行通信，甚至可以并行处理不同的模拟。

综上所述，基于上述特征，可以实现一种使用自学习人工智能模拟在机床上的机加工的方法，其中用于对机床上使用的机加工过程的分析和改进可以借助于基于模拟数据与机床数据的比较数据、使用AI学习过程来最佳地适应各个实际机加工过程的特性，并且因此可用于预测仍待开发的机加工过程。在此，模拟的优化过程优选地主要包括在模拟环节中实现的数字机器模型上执行机加工过程的模拟，将模拟结果作为过程参数传输到布置在分析环节中的人工智能，人工智能的学习基于模拟环节与机床过程参数的比较，借助于由AI生成的输出文件将要变化的模拟参数反馈给模拟环节。必要的优化步骤也可以在真实机床上与各自的机加工过程独立或并行进行，并且可以在教导人工智能后全自动实施，这也可以在实际制造之前进行。此外，该方法的优点是相同的NC数据和模拟的情况下的几何数据用于控制真实机床和数字机器模型，这能够生成真实加工的精确数字副本过程，并得到对机床、工件和所用工具的额外分析的支持。

相应地，也可以优选地实现一种相应的设备，该装置实现了上述特征，可以通过自学习人工智能来模拟机床上工件的机加工过程。

因此，该设备可以优选地包括至少一个用于使用上述NC数据加工相应工件的机床，可以独立于机床控制的模拟装置、例如主机计算机或服务器，用于在数字机器模型上模拟机加工过程；以及连接到机床和模拟装置的分析单元，借助于所实施的人工智能而配置为适应模拟装置内的模拟参数，以了解机床、所用工件和/或工具的行为，并使用输出数据集输出其结果。此外，机床被配置为将机加工过程中或机加工过程后产生的机加工数据(相当于在模拟装置中开发的模拟数据)传输到分析单元，由此可能会导致分析单元和模拟装置之间的上述程序或迭代循环。

同样等效地，对于过程模拟的单独优化，至少分析单元和模拟装置也可以优选地独立于机床的机加工过程起作用，使得多个优化过程或模拟过程由机床引导。AI可以通过上述程序循环反复执行，但这些过程也可以随时使用机床的过程参数、例如通过访问相应的数据库进行扩展，并提供更多信息。

为了在各个设备要素之间传输信息，机床、模拟装置和分析装置可以进一步优选地被配置为使得它们可以彼此独立地传输数据，特别是上述模拟数据和机加工数据以及由分析设备生成的输出文件，以及硬件和/或程序数据可以相互传输，并且这些也可以优选地存储在相应的数据存储器或位于中央的存储服务器中，以便可以最佳地执行模拟和优化过程。在特别优选的示例性实施例中，该传输可以例如借助于内联网和/或因特网来执行。

附图说明

图1：示出所说明方法的第一示例性实施例的网络表示

图2：示出所说明方法的分析环节的示例性实施例的网络表示

图3A：示出该方法的人工神经网络的示例性实施例的网络表示

图3B：示出图3A的人工神经网络的人工神经元的学习过程的网络表示。

图4：示出人工智能(机器学习装置)的学习过程的流程图

图5：示出模拟环节的操作程序的流程图

图6：示出所说明方法的第二示例性实施例的网络表示

图7：示出从虚拟和真实机床中获取的示例性参数列表。

具体实施方式

下面将基于示例性附图详细描述本发明的示例性实施例。示例性实施例的特征可以全部或部分地组合并且本发明不限于所描述的示例性实施例。

图1示出根据本发明的方法的第一简化实施例，该第一简化实施例用于在网络表示中通过自学习人工智能AAKI(特别是人工神经网络)模拟工件在NC控制的机床上的机加工过程。首先，通过CAD/CAM系统定义要在数字机器模型中再现的机床几何结构，包括工件和使用的工具以及机加工过程所需的工作步骤，并在操作文件D1中传输到输入数据预处理环节PRE。此处，操作文件D1可能已经作为NC文件存在，或者所涉及的工作步骤可能已经在CAD/CAM系统中转换为NC格式，但可以在输入数据中读取和解释任何其他文件格式预处理环节PRE，尤其是由于在输入数据预处理环节PRE中实现的解析器。

在输入数据预处理环节PRE内，操作文件Dl然后被根据其功能组件进行划分，即例如机床、所使用的工具和工件的几何数据以及与机床相关的元件的各个工作步骤的几何数据，这些数据被分析，并在必要时将现有的工作步骤重新格式化为NC文件G1。此外，为了更好地识别每个子过程，NC文件中每个注册的工作步骤都会收到一个指定的UUID，在机加工过程中可以由相应的机床或数字机器模型查询，从而可以用来识别目前正在进行的机加工过程。

在下一步骤中，然后将所需的信息文件传送到为此目的提供的模拟环节SA或制造环节FA，从而同时将过程划分为真实部分(网络的下部环节)和属于模拟的部分(网络的上部环节)。为了控制在制造环节FA中使用的真实机床，至少将在输入数据预处理环节PRE中格式化的NC数据连同用于机器控制的其他程序数据、例如标识符或备份文件，在机器文件G1内从输入数据预处理环节PRE导出到制造环节FA，在制造环节FA中在通过机器操作人员或自动检查算法(未显示)反复检查后，它们被传输到机床。另一方面，在输入数据预处理环节PRE的帮助下，包含模拟软件的模拟环节SA被提供有一个单独的模拟信息文件G2，除了机器文件G1的NC数据外，模拟信息文件G2至少还包含创建数字机器模型所需的机床几何结构数据以及进一步的初步信息，例如单个机床元件的物理特性、要使用的工件或工具，以便模拟环节至少有足够的信息或参数来启动相应的模拟。

此外，如果需要，在输入数据预处理环节PRE内处理的各个数据可以例如借助于所实现的编译器重新格式化为另一种数据格式，例如XML或STEP，并且这些可以存储在单独的数据包G3供外部模拟软件或硬件的使用，从而特别是允许直接比较不同的模拟引擎或结构，尤其是在多个模拟环节SA上的并行模拟，从而加速模拟使用多个处理器内核同时工作的进程。

此外，在方法的实际环节之后，由于将NC文件Gl提供给机床，制造环节FA中的实际机加工过程现在可以开始运行。然而，该过程的进程与上述与机加工过程的模拟相关的方法环节没有时间依赖性或其他依赖性，而是用于生成用于教导人工神经网络AAKI的参考或过程参数。同样，制造环节FA内完成的机加工过程的数量不是固定定义的，而是可以由操作人员随时手动指定和/或可以在稍后的时间点增加以更精确地验证各个参数。后者可以通过安装在机床上或外部的多个传感器获得，也可以通过手动输入定性分析过程获得，例如通过专家在所谓的机器、过程和生产分析环节PA中的机加工过程中或机加工后评估成品工件，其中以这种方式最终获得和捆绑的过程参数最初存储在用于实际制造的数据库DB1中，然后作为机加工数据R1转发到分析环节AA，该分析环节AA配备有人工神经网络AAKI。

等同于方法的制造环节，当在与机加工过程的模拟相关的方法环节中接收到模拟信息文件G2时，机加工过程模拟的开始以及相关联的优化和/或可以启动学习过程。首先，在模拟环节SA内，使用已实现的模拟软件，借助模拟信息文件G2，创建相应的数字机器模型，包括工具和工件，模型尽可能与制造环节的实际机床相似，并且可以借助也接收到的NC数据通过机加工过程进行控制。与实际方法环节并行，还使用集成在模拟环节SA中的分析模块确定要使用的任何过程参数，并且这些参数由模拟环节SA以优选与机加工数据相同的格式存储在单独的模拟数据库DB2中并作为模拟数据R2发送到分析环节AA。在这里，也可以根据优化过程的用途和目标手动选择所选过程参数的数量和类型，和/或适应实际方法环节中要采用的过程参数，以便根据所使用的机床或要调整的机加工过程，可以尽可能有效地使用优化过程和/或学习过程。

继续优化和/或学习过程，在下一步中，模拟数据R2和机加工数据R1(或机床机加工数据)在分析环节AA内被处理并作为输入参数发送到人工智能AAKI进行学习。反过来，所述人工智能AAKI被配置为通过比较模拟数据R2和机加工数据R1(或机床机加工数据)来学习制造环节FA上的机加工过程的行为，并且在必要时，以输出文件F1的形式输出多个模拟变化参数(机加工过程分析)，该文件生成后被输出到用输出1A1声明的迭代循环中，并存储在为此提供的技术数据库DB3中，以及反馈到模拟环节SA以优化数字机器模型的模拟。

如已经描述的，人工智能AAKI的学习以及模拟数据R2的生成过程，可以独立于机床上的机加工过程执行，因此也可以在机床上制造工件之前或之后(或期间)执行。同样，也可以通过外部引入的输入参数来训练人工智能AAKI，如图1中由过程“AI学习”AL所示，从而实现优化过程的最大灵活性。此外，由人工智能AAKI产生的输出文件F1还可能不仅包含模拟软件要更改的单个参数，该参数例如可以通过添加到数据中的附加标记被用于模拟，还包含整个设置(模拟模型、模拟时间、帧速率等)或要实现的功能(例如，模型内的交互功能)，只要这些之前已在人工智能AAKI中声明。

模拟环节SA中的输出文件Fl的模拟变化参数的实施可以根据先前的步骤和设计的过程序列启动各种优化过程：例如，如果机加工过程已经被模拟为了在人工智能AAKI中进行教学，则该过程可以通过引入模拟变化参数在模拟环节SA内进行调整，并且可以被查看以进行进一步分析(例如，用于与机床上的机加工过程进行比较)。然而，同样，也有可能，特别是使用已经使用外部数据教导或训练的人工智能AAKI，为尚未实施的机加工过程的优化创建预测，从而通过转发输出文件F1到模拟环节SA来生成尽可能高效的全新的机加工过程模拟。

在随后的过程中，还可以从模拟的优化过程中得出进一步的结论。例如，如果模拟优化成功，则可以从最终输出(输出2A2)中取出人工智能AAKI创建的决策结果和系统信息(系统变化参数、权重、AI参数等)并被用于深入了解并改进实际(即真实的)机床机加工过程。在模拟环节中创建的模拟参数和信息也会发生同样的情况，在这种情况下，这由图1中的过程“性能输出”A3所示。

此外，通过优化机加工过程模拟，可以实现对机床上的机加工过程以及人工智能AAKI的学习过程的直接改进。通过将模拟环节SA直接连接到制造环节FA或机床，例如通过相应过程数据的数据传输，也可以将模拟机加工过程的优化以简单的方式实施到机床的机加工过程中。换句话说，此处示出的系统允许真实机加工过程同时适应改进的模拟过程序列，并且由于这些序列，从而可以显着加速机床优化，从而使其更具成本效益和高效。此外，还可以将优化后的模拟数据再次输入模拟数据库DB2，供人工智能AAKI用于训练和进一步改进进一步的优化过程。因此，每个优化过程都可以选择使人工智能AAKI更精确地适应真实机床上的条件，从而以迭代方式、即在完成优化或迭代循环之后，不断改进人工智能AAKI的决策和结果。

图2还示出了已经在图1示出的示例性实施例的分析环节AA的更详细的网络描述，借助于此，可以再次更详细地解释人工神经网络AAKI的学习参数的实现。首先，模拟R2中包含的过程参数和机加工数据R1被引入到分析环节AA中实现的数据链接环节AADV中，其中，首先通过附加的标记对它们进行分析，并且从模拟数据R2和加工数据R1中出现的相应的可比较的过程参数相互关联。后者可以通过多种方式实现，例如通过在为此目的提供的中间存储位置复制和保存单独的过程参数，或者例如通过用它们自己的ID数字标记这些参数，并且只涉及连接任何种类的导致生成学习参数的过程参数(也称为输入参数)，用于人工神经网络AAKI。此外，尝试和测试的比较过程、例如数字映射，可用于链接更复杂的结构(例如，时间分辨数据集)，以便能够在模拟过程参数和机床上获得的参数之间进行最佳比较。

以这种方式链接的过程参数对和各个过程参数然后在下一步中从数据链接环节AADV传递到分析环节AA的数据解释环节AADI，在其中它们再次被识别，转换为用于后续人工神经网络AAKI的期望的输入参数E1-EN，并最终引入人工神经网络AAKI。模拟数据R2和机加工数据R1的过程参数和/或输入参数的任意组合或数学处理，例如输入数据预处理环节PRE创建的NC数据G1、组合几何数据G2或在CAD/CAM系统中生成的操作文件D1，可以理解为输入参数E1-EN的转换或生成。

此外，图3A和3B示出了人工智能AAKI的学习过程的更精确表示，其在该示例性实施例中被表示为其他网络表示形式的人工神经网络。图3A示出网络内的一般输入和输出，图3A示出网络内的一般输入和输出。图3B示出在人工神经元内的中间层中发生的决策过程的详细表示。此处，所示网络的绘制结构应理解为仅作为示例性表示。

如已经描述的，潜在输入参数E1-EN的集成首先通过由制造环节FA和模拟环节SA生成的过程参数以及在先前方法中出现的其他信息的累积而生成，它又通过数据解释环节AADI进一步组合，最终可以作为新组合要素KOM或作为上述参数之一引入，作为网络第一学习层的输入。因此，根据自学习系统的规则，在每个网络层的相关神经元内，然后为每个输入参数赋予一个加权W1-WN，在学习阶段开始之前，这些参数被分配随机值，并且可以是通过“试错”算法，在各个学习迭代中逐渐更改为所需的决策权重W1-WN。在通常意义上，输入参数E1-EN与相应权重W1-WN的交互可以通过相应第i个参数与第i个权重的简单乘法Ei×Wi来执行，但是在其他示例性实施例中也可以选择其他或更复杂的函数。

在下一步骤中，然后借助于传递函数F_i将输入加权组合组合成网络输入。例如，根据人工神经网络的规则，可以使用∑_iE_iW_i的形式的简单求和来创建网络输入，但是这种方法也可以根据各自的优化尝试的问题和适应性而变化。

网络输入又通过输入预定义的激活函数A_i来确定人工神经元是否在接收到所有加权和汇总输入时激活ai并因此被允许将信息传递到下一层。通常，比较网络输入点处的激活函数A_i是否超过某个阈值，该阈值也必须学习(从而激活神经元ai)，或者由此产生的值不足并且神经元保持不活动状态。与之前的情况一样，可以自由选择激活函数，但至少在该示例性实施例中，sigmoid函数因其在每一点连续且可微的形状而受到青睐。

通过教导人工神经网络，因此可以使用在学习过程的帮助下获得的权重WN、将选定的输入EN从一个网络层传输到下一个网络层，并且因此可以最终在最后传输到最后一层中的输出1和2作为优选的模拟参数。根据网络结构，这些也可以返回到原始输入集成，例如在循环网络系统中，或返回到特定神经元或层，以便产生从输出文件创建的反馈系统。网络的学习，或上述加权W1-WN，以及在特殊情况下还有阈值，可以在实际提供输入参数E1-EN之前例如使用预先定义的训练数据来执行，因此可以是独立于实际优化过程查看。

图4使用描述学习过程的流程图再次示出学习过程的结构，其中“开始”被理解为执行AI训练过程的一般操作概念，而“结束”被理解为成功地教导AI期望的特征。每个学习过程都始于系统(或人)想要进行人工智能AAKI学习过程的一般决策，其中可能涉及各种因素作为这些决策的基础。学习过程可用于例如为要插入的新工具、操作模式或要新恢复的机床生成预测，而且还可以使现有的机加工过程模拟大体适应所需的环境例如操作程序，从而提高模拟的准确性和效率。如果决策成功，则收集训练过程所需的机器信息SA02和加工条件SA03，并首先准备引入与人工智能AAKI集成的分析环节AA。关于机床的所有物理信息，例如几何形状、尺寸、材料特性或工具、工件和/或单个机床元件的物理特性，可用于成功地描述要学习的机加工过程，被认为是机器信息。同样，为了实施上述机加工过程而必须应用于机床的各个(模拟的)元件的所有机床设置或条件，例如工具轨迹、旋转速度或加工速度，都可以被认为是加工条件。所述数据可以从外部存储的数据集(例如，服务器或云)生成。然而，可选地，它们也可以由机加工过程模拟SA04的结果参数或并行或先前在机床上执行的机加工过程SA05的结果参数补充或覆盖，以便关于工具机加工的当前信息可以在任何时间并连续地馈入人工智能的学习过程中。

此外，模拟结果与实际加工条件的直接比较允许在下一步中实施进一步的分析和决策过程SA06。在创建为人工智能AAKI定义的输入参数后，例如以已经提到的方式，可以通过比较模拟数据R2和机加工数据R1来做出决定，但也可以借助于输入或其他参数本身来做出决定是否有必要学习人工智能AAKI，或者例如当前的模拟设置已经满足所需条件。为此，例如可以将上述参数与明确定义的极限值进行比较，如果它们低于极限值，则可以使用它们自动继续学习过程，从而为每个模拟或学习过程实现单独出发。作为肯定决定(“是”)的结果，还可以根据上述步骤将输入参数SA07引入分析环节AA或人工智能AAKI，并且可以开始学习过程SA08。

图5在另一个流程图的基础上进一步示出了机加工过程模拟以及继续过程的操作过程的结构。在这种情况下，“开始”应视为启动机加工过程模拟的一般操作概念，而“结束”应视为同一模拟的成功完成。

类似于学习过程的图解结构，每个模拟过程首先开始于执行学习过程SB01的决定，其中该决定可以手动做出，例如，由员工或自动例如通过集成程序代码或人工智能AAKI。同样，如果输入为正(“是”)，则从可用的服务器、云服务或其他类型的数据库中获取模拟所需的(数字)机器信息SB02和加工条件SB03，并准备在相应的模拟环节Sat实施。前者可以包括上述关于机加工过程的物理或运动学条件的信息数据，以及与模拟有关的一般软件设置(例如，要使用的引擎、模拟模型、要在软件中设置的参数)。

在下一个可选步骤中，要引入的机器信息和加工条件或要从其获得的模拟参数也可以通过引入由分析环节AA生成的模拟变化参数来调整，并且因此可以使用经训练的人工智能AAKI的决定来优化SB04。根据机加工过程，模拟变化参数或包含这些参数的输出文件F1可以直接从分析环节AA输出或从现有数据库(例如技术数据库DB3)中获取，前提是与这些相关的机床属性与当前要模拟的加工过程模拟的机床信息和加工条件相对应。。

如果用于模拟的模拟参数然后对应于期望的规格，则开始机加工过程模拟并且随后评估SB05，这意味着实际模拟过程可以被认为已经结束。然而，在连续方法中，可以在比较某些条件SB06(例如，模拟的效率或结果是否符合某些要求)后，将机加工过程模拟中获得的结果或知识用于机床上的机加工过程。例如，在确保模拟结果的质量后(SB06-“是”)，后者最初可以单独输出SB07并传输和/或重新使用以供进一步使用，例如分析机床内可能存在的低效率。此外，还可以(可选)传输模拟结果，例如，将在机加工过程模拟中使用的模拟参数归类为高效，直接传输到机床SB08，从而实现通过也在实际机床上的优化模拟而获得的效率和过程增加。

图6还示出了类似于图5所示的示例性实施例的网络表示的详细视图。参见图1，其中，特别地示出不同方法环节之间的其他要素和相互作用。在该图中，例如，输入数据预处理环节PRE的各个同样示例性要素的通信路径被示出并且被链接到模拟环节SA和制造环节FA的组件。例如，程序结构的要素，例如数字机器模型的几何数据或在这种情况下已经定义为G代码的NC数据，都被馈送到为制造真实工件而记录的制造环节FA以及位于模拟引擎lo中的模拟环节SA。其他尚未描述的要素是模拟环节SA中的G代码解释器，它首先读取输入数据预处理环节PRE中生成的NC数据的G代码，并引入运动学求解器来实现单个机器元件的运动数据到用于模拟的模型中，以及虚拟NC，其创建NC数据的虚拟副本，与相应的NC数据G代码的解释并行，从而使它们可用于上述运动学求解器。此外，应参考存储在上述数据库DB1、DB2、DB3中的各个参数，尤其是存储在模拟数据库DB2中的参数，例如，除了模拟环节的过程参数之外已经描述过的SA还包含与模拟相关的更多信息，例如TCP，因此提供了用于教导人工智能AAKI的各种参数。

图7还示出了使用真实机床和数字机器模型获得的各种分析参数的示例性比较，所示的x表示获得相应参数的可能性。所述数据例如可以用作人工智能AAKI的训练数据。特别是，从这个例子中可以明显看出，与真实机床相比，可以很容易地获得大量其他要素，例如各个工具在工件中的啮合深度或宽度，并采用于分析和再改进机加工过程。在这方面，尤其是在新机床的复杂、难以实施和/或成本高昂的引入阶段，在数字机器模型中实施机加工过程提供了一种经济高效的用于改进过程流程的方法。

本特征、组件和具体细节可以根据预期用途进行交换和/或组合以产生进一步的实施例。在本说明书中隐含地公开了在本领域技术人员或普通技术人员的知识范围内的任何修改。

Claims (19)

1.一种计算机实施的方法，所述方法用于以NC数据和/或PLC数据的函数来模拟工件在机床上的机加工过程，其中所述机床的数字机器模型被用来模拟所述机加工过程，所述方法包括以下步骤：

-通过基于所述NC数据和/或PLC数据在模拟环节(SA)中在所述数字机器模型上模拟所述机加工过程来执行数字机加工过程并存储模拟数据；

-记录所述机床上的机加工过程的机加工数据(R1)，所述机加工过程以所述NC数据和/或PLC数据的函数来执行；

-将所述数字机加工过程的模拟数据和所述机床上的所述机加工过程的机加工数据馈送到分析环节(AA)并将所述模拟数据与所述机加工数据链接，其中所述分析环节(AA)包括用于基于所链接的数据来分析所述机加工过程的机器学习装置，并且其中所述分析环节(AA)输出分析的结果。

2.根据权利要求1所述的计算机实施的方法，其中所述分析环节(AA)基于所述数字机加工过程的模拟数据和所述机加工过程的机加工数据来学习所述机器学习装置的所述机床、工具和/或工件的行为，并且优选作为输出数据集(F1)输出所述行为。

3.根据权利要求1或2所述的计算机实施的方法，其中将所述分析环节(AA)的输出数据集(F1)反馈到所述模拟环节，用于调整所述数字机加工过程。

4.根据前述权利要求中的任一项所述的计算机实施的方法，其中，为了将所述模拟数据链接到所述机加工数据，通过连续数据映射，特别是基于相应操作、NC线和/或轴位置的时序关联，将所述机床的传感器数据与所述模拟环节(SA)的相应分析数据相关联。

5.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中所述模拟机加工过程、将所述模拟数据(R2)馈入所述分析环节(AA)、将所述输出数据集(F1)反馈到所述模拟环节(SA)、以及基于所述输出数据集(F1)的所述模拟环节(SA)中的模拟参数的变化形成一个程序循环，用于连续调整所述机加工过程的模拟。

6.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中基于所述模拟环节(SA)内的所述分析环节(AA)的所述输出数据集(F1)来改变至少一个模拟参数，并且

由所述模拟产生的所述模拟数据(R2)或所述模拟数据(R2)的至少一个过程参数在被馈入所述分析环节(AA)之前被存储在模拟数据库(DB2)中。

7.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中，对于所述机加工数据(R1)中的每个过程参数，至少一个相应的过程参数存在于所述模拟数据(R2)中和/或在所述模拟过程中产生，并且各个过程参数与所述机加工数据(R1)相关联，和/或

其中在所述分析环节(AA)内比较所述机加工数据(R1)与所述模拟数据(R2)，并且通过比较所述机加工数据(R1)和所述模拟数据(R2)来定义所述机器学习装置的输入参数。

8.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中数字机加工过程与并行执行或在所述机床上的所述机加工过程之前执行，并且通过将所述模拟数据和机加工数据输出到所述分析环节，使得当前机加工过程的性能数据的实时输出成为可能，并且优选地输出用于优化所述机床上的所述机加工过程的指令。

9.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中所述机器学习装置是人工神经网络(AAKI)，所述人工神经网络被配置为优化所述机加工过程的模拟的所述模拟参数，以使得所述机加工数据(R1)和所述模拟数据(R2)的所选择的过程参数之间的差异尽可能小。

10.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中所述机器学习装置的学习和所述模拟过程的优化由所述机器学习装置与所述机床上的所述机加工过程并行执行和/或相对于所述机床上的机加工过程独立执行。

11.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中由所述机器学习装置输出的所述输出数据集(F1)存储在可扩展技术数据库(DB3)中，以及

所述机器学习装置访问存储在所述技术数据库(DB3)中的所述输出数据集(F1)以反馈所述学习过程。

12.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中，相同的NC数据被用于所述机床上的所述机加工过程并被用于所述数字机器模型上的所述机加工过程的模拟，以便匹配所述机加工过程与所述模拟过程之间的工作步骤。

13.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中，所述机床、工具和待机加工工件的物理参数是通过在所述数字机器模型上模拟所述机加工过程而输出的，并且根据所述机加工过程和/或各个工作步骤的时间来定义所述机床、工具和待机加工工件的所述物理参数。

14.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中用于识别各个工作步骤的所述NC数据配备有附加标记，并且

可以使用所述NC数据内的所述标记来解释所述机床和所述数字机床模型，从而能够跟踪所述机床和/或所述数字机床在可确定的时间点所处的工作步骤和/或位置。

15.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中所述机加工过程的所述工作步骤额外输出为结构数据(G3)，用于解释其他模拟装置中的工作步骤，以及

所述机床和所述数字机器模型可以通过解析器从其他数据格式中提取和实施工作步骤和/或过程信息。

16.根据前述权利要求中的至少一项所述的计算机实施的方法，

其中所述结构数据(G3)被输出为XML文件或STEP文件，用于解释其他系统中的工作步骤。

17.一种以NC数据和/或PLC数据的函数来控制利用机床进行工件的机加工过程的设备，所述设备包括

-机床，用于使用指定的NC数据和/或PLC数据机加工所述工件，

-可以独立于所述机床而控制的模拟装置，用于基于所指定的NC数据和/或PLC数据在数字机器模型上模拟所述机加工过程，

-连接到所述机床和所述模拟装置的分析单元，用于在所述模拟装置内调整模拟参数，

其中，所述机床被配置为将所述机床上的所述机加工过程的机加工数据(R1)传输至所述分析单元，并且所述模拟装置被配置为将在所述数字机器模型上模拟的所述机加工过程的模拟数据(R2)传输至所述分析单元，以及

所述分析单元(AA)被配置为使用所传输的机加工数据(R1)和模拟数据(R2)让设置在所述分析单元中的机器学习装置学习所述机床、工具和/或待机加工工件的行为，并输出所述机器学习装置的机加工过程的分析结果。

18.根据权利要求17所述的设备，其中所述机床、所述模拟装置和所述分析单元被配置为相互传输数据，特别是参数和/或性能数据和/或硬件和/或程序数据，

其中，所述数据通过内联网和/或因特网传输。

19.根据权利要求17或权利要求18所述的设备，其中所述模拟装置和所述分析单元独立于所述机床上的机加工过程，并且

所述分析单元被配置为通过将所述机器学习装置的输出数据集(F1)传输至所述模拟装置，将所述数字机器模型上的机加工过程与所述机床的机加工过程连续匹配。

Images