CN114453630B - 控制机床铣削不粘刀的方法、装置、电子设备和存储介质 - Google Patents

控制机床铣削不粘刀的方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114453630B
CN114453630B CN202210066563.5A CN202210066563A CN114453630B CN 114453630 B CN114453630 B CN 114453630B CN 202210066563 A CN202210066563 A CN 202210066563A CN 114453630 B CN114453630 B CN 114453630B
Authority
CN
China
Prior art keywords
cutter
tool
obtaining
sticking
condition
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
CN202210066563.5A
Other languages
English (en)
Other versions
CN114453630A (zh
Inventor
陈国华
张智洋
蔡维
刘从虎
闫青
毛杰
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.)
Hubei Gucheng County Donghua Machinery Co ltd
Original Assignee
Hubei University of Arts and Science
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 Hubei University of Arts and Science filed Critical Hubei University of Arts and Science
Priority to CN202210066563.5A priority Critical patent/CN114453630B/zh
Publication of CN114453630A publication Critical patent/CN114453630A/zh
Application granted granted Critical
Publication of CN114453630B publication Critical patent/CN114453630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23C—MILLING
    • B23C3/00—Milling particular work; Special milling operations; Machines therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23C—MILLING
    • B23C9/00—Details or accessories so far as specially adapted to milling machines or cutter
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Numerical Control (AREA)

Abstract

本申请公开了控制机床铣削不粘刀的方法、装置、电子设备和存储介质。上述控制机床铣削不粘刀的方法、装置、电子设备和存储介质，根据目前将当前的机床铣削相关的加工参数和预置模型，得到当前粘刀情况，并且在当前粘刀情况为粘刀时，根据所述预置模型获得粘刀情况为不粘刀所对应的目标加工参数，再根据目标加工参数调整当前加工参数。与相关技术中被动的减少粘刀的技术相比，本申请能够主动优化机床参数，从而避免粘刀的发生，具有较好的加工应用前景。

Description

控制机床铣削不粘刀的方法、装置、电子设备和存储介质
技术领域
本申请涉及塑料板加工的技术领域，尤其涉及控制机床铣削不粘刀的方法、装置、电子设备和存储介质。
背景技术
随着我国加工业快速发展，对塑料板的加工质量的要求也越来越高。在刀具对塑料板铣削过程中经常会出现粘刀的情况，出现粘刀的原因有刀具铣削塑料板时与塑料板产生摩擦生热，使铣削出来的塑料板的碎沫附着在刀具上。粘刀情况的出现不仅影响塑料板的加工质量，也会使刀具磨损情况更加严重，减少刀具的使用寿命，增加了加工成本。
针对刀具对塑料板进行铣削的过程中出现粘刀的现象，目前大多使用切削液和珩磨油石等来降低铣削时铣削温度，从而来避免粘刀情况的发生。在中国发明专利说明书CN111531638A中公开了一种塑料板加工用钻床，该装置通过毛刷和吸附板对钻头碎片进行清扫，用支撑板对切削液进行阻隔，用滤网将切削液进行过滤，来避免粘刀。这种方式虽然有一定的效果，但粘刀现象依然存在。又如中国专利CN108115546A公开了一种珩磨油石的制备方法和应用，这种油石可以有效的减少粘刀情况的发生，提高加工的精度，但是依然存在少许的粘刀情况。
发明内容
有鉴于此，本申请提供控制机床铣削不粘刀的方法、装置、电子设备和存储介质，有效降低铣削粘刀的发生。
第一方面，本申请提供一种控制机床铣削不粘刀的方法，包括：
获取用于表征粘刀情况与铣削加工相关的加工参数对应关系的预置模型；
根据所述预置模型和当前加工参数，获得当前粘刀情况；
在所述当前粘刀情况为粘刀时，根据所述预置模型获得粘刀情况为不粘刀所对应的目标加工参数；
根据所述目标加工参数调整当前加工参数。
可选地，所述加工参数为刀具材质、主轴转速、进给速度、背吃刀量、塑料板材质中的至少一种。
可选地，所述预置模型为机器学习模型。
可选地，所述机器学习模型为支持向量机模型。
可选地，所述获取预置模型具体包括：
提供由向量样本构成的训练集D＝{(x1，y1)，(x2，y2)，...，(xn，yn)}，其中yi∈{-1，1}，
Figure BDA0003480320070000021
xCMi为刀具材质变量，xPMi为塑料板材质变量、xSi为主轴转速变量、
Figure BDA0003480320070000022
为进给速度、
Figure BDA0003480320070000023
为背吃刀量变量；
提供超平面记为(w,b)，并且w、b满足wTx+b＝0，其中w＝(w1；w2；...；wd)为法向量，b为位移项；
获得所述训练集与所述超平面的最大间隔距离
Figure BDA0003480320070000024
其中w,b满足如约束条件
Figure BDA0003480320070000025
根据所述最大间隔距离，计算得到w、b以获得预置模型f(x)，f(x)＝wTx+b。
可选地，所述根据所述最大间隔距离计算得到w、b为采用拉格朗日乘子法获得所述最大间隔距离的对偶关系。
可选地，所述采用拉格朗日乘子法获得所述最大间隔距离的对偶关系，包括：
获得以最大间隔距离表示的拉格朗日函数L(w，b，α)，
Figure BDA0003480320070000031
Figure BDA0003480320070000032
其中，α＝(α1；α2；...αm)，αi为拉格朗日乘子并且αi≥0；
获取在拉格朗日函数对w和b的偏导为零时的约束条件，
Figure BDA0003480320070000033
Figure BDA0003480320070000034
根据所述在拉格朗日函数对w和b的偏导为零时的约束条件和最大间隔距离求得对偶关系，
Figure BDA0003480320070000041
第二方面，本申请提供一种控制机床铣削不粘刀的方法，其特征在于，所述装置包括：
获取模块，用以获取用于表征粘刀情况与铣削加工相关的加工参数对应关系的预置模型；
第一获得模块，用以根据所述预置模型和当前加工参数获得当前粘刀情况；
第二获得模块，用以在所述当前粘刀情况为粘刀时根据所述预置模型获得粘刀情况为不粘刀所对应的目标加工参数；
调整模块，用以根据所述目标加工参数调整当前加工参数。
第三方面，本申请提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面，本申请提供一种存储介质，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方法的步骤。
上述控制机床铣削不粘刀的方法、装置、电子设备和存储介质，根据目前将当前的机床铣削相关的加工参数和预置模型，得到当前粘刀情况，并且在当前粘刀情况为粘刀时，根据所述预置模型获得粘刀情况为不粘刀所对应的目标加工参数，再根据目标加工参数调整当前加工参数。与相关技术中被动的减少粘刀的技术相比，本申请能够主动优化机床参数，从而避免粘刀的发生，具有较好的加工应用前景。
附图说明
下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。
图1为本申请实施例提供方法的流程示意图。
图2为本申请实施例方法基于塑料板加工场景下的逻辑框架图。
图3为本申请实施例装置的结构框架图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本申请提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。。
在介绍本申请的技术方案之前，有必要阐述下本申请的发明创造的创立背景。
相关技术中，应对机床铣削不粘刀较为典型的代表是依赖于经验使用切削液和珩磨油石等手段。而这些手段通常是被动的调整，即在实际加工发生粘刀之后，才使用这些手段，并不能从真正意义上避免粘刀的发生。更为重要的是，这些手段严重依赖于经验的判断，很难掌握诸如用量等度，导致对粘刀的降低是极其有限的。
本发明人经过研究发现，采用预先建立的用以表征粘刀情况与铣削加工相关的加工参数对应关系的预置模型，能够对当前加工参数在事先进行准确地判断以得出是否粘刀。在若判断出粘刀的之后，根据预置模型获得粘刀情况为不粘刀所对应的目标加工参数对当前加工参数进行调整。由此，实现了在加工操作之前对加工参数与不粘刀的完美匹配，从根本上杜绝了粘刀的发生。由此创立了本发明创造。
请参阅图1，为本申请实施例控制机床铣削不粘刀的方法的流程示意图，本申请实施例的执行主体可以是用户设备，也可以是服务器等不限于此。该方法包括以下步骤：
S102、获取用于表征粘刀情况与铣削加工相关的加工参数对应关系的预置模型。
为了方便说明，本申请实施例以铣削加工的对象为塑料板为例，不可理解为本申请控制方法仅能用于机床铣削不粘刀。
上述术语“加工参数”是指能够影响粘刀的参量，包括但不限于刀具材质、主轴转速、进给速度、背吃刀量、塑料板材质中的至少一种。
刀具材质可是有高速钢和硬质合金；塑料板材质诸如聚氨酯、聚甲醛、聚丙烯、聚酰胺亚酰胺、聚酰亚胺等；主轴转速可以为10000r/min、12500r/min、15000r/min、17500r/min和20000r/min；进给速度可选择为100cm/min、200cm/min、300cm/min、400cm/min；背吃刀量可选择为3mm、6mm、9mm。按照以上数据修改机床参数并且记录下每一组数据的粘刀情况。
为了额方便地在预置模型中表示加工参数、粘刀情况，可将这些加工参数、粘刀情况用数值形式表示，具体如下：
(1)刀具材质：数字3表示高速钢，数字4表示硬质合金。
(2)塑料板材质：数字6表示聚氨酯，数字7表示聚甲醛，数字8表示聚丙烯，数字9表示聚酰胺亚酰胺，数字10表示聚酰亚胺。
(3)粘刀情况：数字1表示不粘刀，数字0表示粘刀。
预置模型可以本领域公知的数学建模，作为一种效率、准确度较高的方式，可采用为机器学习模型。
机器学习模型可以为支持向量机模型或者其它所熟知的方式。
下面以向量机模型为例，来说明预置模型的构建过程。
首先，制作训练集D；
将刀具材料、塑料板材料、主轴转速、进给速度和背吃刀量进行排列组合，使用控制变量法进行排列，其目的是将较为复杂的排列组合简单化，如表1所示的共有多组加工参数。
Figure BDA0003480320070000081
Figure BDA0003480320070000091
接着，建立塑料板加工是否粘刀的支持向量机模型；
将训练集D使用支持向量机算法进行训练，设置刀具材料CM、塑料板材料PM、主轴转速S、进给速度vf和背吃刀量αp为输入项，粘刀情况为输出项。
支持向量机模型建立过程：
给定训练集D＝{(x1,y1),(x2,y2),...,(xn,yn)}，其中
Figure BDA0003480320070000092
分类学习最基本的想法就是基于训练集D在样本空间中找到一个划分平面，将不同类别的样本分开。
在样本空间中，划分超平面可以通过如下线性方程来描述：
wTx+b＝0                         (1)
其中w＝(w1；w2；...；wd)为法向量，决定了超平面的方向；b为位移项，决定了超平面与原点之间的距离。
将其记为(w，b)。样本空间中的任意一点与超平面将其记为(w，b)之间的距离可写为：
Figure BDA0003480320070000101
现在假定平面(w，b)能够把训练样本D正确分类，对于(xi，yi)∈D，若yj＝1，则有wTx+b＞0；若yj＝-1则有wTx+b＜0，令
Figure BDA0003480320070000102
如果(3)式中的等号成立即wTx+b＝1和wTx+b＝-1，这两个可以称为异类支持向量，它们到超平面的距离之和为
Figure BDA0003480320070000103
我们想要找到距离样本点最远的划分超平面，就是要找到能满足(3)式中约束的参数w和b，使得r最大，也就是
Figure BDA0003480320070000104
Figure BDA0003480320070000105
为了得到最大间隔，仅需要最大化||w||-1，这等价于最小化||w||2，所以，(5)式可重写为
Figure BDA0003480320070000106
Figure BDA0003480320070000107
希望得到的最大间隔划分超平面所对应的模型
f(x)＝wTx+b                      (7)
使用拉格朗日乘子法可得到(6)式的对偶关系，其每条约束添加拉格朗日乘子αi≥0，则拉格朗日函数可写为
Figure BDA0003480320070000111
Figure BDA0003480320070000112
其中α＝(α1；α2；...αm).令L(w，b，α)对w和b的偏导为零，我们可以得到
Figure BDA0003480320070000113
Figure BDA0003480320070000114
将(9)式带入(8)式，可将L(w，b，α)中的w、b消去，再考虑(10)式的约束，就得到(6)式的对偶问题
Figure BDA0003480320070000115
Figure BDA0003480320070000116
Figure BDA0003480320070000117
Figure BDA0003480320070000118
αi≥0，i＝1，2，...m.解出α后，求出w、b即可得到模型
Figure BDA0003480320070000121
训练完成后，大部分的训练样本都不需要保留，最终模型仅与支持向量有关。
S104，根据上述预置模型和当前加工参数，获得当前粘刀情况。
容易理解的是，上述步骤即为将当前加工参数作为参量输入预置模型中，以获得粘刀情况的输出结果。
术语“当前加工参数”是指待优化或待调整的加工参数。
S106，在上述当前粘刀情况为粘刀时，根据上述预置模型获得粘刀情况为不粘刀所对应的目标加工参数。
S108，根据所述目标加工参数调整当前加工参数。
由于目标加工参数是一系列的值，因而可选择选择与当前加工参数较为接近的情况去选择目标加工参数。
容易理解的是，对于定性的加工参数，例如刀具材质、塑料板材质，则选择与当前刀具材质、当前塑料板材质的材质的化学成分或理化性质等较为相似的。对于定量的加工参数，则可选择与当前加工参数的数值相近的目标加工参数。
为了清晰地呈现S104、S106、S108，特予以下面的示范例。
例如，(1)使用刀具的材料为高速钢(高速钢的代表数字为3)，主轴转速为17500r/mjn，进给速度为400cm/mjn，背吃刀量为3mm，切割相同材质的塑料板，查看粘刀情况为0代表粘刀；
(2)使用刀具的材料为高速钢，主轴转速为13000r/min，进给速度为200cm/min，背吃刀量为10mm，切割相同材质塑料板，通过优化参数避免粘刀；
(3)使用刀具的材料为硬质合金，硬质合金的代表数字为4、主轴转速为12000r/min、进给速度为200cm/min、背吃刀量为10mm，切割不同材质的塑料板。
第4中(1)的粘刀情况为0(粘刀)如表2中的步骤1，表2中步骤二更换材质为硬质合金的刀具，硬质合金的代表数字为4，塑料板材质、主轴转速、进给速度、背吃刀量都不变，导入模型，优化后结果为1(不粘刀)。
表2
步骤 刀具材质 塑料板材质 主轴转速 进给速度 背吃刀量 粘刀情况
1 3 8 17500 400 3 0
2 4 8 17500 400 3 1
上述(2)粘刀情况如表3中步骤1所示为0(粘刀)，步骤2调整进给速度为400cm/min，其它的不变，粘刀情况为0(粘刀)，步骤3中调整主轴转速为16000r/min，其它不变，粘刀情况为0(粘刀)，步骤4中调整主轴转速为19000r/min、进给速度为200cm/min、背吃刀量为5mm，导入模型，粘刀情况为1(不粘刀)。
表3
Figure BDA0003480320070000131
Figure BDA0003480320070000141
第4中(3)的粘刀情况如表4中步骤1所示为0(粘刀)，步骤2塑料板材质调整为7，其它不变，导入模型，粘刀情况为0(粘刀)，步骤3是将步骤2的塑料板材质调整为8，其它不变，导入模型，粘刀情况为1(不粘刀)。
表4
步骤 刀具材质 塑料板材质 主轴转速 进给速度 背吃刀量 粘刀情况
1 4 6 12000 200 10 0
2 4 7 12000 200 10 0
3 4 8 12000 200 10 1
请参阅图2，为本申请实施例方法基于塑料板加工场景下的逻辑框架图。
201，大量收集塑料板加工数据；
202，制作训练集；
203，建立塑料板加工是否粘刀的支持向量机模型；
204，将塑料板加工数据导入模型；
205，生成支持向量机分类结果；
206，判断是否粘刀；
207，若判断粘刀，则调整并优化参数，并继续重复204；
208，若判断不粘刀，则按照不粘刀的参数进行加工。
请结合图3。本申请实施例控制机床铣削不粘刀的装置，上述装置包括：
获取模块302，用以获取用于表征粘刀情况与铣削加工相关的加工参数对应关系的预置模型；
第一获得模块304，用以根据上述预置模型和当前加工参数获得当前粘刀情况；
第二获得模块306，用以在上述当前粘刀情况为粘刀时根据上述预置模型获得粘刀情况为不粘刀所对应的目标加工参数；
调整模块308，用以根据上述目标加工参数调整当前加工参数。
鉴于上述装置与前述方法存在一一对应关系，即上述计算装置所涉及的各模块的功能由前述方法所包括的步骤可以对应，此部分不再赘述。
本申请实施例提供一种电子设备，该电子设备包括通过系统总线连接的处理器和存储器。其中，该处理器用于提供计算和控制能力，支撑整个电子设备的运行。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种图像生成方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。该电子设备可以是手机、平板电脑或者个人数字助理或穿戴式设备等。
本申请实施例中提供的图像生成装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述方法的步骤。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当计算机可执行指令被一个或多个处理器执行时，使得处理器执行图像生成方法的步骤。
本申请实施例所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种控制机床铣削不粘刀的方法，其特征在于，所述方法包括：
获取用于表征粘刀情况与铣削加工相关的加工参数对应关系的预置模型；
根据所述预置模型和当前加工参数，获得当前粘刀情况；
在所述当前粘刀情况为粘刀时，根据所述预置模型获得粘刀情况为不粘刀所对应的目标加工参数；
根据所述目标加工参数调整当前加工参数；
获取预置模型具体包括：
提供由向量样本构成的训练集，其中，为刀具材质变量，为塑料板材质变量、为主轴转速变量、为进给速度、为背吃刀量变量；
提供超平面记为（w,b），并且w、b满足，其中w=(w1;w2;...;wd)为法向量，b为位移项；
获得所述训练集与所述超平面的最大间隔距离，其中w,b满足如约束条件；；
根据所述最大间隔距离，计算得到w、b以获得预置模型，；
所述根据所述最大间隔距离计算得到w、b为采用拉格朗日乘子法获得所述最大间隔距离的对偶关系；
所述采用拉格朗日乘子法获得所述最大间隔距离的对偶关系，包括：
获得以最大间隔距离表示的拉格朗日函数，
其中， 为拉格朗日乘子并且；
获取在拉格朗日函数对w和b的偏导为零时的约束条件，；
根据所述在拉格朗日函数对w和b的偏导为零时的约束条件和最大间隔距离求得对偶关系，。
2.根据权利要求1所述的方法，其特征在于，所述加工参数为刀具材质、主轴转速、进给速度、背吃刀量、塑料板材质中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述预置模型为机器学习模型。
4.根据权利要求3所述的方法，其特征在于，所述机器学习模型为支持向量机模型。
5.一种控制机床铣削不粘刀的装置，其特征在于，所述装置包括：
获取模块，用以获取用于表征粘刀情况与铣削加工相关的加工参数对应关系的预置模型；
第一获得模块，用以根据所述预置模型和当前加工参数获得当前粘刀情况；
第二获得模块，用以在所述当前粘刀情况为粘刀时根据所述预置模型获得粘刀情况为不粘刀所对应的目标加工参数；
调整模块，用以根据所述目标加工参数调整当前加工参数；
获取预置模型具体包括：
提供由向量样本构成的训练集，其中，为刀具材质变量，为塑料板材质变量、为主轴转速变量、为进给速度、为背吃刀量变量；
提供超平面记为（w,b），并且w、b满足，其中w=(w1;w2;...;wd)为法向量，b为位移项；
获得所述训练集与所述超平面的最大间隔距离，其中w,b满足如约束条件；
根据所述最大间隔距离，计算得到w、b以获得预置模型，；
所述根据所述最大间隔距离计算得到w、b为采用拉格朗日乘子法获得所述最大间隔距离的对偶关系；
所述采用拉格朗日乘子法获得所述最大间隔距离的对偶关系，包括：
获得以最大间隔距离表示的拉格朗日函数，
其中，，为拉格朗日乘子并且；
获取在拉格朗日函数对w和b的偏导为零时的约束条件，；
根据所述在拉格朗日函数对w和b的偏导为零时的约束条件和最大间隔距离求得对偶关系，。
6.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
7.一种存储介质，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至4中任一项所述的方法的步骤。
CN202210066563.5A 2022-01-20 2022-01-20 控制机床铣削不粘刀的方法、装置、电子设备和存储介质 Active CN114453630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210066563.5A CN114453630B (zh) 2022-01-20 2022-01-20 控制机床铣削不粘刀的方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210066563.5A CN114453630B (zh) 2022-01-20 2022-01-20 控制机床铣削不粘刀的方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114453630A CN114453630A (zh) 2022-05-10
CN114453630B true CN114453630B (zh) 2023-04-04

Family

ID=81409144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210066563.5A Active CN114453630B (zh) 2022-01-20 2022-01-20 控制机床铣削不粘刀的方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114453630B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203316834U (zh) * 2013-07-02 2013-12-04 付亚波 切削低铅黄铜的圆盘锯
CN203887296U (zh) * 2014-03-11 2014-10-22 贵州劲锋精密工具有限公司 双重芯径立铣刀

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000140133A (ja) * 1998-11-13 2000-05-23 Takashi Aoki ベクトルポテンシャル場等を生体に作用させるツール
CN102390011B (zh) * 2011-08-02 2014-07-09 罗键 蜂窝流道冷凝板整体近净成型加工制造方法
CN102339389B (zh) * 2011-09-14 2013-05-29 清华大学 一种基于密度的参数优化单分类支持向量机故障检测方法
US9956627B2 (en) * 2013-04-22 2018-05-01 The Gleason Works Skiving of cylindrical gears
CN103473640A (zh) * 2013-09-04 2013-12-25 重庆大学 一种基于机床刀具受力状态的加工进度信息采集方法
CN103761429A (zh) * 2014-01-10 2014-04-30 大连理工大学 铣削加工工件表面粗糙度的预测方法
JP6347399B2 (ja) * 2014-01-23 2018-06-27 株式会社Ihi 研磨ロボットとその軌道生成方法
CN104502103A (zh) * 2014-12-07 2015-04-08 北京工业大学 一种基于模糊支持向量机的轴承故障诊断方法
WO2016100208A1 (en) * 2014-12-18 2016-06-23 The Gleason Works Cutter build and truing machine
CN105160059A (zh) * 2015-07-11 2015-12-16 西安工业大学 一种基于bp和ga的叶片加工切削用量优化选择方法
TWI600988B (zh) * 2016-11-15 2017-10-01 Machining expert system for CNC machine tool and controller processing parameters generation method
CN107186547A (zh) * 2017-05-25 2017-09-22 重庆大学 基于切削功率的数控车削批量加工刀具磨损在线监测方法
CN109434562A (zh) * 2018-09-30 2019-03-08 天津大学 基于划分聚类的铣削刀具磨损状态识别方法
CN109543329B (zh) * 2018-11-30 2022-10-14 厦门大学 一种结合svm的端面铣刀铣削力预测方法
CN109605127A (zh) * 2019-01-21 2019-04-12 南京航空航天大学 一种刀具磨损状态识别方法及系统
CN109807378A (zh) * 2019-02-13 2019-05-28 深圳市一木艺术家具有限公司 一种采用中心引流冷却的数控设备用电动加工铣刀
CN110348075A (zh) * 2019-06-20 2019-10-18 湖南科技大学 一种基于改进支持向量机算法的磨削表面粗糙度预测方法
CN111292303B (zh) * 2020-01-21 2023-09-19 湖北文理学院 焊缝缺陷类别检测方法、装置、电子设备及存储介质
CN111859566B (zh) * 2020-07-17 2023-11-17 重庆大学 基于数字孪生的表面粗糙度稳定方法
CN112633182A (zh) * 2020-12-25 2021-04-09 广州文远知行科技有限公司 一种车辆状态检测方法、装置、设备和存储介质
CN113084237B (zh) * 2021-04-16 2022-07-29 贵州大学 铣刀磨损值的预测方法、装置、电子装置和存储介质
CN113369994A (zh) * 2021-06-30 2021-09-10 温州大学 一种高速铣削过程刀具状态监测方法
CN113609789A (zh) * 2021-09-15 2021-11-05 重庆大学 一种基于时空特征并行提取的刀具磨损状态预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203316834U (zh) * 2013-07-02 2013-12-04 付亚波 切削低铅黄铜的圆盘锯
CN203887296U (zh) * 2014-03-11 2014-10-22 贵州劲锋精密工具有限公司 双重芯径立铣刀

Also Published As

Publication number Publication date
CN114453630A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
Ferreira et al. Surface roughness investigation in the hard turning of steel using ceramic tools
Outeiro et al. Evaluation of present numerical models for predicting metal cutting performance and residual stresses
Radu et al. Processing metal sheets by SPIF and analysis of parts quality
Qu et al. Electrochemical machining of blisk channels with progressive-pressure electrolyte flow
CN114453630B (zh) 控制机床铣削不粘刀的方法、装置、电子设备和存储介质
Wang et al. Adaptive trochoidal toolpath for complex pockets machining
Tekeli et al. Maximization of chatter-free material removal rate in end milling using analytical methods
KR20190043286A (ko) 공작기계 실시간 피드 제어 시스템 및 그 방법
Prasad et al. Experimental investigation and parametric optimization in abrasive jet machining on nickel 233 alloy using WASPAS and MOORA
CN114218174B (zh) 基于区块链的工业互联网数据存储方法、系统及存储介质
Liu et al. FEM simulation and experiment of high-pressure cooling effect on cutting force and machined surface quality during turning Inconel 718
Long et al. Finite element modeling of burr formation in orthogonal cutting
US11199997B2 (en) Storage device operations using a die translation table
Abdul Shukor et al. Optimising of machining parameters of plastic material using Taguchi method
CN110727710B (zh) 数据分析方法、装置、计算机设备和存储介质
CN111104588B (zh) 产品信息匹配方法、装置、计算机设备和存储介质
Kasim et al. Investigation of tangential force on ball nose rake face during high-speed milling of Inconel 718
Llanos et al. Finite element modeling of oblique machining using an arbitrary Lagrangian–Eulerian formulation
Sridhar et al. Influence of tool parameters on machining distortion of thin wall thin floor components
CN110659347B (zh) 关联文书确定方法、装置、计算机设备及存储介质
Bhattacharya et al. On cutter deflection profile errors in end milling: modeling and experimental validation
Jing et al. An investigation of surface roughness in micro-end-milling of metals
CN113868411A (zh) 合同比对方法、装置、存储介质及计算机设备
JP7052353B2 (ja) ツーリング及び加工治具の設計支援装置
Buj-Corral et al. Roughness variation caused by grinding errors of cutting edges in side milling

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230613

Address after: 441705 Wudang Road, Shihua Town, Gucheng County, Xiangyang City, Hubei Province

Patentee after: HUBEI GUCHENG COUNTY DONGHUA MACHINERY CO.,LTD.

Address before: No. 296, Luzhong Road, Xiangyang, Hubei Province

Patentee before: HUBEI University OF ARTS AND SCIENCE

TR01 Transfer of patent right