CN114660994B - 一种数控机床加工工艺决策优化方法、系统及相关设备 - Google Patents
一种数控机床加工工艺决策优化方法、系统及相关设备 Download PDFInfo
- Publication number
- CN114660994B CN114660994B CN202210573335.7A CN202210573335A CN114660994B CN 114660994 B CN114660994 B CN 114660994B CN 202210573335 A CN202210573335 A CN 202210573335A CN 114660994 B CN114660994 B CN 114660994B
- Authority
- CN
- China
- Prior art keywords
- target
- decision
- region
- model
- optimization
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4093—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32306—Rules to make scheduling decisions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种数控机床加工工艺决策优化方法、系统及相关设备,方法包括:获取待加工零件对应的加工特征信息,其中,上述加工特征信息包括加工特征类型和加工区域;根据上述加工特征信息获取目标刀具的集合、目标夹具的集合以及目标机床的集合;为加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值;根据上述加工特征信息、上述目标刀具的集合、上述目标夹具的集合、上述目标机床的集合以及各上述影响权重值,建立以能耗最低为目标的工艺决策优化模型,通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。与现有技术中相比,本发明方案有利于提高决策优化效率。
Description
技术领域
本发明涉及数控加工技术领域,尤其涉及的是一种数控机床加工工艺决策优化方法、系统及相关设备。
背景技术
随着科学技术的发展,数控加工技术的应用也越来越广泛。数控加工的过程中,需要对刀具、机床、切削参数等进行决策,以实现降低能耗的目的,然后根据对应的决策对工件进行数控加工。
现有技术中,通常通过人工的方式进行决策,即由用户根据经验进行决策,确定对应的刀具、机床、切削参数等。现有技术的问题在于,人工进行决策的方式不利于提高决策优化效率,也不利于提高决策效果并实现更好的节能效果。
因此,现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种数控机床加工工艺决策优化方法、系统及相关设备,旨在解决现有技术中人工进行数控机床加工工艺决策的方案不利于提高决策优化效率,不利于提高决策效果并实现更好的节能效果的问题。
为了实现上述目的,本发明第一方面提供一种数控机床加工工艺决策优化方法,其中,上述数控机床加工工艺决策优化方法包括:
获取待加工零件对应的加工特征信息,其中,上述加工特征信息包括加工特征类型和加工区域;
根据上述加工特征信息获取目标刀具的集合、目标夹具的集合以及目标机床的集合;
为加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值;
根据上述加工特征信息、上述目标刀具的集合、上述目标夹具的集合、上述目标机床的集合以及各上述影响权重值,建立以能耗最低为目标的工艺决策优化模型,通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。
可选的,上述获取待加工零件对应的加工特征信息,包括:
获取上述待加工零件的三维模型以及对应的描述语句;
根据上述待加工零件的三维模型获取上述待加工零件对应的目标二维图像集合,其中,上述目标二维图像集合中包括从不同视角对上述待加工零件进行采集获得的多张目标二维图像;
根据上述描述语句、上述目标二维图像以及预先训练好的加工特征识别模型对上述待加工零件进行加工特征识别,获得上述待加工零件对应的加工特征信息。
可选的,上述根据上述待加工零件的三维模型获取上述待加工零件对应的目标二维图像集合,包括:
获取上述三维模型的最小包围盒,将上述最小包围盒的各个顶点和各个包围面中心点分别作为目标视点,其中,一个上述包围面中心点是上述最小包围盒的一个包围面的中心点;
根据预设的区域分块大小对各上述包围面进行区域划分,获得多个包围面子区域,获取各上述包围面子区域对应的模型区域复杂度,根据上述模型区域复杂度和预设的复杂度范围获取各上述包围面子区域对应的视点数目,其中,一个上述包围面子区域对应的模型区域复杂度用于体现上述三维模型与该包围面子区域对应的一侧的模型表面起伏变化程度;
根据各上述包围面子区域对应的视点数目分别在各上述包围面子区域均匀添加目标视点;
将各上述目标视点与目标中心点的连线方向作为各上述目标视点的视角方向,根据各上述目标视点采集获取上述目标二维图像,并标记各上述目标二维图像的视点和视角,其中,上述目标中心点是上述三维模型的中心点或上述最小包围盒的中心点。
可选的,上述包围面子区域是对上述包围面进行随机区域划分获得的,一个上述包围面子区域对应的模型区域复杂度通过以下步骤计算:
根据预设的测量点数目获取上述包围面子区域中的测量点,上述测量点均匀分布在上述包围面子区域中;
根据上述测量点获取测量线段,其中,上述测量线段的起点是上述测量点,上述测量线段的终点是上述三维模型表面的一个点,且各上述测量线段所在的直线垂直于上述包围面子区域;
计算上述包围面子区域对应的所有测量线段的长度值的方差并作为上述包围面子区域对应的模型区域复杂度。
可选的,上述工艺决策优化模型中的决策变量包括为各工序选择的目标加工机床、为各上述工序选择的目标加工工具、为各上述工序选择的目标进刀方向、各上述工序的加工顺序和各上述工序的切削参数。
可选的,上述预设的遗传优化算法是第三代非支配遗传算法。
可选的,上述工艺决策优化模型中的目标函数为能耗目标函数,上述能耗目标函数根据各上述工序的机床能耗、各上述工序的装夹过程能耗、各上述工序的切削加工能耗、各上述工序的刀具使用能耗以及对应的各上述影响权重值进行加权求和获得;
在上述优化求解的过程中,将上述目标函数的倒数作为适应度函数,通过上述第三代非支配遗传算法对上述决策变量进行优化,获得上述目标决策。
本发明第二方面提供一种数控机床加工工艺决策优化系统,其中,上述数控机床加工工艺决策优化系统包括:
加工特征信息获取模块,用于获取待加工零件对应的加工特征信息,其中,上述加工特征信息包括加工特征类型和加工区域;
目标集合获取模块,用于根据上述加工特征信息获取目标刀具的集合、目标夹具的集合以及目标机床的集合;
权重设置模块,用于为加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值;
决策优化模块,用于根据上述加工特征信息、上述目标刀具的集合、上述目标夹具的集合、上述目标机床的集合以及各上述影响权重值,建立以能耗最低为目标的工艺决策优化模型,通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。
本发明第三方面提供一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的数控机床加工工艺决策优化程序,上述数控机床加工工艺决策优化程序被上述处理器执行时实现上述任意一种数控机床加工工艺决策优化方法的步骤。
本发明第四方面提供一种计算机可读存储介质,上述计算机可读存储介质上存储有数控机床加工工艺决策优化程序,上述数控机床加工工艺决策优化程序被处理器执行时实现上述任意一种数控机床加工工艺决策优化方法的步骤。
由上可见,本发明方案中,获取待加工零件对应的加工特征信息,其中,上述加工特征信息包括加工特征类型和加工区域;根据上述加工特征信息获取目标刀具的集合、目标夹具的集合以及目标机床的集合;为加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值;根据上述加工特征信息、上述目标刀具的集合、上述目标夹具的集合、上述目标机床的集合以及各上述影响权重值,建立以能耗最低为目标的工艺决策优化模型,通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。与现有技术中通过人工进行数控机床加工工艺决策的方案相比,本发明方案无需进行人工决策,可以获取上述待加工零件对应的加工特征信息,从而根据加工特征信息确定目标刀具的集合、目标夹具的集合以及目标机床的集合,有利于减小决策优化时需要考虑的范围,提高决策优化效率。且建立对应的工艺决策优化模型(对应的数学模型),然后通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。无需人工决策,可以实现自动进行数控机床加工工艺决策的优化,有利于提高决策优化效率,且有利于提高决策效果并实现更好的节能效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种数控机床加工工艺决策优化方法的流程示意图;
图2是本发明实施例图1中步骤S200的具体流程示意图;
图3是本发明实施例提供的一种数控机床加工工艺决策优化系统的结构示意图;
图4是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,对本发明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发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
随着科学技术的发展,数控加工技术的应用也越来越广泛。数控加工的过程中,需要对刀具、机床、切削参数等进行决策,以实现降低能耗的目的,然后根据对应的决策对工件进行数控加工。
现有技术中,通常通过人工的方式进行决策,即由用户根据经验进行决策,确定对应的刀具、机床、切削参数等。现有技术的问题在于,人工进行决策的方式不利于提高决策优化效率,也不利于提高决策效果并实现更好的节能效果。
同时,传统的工艺决策优化方法主要是在特征识别阶段进行,即决策优化是在完成加工特征识别之前,根据零件的整体形状进行的。如此,不利于根据具体需要进行加工的加工特征进行决策,也不利于获得全局最优的决策方案。
为了解决上述多个问题中的至少一个问题,本发明方案中,获取待加工零件对应的加工特征信息,其中,上述加工特征信息包括加工特征类型和加工区域;根据上述加工特征信息获取目标刀具的集合、目标夹具的集合以及目标机床的集合;为加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值;根据上述加工特征信息、上述目标刀具的集合、上述目标夹具的集合、上述目标机床的集合以及各上述影响权重值,建立以能耗最低为目标的工艺决策优化模型,通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。
与现有技术中通过人工进行数控机床加工工艺决策的方案相比,本发明方案无需进行人工决策,可以获取上述待加工零件对应的加工特征信息,从而根据加工特征信息确定目标刀具的集合、目标夹具的集合以及目标机床的集合,有利于减小决策优化时需要考虑的范围,提高决策优化效率。且建立对应的工艺决策优化模型(对应的数学模型),然后通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。无需人工决策,可以实现自动进行数控机床加工工艺决策的优化,有利于提高决策优化效率,且有利于提高决策效果并实现更好的节能效果。
同时,本发明方案中的具体数控机床加工工艺决策优化过程是在完成加工特征识别并获得加工特征信息之后进行的,有利于获得全局最优的决策方案,提高决策效果。
示例性方法
如图1所示,本发明实施例提供一种数控机床加工工艺决策优化方法,具体的,上述方法包括如下步骤:
步骤S100,获取待加工零件对应的加工特征信息,其中,上述加工特征信息包括加工特征类型和加工区域。
其中,上述待加工零件是数控机床需要加工获得的零件,本实施例中,需要对待加工零件对应的数控机床加工工艺进行决策优化。
本实施例中,如图2所示,上述步骤S100具体包括如下步骤:
步骤S101,获取上述待加工零件的三维模型以及对应的描述语句。
其中,三维模型是待加工零件对应的三维立体模型,可以反映待加工零件的立体结构,上述描述语句是目标对象(如用户)输入的描述性语句,用于对待加工零件的加工特征进行描述,以便结合描述语句对待加工零件的加工特征进行识别,提高加工特征识别的效率。在一种应用场景中,描述语句中描述了待加工零件中存在加工特征的区域,根据预设的加工特征模型对该区域的加工特征进行识别。
步骤S102,根据上述待加工零件的三维模型获取上述待加工零件对应的目标二维图像集合,其中,上述目标二维图像集合中包括从不同视角对上述待加工零件进行采集获得的多张目标二维图像。
具体的,对上述待加工零件的三维模型进行多角度的采集,获得对应的目标二维图像,以实现加工特征识别。
其中,上述根据上述待加工零件的三维模型获取上述待加工零件对应的目标二维图像集合,包括:
获取上述三维模型的最小包围盒,将上述最小包围盒的各个顶点和各个包围面中心点分别作为目标视点,其中,一个上述包围面中心点是上述最小包围盒的一个包围面的中心点;
根据预设的区域分块大小对各上述包围面进行区域划分,获得多个包围面子区域,获取各上述包围面子区域对应的模型区域复杂度,根据上述模型区域复杂度和预设的复杂度范围获取各上述包围面子区域对应的视点数目,其中,一个上述包围面子区域对应的模型区域复杂度用于体现上述三维模型与该包围面子区域对应的一侧的模型表面起伏变化程度;
根据各上述包围面子区域对应的视点数目分别在各上述包围面子区域均匀添加目标视点;
将各上述目标视点与目标中心点的连线方向作为各上述目标视点的视角方向,根据各上述目标视点采集获取上述目标二维图像,并标记各上述目标二维图像的视点和视角,其中,上述目标中心点是上述三维模型的中心点或上述最小包围盒的中心点。
上述最小包围盒是一个矩形体,可以将待加工零件的三维模型包围在最小包围盒内部,对应的,上述最小包围盒有8个顶点和6个包围面,先将各个顶点和各个包围面的中心点分别作为目标视点。然后,根据预设的区域分块大小对各包围面进行区域划分,获得多个包围面子区域。其中,上述区域分块大小是预先设置的,也可以根据实际需求进行调整,例如,可以根据待加工零件的复杂度设置区域分块大小,对于复杂度越高的待加工零件,设置的区域分块大小越小,以实现更精细的二维图像采集。
根据区域分块大小,对每一个包围面进行随机划分,获得多个包围面子区域,每一个包围面子区域的大小不大于上述区域分块的大小。然后获取每一个包围面子区域对应的模型区域复杂度。
具体的,上述包围面子区域是对上述包围面进行随机区域划分获得的,一个上述包围面子区域对应的模型区域复杂度通过以下步骤计算:
根据预设的测量点数目获取上述包围面子区域中的测量点,上述测量点均匀分布在上述包围面子区域中;
根据上述测量点获取测量线段,其中,上述测量线段的起点是上述测量点,上述测量线段的终点是上述三维模型表面的一个点,且各上述测量线段所在的直线垂直于上述包围面子区域;
计算上述包围面子区域对应的所有测量线段的长度值的方差并作为上述包围面子区域对应的模型区域复杂度。
上述测量点数目是预先设置的一个包围面子区域中的测量点的数目,也可以根据实际需求进行调整,在一个包围面子区域中均匀选取测量点数目个测量点,然后获取对应的测量线段,测量线段的长度值之间的差异体现了该包围面子区域对应的模型表面的起伏变化,因此可以根据测量线段的长度值的方差确定该包围面子区域对应的模型区域复杂度。如此,可以保证模型起伏更复杂的小区域(包围面子区域)中视点越多,使得采集的目标二维图像能更好的反应三维模型的真实结构。
在一种应用场景中,获得模型区域复杂度之后,可以直接基于模型区域复杂度计算获取对应的测量点数目,例如,将模型区域复杂度乘以预设的数目参考值(如5)之后取整,作为对应的视点数目。
本实施例中,获得模型区域复杂度之后,可以根据预先设置的复杂度范围获取各上述包围面对应的视点数目,例如,对于第一个包围面子区域,如果其模型区域复杂度属于第一范围(例如大于等于0且小于10)内,则设置对应的视点数目为预设的第一数目(例如5);对于第二个包围面子区域,如果其模型区域复杂度属于第二范围(例如大于10且小于20),则设置对应的视点数目为预设的第二数目(例如10),具体的范围划分方式和对应的数目值不作为具体限制,仅作为示例说明。
步骤S103,根据上述描述语句、上述目标二维图像以及预先训练好的加工特征识别模型对上述待加工零件进行加工特征识别,获得上述待加工零件对应的加工特征信息。
本实施例中,对上述描述语句进行语义识别获取多个加工特征识别关键词,并将上述加工特征识别关键词作为加工特征识别信息。然后,将加工特征识别信息和上述目标二维图像输入预先训练好的加工特征识别模型对上述待加工零件进行加工特征识别。
具体的,上述加工特征识别模型是预先训练好的深度残差网络模型,预先被训练为根据输入的加工特征识别信息和图像对图像中的加工特征进行识别,上述深度残差网络模型通过以下步骤进行预先训练:
获取训练数据集,其中,上述训练数据集中包括多个训练数据,上述训练数据中包括训练语义信息、训练图像和上述训练图像对应的加工特征标注信息;
根据上述训练数据集和预设的标注信息误差阈值对上述深度残差网络模型进行迭代训练,直到获得训练好的深度残差网络模型,其中,上述训练好的深度残差网络模型针对输入的训练语义信息和训练图像进行加工特征识别,且识别获得的加工特征信息与上述训练图像对应的加工特征标注信息之间的损失值不大于上述标注信息误差阈值。
其中,上述训练图像是二维图像,训练数据中的所有训练图像可以属于同一零件(即对同一零件进行不同角度的二维图像采集获得),也可以属于不同的零件。当训练数据中的所有训练图像属于同一零件时,各个训练图像对应的训练语义信息可以是相同的(对应的进行加工特征识别时各目标二维图像也共用同一个加工特征识别信息),即同一零件对应的所有训练图像可以拥有相同的训练语义信息,但不作为具体限定。
在一种应用场景中,每一个上述训练数据中包括一个训练语义信息,多个训练图像和上述训练图像对应的加工特征标注信息,多个训练图像可以共用一个训练语义信息。
上述标注信息误差阈值是预先设置的误差阈值,还可以预先设置模型更新次数,当深度残差网络模型的精度符合要求或者达到模型更新次数时即可视为训练完成。对应的识别获得的加工特征信息与上述训练图像对应的加工特征标注信息之间的损失值可以直接是两者的差值,也可以是根据预设的损失函数计算获得的值,在此不作具体限定。
需要说明的是,本实施例中的待加工零件对应的加工特征信息还可以通过其它方式获得,在此不作具体限定。
步骤S200,根据上述加工特征信息获取目标刀具的集合、目标夹具的集合以及目标机床的集合。
具体的,根据需要加工的加工特征类型获取需要选用的目标刀具的集合、目标夹具的集合以及目标机床的集合。上述目标刀具的集合中包括多个目标刀具,目标刀具是对上述待加工零件进行加工的工艺流程中需要使用的刀具,以此类推,目标夹具是对上述待加工零件进行加工的工艺流程中需要使用的夹具,目标机床是对上述待加工零件进行加工的工艺流程中需要使用的机床。
在一种应用场景中,可以预先建立加工特征、刀具、夹具和机床的对应关系表,根据对应关系表确定待加工零件需要选用的目标刀具、目标夹具和目标机床,如此,在进行加工工艺决策优化的过程中,不需要考虑所有的刀具、夹具和机床,只需要考虑其中的部分刀具、夹具和机床,有利于提高决策优化效率和效果。
步骤S300,为加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值。
具体的,本实施例中,进行加工工艺决策优化的目的是使得所需要消耗的能耗最少,而数控机床加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策都会对能耗产生影响。本实施例中,可以为机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值,以对优化过程进行调节,对于用户更为关注的部分(影响权重值更大的决策部分)进行更好的优化。
需要说明的是,机床决策、夹具决策、切削参数决策和进退刀决策对应的影响权重值可以相同(例如都设置成1或0.25),也可以不同,本实施例中以相同为例(都设置成1)进行说明,但不作为具体限定。
步骤S400,根据上述加工特征信息、上述目标刀具的集合、上述目标夹具的集合、上述目标机床的集合以及各上述影响权重值,建立以能耗最低为目标的工艺决策优化模型,通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。
具体的,上述工艺决策优化模型中的决策变量包括为各工序选择的目标加工机床、为各上述工序选择的目标加工工具、为各上述工序选择的目标进刀方向、各上述工序的加工顺序和各上述工序的切削参数。其中,上述预设的遗传优化算法是第三代非支配遗传算法(NSGA3算法)。
本实施例中,上述工艺决策优化模型中的目标函数为能耗目标函数,上述能耗目标函数根据各上述工序的机床能耗、各上述工序的装夹过程能耗、各上述工序的切削加工能耗、各上述工序的刀具使用能耗以及对应的各上述影响权重值进行加权求和获得;
在上述优化求解的过程中,将上述目标函数的倒数作为适应度函数,通过上述第三代非支配遗传算法对上述决策变量进行优化,获得上述目标决策。
具体的,上述机床能耗是机床在运行过程中的能耗,包括空切过程中的能耗、待机能耗和切削过程中的能耗组成,可以根据对应的时间和功率求得。上述装夹过程能耗是各工序的装夹过程能耗,上述切削加工能耗是各工序的切削加工过程中的能耗,上述刀具使用能耗是各工序的刀具使用过程中的能耗。将上述能耗进行加权求和后获得能耗目标函数,然后将能耗目标函数的倒数作为NSGA3算法的适应度函数,通过NSGA3算法进行决策优化,优化过程中,以能耗目标函数最小作为目标,获得对应的一组目标决策。需要说明的是,在通过NSGA3算法进行决策优化的过程中,还可以预先设置优化次数最大值,作为优化终止的条件,以避免出现优化耗时过长且无法获得优化结构的情况。当达到上述优化次数最大值时,将使得能耗目标函数最小的一组决策作为上述目标决策。
需要说明的是,各工序的加工机床选择和刀具选择会影响对应的切削参数的选择范围,因此,在一种应用场景中,对于上述工艺决策优化模型构建对应的约束条件。上述约束条件可以包括:刀具转速不超过对应的机床最大转速,也不低于对应的机床最小转速;刀具进给速度不超过对应的机床最快进给速度,也不低于对应的机床最低进给速度;机床的功率不超过机床有效功率系数与机床最大功率的乘积,其中,机床有效功率系数为预先设置的系数,不大于1;刀具切削力不大于机床的最大切削力。还可以根据实际需求设置其它约束条件,在此不作具体限定。
在一种应用场景中,通过NSGA3算法进行决策优化的过程中,预先设置一组参考点(可以随机生成),并且随机生成一组含有N个个体的初始种群(由决策变量构成),其中N为种群大小,然后算法迭代直到终止条件满足。其中,在任意一代迭代的过程中,算法在当前种群的基础上,通过交叉和变异产生子代种群(大小均为N),将两个子代种群合并为大小为2N的新的待选择种群,然后在待选择种群中划分获得不同的非支配层,并构建新的目标种群(大小为N),然后将目标种群作为本次迭代之后的当前种群,进行下一次迭代。
需要说明的是,还可以基于其它算法进行决策优化求解,例如,根据模拟退火算法、粒子群算法等,在此不作具体限定。
由上可见,本发明实施例提供的数控机床加工工艺决策优化方法中,获取待加工零件对应的加工特征信息,其中,上述加工特征信息包括加工特征类型和加工区域;根据上述加工特征信息获取目标刀具的集合、目标夹具的集合以及目标机床的集合;为加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值;根据上述加工特征信息、上述目标刀具的集合、上述目标夹具的集合、上述目标机床的集合以及各上述影响权重值,建立以能耗最低为目标的工艺决策优化模型,通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。
与现有技术中通过人工进行数控机床加工工艺决策的方案相比,本发明方案无需进行人工决策,可以获取上述待加工零件对应的加工特征信息,从而根据加工特征信息确定目标刀具的集合、目标夹具的集合以及目标机床的集合,有利于减小决策优化时需要考虑的范围,提高决策优化效率。且建立对应的工艺决策优化模型(对应的数学模型),然后通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。无需人工决策,可以实现自动进行数控机床加工工艺决策的优化,有利于提高优化效率且对决策进行合理的优化,有利于提高决策效果并实现更好的节能效果。
示例性设备
如图3中所示,对应于上述数控机床加工工艺决策优化方法,本发明实施例还提供一种数控机床加工工艺决策优化系统,上述数控机床加工工艺决策优化系统包括:
加工特征信息获取模块510,用于获取待加工零件对应的加工特征信息,其中,上述加工特征信息包括加工特征类型和加工区域。
其中,上述待加工零件是数控机床需要加工获得的零件,本实施例中,需要对待加工零件对应的数控机床加工工艺进行决策优化。
目标集合获取模块520,用于根据上述加工特征信息获取目标刀具的集合、目标夹具的集合以及目标机床的集合。
具体的,根据需要加工的加工特征类型获取需要选用的目标刀具的集合、目标夹具的集合以及目标机床的集合。上述目标刀具的集合中包括多个目标刀具,目标刀具是对上述待加工零件进行加工的工艺流程中需要使用的刀具,以此类推,目标夹具是对上述待加工零件进行加工的工艺流程中需要使用的夹具,目标机床是对上述待加工零件进行加工的工艺流程中需要使用的机床。
在一种应用场景中,可以预先建立加工特征、刀具、夹具和机床的对应关系表,根据对应关系表确定待加工零件需要选用的目标刀具、目标夹具和目标机床,如此,在进行加工工艺决策优化的过程中,不需要考虑所有的刀具、夹具和机床,只需要考虑其中的部分刀具、夹具和机床,有利于提高决策优化效率和效果。
权重设置模块530,用于为加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值。
具体的,本实施例中,进行加工工艺决策优化的目的是使得所需要消耗的能耗最少,而数控机床加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策都会对能耗产生影响。本实施例中,可以为机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值,以对优化过程进行调节,对于用户更为关注的部分(影响权重值更大的决策部分)进行更好的优化。
需要说明的是,机床决策、夹具决策、切削参数决策和进退刀决策对应的影响权重值可以相同(例如都设置成1或0.25),也可以不同,本实施例中以相同为例(都设置成1)进行说明,但不作为具体限定。
决策优化模块540,用于根据上述加工特征信息、上述目标刀具的集合、上述目标夹具的集合、上述目标机床的集合以及各上述影响权重值,建立以能耗最低为目标的工艺决策优化模型,通过预设的遗传优化算法对上述工艺决策优化模型进行优化求解,获得目标决策。
具体的,上述工艺决策优化模型中的决策变量包括为各工序选择的目标加工机床、为各上述工序选择的目标加工工具、为各上述工序选择的目标进刀方向、各上述工序的加工顺序和各上述工序的切削参数。其中,上述预设的遗传优化算法是第三代非支配遗传算法(NSGA3算法)。
具体的,本实施例中,上述数控机床加工工艺决策优化系统及其各模块的具体功能可以参照上述数控机床加工工艺决策优化方法中的对应描述,在此不再赘述。
需要说明的是,上述数控机床加工工艺决策优化系统的各个模块的划分方式并不唯一,在此也不作为具体限定。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图4所示。上述智能终端包括处理器及存储器。该智能终端的存储器包括数控机床加工工艺决策优化程序,存储器为数控机床加工工艺决策优化程序的运行提供环境。该数控机床加工工艺决策优化程序被处理器执行时实现上述任意一种数控机床加工工艺决策优化方法的步骤。需要说明的是,上述智能终端还可以包括其它功能模块或单元,在此不作具体限定。
本领域技术人员可以理解,图4中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体地智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有数控机床主轴误差预测与补偿程序,上述数控机床主轴误差预测与补偿程序被处理器执行时实现本发明实施例提供的任意一种数控机床加工工艺决策优化方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的系统/智能终端和方法,可以通过其它的方式实现。例如,以上所描述的系统/智能终端实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;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,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种数控机床加工工艺决策优化方法,其特征在于,所述数控机床加工工艺决策优化方法包括:
获取待加工零件对应的加工特征信息,其中,所述加工特征信息包括加工特征类型和加工区域;
根据所述加工特征信息获取目标刀具的集合、目标夹具的集合以及目标机床的集合;
为加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值;
根据所述加工特征信息、所述目标刀具的集合、所述目标夹具的集合、所述目标机床的集合以及各所述影响权重值,建立以能耗最低为目标的工艺决策优化模型,通过预设的遗传优化算法对所述工艺决策优化模型进行优化求解,获得目标决策;
其中,所述获取待加工零件对应的加工特征信息,包括:获取所述待加工零件的三维模型以及对应的描述语句;根据所述待加工零件的三维模型获取所述待加工零件对应的目标二维图像集合,其中,所述目标二维图像集合中包括从不同视角对所述待加工零件进行采集获得的多张目标二维图像;根据所述描述语句、所述目标二维图像以及预先训练好的加工特征识别模型对所述待加工零件进行加工特征识别,获得所述待加工零件对应的加工特征信息;
所述根据所述待加工零件的三维模型获取所述待加工零件对应的目标二维图像集合,包括:
获取所述三维模型的最小包围盒,将所述最小包围盒的各个顶点和各个包围面中心点分别作为目标视点,其中,一个所述包围面中心点是所述最小包围盒的一个包围面的中心点;
根据预设的区域分块大小对各所述包围面进行区域划分,获得多个包围面子区域,获取各所述包围面子区域对应的模型区域复杂度,根据所述模型区域复杂度和预设的复杂度范围获取各所述包围面子区域对应的视点数目,其中,一个所述包围面子区域对应的模型区域复杂度用于体现所述三维模型与该包围面子区域对应的一侧的模型表面起伏变化程度,一个所述包围面子区域对应的模型区域复杂度根据该包围面子区域对应的所有测量线段的长度值的方差获得;
根据各所述包围面子区域对应的视点数目分别在各所述包围面子区域均匀添加目标视点;
将各所述目标视点与目标中心点的连线方向作为各所述目标视点的视角方向,根据各所述目标视点采集获取所述目标二维图像,并标记各所述目标二维图像的视点和视角,其中,所述目标中心点是所述三维模型的中心点或所述最小包围盒的中心点。
2.根据权利要求1所述的数控机床加工工艺决策优化方法,其特征在于,所述包围面子区域是对所述包围面进行随机区域划分获得的,一个所述包围面子区域对应的模型区域复杂度通过以下步骤计算:
根据预设的测量点数目获取所述包围面子区域中的测量点,所述测量点均匀分布在所述包围面子区域中;
根据所述测量点获取测量线段,其中,所述测量线段的起点是所述测量点,所述测量线段的终点是所述三维模型表面的一个点,且各所述测量线段所在的直线垂直于所述包围面子区域;
计算所述包围面子区域对应的所有测量线段的长度值的方差并作为所述包围面子区域对应的模型区域复杂度。
3.根据权利要求1所述的数控机床加工工艺决策优化方法,其特征在于,所述工艺决策优化模型中的决策变量包括为各工序选择的目标加工机床、为各所述工序选择的目标加工工具、为各所述工序选择的目标进刀方向、各所述工序的加工顺序和各所述工序的切削参数。
4.根据权利要求3所述的数控机床加工工艺决策优化方法,其特征在于,所述预设的遗传优化算法是第三代非支配遗传算法。
5.根据权利要求4所述的数控机床加工工艺决策优化方法,其特征在于,所述工艺决策优化模型中的目标函数为能耗目标函数,所述能耗目标函数根据各所述工序的机床能耗、各所述工序的装夹过程能耗、各所述工序的切削加工能耗、各所述工序的刀具使用能耗以及对应的各所述影响权重值进行加权求和获得;
在所述优化求解的过程中,将所述目标函数的倒数作为适应度函数,通过所述第三代非支配遗传算法对所述决策变量进行优化,获得所述目标决策。
6.一种数控机床加工工艺决策优化系统,其特征在于,所述数控机床加工工艺决策优化系统包括:
加工特征信息获取模块,用于获取待加工零件对应的加工特征信息,其中,所述加工特征信息包括加工特征类型和加工区域;
目标集合获取模块,用于根据所述加工特征信息获取目标刀具的集合、目标夹具的集合以及目标机床的集合;
权重设置模块,用于为加工过程中的机床决策、夹具决策、切削参数决策和进退刀决策分别设置对应的影响权重值;
决策优化模块,用于根据所述加工特征信息、所述目标刀具的集合、所述目标夹具的集合、所述目标机床的集合以及各所述影响权重值,建立以能耗最低为目标的工艺决策优化模型,通过预设的遗传优化算法对所述工艺决策优化模型进行优化求解,获得目标决策;
其中,所述获取待加工零件对应的加工特征信息,包括:获取所述待加工零件的三维模型以及对应的描述语句;根据所述待加工零件的三维模型获取所述待加工零件对应的目标二维图像集合,其中,所述目标二维图像集合中包括从不同视角对所述待加工零件进行采集获得的多张目标二维图像;根据所述描述语句、所述目标二维图像以及预先训练好的加工特征识别模型对所述待加工零件进行加工特征识别,获得所述待加工零件对应的加工特征信息;
所述根据所述待加工零件的三维模型获取所述待加工零件对应的目标二维图像集合,包括:
获取所述三维模型的最小包围盒,将所述最小包围盒的各个顶点和各个包围面中心点分别作为目标视点,其中,一个所述包围面中心点是所述最小包围盒的一个包围面的中心点;
根据预设的区域分块大小对各所述包围面进行区域划分,获得多个包围面子区域,获取各所述包围面子区域对应的模型区域复杂度,根据所述模型区域复杂度和预设的复杂度范围获取各所述包围面子区域对应的视点数目,其中,一个所述包围面子区域对应的模型区域复杂度用于体现所述三维模型与该包围面子区域对应的一侧的模型表面起伏变化程度,一个所述包围面子区域对应的模型区域复杂度根据该包围面子区域对应的所有测量线段的长度值的方差获得;
根据各所述包围面子区域对应的视点数目分别在各所述包围面子区域均匀添加目标视点;
将各所述目标视点与目标中心点的连线方向作为各所述目标视点的视角方向,根据各所述目标视点采集获取所述目标二维图像,并标记各所述目标二维图像的视点和视角,其中,所述目标中心点是所述三维模型的中心点或所述最小包围盒的中心点。
7.一种智能终端,其特征在于,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的数控机床加工工艺决策优化程序,所述数控机床加工工艺决策优化程序被所述处理器执行时实现如权利要求1-5任意一项所述数控机床加工工艺决策优化方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有数控机床加工工艺决策优化程序,所述数控机床加工工艺决策优化程序被处理器执行时实现如权利要求1-5任意一项所述数控机床加工工艺决策优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210573335.7A CN114660994B (zh) | 2022-05-25 | 2022-05-25 | 一种数控机床加工工艺决策优化方法、系统及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210573335.7A CN114660994B (zh) | 2022-05-25 | 2022-05-25 | 一种数控机床加工工艺决策优化方法、系统及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114660994A CN114660994A (zh) | 2022-06-24 |
CN114660994B true CN114660994B (zh) | 2022-08-23 |
Family
ID=82038383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210573335.7A Active CN114660994B (zh) | 2022-05-25 | 2022-05-25 | 一种数控机床加工工艺决策优化方法、系统及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114660994B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114924531B (zh) * | 2022-07-08 | 2023-05-09 | 深圳市玄羽科技有限公司 | 一种基于IoT的智能制造系统及其控制方法 |
CN115816158B (zh) * | 2023-02-16 | 2023-04-25 | 成都大金航太科技股份有限公司 | 任意角转接加工控制系统及复杂零件非标角转接加工方法 |
CN116088419B (zh) * | 2023-03-22 | 2023-06-30 | 中科航迈数控软件(深圳)有限公司 | 基于参数优化的数控机床加工控制方法、系统及相关设备 |
CN116068962B (zh) * | 2023-03-24 | 2023-06-13 | 中科航迈数控软件(深圳)有限公司 | 一种基于数控机床的工艺路线规划方法及相关设备 |
CN116500975B (zh) * | 2023-06-26 | 2023-09-15 | 中科航迈数控软件(深圳)有限公司 | 数控系统工艺调控方法、装置、数控机床和可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278457B1 (en) * | 1998-01-15 | 2001-08-21 | International Business Machines Corporation | Methods and apparatus for performing sampling based synthesis of three-dimensional geometric models |
US6912293B1 (en) * | 1998-06-26 | 2005-06-28 | Carl P. Korobkin | Photogrammetry engine for model construction |
CN103235556A (zh) * | 2013-03-27 | 2013-08-07 | 南京航空航天大学 | 基于特征的复杂零件数控加工制造方法 |
CN107193258A (zh) * | 2017-06-22 | 2017-09-22 | 重庆大学 | 面向能耗的数控加工工艺路线与切削参数优化模型与方法 |
CN107393000A (zh) * | 2017-08-24 | 2017-11-24 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、服务器及计算机可读存储介质 |
CN108596329A (zh) * | 2018-05-11 | 2018-09-28 | 北方民族大学 | 基于端到端深度集成学习网络的三维模型分类方法 |
CN109240202A (zh) * | 2018-11-21 | 2019-01-18 | 西安交通大学 | 一种面向低碳的铣削加工刀具路径优化方法 |
CN111522297A (zh) * | 2020-05-09 | 2020-08-11 | 湖南工学院 | 基于能耗优化的数控加工控制方法、装置及电子设备 |
CN111650890A (zh) * | 2020-06-19 | 2020-09-11 | 重庆大学 | 考虑刀具磨损的数控车削批量加工工艺参数节能优化方法 |
CN111857069A (zh) * | 2020-07-09 | 2020-10-30 | 深圳先进技术研究院 | 数控加工和检测的管控系统、方法及数控加工和检测系统 |
CN114067231A (zh) * | 2022-01-14 | 2022-02-18 | 成都飞机工业(集团)有限责任公司 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7525541B2 (en) * | 2004-04-05 | 2009-04-28 | Actuality Systems, Inc. | Data processing for three-dimensional displays |
US7936352B2 (en) * | 2004-07-21 | 2011-05-03 | Dassault Systemes Solidworks Corporation | Deformation of a computer-generated model |
US10417807B2 (en) * | 2017-07-13 | 2019-09-17 | Imagination Technologies Limited | Hybrid hierarchy of bounding and grid structures for ray tracing |
CN107972034B (zh) * | 2017-12-31 | 2020-12-15 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于ros平台的复杂工件轨迹规划仿真系统 |
CN111462330B (zh) * | 2020-03-30 | 2021-09-07 | 成都飞机工业(集团)有限责任公司 | 一种基于平面法向投影的测量视点规划方法 |
CN112017294B (zh) * | 2020-08-21 | 2023-10-27 | 武汉天喻软件股份有限公司 | 基于可见性判断的三维cad网格模型简化方法和系统 |
-
2022
- 2022-05-25 CN CN202210573335.7A patent/CN114660994B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278457B1 (en) * | 1998-01-15 | 2001-08-21 | International Business Machines Corporation | Methods and apparatus for performing sampling based synthesis of three-dimensional geometric models |
US6912293B1 (en) * | 1998-06-26 | 2005-06-28 | Carl P. Korobkin | Photogrammetry engine for model construction |
CN103235556A (zh) * | 2013-03-27 | 2013-08-07 | 南京航空航天大学 | 基于特征的复杂零件数控加工制造方法 |
CN107193258A (zh) * | 2017-06-22 | 2017-09-22 | 重庆大学 | 面向能耗的数控加工工艺路线与切削参数优化模型与方法 |
CN107393000A (zh) * | 2017-08-24 | 2017-11-24 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、服务器及计算机可读存储介质 |
CN108596329A (zh) * | 2018-05-11 | 2018-09-28 | 北方民族大学 | 基于端到端深度集成学习网络的三维模型分类方法 |
CN109240202A (zh) * | 2018-11-21 | 2019-01-18 | 西安交通大学 | 一种面向低碳的铣削加工刀具路径优化方法 |
CN111522297A (zh) * | 2020-05-09 | 2020-08-11 | 湖南工学院 | 基于能耗优化的数控加工控制方法、装置及电子设备 |
CN111650890A (zh) * | 2020-06-19 | 2020-09-11 | 重庆大学 | 考虑刀具磨损的数控车削批量加工工艺参数节能优化方法 |
CN111857069A (zh) * | 2020-07-09 | 2020-10-30 | 深圳先进技术研究院 | 数控加工和检测的管控系统、方法及数控加工和检测系统 |
CN114067231A (zh) * | 2022-01-14 | 2022-02-18 | 成都飞机工业(集团)有限责任公司 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
Non-Patent Citations (5)
Title |
---|
3D Face Reconstruction from Front and Profile Images for Low Computational Devices;Sankarshan Dasgupta等;《2021 International Conference on Computational Science and Computational Intelligence (CSCI)》;20211231;全文 * |
三维模型特征提取与检索;柳伟;《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》;20080615;全文 * |
基于Zernike矩的三维目标多视点特性视图建模;彭辉等;《红外与激光工程》;20050625(第03期);全文 * |
基于区域分割的三角网格模型相似性比较;马元魁等;《计算机工程与应用》;20120621(第18期);全文 * |
面向大规模体数据集的复杂几何曲面抽取方法;吴付坤 等;《计算机辅助设计与图形学学报》;20191115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114660994A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114660994B (zh) | 一种数控机床加工工艺决策优化方法、系统及相关设备 | |
Wang et al. | Multi-objective optimization of machining parameters considering energy consumption | |
Xu et al. | Optimal orientation with variable slicing in stereolithography | |
US4837703A (en) | Method for generating tool path | |
CN101893873B (zh) | 产生用于控制机床上的刀具的控制数据的方法和装置 | |
CN110794768B (zh) | 基于实时数据和step-nc数据推测数控加工状态的方法和装置 | |
CN115167279B (zh) | 针对数控机床的能耗预测方法、系统及相关设备 | |
Van Tuong et al. | A practical approach for partitioning free-form surfaces | |
Wang et al. | Predictive modeling of surface roughness in lenses precision turning using regression and support vector machines | |
CN115793571B (zh) | 基于多模态数据的加工设备控制方法、系统及相关设备 | |
Suh et al. | Neural network modeling for tool path planning of the rough cut in complex pocket milling | |
CN114694139B (zh) | 一种数控机床复杂结构件加工特征识别方法及系统 | |
CN114675599B (zh) | 一种数控机床的加工特征排序方法及系统 | |
Jabri et al. | Multipass turning operation process optimization using hybrid genetic simulated annealing algorithm | |
JP3913352B2 (ja) | 加工工程の決定方法 | |
Fountas et al. | Development of a software-automated intelligent sculptured surface machining optimization environment | |
Krimpenis et al. | Assessment of sculptured surface milling strategies using design of experiments | |
Si et al. | A solid-discrete-based method for extracting the cutter-workpiece engagement in five-axis flank milling | |
Krimpenis et al. | Rough milling optimisation for parts with sculptured surfaces using genetic algorithms in a Stackelberg game | |
CN109507970B (zh) | 基于粒子群算法的生产调度方法和装置 | |
Van Houten et al. | Strategy in generative planning of turning processes | |
Ong et al. | Fuzzy-set-based approach for concurrent constraint set-up planning | |
Hao et al. | A novel process planning algorithm for additive and subtractive manufacturing based on skeleton tree matching | |
CN114970005A (zh) | 超声研磨机轴承夹具动块设计方法、装置及存储介质 | |
CN113204213B (zh) | 基于stl模型的刀轨生成方法、智能终端以及存储装置 |
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 |