CN114706348A - 一种基于机器学习的数控自动编程方法及系统 - Google Patents

一种基于机器学习的数控自动编程方法及系统 Download PDF

Info

Publication number
CN114706348A
CN114706348A CN202210339360.9A CN202210339360A CN114706348A CN 114706348 A CN114706348 A CN 114706348A CN 202210339360 A CN202210339360 A CN 202210339360A CN 114706348 A CN114706348 A CN 114706348A
Authority
CN
China
Prior art keywords
machining
data
machine
data acquisition
machine tool
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.)
Pending
Application number
CN202210339360.9A
Other languages
English (en)
Inventor
陶建华
马尧
邝超鹏
胡彬
陈原野
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN202210339360.9A priority Critical patent/CN114706348A/zh
Publication of CN114706348A publication Critical patent/CN114706348A/zh
Pending legal-status Critical Current

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
    • G05B19/4097—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 using design data to control NC machines, e.g. CAD/CAM
    • 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
    • G05B2219/32153—Exchange data between user, cad, caq, nc, capp

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Numerical Control (AREA)

Abstract

本发明涉及数控机器技术领域，公开了一种基于机器学习的数控自动编程方法及系统，该系统包括主轴加速度传感器、机台加速度传感器、X轴电流传感器、Y轴电流传感器和Z轴电流传感器发射端信号连接有数据采集卡接收端，所述数据采集卡发射端信号连接有LabVIEW数据采集接收端。该基于机器学习的数控自动编程方法和系统，采用机器学习技术将机床状态信息和加工编程结合在一起，建立工艺策略模型，自动生成加工参数和加工刀路，最终生成数控机床所使用的NC文件，该方法可以积累工艺编程师多年的经验，能解决行业现状人才短缺的燃眉之急，也能促进整个模具制造业转型升级，提高加工质量，以更高的效率生产更好的产品。

Description

一种基于机器学习的数控自动编程方法及系统
技术领域
本发明涉及数控机器技术领域，具体为一种基于机器学习的数控自动编程方法及系统。
背景技术
制造工业是国民经济的重要基础，对国民经济的发展有决定性的影响，其先进程度是一个国家经济发展的重要标志。当今企业大多是以高质量、低成本、短周期为宗旨而参与市场的竞争，模具制造企业为了保持自身的市场竞争力，任务需求的增加，产品研制与批产周期的缩短，对工艺反应速度、工艺设计周期、工艺设计可靠性提出了更高的要求。
模具可以看作加工一块表面非常复杂的零件，相当于在一个面上加工高低不平的几十个零部件，相互刀路容易干涉，而且加工参数变化复杂，若是简单模具加工只需要固定标准的刀具转速、刀具进给和切削深度便可。但在模型复杂的时候，则要依据粗加工、半精加工、精加工为大类的数十种切削刀路，参考模型三维结构特征，所使用机床目前的状态情况综合判断下决定，才能编写出理想精度和效果的加工刀路。
由于数控软件CAD/CAM这部分都是面向制造全行业通用的技术工具，面对模具制造行业这种模型结构复杂，加工工序种类繁多较为特殊的加工领域，用户操作的繁琐，使用时要进行大量的参数设置，有些工作甚至是多次重复的工作，导致编程产效率低下，而且不便统一加工工艺，传统的手工编程需要人为干预的参数设置非常多，因人而异，导致企业工艺难以统一。
机床状态监测技术已相对完善，如中国专利申请号CN201911053216.3公开的一种通过对主轴振动频谱、主轴温升热变形及主轴载荷的实时监测分析，在加工中能够实时掌握机床主轴的工作状态；何佳龙等(申请号CN202110874707.5)公开的一种数控机床加工状态监测装置，包括变位夹持模块，限位转动监测模块，提升监测的范围，扩大监测的数量和种类，提升监测的质量和效率。但以上均只单一的进行机床状态监测，没有结合数控编程综合考虑，无法保证加工质量。
综上所述，现有技术还存在下列问题：
(1)模具结构复杂，加工工序种类繁多，用户操作的繁琐，使用时要进行大量的参数设置，有些工作甚至是多次重复，导致编程产效率低下；
(2)在数控编程时未根据企业实际加工资源的可用性及机床状态进行编程，加工质量不达标。
发明内容
本发明的目的在于提供一种基于机器学习的数控自动编程方法和系统，通过对编程方法与系统组成的结合改进，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于机器学习的数控自动编程方法，包括以下步骤：
S1、
数据采集分三大环节，环节一是对历史工程项目进行刀路信息和图形信息采集，环节二是加工过程中机床状态数据采集，环节三是加工后对工件质量QC评级的数据记录，所述历史工程项目分为工程项目详细信息和加工三维模型。
S2、
对历史工程项目进行刀路信息和图形信息采集，其中，刀路信息包括刀路对应的刀具、进给速度、切削深度、主轴转速、加工策略等，图形信息包括加工三维模型所有表面信息和各类加工特征，并对应上传到刀路信息数据库和图形信息数据库。
S3、
在数控机床上安装主轴加速度传感器和机台加速度传感器，以及在X、Y、Z三轴安装电流传感器，通过小波变换和EMD等方式对数据进行采集，上传到LabVIEW中并调用MATLAB接口，对采集得到的数据进行信号去噪和检查突变点，完成后返回到LabVIEW数据保存，并上传到机床状态特征数据库，CNC工业控制器通过CNC数据采集器读取加工NC程序名、加工时间、主轴转速等，并上传到机床状态特征数据库。
S4、
加工后现场记录加工NC程序名、NC加工时间、NC加工项目名称，并进行专家QC质量评判，将质量评级和现场加工记录清单上传到加工质量数据库。
S5、
利用图形信息数据库、刀路信息数据库、机床状态特征数据库、加工质量数据库，首先将待加工模型导入系统中，自动识别各类加工特征，模型训练得到各类粗加工、半精加工、精加工模型，模型识别出粗加工、半精加工、精加工特征，输出各类加工特征的推荐参数，输入到CAM软件中，自动生成相应的加工参数、加工策略等，输出NC文件。
优选的，所述步骤S3中加工一个标准件时，获得标准的加工工艺参数和机床振动参数，当加工相同特征所使用的机床、刀具等一致时，机床振动参数应在一定范围内，当超过范围时，应提示警告或实时改变主轴转速等方式进行加工。
一种实施上述方法的基于机器学习的数控自动编程系统，其包括主轴加速度传感器、机台加速度传感器、X轴电流传感器、Y轴电流传感器和Z轴电流传感器发射端信号连接有数据采集卡接收端，所述数据采集卡发射端信号连接有LabVIEW数据采集接收端，所述LabVIEW数据采集发射端信号连接有边缘计算服务器接收端，所述边缘计算服务器发射端信号连接有机床状态特征数据库接收端。
优选的，所述边缘计算服务器接收端信号连接有CNC数据采集器发射端，所述CNC数据采集器接受端信号连接有CNC工业控制器发射端。
与现有技术相比，本发明提供的基于机器学习的数控自动编程方法及系统，具备以下有益效果：
该基于机器学习的数控自动编程方法和系统，通过对编程方法和系统组成的结合改进，采用机器学习技术将机床状态信息和加工编程结合在一起，建立工艺策略模型，自动生成加工参数和加工刀路，最终生成数控机床所使用的NC文件，该方法可以积累工艺编程师多年的经验，能解决行业现状人才短缺的燃眉之急，也能促进整个模具制造业转型升级，提高加工质量，以更高的效率生产更好的产品。
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他的附图：
图1为本发明实施例中历史工程项目数据采集流程与系统结构示意图；
图2为本发明实施例中机床状态数据采集流程与系统结构示意图；
图3为本发明实施例中QC质量数据采集流程与系统结构示意图；
图4为本发明实施例中数控自动编程流程与系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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他实施例，都属于本发明保护的范围。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；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发明中的具体含义。
请参阅图1-4，本发明提供的基于机器学习的数控自动编程方法，包括以下步骤：
S1、
数据采集分三大环节，环节一是对历史工程项目进行刀路信息和图形信息采集，环节二是加工过程中机床状态数据采集，环节三是加工后对工件质量QC评级的数据记录，历史工程项目分为工程项目详细信息和加工三维模型。
S2、
对历史工程项目进行刀路信息和图形信息采集，其中，刀路信息包括刀路对应的刀具、进给速度、切削深度、主轴转速、加工策略等，图形信息包括加工三维模型所有表面信息和各类加工特征，并对应上传到刀路信息数据库和图形信息数据库。
S3、
在数控机床上安装主轴加速度传感器和机台加速度传感器，以及在X、Y、Z三轴安装电流传感器，通过小波变换和EMD等方式对数据进行采集，上传到LabVIEW中并调用MATLAB接口，对采集得到的数据进行信号去噪和检查突变点，完成后返回到LabVIEW数据保存，并上传到机床状态特征数据库，CNC工业控制器通过CNC数据采集器读取加工NC程序名、加工时间、主轴转速等，并上传到机床状态特征数据库。
S4、
加工后现场记录加工NC程序名、NC加工时间、NC加工项目名称，并进行专家QC质量评判，将质量评级和现场加工记录清单上传到加工质量数据库。
S5、
利用图形信息数据库、刀路信息数据库、机床状态特征数据库、加工质量数据库，首先将待加工模型导入系统中，自动识别各类加工特征，模型训练得到各类粗加工、半精加工、精加工模型，模型识别出粗加工、半精加工、精加工特征，输出各类加工特征的推荐参数，输入到CAM软件中，自动生成相应的加工参数、加工策略等，输出NC文件。
步骤S3中加工一个标准件时，获得标准的加工工艺参数和机床振动参数，当加工相同特征所使用的机床、刀具等一致时，机床振动参数应在一定范围内，当超过范围时，应提示警告或实时改变主轴转速等方式进行加工，主轴加速度传感器、机台加速度传感器、X轴电流传感器、Y轴电流传感器和Z轴电流传感器发射端信号连接有数据采集卡接收端，数据采集卡发射端信号连接有LabVIEW数据采集接收端，LabVIEW数据采集发射端信号连接有边缘计算服务器接收端，边缘计算服务器发射端信号连接有机床状态特征数据库接收端。
一种实施上述方法的基于机器学习的数控自动编程系统，其包括主轴加速度传感器、机台加速度传感器、X轴电流传感器、Y轴电流传感器和Z轴电流传感器发射端信号连接有数据采集卡接收端，数据采集卡发射端信号连接有LabVIEW数据采集接收端，LabVIEW数据采集发射端信号连接有边缘计算服务器接收端，边缘计算服务器发射端信号连接有机床状态特征数据库接收端，边缘计算服务器接收端信号连接有CNC数据采集器发射端，CNC数据采集器接受端信号连接有CNC工业控制器发射端，采用机器学习技术将机床状态信息和加工编程结合在一起，建立工艺策略模型，自动生成加工参数和加工刀路，最终生成数控机床所使用的NC文件，该方法可以积累工艺编程师多年的经验，能解决行业现状人才短缺的燃眉之急，也能促进整个模具制造业转型升级，提高加工质量，以更高的效率生产更好的产品。
在实际操作过程中，当此装置使用时，加工前打开自动化编程工具对已编程的模具项目文件，用自动化编程工具读取其图形信息和刀路信息，并自动生成数据文件保存，加工中用加速度传感器和电流传感器收集机床的状态信息信号，经过信号处理后自动生成数据文件保存，加工后质量评估人员进行产品评级，并将通过自动化编程工具整理成数据文件保存，用自动编程系统调用相关数据文件，进行模型识别并在CAM软件中实现自动编程操作。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种基于机器学习的数控自动编程方法，其特征在于，包括以下步骤：
S1、
数据采集分三大环节，环节一是对历史工程项目进行刀路信息和图形信息采集，环节二是加工过程中机床状态数据采集，环节三是加工后对工件质量QC评级的数据记录，所述历史工程项目分为工程项目详细信息和加工三维模型；
S2、
对历史工程项目进行刀路信息和图形信息采集，其中，刀路信息包括刀路对应的刀具、进给速度、切削深度、主轴转速、加工策略等，图形信息包括加工三维模型所有表面信息和各类加工特征，并对应上传到刀路信息数据库和图形信息数据库；
S3、
在数控机床上安装主轴加速度传感器和机台加速度传感器，以及在X、Y、Z三轴安装电流传感器，通过小波变换和EMD等方式对数据进行采集，上传到LabVIEW中并调用MATLAB接口，对采集得到的数据进行信号去噪和检查突变点，完成后返回到LabVIEW数据保存，并上传到机床状态特征数据库，CNC工业控制器通过CNC数据采集器读取加工NC程序名、加工时间、主轴转速等，并上传到机床状态特征数据库；
S4、
加工后现场记录加工NC程序名、NC加工时间、NC加工项目名称，并进行专家QC质量评判，将质量评级和现场加工记录清单上传到加工质量数据库；
S5、
利用图形信息数据库、刀路信息数据库、机床状态特征数据库、加工质量数据库，首先将待加工模型导入系统中，自动识别各类加工特征，模型训练得到各类粗加工、半精加工、精加工模型，模型识别出粗加工、半精加工、精加工特征，输出各类加工特征的推荐参数，输入到CAM软件中，自动生成相应的加工参数、加工策略等，输出NC文件。
2.根据权利要求1所述的基于机器学习的数控自动编程方法，其特征在于：所述步骤S3中加工一个标准件时，获得标准的加工工艺参数和机床振动参数，当加工相同特征所使用的机床、刀具等一致时，机床振动参数应在一定范围内，当超过范围时，应提示警告或实时改变主轴转速等方式进行加工。
3.一种实施权利要求1或2所述方法的基于机器学习的数控自动编程系统，其特征在于：其包括主轴加速度传感器、机台加速度传感器、X轴电流传感器、Y轴电流传感器和Z轴电流传感器发射端信号连接有数据采集卡接收端，所述数据采集卡发射端信号连接有LabVIEW数据采集接收端，所述LabVIEW数据采集发射端信号连接有边缘计算服务器接收端，所述边缘计算服务器发射端信号连接有机床状态特征数据库接收端。
4.根据权利要求3所述的基于机器学习的数控自动编程系统，其特征在于：所述边缘计算服务器接收端信号连接有CNC数据采集器发射端，所述CNC数据采集器接受端信号连接有CNC工业控制器发射端。
CN202210339360.9A 2022-04-01 2022-04-01 一种基于机器学习的数控自动编程方法及系统 Pending CN114706348A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210339360.9A CN114706348A (zh) 2022-04-01 2022-04-01 一种基于机器学习的数控自动编程方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210339360.9A CN114706348A (zh) 2022-04-01 2022-04-01 一种基于机器学习的数控自动编程方法及系统

Publications (1)

Publication Number Publication Date
CN114706348A true CN114706348A (zh) 2022-07-05

Family

ID=82172502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210339360.9A Pending CN114706348A (zh) 2022-04-01 2022-04-01 一种基于机器学习的数控自动编程方法及系统

Country Status (1)

Country Link
CN (1) CN114706348A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116149258A (zh) * 2023-03-24 2023-05-23 中科航迈数控软件(深圳)有限公司 基于多模态信息的数控机床代码生成方法及相关设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116149258A (zh) * 2023-03-24 2023-05-23 中科航迈数控软件(深圳)有限公司 基于多模态信息的数控机床代码生成方法及相关设备

Similar Documents

Publication Publication Date Title
US6671571B1 (en) Method for NC- programming and system for NC- machining
CN114237155B (zh) 一种多轴数控加工的误差预测及补偿方法、系统及介质
CN105607579B (zh) 一种机床加工智能节能控制方法及系统
CN111222771B (zh) 一种多品种复杂锻件智能生产线管控与集成系统及方法
CN106886197B (zh) 控制机器实施加工的方法及其装置和应用
CN102221825B (zh) 一种模具制造的数控加工方法及控制系统
CN114706348A (zh) 一种基于机器学习的数控自动编程方法及系统
CN111300148A (zh) 一种电流信号监测刀具磨损的方法
CN111176249B (zh) 一种多工位冲压成形与成形模智能制造方法
CN115755758A (zh) 基于神经网络模型的机床加工控制方法
Ali et al. Development of a STEP-compliant inspection framework for discrete components
Kang et al. An integrated energy data analytics approach for machine tools
CN102081373B (zh) 一种用于轧辊磨床的数控系统及其控制方法
CN106886195B (zh) 机加工控制方法及其装置和应用
Kuric et al. Computer aided process planning in machinery industry
CN113609617A (zh) 一种通过型材三维模型的数字化转化及加工方法
TW201721317A (zh) Cnc工具機對話式控制器的切削路徑生成方法
Oduola et al. A comparative study of product development process using computer numerical control and rapid prototyping methods
Tolouei-Rad An intelligent approach to high quantity automated machining
CN111598364B (zh) 用于机械零部件的数字化工艺编排系统
CN116861571A (zh) 一种金属模具制造加工岛的加工工序选择方法
CN106886196A (zh) 与数控系统直接通讯的计算机辅助制造方法及装置和系统
Kruuser et al. Implementation of a knowledge-based manufacturing on the example of Sumar Tools OÜ
CN112241149B (zh) 用于数控加工异形车花的加工控制方法
CN208044951U (zh) 物联网沙盘演示装置

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