CN115237054A - 一种主轴驱动电机控制方法、装置、终端及存储介质 - Google Patents
一种主轴驱动电机控制方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN115237054A CN115237054A CN202211147574.2A CN202211147574A CN115237054A CN 115237054 A CN115237054 A CN 115237054A CN 202211147574 A CN202211147574 A CN 202211147574A CN 115237054 A CN115237054 A CN 115237054A
- Authority
- CN
- China
- Prior art keywords
- processing
- data
- task
- process data
- machining
- 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.)
- Granted
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
- G05B19/19—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 positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/10—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors for preventing overspeed or under speed
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/20—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors for controlling one motor used for different sequential operations
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31265—Control process by combining history and real time data
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种主轴驱动电机控制方法、装置、终端及存储介质，方法包括：获取历史加工数据，所述历史加工数据包括预设时段内的各个目标加工任务对应的实际加工过程数据和工件加工质量数据，其中，所述预设时段为待加工任务加工前预设时长的时段；获取待加工任务对应的理论加工过程数据，将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据；根据所述修正加工过程数据控制主轴驱动电机以执行所述待加工任务；其中，加工过程数据包括主轴驱动电机控制转速和设定走刀量。本发明可以防止主轴转速和加工要求转速不符，提升加工质量。
Description
技术领域
本发明涉及数据加工技术领域，特别涉及一种主轴驱动电机控制方法、装置、终端及存储介质。
背景技术
主轴驱动电机是数控机床的重要部件，通过主轴驱动电机带动主轴旋转实现工件或刀具的快速旋转，达到切削的目的，而主轴转速值决定加工时的切削速度，与加工质量息息相关。
在数控机床的使用中，是向机床输入加工质量要求的设定转速，机床基于该设定转速控制主轴驱动电机旋转，带动主轴旋转达到该设定转速，但是在实际生产中，随着数控机床的使用时长的增长，会出现主轴实际转速和设定转速不一致，即，主轴实际转速和加工要求转速不一致的情况，导致加工质量与预期不符。
因此，现有技术还有待改进和提高。
发明内容
针对现有技术的上述缺陷，本发明提供一种主轴驱动电机控制方法、装置、终端及存储介质，旨在解决现有技术中数控机床使用时长增长后出现主轴实际转速和加工要求转速不一致的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
本发明的第一方面，提供一种主轴驱动电机控制方法，所述方法包括：
获取历史加工数据，所述历史加工数据包括预设时段内的各个目标加工任务对应的实际加工过程数据和工件加工质量数据，其中，所述预设时段为待加工任务加工前预设时长的时段；
获取待加工任务对应的理论加工过程数据，将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据；
根据所述修正加工过程数据控制主轴驱动电机以执行所述待加工任务；
其中，加工过程数据包括主轴驱动电机控制转速和设定走刀量。
所述的主轴驱动电机控制方法，其中，所述神经网络模型包括波动检测模块和修正模块；将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据，包括：
将所述历史加工数据输入至所述波动检测模块，获取所述波动检测模块输出的波动特征；
将所述波动特征和所述待加工任务对应的理论加工过程数据输入至所述修正模块，获取所述修正模块输出的所述修正加工过程数据。
所述的主轴驱动电机控制方法，其中，加工任务对应的加工过程数据还包括加工图纸；所述波动检测模块中包括第一特征提取层、第二特征提取层和时序处理层；所述将所述历史加工数据输入至所述波动检测模块，获取所述波动检测模块输出的波动特征，包括：
将所述历史加工数据中的各个目标加工任务对应的加工图纸分别输入至所述第一特征提取层，获取所述第一特征提取层输出的所述各个目标加工任务分别对应的第一特征；
将所述历史加工数据中的各个目标加工任务对应的实际加工过程数据分别输入至所述第二特征提取层，获取所述第二特征提取层输出的所述各个目标加工任务分别对应的第二特征；
将所述各个目标加工任务分别对应的所述第一特征、所述第二特征和工件加工质量数据输入至所述时序处理层，获取所述时序处理层输出的所述波动特征。
所述的主轴驱动电机控制方法，其中，所述时序处理层为LSTM网络。
所述的主轴驱动电机控制方法，其中，所述神经网络模型基于多组训练数据训练得到，每组训练数据包括样本历史加工数据和样本待加工任务对应的理论加工过程数据和工件加工质量数据；所述神经网络模型的训练过程为：
在所述多组训练数据中确定目标训练数据，将所述目标训练数据中的目标样本历史加工数据和所述目标训练数据中的目标样本待加工任务对应的理论加工过程数据输入至所述神经网络模型，获取所述神经网络模型输出的样本修正加工过程数据；
根据所述样本修正加工过程数据和所述目标样本待加工任务对应的加工图纸输入至加工质量预测模块，获取所述加工质量预测模块输出的第一工件加工质量预测数据；
将所述目标样本待加工任务对应的实际加工过程数据和加工图纸输入至所述加工质量预测模块，获取所述加工质量预测模块输出的第二工件加工质量预测数据；
基于所述第一工件加工质量预测数据、所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取训练损失；
根据所述训练损失更新所述神经网络模型和所述加工质量预测模块的参数；
重新执行所述在所述多组训练数据中确定目标训练数据的步骤，直至所述神经网络模型和所述加工质量预测模块的参数收敛。
所述的主轴驱动电机控制方法，其中，所述基于所述第一工件加工质量预测数据、所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取训练损失，包括：
根据所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取第一损失；
根据所述第一工件加工质量预测数据获取第二损失；
对所述第一损失和所述第二损失进行加权求和，得到所述训练损失。
所述的主轴驱动电机控制方法，其中，所述获取待加工任务对应的理论加工过程数据，包括：
读取所述待加工任务的加工图纸中的精度要求；
根据所述精度要求获取所述待加工任务对应的理论加工过程数据。
本发明的第二方面，提供一种主轴驱动电机控制装置，包括：
历史数据获取模块，用于获取历史加工数据，所述历史加工数据包括预设时段内的各个目标加工任务对应的实际加工过程数据和工件加工质量数据，其中，所述预设时段为待加工任务加工前预设时长的时段；
修正模块，用于获取待加工任务对应的理论加工过程数据，将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据；
控制模块，用于根据所述修正加工过程数据控制主动驱动电机以执行所述待加工任务；
其中，加工过程数据包括主轴驱动电机控制转速和走刀量。
本发明的第三方面，提供一种终端，所述终端包括处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适于存储多条指令，所述处理器适于调用所述计算机可读存储介质中的指令，以执行实现上述任一项所述的一种主轴驱动电机控制方法的步骤。
本发明的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的一种主轴驱动电机控制方法的步骤。
与现有技术相比，本发明提供了一种主轴驱动电机控制方法，所述的主轴驱动电机控制方法，获取包括待加工任务加工前预设时长的时段内各个目标加工任务对应的实际加工过程数据和工件加工质量数据的历史加工数据，将历史加工数据输入至神经网络模型中，利用神经网络模型预测需要历史加工数据对应的主轴转动误差，结合待加工任务对应的理论加工过程数据输出修正加工过程数据，基于修正加工过程数据控制主轴驱动电机，可以实现对不同工况下的主轴转动的波动的预测，并进行修正，防止主轴转速和加工要求转速不符，提升加工质量。
附图说明
图1为本发明提供的一种主轴驱动电机控制方法的实施例的流程图；
图2为本发明提供的一种主轴驱动电机控制装置的实施例的结构原理图；
图3为本发明提供的终端的实施例的原理示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供的一种主轴驱动电机控制方法，可以应用于具有计算能力的终端中，终端可以但不限于是各种计算机、服务器、移动设备等。
实施例一
如图1所示，一种主轴驱动电机控制方法的一个实施例中，包括步骤：
S100、获取历史加工数据，所述历史加工数据包括预设时段内的各个目标加工任务对应的实际加工过程数据和工件加工质量数据，其中，所述预设时段为待加工任务加工前预设时长的时段。
在机械加工中，切削速度和走刀量二者对加工质量均有影响，切削速度和主轴转速直接相关，一般来说，精度要求比较低的粗加工，采用低切削速度（低主轴转速）和大走刀量，精度要求高的精加工，采用高切削速度和小走刀量。
在本实施例中，加工过程数据包括主轴驱动电机控制转速和设定走刀量，值得说明的是，这些都是输入值，并不是实际发生的主轴驱动电机转速和走到量，也就是说，所述历史加工任务对应的实际加工过程数据包括加工时输入至机床的主轴驱动电机控制转速和设定走刀量，由于受到外部因素（例如部件消耗、工件大小材质等）的影响而加工过程中实际发生的主轴驱动电机控制转速和走刀量可能与主轴驱动电机控制转速和设定走刀量并不一致，这就会导致工件加工质量与预期不符。
本实施例中，采用神经网络模型基于历史加工数据来预测主轴驱动电机的实际转速和输入的控制转速之间的差异，从而对加工过程数据进行修正。具体还包括步骤：
S200、获取待加工任务对应的理论加工过程数据，将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据。
具体地，所述神经网络模型包括波动检测模块和修正模块，所述将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据，包括：
将所述历史加工数据输入至所述波动检测模块，获取所述波动检测模块输出的波动特征；
将所述波动特征和所述待加工任务对应的理论加工过程数据输入至所述修正模块，获取所述修正模块输出的所述修正加工过程数据。
由于加工工件的形状、材质对主轴驱动电机的零部件波动会产生不同的影响，为了更准确地学习到不同工况下主轴驱动电机的控制转速和实际转速之间的区别，在本实施例中，设置加工任务对应的加工过程数据还包括加工图纸；所述波动检测模块中包括第一特征提取层、第二特征提取层和时序处理层；所述将所述历史加工数据输入至所述波动检测模块，获取所述波动检测模块输出的波动特征，包括：
将所述历史加工数据中的各个目标加工任务对应的加工图纸分别输入至所述第一特征提取层，获取所述特征提取层输出的所述各个目标加工任务分别对应的第一特征；
将所述历史加工数据中的各个目标加工任务对应的实际加工过程数据分别输入至所述第二特征提取层，获取所述第二特征提取层输出的所述各个目标加工任务分别对应的第二特征；
将所述各个目标加工任务分别对应的所述第一特征、所述第二特征和工件加工质量数据输入至所述时序处理层，获取所述时序处理层输出的所述波动特征。
所述第一特征提取层用于提取加工图纸中与主轴驱动电机波动相关的特征，所述第一特征提取层中可以包括文本提取层和图像提取层，所述文本提取层用于提取加工图纸的文本中的材质部分，图像提取层用于提取加工图纸中包括视图的图像部分，之后基于文本提取层和图像提取层的提取结果进一步提取特征得到所述第一特征。
所述第二特征提取层用于提取目标加工任务对应的实际加工过程数据的特征，具体地，将实际加工工程数据按照预设格式进行组合后输入所述所述第二特征提取层提取得到所述第二特征。
所述第一特征提取层和所述第二特征提取层用于提取特征的模型结构可以采用现有的特征提取模型的结构，例如采用卷积网络、残差网络等。
所述目标时段内的各个目标加工任务之间存在时序关系，为了更准确地获取存在时序关系的各个目标加工任务对主轴驱动电机的影响，在本实施例中，所述时序处理层为LSTM网络，LSTM（Long Short-Term Memory，长短期记忆）网络是一种特殊的RNN网络，其能够学习到长序列间的依赖。
所述待加工任务的理论加工过程数据是指实现所述待加工任务的精度要求对应的加工过程数据，也就是说，在加工过程中，希望所述待加工任务加工过程中的实际发生的主轴驱动电机转速和进刀量和所述待加工任务的理论加工过程数据一致。所述获取待加工任务对应的理论加工过程数据，包括：
读取所述待加工任务的加工图纸中的精度要求；
根据所述精度要求获取所述待加工任务对应的理论加工过程数据。
但是，正如前文所说明的，由于零部件损耗、加工任务的尺寸、材质等的不同，会出现主轴驱动电机的实际转速和输入其的控制转速不一致的情况，因此，将所述待加工任务的理论加工过程数据输入数控机床进行加工生成，最终结果可能和所述待加工过任务的精度要求不符。在本实施例中，基于所述神经网络学习到的特征对所述待加工任务的理论加工过程数据进行修正，得到所述修正加工过程数据。
为了使得所述神经网络模型能够实现学习到主轴驱动电机的波动特征并基于波动特征对待加工任务的理论加工过程数据进行修正，需要对所述神经网络模型进行训练，下面对训练过程进行说明。
所述神经网络模型基于多组训练数据训练得到，每组训练数据包括样本历史加工数据和样本待加工任务对应的理论加工过程数据和工件加工质量数据；所述神经网络模型的训练过程为：
在所述多组训练数据中确定目标训练数据，将所述目标训练数据中的目标样本历史加工数据和所述目标训练数据中的目标样本待加工任务对应的理论加工过程数据输入至所述神经网络模型，获取所述神经网络模型输出的样本修正加工过程数据；
根据所述样本修正加工过程数据和所述目标样本待加工任务对应的加工图纸输入至加工质量预测模块，获取所述加工质量预测模块输出的第一工件加工质量预测数据；
将所述目标样本待加工任务对应的实际加工过程数据和加工图纸输入至所述加工质量预测模块，获取所述加工质量预测模块输出的第二工件加工质量预测数据；
基于所述第一工件加工质量预测数据、所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取训练损失；
根据所述训练损失更新所述神经网络模型和所述加工质量预测模块的参数；
重新执行所述在所述多组训练数据中确定目标训练数据的步骤，直至所述神经网络模型和所述加工质量预测模块的参数收敛。
所述样本历史加工数据和前文的历史加工数据的形式相同。在神经网络模型的训练过程中需要大量的数据，可以采集已经进行过的加工任务的加工过程数据和实际工件加工质量数据，以得到所述样本历史加工数据和所述样本待加工任务对应的理论加工过程数据和工件加工质量数据。在一般的监督式神经网络模型训练过程中，基于神经网络模型的输出与样本标签得到损失值来更新模型参数。但是显然在训练过程中实时地采用神经网络模型输出的样本修正加工过程数据输入至数控机床进行加工，得到对应的实际工件加工质量数据，是不现实的。在本实施例中，采用加工质量预测模块和所述神经网络模型同时训练的方式来实现对所述神经网络模型参数的更新。
具体地，在将样本历史加工数据输入至所述神经网络模型，得到所述神经网络模型输出的所述样本修正加工过程数据后，将所述样本修正加工过程数据和所述目标样本待加工任务对应的加工图纸输入至加工质量预测模型，获取所述加工质量预测模块输出的第一工件加工质量预测数据，根据所述第一工件加工质量预测数据来评判所述样本修正加工过程数据的优劣。为了实现这一点，所述加工质量预测模块需要具有能够根据输入的数据输出正确的加工质量预测数据的能力，而加工质量标签数据是可以直接根据历史加工任务的加工结果直接得到的，这样就可以通过训练加工质量预测模块的方式来实现对所述神经网络模型的输出结果的优劣评判。
所述基于所述第一工件加工质量预测数据、所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取训练损失，包括：
根据所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取第一损失；
根据所述第一工件加工质量预测数据获取第二损失；
对所述第一损失和所述第二损失进行加权求和，得到所述训练损失。
根据所述第二工件加工质量预测数据和所述样本待加工任务对应的实际加工质量之间的差异得到所述第一损失，具体地，差异越大，所述第一损失越大，差异越小，所述第一损失越小，这样可以提升所述加工质量预测模块的预测准确性。根据所述第一工件加工质量预测数据获取第二损失，在一种可能的实现方式中，可以设置所述第一工件加工质量预测数据对应的加工质量越高，所述第二损失越小，所述第一工件加工质量预测数据对应的加工质量越低，所述第二损失越大，以使得所述神经网络模型输出的修正加工过程数据对加工质量的优化能力。但是，所述神经网络模型输出的修正加工过程数据对加工质量的提升并不是越高越好，这样就会导致即使是低精度要求的粗加工也会采用不必要的高精度的主轴转速和进刀量，造成加工资源的浪费。为了避免这种情况，在本实施例中，并不采取上述方式来获取所述第二损失，以限制所述神经网络模型输出的修正加工过程数据的过度修正。
具体地，所述根据所述第一工件加工质量预测数据获取第二损失，包括：
根据所述第一工件加工质量预测数据和所述样本待加工任务的精度要求之间的差异数据；
当所述差异数据超出预设阈值时，将所述差异数据乘以第一权重值，得到所述第二损失；
当所述差异数据未超出所述预设阈值时，将所述差异数据乘以第二权重值，得到所述第二损失；
所述第一权重值为正值，且所述第一权重值大于所述第二权重值。
具体地，当所述第一工件加工质量预测数据和所述样本待加工任务的精度要求之间的差异超出一定范围时，即所述第一工件加工质量预测数据低于所述样本待加工任务的精度要求很多或者高于所述样本待加工任务的精度要求很多，那么给所述差异数据予以数值更高的正权重，当所述第一工件加工质量预测数据和所述样本待加工任务的精度要求之间的差异在一定范围内时，即所述第一工件加工质量预测数据与所述样本待加工任务的精度要求差异不大时，那么给所述差异数据予以数值较低的正权重，即所述第一工件加工质量预测数据和所述样本待加工任务的精度要求差异越大，所述第二损失越大，并且相对于第一工件加工质量预测数据和所述样本待加工任务的精度要求差异在预设范围内的情况，当所述第一工件加工质量预测数据和所述样本待加工任务的精度要求差异超出了预设的范围时，会给予更大的权重，即避免所述神经网络模型的参数朝向“输出的修正加工过程数据使得加工质量越高越好”的方向被更新。
在所述神经网络模型训练完成后，可以用于所述待加工任务的加工过程数据的修正。
将所述各个目标加工任务分别对应的所述第一特征、所述第二特征和工件加工质量数据输入至所述时序处理层，获取所述时序处理层输出的所述波动特征。
所述第一特征提取层用于提取加工图纸中与主轴驱动电机波动相关的特征，所述第一特征提取层中可以包括文本提取层和图像提取层，所述文本提取层用于提取加工图纸的文本中的材质部分，图像提取层用于提取加工图纸中包括视图的图像部分，之后基于文本提取层和图像提取层的提取结果进一步提取特征得到所述第一特征。
所述第二特征提取层用于提取目标加工任务对应的实际加工过程数据的特征，具体地，将实际加工工程数据按照预设格式进行组合后输入所述所述第二特征提取层提取得到所述第二特征。
所述第一特征提取层和所述第二特征提取层用于提取特征的模型结构可以采用现有的特征提取模型的结构，例如采用卷积网络、残差网络等。
所述目标时段内的各个目标加工任务之间存在时序关系，为了更准确地获取存在时序关系的各个目标加工任务对主轴驱动电机的影响，在本实施例中，所述时序处理层为LSTM网络，LSTM（Long Short-Term Memory，长短期记忆）网络是一种特殊的RNN网络，其能够学习到长序列间的依赖。
所述待加工任务的理论加工过程数据是指实现所述待加工任务的精度要求对应的加工过程数据，也就是说，在加工过程中，希望所述待加工任务加工过程中的实际发生的主轴驱动电机转速和进刀量和所述待加工任务的理论加工过程数据一致。所述获取待加工任务对应的理论加工过程数据，包括：
读取所述待加工任务的加工图纸中的精度要求；
根据所述精度要求获取所述待加工任务对应的理论加工过程数据。
但是，正如前文所说明的，由于零部件损耗、加工任务的尺寸、材质等的不同，会出现主轴驱动电机的实际转速和输入其的控制转速不一致的情况，因此，将所述待加工任务的理论加工过程数据输入数控机床进行加工生成，最终结果可能和所述待加工过任务的精度要求不符。在本实施例中，基于所述神经网络学习到的特征对所述待加工任务的理论加工过程数据进行修正，得到所述修正加工过程数据。
为了使得所述神经网络模型能够实现学习到主轴驱动电机的波动特征并基于波动特征对待加工任务的理论加工过程数据进行修正，需要对所述神经网络模型进行训练，下面对训练过程进行说明。
所述神经网络模型基于多组训练数据训练得到，每组训练数据包括样本历史加工数据和样本待加工任务对应的理论加工过程数据和工件加工质量数据；所述神经网络模型的训练过程为：
在所述多组训练数据中确定目标训练数据，将所述目标训练数据中的目标样本历史加工数据和所述目标训练数据中的目标样本待加工任务对应的理论加工过程数据输入至所述神经网络模型，获取所述神经网络模型输出的样本修正加工过程数据；
根据所述样本修正加工过程数据和所述目标样本待加工任务对应的加工图纸输入至加工质量预测模块，获取所述加工质量预测模块输出的第一工件加工质量预测数据；
将所述目标样本待加工任务对应的实际加工过程数据和加工图纸输入至所述加工质量预测模块，获取所述加工质量预测模块输出的第二工件加工质量预测数据；
基于所述第一工件加工质量预测数据、所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取训练损失；
根据所述训练损失更新所述神经网络模型和所述加工质量预测模块的参数；
重新执行所述在所述多组训练数据中确定目标训练数据的步骤，直至所述神经网络模型和所述加工质量预测模块的参数收敛。
所述样本历史加工数据和前文的历史加工数据的形式相同。在神经网络模型的训练过程中需要大量的数据，可以采集已经进行过的加工任务的加工过程数据和实际工件加工质量数据，以得到所述样本历史加工数据和所述样本待加工任务对应的理论加工过程数据和工件加工质量数据。在一般的监督式神经网络模型训练过程中，基于神经网络模型的输出与样本标签得到损失值来更新模型参数。但是显然在训练过程中实时地采用神经网络模型输出的样本修正加工过程数据输入至数控机床进行加工，得到对应的实际工件加工质量数据，是不现实的。在本实施例中，采用加工质量预测模块和所述神经网络模型同时训练的方式来实现对所述神经网络模型参数的更新。
具体地，在将样本历史加工数据输入至所述神经网络模型，得到所述神经网络模型输出的所述样本修正加工过程数据后，将所述样本修正加工过程数据和所述目标样本待加工任务对应的加工图纸输入至加工质量预测模型，获取所述加工质量预测模块输出的第一工件加工质量预测数据，根据所述第一工件加工质量预测数据来评判所述样本修正加工过程数据的优劣。为了实现这一点，所述加工质量预测模块需要具有能够根据输入的数据输出正确的加工质量预测数据的能力，而加工质量标签数据是可以直接根据历史加工任务的加工结果直接得到的，这样就可以通过训练加工质量预测模块的方式来实现对所述神经网络模型的输出结果的优劣评判。
所述基于所述第一工件加工质量预测数据、所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取训练损失，包括：
根据所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取第一损失；
根据所述第一工件加工质量预测数据获取第二损失；
对所述第一损失和所述第二损失进行加权求和，得到所述训练损失。
根据所述第二工件加工质量预测数据和所述样本待加工任务对应的实际加工质量之间的差异得到所述第一损失，具体地，差异越大，所述第一损失越大，差异越小，所述第一损失越小，这样可以提升所述加工质量预测模块的预测准确性。根据所述第一工件加工质量预测数据获取第二损失，在一种可能的实现方式中，可以设置所述第一工件加工质量预测数据对应的加工质量越高，所述第二损失越小，所述第一工件加工质量预测数据对应的加工质量越低，所述第二损失越大，以使得所述神经网络模型输出的修正加工过程数据对加工质量的优化能力。但是，所述神经网络模型输出的修正加工过程数据对加工质量的提升并不是越高越好，这样就会导致即使是低精度要求的粗加工也会采用不必要的高精度的主轴转速和进刀量，造成加工资源的浪费。为了避免这种情况，在本实施例中，并不采取上述方式来获取所述第二损失，以限制所述神经网络模型输出的修正加工过程数据的过度修正。
具体地，所述根据所述第一工件加工质量预测数据获取第二损失，包括：
根据所述第一工件加工质量预测数据和所述样本待加工任务的精度要求之间的差异数据；
当所述差异数据超出预设阈值时，将所述差异数据乘以第一权重值，得到所述第二损失；
当所述差异数据未超出所述预设阈值时，将所述差异数据乘以第二权重值，得到所述第二损失；
所述第一权重值为正值，且所述第一权重值大于所述第二权重值。
具体地，当所述第一工件加工质量预测数据和所述样本待加工任务的精度要求之间的差异超出一定范围时，即所述第一工件加工质量预测数据低于所述样本待加工任务的精度要求很多或者高于所述样本待加工任务的精度要求很多，那么给所述差异数据予以数值更高的正权重，当所述第一工件加工质量预测数据和所述样本待加工任务的精度要求之间的差异在一定范围内时，即所述第一工件加工质量预测数据与所述样本待加工任务的精度要求差异不大时，那么给所述差异数据予以数值较低的正权重，即所述第一工件加工质量预测数据和所述样本待加工任务的精度要求差异越大，所述第二损失越大，并且相对于第一工件加工质量预测数据和所述样本待加工任务的精度要求差异在预设范围内的情况，当所述第一工件加工质量预测数据和所述样本待加工任务的精度要求差异超出了预设的范围时，会给予更大的权重，即避免所述神经网络模型的参数朝向“输出的修正加工过程数据使得加工质量越高越好”的方向被更新。
在所述神经网络模型训练完成后，可以用于所述待加工任务的加工过程数据的修正。可被处理器10所执行，从而实现本申请中一种主轴驱动电机控制方法。
处理器10在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他芯片，用于运行存储器20中存储的程序代码或加工数据，例如执行一种主轴驱动电机控制方法等。
在一实施例中，当处理器10执行存储器20中一种主轴驱动电机控制程序30时实现以下步骤：
获取历史加工数据，所述历史加工数据包括预设时段内的各个目标加工任务对应的实际加工过程数据和工件加工质量数据，其中，所述预设时段为待加工任务加工前预设时长的时段；
获取待加工任务对应的理论加工过程数据，将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据；
根据所述修正加工过程数据控制主轴驱动电机以执行所述待加工任务；
其中，加工过程数据包括主轴驱动电机控制转速和设定走刀量。
其中，所述神经网络模型包括波动检测模块和修正模块；将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据，包括：
将所述历史加工数据输入至所述波动检测模块，获取所述波动检测模块输出的波动特征；
将所述波动特征和所述待加工任务对应的理论加工过程数据输入至所述修正模块，获取所述修正模块输出的所述修正加工过程数据。
其中，加工任务对应的加工过程数据还包括加工图纸；所述波动检测模块中包括第一特征提取层、第二特征提取层和时序处理层；所述将所述历史加工数据输入至所述波动检测模块，获取所述波动检测模块输出的波动特征，包括：
将所述历史加工数据中的各个目标加工任务对应的加工图纸分别输入至所述第一特征提取层，获取所述特征提取层输出的所述各个目标加工任务分别对应的第一特征；
将所述历史加工数据中的各个目标加工任务对应的实际加工过程数据分别输入至所述第二特征提取层，获取所述第二特征提取层输出的所述各个目标加工任务分别对应的第二特征；
将所述各个目标加工任务分别对应的所述第一特征、所述第二特征和工件加工质量数据输入至所述时序处理层，获取所述时序处理层输出的所述波动特征。
其中，所述时序处理层为LSTM网络。
其中，所述神经网络模型基于多组训练数据训练得到，每组训练数据包括样本历史加工数据和样本待加工任务对应的理论加工过程数据和工件加工质量数据；所述神经网络模型的训练过程为：
在所述多组训练数据中确定目标训练数据，将所述目标训练数据中的目标样本历史加工数据和所述目标训练数据中的目标样本待加工任务对应的理论加工过程数据输入至所述神经网络模型，获取所述神经网络模型输出的样本修正加工过程数据；
根据所述样本修正加工过程数据和所述目标样本待加工任务对应的加工图纸输入至加工质量预测模块，获取所述加工质量预测模块输出的第一工件加工质量预测数据；
将所述目标样本待加工任务对应的实际加工过程数据和加工图纸输入至所述加工质量预测模块，获取所述加工质量预测模块输出的第二工件加工质量预测数据；
基于所述第一工件加工质量预测数据、所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取训练损失；
根据所述训练损失更新所述神经网络模型和所述加工质量预测模块的参数；
重新执行所述在所述多组训练数据中确定目标训练数据的步骤，直至所述神经网络模型和所述加工质量预测模块的参数收敛。
其中，所述基于所述第一工件加工质量预测数据、所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取训练损失，包括：
根据所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取第一损失；
根据所述第一工件加工质量预测数据获取第二损失；
对所述第一损失和所述第二损失进行加权求和，得到所述训练损失。
其中，所述获取待加工任务对应的理论加工过程数据，包括：
读取所述待加工任务的加工图纸中的精度要求；
根据所述精度要求获取所述待加工任务对应的理论加工过程数据。
实施例四
本发明还提供一种计算机可读存储介质，其中，存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的一种主轴驱动电机控制方法的步骤。
最后应说明的是：以上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，并不使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。
Claims (10)
1.一种主轴驱动电机控制方法，其特征在于，所述方法包括：
获取历史加工数据，所述历史加工数据包括预设时段内的各个目标加工任务对应的实际加工过程数据和工件加工质量数据，其中，所述预设时段为待加工任务加工前预设时长的时段；
获取待加工任务对应的理论加工过程数据，将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据；
根据所述修正加工过程数据控制主轴驱动电机以执行所述待加工任务；
其中，加工过程数据包括主轴驱动电机控制转速和设定走刀量。
2.根据权利要求1所述的主轴驱动电机控制方法，其特征在于，所述神经网络模型包括波动检测模块和修正模块；将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据，包括：
将所述历史加工数据输入至所述波动检测模块，获取所述波动检测模块输出的波动特征；
将所述波动特征和所述待加工任务对应的理论加工过程数据输入至所述修正模块，获取所述修正模块输出的所述修正加工过程数据。
3.根据权利要求2所述的主轴驱动电机控制方法，其特征在于，加工任务对应的加工过程数据还包括加工图纸；所述波动检测模块中包括第一特征提取层、第二特征提取层和时序处理层；所述将所述历史加工数据输入至所述波动检测模块，获取所述波动检测模块输出的波动特征，包括：
将所述历史加工数据中的各个目标加工任务对应的加工图纸分别输入至所述第一特征提取层，获取所述第一特征提取层输出的所述各个目标加工任务分别对应的第一特征；
将所述历史加工数据中的各个目标加工任务对应的实际加工过程数据分别输入至所述第二特征提取层，获取所述第二特征提取层输出的所述各个目标加工任务分别对应的第二特征；
将所述各个目标加工任务分别对应的所述第一特征、所述第二特征和工件加工质量数据输入至所述时序处理层，获取所述时序处理层输出的所述波动特征。
4.根据权利要求3所述的主轴驱动电机控制方法，其特征在于，所述时序处理层为LSTM网络。
5.根据权利要求1所述的主轴驱动电机控制方法，其特征在于，所述神经网络模型基于多组训练数据训练得到，每组训练数据包括样本历史加工数据和样本待加工任务对应的理论加工过程数据和工件加工质量数据；所述神经网络模型的训练过程为：
在所述多组训练数据中确定目标训练数据，将所述目标训练数据中的目标样本历史加工数据和所述目标训练数据中的目标样本待加工任务对应的理论加工过程数据输入至所述神经网络模型，获取所述神经网络模型输出的样本修正加工过程数据；
根据所述样本修正加工过程数据和所述目标样本待加工任务对应的加工图纸输入至加工质量预测模块，获取所述加工质量预测模块输出的第一工件加工质量预测数据；
将所述目标样本待加工任务对应的实际加工过程数据和加工图纸输入至所述加工质量预测模块，获取所述加工质量预测模块输出的第二工件加工质量预测数据；
基于所述第一工件加工质量预测数据、所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取训练损失；
根据所述训练损失更新所述神经网络模型和所述加工质量预测模块的参数；
重新执行所述在所述多组训练数据中确定目标训练数据的步骤，直至所述神经网络模型和所述加工质量预测模块的参数收敛。
6.根据权利要求5所述的主轴驱动电机控制方法，其特征在于，所述基于所述第一工件加工质量预测数据、所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取训练损失，包括：
根据所述第二工件加工质量预测数据和所述目标样本待加工任务对应的实际工件加工质量数据获取第一损失；
根据所述第一工件加工质量预测数据获取第二损失；
对所述第一损失和所述第二损失进行加权求和，得到所述训练损失。
7.根据权利要求1所述的主轴驱动电机控制方法，其特征在于，所述获取待加工任务对应的理论加工过程数据，包括：
读取所述待加工任务的加工图纸中的精度要求；
根据所述精度要求获取所述待加工任务对应的理论加工过程数据。
8.一种主轴驱动电机控制装置，其特征在于，包括：
历史数据获取模块，用于获取历史加工数据，所述历史加工数据包括预设时段内的各个目标加工任务对应的实际加工过程数据和工件加工质量数据，其中，所述预设时段为待加工任务加工前预设时长的时段；
修正模块，用于获取待加工任务对应的理论加工过程数据，将所述待加工任务对应的理论加工过程数据和所述历史加工数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的修正加工过程数据；
控制模块，用于根据所述修正加工过程数据控制主动驱动电机以执行所述待加工任务；
其中，加工过程数据包括主轴驱动电机控制转速和走刀量。
9.一种终端，其特征在于，所述终端包括：处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适于存储多条指令，所述处理器适于调用所述计算机可读存储介质中的指令，以执行实现上述权利要求1-7任一项所述的一种主轴驱动电机控制方法的步骤。
10.一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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-7任一项所述的一种主轴驱动电机控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211147574.2A CN115237054B (zh) | 2022-09-21 | 2022-09-21 | 一种主轴驱动电机控制方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211147574.2A CN115237054B (zh) | 2022-09-21 | 2022-09-21 | 一种主轴驱动电机控制方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115237054A true CN115237054A (zh) | 2022-10-25 |
| CN115237054B CN115237054B (zh) | 2022-12-16 |
Family
ID=83680356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211147574.2A Active CN115237054B (zh) | 2022-09-21 | 2022-09-21 | 一种主轴驱动电机控制方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115237054B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674070A (zh) * | 2013-12-26 | 2014-03-26 | 北京航天时代光电科技有限公司 | 一种光纤陀螺光路加工误差测试修正系统及方法 |
| CN108555530A (zh) * | 2018-05-30 | 2018-09-21 | 武汉船用机械有限责任公司 | 一种内曲面的加工方法 |
| CN111814385A (zh) * | 2020-05-28 | 2020-10-23 | 平安科技（深圳）有限公司 | 预测加工件质量的方法、装置和计算机设备 |
| CN112051799A (zh) * | 2020-09-10 | 2020-12-08 | 成都广泰威达数控技术股份有限公司 | 一种机械加工自适应控制方法 |
| CN112528955A (zh) * | 2020-12-25 | 2021-03-19 | 华中科技大学 | 一种高频元件加工尺寸的精度预测方法及系统 |
| CN112711867A (zh) * | 2021-01-19 | 2021-04-27 | 苏州大学 | 融合理论模型和大数据模型的轧制力预测方法 |
| CN113569343A (zh) * | 2021-05-19 | 2021-10-29 | 苏州大学 | 板材轧制厚度的控制方法、装置、系统及存储介质 |
| CN113705897A (zh) * | 2021-08-30 | 2021-11-26 | 江西鑫铂瑞科技有限公司 | 一种面向工业铜箔生产的产品质量预测方法及系统 |
| CN114611809A (zh) * | 2022-03-18 | 2022-06-10 | 北京工业大学 | 一种机器人恒力磨削优化方法、系统、设备和介质 |
| CN114676647A (zh) * | 2022-05-30 | 2022-06-28 | 中科航迈数控软件(深圳)有限公司 | 一种基于深度学习方法的数控机床零部件寿命预测方法 |
| CN114750146A (zh) * | 2022-03-10 | 2022-07-15 | 南京航空航天大学 | 一种机器人铣削轨迹精度补偿方法 |
| DE102021201296A1 (de) * | 2021-02-11 | 2022-08-11 | Thyssenkrupp Ag | Vorhersagemodell zum Vorhersagen von Produktqualitätsparameterwerten |
| CN115026660A (zh) * | 2022-08-11 | 2022-09-09 | 昆山市恒达精密机械工业有限公司 | 一种基于ccd的研磨工艺智能控制方法及系统 |
-
2022
- 2022-09-21 CN CN202211147574.2A patent/CN115237054B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674070A (zh) * | 2013-12-26 | 2014-03-26 | 北京航天时代光电科技有限公司 | 一种光纤陀螺光路加工误差测试修正系统及方法 |
| CN108555530A (zh) * | 2018-05-30 | 2018-09-21 | 武汉船用机械有限责任公司 | 一种内曲面的加工方法 |
| CN111814385A (zh) * | 2020-05-28 | 2020-10-23 | 平安科技（深圳）有限公司 | 预测加工件质量的方法、装置和计算机设备 |
| CN112051799A (zh) * | 2020-09-10 | 2020-12-08 | 成都广泰威达数控技术股份有限公司 | 一种机械加工自适应控制方法 |
| CN112528955A (zh) * | 2020-12-25 | 2021-03-19 | 华中科技大学 | 一种高频元件加工尺寸的精度预测方法及系统 |
| CN112711867A (zh) * | 2021-01-19 | 2021-04-27 | 苏州大学 | 融合理论模型和大数据模型的轧制力预测方法 |
| DE102021201296A1 (de) * | 2021-02-11 | 2022-08-11 | Thyssenkrupp Ag | Vorhersagemodell zum Vorhersagen von Produktqualitätsparameterwerten |
| CN113569343A (zh) * | 2021-05-19 | 2021-10-29 | 苏州大学 | 板材轧制厚度的控制方法、装置、系统及存储介质 |
| CN113705897A (zh) * | 2021-08-30 | 2021-11-26 | 江西鑫铂瑞科技有限公司 | 一种面向工业铜箔生产的产品质量预测方法及系统 |
| CN114750146A (zh) * | 2022-03-10 | 2022-07-15 | 南京航空航天大学 | 一种机器人铣削轨迹精度补偿方法 |
| CN114611809A (zh) * | 2022-03-18 | 2022-06-10 | 北京工业大学 | 一种机器人恒力磨削优化方法、系统、设备和介质 |
| CN114676647A (zh) * | 2022-05-30 | 2022-06-28 | 中科航迈数控软件(深圳)有限公司 | 一种基于深度学习方法的数控机床零部件寿命预测方法 |
| CN115026660A (zh) * | 2022-08-11 | 2022-09-09 | 昆山市恒达精密机械工业有限公司 | 一种基于ccd的研磨工艺智能控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115237054B (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
| CN105204443A (zh) | 无须进行繁杂的准备工作便可算出能够抑制再生颤振的主轴稳定转数的装置 | |
| CN109725606B (zh) | 加工条件调整装置以及机器学习装置 | |
| CN116021339B (zh) | 一种数控机床主轴切削力监测方法及相关装置 | |
| CN114676647B (zh) | 一种基于深度学习方法的数控机床零部件寿命预测方法 | |
| CN115981240B (zh) | 数控机床故障原因确定方法、装置、设备及介质 | |
| CN115690405B (zh) | 一种基于机器视觉的加工轨迹优化方法及相关设备 | |
| CN115629573B (zh) | 一种加工程序自动编制方法、装置、终端设备及存储介质 | |
| CN110549332A (zh) | 一种步进控制方法、装置、打磨机器人和可读存储介质 | |
| CN115237054B (zh) | 一种主轴驱动电机控制方法、装置、终端及存储介质 | |
| CN114660993B (zh) | 一种基于多源异构数据特征降维的数控机床故障预测方法 | |
| CN114253219A (zh) | 一种基于端面磨削的磨削力自适应控制方法及系统 | |
| CN115993804A (zh) | 一种基于数控机床的刀具参数调整方法及相关设备 | |
| CN110174871B (zh) | 控制装置、机器学习装置以及系统 | |
| CN117451115A (zh) | 一种用于分拣输送系统的实时状态监测方法 | |
| CN116226676B (zh) | 适用于极端环境的机床故障预测模型生成方法及相关设备 | |
| CN115309107A (zh) | 一种自动换刀和补偿加工方法、系统、设备及介质 | |
| JP2017157194A (ja) | 工作機械の数値制御装置 | |
| CN116449770B (zh) | 数控机床的加工方法、装置、设备以及计算机存储介质 | |
| CN116149258B (zh) | 基于多模态信息的数控机床代码生成方法及相关设备 | |
| CN116208297B (zh) | 一种数控机床传输数据自适应编码方法、装置及相关设备 | |
| CN117742242B (zh) | 一种数控机床动态调控方法和系统 | |
| CN116303105B (zh) | 数控机床控制代码自动检查方法、装置、设备及介质 | |
| CN116400905B (zh) | 一种用于调控多设备的代码自动生成方法及相关设备 | |
| CN114609970B (zh) | 数控机床轴线运动的位置监控方法、监控装置及存储介质 |
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 |