CN115291529A - 响应刀具磨损时变特性的数控批量加工切削参数优化方法 - Google Patents
响应刀具磨损时变特性的数控批量加工切削参数优化方法 Download PDFInfo
- Publication number
- CN115291529A CN115291529A CN202211234118.1A CN202211234118A CN115291529A CN 115291529 A CN115291529 A CN 115291529A CN 202211234118 A CN202211234118 A CN 202211234118A CN 115291529 A CN115291529 A CN 115291529A
- Authority
- CN
- China
- Prior art keywords
- cutting
- tool
- processing
- time
- workpiece
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了响应刀具磨损时变特性的数控批量加工切削参数优化方法,方法包括:获取批量加工任务信息以及加工刀具信息,批量加工任务信息中包括至少一个工件的特征加工数据,特征加工数据包括一个精加工工步信息和至少一个粗加工工步信息,加工刀具信息中包括多个刀具的初始磨损值;根据批量加工任务信息以及加工刀具信息构建数控批量加工能耗与切削参数的第一关联公式,根据批量加工任务信息构建数控批量加工时长与切削参数的第二关联公式;基于第一关联公式和第二关联公式,以数控批量加工能耗最低和数控批量加工时长最短为目标构建多目标优化模型,求解多目标优化模型得到切削参数的最优解。本发明可实现经济效益和能源效益协同优化。
Description
技术领域
本发明涉及数控加工技术领域,特别涉及响应刀具磨损时变特性的数控批量加工切削参数优化方法。
背景技术
数控批量加工是某一生产周期中在一台数控机床上对多个同类工件开展的往复切削运动,由于这种加工方式可以很好地降低时间成本,提高加工精度,被广泛用于各类现代机械制造场景中。随着数控批量加工的进行,刀具会不可避免的发生磨损,剧烈的刀具磨损将增大切削区摩擦和热量的产生,从而消耗更多的能量。切削参数的选择直接关系到工件加工效率、成本、质量以及能量消耗等指标,因此开展切削参数优化被认为是一种提升数控加工过程能效的有效途径。
然而现有技术中考虑刀具磨损状态的切削参数优化研究多是在某一刀具磨损状态下对单个工件的单个工步加工过程开展优化,并没有针对批量加工切削参数优化的方法。
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,本发明提供一种响应刀具磨损时变特性的数控批量加工切削参数优化方法,旨在解决现有技术中没有针对批量加工切削参数优化的方法的问题。
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,提供一种响应刀具磨损时变特性的数控批量加工切削参数优化方法,所述方法包括:
获取批量加工任务信息以及加工刀具信息,所述批量加工任务信息中包括至少一个工件的特征加工数据,所述特征加工数据包括一个精加工工步信息和至少一个粗加工工步信息,所述加工刀具信息中包括多个刀具的初始磨损值;
根据所述批量加工任务信息以及所述加工刀具信息构建数控批量加工能耗与切削参数的第一关联公式,根据所述批量加工任务信息构建数控批量加工时长与所述切削参数的第二关联公式;
基于所述第一关联公式和所述第二关联公式,以所述数控批量加工能耗最低和所述数控批量加工时长最短为目标构建多目标优化模型,求解所述多目标优化模型得到所述切削参数的最优解;
其中,所述切削参数包括各个所述工件在每个工步中的切削速度、进给量以及背吃刀量。
本发明的第二方面,提供一种响应刀具磨损时变特性的数控批量加工切削参数优化装置,包括:
信息获取模块,用于获取批量加工任务信息以及加工刀具信息,所述批量加工任务信息中包括至少一个工件的特征加工数据,所述特征加工数据包括一个精加工工步信息和至少一个粗加工工步信息,所述加工刀具信息中包括至少多个刀具的初始磨损值;
关系构建模块,用于根据所述批量加工任务信息以及所述加工刀具信息构建数控批量加工能耗与切削参数的第一关联公式,用于根据所述批量加工任务信息构建数控批量加工时长与所述切削参数的第二关联公式;
优化模块,用于基于所述第一关联公式和所述第二关联公式,以所述数控批量加工能耗最低和所述数控批量加工时长最短为目标构建多目标优化模型,求解所述多目标优化模型得到所述切削参数的最优解;
其中,所述切削参数包括各个所述工件在每个工步中的切削速度、进给量以及背吃刀量。
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响应刀具磨损时变特性的数控批量加工切削参数优化方法的步骤。
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响应刀具磨损时变特性的数控批量加工切削参数优化方法的步骤。
与现有技术相比,本发明提供了一种响应刀具磨损时变特性的数控批量加工切削参数优化方法,所述的响应刀具磨损时变特性的数控批量加工切削参数优化方法,针对刀具磨损的持续性、是变形和对参数影响的高耦合性,构建数控批量加工能耗和数控批量加工时长分别和切削参数的关联公式,以数控批量加工能耗和数控批量加工时长最短为目标构建多目标优化模型并求解得到切削参数,可以有效提高刀具寿命,使得换刀次数降低,本发明提供了针对批量加工的切削参数优化方法,相比于固定切削参数方案的批量数控加工方法,可实现经济效益和能源效益协同优化。
附图说明
图1为本发明提供的一种响应刀具磨损时变特性的数控批量加工切削参数优化方法的实施例的流程图;
图2为工步内的加工过程示意图;
图3为数控批量加工任务示意图;
图4为刀具磨损时变特性示意图;
图5为数控批量加工过程功率曲线图;
图6为用于采集机床能耗以及刀具磨损数据的收集平台示意图;
图7为刀具磨损随时间和速度的变化曲线示意图;
图8为本发明提供的一种响应刀具磨损时变特性的数控批量加工切削参数优化方法实施例中刀具磨损预测模型的精度测试结果示意图;
图9为本发明提供的一种响应刀具磨损时变特性的数控批量加工切削参数优化装置的实施例的结构原理图;
图10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。
本发明提供的一种响应刀具磨损时变特性的数控批量加工切削参数优化方法,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
数控批量加工需要加工一定数量的工件,由于刀具磨损在接触工件表面后是持续发生的,对同一把刀而言,上一个工件的切削参数选择会直接影响当前工件的刀具磨损初始值,从而影响当前工件的最优参数。由此可见,工件间切削参数和磨损状态具有耦合关系,而如何从整批加工的角度,提出响应刀具磨损状态时变特性的切削参数能效优化方法,这类研究还鲜有报道。发明人从更为系统的层面,综合考虑刀具磨损的时变特性、参数与磨损的耦合关系,提供了用于解决面向数控批量加工的切削参数能效优化问题的方法。发明人考虑刀具磨损和切削参数的协同作用,对数控批量加工过程能耗和时间特性进行深入分析,在此基础上,以完工时间和加工能耗为优化目标,以各工件在不同刀具磨损状态下用于工步加工的切削参数组合为决策变量,构建响应时变刀具磨损状态的数控批量加工切削参数能效优化模型。本发明提供的方法,考虑刀具磨损的持续性、时变性和对参数影响的高耦合性,根据时变刀具磨损状态调整最优切削参数,可有效提高刀具寿命,使得换刀次数降低。同时,由于在剧烈磨损阶段,切削时段功率会随着刀具磨损的增强而激增,所提方法可以使整个加工过程尽可能的控制在正常磨损阶段,从而有效降低能量消耗。相比于固定切削参数方案的批量数控加工方法,本发明可实现经济效益和能源效益协同优化,优化力度可观。
如图1所示,本发明提供的响应刀具磨损时变特性的数控批量加工切削参数优化方法的一个实施例中,包括步骤:
S100、获取批量加工任务信息以及加工刀具信息,所述批量加工任务信息中包括至少一个工件的特征加工数据,所述特征加工数据包括一个精加工工步信息和至少一个粗加工工步信息,所述加工刀具信息中包括至少多个刀具的初始磨损值。
对于一个批量加工任务,可以描述如下:
在系统时间t 0时到达一批加工任务,该任务包含工件集合J={J j |j=1,2,…,J},集合中每个工件的初始状态如形状、材料等相同,且均有一相同特征需要在数控机床(如车床、铣床、钻床等)上进行切削加工。该特征需要采用多次走刀的方式完成切削,包含N j 个粗加工工步和1个精加工工步。该任务包含刀具集合T={T i |i=1, 2, …, I},集合中所有刀具仅有磨损初始状态VB i (t 0)不同。在切削过程中,时变刀具磨损状态用VB i (t)表示,记录了第i把刀在系统时间t时的磨损值。当刀具T i 的实时磨损值VB i (t)超过磨钝标准VB max时,将按顺序地使用下一把刀具进行切削。对工件J j 的第k个工步,将会采用刀具T i 以切削参数进行加工,其中st j,k 是工件J j 的第k个工步的开始加工时间。则本方法解决的问题是,为工件集合J中的所有工件的每个工步根据其开始加工的刀具磨损状态决策最优切削参数,使得加工集合J的能效最高,完工时间最短。
S200、根据所述批量加工任务信息以及所述加工刀具信息构建数控批量加工能耗与切削参数的第一关联公式;根据所述批量加工任务信息构建数控批量加工时长与所述切削参数的第二关联公式。
所述切削参数包括各个所述工件在每个工步中的切削速度、进给量以及背吃刀量,首先对数控批量加工能耗与所述切削参数之间的关系进行说明。
如图2所示,在每个工步的加工过程中,工件被装夹在夹具上,主轴加速至指定转速,刀具进刀对工件产生切削,这个过程会产生能耗,称为切削时段能耗,并且,在每个工步的加工过程中,刀具还会存在空走刀时段,在空走刀时段中,刀具不会对工件产生切削,如图3所示,在批量加工过程中,如果刀具磨损值达到预先设定的标准,则会存在换刀时段。如图5所示,在批量加工过程中,不同的时段机床的功率不同,综合考虑批量加工中存在的每个不同时段的功率,可以得到所述第一关联公式为:
其中,J(t)和I(t)分别是在系统时间t内所加工的工件数和使用刀具的数量,是使用第i把刀加工第j个工件的第k个工步所产生的待机时段能耗,是使用第i把刀加工第j个工件的第k个工步时因改变主轴转速所产生的主轴加减速时段能耗,是使用第i把刀加工第j个工件的第k个工步的过程中刀具靠近或远离工件时产生的空走刀时段能耗,使用第i把刀加工第j个工件的第k个工步时切除工件过程所消耗的切削时段能耗,是使用第i把刀加工第j个工件的第k个工步刀具达到磨钝标准后所产生的换刀时段能耗。值的说明的是,在实际应用中,出于提升效率的考虑,可以只考虑其中的部分时段的能耗。
下面对批量加工过程中各种时段的能耗进行说明。
在加工过程中,机床主轴需要加速到指定转速带动工件或刀具做稳定、持续的高速旋转,随着主轴加速的进行,功率逐步升高,机床主轴加速完成时,功率值达到峰值。主轴加速时段功率包括待机功率、维持主轴稳定在某一转速下运行的空载功率,以及加速主轴需要克服机械惯性的功率。在主轴减速过程中,机床除待机功率外不消耗额外的能量,因此,主轴加减速时段能耗可以用公式表示为:
式中表示采用第i把刀具加工第j个工件的第k个工步采用的主轴转速,表示采用第i把刀具加工第j个工件的第k+1个工步采用的主轴转速,表示采用第i把刀具加工第j个工件的第k个工步过程中切削开始时的工件直径或刀具直径,是主轴角加速度。
为保证切削能完全覆盖待加工表面,走刀路径中会存在空走到行程,例如,当主轴加速完成后,刀具会空走刀至事先设定好的加工入刀点处,此时切削准备已就绪。在该过程中,主轴以转速进行旋转,进给系统以进给速度移动至入刀点,空走刀过程中,辅助系统均已开启,则空走刀时段能耗可表示为:
表示采用第i把刀具加工第j个工件的第k个工步过程中切削开始时的工件直径或刀具直径,表示采用第i把刀具加工第j个工件的第k个工步的切削速度,表示采用第i把刀具加工第j个工件的第k个工步的进给量,表示采用第i把刀具加工第j个工件的第k个工步的空走刀时长,表示采用第i把刀具加工第j个工件的第k个工步的空走刀长度。
切削时段刀具挤压工件表面从而去除多余的物料,由于这个阶段存在刀具-工件的共同作用,因此,这个时段的能耗与切削参数、刀具磨损状态关系密切,随着刀具默算的加剧,物料去除功率不断上升,因此,这一时段的机床功率是一个随时间变化的量,切削时段能耗计算公式为:
其中,为采用第i把刀具加工第j个工件的第k个工步的切削时段能耗,为第j个工件的第k个工步开始加工时间,为第j个工件的第k个工步结束加工时间,为机床待机功率,为机床辅助系统功率,为机床主轴空载功率,为机床中所有参与运动的进给系统空载功率,为切削时段内的物料去除功率,切削时段内的物料去除功率与切削参数、刀具磨损状况、以及工件、刀具、机床所构成的物理环境有关,具体计算公式为:
其中,K、w、x、y、z为常数,表示采用第i把刀具加工第j个工件的第k个工步的切削速度,表示采用第i把刀具加工第j个工件的第k个工步的进给量,表示采用第i把刀具加工第j个工件的第k个工步的背吃刀量,为系统时间t时第i把刀具的磨损值。
其中,是采用第i把刀具加工第j个工件的第k个工步过程中开始切削时的初始刀具磨损值,表示的是刀具磨损值增量函数,为切削参数下达到磨损量所对应的累计切削时间,表示采用第i把刀具加工第j个工件的第k个工步的切削时长。
如图4和图7所示,在不同的加工参数下,刀具磨损随时间的变化规律不同,因此需要首先得到采用第i把刀具加工第j个工件的第k个工步的加工参数下达到磨损量所对应的累计切削时间,切削参数下达到磨损量所对应的累计切削时长采用如下步骤得到:
换刀时段包括刀具的装卸和对刀过程,第一个工件的第一个工步加工时一定存在换刀过程,加工其他工件的第一个工步时需要判断,上一个工件加工完成时的磨损值是否超过预设的阈值VBmax,换刀时段能耗如下式,其中为刀具磨钝换刀时长,单次换刀时长为定值。
在前文说明数控批量加工能耗与切削参数之间的参数的过程中,已经介绍了数控批量加工的各个时段的时长与所述切削参数之间的关系,可以构建第二关联公式为:
其中,表示所述数控批量加工时长,表示所述特征加工数据中的粗加工工步的数量,和分别是在系统时间t内所加工的工件数和使用刀具的数量,、和分别表示采用第i把刀具加工第j个工件的第k个工步时的工件装夹时长、工件拆卸时间和刀具磨钝换刀时长,表示采用第i把刀具加工第j个工件的第k个工步的主轴加/减速时长,表示采用第i把刀具加工第j个工件的第k个工步的空走刀时长,表示采用第i把刀具加工第j个工件的第k个工步的切削时长。
值得说明的是,在一些可能的实现方式中,为了降低优化算法的复杂度,可以只考虑数控批量加工的部分时段的时长而不是全部。
基于所述数控批量加工能耗和所述数控批量加工时长和所述切削参数之间的关系,可以构建多目标优化模型,并求解,得到所述切削参数的最优解。如图1所示,本实施例提供给的方法还包括步骤:
S300、基于所述第一关联公式和所述第二关联公式,以所述数控批量加工能耗最低和所述数控批量加工时长最短为目标构建多目标优化模型,求解所述多目标优化模型得到所述切削参数的最优解。
下面对优化模型进行介绍。
1、模型的决策变量
2、模型的目标函数
2.1 能量效率目标
在数控批量加工能耗机理分析的基础上建立数控批量加工数控加工能量效率函数,选用比能作为能量效率指标,比能SEC是指机械加工系统消耗能量E与有效产出的比值,在本发明中,有效产出指加工工件数量N。
2.2 时间效率目标
时间效率是企业保证经济效益的重要指标之一,在本发明中,以批量加工的完工时间CT(t)作为另一优化目标,计算公式如下:
其中,t 0是批量任务开始加工(任务下达)时间;t m 是实际批量加工时间,t m 的具体计算公式为所述第二关联公式。
3、约束条件
在实际批量加工中,各工步需要满足一定的约束,因此,在模型求解时,设置约束条件,防止优化结果不能应用于实际生产。
约束条件可以用公式表示如下:
其中,第一个公式表示只有未达到磨钝标准的刀具才会参与批量加工,第二个公式表示在切削过程中,刀具磨损量式中需要在设定的磨钝标准范围内,第三个公式和第四个公式表示各工步的切削参数需要在设定的范围内,第五个公式表示加工过程中的切削力式中小于允许的最大切削力以内,第六个公式表示每个工件的最后一个工步所形成的表面粗糙度应该在设定的粗糙度阈值[Ra]范围内,表示刀尖圆弧半径,第七个公式表示所有工步的背吃刀量综合应等于总加工余量。
根据本发明提供的方法,进行实验以验证本发明提供的方法的有效性,具体地,以数控车削为例,在C2-360K型数控车床上采用CNMG190404型号车刀片对一个批量加工任务的10个工件进行物料去除。如图6所示,采用重庆大学自主研发的机床能效监控系统(可参见中国专利文件CN201110095627.6)对切削过程中的功率信号进行实时监控和采集,其中待机功率、辅助系统功率为额定功率;主轴空载功率与主轴转速n有一一对应的关系,进给系统空载功率与进给速度f v 有一一对应的关系,可通过实验数据拟合的方式构建映射关系函数;主轴加速功率和物料去除功率是时变量,需实时采集,采集频率为0.2s。
批量加工中,所有待加工工件的参数均相同,如表1所示。
表1工件参数
所有工件的所有工步依次在C2-360K数控车床上进行加工,机床参数如表2所示。
表2机床参数
在批量加工中,由于需要切除一定数量的工件,会用到一把或多把刀具。依据使用顺序,刀具初始磨损值分别为90μm和156μm。除初始磨损量以外,其余参数均相同,如表3所示。
表3刀具参数
每个工件的加工配置参数,即装夹/拆卸时间、参数范围相同,参数范围由工件、刀具以及机床所构成的物理环境的机械性能决定,见表4所示。
表4加工配置参数
空载功率的大小主要取决于机床型号、主轴转速以及进给速度,为得到系数a0,a1,a2,以及b0,b1,b2,开展了9组实验,实验数据如表5所示。
表5主轴空载和进给系统空载功率系数
表6刀具磨损、切削参数及切削功率的映射关系数据
基于上述实验配置条件,构建响应刀具磨损时变特性的数控批量加工切削参数能效优化模型。此次优化任务达到的系统时间为2022-09-05 8:30am,采用NSGA-II在Python3.6.3平台上对模型进行优化求解,为说明多目标优化的必要性,分别以单目标优化SEC(t)、CT(t),多目标优化SEC(t)&CT(t)为参照,具体优化结果如表7、表8、表9所示。
表7以SEC(t)为目标的优化方案
表7以CT(t)为目标的优化方案
表8以SEC(t)和CT(t)为多目标的优化方案
上述切削参数优化方案带入目标函数公式中可得到能耗和时间优化值,整理如表9中方案1、方案2、方案3所示。为了展示在批量加工能耗优化中考虑刀具磨损的必要性,还设置了一个对比方案作为方案4:不根据刀具磨损动态调整参数,即所有工件均以工件1的参数进行加工。
方案1:单目标优化SEC
方案2:单目标优化CT
方案3:多目标优化SEC&CT
方案4:不考虑刀具磨损的优化
表9 方案对比结果
根据上述结果可知:
1)多目标优化与单目标优化SEC相比,SEC值虽然高出了3.66%但时间效率值降低了10.56%。而多目标优化与单目标优化CT相比,虽然CT值延长了2.90%但SEC能效值降低了10.46%,这些数据说明,时间目标和能效目标之间存在冲突关系,而本发明所提的多目标优化方法可以缓解这种冲突。
2)多目标优化与不考虑时变刀具磨损的优化方案相比,SEC值增大了18.8%,CT值延长了16.15%,这个数据说明,在批量加工中,如果不考虑刀具磨损带来的影响,将会造成较大的能量和时间浪费,这种优化力度甚至会强过多目标优化的效果。
综上所述,本实施例提供一种响应刀具磨损时变特性的数控批量加工切削参数优化方法,针对刀具磨损的持续性、是变形和对参数影响的高耦合性,构建数控批量加工能耗和数控批量加工时长分别和切削参数的关联公式,以数控批量加工能耗和数控批量加工时长最短为目标构建多目标优化模型并求解得到切削参数,可以有效提高刀具寿命,使得换刀次数降低,本发明提供了针对批量加工的切削参数优化方法,相比于固定切削参数方案的批量数控加工方法,可实现经济效益和能源效益协同优化。
应该理解的是,虽然本发明说明书附图中给出的的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取计算机可读存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。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)或者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(DDRSDRAM)、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)等。
实施例二
基于上述实施例,本发明还相应提供了一种响应刀具磨损时变特性的数控批量加工切削参数优化装置,如图9所示,该响应刀具磨损时变特性的数控批量加工切削参数优化装置包括:
信息获取模块,用于获取批量加工任务信息以及加工刀具信息,所述批量加工任务信息中包括至少一个工件的特征加工数据,所述特征加工数据包括一个精加工工步信息和至少一个粗加工工步信息,所述加工刀具信息中包括至少多个刀具的初始磨损值,具体如实施例一中所述;
关系构建模块,用于根据所述批量加工任务信息以及所述加工刀具信息构建数控批量加工能耗与切削参数的第一关联公式,用于根据所述批量加工任务信息构建数控批量加工时长与所述切削参数的第二关联公式,具体如实施例一中所述;
优化模块,用于基于所述第一关联公式和所述第二关联公式,以所述数控批量加工能耗最低和所述数控批量加工时长最短为目标构建多目标优化模型,求解所述多目标优化模型得到所述切削参数的最优解,具体如实施例一中所述;
其中,所述切削参数包括各个所述工件在每个工步中的切削速度、进给量以及背吃刀量,具体如实施例一中所述。
实施例三
基于上述实施例,本发明还相应提供了一种终端,如图10所示,终端包括处理器10以及存储器20。图10仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是终端的内部存储单元,例如终端的硬盘或内存。存储器20在另一些实施例中也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器20还可以既包括终端的内部存储单元也包括外部存储设备。存储器20用于存储安装于终端的应用软件及各类数据。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有一种数控批量加工切削参数优化程序30,该数控批量加工切削参数优化程序30可被处理器10所执行,从而实现本申请中一种响应刀具磨损时变特性的数控批量加工切削参数优化方法。
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,例如执行一种响应刀具磨损时变特性的数控批量加工切削参数优化方法等。
在一实施例中,当处理器10执行存储器20中一种响应刀具磨损时变特性的数控批量加工切削参数优化程序30时实现以下步骤:
获取批量加工任务信息以及加工刀具信息,所述批量加工任务信息中包括至少一个工件的特征加工数据,所述特征加工数据包括一个精加工工步信息和至少一个粗加工工步信息,所述加工刀具信息中包括多个刀具的初始磨损值;
根据所述批量加工任务信息以及所述加工刀具信息构建数控批量加工能耗与切削参数的第一关联公式,根据所述批量加工任务信息构建数控批量加工时长与所述切削参数的第二关联公式;
基于所述第一关联公式和所述第二关联公式,以所述数控批量加工能耗最低和所述数控批量加工时长最短为目标构建多目标优化模型,求解所述多目标优化模型得到所述切削参数的最优解;
其中,所述切削参数包括各个所述工件在每个工步中的切削速度、进给量以及背吃刀量。
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响应刀具磨损时变特性的数控批量加工切削参数优化方法的步骤。
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)
1.一种响应刀具磨损时变特性的数控批量加工切削参数优化方法,其特征在于,所述方法包括:
获取批量加工任务信息以及加工刀具信息,所述批量加工任务信息中包括至少一个工件的特征加工数据,所述特征加工数据包括一个精加工工步信息和至少一个粗加工工步信息,所述加工刀具信息中包括多个刀具的初始磨损值;
根据所述批量加工任务信息以及所述加工刀具信息构建数控批量加工能耗与切削参数的第一关联公式,根据所述批量加工任务信息构建数控批量加工时长与所述切削参数的第二关联公式;
基于所述第一关联公式和所述第二关联公式,以所述数控批量加工能耗最低和所述数控批量加工时长最短为目标构建多目标优化模型,求解所述多目标优化模型得到所述切削参数的最优解;
其中,所述切削参数包括各个所述工件在每个工步中的切削速度、进给量以及背吃刀量。
2.根据权利要求1所述的响应刀具磨损时变特性的数控批量加工切削参数优化方法,其特征在于,所述数控批量加工能耗包括切削时段能耗,所述切削时段能耗与所述切削参数的关联公式为:
其中,为采用第i把刀具加工第j个工件的第k个工步的切削时段能耗,为第j个工件的第k个工步开始加工时间,为第j个工件的第k个工步结束加工时间,为机床待机功率,为机床辅助系统功率,为机床主轴空载功率,为机床中所有参与运动的进给系统空载功率,为切削时段内的物料去除功率,K、w、x、y、z为常数,表示采用第i把刀具加工第j个工件的第k个工步的切削速度,表示采用第i把刀具加工第j个工件的第k个工步的进给量,表示采用第i把刀具加工第j个工件的第k个工步的背吃刀量,为系统时间t时的第i把刀具的磨损值,是采用第i把刀具加工第j个工件的第k个工步过程中开始切削时的初始刀具磨损值,表示的是刀具磨损值增量函数,为切削参数下达到磨损量所对应的累计切削时间,表示采用第i把刀具加工第j个工件的第k个工步的切削时长。
4.根据权利要求2所述的响应刀具磨损时变特性的数控批量加工切削参数优化方法,其特征在于,所述数控批量加工能耗还包括待机时段能耗、主轴加减速时段能耗、空走刀时段能耗和换刀时段能耗;
所述第一关联公式为:
5.根据权利要求1所述的响应刀具磨损时变特性的数控批量加工切削参数优化方法,其特征在于,所述数控批量加工时长包括切削时长、空走刀时长和主轴加/减速时长,所述切削时长和所述切削参数的关联公式为:
所述主轴加/减速时长和所述切削参数的关联公式为:
所述空走刀时长和所述切削参数的关联公式为:
7.根据权利要求1所述的响应刀具磨损时变特性的数控批量加工切削参数优化方法,其特征在于,所述求解所述多目标优化模型得到所述切削参数的最优解,包括:
设置约束条件,在所述约束条件下求解所述多目标优化模型得到所属切削参数的最优解;
所述约束条件为:
工步开始时刀具的磨损量未达到磨钝标准,切削过程中,刀具磨损量始终低于所述磨钝标准,每个工步的切削参数在设定范围内,加工过程中的切削力始终小于允许的最大切削力,每个工件在最后一个工步完成后所形成的表面粗糙度在设定的粗糙度阈值范围内,所有工步的背吃刀量综合等于总加工余量。
8.一种响应刀具磨损时变特性的数控批量加工切削参数优化装置,其特征在于,包括:
信息获取模块,用于获取批量加工任务信息以及加工刀具信息,所述批量加工任务信息中包括至少一个工件的特征加工数据,所述特征加工数据包括一个精加工工步信息和至少一个粗加工工步信息,所述加工刀具信息中包括至少多个刀具的初始磨损值;
关系构建模块,用于根据所述批量加工任务信息以及所述加工刀具信息构建数控批量加工能耗与切削参数的第一关联公式,根据所述批量加工任务信息构建数控批量加工时长与所述切削参数的第二关联公式;
优化模块,用于基于所述第一关联公式和所述第二关联公式,以所述数控批量加工能耗最低和所述数控批量加工时长最短为目标构建多目标优化模型,求解所述多目标优化模型得到所述切削参数的最优解;
其中,所述切削参数包括各个所述工件在每个工步中的切削速度、进给量以及背吃刀量。
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任一项所述的一种响应刀具磨损时变特性的数控批量加工切削参数优化方法的步骤。
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任一项所述的一种响应刀具磨损时变特性的数控批量加工切削参数优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234118.1A CN115291529B (zh) | 2022-10-10 | 2022-10-10 | 响应刀具磨损时变特性的数控批量加工切削参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234118.1A CN115291529B (zh) | 2022-10-10 | 2022-10-10 | 响应刀具磨损时变特性的数控批量加工切削参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115291529A true CN115291529A (zh) | 2022-11-04 |
CN115291529B CN115291529B (zh) | 2023-01-03 |
Family
ID=83819382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211234118.1A Active CN115291529B (zh) | 2022-10-10 | 2022-10-10 | 响应刀具磨损时变特性的数控批量加工切削参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115291529B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107703886A (zh) * | 2017-10-31 | 2018-02-16 | 上海航天精密机械研究所 | 数控机床铣削过程中关键时长的实时统计方法 |
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 |
CN111774931A (zh) * | 2020-06-16 | 2020-10-16 | 中译语通科技(青岛)有限公司 | 数控车削批量加工刀具磨损在线监测方法 |
CN113050543A (zh) * | 2021-03-18 | 2021-06-29 | 河南科技大学 | 一种切削阶段数控车床加工参数节能优化方法 |
-
2022
- 2022-10-10 CN CN202211234118.1A patent/CN115291529B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107703886A (zh) * | 2017-10-31 | 2018-02-16 | 上海航天精密机械研究所 | 数控机床铣削过程中关键时长的实时统计方法 |
CN111774931A (zh) * | 2020-06-16 | 2020-10-16 | 中译语通科技(青岛)有限公司 | 数控车削批量加工刀具磨损在线监测方法 |
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 |
CN113050543A (zh) * | 2021-03-18 | 2021-06-29 | 河南科技大学 | 一种切削阶段数控车床加工参数节能优化方法 |
Non-Patent Citations (1)
Title |
---|
李聪波等: "基于切削功率的数控车削批量加工刀具磨损在线监测", 《计算机集成制造系统》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115291529B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Multi-objective optimization of machining parameters considering energy consumption | |
CN106776712B (zh) | 基于i5智能数控车床的车削工艺数据库及其应用方法 | |
WO2012124447A1 (ja) | Ncプログラム生成方法および切削加工方法 | |
Savas et al. | The optimization of the surface roughness in the process of tangential turn-milling using genetic algorithm | |
CN107589723B (zh) | 一种数控机床铣削加工稳定性的动-静态优化方法 | |
CN110531710B (zh) | 基于主轴恒功率约束的进给速度优化方法 | |
CN103198186A (zh) | 基于特征的飞机结构件切削参数优化方法 | |
Shi et al. | Experimental and theoretical investigation of milling tool selection towards energy-efficient process planning in discrete parts manufacturing | |
CN111650890B (zh) | 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 | |
Mellal et al. | Total production time minimization of a multi-pass milling process via cuckoo optimization algorithm | |
Xie et al. | Selection of optimum turning parameters based on cooperative optimization of minimum energy consumption and high surface quality | |
Radovanović | Multi-objective optimization of multi-pass turning AISI 1064 steel | |
CN106407622B (zh) | 一种大螺距螺纹车削刀具设计方法 | |
CN114925596A (zh) | 基于晶圆测试设备的铸件平台精铣加工参数的优化方法 | |
Wang et al. | Cutting energy consumption modelling for prismatic machining features | |
CN114415595B (zh) | 一种车削优化方法、系统、计算机设备和存储介质 | |
CN117389161B (zh) | 考虑多加工阶段的平面立铣参数优化及加工性能预测方法 | |
CN115291529B (zh) | 响应刀具磨损时变特性的数控批量加工切削参数优化方法 | |
RU2429949C1 (ru) | Способ обработки моноколес | |
Conradie et al. | Effect of milling strategy and tool geometry on machining cost when cutting titanium alloys | |
JP3694807B2 (ja) | 工具管理システム | |
Conradie et al. | Evaluating the effect of milling strategy on process efficiency in machining titanium alloys-a cost modelling approach | |
CN110807254A (zh) | 一种五轴侧铣加工过程中基于恒力的进给速度优化方法 | |
Sorby et al. | Improving high speed flank milling operations in multi-axis machines | |
CN109901516B (zh) | 低振动钛合金铣削工艺参数优选方法 |
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 |