CN115755758A - 基于神经网络模型的机床加工控制方法 - Google Patents

Abstract

本发明涉及数控机床加工控制技术领域，具体涉及基于神经网络模型的机床加工控制方法，包括：获取机床的制造资源和加工任务；将机床的制造资源和加工任务输入经过训练的预测模型中，输出对应的加工参数预测值；其中，预测模型基于神经网络模型训练生成；基于预测模型输出的加工参数预测值实施机床的加工控制。本发明能够实现多机床加工控制目标的同时优化，并且能够在满足机床生产需求的前提下选取更合理的加工参数，从而能够充分发挥机床的性能，并提高机床加工控制的效率和效果。

Description

基于神经网络模型的机床加工控制方法

技术领域

本发明涉及数控机床加工控制技术领域，具体涉及基于神经网络模型的机床加工控制方法。

背景技术

数控机床被称为“工业母机”，是传统机床与数字控制技术相结合形成的机械电子一体化产品。数控机床具有稳定、高效、灵活等各种优异性能，开创了传统机械向机械电子一体化发展的先河。数控机床等数控装备是生产高新科技装备和尖端产品的必要工具，可以有效地提高生产效率、减少工人数量，实现自动化、智能化生产，在很大程度上减少了人员和成本投入。在当今以产品更新迭代快速、大批量生产、人员成本逐渐升高为特点的工业时代，各类数控装备是实现先进制造技术的关键。因此数控机床成为了国民经济和国防建设发展的重要制造装备。

在数控加工领域，对加工质量、加工效率与加工成本的控制能力是衡量加工能力强弱的指标，而如何提升这种能力，亦即针对于工艺参数优化的研究，在数控加工领域占据着重要地位。然而，在工艺参数优化问题中，往往需要同时关注多个优化目标，效率、 质量与加工成本的优化需要同时被解决。而多个优化目标之间可能彼此矛盾，亦即在提升加工效率的同时可能会造成加工质量的降低，提升加工质量的同时又会造成加工效率的降低与加工成本的提高。因此，如何设计一种能够实现多机床加工控制目标同时优化的机床加工控制方法是亟需解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于神经网络模型的机床加工控制方法，能够实现多机床加工控制目标的同时优化，并且能够在满足机床生产需求的前提下选取更合理的加工参数，从而能够充分发挥机床的性能，并提高机床加工控制的效率和效果。

为了解决上述技术问题，本发明采用了如下的技术方案：

基于神经网络模型的机床加工控制方法，包括：

S1：获取机床的制造资源和加工任务；

S2：将机床的制造资源和加工任务输入经过训练的预测模型中，输出对应的加工参数预测值；其中，预测模型基于神经网络模型训练生成；

S3：基于预测模型输出的加工参数预测值实施机床的加工控制。

优选的，步骤S1中，制造资源包括执行加工任务所需的系统部件工艺数据和环境数据；其中，系统部件工艺数据包括主轴、丝杠、导轨、轴承、电机和刀具的工艺数据；环境数据包括温度数据和振动数据。

优选的，步骤S1中，加工任务包括被加工零件的铣目标值、形状特征目标值、尺寸目标值和加工模式。

优选的，步骤S2中，加工参数预测值包括主轴功率预测值、扭矩预测值、振动预测值和进给轴轮廓误差预测值。

优选的，步骤S2中，预测模型为基于反向传播算法的BP神经网络模型。

优选的，预测模型包括输入层、第一隐藏层、第二隐藏层和输出层。

优选的，预测模型的输入层、第一隐藏层、第二隐藏层和输出层对应的节点数分别为4、10、10和1。

优选的，通过如下步骤训练预测模型：

S201：构建包含若干组训练样本的训练集；训练样本包括机床的制造资源样本和加工任务样本及对应的加工参数样本；

S202：选取训练样本训练预测模型；

S203：基于反向传播算法优化预测模型的模型参数；

S204：重复步骤S202至步骤S203，直至预测模型收敛；

S205：获取训练完成的预测模型。

优选的，步骤S201中，通过SSTT数据采集软件获取机床的实时运行数据，并从实时运行数据中提取出加工参数样本。

优选的，对于提出得到的加工参数样本进行数据预处理，包括数据无量纲化处理、数据滤波处理和数据对齐与融合处理。

本发明中基于神经网络模型的机床加工控制方法与现有技术相比，具有如下有益效果：

本发明获取机床的制造资源和加工任务并输入经过训练的预测模型中，进而基于输出的加工参数预测值进行机床加工控制。一方面，本发明通过基于神经网络模型训练、优化生成预测模型，使得能够利用神经网络的映射能力和信息处理能力实现制造资源和加工任务等多机床加工控制目标的同时优化；另一方面，本发明将机床的制造资源和加工任务作为预测模型的输出，将加工参数预测值作为预测模型的输出，使得能够在满足机床生产需求的前提下选取更合理的加工参数来实现机床加工控制，从而能够充分发挥机床的性能，并提高机床加工控制的效率和效果，对于机床生产效率提升、改善机床刀具寿命以及降低工作人员工作强度和产品的加工成本具有重要意义。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为基于神经网络模型的机床加工控制方法的逻辑框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施例。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发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“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；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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例：

本实施例中公开了一种基于神经网络模型的机床加工控制方法。

如图1所示，基于神经网络模型的机床加工控制方法，包括：

S1：获取机床的制造资源和加工任务；

S2：将机床的制造资源和加工任务输入经过训练的预测模型中，输出对应的加工参数预测值；其中，预测模型基于神经网络模型训练生成；

S3：基于预测模型输出的加工参数预测值实施机床的加工控制。

本发明获取机床的制造资源和加工任务并输入经过训练的预测模型中，进而基于输出的加工参数预测值进行机床加工控制。一方面，本发明通过基于神经网络模型训练、优化生成预测模型，使得能够利用神经网络的映射能力和信息处理能力实现制造资源和加工任务等多机床加工控制目标的同时优化；另一方面，本发明将机床的制造资源和加工任务作为预测模型的输出，将加工参数预测值作为预测模型的输出，使得能够在满足机床生产需求的前提下选取更合理的加工参数来实现机床加工控制，从而能够充分发挥机床的性能，并提高机床加工控制的效率和效果，对于机床生产效率提升、改善机床刀具寿命以及降低工作人员工作强度和产品的加工成本具有重要意义。

具体实施过程中，制造资源包括执行加工任务所需的系统部件工艺数据和环境数据；其中，系统部件工艺数据包括主轴、丝杠、导轨、轴承、电机和刀具的工艺数据；环境数据包括温度数据和振动数据。制造资源即是数据机床的属性数据和参数数据。

具体实施过程中，加工任务包括被加工零件的铣目标值、形状特征目标值、尺寸目标值和加工模式。如被加工零件的铣削长度、铣削深度和铣削宽度等。

本实施例中，机床的加工任务通过加工零件的 G 代码程序进行定量描述。

具体实施过程中，加工参数预测值包括主轴功率预测值、扭矩预测值、振动预测值和进给轴轮廓误差预测值。加工参数预测值即是数据机床的逻辑数据和状态数据。

本发明将上述的机床的制造资源和加工任务作为预测模型的输出，将上述的加工参数预测值作为预测模型的输出，使得能够在满足机床生产需求的前提下选取更合理的加工参数来实现机床加工控制，从而能够更好的发挥机床的性能，并进一步提高机床加工控制的效率和效果。

具体实施过程中，预测模型为基于反向传播算法的BP神经网络模型。预测模型包括输入层、第一隐藏层、第二隐藏层和输出层，且输入层、第一隐藏层、第二隐藏层和输出层对应节点数分别为4、10、10和1。

本实施例中，预测模型基于现有的BP神经网络模型训练生成，预测模型的训练方式参考现有BP神经网络模型的训练方式。本发明仅是对现有BP神经网络模型的结构进行了上述调整，并且设置了相应的训练集进行训练。

其中，BP神经网络模型以网络的计算误差为依据逐层更新权重向量，反复执行正向传播与反向传播两个过程直至计算误差达到允许范围内而完成学习。反向传播算法是一种常见的神经网络训练算法，它以网络的计算误差为依据逐层更新权重向量，反复执行正向传播与反向传播两个过程直至计算误差达到允许范围内而完成学习。

具体的，通过如下步骤训练预测模型：

S201：构建包含若干组训练样本的训练集；训练样本包括机床的制造资源样本和加工任务样本及对应的加工参数样本；

S202：选取训练样本训练预测模型；

S203：基于反向传播算法优化预测模型的模型参数；

S204：重复步骤S202至步骤S203，直至预测模型收敛；

S205：获取训练完成的预测模型。

本发明通过设计预测模型（BP神经网络模型）的网络结构和训练集，使得能够保证预测模型的训练、优化效果，进而能够更好的利用神经网络的映射能力和信息处理能力实现制造资源和加工任务等多机床加工控制目标的同时优化，能够进一步提高机床加工控制的效率和效果。

具体实施过程中，通过SSTT数据采集软件获取机床的实时运行数据，并从实时运行数据中提取出加工参数样本。通过现有参数提取手段从实时运行数据中提取出主轴功率、扭矩等所需的加工参数作为加工参数样本。

本实施例中，使用华中数控公司测试车间的Z540-B钻攻中心（配备有华中8型数控系统）作为实验机床，使用直径8mm的三刃立铣刀作为加工刀具，毛坯材料为7075航空硬铝。使用华中数控数据采集软件SSTT采集，实验测量了不同工艺参数组合下的主轴功率并对行号以及各轴的实际速度，通过SSTT数据采集软件与数控系统通讯，利用数控系统的开放接进行了采集，采样频率为1kHZ。

机床加工过程的运行数据的采集方式为：数控装置的总线及寄存器，会在每个控制周期更新数控装置下发给伺服控制器的指令数据，以及光栅尺、编码器等反馈的实际数据。将PC电脑与数控装置通过网线连接，通过与数控系统适配的数据采集软件SSTT，即可采集得到数控机床的实时运行数据。

通过数据采集软件SSTT，设置所需采集的数据类型，即可实时采集机床进给系统的运行数据，数据采集周期为1ms。SSTT与数控系统通信并实时地采集包括指令行号、各轴指令位置、各轴实际位置、各轴指令速度、各轴实际速度、各轴加速度以及各轴功率或电流在内的各类加工数据。

具体实施过程中，对于提出得到的加工参数样本进行数据预处理，包括数据无量纲化处理、数据滤波处理和数据对齐与融合处理。

数据无量纲化处理：通过SSTT软件采集到指令数据中，主轴功率、扭矩等含有高频噪声成分，或有其它噪声干扰。因此需去除噪声，进而提升数据的有效性。

数据滤波处理：采集得到的数据，如实际速度、实际位置、跟随误差等均存在着大量高频的波动值，其波动幅度小，频率高，规律性小。因此需要对数据进行滤波，去除掉高频波动干扰，再用于预测模型的训练。

数据对齐与融合处理：加工参数的提取按照距离进行分隔，其中SSTT的数据采集频率为1kHZ，需要将二者在刀位点上细致对齐，才能准确反应每一刀位点对应工艺参数与响应数据，保证生成训练样本的有效性。

本发明通过上述步骤生成加工参数来构建预测模型的训练集，使得能够保证预测模型的训练、优化效果，进而能够更好的利用神经网络的映射能力和信息处理能力实现制造资源和加工任务等多机床加工控制目标的同时优化，从而能够进一步提高机床加工控制的效率和效果。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.基于神经网络模型的机床加工控制方法，其特征在于，包括：

S1：获取机床的制造资源和加工任务；

S2：将机床的制造资源和加工任务输入经过训练的预测模型中，输出对应的加工参数预测值；其中，预测模型基于神经网络模型训练生成；

S3：基于预测模型输出的加工参数预测值实施机床的加工控制。

2.如权利要求1所述的基于神经网络模型的机床加工控制方法，其特征在于：步骤S1中，制造资源包括执行加工任务所需的系统部件工艺数据和环境数据；其中，系统部件工艺数据包括主轴、丝杠、导轨、轴承、电机和刀具的工艺数据；环境数据包括温度数据和振动数据。

3.如权利要求1所述的基于神经网络模型的机床加工控制方法，其特征在于：步骤S1中，加工任务包括被加工零件的铣目标值、形状特征目标值、尺寸目标值和加工模式。

4.如权利要求1所述的基于神经网络模型的机床加工控制方法，其特征在于：步骤S2中，加工参数预测值包括主轴功率预测值、扭矩预测值、振动预测值和进给轴轮廓误差预测值。

5.如权利要求1所述的基于神经网络模型的机床加工控制方法，其特征在于：步骤S2中，预测模型为基于反向传播算法的BP神经网络模型。

6.如权利要求5所述的基于神经网络模型的机床加工控制方法，其特征在于：预测模型包括输入层、第一隐藏层、第二隐藏层和输出层。

7.如权利要求6所述的基于神经网络模型的机床加工控制方法，其特征在于：预测模型的输入层、第一隐藏层、第二隐藏层和输出层对应的节点数分别为4、10、10和1。

8.如权利要求5所述的基于神经网络模型的机床加工控制方法，其特征在于，通过如下步骤训练预测模型：

S201：构建包含若干组训练样本的训练集；训练样本包括机床的制造资源样本和加工任务样本及对应的加工参数样本；

S202：选取训练样本训练预测模型；

S203：基于反向传播算法优化预测模型的模型参数；

S204：重复步骤S202至步骤S203，直至预测模型收敛；

S205：获取训练完成的预测模型。

9.如权利要求8所述的基于神经网络模型的机床加工控制方法，其特征在于：步骤S201中，通过SSTT数据采集软件获取机床的实时运行数据，并从实时运行数据中提取出加工参数样本。

10.如权利要求9所述的基于神经网络模型的机床加工控制方法，其特征在于：对于提出得到的加工参数样本进行数据预处理，包括数据无量纲化处理、数据滤波处理和数据对齐与融合处理。

Images