CN116021339A - 一种数控机床主轴切削力监测方法及相关装置 - Google Patents
一种数控机床主轴切削力监测方法及相关装置 Download PDFInfo
- Publication number
- CN116021339A CN116021339A CN202310295013.5A CN202310295013A CN116021339A CN 116021339 A CN116021339 A CN 116021339A CN 202310295013 A CN202310295013 A CN 202310295013A CN 116021339 A CN116021339 A CN 116021339A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- cutting force
- cutting
- numerical control
- processed
- 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
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Numerical Control (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明提供一种数控机床主轴切削力监测方法及相关装置,涉及数控加工技术领域,方法包括:获取待加工工件的工件加工方案,基于工件加工方案确定待加工工件的目标刀具的刀具数量;当目标刀具的刀具数量大于1时,根据目标刀具将待加工工件的切削加工过程划分为多个切削阶段;在数控机床处于切削加工状态时,获取数控机床的实时运行信息、以及当前时刻待加工工件对应的切削阶段;根据当前时刻待加工工件的切削阶段,确定当前时刻的目标刀具;基于当前时刻的目标刀具、实时运行信息和已训练的非线性切削力检测模型,确定当前时刻数控机床的主轴切削力。通过上述方案,可以提供数控机床主轴切削力监测的准确度,减少刀具损耗、提高目标工件的精度。
Description
技术领域
本发明涉及数控机床加工技术领域,尤其涉及一种数控机床主轴切削力监测方法及相关装置。
背景技术
数控机床是数字控制机床的简称,是一种装有程序控制系统的自动化机床,被广泛的应用于例如国防航空、汽车工业、模具制造、机械加工、零件构造等各个领域。数控加工过程中切削力对数控机床中的刀具磨损和工件的加工质量有着重要的影响,是选取切削加工参数的重要参考因素。切削过程中的动态切削力可以反映切削加工过程中切削力方向以及随时间变化的周期特征,其动态切削力的准确监控是切削过程控制与优化中至关重要的步骤。
目前动态切削力监测方法主要为间接监测法。间接测量法主要是通过实时采集数控机床的主轴伺服电流信号,确定对应的主轴切削力,实现对主轴切削力的动态监测。但是,基于主轴电流对主轴切削力的监测精度有限,无法实现对数控机床主轴切削力的准确监测。
发明内容
本发明提供一种数控机床主轴切削力监测方法及相关装置,用以解决现有技术中通过主轴电流对主轴切削力监测精度低的缺陷,实现对主轴切削力的高精度监测。
本发明提供一种数控机床主轴切削力监测方法,所述方法包括:
获取待加工工件的工件加工方案,基于所述工件加工方案确定所述待加工工件的目标刀具的刀具数量;
当所述目标刀具的刀具数量大于1时,根据所述目标刀具将所述待加工工件的切削加工过程划分为多个切削阶段,其中,一个所述切削阶段对应一种所述目标刀具;
在数控机床处于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段,其中,所述实时运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率;
根据当前时刻所述待加工工件的所述切削阶段,确定当前时刻的目标刀具;
基于当前时刻的所述目标刀具、所述实时运行信息和已训练的非线性切削力检测模型,确定当前时刻所述数控机床的主轴切削力。
根据本发明提供的一种数控机床主轴切削力监测方法,所述获取待加工工件的工件加工方案,包括:
分别获取所述待加工工件的工件特征信息以及所述待加工工件对应的目标工件的工件特征信息,其中,所述工件特征信息包括:工件材质、工件轮廓信息;
确定用于加工所述待加工工件的所述数控机床的设备类型;
基于所述数控机床的设备类型、所述待加工工件以及目标工件的工件特征信息,生成所述待加工工件的工件加工方案。
根据本发明提供的一种数控机床主轴切削力监测方法,所述基于当前时刻的所述目标刀具、所述实时运行信息和已训练的非线性切削力检测模型,确定当前时刻所述数控机床的主轴切削力,包括:
获取当前时刻的所述目标刀具的刀具参数信息;所述刀具参数信息包括:刀具材料信息、刀具几何参数信息;
确定所述目标刀具的刀具参数信息和所述实时运行信息中的数值信息和文本信息;
将所述数值信息输入预设生成对抗神经网络进行特征提取,得到相应的数值特征;
将所述文本信息输入预设循环神经网络进行特征提取,得到对应的文本特征;
将所述数值特征和所述文本特征进行组合,得到当前时刻的特征矩阵;
将当前时刻的所述特征矩阵输入已训练的所述非线性切削力检测模型,得到当前时刻所述数控机床的主轴切削力。
根据本发明提供的一种数控机床主轴切削力监测方法,所述将当前时刻的所述特征矩阵输入已训练的所述非线性切削力检测模型之前,所述方法还包括:
通过非负矩阵分解算法对所述当前时刻的特征矩阵进行降维,得到降维后的特征矩阵。
根据本发明提供的一种数控机床主轴切削力监测方法,所述非线性切削力检测模型通过以下方式训练得到:
根据训练样本对预设深度信念网络模型进行训练,以得到已训练的所述非线性切削力检测模型;
所述训练样本包括:样本运行信息、及对应的样本目标刀具和主轴切削力标签,所述预设深度信念网络模型中每层神经网络的激活函数为径向基函数。
根据本发明提供的一种数控机床主轴切削力监测方法,所述在数控机床处于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段之前,所述方法还包括:
当接收到所述数控机床的启动指令后,获取所述数控机床的实时监控信息,其中,所述实时监控信息包括:主轴转速和进给速度;
根据所述实时监控信息,确定所述数控机床处于切削加工状态。
根据本发明提供的一种数控机床主轴切削力监测方法,所述确定当前时刻所述数控机床的主轴切削力之后,所述方法还包括:
根据当前时刻所述数控机床的主轴切削力,按照时间顺序生成所述待加工工件的切削力曲线;
将所述切削力曲线与预设标准切削力曲线比较,确定所述待加工工件的刀具加工路径中对应的异常点;
确定所述异常点对应的主轴切削力,对所述待加工工件的所述工件加工方案进行调整;
根据调整后的所述工件加工方案,对下一所述待加工工件进行加工。
本发明还提供了一种数控机床主轴切削力监测装置,所述装置包括:
第一数据获取模块,用于获取待加工工件的工件加工方案,基于所述工件加工方案确定所述待加工工件的目标刀具的刀具数量;
划分模块,用于当所述目标刀具的刀具数量大于1时,根据所述目标刀具将所述待加工工件的切削加工过程划分为多个切削阶段;其中,一个所述切削阶段对应一种所述目标刀具;
第二数据获取模块,用于在数控机床处于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段,其中,所述实时运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率;
刀具确定模块,用于根据当前时刻所述待加工工件的所述切削阶段,确定当前时刻的目标刀具;
切削力确定模块,用于基于当前时刻的所述目标刀具、所述实时运行信息和已训练的非线性切削力检测模型,确定当前时刻所述数控机床的主轴切削力。
本发明还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任一项所述数控机床主轴切削力监测方法。
本发明还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述数控机床主轴切削力监测方法。
本发明提供的一种数控机床主轴切削力监测方法及相关装置,通过待加工工件的工件加工方案确定待加工工件的目标刀具的刀具数量,根据目标刀具将待加工工件的切削加工过程划分为多个切削阶段;其中,一个所述切削阶段对应一种所述目标刀具;在数控机床属于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段;其中,运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率;根据当前时刻待加工工件的所述切削阶段,确定当前时刻的目标刀具;基于当前时刻的目标刀具、实时运行信息和已训练的非线性切削力检测模型,确定当前时刻数控机床的主轴切削力。在实际应用场景中,主轴切削力的大小收到很多因素的影响,而基于主轴伺服电流信息确定对应的主轴切削力,其对主轴切削力的监测精度有限,容易造成刀具损坏以及目标工件的精度低。而通过上述方案,通过待加工工件的工件加工方案确定待加工工件的目标刀具的刀具数量,切削加工过程划分为多个切削阶段,在对主轴切削力实时监测时,通过当前时刻所处的切削阶段对应的目标刀具、数控机床的运行信息以及非线性切削力检测模型,确定每个时刻的主轴切削力,在实现对主轴切削力实时检测的基础上提高主轴切削力检测的准确度,降低刀具损耗以及提高目标工件的精度,有利于工件加工厂商的发展。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的数控机床主轴切削力监测方法的流程示意图;
图2是本发明提供的数控机床主轴切削力监测装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。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。
下面结合图1描述本发明的数控机床主轴切削力监测方法。
图1是本发明提供的数控机床主轴切削力监测方法的流程图,如图1所示,本发明提供的数控机床主轴切削力监测方法至少可以包括以下步骤:
S100,获取待加工工件的工件加工方案,基于所述工件加工方案确定所述待加工工件的目标刀具的刀具数量。
其中,上述工件加工方案包括:用于待加工工件进行切削加工的若干目标刀具。上述若干包括至少一个。
在本发明实施例中,除了上述目标刀具之外,工件加工方案中还包括各目标刀具的刀具加工路径以及各目标刀具的刀具参数信息。这里所提到的刀具参数信息至少可以包括:刀具材料信息以及刀具几何参数信息;刀具几何参数信息至少可以包括:前刀面参数、后刀面参数、刃区参数等。
在本发明的一些实施例中,上述步骤S100至少可以通过以下步骤实现:分别获取待加工工件的工件特征信息以及待加工工件对应的目标工件的工件特征信息;确定用于加工上述待加工工件的数控机床的设备类型;基于数控机床的设备类型、待加工工件以及目标工件的工件特征信息,生成待加工工件的工件加工方案。
其中,上述工件特征信息包括:工件材质、工件轮廓信息。工件材质例如碳素结构钢、锰钢等,在本发明实施例中不做具体限定。
进一步地,可以从预设图库中获取待加工工件及其对应的目标工件的工件结构图,通过对上述工件结构图像进行图像识别即可确定待加工工件的工件轮廓信息、以及目标工件的工件轮廓信息。上述待加工工件及其目标工件的工件材质可以是工作人员通过输入设备输入的。基于此,可以获取到待加工工件及其目标工件的工件特征信息。
在本发明实施例中,可以预先设置已训练的工件加工方案生成模型。不同设备类型的数控机床可以对应不同的工件加工模型。
因此,可以根据数控机床的设备类型,确定该待加工工件对应的工件加工方案生成模型,然后对待加工工件及其目标工件的工件特征信息进行特征提取,并将提取到的特征输入工件加工方案生成模型,得到相应的工件加工方案。
可以理解的是,上述待加工工件的目标工件是指待加工工件经过数控加工后得到的最终得到的工件。
S200,当目标刀具的刀具数量大于1时,根据目标刀具将待加工工件的切削加工过程划分为多个切削阶段。
其中,一个切削阶段对应一种目标刀具。
在本发明实施例中,可以通过目标刀具的数量切削加工过程划分为多个切削阶段。
S300,在数控机床处于切削加工状态时,获取数控机床的实时运行信息、以及当前时刻待加工工件对应的切削阶段。
其中,实时运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率。
在本发明的一些实施例中,在步骤S300之前,本发明提供的数控机床主轴切削力监测方法至少还可以包括以下步骤:当接收到数控机床的启动指令后,获取数控机床的实时监控信息;根据实时监控信息,确定数控机床处于切削加工状态。
其中,上述实时监控信息包括:主轴转速和进给速度。
具体地,在接收到数控机床的启动指令后,实时获取数控机床的监控信息即为实时监控信息,然后根据实时监控信息中的主轴转速和进给转速,生成速度向量;再根据速度向量,确定当前时刻数控机床是否处于切削加工状态。
在本发明实施例中,可以将速度向量与预设阈值进行比较,来确定数控机床当前所处的状态。
S400,根据当前时刻待加工工件的切削阶段,确定当前时刻的目标刀具。
在本发明实施例中,预先生成各切削阶段及其对应的目标刀具的关联关系并进行存储。根据上述关联关系,确定各切削阶段对应的目标刀具。
S500,基于当前时刻的目标刀具、实时运行信息和已训练的非线性切削力检测模型,确定当前时刻数控机床的主轴切削力。
在本发明的一些实施例中,上述步骤S500至少可以通过以下方法实现:获取当前时刻的目标刀具的刀具参数信息;确定目标刀具的刀具参数信息和实时运行信息中的数值信息和文本信息;将数值信息输入预设生成对抗神经网络进行特征提取,得到相应的数值特征;以及将文本信息输入预设循环神经网络进行特征提取,得到对应的文本特征;将数值特征和文本特征进行组合,得到当前时刻的特征矩阵;将当前时刻的特征矩阵输入已训练的非线性切削力检测模型,得到当前时刻数控机床的主轴切削力。
在实际场景中,可以通过文字和/或数字表示上述刀具参数信息和实时运行信息。因此,可以对刀具参数信息和实时运行信息进行划分,确认二者中的数值信息和文本信息。然后将数值信息输入预设生成对抗神经网络进行特征提取,将文字信息输入预设循环神经网络进行特征提取;在得到数值特征和文本特征后可以进行归一化处理,使得文本特征和数值特征的特征维度相同,进一步提高非线性切削力检测模型的准确度。然后将归一化后的数值特征和文本特征进行组合,得到当前时刻的特征矩阵,将该特征矩阵输入已训练的非线性切削力检测模型,输出当前时刻数控机床的主轴切削力。
进一步地,在将当前时刻的特征矩阵输入已训练的非线性切削力检测模型之间,还包括:通过非负矩阵分解算法对当前时刻的特征矩阵进行降维,得到降维后的特征矩阵。
通过非负矩阵分解算法对当前时刻的特征矩阵进行降维,可以利用较少的计算资源从较大的数据集中提取到有用的特征,从而降低计算资源需求、提供运行效率。
可以理解的是,将降维后的特征矩阵作为输入线性切削力检测模型的特征矩阵。
在本发明的一些实施例中,上述非线性切削力检测模型至少通过以下方式训练得到:构建预设深度信念网络模型,并确定预设深度信念网络模型的输入参数和输出参数;将径向基函数作为预设深度信念网络模型中每层神经网络的激活函数;根据输入参数和输出参数,构建训练样本;根据训练样本对预设深度信念网络模型进行训练以得到已训练的非线性切削力检测模型。
其中,训练样本包括:样本运行信息、及对应的样本目标刀具和主轴切削力标签。上述样本运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率。
可以理解的是,可以利用多个训练样本持续预设深度信念网络模型进行训练,直至预设深度信念网络模型满足预设条件,得到已训练的非线性切削力检测模型。这里所述的预设条件可以是达到训练次数和/或损失函数大于预设阈值。
在本发明实施例中,通过预设深度信念网络模型以及径向基函数进行模型训练,得到已训练的非线性切削力检测模型,能够进一步非线性切削力检测模型的稳定性和准确性,适用于存在非线性多影响因素的切削力检测领域。
在本发明的一些实施例中,在步骤S500之后,本发明提供的数控机床主轴切削力监测方法至少还可以包括以下步骤:根据当前时刻数控机床的主轴切削力,按照时间顺序生成待加工工件的切削力曲线;将切削力曲线与预设标准切削力曲线比较,确定待加工工件的刀具加工路径中的异常点;确定异常点对应的主轴切削力,对待加工工件的工件加工方案进行调整;根据调整后的工件加工方案,对下一待加工工件进行加工。
具体地,将切削力曲线与预设标准切削力曲线比较,从而确定切削力曲线中切削力过大的切削力对应的时间点,将该时间点作为异常点,从而确定刀具加工路径中的异常点,然后根据异常点对应的主轴切削力,对待加工工件的工件加工方案进行调整;根据调整后的工件加工方案,对下一待加工工件进行加工。
在本发明实施例中,通过主轴切削力可以实现对工件加工方案的调整,从而得到更适于该待加工工件的加工方案,减少刀具的损耗以及提高目标工件的精确度。
本发明提供的数控机床主轴切削力监测方法,获取待加工工件的工件加工方案,基于所述工件加工方案确定所述待加工工件的目标刀具的刀具数量,根据目标刀具将待加工工件的切削加工过程划分为多个切削阶段;其中,一个所述切削阶段对应一种所述目标刀具;在数控机床属于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段;其中,运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率;根据当前时刻待加工工件的所述切削阶段,确定当前时刻的目标刀具;基于当前时刻的目标刀具、实时运行信息和已训练的非线性切削力检测模型,确定当前时刻数控机床的主轴切削力。在实际应用场景中,主轴切削力的大小收到很多因素的影响,而基于主轴伺服电流信息确定对应的主轴切削力,其对主轴切削力的监测精度有限,容易造成刀具损坏以及目标工件的精度低。而通过上述方案,通过待加工工件的工件加工方案确定待加工工件的目标刀具的刀具数量,切削加工过程划分为多个切削阶段,在对主轴切削力实时监测时,通过当前时刻所处的切削阶段对应的目标刀具、数控机床的运行信息以及非线性切削力检测模型,确定每个时刻的主轴切削力,在实现对主轴切削力实时检测的基础上提高主轴切削力检测的准确度,降低刀具损耗以及提高目标工件的精度,有利于工件加工厂商的发展。
下面对本发明提供的数控机床主轴切削力监测装置进行描述,下文描述的数控机床主轴切削力监测装置与上文描述的数控机床主轴切削力监测方法可相互对应参照。
如图2所示,本发明提供的一种数控机床主轴切削力监测装置至少包括所述装置包括:第一数据获取模块210、划分模块220、第二数据获取模块230、刀具确定模块240、切削力确定模块250。
第一数据获取模块210用于获取待加工工件的工件加工方案,基于所述工件加工方案确定所述待加工工件的目标刀具的刀具数量;
划分模块220用于当所述目标刀具的刀具数量大于1时,根据所述目标刀具将所述待加工工件的切削加工过程划分为多个切削阶段;其中,一个所述切削阶段对应一种所述目标刀具;
第二数据获取模块230用于在数控机床处于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段,其中,所述实时运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率;
刀具确定模块240用于根据当前时刻所述待加工工件的所述切削阶段,确定当前时刻的目标刀具;
切削力确定模块250用于基于当前时刻的所述目标刀具、所述实时运行信息和已训练的非线性切削力检测模型,确定当前时刻所述数控机床的主轴切削力。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行数控机床主轴切削力监测方法,该方法包括:获取待加工工件的工件加工方案,基于所述工件加工方案确定所述待加工工件的目标刀具的刀具数量;当所述目标刀具的刀具数量大于1时,根据所述目标刀具将所述待加工工件的切削加工过程划分为多个切削阶段;其中,一个所述切削阶段对应一种所述目标刀具;在数控机床处于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段;其中,所述实时运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率;根据当前时刻所述待加工工件的所述切削阶段,确定当前时刻的目标刀具;基于当前时刻的所述目标刀具、所述实时运行信息和已训练的非线性切削力检测模型,确定当前时刻所述数控机床的主轴切削力。
此外,上述的存储器330中的逻辑指令可以通过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取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的数控机床主轴切削力监测方法,该方法包括:获取待加工工件的工件加工方案,基于所述工件加工方案确定所述待加工工件的目标刀具的刀具数量;当所述目标刀具的刀具数量大于1时,根据所述目标刀具将所述待加工工件的切削加工过程划分为多个切削阶段;其中,一个所述切削阶段对应一种所述目标刀具;在数控机床处于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段;其中,所述实时运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率;根据当前时刻所述待加工工件的所述切削阶段,确定当前时刻的目标刀具;基于当前时刻的所述目标刀具、所述实时运行信息和已训练的非线性切削力检测模型,确定当前时刻所述数控机床的主轴切削力。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种数控机床主轴切削力监测方法,其特征在于,所述方法包括:
获取待加工工件的工件加工方案,基于所述工件加工方案确定所述待加工工件的目标刀具的刀具数量;
当所述目标刀具的刀具数量大于1时,根据所述目标刀具将所述待加工工件的切削加工过程划分为多个切削阶段,其中,一个所述切削阶段对应一种所述目标刀具;
在数控机床处于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段,其中,所述实时运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率;
根据当前时刻所述待加工工件的所述切削阶段,确定当前时刻的目标刀具;
基于当前时刻的所述目标刀具、所述实时运行信息和已训练的非线性切削力检测模型,确定当前时刻所述数控机床的主轴切削力。
2.根据权利要求1所述的数控机床主轴切削力监测方法,其特征在于,所述获取待加工工件的工件加工方案,包括:
分别获取所述待加工工件的工件特征信息以及所述待加工工件对应的目标工件的工件特征信息,其中,所述工件特征信息包括:工件材质、工件轮廓信息;
确定用于加工所述待加工工件的所述数控机床的设备类型;
基于所述数控机床的设备类型、所述待加工工件以及目标工件的工件特征信息,生成所述待加工工件的工件加工方案。
3.根据权利要求1所述的数控机床主轴切削力监测方法,其特征在于,所述基于当前时刻的所述目标刀具、所述实时运行信息和已训练的非线性切削力检测模型,确定当前时刻所述数控机床的主轴切削力,包括:
获取当前时刻的所述目标刀具的刀具参数信息,所述刀具参数信息包括:刀具材料信息、刀具几何参数信息;
确定所述目标刀具的刀具参数信息和所述实时运行信息中的数值信息和文本信息;
将所述数值信息输入预设生成对抗神经网络进行特征提取,得到相应的数值特征;
将所述文本信息输入预设循环神经网络进行特征提取,得到对应的文本特征;
将所述数值特征和所述文本特征进行组合,得到当前时刻的特征矩阵;
将当前时刻的所述特征矩阵输入已训练的所述非线性切削力检测模型,得到当前时刻所述数控机床的主轴切削力。
4.根据权利要求3所述的数控机床主轴切削力监测方法,其特征在于,所述将当前时刻的所述特征矩阵输入已训练的所述非线性切削力检测模型之前,所述方法还包括:
通过非负矩阵分解算法对所述当前时刻的特征矩阵进行降维,得到降维后的特征矩阵。
5.根据权利要求1所述的数控机床主轴切削力监测方法,其特征在于,所述非线性切削力检测模型通过以下方式训练得到:
根据训练样本对预设深度信念网络模型进行训练,以得到已训练的所述非线性切削力检测模型;
所述训练样本包括:样本运行信息、及对应的样本目标刀具和主轴切削力标签,所述预设深度信念网络模型中每层神经网络的激活函数为径向基函数。
6.根据权利要求1所述的数控机床主轴切削力监测方法,其特征在于,所述在数控机床处于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段之前,所述方法还包括:
当接收到所述数控机床的启动指令后,获取所述数控机床的实时监控信息,其中,所述实时监控信息包括:主轴转速和进给速度;
根据所述实时监控信息,确定所述数控机床处于切削加工状态。
7.根据权利要求1所述的数控机床主轴切削力监测方法,其特征在于,所述确定当前时刻所述数控机床的主轴切削力之后,所述方法还包括:
根据当前时刻所述数控机床的主轴切削力,按照时间顺序生成所述待加工工件的切削力曲线;
将所述切削力曲线与预设标准切削力曲线比较,确定所述待加工工件的刀具加工路径中对应的异常点;
确定所述异常点对应的主轴切削力,对所述待加工工件的所述工件加工方案进行调整;
根据调整后的所述工件加工方案,对下一所述待加工工件进行加工。
8.一种数控机床主轴切削力监测装置,其特征在于,所述装置包括:
第一数据获取模块,用于获取待加工工件的工件加工方案,基于所述工件加工方案确定所述待加工工件的目标刀具的刀具数量;
划分模块,用于当所述目标刀具的刀具数量大于1时,根据所述目标刀具将所述待加工工件的切削加工过程划分为多个切削阶段,其中,一个所述切削阶段对应一种所述目标刀具;
第二数据获取模块,用于在数控机床处于切削加工状态时,获取所述数控机床的实时运行信息、以及当前时刻所述待加工工件对应的切削阶段,其中,所述实时运行信息包括:主轴转速、进给速度、切削深度、回转半径、待加工工件材料、机床转动效率;
刀具确定模块,用于根据当前时刻所述待加工工件的所述切削阶段,确定当前时刻的目标刀具;
切削力确定模块,用于基于当前时刻的所述目标刀具、所述实时运行信息和已训练的非线性切削力检测模型,确定当前时刻所述数控机床的主轴切削力。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述数控机床主轴切削力监测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述数控机床主轴切削力监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310295013.5A CN116021339B (zh) | 2023-03-24 | 2023-03-24 | 一种数控机床主轴切削力监测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310295013.5A CN116021339B (zh) | 2023-03-24 | 2023-03-24 | 一种数控机床主轴切削力监测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116021339A true CN116021339A (zh) | 2023-04-28 |
CN116021339B CN116021339B (zh) | 2023-05-30 |
Family
ID=86076205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310295013.5A Active CN116021339B (zh) | 2023-03-24 | 2023-03-24 | 一种数控机床主轴切削力监测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116021339B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148783A (zh) * | 2023-10-30 | 2023-12-01 | 南通百盛精密机械有限责任公司 | 数控机床的刀具参数自动化校正方法 |
CN117195440A (zh) * | 2023-11-08 | 2023-12-08 | 上海诺倬力机电科技有限公司 | 主轴系统结构优化方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101412196A (zh) * | 2008-11-10 | 2009-04-22 | 西安理工大学 | 基于刀具角度与切削用量参数变化的车削力预测方法 |
CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
CN109396955A (zh) * | 2017-08-16 | 2019-03-01 | 山东大学 | 一种面向旋风包络铣削工艺的切削力预测方法及系统 |
CN112355713A (zh) * | 2020-09-24 | 2021-02-12 | 北京航空航天大学 | 基于图像预测切削力的方法、装置及设备 |
US20230091985A1 (en) * | 2021-09-18 | 2023-03-23 | Tsinghua University | Method and device for measuring cutting force, electronic apparatus and storage medium |
-
2023
- 2023-03-24 CN CN202310295013.5A patent/CN116021339B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101412196A (zh) * | 2008-11-10 | 2009-04-22 | 西安理工大学 | 基于刀具角度与切削用量参数变化的车削力预测方法 |
CN109396955A (zh) * | 2017-08-16 | 2019-03-01 | 山东大学 | 一种面向旋风包络铣削工艺的切削力预测方法及系统 |
CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
CN112355713A (zh) * | 2020-09-24 | 2021-02-12 | 北京航空航天大学 | 基于图像预测切削力的方法、装置及设备 |
US20230091985A1 (en) * | 2021-09-18 | 2023-03-23 | Tsinghua University | Method and device for measuring cutting force, electronic apparatus and storage medium |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148783A (zh) * | 2023-10-30 | 2023-12-01 | 南通百盛精密机械有限责任公司 | 数控机床的刀具参数自动化校正方法 |
CN117148783B (zh) * | 2023-10-30 | 2023-12-26 | 南通百盛精密机械有限责任公司 | 数控机床的刀具参数自动化校正方法 |
CN117195440A (zh) * | 2023-11-08 | 2023-12-08 | 上海诺倬力机电科技有限公司 | 主轴系统结构优化方法、装置、设备及存储介质 |
CN117195440B (zh) * | 2023-11-08 | 2024-01-30 | 上海诺倬力机电科技有限公司 | 主轴系统结构优化方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116021339B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116021339B (zh) | 一种数控机床主轴切削力监测方法及相关装置 | |
CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
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 | |
CN108490880A (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
CN111687652B (zh) | 握持力调整装置以及握持力调整系统 | |
CN111113150B (zh) | 一种机床刀具状态的监控方法 | |
CN110414727B (zh) | 一种基于数据挖掘的生产进度预测方法及系统 | |
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 | |
KR101896819B1 (ko) | 절삭 가공에 있어서의 절삭 조건의 설계 방법 | |
US20080109097A1 (en) | Machining step generating apparatus | |
JP2019145086A (ja) | 制御装置、機械学習装置及びシステム | |
CN114708587B (zh) | 一种基于图像识别的数控机床工件加工余量确定方法 | |
CN116372661B (zh) | 一种五轴加工的进给速度控制方法及相关设备 | |
CN110948287A (zh) | 智能化刀具管理方法及系统 | |
CN110174871B (zh) | 控制装置、机器学习装置以及系统 | |
CN113798919A (zh) | 一种切削力测量方法、装置、电子设备及存储介质 | |
KR102594887B1 (ko) | 공작기계 공작물의 재질 판별 장치 및 그 방법 | |
CN115237054B (zh) | 一种主轴驱动电机控制方法、装置、终端及存储介质 | |
CN116068962B (zh) | 一种基于数控机床的工艺路线规划方法及相关设备 | |
CN116303105B (zh) | 数控机床控制代码自动检查方法、装置、设备及介质 | |
CN115951634B (zh) | 数控加工能耗预测方法、装置、电子设备及存储介质 | |
CN110837694B (zh) | 回转加工特征识别方法及装置 | |
CN116050173A (zh) | 复杂工况下铣刀寿命评价模型的构建方法及相关设备 | |
CN115993803B (zh) | 基于数控机床的加工参数调整方法及相关设备 | |
CN113537641B (zh) | 一种制造系统多重输入下的大型柴油机机体质量预测方法 |
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 |