CN116048002A - 数控机床虚拟轴运动控制方法、装置、设备及存储介质 - Google Patents

数控机床虚拟轴运动控制方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116048002A
CN116048002A CN202310342829.9A CN202310342829A CN116048002A CN 116048002 A CN116048002 A CN 116048002A CN 202310342829 A CN202310342829 A CN 202310342829A CN 116048002 A CN116048002 A CN 116048002A
Authority
CN
China
Prior art keywords
data
machine tool
fuzzy
input
numerical control
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
Application number
CN202310342829.9A
Other languages
English (en)
Other versions
CN116048002B (zh
Inventor
杨之乐
胡天宇
饶建波
吴承科
肖溱鸽
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.)
Zhongke Hangmai CNC Software Shenzhen Co Ltd
Original Assignee
Zhongke Hangmai CNC Software Shenzhen Co Ltd
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 Zhongke Hangmai CNC Software Shenzhen Co Ltd filed Critical Zhongke Hangmai CNC Software Shenzhen Co Ltd
Priority to CN202310342829.9A priority Critical patent/CN116048002B/zh
Publication of CN116048002A publication Critical patent/CN116048002A/zh
Application granted granted Critical
Publication of CN116048002B publication Critical patent/CN116048002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B19/408—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 data handling or data format, e.g. reading, buffering or conversion of data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/023—Learning or tuning the parameters of a fuzzy system
    • 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
    • G05B2219/31166—Access data by name, object, stored in list, database
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种数控机床虚拟轴控制方法、装置、设备及存储介质，其方法包括：获取输入数据，输入数据包括数控机床虚拟轴的当前状态和用户输入的控制数据；对输入数据进行模糊化处理，得到模糊集合；将模糊集合输入至模糊逻辑模型进行预测，得到预测数据，模糊逻辑模型利用数控机床虚拟轴运动控制相关的数据训练得到，模糊逻辑模型包括模糊规则库和推理机，模糊规则库描述输入和输出之间关系规则；对预测数据进行去模糊化处理，得到控制虚拟轴运动的输出数据；根据输出数据控制数控机床虚拟轴运动。本发明通过利用模糊逻辑模型根据虚拟轴当前状态和用户的输入来预测虚拟轴的未来动作，能够提高数控机床加工精度和效率，具有较强的自适应性。

Description

数控机床虚拟轴运动控制方法、装置、设备及存储介质
技术领域
本申请涉及数控机床加工技术领域，特别是涉及一种数控机床虚拟轴运动控制方法、装置、设备及存储介质。
背景技术
数控机床是数字控制机床（Computer numerical control machine tools）的简称，是一种装有程序控制系统的自动化机床。该控制系统能够逻辑地处理具有控制编码或其他符号指令规定的程序，并将其译码，用代码化的数字表示，通过信息载体输入数控装置。经运算处理由数控装置发出各种控制信号，控制机床的动作，按图纸要求的形状和尺寸，自动地将零件加工出来。
虚拟轴（Virtual Axis）是指在数控系统中通过编程实现的、不存在于机床上的轴，它可以用来实现一些特殊的加工功能，如自适应控制、仿形加工等。目前，对于多轴虚拟轴的控制，其需要实现多个轴间协同控制，对各个轴的运动轨迹和速度的规划难度大，算法复杂且效率低下，难以实现高质量的加工效果。
发明内容
有鉴于此，本申请提供一种数控机床虚拟轴运动控制方法、装置、设备及存储介质，以解决现有虚拟轴控制算法复杂、效率低的问题。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种数控机床虚拟轴控制方法，其包括：获取输入数据，输入数据包括数控机床虚拟轴的当前状态和用户输入的控制数据；对输入数据进行模糊化处理，得到模糊集合；将模糊集合输入至模糊逻辑模型进行预测，得到预测数据，模糊逻辑模型利用数控机床虚拟轴运动控制相关的数据训练得到，模糊逻辑模型包括模糊规则库和推理机，模糊规则库用于存储描述输入数据和输出数据之间关系的规则，推理机用于根据输入数据和规则生成预测数据；对预测数据进行去模糊化处理，得到控制虚拟轴运动的输出数据；根据输出数据控制数控机床虚拟轴运动。
作为本申请的进一步改进，得到控制虚拟轴运动的输出数据之后，还包括：基于预设优化规则对输出数据进行评估和优化。
作为本申请的进一步改进，预设优化规则包括遗传算法。
作为本申请的进一步改进，基于预设优化规则对输出数据进行评估和优化，包括：获取适应度函数，适应度函数基于数控机床虚拟轴控制预测结果的优化目标和限制条件设置；定义编码方式，将数控机床虚拟轴的控制参数编码成二进制数据串；确认遗传算法中相关参数的预设值；利用预设的随机数生成器生成一组满足限制条件的个体，并与输出数据组成初始的种群；对种群执行进化操作，进化操作包括：利用适应度函数对种群中的个体进行选择，再对选择的个体进行交叉和变异操作，得到新个体，再将新个体加入至下一代种群；循环执行进化操作，直至达到预设终止条件时，输出控制数控机床虚拟轴运动的最终输出数据。
作为本申请的进一步改进，模糊规则库预先构建，构建模糊规则库的步骤包括：获取预先定义的输入变量、输出变量和隶属函数；创建模糊规则库，并将用户预先输入的规则保存至模糊规则库；定义推理方法，推理方法基于模糊规则库和输入变量的隶属函数计算输出变量的值。
作为本申请的进一步改进，预先训练模糊逻辑模型，包括：收集数控机床虚拟轴运动控制的相关数据，相关数据包括历史输入数据和历史输出数据；对历史输入数据和历史输出数据进行模糊化处理，得到输入模糊变量和输出模糊变量；利用输入模糊变量和输出模糊变量对待训练的模糊逻辑模型进行迭代训练，得到训练好的模糊逻辑模型。
为解决上述技术问题，本申请采用的又一个技术方案是：提供一种数控机床虚拟轴运动控制装置，其包括：获取模块，用于获取输入数据，输入数据包括数控机床虚拟轴的当前状态和用户输入的控制数据；第一处理模块，用于对输入数据进行模糊化处理，得到模糊集合；预测模块，用于将模糊集合输入至模糊逻辑模型进行预测，得到预测数据，模糊逻辑模型利用数控机床虚拟轴运动控制相关的数据训练得到，模糊逻辑模型包括模糊规则库和推理机，模糊规则库用于存储描述输入数据和输出数据之间关系的规则，推理机用于根据输入数据和规则生成预测数据；第二处理模块，用于对预测数据进行去模糊化处理，得到控制虚拟轴运动的输出数据；
为解决上述技术问题，本申请采用的再一个技术方案是：提供一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如上述任一项的数控机床虚拟轴运动控制方法的步骤。
为解决上述技术问题，本申请采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述任一项的数控机床虚拟轴运动控制方法的程序指令。
本申请的有益效果是：本申请的数控机床虚拟轴运动控制方法通过基于用户输入的控制数据，结合数控机床虚拟轴的当前状态，利用预先训练好的模糊逻辑模型预测虚拟轴未来的动作，再根据预测结果控制虚拟轴运动，该模糊逻辑模型利用数控机床虚拟轴运动控制相关的数据训练得到，能够准确地预测虚拟轴的未来加工动作，从而提前对虚拟轴的动作加以控制，使得加工效率更高，并且，以训练方式得到的模糊逻辑模型具有较强的适应性，具有较高的预测准确度，保证了机床加工的质量。此外，通过引入模糊规则库，进而通过增加规则的数量和复杂性来提高模型的准确性。
附图说明
图1是本发明第一实施例的数控机床虚拟轴运动控制方法的一流程示意图；
图2是本发明第二实施例的数控机床虚拟轴运动控制方法的一流程示意图；
图3是本发明实施例的数控机床虚拟轴运动控制装置的功能模块示意图；
图4是本发明实施例的计算机设备的结构示意图；
图5是本发明实施例的存储介质的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1是本发明第一实施例的数控机床虚拟轴运动控制方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该数控机床虚拟轴运动控制方法包括步骤：
步骤S101：获取输入数据，输入数据包括数控机床虚拟轴的当前状态和用户输入的控制数据。
需要说明的是，6轴虚拟轴机床是一种数控机床，其特点是可以在X、Y、Z三轴基础上添加三个虚拟轴，从而扩展机床的加工能力，这些虚拟轴可以对加工工件的角度、方向、半径等进行更精细的控制，大大提高了加工效率和精度，因此，6轴虚拟轴机床通常用于加工复杂形状的零件，例如空心曲面、凸凹面以及圆柱面等。本实施例中，该数控机床虚拟轴运动控制方法即应用于多轴虚拟轴机床。
具体地，本实施例中，输入数据具体包括用户输入的控制数据以及数控机床虚拟轴的当前状态，具体包括如转速、加速度、位置等。
步骤S102：对输入数据进行模糊化处理，得到模糊集合。
具体地，在得到输入数据后，对输入数据进行模糊化处理，将其转变为模糊集合，模糊集合中包括模糊隶属度函数，用于描述数据的不确定性和模糊性。隶属度函数用于描述一个元素在该模糊集合中的隶属度或归属程度，通常用一个介于0和1之间的值来表示。
步骤S103：将模糊集合输入至模糊逻辑模型进行预测，得到预测数据，模糊逻辑模型利用数控机床虚拟轴运动控制相关的数据训练得到，模糊逻辑模型包括模糊规则库和推理机，模糊规则库用于存储描述输入数据和输出数据之间关系的规则，推理机用于根据输入数据和规则生成预测数据。
具体地，利用训练好的模糊逻辑模型对当前加工状态下虚拟轴的变化（转速、加速度、位置等）进行预测。其中，模糊逻辑模型是一种基于经验数据的监督学习模型，其利用数控机床虚拟轴运动控制相关的数据训练得到，该相关的数据包括数控机床虚拟轴的历史输入数据和历史输出数据等。
进一步的，模糊逻辑模型包括模糊化模块、模糊规则库、推理机和去模糊化模块。其中，模糊化模块用于将输入数据转化为模糊集合，模糊集合包括描述数据不确定性和模糊性的隶属度函数。模糊规则库用于存储描述输入数据和输出数据之间关系的规则。模糊规则库是自适应模糊逻辑模糊规则库模型的核心部分，由一组if-then规则组成。每个规则包含一组前提条件和一个结论，前提条件和结论都是模糊集合，通过前提条件计算出结论的隶属度值，从而实现输入和输出的映射。推理机用于根据输入数据和规则生成输出数据。推理机是自适应模糊逻辑模糊规则库模型的推理引擎，用于根据输入的实际数据和模糊规则库中的if-then规则，计算出输出结果。常用的推理方法包括Mamdani和Sugeno方法。去模糊化模块用于将模糊化的输出数据转化为实际的输出数据。
需要说明的是，模糊规则库需要预先构建，构建模糊规则库的步骤具体包括：
1、获取预先定义的输入变量、输出变量和隶属函数。
具体地，首先需要明确要处理的问题和需要输入的变量以及输出的变量。其次需要设计隶属函数，隶属函数是将输入变量映射到模糊变量的一种方式，其定义了输入变量值的程度，每个输入变量需要设计相应的隶属函数。
2、创建规则库，并将用户预先输入的规则保存至规则库。
具体地，创建规则库，规则库是由一系列规则组成的集合，每个规则定义了一个条件和相应的输出。
3、定义推理方法，推理方法基于规则库和输入变量的隶属函数计算输出变量的值。
具体地，推理是指将输入变量映射到输出变量的过程，其基于规则库和输入变量的隶属函数来计算输出变量的值，通常使用的推理方法有最大值或平均值法、模糊逻辑法等。
需要说明的是，在创建模糊规则库后，还需进行系统测试和调整。完成以上步骤后，需要进行系统测试和调整以验证系统的正确性和性能。可以使用现有数据或模拟数据来测试系统，并根据测试结果调整系统中的参数和规则。
需要说明的是，在创建模糊规则库时，还可以使用专家知识来指导规则库的设计，以获得更好的性能。
进一步的，该模糊逻辑模型进行预先训练的步骤具体包括：
1、收集数控机床虚拟轴运动控制的相关数据，相关数据包括历史输入数据和历史输出数据。
具体地，收集数控机床虚拟轴运动控制相关的数据，包括输入数据和输出数据。输入数据包括控制参数，如转速、加速度、位置等；输出数据包括数控机床虚拟轴的实际运动状态，如转速、位置、加速度等。
2、对历史输入数据和历史输出数据进行模糊化处理，得到输入模糊变量和输出模糊变量。
具体地，对收集到的历史输入数据和历史输出数据进行模糊化处理，将其转换为模糊变量。模糊变量是一种能够描述模糊性的数学工具，其能够将模糊的输入数据和输出数据转换为模糊变量，以便于后续的模型建立和控制。
3、利用输入模糊变量和输出模糊变量对待训练的模糊逻辑模型进行迭代训练，得到训练好的模糊逻辑模型。
具体地，本实施例的模糊逻辑模型基于模糊逻辑原理建立，模糊逻辑模型由一组模糊规则和一个推理机组成，其能够将输入数据和已知的输出数据之间的关系建立起来，从而实现数控机床虚拟轴的运动控制。本实施例具体将历史输入数据输入至模糊逻辑模型，模糊逻辑模型将历史输入数据模糊化后，根据其预测得到一个预测数据，将该预测数据和模糊化的历史输出数据进行比对，再根据比对结果反向更新该模糊逻辑模型。通过循环执行上述训练过程，直至模糊逻辑模型的精度达到预设要求时为止。模糊逻辑模型训练的过程可以划分为参数调整和模型验证两个环节。在参数调整环节中，通过对模糊逻辑模型的参数进行调整，以得到最优的模型输出结果。在模型验证环节中，使用一组独立的测试数据对训练好的模型进行验证，以评估其泛化能力和预测精度。
步骤S104：对预测数据进行去模糊化处理，得到控制虚拟轴运动的输出数据。
具体地，在得到预测数据后，再对预测数据进行去模糊化处理，即可得到实际上的控制虚拟轴运动的输出数据。
步骤S105：根据输出数据控制数控机床虚拟轴运动。
具体地，将输出数据应用于数控机床虚拟轴运动控制中，实现对数控机床虚拟轴的准确控制。
本发明第一实施例的数控机床虚拟轴运动控制方法通过基于用户输入的控制数据，结合数控机床虚拟轴的当前状态，利用预先训练好的模糊逻辑模型预测虚拟轴未来的动作，再根据预测结果控制虚拟轴运动，该模糊逻辑模型利用数控机床虚拟轴运动控制相关的数据训练得到，能够准确地预测虚拟轴的未来加工动作，从而提前对虚拟轴的动作加以控制，使得加工效率更高，并且，以训练方式得到的模糊逻辑模型具有较强的适应性，具有较高的预测准确度，保证了机床加工的质量。此外，通过引入模糊规则库，进而通过增加规则的数量和复杂性来提高模型的准确性。
图2是本发明第二实施例的数控机床虚拟轴运动控制方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图2所示的流程顺序为限。如图2所示，该数控机床虚拟轴运动控制方法包括步骤：
步骤S201：获取输入数据，输入数据包括数控机床虚拟轴的当前状态和用户输入的控制数据。
在本实施例中，图2中的步骤S201和图1中的步骤S101类似，为简约起见，在此不再赘述。
步骤S202：对输入数据进行模糊化处理，得到模糊集合。
在本实施例中，图2中的步骤S202和图1中的步骤S102类似，为简约起见，在此不再赘述。
步骤S203：将模糊集合输入至模糊逻辑模型进行预测，得到预测数据，模糊逻辑模型利用数控机床虚拟轴运动控制相关的数据训练得到，模糊逻辑模型包括模糊规则库和推理机，模糊规则库用于存储描述输入数据和输出数据之间关系的规则，推理机用于根据输入数据和规则生成预测数据。
在本实施例中，图2中的步骤S203和图1中的步骤S103类似，为简约起见，在此不再赘述。
步骤S204：对预测数据进行去模糊化处理，得到控制虚拟轴运动的输出数据。
在本实施例中，图2中的步骤S204和图1中的步骤S104类似，为简约起见，在此不再赘述。
步骤S205：根据输出数据控制数控机床虚拟轴运动。
在本实施例中，图2中的步骤S205和图1中的步骤S105类似，为简约起见，在此不再赘述。
步骤S206：基于预设优化规则对输出数据进行评估和优化。
具体地，为了提高模糊逻辑模型的预测准确率，本实施例还需要对模型的预测结果进行评估优化。
进一步的，预设优化规则包括遗传算法。遗传算法起源于对生物系统所进行的计算机模拟研究，是一种随机全局搜索优化方法，其模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从任一初始种群出发，通过随机选择、交叉和变异操作，产生一群更适合环境的个体，使群体进化到搜索空间中越来越好的区域，通过不断繁衍进化，最后收敛到一群最适应环境的个体，从而求得问题的优质解。
进一步的，在以遗传算法作为预设优化规则的基础上，步骤S206具体包括：
1、获取适应度函数，适应度函数基于数控机床虚拟轴控制预测结果的优化目标和限制条件设置。
具体地，在遗传算法中，适应度函数用于评估每个个体的优劣程度。对于数控机床虚拟周控制预测结果的优化，适应度函数可以根据优化目标和限制条件来定义。例如，可以使用加工时间和加工质量作为适应度函数，其中加工时间需要最小化，而加工质量需要最大化。而在确定适应函数之前，确定优化目标和限制条件，例如，可能想要最小化加工时间或最大化加工质量，同时还需要满足机床的性能限制和工件的要求等。
2、定义编码方式，将数控机床虚拟轴的控制参数编码成二进制数据串。
具体地，遗传算法需要将问题的解编码成一组染色体。对于数控机床虚拟轴控制预测结果的优化，可以将控制参数编码成二进制串，例如，每个参数可以用一个二进制数表示，在编码时，预先设定参数的取值范围和精度。
3、确认遗传算法中相关参数的预设值。
具体地，遗传算法中部分参数需要根据问题的特点进行设置。例如，种群大小、交叉率、变异率等，其基于问题的复杂度和计算资源的限制来来设置参数的大小。
4、利用预设的随机数生成器生成一组满足限制条件的个体，并与输出数据组成初始的种群。
具体地，遗传算法需要初始化种群，种群是遗传算法中的一个重要概念，它是由多个个体组成的集合。在优化数控机床虚拟轴控制预测结果时，需要初始化一个合适的种群，具体使用随机数生成器来生成一组合理的个体，使它们满足限制条件，并与输出数据组成初始的种群。
5、对种群执行进化操作，进化操作包括：利用适应度函数对种群中的个体进行选择，再对选择的个体进行交叉和变异操作，得到新个体，再将新个体加入至下一代种群。
具体地，遗传算法的核心是进化过程，它包括选择、交叉和变异三个操作。在每一代中，根据适应度函数对个体进行选择，然后通过交叉和变异产生新的个体。新个体加入到下一代种群中，代替一些不适应的个体。重复进行进化过程，直到达到预设的终止条件。
6、循环执行进化操作，直至达到预设终止条件时，输出控制数控机床虚拟轴运动的最终输出数据。
具体地，当达到终止条件时，遗传算法将返回一个最优解，它对应于染色体中的一组参数，这些参数进行解码即可得到控制数控机床虚拟轴运动的最终输出数据。
本发明第二实施例的数控机床虚拟轴运动控制方法在第一实施例的基础上，通过利用预设优化规则对模糊逻辑模型的输出结果进行评估和优化，提高了最终生成的控制数据的准确性，进一步降低了加工误差，保证了加工质量。
图3是本发明实施例的数控机床虚拟轴运动控制装置的功能模块示意图。如图3所示，该数控机床虚拟轴运动控制装置20包括获取模块21、第一处理模块22、预测模块23、第二处理模块24和控制模块25。
获取模块21，用于获取输入数据，输入数据包括数控机床虚拟轴的当前状态和用户输入的控制数据；
第一处理模块22，用于对输入数据进行模糊化处理，得到模糊集合；
预测模块23，用于将模糊集合输入至模糊逻辑模型进行预测，得到预测数据，模糊逻辑模型利用数控机床虚拟轴运动控制相关的数据训练得到，模糊逻辑模型包括模糊规则库和推理机，模糊规则库用于存储描述输入数据和输出数据之间关系的规则，推理机用于根据输入数据和规则生成预测数据；
第二处理模块24，用于对预测数据进行去模糊化处理，得到控制虚拟轴运动的输出数据；
控制模块25，用于根据输出数据控制数控机床虚拟轴运动。
可选地，第二处理模块24执行得到控制虚拟轴运动的输出数据的操作之后，还用于：基于预设优化规则对输出数据进行评估和优化。
可选地，预设优化规则包括遗传算法。
可选地，第二处理模块24执行基于预设优化规则对输出数据进行评估和优化的操作，具体包括：获取适应度函数，适应度函数基于数控机床虚拟轴控制预测结果的优化目标和限制条件设置；定义编码方式，将数控机床虚拟轴的控制参数编码成二进制数据串；确认遗传算法中相关参数的预设值；利用预设的随机数生成器生成一组满足限制条件的个体，并与输出数据组成初始的种群；对种群执行进化操作，进化操作包括：利用适应度函数对种群中的个体进行选择，再对选择的个体进行交叉和变异操作，得到新个体，再将新个体加入至下一代种群；循环执行进化操作，直至达到预设终止条件时，输出控制数控机床虚拟轴运动的最终输出数据。
可选地，模糊规则库预先构建，构建模糊规则库的操作具体包括：获取预先定义的输入变量、输出变量和隶属函数；创建规则库，并将用户预先输入的规则保存至规则库；定义推理方法，推理方法基于规则库和输入变量的隶属函数计算输出变量的值。
可选地，预先训练模糊逻辑模型，包括：收集数控机床虚拟轴运动控制的相关数据，相关数据包括历史输入数据和历史输出数据；对历史输入数据和历史输出数据进行模糊化处理，得到输入模糊变量和输出模糊变量；利用输入模糊变量和输出模糊变量对待训练的模糊逻辑模型进行迭代训练，得到训练好的模糊逻辑模型。
关于上述实施例数控机床虚拟轴运动控制装置中各模块实现技术方案的其他细节，可参见上述实施例中的数控机床虚拟轴运动控制方法中的描述，此处不再赘述。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
请参阅图4，图4为本发明实施例的计算机设备的结构示意图。如图4所示，该计算机设备30包括处理器31及和处理器31耦接的存储器32，存储器32中存储有程序指令，程序指令被处理器31执行时，使得处理器31执行上述任一实施例所述的数控机床虚拟轴运动控制方法步骤。
其中，处理器31还可以称为CPU（Central Processing Unit，中央处理单元）。处理器31可能是一种集成电路芯片，具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图5，图5为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述数控机床虚拟轴运动控制方法的程序指令41，其中，该程序指令41可以以软件产品的形式存储在上述存储介质中，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）或处理器（processor）执行本申请各个实施方式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，或者是计算机、服务器、手机、平板等计算机设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的计算机设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (9)

1.一种数控机床虚拟轴控制方法，其特征在于，其包括：
步骤S101：获取输入数据，所述输入数据包括数控机床虚拟轴的当前状态和用户输入的控制数据；
步骤S102：对所述输入数据进行模糊化处理，得到模糊集合；
步骤S103：将所述模糊集合输入至模糊逻辑模型进行预测，得到预测数据，所述模糊逻辑模型利用所述数控机床虚拟轴运动控制相关的数据训练得到，所述模糊逻辑模型包括模糊规则库和推理机，所述模糊规则库用于存储描述所述输入数据和输出数据之间关系的规则，所述推理机用于根据所述输入数据和所述规则生成预测数据；
对所述预测数据进行去模糊化处理，得到控制所述虚拟轴运动的输出数据；
根据所述输出数据控制所述数控机床虚拟轴运动。
2.根据权利要求1所述的数控机床虚拟轴控制方法，其特征在于，所述得到控制所述虚拟轴运动的输出数据之后，还包括：
基于预设优化规则对所述输出数据进行评估和优化。
3.根据权利要求2所述的数控机床虚拟轴控制方法，其特征在于，所述预设优化规则包括遗传算法。
4.根据权利要求3所述的数控机床虚拟轴控制方法，其特征在于，所述基于预设优化规则对所述输出数据进行评估和优化，包括：
获取适应度函数，所述适应度函数基于所述数控机床虚拟轴控制预测结果的优化目标和限制条件设置；
定义编码方式，将所述数控机床虚拟轴的控制参数编码成二进制数据串；
确认所述遗传算法中相关参数的预设值；
利用预设的随机数生成器生成一组满足所述限制条件的个体，并与所述输出数据组成初始的种群；
对所述种群执行进化操作，所述进化操作包括：利用所述适应度函数对种群中的个体进行选择，再对选择的个体进行交叉和变异操作，得到新个体，再将所述新个体加入至下一代种群；
循环执行所述进化操作，直至达到预设终止条件时，输出控制所述数控机床虚拟轴运动的最终输出数据。
5.根据权利要求1所述的数控机床虚拟轴控制方法，其特征在于，所述模糊规则库预先构建，构建所述模糊规则库的步骤包括：
获取预先定义的输入变量、输出变量和隶属函数；
创建模糊规则库，并将用户预先输入的规则保存至所述模糊规则库；
定义推理方法，所述推理方法基于所述模糊规则库和所述输入变量的隶属函数计算所述输出变量的值。
6.根据权利要求1所述的数控机床虚拟轴控制方法，其特征在于，预先训练所述模糊逻辑模型，包括：
收集所述数控机床虚拟轴运动控制的相关数据，所述相关数据包括历史输入数据和历史输出数据；
对所述历史输入数据和所述历史输出数据进行模糊化处理，得到输入模糊变量和输出模糊变量；
利用所述输入模糊变量和所述输出模糊变量对待训练的模糊逻辑模型进行迭代训练，得到训练好的模糊逻辑模型。
7.一种数控机床虚拟轴运动控制装置，其特征在于，其包括：
获取模块，用于获取输入数据，所述输入数据包括数控机床虚拟轴的当前状态和用户输入的控制数据；
第一处理模块，用于对所述输入数据进行模糊化处理，得到模糊集合；
预测模块，用于将所述模糊集合输入至模糊逻辑模型进行预测，得到预测数据，所述模糊逻辑模型利用所述数控机床虚拟轴运动控制相关的数据训练得到，所述模糊逻辑模型包括模糊规则库和推理机，所述模糊规则库用于存储描述所述输入数据和输出数据之间关系的规则，所述推理机用于根据所述输入数据和所述规则生成预测数据；
第二处理模块，用于对所述预测数据进行去模糊化处理，得到控制所述虚拟轴运动的输出数据；
控制模块，用于根据所述输出数据控制所述数控机床虚拟轴运动。
8.一种计算机设备，其特征在于，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如权利要求1-6中任一项权利要求所述的数控机床虚拟轴运动控制方法的步骤。
9.一种存储介质，其特征在于，存储有能够实现如权利要求1-6中任一项所述的数控机床虚拟轴运动控制方法的程序指令。
CN202310342829.9A 2023-04-03 2023-04-03 数控机床虚拟轴运动控制方法、装置、设备及存储介质 Active CN116048002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310342829.9A CN116048002B (zh) 2023-04-03 2023-04-03 数控机床虚拟轴运动控制方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310342829.9A CN116048002B (zh) 2023-04-03 2023-04-03 数控机床虚拟轴运动控制方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116048002A true CN116048002A (zh) 2023-05-02
CN116048002B CN116048002B (zh) 2023-06-13

Family

ID=86129813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310342829.9A Active CN116048002B (zh) 2023-04-03 2023-04-03 数控机床虚拟轴运动控制方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116048002B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050071802A1 (en) * 2003-09-29 2005-03-31 Michael Brakelmann Numerical control with machine-tool simulator
CN101804586A (zh) * 2010-03-02 2010-08-18 江苏大学 一种虚拟轴机床末端刀具运动位姿的检测方法
CN101859128A (zh) * 2010-07-05 2010-10-13 北京信息科技大学 一种基于知识的车铣复合机床故障预测专家系统
CN107703752A (zh) * 2017-10-22 2018-02-16 成都具鑫机械设备有限公司 一种基于模糊神经网络的数控机床检测方法
CN110197282A (zh) * 2019-06-10 2019-09-03 电子科技大学 一种基于遗传模糊逻辑树的威胁估计与态势评估方法
CN111650831A (zh) * 2019-05-29 2020-09-11 北京航空航天大学 对医疗机器人控制器中虚拟柔性针的区间2型模糊逻辑控制器的设计
CN112947300A (zh) * 2021-02-22 2021-06-11 西安交通大学 一种加工质量虚拟量测方法、系统、介质及设备
CN113091232A (zh) * 2021-03-16 2021-07-09 山东师范大学 基于模糊推理的空调智能控制方法及系统
CN114310485A (zh) * 2021-12-24 2022-04-12 东莞理工学院 一种机床进给轴的热误差预测方法、装置及存储介质
CN115391988A (zh) * 2022-07-27 2022-11-25 西安建筑科技大学 多主轴头数控机床虚拟仿真加工平台的构建方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050071802A1 (en) * 2003-09-29 2005-03-31 Michael Brakelmann Numerical control with machine-tool simulator
CN101804586A (zh) * 2010-03-02 2010-08-18 江苏大学 一种虚拟轴机床末端刀具运动位姿的检测方法
CN101859128A (zh) * 2010-07-05 2010-10-13 北京信息科技大学 一种基于知识的车铣复合机床故障预测专家系统
CN107703752A (zh) * 2017-10-22 2018-02-16 成都具鑫机械设备有限公司 一种基于模糊神经网络的数控机床检测方法
CN111650831A (zh) * 2019-05-29 2020-09-11 北京航空航天大学 对医疗机器人控制器中虚拟柔性针的区间2型模糊逻辑控制器的设计
CN110197282A (zh) * 2019-06-10 2019-09-03 电子科技大学 一种基于遗传模糊逻辑树的威胁估计与态势评估方法
CN112947300A (zh) * 2021-02-22 2021-06-11 西安交通大学 一种加工质量虚拟量测方法、系统、介质及设备
CN113091232A (zh) * 2021-03-16 2021-07-09 山东师范大学 基于模糊推理的空调智能控制方法及系统
CN114310485A (zh) * 2021-12-24 2022-04-12 东莞理工学院 一种机床进给轴的热误差预测方法、装置及存储介质
CN115391988A (zh) * 2022-07-27 2022-11-25 西安建筑科技大学 多主轴头数控机床虚拟仿真加工平台的构建方法

Also Published As

Publication number Publication date
CN116048002B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
Cordón et al. Genetic learning of fuzzy rule‐based classification systems cooperating with fuzzy reasoning methods
Dianati et al. An introduction to genetic algorithms and evolution strategies
Cordón et al. Hybridizing genetic algorithms with sharing scheme and evolution strategies for designing approximate fuzzy rule-based systems
Denna et al. Learning fuzzy rules with tabu search-an application to control
Lee et al. Construction of fuzzy systems using least-squares method and genetic algorithm
Huang et al. Interpretable policies for reinforcement learning by empirical fuzzy sets
Ducange et al. Multi-objective evolutionary fuzzy systems
Takagi et al. Neural networks and genetic algorithm approaches to auto-design of fuzzy systems
Xavier-Júnior et al. A novel evolutionary algorithm for automated machine learning focusing on classifier ensembles
CN116048002B (zh) 数控机床虚拟轴运动控制方法、装置、设备及存储介质
Castro et al. Focusing on interpretability and accuracy of a genetic fuzzy system
Hinojosa et al. Multi-objective evolutionary algorithm for tuning the Type-2 inference engine on classification task
Saridis et al. Analytic formulation of intelligent machines as neural nets
Balázs et al. Hierarchical-interpolative fuzzy system construction by genetic and bacterial programming algorithms
Alcalá et al. Learning and tuning fuzzy rule-based systems for linguistic modeling
Georgieva A genetic fuzzy system for asset allocation
Chopra et al. A Neurofuzzy Learning and its Application to Control system
CN118747508A (zh) 基于优化鲸鱼算法的二型模糊神经网络模型的预测方法
Choi et al. Hybrid optimization of information granulation‐based fuzzy radial basis function neural networks
Jin et al. Evolutionary algorithms
Shill et al. Fuzzy logic controller for an inverted pendulum system using quantum genetic optimization
Satpathy Real-coded GA for parameter optimization in short-term load forecasting
Gutiérrez et al. Non-direct encoding method based on cellular automata to design neural network architectures
Botzheim et al. Applying bacterial algorithm to optimize trapezoidal membership functions in a fuzzy rule base
Leoshcheko et al. Mechanisms of Fine Tuning of Neuroevolutionary Synthesis of Artificial Neural Networks

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