CN116149258B - 基于多模态信息的数控机床代码生成方法及相关设备 - Google Patents
基于多模态信息的数控机床代码生成方法及相关设备 Download PDFInfo
- Publication number
- CN116149258B CN116149258B CN202310296259.4A CN202310296259A CN116149258B CN 116149258 B CN116149258 B CN 116149258B CN 202310296259 A CN202310296259 A CN 202310296259A CN 116149258 B CN116149258 B CN 116149258B
- Authority
- CN
- China
- Prior art keywords
- information
- process flow
- training
- change
- training data
- 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.)
- Active
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
- 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
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35216—Program, generate nc program, code from cad data
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明提供基于多模态信息的数控机床代码生成方法及相关设备,涉及数控机床技术领域,方法包括:获取待加工零件的工序流程信息和变化信息;获取工序流程信息的信息熵,根据变化信息确定待加工零件的工序耗时等级,根据信息熵和工序耗时等级从工序流程信息和变化信息中确定目标信息;将目标信息输入代码生成模型,得到机床代码文本。本发明通过获取工序流程信息的信息熵和待加工零件的工序耗时等级,将信息熵和工序耗时等级作为自动编程的选材条件,从而动态调整用于自动编程的信息类型,解决了现有技术中不同操作人员编写出的工序流程信息的质量参差不齐,采用质量过低的工序流程信息进行自动编程难以得到正确的机床代码文本的问题。
Description
技术领域
本发明涉及数控机床技术领域,尤其涉及基于多模态信息的数控机床代码生成方法及相关设备。
背景技术
目前数控机床代码的编程方法包括手工编程和自动编程,手工编程的工作量很大,通常只是对一些简单的零件进行手工编程。对于几何形状复杂的零件,一般采用自动编程的方式。自动编程需要操作人员提前编写工序流程信息,即指定要加工的零件部位、加工方式、加工方向以及相应的加工工艺参数。由于不同操作人员的描述能力和工作经验不相同,因此不同操作人员编写出的工序流程信息的质量参差不齐,采用质量过低的工序流程信息进行自动编程难以得到正确的机床代码文本。
发明内容
本发明提供基于多模态信息的数控机床代码生成方法及相关设备,用以解决现有技术中自动编程需要操作人员提前编写工序流程信息,然而不同操作人员编写出的工序流程信息的质量参差不齐,采用质量过低的工序流程信息进行自动编程难以得到正确的机床代码文本的问题,实现了动态调整用于自动编程的信息类型,从而提高了机床代码文本的生成质量。
本发明提供一种基于多模态信息的数控机床代码生成方法,所述方法包括:
获取待加工零件对应的工序流程信息和变化信息,其中,所述变化信息用于反映加工前后所述待加工零件结构发生变化的位置和各所述位置的形变数据;
获取所述工序流程信息对应的信息熵,根据所述变化信息确定所述待加工零件对应的工序耗时等级,根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息;
将所述目标信息输入已训练的代码生成模型,得到所述待加工零件对应的机床代码文本。
根据本发明提供的一种基于多模态信息的数控机床代码生成方法,根据所述变化信息确定所述待加工零件对应的工序耗时等级,包括:
根据所述变化信息确定变化点分布图,其中,所述变化点分布图由底图以及底图上的变化点组成,所述变化点分布图的底图由加工前所述待加工零件的所有视图拼接而成,所述变化点分布图中的变化点用于反映所述待加工零件结构发生变化的位置,所述变化点的灰度值用于反映所述变化点对应的位置的形变大小;
获取所述变化点分布图的图像特征,获取所述图像特征分别与预设的若干标准图像特征之间的相似度,其中,各所述标准图像特征分别对应不同的耗时等级;
根据所述相似度最高的所述标准图像特征对应的所述耗时等级确定所述工序耗时等级。
根据本发明提供的一种基于多模态信息的数控机床代码生成方法,所述代码生成模型包括若干支路,各所述支路的输入数据分别为不同类型的所述目标信息,所述代码生成模型的训练方法包括:
获取训练数据集,将所述训练数据集分为第一训练数据集和第二训练数据集,其中,所述训练数据集包括若干训练数据,每一所述训练数据由具有对应关系的样本工序流程信息、样本变化信息以及样本机床代码文本组成;
根据所述第一训练数据集生成各所述支路分别对应的子训练数据集;
根据各所述支路的所述子训练数据集对各所述支路进行单独训练,得到已完成单独训练的各所述支路;
根据所述第二训练数据集对已完成单独训练的各所述支路进行综合训练,得到已完成训练的所述代码生成模型,其中,综合训练的每一轮中各所述支路的输入数据来自相同的所述训练数据,所述代码生成模型的损失函数值基于各所述支路的输出数据的差距确定。
根据本发明提供的一种基于多模态信息的数控机床代码生成方法,根据所述信息熵和所述工序耗时等级,从所述工序流程信息和所述变化信息中确定目标信息,包括:
当所述信息熵大于熵阈值时,将所述变化信息作为所述目标信息;
当所述信息熵小于或者等于所述熵阈值,且所述工序耗时等级大于等级阈值时,将所述工序流程信息和所述变化信息作为所述目标信息;
当所述信息熵小于或者等于所述熵阈值,且所述工序耗时等级小于或者等于所述等级阈值时,将所述工序流程信息作为所述目标信息。
根据本发明提供的一种基于多模态信息的数控机床代码生成方法,当所述目标信息为所述工序流程信息时,所述代码生成模型生成所述机床代码文本的方法包括:
对所述工序流程信息进行分词,得到所述工序流程信息对应的词汇序列;
获取所述词汇序列中各词汇分别对应的词向量;
获取预设的代码字典库,其中,所述代码字典库包括若干标准词向量,各所述标准词向量分别对应不同代码;
将各所述词向量与所述代码字典库进行遍历对比,得到各所述词向量分别对应的相似度最高的所述标准词向量;
根据各所述词向量分别对应的所述标准词向量的代码,生成所述机床代码文本。
根据本发明提供的一种基于多模态信息的数控机床代码生成方法,当所述目标信息为所述工序流程信息和所述变化信息时,所述代码生成模型生成所述机床代码文本的方法包括:
根据所述工序流程信息,确定第一刀具轨迹数据;
根据所述变化信息,确定第二刀具轨迹数据;
根据所述第一刀具轨迹数据和所述第二刀具轨迹数据,确定融合刀具轨迹数据;
根据所述融合刀具轨迹数据,生成所述机床代码文本。
根据本发明提供的一种基于多模态信息的数控机床代码生成方法,当所述目标信息为所述变化信息时,所述代码生成模型生成所述机床代码文本的方法包括:
根据所述变化信息,确定刀具轨迹数据;
根据所述刀具轨迹数据,生成所述机床代码文本。
本发明还提供一种基于多模态信息的数控机床代码生成装置,所述装置包括:
信息获取模块,用于获取待加工零件对应的工序流程信息和变化信息,其中,所述变化信息用于反映加工前后所述待加工零件结构发生变化的位置和各所述位置的形变数据;
信息选择模块,用于获取所述工序流程信息对应的信息熵,根据所述变化信息确定所述待加工零件对应的工序耗时等级,根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息;
代码生成模块,用于将所述目标信息输入已训练的代码生成模型,得到所述待加工零件对应的机床代码文本。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在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述任一种所述基于多模态信息的数控机床代码生成方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于多模态信息的数控机床代码生成方法。
本发明提供基于多模态信息的数控机床代码生成方法及相关设备,方法包括:获取待加工零件对应的工序流程信息和变化信息,其中,所述变化信息用于反映加工前后所述待加工零件结构发生变化的位置和各所述位置的形变数据;获取所述工序流程信息对应的信息熵,根据所述变化信息确定所述待加工零件对应的工序耗时等级,根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息;将所述目标信息输入已训练的代码生成模型,得到所述待加工零件对应的机床代码文本。本发明通过获取工序流程信息的信息熵和待加工零件的工序耗时等级,将信息熵和工序耗时等级作为自动编程的选材条件,从而动态调整用于自动编程的信息类型,解决了现有技术中不同操作人员编写出的工序流程信息的质量参差不齐,采用质量过低的工序流程信息进行自动编程难以得到正确的机床代码文本的问题。
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是本发明提供的基于多模态信息的数控机床代码生成方法的流程示意图;
图2是本发明提供的基于多模态信息的数控机床代码生成装置的模块示意图;
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-图3描述本发明的基于多模态信息的数控机床代码生成方法及相关设备。
针对现有技术的上述缺陷,本发明提供一种基于多模态信息的数控机床代码生成方法,如图1所示,所述方法包括:
步骤S100、获取待加工零件对应的工序流程信息和变化信息,其中,所述变化信息用于反映加工前后所述待加工零件结构发生变化的位置和各所述位置的形变数据;
步骤S200、获取所述工序流程信息对应的信息熵,根据所述变化信息确定所述待加工零件对应的工序耗时等级,根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息;
步骤S300、将所述目标信息输入已训练的代码生成模型,得到所述待加工零件对应的机床代码文本。
具体地,待加工零件的变化信息可以基于待加工零件加工前的原始结构信息和加工后期望达到的目标结构信息对比得到,用于反映加工前后待加工零件结构发生变化的位置和各位置的具体形变情况。本实施例需要同时获取操作人员基于待加工零件编写的工序流程信息和待加工零件的变化信息。然后获取工序流程信息的信息熵,信息熵与信息的混乱程度/不确定性相关,信息熵越大表示混乱程度/不确定性越高,因此信息熵可以反映工序流程信息的质量好坏。此外,变化信息可以反映待加工零件的形变位置和形变大小,形变位置的多少和形变程度与工序耗时长短相关,因此可以基于变化信息确定工序耗时等级,工序耗时等级可以反映工序流程的复杂程度。然后将信息熵和工序耗时等级作为自动编程的选材条件,确定采用工序流程信息,或者变化信息,或者工序流程信息和变化信息相结合来实现自动编程,得到机床代码文本。本实施例通过获取工序流程信息的信息熵和待加工零件的工序耗时等级,将信息熵和工序耗时等级作为自动编程的选材条件,从而动态调整用于自动编程的信息类型,解决了现有技术中自动编程需要操作人员提前编写工序流程信息,然而不同操作人员编写出的工序流程信息的质量参差不齐,采用质量过低的工序流程信息进行自动编程难以得到正确的机床代码文本的问题。
在一种实现方式中,根据所述变化信息确定所述待加工零件对应的工序耗时等级,具体包括:
根据所述变化信息确定变化点分布图,其中,所述变化点分布图由底图以及底图上的变化点组成,所述变化点分布图的底图由加工前所述待加工零件的所有视图拼接而成,所述变化点分布图中的变化点用于反映所述待加工零件结构发生变化的位置,所述变化点的灰度值用于反映所述变化点对应的位置的形变大小;
获取所述变化点分布图的图像特征,获取所述图像特征分别与预设的若干标准图像特征之间的相似度,其中,各所述标准图像特征分别对应不同的耗时等级;
根据所述相似度最高的所述标准图像特征对应的所述耗时等级确定所述工序耗时等级。
具体地,本实施例预先将加工前待加工零件的所有视图(例如前视图、后视图、左视图、右视图、俯视图、仰视图)进行有序拼接,得到一张底图。然后基于变化信息在该底图上生成若干变化点,得到变化点分布图,其中,每一变化点用于反映待加工零件加工前后发生变化的位置,每一变化点的灰度值基于其在待加工零件上对应的位置在加工前后的形变大小确定,灰度值越高表示形变程度越高。因此变化点分布图中变化点的数量与加工前后待加工零件上发生变化的位置的数量具有对应关系,变化点分布图中每一变化点的灰度值反映了加工前后待加工零件上对应的位置的形变大小。由于待加工零件的工序耗时主要与其加工前后发生变化的位置的数量以及形变大小相关,因此通过提取变化点分布图的图像特征,并将提取出的图像特征与预先人工标注过耗时等级的多个标准图像特征进行比对,可以快速得到待加工零件对应的工序耗时等级。本实施例通过将变化信息转化为变化点分布图,可以更好地量化出待加工零件在加工过程中发生变化的位置数量和形变大小,再通过图像特征提取、比对的方式可以快速评估出待加工零件的工序耗时等级,并将其作为自动编程的选材条件之一。
在一种实现方式中,根据所述信息熵和所述工序耗时等级,从所述工序流程信息和所述变化信息中确定目标信息,具体包括:
当所述信息熵大于熵阈值时,将所述变化信息作为所述目标信息;
当所述信息熵小于或者等于所述熵阈值,且所述工序耗时等级大于等级阈值时,将所述工序流程信息和所述变化信息作为所述目标信息;
当所述信息熵小于或者等于所述熵阈值,且所述工序耗时等级小于或者等于所述等级阈值时,将所述工序流程信息作为所述目标信息。
具体地,当信息熵大于预设的熵阈值时,表示工序流程信息的内容较混乱/不确定性较高,判定工序流程信息的质量不合格,为了保证生成的机床代码文本的可靠性,应当选择变化信息作为自动编程中使用的目标信息。当信息熵小于或者等于熵阈值时,表示工序流程信息的内容较清楚/确定性较高,判定工序流程信息的质量合格。在工序流程信息的质量合格的情况下,需要判断工序耗时等级是否大于预设的等级阈值:当工序耗时等级大于等级阈值时,表示待加工零件的加工工序较复杂,为了进一步提高生成的机床代码文本的准确度,需要采用多种模态的信息进行自动编程,则将工序流程信息和工序耗时等级一起作为自动编程中使用的目标信息;当工序耗时等级小于或者等于等级阈值时,表示待加工零件的加工工序较简单,采用常用的自动编程方式即可,因此只用将工序流程信息作为自动编程中使用的目标信息。本实施例将信息熵和工序耗时等级作为自动编程的选材条件,可以动态调整用于自动编程的信息类型,进一步提高生成的机床代码文本的可靠性和准确性。
在一种实现方式中,当所述目标信息为所述工序流程信息时,所述代码生成模型生成所述机床代码文本的方法具体包括:
对所述工序流程信息进行分词,得到所述工序流程信息对应的词汇序列;
获取所述词汇序列中各词汇分别对应的词向量;
获取预设的代码字典库,其中,所述代码字典库包括若干标准词向量,各所述标准词向量分别对应不同代码;
将各所述词向量与所述代码字典库进行遍历对比,得到各所述词向量分别对应的相似度最高的所述标准词向量;
根据各所述词向量分别对应的所述标准词向量的代码,生成所述机床代码文本。
具体地,首先需要将工序流程信息拆分为多个词汇,并基于各词汇在工序流程信息中的顺序生成词汇序列。本实施例预先构建了一个代码字典库,库中包括有常用的多个代码分别对应的标准词向量。针对词汇序列中的每一词汇,提取该词汇的词向量,采用向量对比的方式,匹配出代码字典库中其对应的代码。再根据词汇序列中各词汇分别对应的代码确定工序流程信息对应的机床代码文本。本实施例通过代码字典库来实现自动编程,可以极大提高自动编程的效率。
在一种实现方式中,所述代码字典库中标准词向量的生成方法包括:
获取若干样本工序流程信息,其中,各样本工序流程信息的质量均达到要求;
将各样本工序流程信息中出现的所有词汇根据语义进行分类,得到若干词汇组,其中,每一词汇组中的所有词汇的语义相同(即同一词汇组中的均是同义词);
针对每一词汇组,提取该词汇组中各词汇分别对应的词向量;将提取出的各词向量进行融合,得到融合词向量;人工标注该词汇组对应的代码,将该融合词向量作为代码字典库中的一个标准词向量,将该词汇组对应的代码作为其对应的代码标签关联存储。
在一种实现方式中,所述对所述工序流程信息进行分词包括:
获取预设的分词条件,其中,分词条件的生成方法包括:获取若干样本工序流程信息,其中,各样本工序流程信息的质量均达到要求;根据各所述样本工序流程信息,确定不同的字组合的凝合度,其中,凝合度为两个字联合出现的概率与单独出现的概率的比值;将凝合度高于预设值的字组合作为目标字组合,根据所有生成的目标字组合确定分词条件(即读取到任意一个目标字组合就进行分词);
根据所述分词条件对所述工序流程信息进行分词。
在另一种实现方式中,当所述目标信息为所述变化信息时,所述代码生成模型生成所述机床代码文本的方法包括:
根据所述变化信息,确定刀具轨迹数据;
根据所述刀具轨迹数据,生成所述机床代码文本。
具体地,由于变化信息可以反映加工前后待加工零件的结构变化,因此基于变化信息可以设计出加工时的刀具轨迹数据,然后通过刀具轨迹数据进行自动编程,得到机床代码文本。本实施例通过将变化信息转化为刀具轨迹数据再进行自动编程,由于刀具轨迹数据可以更好地反映加工方向等信息,因此可以降低自动编程的难度,提高生成的机床代码文本的准确性。
在另一种实现方式中,当所述目标信息为所述工序流程信息和所述变化信息时,所述代码生成模型生成所述机床代码文本的方法包括:
根据所述工序流程信息,确定第一刀具轨迹数据;
根据所述变化信息,确定第二刀具轨迹数据;
根据所述第一刀具轨迹数据和所述第二刀具轨迹数据,确定融合刀具轨迹数据;
根据所述融合刀具轨迹数据,生成所述机床代码文本。
当目标信息包括多种模态信息时,本实施例采用的是前端融合的方法来处理多模态信息。具体地,根据工序流程信息和变化信息分别预测刀具轨迹,即得到第一刀具轨迹数据和第二刀具轨迹数据。然后将第一刀具轨迹数据和第二刀具轨迹数据进行融合,得到融合刀具轨迹数据,再基于融合刀具轨迹数据进行自动编程,得到机床代码文本。
在一种实现方式中,可以将刀具轨迹数据/融合刀具轨迹数据输入已训练的目标模型中,由于目标模型预先采用大量人工标注的刀具轨迹进行训练,因此其学习了刀具轨迹与机床代码文本之间的复杂映射关系,可以基于输入的刀具轨迹数据/融合刀具轨迹数据自动生成对应的机床代码文本。
在一种实现方式中,所述代码生成模型包括若干支路,各所述支路的输入数据分别为不同类型的所述目标信息,所述代码生成模型的训练方法具体包括:
获取训练数据集,将所述训练数据集分为第一训练数据集和第二训练数据集,其中,所述训练数据集包括若干训练数据,每一所述训练数据由具有对应关系的样本工序流程信息、样本变化信息以及样本机床代码文本组成;
根据所述第一训练数据集生成各所述支路分别对应的子训练数据集;
根据各所述支路的所述子训练数据集对各所述支路进行单独训练,得到已完成单独训练的各所述支路;
根据所述第二训练数据集对已完成单独训练的各所述支路进行综合训练,得到已完成训练的所述代码生成模型,其中,综合训练的每一轮中各所述支路的输入数据来自相同的所述训练数据,所述代码生成模型的损失函数值基于各所述支路的输出数据的差距确定。
具体地,目标信息存在三种类型,工序流程信息、变化信息、工序流程信息+变化信息。本实施例中的代码生成模型包括多条支路,分别用于处理不同类型的目标信息。为了提高代码生成模型的模型精度,本实施例针对代码生成模型设计了两种训练过程,首先是所有支路各自进行单独训练,单独训练的训练目标是收敛各支路的输出与真实值之间的差距,提高各支路的预测精度。然后再是所有支路进行综合训练,综合训练中每一轮训练采用的都是具有对应关系的一组样本工序流程信息、样本变化信息以及样本机床代码文本,并且所有支路都会输入对应类型的目标信息,综合训练的训练目标是收敛各支路之间的输出的差距,使得各支路之间相互优化。本实施例通过两种训练过程可以进一步提高代码生成模型的模型精度。
下面对本发明提供的基于多模态信息的数控机床代码生成装置进行描述,下文描述的基于多模态信息的数控机床代码生成装置与上文描述的基于多模态信息的数控机床代码生成方法可相互对应参照。
如图2所示,所述装置包括:
信息获取模块210,用于获取待加工零件对应的工序流程信息和变化信息,其中,所述变化信息用于反映加工前后所述待加工零件结构发生变化的位置和各所述位置的形变数据;
信息选择模块220,用于获取所述工序流程信息对应的信息熵,根据所述变化信息确定所述待加工零件对应的工序耗时等级,根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息;
代码生成模块230,用于将所述目标信息输入已训练的代码生成模型,得到所述待加工零件对应的机床代码文本。
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,以执行基于多模态信息的数控机床代码生成方法,该方法包括:
获取待加工零件对应的工序流程信息和变化信息,其中,所述变化信息用于反映加工前后所述待加工零件结构发生变化的位置和各所述位置的形变数据;
获取所述工序流程信息对应的信息熵,根据所述变化信息确定所述待加工零件对应的工序耗时等级,根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息;
将所述目标信息输入已训练的代码生成模型,得到所述待加工零件对应的机床代码文本。
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基于多模态信息的数控机床代码生成方法,该方法包括:
获取待加工零件对应的工序流程信息和变化信息,其中,所述变化信息用于反映加工前后所述待加工零件结构发生变化的位置和各所述位置的形变数据;
获取所述工序流程信息对应的信息熵,根据所述变化信息确定所述待加工零件对应的工序耗时等级,根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息;
将所述目标信息输入已训练的代码生成模型,得到所述待加工零件对应的机床代码文本。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于多模态信息的数控机床代码生成方法,该方法包括:
获取待加工零件对应的工序流程信息和变化信息,其中,所述变化信息用于反映加工前后所述待加工零件结构发生变化的位置和各所述位置的形变数据;
获取所述工序流程信息对应的信息熵,根据所述变化信息确定所述待加工零件对应的工序耗时等级,根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息;
将所述目标信息输入已训练的代码生成模型,得到所述待加工零件对应的机床代码文本。
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 (9)
1.一种基于多模态信息的数控机床代码生成方法,其特征在于,所述方法包括:
获取待加工零件对应的工序流程信息和变化信息,其中,所述变化信息用于反映加工前后所述待加工零件的结构发生变化的位置和各所述位置的形变数据;
获取所述工序流程信息对应的信息熵,根据所述变化信息确定所述待加工零件对应的工序耗时等级,根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息;
将所述目标信息输入已训练的代码生成模型,得到所述待加工零件对应的机床代码文本;
所述代码生成模型包括若干支路,各所述支路的输入数据分别为不同类型的所述目标信息,所述代码生成模型的训练方法包括:
获取训练数据集,将所述训练数据集分为第一训练数据集和第二训练数据集,其中,所述训练数据集包括若干训练数据,每一所述训练数据由具有对应关系的样本工序流程信息、样本变化信息以及样本机床代码文本组成;
根据所述第一训练数据集生成各所述支路分别对应的子训练数据集;
根据各所述支路的所述子训练数据集对各所述支路进行单独训练,得到已完成单独训练的各所述支路;
根据所述第二训练数据集对已完成单独训练的各所述支路进行综合训练,得到已完成训练的所述代码生成模型,其中,综合训练的每一轮中各所述支路的输入数据来自相同的所述训练数据,所述代码生成模型的损失函数值基于各所述支路的输出数据的差距确定。
2.根据权利要求1所述的基于多模态信息的数控机床代码生成方法,其特征在于,所述根据所述变化信息确定所述待加工零件对应的工序耗时等级,包括:
根据所述变化信息确定变化点分布图,其中,所述变化点分布图由底图以及底图上的变化点组成,所述变化点分布图的底图由加工前所述待加工零件的所有视图拼接而成,所述变化点分布图中的变化点用于反映所述待加工零件结构发生变化的位置,所述变化点的灰度值用于反映所述变化点对应的位置的形变大小;
获取所述变化点分布图的图像特征,获取所述图像特征分别与预设的若干标准图像特征之间的相似度,其中,各所述标准图像特征分别对应不同的耗时等级;
根据所述相似度最高的所述标准图像特征对应的所述耗时等级确定所述工序耗时等级。
3.根据权利要求1所述的基于多模态信息的数控机床代码生成方法,其特征在于,所述根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息,包括:
当所述信息熵大于熵阈值时,将所述变化信息作为所述目标信息;
当所述信息熵小于或者等于所述熵阈值,且所述工序耗时等级大于等级阈值时,将所述工序流程信息和所述变化信息作为所述目标信息;
当所述信息熵小于或者等于所述熵阈值,且所述工序耗时等级小于或者等于所述等级阈值时,将所述工序流程信息作为所述目标信息。
4.根据权利要求3所述的基于多模态信息的数控机床代码生成方法,其特征在于,当所述目标信息为所述工序流程信息时,所述代码生成模型生成所述机床代码文本的方法包括:
对所述工序流程信息进行分词,得到所述工序流程信息对应的词汇序列;
获取所述词汇序列中各词汇分别对应的词向量;
获取预设的代码字典库,其中,所述代码字典库包括若干标准词向量,各所述标准词向量分别对应不同代码;
将各所述词向量与所述代码字典库进行遍历对比,得到各所述词向量分别对应的相似度最高的所述标准词向量;
根据各所述词向量分别对应的所述标准词向量的代码,生成所述机床代码文本。
5.根据权利要求3所述的基于多模态信息的数控机床代码生成方法,其特征在于,当所述目标信息为所述工序流程信息和所述变化信息时,所述代码生成模型生成所述机床代码文本的方法包括:
根据所述工序流程信息,确定第一刀具轨迹数据;
根据所述变化信息,确定第二刀具轨迹数据;
根据所述第一刀具轨迹数据和所述第二刀具轨迹数据,确定融合刀具轨迹数据;
根据所述融合刀具轨迹数据,生成所述机床代码文本。
6.根据权利要求3所述的基于多模态信息的数控机床代码生成方法,其特征在于,当所述目标信息为所述变化信息时,所述代码生成模型生成所述机床代码文本的方法包括:
根据所述变化信息,确定刀具轨迹数据;
根据所述刀具轨迹数据,生成所述机床代码文本。
7.一种基于多模态信息的数控机床代码生成装置,其特征在于,所述装置包括:
信息获取模块,用于获取待加工零件对应的工序流程信息和变化信息,其中,所述变化信息用于反映加工前后所述待加工零件结构发生变化的位置和各所述位置的形变数据;
信息选择模块,用于获取所述工序流程信息对应的信息熵,根据所述变化信息确定所述待加工零件对应的工序耗时等级,根据所述信息熵和所述工序耗时等级从所述工序流程信息和所述变化信息中确定目标信息;
代码生成模块,用于将所述目标信息输入已训练的代码生成模型,得到所述待加工零件对应的机床代码文本;
所述代码生成模型包括若干支路,各所述支路的输入数据分别为不同类型的所述目标信息,所述代码生成模型的训练方法包括:
获取训练数据集,将所述训练数据集分为第一训练数据集和第二训练数据集,其中,所述训练数据集包括若干训练数据,每一所述训练数据由具有对应关系的样本工序流程信息、样本变化信息以及样本机床代码文本组成;
根据所述第一训练数据集生成各所述支路分别对应的子训练数据集;
根据各所述支路的所述子训练数据集对各所述支路进行单独训练,得到已完成单独训练的各所述支路;
根据所述第二训练数据集对已完成单独训练的各所述支路进行综合训练,得到已完成训练的所述代码生成模型,其中,综合训练的每一轮中各所述支路的输入数据来自相同的所述训练数据,所述代码生成模型的损失函数值基于各所述支路的输出数据的差距确定。
8.一种电子设备,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6任一项所述基于多模态信息的数控机床代码生成方法。
9.一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6任一项所述基于多模态信息的数控机床代码生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310296259.4A CN116149258B (zh) | 2023-03-24 | 2023-03-24 | 基于多模态信息的数控机床代码生成方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310296259.4A CN116149258B (zh) | 2023-03-24 | 2023-03-24 | 基于多模态信息的数控机床代码生成方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116149258A CN116149258A (zh) | 2023-05-23 |
CN116149258B true CN116149258B (zh) | 2023-06-30 |
Family
ID=86373793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310296259.4A Active CN116149258B (zh) | 2023-03-24 | 2023-03-24 | 基于多模态信息的数控机床代码生成方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116149258B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5927305A (ja) * | 1982-08-04 | 1984-02-13 | Fanuc Ltd | 自動プログラミング装置 |
CN105700478A (zh) * | 2014-11-26 | 2016-06-22 | 沈阳机床(集团)设计研究院有限公司上海分公司 | 生成数控机床加工控制数据的系统及方法 |
CN112255970A (zh) * | 2020-10-22 | 2021-01-22 | 铁科(北京)轨道装备技术有限公司 | 一种生成数控机床程序的方法和装置 |
CN113377070A (zh) * | 2021-06-07 | 2021-09-10 | 西安交通大学 | 一种基于虚拟制造的工装方法、系统及设备 |
CN113885437B (zh) * | 2021-10-25 | 2024-06-18 | 珠海格力电器股份有限公司 | 数控系统的自适应编程方法、装置、设备和数控系统 |
CN114706348A (zh) * | 2022-04-01 | 2022-07-05 | 广州大学 | 一种基于机器学习的数控自动编程方法及系统 |
CN114661616A (zh) * | 2022-04-15 | 2022-06-24 | 中国工商银行股份有限公司 | 目标代码的生成方法及装置 |
CN115793571B (zh) * | 2023-02-07 | 2023-05-02 | 中科航迈数控软件(深圳)有限公司 | 基于多模态数据的加工设备控制方法、系统及相关设备 |
-
2023
- 2023-03-24 CN CN202310296259.4A patent/CN116149258B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116149258A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859960B (zh) | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 | |
CN109003624B (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
CN110717039A (zh) | 文本分类方法和装置、电子设备、计算机可读存储介质 | |
US11915104B2 (en) | Normalizing text attributes for machine learning models | |
CN112100354B (zh) | 人机对话方法、装置、设备及存储介质 | |
CN110765759B (zh) | 意图识别方法及装置 | |
CN111858843B (zh) | 一种文本分类方法及装置 | |
CN115981615B (zh) | 融合语言模型与知识图谱的g代码生成方法及相关设备 | |
CN108710704A (zh) | 对话状态的确定方法、装置、电子设备及存储介质 | |
CN111738017A (zh) | 一种意图识别方法、装置、设备及存储介质 | |
CN112800737A (zh) | 自然语言文本生成方法和装置以及对话系统 | |
CN108829896B (zh) | 回复信息反馈方法和装置 | |
CN116798053B (zh) | 图标生成方法及装置 | |
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 | |
CN110929514B (zh) | 文本校对方法、装置、计算机可读存储介质及电子设备 | |
CN111597336A (zh) | 训练文本的处理方法、装置、电子设备及可读存储介质 | |
CN113836937B (zh) | 基于比较模型的文本处理方法、装置、设备与存储介质 | |
CN116070642A (zh) | 一种基于表情嵌入的文本情感分析方法及相关装置 | |
CN114185938B (zh) | 基于数字金融及大数据溯源的项目溯源分析方法及系统 | |
CN113886520B (zh) | 一种基于图神经网络的代码检索方法、系统及计算机可读存储介质 | |
CN116992862B (zh) | 数控机床异常辅助处理方法、装置、设备及介质 | |
CN111881266A (zh) | 一种应答方法及装置 | |
CN109558582B (zh) | 基于视角的句子情感分析方法及装置 | |
CN111666755A (zh) | 一种复述句识别的方法及装置 | |
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 |
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 |