CN116224930B - 一种数控磨床产品的加工控制方法及系统 - Google Patents
一种数控磨床产品的加工控制方法及系统 Download PDFInfo
- Publication number
- CN116224930B CN116224930B CN202310081910.6A CN202310081910A CN116224930B CN 116224930 B CN116224930 B CN 116224930B CN 202310081910 A CN202310081910 A CN 202310081910A CN 116224930 B CN116224930 B CN 116224930B
- Authority
- CN
- China
- Prior art keywords
- control
- deviation
- processing
- determining
- index
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000000694 effects Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000227 grinding Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000003754 machining Methods 0.000 claims description 76
- 238000004088 simulation Methods 0.000 claims description 24
- 238000007689 inspection Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000003746 surface roughness Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000004886 process control Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明提供了一种数控磨床产品的加工控制方法及系统,涉及智能化控制技术领域,针对目标加工任务,配置多个组件控制参数,输入拟真加工控制模型获取加工控制能效,与预期加工产品进行偏离分析,生成控制偏离数据,获取调整控制列表并输入拟真加工控制模型,获取优化控制参数进行产品加工控制,解决了现有技术中数控磨床产品加工进程,依据既定参数进行加工控制,智能度与灵活度不足,致使加工控制参数的控制精度不足,与加工任务不够契合,造成加工偏差导致质量不合格的技术问题,通过进行加工控制参数的试训练进行缺陷识别,进行组件划分完成针对性参数寻优,实现智能化加工控制,提高控制灵活性与精准度,保障加工效果。
Description
技术领域
本发明涉及智能化控制技术领域,具体涉及一种数控磨床产品的加工控制方法及系统。
背景技术
数控磨床作为一种磨削加工设备,于生产加工领域中有着广泛的应用,数控磨床加工过程中,由于受到多种内外因影响,造成控制偏离,导致最终的加工控制效果较之预期目标存在一定的差异。
现如今,对于数控磨床产品的加工控制方法主要依据生产工艺流程,配置产品加工控制参数进行自主控制加工,进行加工质检,待合格率达到异常阈值时进行产品加工控制参数巡检,以进行优化调整,主要依靠专业人员经验完成,主观性较高且精度控制方面存在一定的瑕疵,有待优化调整。
现有技术中,进行数控磨床产品加工进程中,依据既定参数进行加工控制,智能度与灵活度不足,致使加工控制参数的控制精度不足,与加工任务不够契合,造成加工偏差导致质量不合格。
发明内容
本申请提供了一种数控磨床产品的加工控制方法及系统,用于针对解决现有技术中存在的进行数控磨床产品加工进程中,依据既定参数进行加工控制,智能度与灵活度不足,致使加工控制参数的控制精度不足,与加工任务不够契合,造成加工偏差导致质量不合格的技术问题。
鉴于上述问题,本申请提供了一种数控磨床产品的加工控制方法及系统。
第一方面,本申请提供了一种数控磨床产品的加工控制方法,所述方法包括:
确定加工目标的基础信息,生成目标加工任务,其中,预期加工产品为附加生成信息;
构建拟真加工控制模型,其中,所述拟真加工控制模型内嵌有拟真加工设备;
基于所述目标加工任务生成多个组件控制参数;
基于所述拟真加工控制模型,依据所述多个组件控制参数进行拟真试训练,获取加工控制能效;
对所述加工控制能效与所述预期加工产品进行偏离分析,生成控制偏离数据,其中,所述控制偏离数据包括偏离指向、控制偏离时间节点;
基于所述控制偏离数据,依据所述偏离指向与所述控制偏离时间节点,确定调整控制列表;
将所述调整控制列表输入所述拟真加工控制模型,确定最优控制效果;
基于所述最优控制效果进行控制参数反向匹配,确定优化控制参数进行所述加工目标的加工控制。
第二方面,本申请提供了一种数控磨床产品的加工控制系统,所述系统包括:
任务生成模块,所述任务生成模块用于确定加工目标的基础信息,生成目标加工任务,其中,预期加工产品为附加生成信息;
模型构建模块,所述模型构建模块用于构建拟真加工控制模型,其中所述拟真加工控制模型内嵌有拟真加工设备;
参数生成模块,所述参数生成模块用于基于所述目标加工任务生成多个组件控制参数;
试训练控制模块,所述试训练控制模块用于基于所述拟真加工控制模型,依据所述多个组件控制参数进行拟真试训练,获取加工控制能效;
偏离分析模块,所述偏离分析模块用于对所述加工控制能效与所述预期加工产品进行偏离分析,生成控制偏离数据,其中,所述控制偏离数据包括偏离指向、控制偏离时间节点;
列表生成模块,所述列表生成模块用于基于所述控制偏离数据,依据所述偏离指向与所述控制偏离时间节点,确定调整控制列表;
效果抉择模块,所述效果抉择模块用于将所述调整控制列表输入所述拟真加工控制模型,确定最优控制效果;
优化控制模块,所述优化控制模块用于基于所述最优控制效果进行控制参数反向匹配,确定优化控制参数进行所述加工目标的加工控制。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种数控磨床产品的加工控制方法,确定加工目标的基础信息,生成目标加工任务,预期加工产品为附加生成信息;构建拟真加工控制模型,所述拟真加工控制模型内嵌有拟真加工设备,基于所述目标加工任务生成多个组件控制参数,输入所述拟真加工控制模型进行拟真试训练,获取加工控制能效;对所述加工控制能效与所述预期加工产品进行偏离分析,生成控制偏离数据,包括偏离指向、控制偏离时间节点,基于所述控制偏离数据,依据所述偏离指向与所述控制偏离时间节点,确定调整控制列表,输入所述拟真加工控制模型,确定最优控制效果,匹配优化控制参数进行所述加工目标的加工控制,解决了现有技术中存在的进行数控磨床产品加工进程中,依据既定参数进行加工控制,智能度与灵活度不足,致使加工控制参数的控制精度不足,与加工任务不够契合,造成加工偏差导致质量不合格的技术问题,通过进行加工控制参数的试训练进行缺陷识别,进行组件划分完成针对性参数寻优,实现智能化加工控制,提高控制灵活性与精准度,保障加工效果。
附图说明
图1为本申请提供了一种数控磨床产品的加工控制方法流程示意图;
图2为本申请提供了一种数控磨床产品的加工控制方法中拟真加工设备获取流程示意图;
图3为本申请提供了一种数控磨床产品的加工控制方法中控制偏离数据生成流程示意图;
图4为本申请提供了一种数控磨床产品的加工控制系统结构示意图。
附图标记说明:任务生成模块11,模型构建模块12,参数生成模块13,试训练控制模块14,偏离分析模块15,列表生成模块16,效果抉择模块17,优化控制模块18。
具体实施方式
本申请通过提供一种数控磨床产品的加工控制方法及系统,确定加工目标的基础信息,生成目标加工任务,配置多个组件控制参数,输入拟真加工控制模型获取加工控制能效,与预期加工产品进行偏离分析,生成控制偏离数据,获取调整控制列表并输入拟真加工控制模型,获取优化控制参数进行产品加工控制,用于解决现有技术中存在的进行数控磨床产品加工进程中,依据既定参数进行加工控制,智能度与灵活度不足,致使加工控制参数的控制精度不足,与加工任务不够契合,造成加工偏差导致质量不合格的技术问题。
实施例一
如图1所示,本申请提供了一种数控磨床产品的加工控制方法,所述方法包括:
步骤S100:确定加工目标的基础信息,生成目标加工任务,其中,预期加工产品为附加生成信息;
具体而言,数控磨床作为一种磨削加工设备,于生产加工领域中有着广泛的应用,数控磨床加工过程中,由于受到多种内外因影响,造成控制偏离,导致最终的加工控制效果较之预期目标存在一定的差异,为了优化加工控制效果,最大化消弭加工控制偏差,本申请提供了一种数控磨床产品的加工控制方法,通过对数控磨床进行组件剖解,进行拟加工分析进行加工偏差索源,进而进行参数寻优确定优化控制参数,保障加工产品的期望匹配度。
具体的,所述加工目标为待进行磨床加工的原材料,对所述加工目标进行几何尺寸、材质、预期处理效果等参数的采集,作为所述基础信息,基于所述预期处理效果进行等比还原,优选的可进行图纸还原以便进行信息提取,生成所述预期加工产品,即理想状态下加工完成的产品,将所述预期加工产品作为附加生成信息。基于所述基础信息,与所述预期加工产品进行比对,确定待进行处理的多项流程,基于加工次序对其进行排序整合,生成所述目标加工任务,基于所述目标加工任务进行后续设备控制分析。
步骤S200:构建拟真加工控制模型,其中,所述拟真加工控制模型内嵌有拟真加工设备;
具体而言,通过进行神经网络训练,构建所述拟真加工控制模型的主体架构,所述拟真加工控制模型可以是多级网络层,包括数据识别层,拟真训练层与能效评估层。进一步对数控磨床进行拟真三维化,生成所述拟真加工设备,将所述拟真加工设备嵌入所述拟真加工控制模型的所述拟真训练层中,以优化模型的运行机制,所述数据识别层包括多个识别节点,用于对输入的控制参数与数控磨床的多个组件进行识别对应,以便进行针对性控制分析,便于进行异常控制溯源。
进一步而言,如图2所示,本申请步骤S200还包括:
步骤S210:对数控磨床进行组件分解,确定多个目标组件;
步骤S220:对所述多个目标组件进行物理结构剖析,确定多组需求定位点,作为扫描点集;
步骤S230:基于激光点云技术,根据所述扫描点集,获取所述多个目标组件的多组空间坐标点集;
步骤S240:基于所述多组空间坐标点集,生成多个拟真组件;
步骤S250:对所述多个拟真组件进行组装,获取所述拟真加工设备。
进一步而言,本申请步骤S230还包括:
步骤S231:基于激光测距仪布设点位,确定原点位;
步骤S232:基于数控机床空间位置,确定目标区域;
步骤S233:基于所述原点位、所述目标区域,构建空间坐标系;
步骤S234:遍历所述扫描点集,依据所述激光测距仪进行点位测距,确定所述空间坐标系下的点位坐标,生成所述多组空间坐标点集。
具体而言,所述数控磨床为待进行加工处理的设备,确定所述数控磨床的多个设备组件,包括所述加工目标,例如,工作台、转台、刀具、砂轮、滑板等,作为所述多个目标组件。进一步对所述多个目标组件分别进行物理结构分析,对其进行边缘、拐点等组件结构识别,确定可进行组件还原的多个结构点位,将其作为所述多组需求定位点,设定为所述扫描点集,即待进行设备扫描定位的目标点集。基于激光点云技术,对所述扫描点集进行测距定位,确定对应的坐标定位点,作为所述多个目标组件的多组空间坐标点集。
具体的,所述激光测距仪器为对所述扫描点集进行测距的辅助性设备,确定所述激光测距仪的布设点位,将布设位置作为所述原点位。对数控机床进行位置确定,确定所处的空间区域,将其作为所述目标区域,即待进行扫描的范围。基于所述目标区域的空间位置确定坐标轴向,结合所述原点位构建所述空间坐标系。基于所述激光测距仪对所述扫描点集进行测距,基于测距结果进行空间坐标转换,获取所述多组空间坐标点集。
其中,对所述扫描点集进行测距定位过程中,可能存在一定的灰度区域,即扫描点被遮挡无法进行测量,示例性的,可对所述原点为进行调整转移,继续结合所述目标区域构建第二空间坐标系,对所述灰度区域的扫描点进行测距定位,确定对应处于所述第二空间坐标系下的坐标点,进一步对所述第二空间坐标系下的坐标点进行转换,将其转换为位于所述空间坐标系下的点位坐标,进行坐标集成,生成所述多组空间坐标点集,所述多组空间坐标点集分别对应所述多个目标组件。
进一步的,基于所述多组空间坐标点集,于所述空间坐标系下进行排布,确定多组待拟真组件配置点,进行点位衔接关联生成所述多个拟真组件。基于数控磨床的结构,对所述多个拟真组件进行组装,生成所述拟真加工设备。通过进行坐标点定位,可有效保障测距精准度,保障拟真组件构建数据的实际适配性,提高所述拟真加工设备等比还原度,提高后续拟真控制效果与实操的契合度。
步骤S300:基于所述目标加工任务生成多个组件控制参数;
进一步而言,所述基于所述目标加工任务生成多个组件控制参数,本申请步骤S300还包括:
步骤S310:对所述数控磨床进行运转机制采集,获取设备控制指标;
步骤S320:基于所述设备控制指标,对所述目标加工任务进行指标转换,获取多组指标参数;
步骤S330:遍历所述多组指标参数,与所述多个目标组件进行匹配,确定多个组件控制参数。
具体而言,基于所述目标加工任务,通过基于所述多个目标组件进行任务剖解,确定所述多个目标组件的匹配性控制子任务,进一步进行子任务控制参数转换,确定所述多个组件控制参数。
具体的,对所述数控磨床进行运行原理分析,确定运转机制,进而确定所述多个目标组件的控制指标,例如刀具的嵌入深度、加工方向、切换控制等。对所述目标加工任务,遍历所述多个目标组件进行分割,确定所述多个目标组件对应的加工子任务,获取任务分割结果,对任务分割结果与所述多个目标组件进行映射匹配,将所述设备控制指标作为转换方向,进行任务转换,确定对应的控制参数,例如,对于切割任务,基于任务能效,当前刀具的加工性能,确定对应的加工控制参数,即具体的指标数据。对多个加工子任务分别进行指标参数转换,获取所述多组指标参数。将所述多组指标参数与所述多个目标组件进行映射对应,生成所述多个组件控制参数,其中,所述多个组件控制参数带有组件标识。基于所述多个目标组件进行任务分割与转换,可有效保障所述多个组件控制参数的控制精准度,以便进行组件的针对性控制。
步骤S400:基于所述拟真加工控制模型,依据所述多个组件控制参数进行拟真试训练,获取加工控制能效;
步骤S500:对所述加工控制能效与所述预期加工产品进行偏离分析,生成控制偏离数据,其中,所述控制偏离数据包括偏离指向、控制偏离时间节点;
具体而言,将所述多个组件控制参数输入所述拟真加工控制模型中,基于所述数据识别层对所述多个组件控制参数进行识别与组件匹配,进一步传输至所述拟真训练层中,确定所述拟真加工设备的组件对应控制参数,进行目标加工控制,直至加工完成确定加工产品,将加工产品传输至所述能效评估层,通过进行产品状态参数提取,作为所述加工控制能效进行模型输出。
进一步提取所述预期加工产品,即理想加工产品,对所述加工控制能效与所述预期加工产品进行重叠比对与参数校对,基于多维质检指标进行偏离分析,确定偏离尺度与偏离方向,确定偏离指标参数,其中所述偏离指标参数带有偏离指向标识,并确定所述偏离指标参数对应的加工时间节点,作为所述控制偏离时间节点,对所述控制偏离时间节点与所述偏离指标参数进行对应,生成所述控制偏离数据,所述控制偏离数据的获取为后续进行偏离调整提供了基本依据。
进一步而言,如图3所示,对所述加工控制能效与所述预期加工产品进行偏离分析,生成控制偏离数据,本申请步骤S500还包括:
步骤S510:针对表面粗糙度、几何尺寸与体表瑕疵,配置多维质检指标;
步骤S520:基于所述多维质检指标,对所述加工控制能效与所述预期加工产品进行指标偏离分析,获取偏离指标参数,其中,所述偏离指标参数带有正负指向标识;
步骤S530:确定初始加工时间节点与结束加工时间节点,对所述偏离指标参数进行偏离加工时间节点度量,确定所述控制偏离时间节点;
步骤S540:基于所述偏离指标参数与所述控制偏离时间节点,生成所述控制偏离数据。
具体而言,基于所述目标加工任务进行之间指标评估,将所述表面粗糙度、所述几何尺寸与所述体表瑕疵作为多维质量检测方向,确定所述多维质检指标。对所述加工控制能效与所述预期加工产品进行重叠比对与参数校对,基于所述多维检测指标,提取所述加工控制能效与所述预期加工产品的指标参数,进一步进行指标参数的映射对应,基于映射结果进行参数差值计量,确定所述加工控制能效较之所述预期加工产品的偏离数据,包括指标偏离方向,基于正负指向进行所述指标偏离方向标识,生成所述偏离指标参数。进一步基于加工时间区间,确定所述初始加工时间节点与所述结束加工时间节点,将其作为时间限定标准,例如,可将所述初始加工时间节点设定为0,对所述偏离指标参数进行加工时间确定,以确定异常加工时间节点,作为所述控制偏离时间节点,所述控制偏离时间节点为待进行控制调整的时间节点。进一步对所述偏离指标参数与所述控制偏离时间节点进行对应标识,作为所述控制偏离数据,所述控制偏离数据为存在实际判据且具有实时有效性的异常数据,以确定加工的优化控制方向与尺度。
步骤S600:基于所述控制偏离数据,依据所述偏离指向与所述控制偏离时间节点,确定调整控制列表;
进一步而言,所述基于所述控制偏离数据,依据所述偏离指向与所述控制偏离时间节点,确定调整控制列表,本申请步骤S600还包括:
步骤S610:获取预设偏离阈值,基于所述预设偏离阈值对所述控制偏离数据进行阈值判断筛选,确定待调控制偏离数据;
步骤S620:基于所述待调控制偏离数据,生成控制偏离列表,其中,所述控制偏离列表的数据形式为组件-控制参数;
步骤S630:配置单次调整尺度;
步骤S640:基于所述单次调整尺度,针对所述偏离指向与所述控制偏离时间节点,对所述控制偏离列表进行多层级参数调整,生成调整控制列表,包括多层级待验证调整控制参数。
具体而言,将所述控制偏离数据作为优化控制调整依据,确定偏离调整数据,结合所述偏离指向与所述控制偏离时间节点,确定待调整组件与对应的调整加工时间节点与调整方向,对调整数据基于组件进行对应关联,生成多个控制调整序列,作为所述调整控制列表。
具体的,所述控制偏离数据中,存在部分偏离数据,由于偏离式微,对加工效果影响极小,可适当进行忽略。获取所述预设偏离阈值,即进行式微偏离数据筛选的偏离临界值,遍历所述控制偏离数据,判断是否满足所述预设偏离阈值,以进行偏离数据筛选,提取满足所述预设偏离阈值的数据,作为所述待调控制偏离数据,即存在调整必要性的偏离数据。对所述待调控制偏离数据进行组件匹配,并提取当前拟真试训练的对应控制参数,对两者进行关联对应,确定多个组件控制序列,即组件-控制参数,集成所述多个组件控制序列,生成所述控制偏离列表。配置所述单次调整尺度,即单次对控制参数进行调整的范围区间,提取组件对应的所述偏离指向与所述控制偏离时间节点,基于所述单次调整尺度对所述控制偏离列表中控制参数进行多次调整,确定各个组件的多次参数调整结果,即备选性调整结果,进行组件对应整合,生成所述调整控制列表,基于所述调整控制列表进行加工分析择最优。
步骤S700:将所述调整控制列表输入所述拟真加工控制模型,确定最优控制效果;
步骤S800:基于所述最优控制效果进行控制参数反向匹配,确定优化控制参数进行所述加工目标的加工控制。
具体而言,基于所述调整控制列表,提取一组调整序列,将其输入所述拟真加工模型中,通过进行参数识别匹配,基于所述拟真加工设备进行试训练,确定对应的加工控制能效。对所述调整控制列表中的多组调整序列,分别基于所述拟真加工控制模型进行拟真训练分析,获取参数调整后的多个所述加工控制能效。将多个所述加工控制能效作为筛选范围,基于所述预期加工产品进行能效评估,确定多个优化加工效果,对所述多个优化加工效果进行递减式排序,确定最优控制效果,所述最优控制效果为与所述预期加工产品一致度最高的可实施加工效果。进一步进行参数反向匹配,确定所述最优加工效果对应的调整控制参数,作为所述优化控制参数,基于所述优化控制参数控制数控磨床进行加工控制,可有效提高加工效果与所述预期加工产品的契合度,提高控制精准度。
进一步而言,本申请实施例还存在步骤S900,包括:
步骤S910:基于预设时间粒度进行大数据调研,获取加工故障记录;
步骤S920:对所述加工故障记录进行剖析,确定多条故障序列,其中,所述多条故障序列表述为事件-类型-故障源;
步骤S930:基于所述多条故障序列,训练风险预警模型;
步骤S940:获取实时加工数据,输入所述风险预警模型,输出风险预警信息,其中,预警等级为附加输出信息。
具体而言,设备运行过程中,不可避免的会存在设备故障,造成设备运行异常影响加工效果。获取所述预设时间粒度,即进行数据采集调取的时间区间,基于所述预设时间粒度进行大数据统计调研,确定数控磨床运行进程中存在的故障数据,包括故障组件、故障级别、故障类型等指标,作为所述加工故障记录。对所述加工故障记录进行剖解分析,获取多个故障事件,并提取对应的多个故障指标参数,生成事件-类型-故障源形式的多条故障序列。基于所述多条故障序列,针对各个序列进行预警信息配置,其中,配置的预警信息带有预警等级标识,对两者进行关联对应,作为样本数据。基于机器学习算法构建所述风险预警模型,对所述样本数据比例划分,生成训练集与测试集,基于所述训练集与所述测试集,对所述风险预警模型进行训练验证,确定多个层级匹配节点与多个层级决策节点,进行层级节点映射衔接,获取训练完成的所述风险预警模型。采集实时加工数据,将所述实时加工数据输入所述风险预警模型中,逐层进行节点匹配分析,确定对应的风险预警信息并进行模型输出,基于所述风险预警信息进行设备故障预警警示,进行设备运维处理,实现设备的持续稳定运行。
实施例二
基于与前述实施例中一种数控磨床产品的加工控制方法相同的发明构思,如图4所示,本申请提供了一种数控磨床产品的加工控制系统,所述系统包括:
任务生成模块11,所述任务生成模块11用于确定加工目标的基础信息,生成目标加工任务,其中,预期加工产品为附加生成信息;
模型构建模块12,所述模型构建模块12用于构建拟真加工控制模型,其中所述拟真加工控制模型内嵌有拟真加工设备;
参数生成模块13,所述参数生成模块13用于基于所述目标加工任务生成多个组件控制参数;
试训练控制模块14,所述试训练控制模块14用于基于所述拟真加工控制模型,依据所述多个组件控制参数进行拟真试训练,获取加工控制能效;
偏离分析模块15,所述偏离分析模块15用于对所述加工控制能效与所述预期加工产品进行偏离分析,生成控制偏离数据,其中,所述控制偏离数据包括偏离指向、控制偏离时间节点;
列表生成模块16,所述列表生成模块16用于基于所述控制偏离数据,依据所述偏离指向与所述控制偏离时间节点,确定调整控制列表;
效果抉择模块17,所述效果抉择模块17用于将所述调整控制列表输入所述拟真加工控制模型,确定最优控制效果;
优化控制模块18,所述优化控制模块18用于基于所述最优控制效果进行控制参数反向匹配,确定优化控制参数进行所述加工目标的加工控制。
进一步而言,所述系统还包括:
组件分解模块,所述组件分解模块用于对数控磨床进行组件分解,确定多个目标组件;
扫描点集获取模块,所述扫描点集获取模块用于对所述多个目标组件进行物理结构剖析,确定多组需求定位点,作为扫描点集;
坐标确定模块,所述坐标确定模块用于基于激光点云技术,根据所述扫描点集,获取所述多个目标组件的多组空间坐标点集;
组件拟真模块,所述组件拟真模块用于基于所述多组空间坐标点集,生成多个拟真组件;
组件组装模块,所述组件组装模块用于对所述多个拟真组件进行组装,获取所述拟真加工设备。
进一步而言,所述系统还包括:
原点位确定模块,所述原点位确定模块用于基于激光测距仪布设点位,确定原点位;
目标区域确定模块,所述目标区域确定模块用于基于数控机床空间位置,确定目标区域;
坐标系构建模块,所述坐标系构建模块用于基于所述原点位、所述目标区域,构建空间坐标系;
坐标测量模块,所述坐标测量模块用于遍历所述扫描点集,依据所述激光测距仪进行点位测距,确定所述空间坐标系下的点位坐标,生成所述多组空间坐标点集。
进一步而言,所述系统还包括:
指标获取模块,所述指标获取模块用于对所述数控磨床进行运转机制采集,获取设备控制指标;
指标参数获取模块,所述指标参数获取模块用于基于所述设备控制指标,对所述目标加工任务进行指标转换,获取多组指标参数;
参数匹配模块,所述参数匹配模块用于遍历所述多组指标参数,与所述多个目标组件进行匹配,确定多个组件控制参数。
进一步而言,所述系统还包括:
数据筛选模块,所述数据筛选模块用于获取预设偏离阈值,基于所述预设偏离阈值对所述控制偏离数据进行阈值判断筛选,确定待调控制偏离数据;
控制偏离列表生成模块,所述控制偏离列表生成模块用于基于所述待调控制偏离数据,生成控制偏离列表,其中,所述控制偏离列表的数据形式为组件-控制参数;
调整尺度配置模块,所述调整尺度配置模块用于配置单次调整尺度;
调整控制列表生成模块,所述调整控制列表生成模块用于基于所述单次调整尺度,针对所述偏离指向与所述控制偏离时间节点,对所述控制偏离列表进行多层级参数调整,生成调整控制列表,包括多层级待验证调整控制参数。
进一步而言,所述系统还包括:
质检指标配置模块,所述质检指标配置模块用于针对表面粗糙度、几何尺寸与体表瑕疵,配置多维质检指标;
偏离指标参数获取模块,所述偏离指标参数获取模块用于基于所述多维质检指标,对所述加工控制能效与所述预期加工产品进行指标偏离分析,获取偏离指标参数,其中,所述偏离指标参数带有正负指向标识;
偏离度量模块,所述偏离度量模块用于确定初始加工时间节点与结束加工时间节点,对所述偏离指标参数进行偏离加工时间节点度量,确定所述控制偏离时间节点;
控制偏离数据生成模块,所述偏离控制数据生成模块用于基于所述偏离指标参数与所述控制偏离时间节点,生成所述控制偏离数据。
进一步而言,所述系统还包括:
记录获取模块,所述记录获取模块用于基于预设时间粒度进行大数据调研,获取加工故障记录;
故障序列确定模块,所述故障序列确定模块用于对所述加工故障记录进行剖析,确定多条故障序列,其中,所述多条故障序列表述为事件-类型-故障源;
模型训练模块,所述模型训练模块用于基于所述多条故障序列,训练风险预警模型;
信息输出模块,所述信息输出模块用于获取实时加工数据,输入所述风险预警模型,输出风险预警信息,其中,预警等级为附加输出信息。
本说明书通过前述对一种数控磨床产品的加工控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种数控磨床产品的加工控制方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种数控磨床产品的加工控制方法,其特征在于,所述方法包括:
确定加工目标的基础信息,生成目标加工任务,其中,预期加工产品为附加生成信息;
构建拟真加工控制模型,其中,所述拟真加工控制模型内嵌有拟真加工设备;
基于所述目标加工任务生成多个组件控制参数;
其中,所述基于所述目标加工任务生成多个组件控制参数,包括:
对所述数控磨床进行运转机制采集,获取设备控制指标;
基于所述设备控制指标,对所述目标加工任务进行指标转换,获取多组指标参数;
遍历所述多组指标参数,与多个目标组件进行匹配,确定多个组件控制参数;
基于所述拟真加工控制模型,依据所述多个组件控制参数进行拟真试训练,获取加工控制能效;
对所述加工控制能效与所述预期加工产品进行偏离分析,生成控制偏离数据,其中,所述控制偏离数据包括偏离指向、控制偏离时间节点;
其中,对所述加工控制能效与所述预期加工产品进行偏离分析,生成控制偏离数据,包括:
针对表面粗糙度、几何尺寸与体表瑕疵,配置多维质检指标;
基于所述多维质检指标,对所述加工控制能效与所述预期加工产品进行指标偏离分析,获取偏离指标参数,其中,所述偏离指标参数带有正负指向标识;
确定初始加工时间节点与结束加工时间节点,对所述偏离指标参数进行偏离加工时间节点度量,确定所述控制偏离时间节点;
基于所述偏离指标参数与所述控制偏离时间节点,生成所述控制偏离数据;
基于所述控制偏离数据,依据所述偏离指向与所述控制偏离时间节点,确定调整控制列表;
其中,所述基于所述控制偏离数据,依据所述偏离指向与所述控制偏离时间节点,确定调整控制列表,包括:
获取预设偏离阈值,基于所述预设偏离阈值对所述控制偏离数据进行阈值判断筛选,确定待调控制偏离数据;
基于所述待调控制偏离数据,生成控制偏离列表,其中,所述控制偏离列表的数据形式为组件-控制参数;
配置单次调整尺度;
基于所述单次调整尺度,针对所述偏离指向与所述控制偏离时间节点,对所述控制偏离列表进行多层级参数调整,生成调整控制列表,包括多层级待验证调整控制参数;
将所述调整控制列表输入所述拟真加工控制模型,确定最优控制效果;
基于所述最优控制效果进行控制参数反向匹配,确定优化控制参数进行所述加工目标的加工控制。
2.如权利要求1所述的方法,其特征在于,包括:
对数控磨床进行组件分解,确定多个目标组件;
对所述多个目标组件进行物理结构剖析,确定多组需求定位点,作为扫描点集;
基于激光点云技术,根据所述扫描点集,获取所述多个目标组件的多组空间坐标点集;
基于所述多组空间坐标点集,生成多个拟真组件;
对所述多个拟真组件进行组装,获取所述拟真加工设备。
3.如权利要求2所述的方法,其特征在于,包括:
基于激光测距仪布设点位,确定原点位;
基于数控机床空间位置,确定目标区域;
基于所述原点位、所述目标区域,构建空间坐标系;
遍历所述扫描点集,依据所述激光测距仪进行点位测距,确定所述空间坐标系下的点位坐标,生成所述多组空间坐标点集。
4.如权利要求1所述的方法,其特征在于,包括:
基于预设时间粒度进行大数据调研,获取加工故障记录;
对所述加工故障记录进行剖析,确定多条故障序列,其中,所述多条故障序列表述为事件-类型-故障源;
基于所述多条故障序列,训练风险预警模型;
获取实时加工数据,输入所述风险预警模型,输出风险预警信息,其中,预警等级为附加输出信息。
5.一种数控磨床产品的加工控制系统,其特征在于,所述系统包括:
任务生成模块,所述任务生成模块用于确定加工目标的基础信息,生成目标加工任务,其中,预期加工产品为附加生成信息;
模型构建模块,所述模型构建模块用于构建拟真加工控制模型,其中所述拟真加工控制模型内嵌有拟真加工设备;
参数生成模块,所述参数生成模块用于基于所述目标加工任务生成多个组件控制参数;
其中,所述参数生成模块包括:
指标获取模块,所述指标获取模块用于对所述数控磨床进行运转机制采集,获取设备控制指标;
指标参数获取模块,所述指标参数获取模块用于基于所述设备控制指标,对所述目标加工任务进行指标转换,获取多组指标参数;
参数匹配模块,所述参数匹配模块用于遍历所述多组指标参数,与多个目标组件进行匹配,确定多个组件控制参数;
试训练控制模块,所述试训练控制模块用于基于所述拟真加工控制模型,依据所述多个组件控制参数进行拟真试训练,获取加工控制能效;
偏离分析模块,所述偏离分析模块用于对所述加工控制能效与所述预期加工产品进行偏离分析,生成控制偏离数据,其中,所述控制偏离数据包括偏离指向、控制偏离时间节点;
其中,所述系统还包括:
质检指标配置模块,所述质检指标配置模块用于针对表面粗糙度、几何尺寸与体表瑕疵,配置多维质检指标;
偏离指标参数获取模块,所述偏离指标参数获取模块用于基于所述多维质检指标,对所述加工控制能效与所述预期加工产品进行指标偏离分析,获取偏离指标参数,其中,所述偏离指标参数带有正负指向标识;
偏离度量模块,所述偏离度量模块用于确定初始加工时间节点与结束加工时间节点,对所述偏离指标参数进行偏离加工时间节点度量,确定所述控制偏离时间节点;
控制偏离数据生成模块,所述控制偏离数据生成模块用于基于所述偏离指标参数与所述控制偏离时间节点,生成所述控制偏离数据;
列表生成模块,所述列表生成模块用于基于所述控制偏离数据,依据所述偏离指向与所述控制偏离时间节点,确定调整控制列表;
其中,所述列表生成模块包括:
数据筛选模块,所述数据筛选模块用于获取预设偏离阈值,基于所述预设偏离阈值对所述控制偏离数据进行阈值判断筛选,确定待调控制偏离数据;
控制偏离列表生成模块,所述控制偏离列表生成模块用于基于所述待调控制偏离数据,生成控制偏离列表,其中,所述控制偏离列表的数据形式为组件-控制参数;
调整尺度配置模块,所述调整尺度配置模块用于配置单次调整尺度;
调整控制列表生成模块,所述调整控制列表生成模块用于基于所述单次调整尺度,针对所述偏离指向与所述控制偏离时间节点,对所述控制偏离列表进行多层级参数调整,生成调整控制列表,包括多层级待验证调整控制参数;
效果抉择模块,所述效果抉择模块用于将所述调整控制列表输入所述拟真加工控制模型,确定最优控制效果;
优化控制模块,所述优化控制模块用于基于所述最优控制效果进行控制参数反向匹配,确定优化控制参数进行所述加工目标的加工控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310081910.6A CN116224930B (zh) | 2023-01-17 | 2023-01-17 | 一种数控磨床产品的加工控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310081910.6A CN116224930B (zh) | 2023-01-17 | 2023-01-17 | 一种数控磨床产品的加工控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116224930A CN116224930A (zh) | 2023-06-06 |
CN116224930B true CN116224930B (zh) | 2023-08-22 |
Family
ID=86588559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310081910.6A Active CN116224930B (zh) | 2023-01-17 | 2023-01-17 | 一种数控磨床产品的加工控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116224930B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117330507B (zh) * | 2023-10-12 | 2024-04-05 | 苏州星帆华镭光电科技有限公司 | 手持激光仪的远程测试管控方法 |
CN117151657B (zh) * | 2023-10-30 | 2024-01-23 | 南通顺裕包装材料有限公司 | 一种塑料包装材料管理方法及系统 |
CN117161821B (zh) * | 2023-11-02 | 2023-12-26 | 南通海鹰机电集团有限公司 | 一种数控钻床主轴自适应进给控制方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105607579A (zh) * | 2016-01-27 | 2016-05-25 | 广东工业大学 | 一种机床加工智能节能控制方法及系统 |
DE102016216190A1 (de) * | 2016-08-29 | 2018-03-01 | Siemens Aktiengesellschaft | Verfahren und System zum rechnergestützten Optimieren eines numerisch gesteuerten Bearbeitungsprozesses eines Werkstücks |
CN110007645A (zh) * | 2019-04-11 | 2019-07-12 | 华中科技大学 | 一种基于动力学及深度神经网络的进给系统混合建模方法 |
CN113552840A (zh) * | 2021-07-30 | 2021-10-26 | 娄底市同丰科技有限公司 | 一种机械加工控制系统 |
WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
TW202213004A (zh) * | 2020-09-21 | 2022-04-01 | 國立虎尾科技大學 | 工具機精度預測與補償系統 |
CN114384861A (zh) * | 2021-12-16 | 2022-04-22 | 重庆邮电大学 | 一种基于多层感知机的数控机床多工况切削参数优化方法 |
CN114491839A (zh) * | 2022-01-11 | 2022-05-13 | 浙江机电职业技术学院 | 数控电火花机床加工参数智能优化方法和系统 |
CN115542866A (zh) * | 2022-11-28 | 2022-12-30 | 江苏未来网络集团有限公司 | 基于工业互联网全连接管理的焊接生产监测方法及系统 |
CN115562158A (zh) * | 2022-11-10 | 2023-01-03 | 北京机床研究所有限公司 | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 |
-
2023
- 2023-01-17 CN CN202310081910.6A patent/CN116224930B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105607579A (zh) * | 2016-01-27 | 2016-05-25 | 广东工业大学 | 一种机床加工智能节能控制方法及系统 |
DE102016216190A1 (de) * | 2016-08-29 | 2018-03-01 | Siemens Aktiengesellschaft | Verfahren und System zum rechnergestützten Optimieren eines numerisch gesteuerten Bearbeitungsprozesses eines Werkstücks |
CN110007645A (zh) * | 2019-04-11 | 2019-07-12 | 华中科技大学 | 一种基于动力学及深度神经网络的进给系统混合建模方法 |
TW202213004A (zh) * | 2020-09-21 | 2022-04-01 | 國立虎尾科技大學 | 工具機精度預測與補償系統 |
WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN113552840A (zh) * | 2021-07-30 | 2021-10-26 | 娄底市同丰科技有限公司 | 一种机械加工控制系统 |
CN114384861A (zh) * | 2021-12-16 | 2022-04-22 | 重庆邮电大学 | 一种基于多层感知机的数控机床多工况切削参数优化方法 |
CN114491839A (zh) * | 2022-01-11 | 2022-05-13 | 浙江机电职业技术学院 | 数控电火花机床加工参数智能优化方法和系统 |
CN115562158A (zh) * | 2022-11-10 | 2023-01-03 | 北京机床研究所有限公司 | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 |
CN115542866A (zh) * | 2022-11-28 | 2022-12-30 | 江苏未来网络集团有限公司 | 基于工业互联网全连接管理的焊接生产监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
数控机床半实物仿真培训系统的研究;吴菁等;工具技术;第43卷(第07期);第80-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116224930A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116224930B (zh) | 一种数控磨床产品的加工控制方法及系统 | |
CN115833400B (zh) | 一种变电站电力设备的监测预警方法及系统 | |
CN112712303B (zh) | 加工工艺数字化规划方法及软件平台 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN104103005A (zh) | 一种有限条件下突发性水环境事件污染源的溯源方法 | |
Semenov et al. | Identification of the state of an object under conditions of fuzzy input data | |
CN115601000B (zh) | 一种复杂环境下的bim5d模型工程造价方法及系统 | |
CN116468160A (zh) | 基于生产大数据的铝合金压铸件质量预测方法 | |
Pathak et al. | Form error evaluation of noncontact scan data using constriction factor particle swarm optimization | |
CN103192292A (zh) | 基于加工工件曲面形貌信息的数控机床误差辨识分离方法 | |
CN115373370A (zh) | 一种可编程控制器运行状态监测方法及系统 | |
CN115983684B (zh) | 一种制冷用铜管生产缺陷管理方法及系统 | |
CN116307405A (zh) | 一种基于生产数据的二极管性能预测方法及系统 | |
CN115983796A (zh) | 一种输电线路施工进度监督预警方法及系统 | |
CN116295141A (zh) | 一种燃料电池双极板平整度检测方法及系统 | |
CN109648397A (zh) | 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 | |
CN112966449B (zh) | 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法 | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
Das et al. | Parametric effect analysis of free-form shape error during sheet metal forming | |
CN116823215B (zh) | 一种用于电站的智慧运维管控方法及系统 | |
CN117474298B (zh) | 一种基于上下游工位反馈的发动机连杆生产管理方法及系统 | |
CN117592223B (zh) | 一种面向航空航天材料的孔加工刀具智能设计方法 | |
CN117911412B (zh) | 用于工程机械用链轨节的尺寸检测方法及系统 | |
CN117572821B (zh) | 汽车内饰仪表台用雕刻机的自适应运控预警方法及系统 | |
CN117171922B (zh) | 一种钢结构制作中平行矫正的方法及系统 |
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 |