CN116449770A - 数控机床的加工方法、装置、设备以及计算机存储介质 - Google Patents
数控机床的加工方法、装置、设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN116449770A CN116449770A CN202310708585.1A CN202310708585A CN116449770A CN 116449770 A CN116449770 A CN 116449770A CN 202310708585 A CN202310708585 A CN 202310708585A CN 116449770 A CN116449770 A CN 116449770A
- Authority
- CN
- China
- Prior art keywords
- data
- numerical control
- control machine
- initial
- machine tool
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003754 machining Methods 0.000 title claims description 152
- 238000003672 processing method Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 description 11
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007514 turning Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G05B2219/33—Director till display
- G05B2219/33225—Interface nc machine to data server
-
- 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]
Abstract
本申请涉及数控技术领域，尤其涉及一种数控机床的加工方法、装置、设备以及计算机存储介质，该方法包括：获取数控机床在当前时刻的实际加工数据；当所述实际加工数据为所述数控机床的初始输入数据时，获取与所述实际加工数据对应的平均数据，并依据所述平均数据和所述实际加工数据确定所述数控机床的去噪加工数据；将所述去噪加工数据输入至预设的调度知识库中进行模型训练，得到所述数控机床的初始调度数据，并获取与所述初始调度数据对应的初始适应度；当所述初始适应度与所述数控机床的历史最优适应度匹配时，将所述数控机床的当前调度数据调整为所述初始调度数据以更新所述数控机床执行的加工操作，本申请提高了数控机床的加工效率。
Description
技术领域
本申请涉及数控技术领域，尤其涉及一种数控机床的加工方法、装置、设备以及计算机存储介质。
背景技术
数控技术是当今先进制造装备行业的核心技术，在数控技术飞速发展的同时，用户对数控机床的加工效率提出了更高的要求。
传统的数控机床加工方法通常只能根据事先制定的工艺路线和静态的加工参数进行调度，但在实际加工过程中因受噪声干扰的约束而影响着加工准确性，此时，依赖人工计算和编程人员的加工经验重新设置加工参数，不仅耗时费力而且难以满足快速生产调度的需求。也就是说，现有的数控机床加工方案存在着加工效率低的技术问题。
发明内容
本申请的主要目的在于提供一种数控机床的加工方法、装置、设备以及计算机存储介质，旨在提高数控机床的加工效率。
为实现上述目的，本申请提供一种数控机床的加工方法，所述数控机床的加工方法包括：
获取数控机床在当前时刻的实际加工数据，所述实际加工数据至少包括数控机床的机床运行状态、实际加工参数和实际加工质量；
当所述实际加工数据为所述数控机床的初始输入数据时，获取与所述实际加工数据对应的平均数据，并依据所述平均数据和所述实际加工数据确定所述数控机床的去噪加工数据；
将所述去噪加工数据输入至预设的调度知识库中进行模型训练，得到所述数控机床的初始调度数据，并获取与所述初始调度数据对应的初始适应度；
当所述初始适应度与所述数控机床的历史最优适应度匹配时，将所述数控机床的当前调度数据调整为所述初始调度数据以更新所述数控机床执行的加工操作。
可选地，所述初始调度数据包括所述数控机床的初始加工质量参数、初始加工成本参数和初始加工效率参数，所述获取与所述初始调度数据对应的初始适应度的步骤包括：
在所述调度知识库中获取所述数控机床的历史加工质量参数、历史加工成本参数和历史加工效率参数；
依据所述历史加工质量参数、所述历史加工成本参数和所述历史加工效率参数之间的加工权重确定所述数控机床的适应度标准；
依据所述初始加工质量参数、所述初始加工成本参数和所述初始加工效率参数对所述适应度标准进行调整，得到初始适应度。
可选地，在所述获取与所述初始调度数据对应的初始适应度的步骤之后，所述数控机床的加工方法包括：
检测所述初始适应度是否大于所述数控机床的历史最优适应度；
若所述初始适应度大于所述历史最优适应度，则确定所述初始适应度与所述数控机床的历史最优适应度匹配；
若所述初始适应度小于或者等于所述历史最优适应度，则确定所述初始适应度与所述数控机床的历史最优适应度不匹配，依据所述初始调度数据确定所述数控机床在目标时刻的目标调度变化量，依据所述目标调度变化量和所述初始调度数据确定所述数控机床在所述目标时刻的目标调度数据，并将所述目标调度数据作为下一个初始调度数据返回执行所述获取与所述初始调度数据对应的初始适应度的步骤，所述目标时刻是指所述当前时刻的下一时刻。
可选地，所述依据所述初始调度数据确定所述数控机床在目标时刻的目标调度变化量的步骤，包括：
依据所述初始调度数据和所述当前时刻确定所述数控机床的初始调度变化量，并从所述调度知识库存储的多个历史调度数据中获取所述数控机床在所述当前时刻的最优历史调度数据；
依据所述初始适应度和所述初始调度数据确定所述数控机床在所述当前时刻的最优调度数据；
依据所述初始调度变化量、所述最优历史调度数据与所述初始调度数据之间的差值、和所述最优调度数据与所述初始调度数据之间的差值，确定所述数控机床在目标时刻的目标调度变化量。
可选地，在将所述目标调度数据作为下一个初始调度数据返回执行所述获取与所述初始调度数据对应的初始适应度的步骤之后，所述数控机床的加工方法，还包括：
获取所述数控机床的当前返回次数，并判断所述当前返回次数是否大于预设的循环次数；
若所述当前返回次数小于或者等于所述循环次数，则继续执行所述检测所述初始适应度是否大于所述数控机床的历史最优适应度的步骤；
若所述当前返回次数大于所述循环次数，则将多个所述初始适应度中适应度数值最高的数据作为所述数控机床的最优适应度；
依据所述最优适应度对所述数控机床的当前调度数据进行调整，以更新所述数控机床执行的加工操作。
可选地，所述实际加工数据的数量有多个，所述依据所述平均数据和所述实际加工数据确定所述数控机床的去噪加工数据的步骤，包括：
按照所述平均数据对应的阈值范围从多个所述实际加工数据查找目标数据，所述目标数据为小于所述阈值范围中最小值的数据或者/和大于所述阈值范围中最大值的数据；
依据所述目标数据对各所述实际加工数据进行滤除更新，并将得到的更新加工数据作为所述数控机床的去噪加工数据。
可选地，在所述将所述去噪加工数据输入至预设的调度知识库中进行模型训练的步骤之前，所述数控机床的加工方法还包括：
在确定所述实际加工数据不为所述数控机床的初始输入数据后，获取所述数控机床在所述当前时刻的上一时刻输出的历史去噪加工数据；
确定所述实际加工数据对应的第一信号权重，依据所述第一信号权重确定所述历史去噪加工数据对应的第二信号权重；
将所述第一信号权重与所述实际加工数据之间的乘积叠加在所述第二信号权重上，得到所述数控机床的去噪加工数据。
此外，为实现上述目的，本申请还提供一种数控机床的加工装置，本申请数控机床的加工装置包括：
获取模块，用于获取数控机床在当前时刻的实际加工数据，所述实际加工数据至少包括数控机床的机床运行状态、实际加工参数和实际加工质量；
去噪模块，用于当所述加工数据为所述数控机床的初始输入数据时，获取与所述加工数据对应的平均数据，并依据所述平均数据和所述加工数据确定所述数控机床的去噪加工数据；
训练模块，用于将所述去噪加工数据输入至预设的调度知识库中进行模型训练，得到所述数控机床的初始调度数据，并获取与所述初始调度数据对应的初始适应度；
更新模块，用于当所述初始适应度与所述数控机床的历史最优适应度匹配时，将所述数控机床的当前调度数据调整为所述初始调度数据以更新所述数控机床执行的加工操作。
本申请数控机床的加工装置的各个功能模块在运行时实现如上所述的本申请数控机床的加工方法的步骤。
此外，为实现上述目的，本申请还提供一种终端设备，所述终端设备包括存储器、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数控机床的加工程序，所述数控机床的加工程序被所述处理器执行时实现上述数控机床的加工方法的步骤。
此外，为实现上述目的，本申请还提供一种计算机存储介质，所述计算机存储介质上存储有数控机床的加工程序，所述数控机床的加工程序被处理器执行时实现上述的数控机床的加工方法的步骤。
本申请首先实时获取数控机床在当前时刻的加工数据，且在检测到加工数据为数控机床的初始输入数据时，可以及时获取加工数据对应的平均数据，然后依据平均数据和加工数据可以准确地获取数控机床的去噪加工数据，从而有效地提高了去噪加工数据的可靠性，然后将去噪加工数据自动输入至预设的调度知识库中进行模型训练，可以快速准确地得到数控机床的初始调度数据，并获取与初始调度数据对应的初始适应度，且当确定初始适应度与数控机床的历史最优适应度匹配时，依据初始调度数据对数控机床的当前调度数据进行实时动态调整，即将数控机床的当前调度数据调整为初始调度数据来更新数控机床执行的加工操作以确保数控机床时时刻刻都处于高效加工状态，进而有效地提高了数控机床的加工效率。
附图说明
图1是本申请数控机床的加工方法第一实施例的流程示意图；
图2是本申请数控机床的加工方法第二实施例的流程示意图；
图3是本申请实施例方案涉及的数控机床的加工装置的结构示意图；
图4为本申请实施例方案涉及的终端设备的结构示意图；
图5是本申请实施例方案涉及的计算机存储介质的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
本申请实施例提供了一种数控机床的加工方法，参照图1所示，图1是本申请数控机床的加工方法第一实施例的流程示意图。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。
本实施例中，本申请数控机床的加工方法具体是由控制数控机床进行加工操作的终端设备来执行，在下述实施例中不再对数控机床的执行主体进行赘述。本申请数控机床的加工方法包括：
步骤S10：获取数控机床在当前时刻的实际加工数据，所述实际加工数据至少包括数控机床的机床运行状态、实际加工参数和实际加工质量；
在本实施例中，通过安装在数控机床上的传感器获取数控机床在当前时刻的实际加工数据。
需要说明的是，实际加工数据的数量有多个，且每个实际加工数据至少包括机床运行状态、实际加工参数和实际加工质量，其中，机床运行状态用于反映数控机床的运行情况和健康状况，常见的数据包括但不限于机床的运行速度及负载、机床的温度、机床的振动和机床的电机电流；实际加工参数用于反映机床在加工过程的具体情况，常见的数据包括但不限于机床的切削速度、机床的进给速度、机床的切削深度、机床的切削宽度、机床的刀具类型和刀具类型的磨损状态；实际加工质量用于反映数控机床加工结果的质量，常见的数据包括但不限于加工件表面的粗糙度、加工件的尺寸公差、加工件的形状公差和加工件的材料属性。
传感器的数量有多个，且传感器包括但不限于速度传感器、负载传感器、温度传感器、振动传感器、电流传感器和电压传感器。
在具体实施例中，根据数控机床的类型和数控机床的具体加工任务（即预先设置的加工参数，如机床的切削速度）确定传感器在当前时刻采集的数控机床的实际加工数据。例如，当确定数控机床的类型为高速铣削加工类型时，传感器在当前时刻采集到的实际加工数据包括但不限于轴向力、径向力、主轴转速和进给速度；当确定数控机床的类型为车削加工类型时，传感器在当前时刻采集到的实际加工数据包括但不限于主轴转速、进给速度、车削力数据。
步骤S20：当所述实际加工数据为所述数控机床的初始输入数据时，获取与所述实际加工数据对应的平均数据，并依据所述平均数据和所述实际加工数据确定所述数控机床的去噪加工数据；
在本实施例中，依据预设的边缘滤波算法和实际加工数据为初始输入数据的情况对该实际加工数据进行去噪处理。具体的，当实际加工数据为数控机床的初始输入数据时，首先获取实际加工数据对应的平均数据，然后根据平均数据对应的阈值范围对实际加工数据进行去噪处理，可以有效地去除数控机床在加工过程中产生的噪声和异常数据以提高采集数据的质量和可靠性，然后将得到的去噪后的实际加工数据作为数控机床的去噪加工数据（即数控机床的实时去噪加工数据）。
在又一实施例中，当实际加工数据为数控机床的初始输入数据时，确定实际加工数据对应的具体数目为n个，并按照各实际加工数据对应的时间标识和预设的时间先后顺序依次获取各实际加工数据对应的具体数值，然后依据下述公式1对实际加工数据的具体数目和多个具体数值进行计算，得到n个实际加工数据的平均值，并将该平均值对应的平均数据作为数控的去噪加工数据，即此时的数控机床的去噪加工数据为初次输出的去噪加工数据。
需要说明的是，公式1的表达式如下所示：
其中，表示实际加工数据的具体数目，/>表示依据实际加工数据为数控机床的初始输入数据确定的数控机床的去噪加工数据，/>表示第/>个实际加工数据。
另外，需要说明的是，本申请中当实际加工数据为数控机床的初始输入数据时，以上“确定数控机床的去噪加工数据”的方案不为唯一可行实施例，本申请在此不做任何限制。
步骤S30：将所述去噪加工数据输入至预设的调度知识库中进行模型训练，得到所述数控机床的初始调度数据，并获取与所述初始调度数据对应的初始适应度；
在本实施例中，首先将去噪加工数据输入至预设的调度知识库中进行模型训练，得到数控机床的初始调度数据，并依据数控机床的适应度函数对初始调度数据进行计算，得到初始适应度。
在具体实施例中，在上述步骤S30：将去噪加工数据输入至预设的调度知识库中进行模型训练之前，数控机床的加工方法还可以包括：依据数控机床的历史去噪加工数据和实时去噪加工数据构建调度知识库，即本申请通过构建调度知识库为后续更新数控机床的加工操作提供了可靠的数据支持，此外，调度知识库存储有数控机床的加工工件对应的生产成本、工件数量以及加工时间。
需要说明的是，初始调度数据包括初始加工质量参数、初始加工成本参数和初始加工效率参数，其中，初始加工质量参数可以理解为数控机床的加工工件质量，该初始加工质量参数是依据调度知识库对实时去噪加工数据进行模型训练得到的；初始加工成本参数可以理解为依据调度知识库对加工工件的当前生产成本进行模型训练得到；初始加工效率参数可以理解为依据调度知识库对加工工件的当前工件数量和完成当前工件数量所需的加工时间进行模型训练得到的。
步骤S40：当所述初始适应度与所述数控机床的历史最优适应度匹配时，将所述数控机床的当前调度数据调整为所述初始调度数据以更新所述数控机床执行的加工操作。
在本实施例中，当确定初始适应度与数控机床的历史最优适应度匹配时，依据初始调度数据对数控机床的当前调度数据进行实时动态调整，即将数控机床的当前调度数据及时调整为初始调度数据以更新数控机床执行的加工操作，进而有效地提高了数控机床的加工效率。
在又一实施例中，在完成更新数控机床执行的加工操作后，返回执行获取数控机床在当前时刻的实际加工数据，从而可以实现对数控机床执行的加工操作进行实时调整，进而有效地提高数控机床的加工效率。
综上，本申请首先实时获取数控机床在当前时刻的加工数据，且在检测到加工数据为数控机床的初始输入数据时，可以及时获取加工数据对应的平均数据，然后依据平均数据和加工数据可以准确地获取数控机床的去噪加工数据，从而有效地提高了去噪加工数据的可靠性，然后将去噪加工数据自动输入至预设的调度知识库中进行模型训练，可以快速准确地得到数控机床的初始调度数据，并获取与初始调度数据对应的初始适应度，且当确定初始适应度与数控机床的历史最优适应度匹配时，依据初始调度数据对数控机床的当前调度数据进行实时动态调整，即将数控机床的当前调度数据调整为初始调度数据来更新数控机床执行的加工操作以确保数控机床时时刻刻都处于高效加工状态，进而有效地提高了数控机床的加工效率。
进一步地，基于本申请数控机床的加工方法的第一实施例，提出本申请数控机床的加工方法的第二实施例，参照图2，图2是本申请数控机床的加工方法第二实施例的流程示意图。
进一步地，在一些可行的实施例中，所述初始调度数据包括所述数控机床的初始加工质量参数、初始加工成本参数和初始加工效率参数，上述步骤S30：获取与所述初始调度数据对应的初始适应度还可以包括以下实施步骤：
步骤S301：在所述调度知识库中获取所述数控机床的历史加工质量参数、历史加工成本参数和历史加工效率参数；
在本实施例中，获取数控机床在调度知识库中的历史加工质量参数、历史加工成本参数和历史加工效率参数。
步骤S302：依据所述历史加工质量参数、所述历史加工成本参数和所述历史加工效率参数之间的加工权重确定所述数控机床的适应度标准；
在本实施例中，确定历史加工质量参数、历史加工成本参数和历史加工效率参数之间的加工权重。具体的，加工权重包括第一加工权重、第二加工权重和第三加工权重，其中，第一加工权重是指依据历史加工效率参数确定的；第二加工权重是指依据历史加工质量参数确定的；第三加工权重是指依据历史加工成本参数确定的。然后根据第一加工权重、第二加工权重和第三加工权重构建数控机床的适应度标准。
需要说明的是，该适应度标准可以用适应度函数进行表示，该适应度函数的表达式如公式2所示：
f(x
i
) = w
1
* Efficiency(x
i
) + w
2
* Quality(x
i
) - w
3
* Cost(x
i
)
其中，x i表示第i个初始调度数据，Efficiency(x i )表示第i个初始调度数据中的初始加工效率参数，Quality(x i )表示第i个初始调度数据中的初始加工质量参数，Cost(x i )第i个表示初始调度数据中的初始加工成本参数，w 1表示第一加工权重，w 2表示第二加工权重，w 3表示第三加工权重，f(x i )表示第i个初始调度数据对应的初始适应度。
另外，需要说明的是，第一加工权重、第二加工权重和第三加工权重也可以根据用户的需求进行自定义，本申请对此不做任何限制。
步骤S303：依据所述初始加工质量参数、所述初始加工成本参数和所述初始加工效率参数对所述适应度标准进行调整，得到初始适应度。
在本实施例中，依据初始加工质量参数、初始加工成本参数和初始加工效率参数对适应度标准进行调整，得到初始适应度。
在具体实施例中，依据适应度函数对初始加工质量参数、初始加工成本参数和初始加工效率参数进行计算，得到初始适应度。
进一步地，在一些可行的实施例中，在上述步骤S30：获取与所述初始调度数据对应的初始适应度之后，数控机床的加工方法还可以包括以下实施步骤：
步骤A10：检测所述初始适应度是否大于所述数控机床的历史最优适应度；
步骤A20：若所述初始适应度大于所述历史最优适应度，则确定所述初始适应度与所述数控机床的历史最优适应度匹配；
在本实施例中，在确定初始调度数据对应的初始适应度后，检测初始适应度是否大于数控机床的历史最优适应度。若初始适应度大于历史最优适应度，则确定初始适应度与数控机床的历史最优适应度匹配，即该初始适应度指向的初始调度数据是数控机床进行生产调度的最优解，实现了数控机床的生产调度最优化。
步骤A30：若所述初始适应度小于或者等于所述历史最优适应度，则确定所述初始适应度与所述数控机床的历史最优适应度不匹配，依据所述初始调度数据确定所述数控机床在目标时刻的目标调度变化量，依据所述目标调度变化量和所述初始调度数据确定所述数控机床在所述目标时刻的目标调度数据，并将所述目标调度数据作为下一个初始调度数据返回执行所述获取与所述初始调度数据对应的初始适应度的步骤，所述目标时刻是指所述当前时刻的下一时刻。
在本实施例中，若初始适应度小于或者等于历史最优适应度，则确定初始适应度与数控机床的历史最优适应度不匹配，并依据初始调度数据确定数控机床在目标时刻的目标调度变化量，依据目标调度变化量对初始调度数据进行更新，得到数控机床在目标时刻的目标调度数据，并将目标调度数据作为下一个初始调度数据返回执行获取与初始调度数据对应的初始适应度的步骤。
需要说明的是，目标时刻是指当前时刻的下一时刻。
在具体实施例中，上述步骤A30：依据所述目标调度变化量和所述初始调度数据确定所述数控机床在所述目标时刻的目标调度数据还可以包括：依据下述公式3将目标调度变化量叠加在初始调度数据上，以得到数控机床在目标时刻的目标调度数据，进而提高了调整数控机床的当前调度数据的优化能力。
另外，需要说明的是，公式3的表达式如下所示：
其中，表示数控机床在当前时刻内的第i个初始调度数据，/>表示数控机床在目标时刻内的第i个目标调度数据，/>表示数控机床的第i个初始调度数据在目标时刻的目标调度变化量，其中，目标调度变化量是指在目标时刻第i个初始调度数据所调整的数据变化量。
在另一实施例中，在上述步骤S30：获取与所述初始调度数据对应的初始适应度之后，数控机床的加工方法还可以包括以下实施步骤：
依据平衡优化器启发式算法和初始适应度对数控机床的初始调度数据进行更新计算，得到数控机床更新后的初始调度数据，当更新后的初始调度数据对应的适应度与数控机床的历史最优适应度不匹配时，返回执行依据平衡优化器启发式算法和初始适应度对数控机床的初始调度数据进行更新计算的步骤，直至计算到数控机床的最优调度数据时，则停止迭代并根据输出的最优调度数据对数控机床的当前调度数据进行调整，从而实现了数控机床生产调度的最优化，进而提高了数控机床的加工效率和加工质量。
进一步地，在另一些可行的实施例中，上述步骤A30：依据所述初始调度数据确定所述数控机床在目标时刻的目标调度变化量，还可以包括以下实施步骤：
步骤A301：依据所述初始调度数据和所述当前时刻确定所述数控机床的初始调度变化量，并从所述调度知识库存储的多个历史调度数据中获取所述数控机床在所述当前时刻的最优历史调度数据；
在本实施例中，确定所述初始调度数据的序次数目，再依据序次数目和初始调度数据确定数控机床在当前时刻的初始调度变化量，例如，数控机床的第i个初始调度数据在当前时刻的初始调度变化量；并从调度知识库存储的所有历史调度数据中获取数控机床在当前时刻的最优历史调度数据以提高数控机床的全局搜索能力。
步骤A302：依据所述初始适应度和所述初始调度数据确定所述数控机床在所述当前时刻的最优调度数据；
在本实施例中，依据初始适应度和初始调度数据确定数控机床在当前时刻的最优调度数据。具体的，依据第i个初始适应度确定数控机床的第i个初始调度数据在当前时刻内的最优调度数据。
步骤A303：依据所述初始调度变化量、所述最优历史调度数据与所述初始调度数据之间的差值、和所述最优调度数据与所述初始调度数据之间的差值，确定所述数控机床在目标时刻的目标调度变化量。
在本实施例中，依据初始调度变化量、最优历史调度数据与初始调度数据之间的差值、和最优调度数据与初始调度数据之间的差值，确定数控机床在目标时刻的目标调度变化量。
在具体实施例中，依据下述公式4对初始调度变化量、最优历史调度数据与初始调度数据之间的差值、和最优调度数据与初始调度数据之间的差值进行计算，得到数控机床在目标时刻的目标调度变化量。
需要说明的是，公式4的表达式如下所示：
其中，是数控机床在当前时刻内的第i个初始调度数据，/>是指数控机床的第i个初始调度数据在当前时刻的初始调度变化量，/>是指数控机床的第i个初始调度数据在当前时刻内的最优调度数据，/>是依据所有历史调度数据确定的数控机床在当前时刻的最优历史调度数据，/>是惯性权重，/>和/>是学习因子，/>和/>是加速度因子，且/>、/>、/>、/>和/>是一个常数值，可以根据用户的需求进行自定义，在此不做任何限制。
进一步地，在一些可行的实施例中，在上述步骤A30：将所述目标调度数据作为下一个初始调度数据返回执行所述获取与所述初始调度数据对应的初始适应度之后，数控机床的加工还可以包括以下实施步骤：
步骤B10：获取所述数控机床的当前返回次数，并判断所述当前返回次数是否大于预设的循环次数；
在本实施例中，首先依据将目标调度数据作为下一个初始调度数据返回执行获取与初始调度数据对应的初始适应度的步骤，确定数控机床的当前返回次数，并判断当前返回次数是否大于预设的循环次数。
步骤B20：若所述当前返回次数小于或者等于所述循环次数，则继续执行所述检测所述初始适应度是否大于所述数控机床的历史最优适应度的步骤；
在本实施例中，若当前返回次数小于或者等于循环次数，则继续执行检测初始适应度是否大于数控机床的历史最优适应度的步骤。
步骤B30：若所述当前返回次数大于所述循环次数，则将多个所述初始适应度中适应度数值最高的数据作为所述数控机床的最优适应度；
在本实施例中，若当前返回次数大于循环次数，则停止执行检测初始适应度是否大于数控机床的历史最优适应度的步骤，进而可以避免在已经无限接近最优适应度的情况下继续进行无意义的迭代的现象发生，然后将多个初始适应度中适应度数值最高的数据作为数控机床的最优适应度。
步骤B40：依据所述最优适应度对所述数控机床的当前调度数据进行调整，以更新所述数控机床执行的加工操作。
在本实施例中，依据最优适应度对应的最优调度数据对数控机床的当前调度数据进行调整，即将数控机床的当前调度数据调整为最优适应度对应的最优调度数据，从而实现数控机床的智能化生产调度，进而提高了数控机床的加工效率。
进一步地，在另一些可行的实施例中，所述实际加工数据的数量有多个上述步骤S20：依据所述平均数据和所述实际加工数据确定所述数控机床的去噪加工数据，还可以包括以下实施步骤：
步骤S201：按照所述平均数据对应的阈值范围从多个所述实际加工数据查找目标数据，所述目标数据为小于所述阈值范围中最小值的数据或者/和大于所述阈值范围中最大值的数据；
在本实施例中，首先确定平均数据对应的阈值范围，从多个实际加工数据中查找到小于阈值范围中最小值的数据或者/和大于阈值范围中最大值的数据，并将这些数据作为目标数据。
需要说明的是，目标数据可以理解为数控机床在加工过程中产生的噪声和异常数据，且目标数据包括但不限于数控机床的温度异常数据、运行速度异常数据。另外，阈值范围依据平均数据的类型确定的，且平均数据的类型有多个，每一平均数据的类型对应着一个阈值范围。
在具体实施例中，当平均数据的类型为数控机床的温度平均数据，依据温度平均数据对应的阈值范围从多个所述实际加工数据中的温度数据查找小于阈值范围中最小值的数据或者/和大于阈值范围中最大值的数据，并将这些数据作为数控机床的温度异常数据。
步骤S202：依据所述目标数据对各所述加工数据进行滤除更新，将得到的更新加工数据作为所述数控机床的去噪加工数据。
在本实施例中，依据预设的边缘滤波算法将多个加工数据中与目标数据一致的数据进行滤除更新（即过滤掉多个加工数据中与目标数据一致的数据），有效地降低了数控机床的数据传输量，并减轻了网络负担，进而提高了数控机床的系统性能和效率，然后将得到的更新加工数据作为数控机床的去噪加工数据。
进一步地，在一些可行的实施例中，在上述步骤S20：将所述去噪加工数据输入至预设的调度知识库中进行模型训练之前，数控机床的加工方法还可以包括以下实施步骤：
步骤C10：在确定所述实际加工数据不为所述数控机床的初始输入数据后，获取所述数控机床在所述当前时刻的上一时刻输出的历史去噪加工数据；
在本实施例中，在确定实际加工数据并非数控机床的初始输入数据后，从调度知识库中获取数控机床在当前时刻的上一时刻输出的历史去噪加工数据。
步骤C20：确定所述实际加工数据对应的第一信号权重，依据所述第一信号权重确定所述历史去噪加工数据对应的第二信号权重；
在本实施例中，确定实际加工数据对应的第一信号，依据第一信号权重确定历史去噪加工数据对应的第二信号权重。
步骤C30：将所述第一信号权重与所述实际加工数据之间的乘积叠加在所述第二信号权重上，得到所述数控机床的去噪加工数据。
在本实施例中，将第一信号权重与实际加工数据之间的乘积叠加在第二信号权重上，得到数控机床的去噪加工数据。
在具体实施例中，依据下述公式5对第一信号权重、第二信号权重、实际加工数据和历史去噪加工数据进行计算，得到数控机床的去噪加工数据。即数控机床的去噪加工数据由当前时刻的实际加工数据和上一时刻的历史去噪加工数据经过一定的加权平均得到。
需要说明的是，公式5的表达式如下所示：
其中，是数控机床中边缘滤波器的平滑因子，/>是边缘滤波器依据实际加工数据与历史去噪加工数据的权重得到的第一信号权重，且0</> <1；/>是指实际加工数据；是指第二信号权重，/>是指上一时刻的历史去噪加工数据。
在本实施例中，由于当前时刻的实际加工数据受到了平滑因子/>的调节，因此，实际加工数据中的噪声和异常数据可以被有效地滤除。
综上，在本申请中，边缘滤波算法被应用于数控机床的数据处理中，可以有效地去除数控机床在加工过程中产生的噪声和异常数据，提高采集数据的质量和可靠性。这有助于确保优化调度算法的准确性和可靠性，从而实现更加精准的生产调度。同时，采用边缘滤波算法还能有效地减少因噪声或异常数据引起的生产错误和损失，进而提高了数控机床的生产质量。
此外，本申请还提供一种数控机床的加工装置，请参照图3，图3是本申请实施例方案涉及的数控机床的加工装置的结构示意图。
本申请数控机床的加工装置包括：
获取模块H01，用于获取数控机床在当前时刻的实际加工数据，所述实际加工数据至少包括数控机床的机床运行状态、实际加工参数和实际加工质量；
去噪模块H02，用于当所述加工数据为所述数控机床的初始输入数据时，获取与所述加工数据对应的平均数据，并依据所述平均数据和所述加工数据确定所述数控机床的去噪加工数据；
训练模块H03，用于将所述去噪加工数据输入至预设的调度知识库中进行模型训练，得到所述数控机床的初始调度数据，并获取与所述初始调度数据对应的初始适应度；
更新模块H04，用于当所述初始适应度与所述数控机床的历史最优适应度匹配时，将所述数控机床的当前调度数据调整为所述初始调度数据以更新所述数控机床执行的加工操作。
可选地，训练模块H03还可以包括：
调度单元，用于在所述调度知识库中获取所述数控机床的历史加工质量参数、历史加工成本参数和历史加工效率参数；
函数确定单元，用于依据所述历史加工质量参数、所述历史加工成本参数和所述历史加工效率参数之间的加工权重确定所述数控机床的适应度标准；
第一计算单元，用于依据所述初始加工质量参数、所述初始加工成本参数和所述初始加工效率参数对所述适应度标准进行调整，得到初始适应度。可选地，训练模块H03还可以包括：
检测单元，用于检测所述初始适应度是否大于所述数控机床的历史最优适应度；
匹配单元，用于若所述初始适应度大于所述历史最优适应度，则确定所述初始适应度与所述数控机床的历史最优适应度匹配；
返回单元，用于若所述初始适应度小于或者等于所述历史最优适应度，则确定所述初始适应度与所述数控机床的历史最优适应度不匹配，依据所述初始调度数据确定所述数控机床在目标时刻的目标调度变化量，依据所述目标调度变化量和所述初始调度数据确定所述数控机床在所述目标时刻的目标调度数据，并将所述目标调度数据作为下一个初始调度数据返回执行所述获取与所述初始调度数据对应的初始适应度的步骤，所述目标时刻是指所述当前时刻的下一时刻。
可选地，训练模块H03还可以包括：
第一调度数据确定单元，用于依据所述初始适应度和所述初始调度数据确定所述数控机床在所述当前时刻的最优调度数据；
调度变化单元，用于依据所述初始调度变化量、所述最优历史调度数据与所述初始调度数据之间的差值、和所述最优调度数据与所述初始调度数据之间的差值，确定所述数控机床在目标时刻的目标调度变化量。
可选地，训练模块H03还可以包括：
判断单元，用于获取所述数控机床的当前返回次数，并判断所述当前返回次数是否大于预设的循环次数；
执行单元，用于若所述当前返回次数小于或者等于所述循环次数，则继续执行所述检测所述初始适应度是否大于所述数控机床的历史最优适应度的步骤；
适应度确定单元，用于若所述当前返回次数大于所述循环次数，则将多个所述初始适应度中适应度数值最高的数据作为所述数控机床的最优适应度；
调整单元，用于依据所述最优适应度对所述数控机床的当前调度数据进行调整，以更新所述数控机床执行的加工操作。
可选地，去噪模块H02还可以包括：
查找单元，用于按照所述平均数据对应的阈值范围从多个所述实际加工数据查找目标数据，所述目标数据为小于所述阈值范围中最小值的数据或者/和大于所述阈值范围中最大值的数据；
更新单元，用于依据所述目标数据对各所述实际加工数据进行滤除更新，并将得到的更新加工数据作为所述数控机床的去噪加工数据。
可选地，去噪模块H02还可以包括：
输出单元，用于在确定所述实际加工数据不为所述数控机床的初始输入数据后，获取所述数控机床在所述当前时刻的上一时刻输出的历史去噪加工数据；
权重确定单元，用于确定所述实际加工数据对应的第一信号权重，依据所述第一信号权重确定所述历史去噪加工数据对应的第二信号权重；
叠加单元，用于将所述第一信号权重与所述实际加工数据之间的乘积叠加在所述第二信号权重上，得到所述数控机床的去噪加工数据。
本申请数控机床的加工装置的各个功能模块在运行时实现如上所述的本申请数控机床的加工方法的步骤。
此外，本申请还提供一种终端设备。请参照图4，图4为本申请实施例方案涉及的终端设备的结构示意图。本申请实施例终端设备具体可以是为本地运行数控机床的加工的设备。
如图4所示，本申请实施例终端设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如Wi-Fi接口）。
存储器1005设置在终端设备主体上，存储器1005上存储有程序，该程序被处理器1001执行时实现相应的操作。存储器1005还用于存储供终端设备使用的参数。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图4中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图4所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及终端设备的数控机床的加工程序。
在图4所示的终端设备中，处理器1001可以用于调用存储器1005中存储的终端设备的数控机床的加工程序，并执行上述数控机床的加工方法的步骤。
此外，请参照图5，图5是本申请实施例方案涉及的计算机存储介质的结构示意图。本申请提供了一种计算机存储介质。该计算机存储介质上存储有数控机床的加工程序，数控机床的加工程序被处理器执行时实现上述的数控机床的加工方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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，该计算机软件产品存储在如上述的一个计算机存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，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 (10)
1.一种数控机床的加工方法，其特征在于，所述数控机床的加工方法包括：
获取数控机床在当前时刻的实际加工数据，所述实际加工数据至少包括数控机床的机床运行状态、实际加工参数和实际加工质量；
当所述实际加工数据为所述数控机床的初始输入数据时，获取与所述实际加工数据对应的平均数据，并依据所述平均数据和所述实际加工数据确定所述数控机床的去噪加工数据；
将所述去噪加工数据输入至预设的调度知识库中进行模型训练，得到所述数控机床的初始调度数据，并获取与所述初始调度数据对应的初始适应度；
当所述初始适应度与所述数控机床的历史最优适应度匹配时，将所述数控机床的当前调度数据调整为所述初始调度数据以更新所述数控机床执行的加工操作。
2.如权利要求1所述数控机床的加工方法，其特征在于，所述初始调度数据包括所述数控机床的初始加工质量参数、初始加工成本参数和初始加工效率参数，所述获取与所述初始调度数据对应的初始适应度的步骤包括：
在所述调度知识库中获取所述数控机床的历史加工质量参数、历史加工成本参数和历史加工效率参数；
依据所述历史加工质量参数、所述历史加工成本参数和所述历史加工效率参数之间的加工权重确定所述数控机床的适应度标准；
依据所述初始加工质量参数、所述初始加工成本参数和所述初始加工效率参数对所述适应度标准进行调整，得到初始适应度。
3.如权利要求1所述数控机床的加工方法，其特征在于，在所述获取与所述初始调度数据对应的初始适应度的步骤之后，所述数控机床的加工方法包括：
检测所述初始适应度是否大于所述数控机床的历史最优适应度；
若所述初始适应度大于所述历史最优适应度，则确定所述初始适应度与所述数控机床的历史最优适应度匹配；
若所述初始适应度小于或者等于所述历史最优适应度，则确定所述初始适应度与所述数控机床的历史最优适应度不匹配，依据所述初始调度数据确定所述数控机床在目标时刻的目标调度变化量，依据所述目标调度变化量和所述初始调度数据确定所述数控机床在所述目标时刻的目标调度数据，并将所述目标调度数据作为下一个初始调度数据返回执行所述获取与所述初始调度数据对应的初始适应度的步骤，所述目标时刻是指所述当前时刻的下一时刻。
4.如权利要求3所述数控机床的加工方法，其特征在于，所述依据所述初始调度数据确定所述数控机床在目标时刻的目标调度变化量的步骤，包括：
依据所述初始调度数据和所述当前时刻确定所述数控机床的初始调度变化量，并从所述调度知识库存储的多个历史调度数据中获取所述数控机床在所述当前时刻的最优历史调度数据；
依据所述初始适应度和所述初始调度数据确定所述数控机床在所述当前时刻的最优调度数据；
依据所述初始调度变化量、所述最优历史调度数据与所述初始调度数据之间的差值、和所述最优调度数据与所述初始调度数据之间的差值，确定所述数控机床在目标时刻的目标调度变化量。
5.如权利要求3所述数控机床的加工方法，其特征在于，在将所述目标调度数据作为下一个初始调度数据返回执行所述获取与所述初始调度数据对应的初始适应度的步骤之后，所述数控机床的加工方法，还包括：
获取所述数控机床的当前返回次数，并判断所述当前返回次数是否大于预设的循环次数；
若所述当前返回次数小于或者等于所述循环次数，则继续执行所述检测所述初始适应度是否大于所述数控机床的历史最优适应度的步骤；
若所述当前返回次数大于所述循环次数，则将多个所述初始适应度中适应度数值最高的数据作为所述数控机床的最优适应度；
依据所述最优适应度对所述数控机床的当前调度数据进行调整，以更新所述数控机床执行的加工操作。
6.如权利要求1所述数控机床的加工方法，其特征在于，所述实际加工数据的数量有多个，所述依据所述平均数据和所述实际加工数据确定所述数控机床的去噪加工数据的步骤，包括：
按照所述平均数据对应的阈值范围从多个所述实际加工数据查找目标数据，所述目标数据为小于所述阈值范围中最小值的数据或者/和大于所述阈值范围中最大值的数据；
依据所述目标数据对各所述实际加工数据进行滤除更新，并将得到的更新加工数据作为所述数控机床的去噪加工数据。
7.如权利要求1至6任一项所述数控机床的加工方法，其特征在于，在所述将所述去噪加工数据输入至预设的调度知识库中进行模型训练的步骤之前，所述数控机床的加工方法还包括：
在确定所述实际加工数据不为所述数控机床的初始输入数据后，获取所述数控机床在所述当前时刻的上一时刻输出的历史去噪加工数据；
确定所述实际加工数据对应的第一信号权重，依据所述第一信号权重确定所述历史去噪加工数据对应的第二信号权重；
将所述第一信号权重与所述实际加工数据之间的乘积叠加在所述第二信号权重上，得到所述数控机床的去噪加工数据。
8.一种数控机床的加工装置，其特征在于，所述数控机床的加工装置，包括：
获取模块，用于获取数控机床在当前时刻的实际加工数据，所述实际加工数据至少包括数控机床的机床运行状态、实际加工参数和实际加工质量；
去噪模块，用于当所述加工数据为所述数控机床的初始输入数据时，获取与所述加工数据对应的平均数据，并依据所述平均数据和所述加工数据确定所述数控机床的去噪加工数据；
训练模块，用于将所述去噪加工数据输入至预设的调度知识库中进行模型训练，得到所述数控机床的初始调度数据，并获取与所述初始调度数据对应的初始适应度；
更新模块，用于当所述初始适应度与所述数控机床的历史最优适应度匹配时，将所述数控机床的当前调度数据调整为所述初始调度数据以更新所述数控机床执行的加工操作。
9.一种终端设备，其特征在于，所述终端设备包括存储器、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数控机床的加工程序，所述处理器执行所述数控机床的加工程序时实现如权利要求1至7中任一项所述数控机床的加工方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有数控机床的加工程序，所述数控机床的加工程序被处理器执行时实现如权利要求1至7中任一项所述数控机床的加工方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310708585.1A CN116449770B (zh) | 2023-06-15 | 2023-06-15 | 数控机床的加工方法、装置、设备以及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310708585.1A CN116449770B (zh) | 2023-06-15 | 2023-06-15 | 数控机床的加工方法、装置、设备以及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449770A true CN116449770A (zh) | 2023-07-18 |
| CN116449770B CN116449770B (zh) | 2023-09-15 |
Family
ID=87132472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310708585.1A Active CN116449770B (zh) | 2023-06-15 | 2023-06-15 | 数控机床的加工方法、装置、设备以及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449770B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844356A (zh) * | 2016-03-22 | 2016-08-10 | 江南大学 | 基于自适应遗传算法的机床切削用量能耗优化方法 |
| CN111300146A (zh) * | 2019-11-29 | 2020-06-19 | 上海交通大学 | 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法 |
| CN115826502A (zh) * | 2022-12-07 | 2023-03-21 | 沈阳工业大学 | 一种数控机床切削功率预测方法 |
| CN115905864A (zh) * | 2022-11-11 | 2023-04-04 | 招联消费金融有限公司 | 异常数据检测模型训练方法、装置、计算机设备 |
| CN115993804A (zh) * | 2023-03-24 | 2023-04-21 | 中科航迈数控软件(深圳)有限公司 | 一种基于数控机床的刀具参数调整方法及相关设备 |
| CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
| CN116088419A (zh) * | 2023-03-22 | 2023-05-09 | 中科航迈数控软件(深圳)有限公司 | 基于参数优化的数控机床加工控制方法、系统及相关设备 |
| US20230152773A1 (en) * | 2020-04-21 | 2023-05-18 | Deckel Maho Seebach Gmbh | Machine Tool Control and Method for Characteristic Diagram-based Error Compensation on a Machine Tool |
-
2023
- 2023-06-15 CN CN202310708585.1A patent/CN116449770B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844356A (zh) * | 2016-03-22 | 2016-08-10 | 江南大学 | 基于自适应遗传算法的机床切削用量能耗优化方法 |
| CN111300146A (zh) * | 2019-11-29 | 2020-06-19 | 上海交通大学 | 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法 |
| US20230152773A1 (en) * | 2020-04-21 | 2023-05-18 | Deckel Maho Seebach Gmbh | Machine Tool Control and Method for Characteristic Diagram-based Error Compensation on a Machine Tool |
| CN115905864A (zh) * | 2022-11-11 | 2023-04-04 | 招联消费金融有限公司 | 异常数据检测模型训练方法、装置、计算机设备 |
| CN115826502A (zh) * | 2022-12-07 | 2023-03-21 | 沈阳工业大学 | 一种数控机床切削功率预测方法 |
| CN116088419A (zh) * | 2023-03-22 | 2023-05-09 | 中科航迈数控软件(深圳)有限公司 | 基于参数优化的数控机床加工控制方法、系统及相关设备 |
| CN115993804A (zh) * | 2023-03-24 | 2023-04-21 | 中科航迈数控软件(深圳)有限公司 | 一种基于数控机床的刀具参数调整方法及相关设备 |
| CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449770B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101670532B (zh) | 刀具磨损补偿系统及方法 | |
| US11640557B2 (en) | Machine learning device, numerical control system, and machine learning method | |
| CN103235553B (zh) | 一种基于分数阶的数控加工尺寸误差自动补偿方法 | |
| CN109725606B (zh) | 加工条件调整装置以及机器学习装置 | |
| KR102229859B1 (ko) | 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템 | |
| CN114660994B (zh) | 一种数控机床加工工艺决策优化方法、系统及相关设备 | |
| CN116339239B (zh) | 数控机床协同控制方法、装置、设备以及计算机存储介质 | |
| CN102221827A (zh) | 多系统程序的自动编程方法及其装置 | |
| CN112859754B (zh) | 机床加工控制方法、装置、存储介质、边缘设备及服务器 | |
| CN116449770B (zh) | 数控机床的加工方法、装置、设备以及计算机存储介质 | |
| CN108427378B (zh) | 数值控制装置 | |
| KR20190070649A (ko) | Nc프로그램을 이용한 가공 방법 및 장치 | |
| CN107807526A (zh) | 一种基于稳定性仿真智能抑制加工颤振的方法 | |
| CN112817274B (zh) | 一种基于负载惯量的机床加减速时间优化方法及系统 | |
| CN113791579A (zh) | 线切割加工时间预测方法、装置、计算机设备和存储介质 | |
| JP7074718B2 (ja) | 加工支援装置、数値制御装置、及び加工支援システム | |
| CN116594349B (zh) | 机床预测方法、装置、终端设备以及计算机可读存储介质 | |
| CN111126743B (zh) | 基于管理平台的tqcs特征计算方法、系统及存储介质 | |
| CN112214882B (zh) | 滤波器参数生成方法、振动传感模块、计算机装置和介质 | |
| CN117434828B (zh) | 基于编码器反馈的数控系统主轴闭环控制方法 | |
| CN116068962B (zh) | 一种基于数控机床的工艺路线规划方法及相关设备 | |
| JP7229621B1 (ja) | システム及びプログラム | |
| CN116027736B (zh) | 一种星盆加工设备的控制优化方法及控制系统 | |
| Mardamshin et al. | Design of Standard Reference Tables for Calculating the Cutting Modes for Control Programs of CNC Machines | |
| CN112378425B (zh) | 多圈绝对值编码器初始值设定方法、装置及存储介质 |
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 |