CN116500975A - 数控系统工艺调控方法、装置、数控机床和可读存储介质 - Google Patents

数控系统工艺调控方法、装置、数控机床和可读存储介质 Download PDF

Info

Publication number
CN116500975A
CN116500975A CN202310755082.XA CN202310755082A CN116500975A CN 116500975 A CN116500975 A CN 116500975A CN 202310755082 A CN202310755082 A CN 202310755082A CN 116500975 A CN116500975 A CN 116500975A
Authority
CN
China
Prior art keywords
workpiece
fitness
numerical control
parameter
determining
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
CN202310755082.XA
Other languages
English (en)
Other versions
CN116500975B (zh
Inventor
谭勇
郭媛君
朱俊丞
苏辉南
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 CN202310755082.XA priority Critical patent/CN116500975B/zh
Publication of CN116500975A publication Critical patent/CN116500975A/zh
Application granted granted Critical
Publication of CN116500975B publication Critical patent/CN116500975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B19/4093—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 part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G05B2219/31308—Capture image asynchronously with processing of analysis, identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Numerical Control (AREA)

Abstract

本申请公开了一种数控系统工艺调控方法、装置、数控机床和可读存储介质，本申请涉及数控机床技术领域，所述数控系统工艺调控方法包括：在对工件进行加工时，实时获取至少一个工件的工件图像，确定所述工件图像对应的几何质量信息，所述几何质量信息包括工件表面的几何特征和质量信息；依据所述几何质量信息确定加工所述工件的所有工艺参数，并对所有所述工艺参数中的可调参数进行数集划分，得到多个子集；根据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合，并依据所述优化工艺参数组合进行工件加工。本申请可以根据实时获取的工件图像进行工艺参数调控，满足数控系统中实时控制的要求，能适应复杂的加工环境。

Description

数控系统工艺调控方法、装置、数控机床和可读存储介质
技术领域
本申请涉及数控机床技术领域，尤其涉及一种数控系统工艺调控方法、装置、数控机床和可读存储介质。
背景技术
数控系统能通过预设的程序实现自动化加工，提高了生产效率和加工质量。但是目前的数控系统依然存在很多缺陷，比如如何在自动化控制下实现工艺参数的优化，以达到更好的加工质量和效率。
目前有关于数控系统自动化控制和优化的技术，比如PID（Proportion IntegralDifferential，比例积分微分）控制、遗传算法、神经网络等，但是这些方式均存在一定的局限性，比如在进行工艺参数调控时，需要依赖人工基于自身经验进行设定。并且在处理复杂加工场景时存在一些局限性，且需要大量的数据和时间进行训练和优化，难以满足实时控制的要求，无法适应相对于复杂的加工环境。
发明内容
本申请的主要目的在于提供一种数控系统工艺调控方法、装置、数控机床和可读存储介质，旨在解决数控系统的工艺参数无法适应复杂的加工环境，且难以满足实时控制的要求的技术问题。
为实现上述目的，本申请提供一种数控系统工艺调控方法，所述数控系统工艺调控方法包括以下步骤：
在对工件进行加工时，实时获取至少一个工件的工件图像，确定所述工件图像对应的几何质量信息，所述几何质量信息包括工件表面的几何特征和质量信息；
依据所述几何质量信息确定加工所述工件的所有工艺参数，并对所有所述工艺参数中的可调参数进行数集划分，得到多个子集；
依据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合，并依据所述优化工艺参数组合进行工件加工。
可选地，依据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合的步骤，包括：
若预设的优化算法模型包括MFO模型，则确定所述子集中所有可调参数对应的参数值调节范围；
依据每个可调参数对应的参数值调节范围确定每个所述可调参数对应的所有参数值；
依据每个所述可调参数对应的所有参数值构建多个参数值组合，其中，所述参数值组合包括所述子集中每个可调参数对应的一个参数值；
在各所述参数值组合中随机选择一个所述参数值组合构建初始种群，依据所述MFO模型对所述初始种群进行优化，得到目标种群；
对所有所述子集对应的目标种群进行汇总，得到汇总种群，并将所述汇总种群中所有参数值组合，以及所述参数值组合中每个参数值对应的可调参数作为优化工艺参数组合。
可选地，依据所述MFO模型对所述初始种群进行优化，得到目标种群的步骤，包括：
依据所述MFO模型构建每个所述参数值组合对应的位置，并确定所述初始种群对应的当前位置，其中，所述当前位置为构建所述初始种群对应的参数值组合对应的位置；
确定所述子集中所有可调参数在所述当前位置的第一适应度；
确定与所述当前位置相邻的邻域，确定所述子集所有可调参数在所述邻域内每个位置的第二适应度，其中，所述邻域包括以所述当前位置为原点，预设距离为半径的区域；
依据各所述第二适应度和所述第一适应度对所述初始种群进行优化，得到目标种群。
可选地，依据各所述第二适应度和所述第一适应度对所述初始种群进行优化，得到目标种群的步骤，包括：
若在各所述第二适应度中存在大于所述第一适应度的第三适应度，且存在多个所述第三适应度，则确定每个所述第三适应度对应的参数值组合，以及每个所述第三适应度对应的位置；
将所述第三适应度对应的位置作为第一位置，计算每个所述第一位置与所述当前位置之间的距离，选择最小距离对应的第一位置作为目标位置；
将所述当前位置更新为目标位置，并继续执行所述确定所述子集中所有可调参数在所述当前位置的第一适应度的步骤，直至检测到新的当前位置对应的第一适应度大于所述新的当前位置对应的邻域内所有第二适应度；
依据所述新的当前位置对应的参数值组合，对所述初始种群中的参数值组合进行更新，得到目标种群。
可选地，确定所述子集中所有可调参数在所述当前位置的第一适应度的步骤，包括：
确定加工所述工件的达成目标，若存在多个所述达成目标，则为每个所述达成目标赋予对应的权重系数，其中，对于每个达成目标，每个所述参数值组合均对应一个函数值；
依据所述达成目标对应的函数值和所述权重系数确定计算目标函数值，并依据所述目标函数值计算第一适应度，其中，所述目标函数值越小所述第一适应度越大。
可选地，确定所述工件图像对应的几何质量信息的步骤，包括：
将所述工件图像输入至预训练好的视觉检测模型进行模型训练，输出得到所述工件图像对应的几何质量信息，其中，依据预设的历史工件图像构建训练数据集，并依据所述训练数据集对预设的视觉检测模型进行训练，得到预训练好的视觉检测模型，所述训练数据集中包括标注有几何质量信息的多张历史工件图像。
可选地，依据所述优化工艺参数组合进行工件加工的步骤之后，包括：
对数控系统进行工件加工的运行过程进行监测；
若监测到所述数控系统进行工件加工的运行过程中存在运行参数异常，则依据异常的运行参数进行故障分析，并输出故障预警信息，其中，所述运行参数至少包括机床状态数据、制造工艺数据、工件信息检测数据和环境数据。
此外，为实现上述目的，本申请还提供一种数控系统工艺调控装置，所述数控系统工艺调控装置包括：
确定模块，用于在对工件进行加工时，实时获取至少一个工件的工件图像，确定所述工件图像对应的几何质量信息，所述几何质量信息包括工件表面的几何特征和质量信息；
划分模块，用于依据所述几何质量信息确定加工所述工件的所有工艺参数，并对所有所述工艺参数中的可调参数进行数集划分，得到多个子集；
优化模块，用于依据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合，并依据所述优化工艺参数组合进行工件加工。
本申请还提供一种数控机床，所述数控机床为实体设备，所述数控机床包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述数控系统工艺调控方法的程序，所述数控系统工艺调控方法的程序被处理器执行时可实现如上述的数控系统工艺调控方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质为所述计算机可读存储介质，所述计算机可读存储介质上存储有实现数控系统工艺调控方法的程序，所述实现数控系统工艺调控方法的程序被处理器执行以实现如上述数控系统工艺调控方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的数控系统工艺调控方法的步骤。
本申请的技术方案是通过在对工件进行加工时，实时获取工件图像，并进行检测确定几何质量信息，并依据几何质量信息确定所有工艺参数，再对工艺参数进行子集划分，并通过优化算法模型对每个子集进行优化，得到优化工艺参数组合，数控系统根据优化工艺参数组合进行工件加工。从而可以实现根据工件表面的几何特征和质量信息智能调整工艺参数，实现工艺参数自动调控，避免了传统的数控系统工艺参数调控需要依赖于人工进行调控的现象发生，提高了生产效率和产品质量，降低了故障率。并且是根据实时获取的工件图像进行工艺参数调控，因此可以满足数控系统中实时控制的要求，能适应复杂的加工环境。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本实施例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简单地介绍，显而易见地，对于本邻域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请数控系统工艺调控方法中第一实施例的流程示意图；
图2为本申请数控系统工艺调控方法第一实施例中的一场景示意图；
图3为本申请数控系统工艺调控方法中第二实施例的流程示意图；
图4为本申请数控系统工艺调控装置的一模块结构示意图；
图5为本实施例中数控机床涉及的硬件运行环境的设备结构示意图。
本申请目的实现、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
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅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，本邻域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
由于数控系统，是基于固定的模型或算法进行工艺参数优化，缺乏灵活性，不能根据实际情况进行调整和优化，并且由于加工条件的差异，难以保证优化效果的稳定性，同一种方式在不同的环境下效果会存在较大的差异，且是通过人工进行设定参数调整的，无法适应复杂的加工环境，且难以满足实时控制的要求。因此在本实施例中，为解决数控系统工艺参数调控存在的缺陷，提高工件加工的精度和效率，实现对数控系统合理精准的管控，以使数控系统中调整后的工艺参数能适应复杂的加工环境，且能满足实时控制的要求。因此可以是利用图像识别和处理技术对工件图像进行处理，以实时检测工件表面的几何特征和质量信息，以智能化的方式自动调整数控系统中的工艺参数，实现自动化工艺参数调控，提高了生产效率和产品质量，降低了故障率。可选地，还可以是依据优化算法模型对加工过程中关键的工艺参数进行优化，并可以即能对单一工艺参数进行优化，还可以考虑多个工艺参数之间的相互影响，以及不同参数之间的优化顺序。可选地，还可以对数控系统进行实时监控与预警，以及时发送数据系统在进行数控加工过程中出现的异常情况，包括但不限于工件表面的缺陷和机器状况的异常等，从而可以实现在对工件加工过程中能及时进行调整，降低废品率和故障率。
实施例一
基于此，请参照图1，本实施例提供一种数控系统工艺调控方法，所述数控系统工艺调控方法包括：
步骤S10，在对工件进行加工时，实时获取所述工件的工件图像，确定所述工件图像对应的几何质量信息，所述几何质量信息包括工件表面的几何特征和质量信息；
步骤S20，依据所述几何质量信息确定加工所述工件的所有工艺参数，并对所有所述工艺参数中的可调参数进行数集划分，得到多个子集；
步骤S30，依据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合，并依据所述优化工艺参数组合进行工件加工。
在本实施例中，数控工艺调控方法可以应用于数控系统，数控系统可以依据数控工艺调控方法控制数控机床的运行。
可选地，对于步骤S10，在对工件进行加工时，实时获取所述工件的工件图像，确定所述工件图像对应的几何质量信息，所述几何质量信息包括工件表面的几何特征和质量信息；
在数控系统通过数控机床对工件进行加工或准备进行加工时，可以利用提前设置在数控机床上的视觉传感器采集获取正在进行加工或放置在数控机床上准备进行加工的工件对应的图像数据。可选地，还可以是通过提前设置好的工业相机对工件进行拍摄，得到工件图像。并且工件图像可以为多个，包括但不限于工件的正面、侧面、背面等多个角度的工件图像。例如，如图2所示，采集的工件图像有垂直放置的工件图像，也有倾斜一定角度放置的工件图像。
可选地，可以确定提取所有工件图像中包含的工件的几何质量信息。比如可以通过视觉检测算法对工件图像进行检测，得到工件的几何质量信息。视觉检测算法可以为YoLo5视觉检测算法。可选地，在通过YoLo5视觉检测算法对工件图像进行特征提取，得到工件的几何质量信息时，可以先检测图像中的物体，以及确定物体是否为进行加工的工件，若是，则进行特征提取，提取的特征包括但不限于工件的位置、类别、形状、大小以及可能存在的质量信息等。
可选地，几何特征包括工件的形状、大小和角度等几何属性。质量信息包括工件表面的缺陷、损伤等质量信息。
可选地，对于步骤S20，依据所述几何质量信息确定加工所述工件的所有工艺参数，并对所有所述工艺参数中的可调参数进行数集划分，得到多个子集；
可选地，获取对工件进行加工的加工任务，并且根据加工任务以及工件上的几何质量信息确定加工该工件的所有工艺参数，并在这些工艺参数中筛选出可以进行参数调整的工艺参数作为可调参数。可选地，可调参数包括刀具轨迹、切削速度、进给速度、切削深度、切削宽度和工件材料等。并且为了实现对数控系统中各个可调参数进行多层次协同优化，可以对各个可调参数进行数值划分，得到不同的子集。
可选地，在确定加工工件的所有工艺参数时，可以先根据加工任务确定加工工件的工艺流程，并确定工艺流程中所需要用到的所有工艺参数。可选地，再对所有工艺参数中的可调参数进行数集划分时，可以先确定工艺流程中每个加工步骤环节，并在各个加工步骤环节中筛选出需要用到可调参数的加工步骤环节。可以按照加工步骤环节对可调参数进行数集划分，即将一个加工步骤环节所需要用到的所有可调参数作为一个子集。可选地，还可以是根据可调参数的功能或调整方式进行划分。例如，可以根据不同可调参数的调整范围、对加工质量的影响程度、对加工效率的影响程度等因素进行划分。在此不做限制。
可选地，对于步骤S30，依据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合，并依据所述优化工艺参数组合进行工件加工。
可选地，在完成对可调参数的数集划分，得到各个子集后，就可以根据不同的子集使用不同的优化算法模型进行优化，以保障整个数控系统的稳定性和可靠性。可选地，可以设置多个优化算法模型，每一个子集对应一个优化算法模型，并通过每个优化算法模型对各自对应的子集进行优化训练，得到优化工艺参数，对各个子集对应的优化工艺参数进行组合，得到优化工艺参数组合，然后数控系统根据优化工艺参数组合进行工件加工。可选地，优化算法模型可以为MFO（Moth-flame optimization algorithm，飞蛾扑火算法）模型。可选地，还可以根据历史记录确定是否存在与该加工工价的工艺流程一致的历史工艺流程，若存在历史工艺流程，则根据历史工艺流程中每个加工步骤环节对应的可调参数对工艺流程中每个加工步骤环节内的可调参数进行优化修正，得到优化工艺参数组合。但是若不存在与该加工工价的工艺流程一致的历史工艺流程，则可以执行上述步骤S30的步骤。
在本实施例中，通过在对工件进行加工时，实时获取工件图像，并进行检测确定几何质量信息，并依据几何质量信息确定所有工艺参数，再对工艺参数进行子集划分，并通过优化算法模型对每个子集进行优化，得到优化工艺参数组合，数控系统根据优化工艺参数组合进行工件加工。从而可以实现根据工件表面的几何特征和质量信息智能调整工艺参数，实现工艺参数自动调控，避免了传统的数控系统工艺参数调控需要依赖于人工进行调控的现象发生，提高了生产效率和产品质量，降低了故障率。并且是根据实时获取的工件图像进行工艺参数调控，因此可以满足数控系统中实时控制的要求，能适应复杂的加工环境。
实施例二
基于本申请第一实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，请参照图3，步骤S20，依据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合的步骤，包括：
步骤a，若预设的优化算法模型包括MFO模型，则确定所述子集中所有可调参数对应的参数值调节范围；
步骤b，依据每个可调参数对应的参数值调节范围确定每个所述可调参数对应的所有参数值；
步骤c，依据每个所述可调参数对应的所有参数值构建多个参数值组合，其中，所述参数值组合包括所述子集中每个可调参数对应的一个参数值；
步骤d，在各所述参数值组合中随机选择一个所述参数值组合构建初始种群，依据所述MFO模型对所述初始种群进行优化，得到目标种群；
步骤e，对所有所述子集对应的目标种群进行汇总，得到汇总种群，并将所述汇总种群中所有参数值组合，以及所述参数值组合中每个参数值对应的可调参数作为优化工艺参数组合。
在本实施例中，在对数控系统中的可调参数进行优化时，优化算法模型可以采用MFO（Moth-flame optimization algorithm，飞蛾扑火算法）模型进行，并且每个子集输入一个与之对应的MFO模型进行相关模型训练，以便对每个子集中可调参数的参数值进行优化，再对优化后的各个可调参数的参数值进行组合，得到优化工艺参数组合，且组合顺序可以是依据划分子集时的顺序进行。
可选地，MFO模型可以包括一个近似优化问题的全局最优的三元组，即：
MFO=（I，P，T）；
其中，I表示初始化过程，如根据问题的特点，初始MFO模型的一些参数和变量，如种群大小、最大迭代次数、搜索空间范围、邻域定义等。P表示搜索过程，在搜索过程中，飞蛾根据适应度和邻域信息，计算吸引度和移动方向，从而更新自己的位置和适应度。搜索过程可以包括多次迭代，每次迭代可以由多个P函数构成，通过多次P函数的执行，逐步搜索到更优的解决方案。T表示终止条件，即MFO模型停止搜索的条件。比如可以是迭代次数达到预设的最大迭代次数，还可以是搜索到足够好的解时，停止搜索。可选地，停止搜索的条件可以是根据具体问题进行调整，以确保搜索效率和准确性。
可选地，在MFO模型中，飞蛾表示解空间中的一个点，每个飞蛾都有自己的位置、速度和加速度。飞蛾根据自己的位置和目标函数值来调整自己的速度和加速度，以期望找到更优秀的解。在每次迭代中，飞蛾根据自己的速度和加速度来更新自己的位置，同时根据目标函数值评估自己的适应度。在多次迭代之后，输出相应的全局最优的解，即可以是能最大化或最小化目标函数的解。
可选地，对于I，会生成一个随机的飞蛾种群（如初始种群）和相应的适应度值，模型如下：
；
其中，I表示初始化过程对应的函数，它的定义域是一个空集，即没有输入，其值域为{M,OM}。其中 M 表示一个随机的飞蛾种群（如初始种群），OM 表示 M 中每个飞蛾的适应度值。
可选地，由于P表示搜索过程，因此对应的P函数会使飞蛾在搜索空间中移动。此函数接收M的矩阵并最终返回其更新后的矩阵M，如：
。
在通过P函数使飞蛾在搜索空间中移动，并寻找更好的解决方案。如果满足终止条件，则T函数返回符合，如果不满足终止条件，则返回错误：
。
可选地，可以先确定子集中所有可调参数对应的参数值调节范围。比如在可调参数包括切削速度时，且数控机床的刀具为高速钢，最大切削速度为50m/min。则可以确定切削速度对应的参数值调节范围为0-50m/min。可选地，对于子集中的每个可调参数，可以在每个可调参数对应的参数调节范围内选择多个不同的参数值。例如，可以选择切削速度对应的参数值的数量为50个，比如参数值为1m/min，参数值为2m/min等。然后对各个可调参数中的参数值进行随机组合，得到参数值组合，其中，参数值组合中至少与子集中可调参数数量相同的参数值，并且参数值组合中包括的每个参数值对应的可调参数不相同。例如，若可调参数包括切削速度，进给速度和切削深度，则参数值组合包括切削速度的一个参数值、进给速度的一个参数值和切削深度的一个参数值。可选地，参数值组合中包括的参数值可以是一个也可以是多个。
可选地，在各个参数值组合中随机选择一个参数值组合作为MFO模型中的初始种群。可选地，还可以是根据数控系统中在当前工件加工之前，进行工件加工效果最好时各个可调参数对应的参数值，在各个参数值组合中选择一个与之对应的参数值组合构建初始种群。然后再通过MFO模型对初始种群进行优化，得到目标种群。若子集的数量存在多个，则对所有子集对应的目标种群进行汇总，并将汇总结果作为汇总种群，对汇总种群中所有可调参数，以及参数值组合进行统计，得到优化后每个可调参数对应的参数值，将优化后每个可调参数对应的参数值作为优化工艺参数组合，然后数控机床就可以根据工艺流程、以及优化工艺参数组合对工价进行自动加工。
可选地，可以将子集中的可调参数作为飞蛾，在初始种群中只包含一个参数值时，将该参数值对应的可调参数作为飞蛾。在初始种群中包含多个参数值时，将初始种群中多个参数值对应的可调参数一起作为飞蛾。
在本实施例中，通过在优化算法模型包括MFO模型时，可以根据子集中所有可调参数对应的所有参数值构建参数值组合，在各个参数值组合中随机选择一个参数值组合构建初始种群，然后依据MFO模型对初始种群进行优化，得到目标种群，再所有子集的目标种群进行汇总得到汇总种群，依据汇总种群中所有可调参数对应的参数值构建优化工艺参数组合，从而可以筛选出最优的优化工艺参数组合，提高加工效率和质量，减少废品率和成本。
进一步地，依据所述MFO模型对所述初始种群进行优化，得到目标种群的步骤，包括：
步骤d1，依据所述MFO模型构建每个所述参数值组合对应的位置，并确定所述初始种群对应的当前位置，其中，所述当前位置为构建所述初始种群对应的参数值组合对应的位置；
步骤d2，确定所述子集中所有可调参数在所述当前位置的第一适应度；
步骤d3，确定与所述当前位置相邻的邻域，确定所述子集所有可调参数在所述邻域内每个位置的第二适应度，其中，所述邻域包括以所述当前位置为原点，预设距离为半径的区域；
步骤d4，依据各所述第二适应度和所述第一适应度对所述初始种群进行优化，得到目标种群。
在本实施例中，可以通过MFO模型对每个参数值组合进行位置设置，将每个参数值组合作为一个吸引飞蛾的火焰的位置。并且可以设置每个参数值组合所在的位置与该位置最近的一个位置之间的距离为一个恒定值。
可选地，可以在各个位置中选择和初始种群匹配的位置作为当前位置。也就是先确定构建初始种群的参数值组合，然后确定该参数值组合对应的位置，并将此位置作为当前位置。可选地，可以将子集中所有可调参数作为飞蛾，然后计算该飞蛾在当前位置上的适应度，并将其作为第一适应度。
可选地，在确定当前位置后，确定与当前位置相邻的邻域。其中，邻域可以包括以当前位置为原点，预设距离（用户提前设置的距离）为半径的区域。还可以包括基于距离阈值的动态邻域、以当前的飞蛾为中心的固定大小的邻域等。可选地，邻域中至少包括一个位置。然后确定子集所有可调参数在邻域内每个位置的适应度（即第二适应度）。也就是在子集中所有可调参数作为飞蛾时，飞蛾若飞到邻域内每个位置时，在邻域内每个位置上的适应度，并将其作为第二适应度。然后根据各个第二适应度和第一适应度对初始种群进行优化，得到优化后的种群，并将其作为目标种群。
可选地，在进行优化时，可以根据各个第二适应度和第一适应度的大小确定是否需要对初始种群中的参数值组合进行更新，若需要更新，则调整初始种群中的参数值组合，以完成对初始种群的优化，得到优化后的种群。
在本实施例中，通过依据MFO模型构建参数值组合对应的位置，并确定初始种群对应的当前位置，以及子集中所有可调参数在当前位置的第一适应度。然后确定子集所有可调参数在与当前位置相邻的邻域内每个位置上的第二适应度，并依据各个第二适应度和第一适应度对初始种群进行优化，得到目标种群，从而可以保障获取到的目标种群的有效性。
进一步地，依据各所述第二适应度和所述第一适应度对所述初始种群进行优化，得到目标种群的步骤，包括：
步骤d41，若在各所述第二适应度中存在大于所述第一适应度的第三适应度，且存在多个所述第三适应度，则确定每个所述第三适应度对应的参数值组合，以及每个所述第三适应度对应的位置；
步骤d42，将所述第三适应度对应的位置作为第一位置，计算每个所述第一位置与所述当前位置之间的距离，选择最小距离对应的第一位置作为目标位置；
步骤d43，将所述当前位置更新为目标位置，并继续执行所述确定所述子集中所有可调参数在所述当前位置的第一适应度的步骤，直至检测到新的当前位置对应的第一适应度大于所述新的当前位置对应的邻域内所有第二适应度；
步骤d44，依据所述新的当前位置对应的参数值组合，对所述初始种群中的参数值组合进行更新，得到目标种群。
在本实施例中，若将子集中所有可调参数作为飞蛾，则可以在确定飞蛾在当前位置的第一适应度，以及邻域对应的各个第二适应度之后，可以在各个第二适应度中筛选出大于第一适应度的适应度，并将其作为第三适应度，此时就可以认为第三适应度对应的位置对于飞蛾具有吸引力，飞蛾需要飞到第三适应度对应的位置处。即此时可以对初始种群进行更新，依据第三适应度对应的参数值组合对初始种群中的参数值组合进行更新。若不存在第三适应度，则可以保持子集中所有可调参数对应的参数值不变，数控机床可以直接根据该可调参数对应的参数值进行加工。
可选地，若第三适应度存在多个，则可以确定每个第三适应度对应的参数值组合，以及其参数值组合所在的位置，也就是第三适应度对应的位置。然后将第三适应度对应的位置作为第一位置。再计算每个第一位置与当前位置之间的距离，在这些距离中选择一个最小的距离作为最小距离，并确定最小距离对应的第一位置作为目标位置。也就是在目标位置处，对处于当前位置的飞蛾吸引力最大。
可选地，飞蛾可以移动到目标位置，此时就以目标位置为新的当前位置进行适应度检测。也就是将当前位置更新为目标位置，继续执行确定所述子集中所有可调参数在所述当前位置的第一适应度的步骤，直至检测到新的当前位置对应的第一适应度大于所述新的当前位置对应的邻域内所有第二适应度。也就是飞蛾在新的当前位置时，其对应的第一适应度最大。然后再确定新的当前位置对应的参数值组合，将初始种群中的参数值组合更新为新的当前位置对应的参数值组合，得到目标种群。
在本实施例中，通过在各个第二适应度中存在大于第一适应度的第三适应度，且第三适应度存在多个时，将第三适应度对应的位置作为第一位置，计算每个第一位置与当前位置之间的距离，选择最小距离对应的位置作为目标位置。并将当前位置更新为目标位置，继续执行确定第一适应度的步骤，直至检测到新的当前位置对应的第一适应度大于邻域内各个第二适应度，然后再依据新的当前位置对应的参数值组合对初始种群中的参数值组合进行更新，得到目标种群，从而保障了获取到的目标种群的有效性。
进一步地，确定所述子集中所有可调参数在所述当前位置的第一适应度的步骤，包括：
步骤d21，确定加工所述工件的达成目标，若存在多个所述达成目标，则为每个所述达成目标赋予对应的权重系数，其中，对于每个达成目标，每个所述参数值组合均对应一个函数值；
在本实施例中，在进行第一适应度计算时，需要确定加工工件的达成目标。其中达成目标可以是在进行工件加工时，提前设置的目标要求，比如精度要求、成本要求、加工时间要求等。例如达成目标可以设置为精度高，成本低，加工时间短等。若设置多个达成目标，则以对每个达成目标赋予一个与之对应的权重系数。其中，权重系数可以是用户提前设置的，并且每个达成目标对应的权重系数进行相加后的和值为百分百。
步骤d22，依据所述达成目标对应的函数值和所述权重系数确定计算目标函数值，并依据所述目标函数值计算第一适应度，其中，所述目标函数值越小所述第一适应度越大。
在本实施例中，可以先确定每个达成目标对应的函数值，然后计算该函数值与权重系数进行相乘，得到其乘积，将所有乘积对应的和值进行相加，得到目标函数值。例如，若目标函数值为F（x），则有：
F（x）=w1*f1+w2*f2+...+wx*fx（公式一）；
其中，w为权重系数，f为达成目标对应的函数值，f1为第一个达成目标对应的函数值，w1为第一个达成目标对应的权重系数，w2为第二个达成目标对应的权重系数，f2为第二个达成目标对应的函数值，wx为第x个达成目标对应的权重系数，fx为第x个达成目标对应的函数值。
可选地，可以提前设置具有每个达成目标对应函数值的对应表，并将目标可调参数对应的达成目标与对应表进行匹配，以确定每个达成目标对应的函数值。可选地，对应表可以是根据多个参数值组合进行设置的。对于每个达成目标，参数值组合与函数值一一对应，参数值组合的数量和达成目标对应的函数值的数量是一致的。也就是在MFO模型中对于每个达成目标，每个位置均对应有一个函数值，且每个位置对应的函数值可以不相同。并在设置参数值组合与函数值之间的对应关系时，可以根据数控机床中可调参数采用该参数值组合进行工件加工时的效果来进行设置。比如效果越好，函数值越小。可选地，每个达成目标对应的函数值的取值范围可以相同。
在根据目标函数值计算适应度时，可以通过以下公式进行计算，即：
L（x）=1/（F（x）+）（公式二）；
其中，可以是很小的正整数，以避免F（x）为0时，无法计算适应度的现象发生。F（x）为目标函数值。L（x）为适应度。
并且本实施例中的目标函数值越小，适应度越大。例如，若目标函数为经济消耗，则花销越低，适应度越高。
可选地，在计算第一适应度时，可以将当前位置对应的参数值组合作为当前参数值组合，并确定对于每个达成目标，当前参数值组合对应的函数值。再将每个达成目标的权重系数，以及该达成目标对应的函数值（即该达成目标下当前参数值组合对应的函数值）输入到公式一中进行计算，得到目标函数值，将目标函数值输入到公式二中进行计算得到第一适应度。
在本实施例中，通过确定目标可调参数对应的达成目标，以及权重系数，再根据达成目标对应的函数值和权重系数计算目标函数值，并依据目标函数值计算第一适应度，从而保障了获取到的第一适应度的准确性。
进一步地，确定所述工件图像对应的几何质量信息的步骤，包括：
步骤d，将所述工件图像输入至预训练好的视觉检测模型进行模型训练，输出得到所述工件图像对应的几何质量信息，其中，依据预设的历史工件图像构建训练数据集，并依据所述训练数据集对预设的视觉检测模型进行训练，得到预训练好的视觉检测模型，所述训练数据集中包括标注有几何质量信息的多张历史工件图像。
在本实施例中，可以通过视觉检测模型对工件图像进行特征提取，得到几何质量信息，然后基于几何质量信息智能调整数控系统的工艺参数，以优化加工效果和提高生产效率，并对加工过程进行实时监测，根据实时监测结果进行反馈和调整，确保加工质量和稳定性。
可选地，可以先构建获取多个历史工件图像，并将其存储到一个空集，得到训练数据集，并且每张历史工件图像都有相应的标注信息，即标注有几何质量信息，如标注出工件的位置和类别信息。并且每张历史工件图像不相同，可以是工件的正面、侧面和背面等不同角度的工件图像。然后再使用训练数据集和深度学习框架如TensorFlow等进行模型训练，得到训练好的视觉检测模型，比如YoLo5模型。再对该视觉检测模型进行测试，并在测试完成后，将其部署到数控系统中，以便数控系统进行工件图像的几何质量信息提取。
在本实施例中，通过根据视觉检测模型提取工件图像对应的几何质量信息，从而保障了获取到的几何质量信息的准确性。
进一步地，依据所述优化工艺参数组合进行工件加工的步骤之后，包括：
步骤e，对数控系统进行工件加工的运行过程进行监测；
步骤f，若监测到所述数控系统进行工件加工的运行过程中存在运行参数异常，则依据异常的运行参数进行故障分析，并输出故障预警信息，其中，所述运行参数至少包括机床状态数据、制造工艺数据、工件信息检测数据和环境数据。
在本实施例中，在数控系统根据优化工艺参数组合进行工件加工时，还可以监测数控系统的状态和工作情况，即对工件加工过程进行监测，以便在发现异常情况时，能及时预警。
可选地，可以构建数控系统生产过程的监控模型，确定需要监测的关键参数和指标，如数控系统进行工件加工时的运行参数，然后根据监控模型对运行参数进行实时监测。可选地，若通过监控模型检测到存在运行参数异常，则进行故障诊断分析，确定相应的故障代码和处理建立，并将其作为故障预警信息进行输出。可选地，数控系统还可以对历史数据进行分析和总结，以优化工件加工过程，实现更好的生产效率和产品质量。
可选地，关键参数和指标可以是判断数控系统的运行状态和性能表现，以及检测设备状态和指标。机床状态数据可以包括机床的加工速度、转速、刀具位置、机床温度、振动等信息。制造工艺数据包括工件的设计图纸、加工工艺参数、机床设备参数、工艺流程等信息。工件信息检测数据包括工件的尺寸精度、表面粗糙度、硬度等检测数据。环境数据包括数控车间的温度、湿度和空气质量等信息。并且机床状态数据、制造工艺数据、工件信息检测数据和环境数据可以通过提前设置的不同类型的传感器、控制器和监测设备进行采集得到，再通过数控系统中的数据采集功能模块进行处理和传输到监控模型中，以实现对数控系统进行工件加工过程中的实时监测和预测。
在本实施例中，通过在监测到数控系统进行工件加工的运行过程中存在运行参数异常，则进行故障分析，并输出故障预警信息，从而可以提高数控系统生产过程中的可靠性和稳定性，有效减少故障率，提高生产效率和产品质量。
实施例三
本申请实施例还提供一种数控系统工艺调控装置，请参照图4，所述数控系统工艺调控装置包括：
确定模块A10，用于在对工件进行加工时，实时获取至少一个工件的工件图像，确定所述工件图像对应的几何质量信息，所述几何质量信息包括工件表面的几何特征和质量信息；
划分模块A20，用于依据所述几何质量信息确定加工所述工件的所有工艺参数，并对所有所述工艺参数中的可调参数进行数集划分，得到多个子集；
优化模块A30，用于依据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合，并依据所述优化工艺参数组合进行工件加工。
可选地，优化模块A30，用于：
若预设的优化算法模型包括MFO模型，则确定所述子集中所有可调参数对应的参数值调节范围；
依据每个可调参数对应的参数值调节范围确定每个所述可调参数对应的所有参数值；
依据每个所述可调参数对应的所有参数值构建多个参数值组合，其中，所述参数值组合包括所述子集中每个可调参数对应的一个参数值；
在各所述参数值组合中随机选择一个所述参数值组合构建初始种群，依据所述MFO模型对所述初始种群进行优化，得到目标种群；
对所有所述子集对应的目标种群进行汇总，得到汇总种群，并将所述汇总种群中所有参数值组合，以及所述参数值组合中每个参数值对应的可调参数作为优化工艺参数组合。
可选地，优化模块A30，用于：
依据所述MFO模型构建每个所述参数值组合对应的位置，并确定所述初始种群对应的当前位置，其中，所述当前位置为构建所述初始种群对应的参数值组合对应的位置；
确定所述子集中所有可调参数在所述当前位置的第一适应度；
确定与所述当前位置相邻的邻域，确定所述子集所有可调参数在所述邻域内每个位置的第二适应度，其中，所述邻域包括以所述当前位置为原点，预设距离为半径的区域；
依据各所述第二适应度和所述第一适应度对所述初始种群进行优化，得到目标种群。
可选地，优化模块A30，用于：
若在各所述第二适应度中存在大于所述第一适应度的第三适应度，且存在多个所述第三适应度，则确定每个所述第三适应度对应的参数值组合，以及每个所述第三适应度对应的位置；
将所述第三适应度对应的位置作为第一位置，计算每个所述第一位置与所述当前位置之间的距离，选择最小距离对应的第一位置作为目标位置；
将所述当前位置更新为目标位置，并继续执行所述确定所述子集中所有可调参数在所述当前位置的第一适应度的步骤，直至检测到新的当前位置对应的第一适应度大于所述新的当前位置对应的邻域内所有第二适应度；
依据所述新的当前位置对应的参数值组合，对所述初始种群中的参数值组合进行更新，得到目标种群。
可选地，优化模块A30，用于：
确定加工所述工件的达成目标，若存在多个所述达成目标，则为每个所述达成目标赋予对应的权重系数，其中，对于每个达成目标，每个所述参数值组合均对应一个函数值；
依据所述达成目标对应的函数值和所述权重系数确定计算目标函数值，并依据所述目标函数值计算第一适应度，其中，所述目标函数值越小所述第一适应度越大。
可选地，确定模块A10，用于：
将所述工件图像输入至预训练好的视觉检测模型进行模型训练，输出得到所述工件图像对应的几何质量信息，其中，依据预设的历史工件图像构建训练数据集，并依据所述训练数据集对预设的视觉检测模型进行训练，得到预训练好的视觉检测模型，所述训练数据集中包括标注有几何质量信息的多张历史工件图像。
可选地，优化模块A30，用于：
对数控系统进行工件加工的运行过程进行监测；
若监测到所述数控系统进行工件加工的运行过程中存在运行参数异常，则依据异常的运行参数进行故障分析，并输出故障预警信息，其中，所述运行参数至少包括机床状态数据、制造工艺数据、工件信息检测数据和环境数据。
本发明实施例提供的数控系统工艺调控装置，采用上述实施例一至实施例二中任意一个实施例的数控系统工艺调控方法，能实现避免数控系统的工艺参数无法适应复杂的加工环境，且难以满足实时控制的要求的现象发生。与现有技术相比，本发明实施例提供的数控系统工艺调控装置的有益效果与上述实施例提供的数控系统工艺调控方法的有益效果相同，且所述数控系统工艺调控装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
实施例四
本发明实施例提供一种数控机床，数控机床包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的数控系统工艺调控方法。
下面参考图5，其示出了适于用来实现本公开实施例的数控机床的结构示意图。图5示出的数控机床仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，数控机床可以包括处理装置（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）中的程序或者从存储装置加载到随机访问存储器（RAM）中的程序而执行各种适当的动作和处理。在RAM中，还存储有数控机床操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许数控机床与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的数控机床，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
本发明提供的数控机床，采用上述实施例中的数控系统工艺调控方法，能实现避免数控系统的工艺参数无法适应复杂的加工环境，且难以满足实时控制的要求的现象发生。与现有技术相比，本发明实施例提供的数控机床的有益效果与上述实施例提供的数控系统工艺调控方法的有益效果相同，且该数控机床中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
实施例五
本发明实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例中的数控系统工艺调控方法。
本发明实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是数控机床中所包含的；也可以是单独存在，而未装配入数控机床中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被数控机床执行时，使得数控机床能执行上述实施例中的各个步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本发明提供的计算机可读存储介质，存储有用于执行上述数控系统工艺调控方法的计算机可读程序指令，能实现避免数控系统的工艺参数无法适应复杂的加工环境，且难以满足实时控制的要求的现象发生。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例一或实施例二提供的数控系统工艺调控方法的有益效果相同，在此不做赘述。
实施例六
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的数控系统工艺调控方法的步骤。
本申请提供的计算机程序产品能实现避免数控系统的工艺参数无法适应复杂的加工环境，且难以满足实时控制的要求的现象发生。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述任一实施例提供的数控系统工艺调控方法的有益效果相同，在此不做赘述。
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处理范围内。

Claims (10)

1.一种数控系统工艺调控方法，其特征在于，所述数控系统工艺调控方法包括以下步骤：
在对工件进行加工时，实时获取至少一个工件的工件图像，确定所述工件图像对应的几何质量信息，所述几何质量信息包括工件表面的几何特征和质量信息；
依据所述几何质量信息确定加工所述工件的所有工艺参数，并对所有所述工艺参数中的可调参数进行数集划分，得到多个子集；
依据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合，并依据所述优化工艺参数组合进行工件加工。
2.如权利要求1所述的数控系统工艺调控方法，其特征在于，所述依据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合的步骤，包括：
若预设的优化算法模型包括MFO模型，则确定所述子集中所有可调参数对应的参数值调节范围；
依据每个可调参数对应的参数值调节范围确定每个所述可调参数对应的所有参数值；
依据每个所述可调参数对应的所有参数值构建多个参数值组合，其中，所述参数值组合包括所述子集中每个可调参数对应的一个参数值；
在各所述参数值组合中随机选择一个所述参数值组合构建初始种群，依据所述MFO模型对所述初始种群进行优化，得到目标种群；
对所有所述子集对应的目标种群进行汇总，得到汇总种群，并将所述汇总种群中所有参数值组合，以及所述参数值组合中每个参数值对应的可调参数作为优化工艺参数组合。
3.如权利要求2所述的数控系统工艺调控方法，其特征在于，所述依据所述MFO模型对所述初始种群进行优化，得到目标种群的步骤，包括：
依据所述MFO模型构建每个所述参数值组合对应的位置，并确定所述初始种群对应的当前位置，其中，所述当前位置为构建所述初始种群对应的参数值组合对应的位置；
确定所述子集中所有可调参数在所述当前位置的第一适应度；
确定与所述当前位置相邻的邻域，确定所述子集所有可调参数在所述邻域内每个位置的第二适应度，其中，所述邻域包括以所述当前位置为原点，预设距离为半径的区域；
依据各所述第二适应度和所述第一适应度对所述初始种群进行优化，得到目标种群。
4.如权利要求3所述的数控系统工艺调控方法，其特征在于，所述依据各所述第二适应度和所述第一适应度对所述初始种群进行优化，得到目标种群的步骤，包括：
若在各所述第二适应度中存在大于所述第一适应度的第三适应度，且存在多个所述第三适应度，则确定每个所述第三适应度对应的参数值组合，以及每个所述第三适应度对应的位置；
将所述第三适应度对应的位置作为第一位置，计算每个所述第一位置与所述当前位置之间的距离，选择最小距离对应的第一位置作为目标位置；
将所述当前位置更新为目标位置，并继续执行所述确定所述子集中所有可调参数在所述当前位置的第一适应度的步骤，直至检测到新的当前位置对应的第一适应度大于所述新的当前位置对应的邻域内所有第二适应度；
依据所述新的当前位置对应的参数值组合，对所述初始种群中的参数值组合进行更新，得到目标种群。
5.如权利要求3所述的数控系统工艺调控方法，其特征在于，所述确定所述子集中所有可调参数在所述当前位置的第一适应度的步骤，包括：
确定加工所述工件的达成目标，若存在多个所述达成目标，则为每个所述达成目标赋予对应的权重系数，其中，对于每个达成目标，每个所述参数值组合均对应一个函数值；
依据所述达成目标对应的函数值和所述权重系数确定计算目标函数值，并依据所述目标函数值计算第一适应度，其中，所述目标函数值越小所述第一适应度越大。
6.如权利要求1所述的数控系统工艺调控方法，其特征在于，所述确定所述工件图像对应的几何质量信息的步骤，包括：
将所述工件图像输入至预训练好的视觉检测模型进行模型训练，输出得到所述工件图像对应的几何质量信息，其中，依据预设的历史工件图像构建训练数据集，并依据所述训练数据集对预设的视觉检测模型进行训练，得到预训练好的视觉检测模型，所述训练数据集中包括标注有几何质量信息的多张历史工件图像。
7.如权利要求1所述的数控系统工艺调控方法，其特征在于，所述依据所述优化工艺参数组合进行工件加工的步骤之后，包括：
对数控系统进行工件加工的运行过程进行监测；
若监测到所述数控系统进行工件加工的运行过程中存在运行参数异常，则依据异常的运行参数进行故障分析，并输出故障预警信息，其中，所述运行参数至少包括机床状态数据、制造工艺数据、工件信息检测数据和环境数据。
8.一种数控系统工艺调控装置，其特征在于，所述数控系统工艺调控装置包括：
确定模块，用于在对工件进行加工时，实时获取至少一个工件的工件图像，确定所述工件图像对应的几何质量信息，所述几何质量信息包括工件表面的几何特征和质量信息；
划分模块，用于依据所述几何质量信息确定加工所述工件的所有工艺参数，并对所有所述工艺参数中的可调参数进行数集划分，得到多个子集；
优化模块，用于依据预设的优化算法模型并行对每个所述子集进行优化，得到优化工艺参数组合，并依据所述优化工艺参数组合进行工件加工。
9.一种数控机床，其特征在于，所述数控机床包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述数控系统工艺调控方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有实现数控系统工艺调控方法的程序，所述实现数控系统工艺调控方法的程序被处理器执行以实现如权利要求1至7中任一项所述数控系统工艺调控方法的步骤。
CN202310755082.XA 2023-06-26 2023-06-26 数控系统工艺调控方法、装置、数控机床和可读存储介质 Active CN116500975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310755082.XA CN116500975B (zh) 2023-06-26 2023-06-26 数控系统工艺调控方法、装置、数控机床和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310755082.XA CN116500975B (zh) 2023-06-26 2023-06-26 数控系统工艺调控方法、装置、数控机床和可读存储介质

Publications (2)

Publication Number Publication Date
CN116500975A true CN116500975A (zh) 2023-07-28
CN116500975B CN116500975B (zh) 2023-09-15

Family

ID=87326975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310755082.XA Active CN116500975B (zh) 2023-06-26 2023-06-26 数控系统工艺调控方法、装置、数控机床和可读存储介质

Country Status (1)

Country Link
CN (1) CN116500975B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117008480A (zh) * 2023-09-28 2023-11-07 江苏甬金金属科技有限公司 结合应用场景的不锈钢产品自适应加工控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111880402A (zh) * 2020-07-30 2020-11-03 广州大学 荧光粉层产品参数控制方法、装置和存储介质
US20210342501A1 (en) * 2020-04-30 2021-11-04 Ansys, Inc. Automating extraction of material model coefficients for simulations
CN114660994A (zh) * 2022-05-25 2022-06-24 中科航迈数控软件(深圳)有限公司 一种数控机床加工工艺决策优化方法、系统及相关设备
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
CN116167932A (zh) * 2022-12-27 2023-05-26 惠州市德赛西威汽车电子股份有限公司 一种图像质量优化方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210342501A1 (en) * 2020-04-30 2021-11-04 Ansys, Inc. Automating extraction of material model coefficients for simulations
CN111880402A (zh) * 2020-07-30 2020-11-03 广州大学 荧光粉层产品参数控制方法、装置和存储介质
CN114660994A (zh) * 2022-05-25 2022-06-24 中科航迈数控软件(深圳)有限公司 一种数控机床加工工艺决策优化方法、系统及相关设备
CN116167932A (zh) * 2022-12-27 2023-05-26 惠州市德赛西威汽车电子股份有限公司 一种图像质量优化方法、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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117008480A (zh) * 2023-09-28 2023-11-07 江苏甬金金属科技有限公司 结合应用场景的不锈钢产品自适应加工控制方法
CN117008480B (zh) * 2023-09-28 2023-12-08 江苏甬金金属科技有限公司 结合应用场景的不锈钢产品自适应加工控制方法

Also Published As

Publication number Publication date
CN116500975B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
US10261497B2 (en) Machine tool for generating optimum acceleration/deceleration
US10254750B2 (en) Machining machine system which determines acceptance/rejection of workpieces
US10782664B2 (en) Production system that sets determination value of variable relating to abnormality of product
CN116500975B (zh) 数控系统工艺调控方法、装置、数控机床和可读存储介质
US20200064789A1 (en) Predictive monitoring and diagnostics systems and methods
US11782401B2 (en) Apparatus and methods to build deep learning controller using non-invasive closed loop exploration
JP6567205B1 (ja) 機械学習装置、補正パラメータ調整装置および機械学習方法
US11822308B2 (en) Polishing tool wear amount prediction device, machine learning device, and system
US20190196454A1 (en) Chip removal apparatus and information processing apparatus
KR102626984B1 (ko) 관리 장치 및 관리 시스템
EP3462268A1 (en) Classification modeling for monitoring, diagnostics optimization and control
JP2020128009A (ja) ロボットを制御する方法
US10345796B2 (en) Cell controller and production system for managing working situation of a plurality of manufacturing machines in manufacturing cell
US20170090452A1 (en) Machine tool for generating speed distribution
GB2584608A (en) Robot motion optimization system and method
JP6559525B2 (ja) 遠隔作業支援システム及び遠隔作業支援方法
JP6677706B2 (ja) リンク情報生成装置、リンク情報生成方法及びリンク情報生成プログラム
US11322147B2 (en) Voice control system for operating machinery
JP2020108918A (ja) 加工装置誤差補正方法及びそのシステム
CN110297460A (zh) 热位移修正系统以及计算机
JPWO2020188696A1 (ja) 異常検知装置および異常検知方法
US20190308315A1 (en) Process Control Using Deep Learning Training Model
CN116339239A (zh) 数控机床协同控制方法、装置、设备以及计算机存储介质
Kozek Transfer Learning algorithm in image analysis with Augmented Reality headset for Industry 4.0 technology
EP3474092A2 (en) Apparatus and method for using advanced process control to define real-time or near real-time operating envelope

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