CN116776289A - 数控机床加工方法、装置、电子设备及可读存储介质 - Google Patents
数控机床加工方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116776289A CN116776289A CN202311077761.2A CN202311077761A CN116776289A CN 116776289 A CN116776289 A CN 116776289A CN 202311077761 A CN202311077761 A CN 202311077761A CN 116776289 A CN116776289 A CN 116776289A
- Authority
- CN
- China
- Prior art keywords
- machine tool
- numerical control
- data
- control machine
- cutter
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 126
- 238000003754 machining Methods 0.000 claims abstract description 41
- 238000013441 quality evaluation Methods 0.000 claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims description 126
- 230000002159 abnormal effect Effects 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 43
- 230000005856 abnormality Effects 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 17
- 238000007499 fusion processing Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 230000001276 controlling effect Effects 0.000 description 11
- 239000010410 layer Substances 0.000 description 11
- 238000005299 abrasion Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000002355 dual-layer Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本申请应用于工业设备自动化领域,公开了一种数控机床加工方法、装置、电子设备及可读存储介质,数控机床加工方法包括:获取数控机床的多源传感器数据,关联融合多源传感器数据以得到数控机床的融合数据;若数控机床的数字孪生系统中未存储有融合数据对应的最优控制方案,则在预测波动范围内,基于融合数据预测数控机床在下一时间步的多个作业轨迹,并对预测的所有作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案;根据最优控制方案在数字孪生系统中模拟数控机床的工作状态。本申请旨在解决在数字孪生场景中数控机床的数据量多且复杂导致的,难以在提高数控机床加工精度的情况下灵活调整数控机床的工作状态的技术问题。
Description
技术领域
本申请属于工业设备自动化领域,涉及一种数控机床加工方法、装置、电子设备及可读存储介质。
背景技术
随着智能制造技术的发展,数控机床需要加工的零部件越来越复杂,对复杂零部件的加工精度的要求也越来越高。数控机床在加工零部件时一般是基于提前设定的程序进行加工的,但由于数控机床具有时变性、非线性、强耦合性等特点,在实际操作的过程中刀具的切削力、刀具磨损程度以及刀具温度等都在不断变化,所以需要对数控机床的工作状态进行调整以提高数控机床的加工精度,但按照提前设定的程序进行加工,难以灵活调整数控机床的工作状态,进而难以保证数控机床的加工精度。虽然目前存在通过数字孪生系统模拟数控机床的状态以对数控机床进行监测,但在数字孪生系统模拟数控机床的状态时,由于数控机床的数据量多且复杂,从而使得数字孪生系统模拟的数控机床的状态并不准确,进而也难以基于数字孪生系统灵活调整数控机床的状态以保证数控机床的加工精度。
上述内容仅用于辅助理解本申请的技术方案,并不代表承认上述内容为现有技术。
发明内容
本申请的主要目的在于提供一种数控机床加工方法、装置、电子设备及可读存储介质,旨在解决在数字孪生场景中数控机床的数据量多且复杂导致的,难以在提高数控机床加工精度的情况下灵活调整数控机床的工作状态的技术问题。
为实现上述目的,本申请提供一种数控机床加工方法,所述数控机床加工方法包括:
获取数控机床的多源传感器数据,关联融合所述多源传感器数据以得到所述数控机床的融合数据,其中,所述多源传感器数据包括温度数据、位姿数据、压力数据以及声发射数据;
若所述数控机床的数字孪生系统中未存储有所述融合数据对应的最优控制方案,则在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案;
根据所述最优控制方案在所述数字孪生系统中模拟所述数控机床的工作状态以确定所述数控机床在下一时间步的作业方案。
为实现上述目的,本申请提供一种数控机床加工装置,所述数控机床加工装置包括:
融合处理模块,用于获取数控机床的多源传感器数据,关联融合所述多源传感器数据以得到所述数控机床的融合数据,其中,所述多源传感器数据包括温度数据、位姿数据、压力数据以及声发射数据;
预测模块,用于若所述数控机床的数字孪生系统中未存储有所述融合数据对应的最优控制方案,则在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案;
作业轨迹确定模块,用于根据所述最优控制方案在所述数字孪生系统中模拟所述数控机床的工作状态以确定所述数控机床在下一时间步的作业方案。
本申请还提供一种电子设备,所述电子设备包括: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机床加工方法的程序,所述数控机床加工方法的程序被处理器执行时可实现如上述的数控机床加工方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有实现数控机床加工方法的程序,所述数控机床加工方法的程序被处理器执行时实现如上述的数控机床加工方法的步骤。
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机床加工方法的步骤。
本申请提供了一种数控机床加工方法、装置、电子设备及可读存储介质,本申请通过对数控机床的多源传感器数据进行融合处理,得到数控机床的融合数据,进而通过判断数字孪生系统中是否存储有融合数据对应的最优控制方案,在数字孪生系统中不存在融合数据时,则在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案,从而可以实现对数控机床的工作状态的预测,进而可以根据预测得到的最优控制方案实现对数控机床工作状态的调整,实现了灵活调整数控机床的工作状态。进一步的,由于融合数据是基于多源传感器数据融合而来的,而多源传感器数据包括温度数据、位姿数据、压力数据以及声发射数据,所以融合数据所表征的数控机床的工作状态较为全面,且将多源传感器数据进行融合后,减小了数据的复杂度更便于对最优控制方案的预测和匹配,进而在基于融合数据对数控机床的工作状态进行预测时或基于融合数据进行最优控制方案的匹配时,也不会因为数据的单一性而影响最优控制方案的预测和匹配的准确度,提高了数控机床的最优控制方案的预测精度,从而可以实现灵活调整所述数控机床的工作状态以提高数控机床的加工精度。
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,表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申请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,对于本领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为本申请数控机床加工方法第一实施例的流程示意图;
图2为本申请数控机床加工方法第二实施例的流程示意图;
图3为本申请数控机床加工方法中基于数字孪生系统的数控机床的调整流程示意图;
图4为本申请数控机床加工方法一实施例的装置示意图;
图5为本申请实施例中数控机床加工方法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
为使本申请的上述目的、特征和优点能够更加明显易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,均属于本申请保护的范围。
实施例一
参照图1,本申请实施例提供一种数控机床加工方法,在本申请数控机床加工方法的第一实施例中,所述数控机床加工方法包括:
步骤S10,获取数控机床的多源传感器数据,关联融合所述多源传感器数据以得到所述数控机床的融合数据,其中,所述多源传感器数据包括温度数据、位姿数据、压力数据以及声发射数据;
需要说明的是,多源传感器数据包括了温度数据、位姿数据、压力数据以及声发射数据,其中,多源传感器数据可以由安装在数控机床的传感器以及安装在数控机床的作业环境下的传感器的数据采集得到,示例性的,在所述数控机床的作业环境下安装红外温度传感器,以检测数控机床的刀头温度,在数控机床的机床上安装压力传感器以获取刀具的压力数据,从而可以根据压力数据确定刀具切削力,在数控机床的两侧安装工业运动相机,以获取数控机床两侧的图像数据,根据所述图像数据共同确定数控机床的位姿数据;在数控机床的作业环境下,设置声发射传感器,以检测数控机床中刀具的刀具速度。通过设置声发射传感器可以获取到数控机床的刀具速度,无需在刀具上设置传感器,避免影响数控机床的工作状态。对多源传感器数据进行融合处理后,得到数控机床的融合数据,进而实现将多源的传感器数据进行简单化处理,且可以较为全面表征数控机床的工作状态。其中,多源传感器数据中的温度数据、位姿数据、压力数据以及声发射数据可以是预处理后的数据,具体的,可以是对采集到的温度数据、位姿数据、压力数据以及声发射数据进行数据清洗并进行时间以及坐标系的对齐,以保证融合数据数控机床在同一时刻下的数据。
步骤S20,若所述数控机床的数字孪生系统中未存储有所述融合数据对应的最优控制方案,则在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案;
步骤S30,根据所述最优控制方案在所述数字孪生系统中模拟所述数控机床的工作状态以确定所述数控机床在下一时间步的作业方案。
需要说明的是,本申请实施例中,会构建关于数控机床的数字孪生系统,将数控机床的融合数据输入数字孪生系统,数字孪生系统可以模拟数控机床当前的工作状态以展现给数控机床的相关作业人员。进一步的在数控机床的数字孪生系统中会存储有数控机床各融合数据对应的最优控制方案,即使数控机床有既定的加工方案,但不同环境下对数控机床的作业精度可能会有影响,所以需要根据数控机床当前的工作状态确定数控机床的最优控制方案,其中,预测波动范围表征为融合数据的变动范围,预测波动范围用于确定数控机床下一时间步的多个作业轨迹,进而根据多个作业轨迹对数控机床的工作状态进行多重预测。
其中,所述最优控制方案为基于融合数据预测的多个数控机床的作业轨迹中作业质量值最高的作业轨迹,作业轨迹为数控机床在切割产品时的刀具速度、刀具切削深度以及刀具角度。最优控制方案为在当前刀头温度下的刀具速度、刀具切削深度以及刀具角度,作业方案也包括刀具速度、刀具切削深度以及刀具角度,作业方案可以是最优控制方案也可以是预设控制方案。当根据融合数据对数控机床的下一时间步的工作状态进行多重预测得到最优控制方案,且可以基于最优控制方案控制数控机床时,可以关联存储融合数据和最优控制方案,当检测数字孪生系统中可以存储有融合数据对应的最优控制方案时,直接将存储的最优控制方案作为数控机床在下一时间步的作业轨迹。根据融合数据预测数控机床下一时间步的工作状态时,可以基于双层网络架构模型对数控机床的下一时间步的工作状态进行预测。其中,双层网络架构模型包括作业预测模型和作业决策模型。可以基于最优控制方案在数字孪生系统中模拟数控机床的工作状态以确定数控机床在下一时间步的作业轨迹,通过在数字孪生系统中模拟数控机床的工作状态,以避免当数控机床按照最优控制方案进行作业时,出现故障,从而可以保证数控机床的作业精度。其中,数字孪生系统可以是基于数控机床的设计图纸和参数,基于设计图纸和参数构建数控机床的三维几何模型,在三维几何模型中输入融合数据,以在三维几何模型中添加关于数控机床的运动学和动力学的参数,从而使得三维几何模型可以模拟数控机床的工作状态以构建数控机床的数字孪生系统。
本申请实施例通过对数控机床的多源传感器数据进行融合处理,得到数控机床的融合数据,进而通过判断数字孪生系统中是否存储有融合数据对应的最优控制方案,在数字孪生系统中不存在融合数据时,根据融合数据对数控机床下一时间步的工作状态进行多重预测进而得到最优控制方案以确定所述数控机床在下一时间步的作业轨迹,从而可以实现对数控机床的工作状态的预测,进而可以根据预测得到的最优控制方案实现对数控机床工作状态的调整,实现了灵活调整数控机床的工作状态。进一步的,由于融合数据是基于多源传感器数据融合而来的,而多源传感器数据包括温度数据、位姿数据、压力数据以及声发射数据,所以融合数据所表征的数控机床的工作状态较为全面,且将多源传感器数据进行融合后,减小了数据的复杂度更便于对最优控制方案的预测和匹配,进而在基于融合数据对数控机床的工作状态进行预测时或基于融合数据进行最优控制方案的匹配时,也不会因为数据的单一性而影响最优控制方案的预测和匹配的准确度,提高了数控机床的最优控制方案的预测精度,从而可以实现灵活调整所述数控机床的工作状态以提高数控机床的加工精度。
其中,所述关联融合所述多源传感器数据以得到所述数控机床的融合数据的步骤包括:
步骤S11,将所述多源传感器数据输入双层融合模型,以供所述双层融合模型在对所述温度数据进行特征提取得到温度特征、对所述压力数据进行特征提取得到压力特征、对所述位姿数据进行特征提取得到位姿特征以及对声发射数据提取得到声发射特征后;
步骤S12,关联融合所述温度特征、所述压力特征、所述位姿特征以及所述声发射特征以得到所述数控机床的融合数据。
需要说明的是,双层融合模型为双层的神经网络,双层融合模型用于对多源传感器数据进行融合处理得到融合数据。温度特征可以认为是数控机床中刀头温度的特征表达、压力特征可以认为是数控机床的机床特征表达、位姿特征可以认为是数控机床中机械臂的位姿特征表达,以及声发射特征可以认为是数控机床中刀具的速度以及刀具的切削深度的特征表达。其中,双层融合模型包括特征提取模型以及特征融合模型,特征提取模型用于对多源传感器数据进行特征提取,特征融合模型用于提取的特征进行融合,得到融合数据,融合数据是一个高度融合的数据,通过对多源传感器数据进行融合处理,可以简化多源传感器数据发复杂度。
作为一种示例,步骤S11至步骤S13包括:将多源传感器数据输入特征提取模型,特征提取模型分别对温度数据、压力数据、位姿数据以及声发射数据进行特征提取得到温度特征、压力特征、位姿特征以及声发射特征;将温度特征、压力特征、位姿特征以及声发射特征输入到特征融合模型,关联融合温度特征、压力特征、位姿特征以及声发射特征得到融合数据。本申请实施例通过对多源传感器数据进行融合处理进而得到融合数据,在基于融合数据进行数控机床的工作状态进行预测,或基于融合数据在数字孪生系统中还原数控机床的工作状态时,降低了在数字孪生系统中数据处理的复杂度,节省了数据处理的资源。
其中,所述若所述数控机床的数字孪生系统中未存储有所述融合数据对应的最优控制方案,则在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案的步骤之前,所述数控机床加工方法还包括:
步骤S21,将所述融合数据输入到所述数字孪生系统中以判断所述融合数据是否满足作业约束条件;
步骤S22,若所述融合数据不满足所述作业约束条件,则确定所述融合数据异常,并输出数据异常信息以调整所述数控机床;
步骤S23,若所述融合数据满足所述作业约束条件,则确定所述融合数据无异常并判断所述数控机床的数字孪生系统中是否存储有所述融合数据对应的最优控制方案。
需要说明的是,当采集到数控机床当前的多源传感器数据时,可以检测数控机床当前的工作状态是否异常,具体的可以将融合数据输入到数字孪生系统中,由数字孪生系统判断所述融合数据是否异常。其中,作业约束条件包括预设刀具切割速度阈值、预设刀具切削力阈值、预设刀头温度阈值以及预设刀具角度阈值。作业约束条件可以基于实际情况设置。
作为一种示例,步骤S21至步骤S23包括:将所述融合数据输入到数字孪生系统中以判断所述融合数据是否异常;根据所述融合数据识别所述数控机床的温度数据,判断所述温度数据是否大于或等于预设刀头温度阈值,若所述温度数据大于或等于预设刀头温度阈值,则确定所述到刀头温度异常;若所述温度数据小于预设刀头温度阈值,则确定所述刀头温度正常;根据所述融合数据识别所述数控机床的压力数据,判断所述压力数据是否大于或等于所述预设刀具切削力阈值,若所述压力数据大于或等于预设刀具切削力阈值,则确定所述刀具切削力异常,若所述压力数据小于预设刀具切削力阈值,则确定所述刀具切削力正常;根据所述融合数据识别所述数控机床的位姿数据,根据所述位姿数据识别所述刀具切割角度,判断所述刀具切割角度是否大于或等于所述预设刀具角度阈值,若所述刀具切割角度大于或等于所述预设刀具角度阈值,则确定所述位姿数据异常,若所述刀具切割角度小于所述预设刀具角度阈值,则确定所述位姿数据正常;根据所述融合数据识别所述数控机床的声发射数据,根据所述声发射数据确定所述刀具的切割速度,判断所述刀具切割速度是否大于或等于刀具切割速度阈值,若所述刀具切割速度大于或等于刀具切割速度阈值,则确定所述刀具切割速度异常,若所述刀具切割速度小于刀具切割速度阈值,则确定所述刀具切割速度正常。
若刀具切割速度正常、刀头温度正常、刀具切削力正常以及声发射数据正常,则确定所述融合数据正常;若所述刀具切割速度异常、刀头温度异常、刀具切削力异常和/或声发射数据异常,则确定所述融合数据异常;若所述刀具切割速度异常,则输出的数据异常信息中包括刀具切割速度异常;若刀头温度异常,则输出的数据异常信息中包括刀头温度异常;若刀具角度异常,则输出的数据异常信息中包括刀具角度异常,若刀具切削力异常,则输出的数据异常信息中包括刀具切削力异常。其中,当所述数字孪生系统接收到融合数据后,数字孪生系统只需要处理融合数据,就可以判定融合数据是否异常,无需调用多个资源分别判断各传感器数据是否异常,节省了数字孪生系统处理的资源。
其中,所述输出数据异常信息以调整所述数控机床步骤包括:
步骤S221,若所述数据异常信息中包括刀头温度异常,则根据所述刀头温度的异常等级调整所述数控机床的作业温度以控制所述刀头温度满足所述数控机床的加工温度条件;
步骤S222,若所述数据异常信息中包括刀具切削力异常,则根据刀具切削力的异常等级调整所述数控机床中刀具切削力以控制所述刀具切削力满足所述数控机床的产品加工条件;
步骤S223,若所述数据异常信息中包括刀具角度异常,则根据刀具角度的异常等级调整所述数控机床的刀具角度以控制所述刀具角度满足所述数控机床的刀具加工条件;
步骤S224,若所述数据异常信息中包括刀具切割速度异常,则基于刀具切割速度的异常等级调整所述刀具切割速度以控制所述刀具切割速度满足所述数控机床的刀具速度条件。
需要说明的是,刀头温度的异常等级表征为刀头温度的异常程度,刀具切削力的异常等级表征为刀具切削力的异常程度,刀具角度异常的异常等级表征为刀具角度异常的异常程度,刀具切割速度的异常等级表征为刀具切割速度的异常程度。异常等级可以分为一般异常和重要异常,当异常等级为一般异常时,可以基于异常等级对数控机床进行调整,当异常等级为重要异常时,则控制所述数控机床停止加工。
作为一种示例,步骤S221至步骤S224包括:若所述刀头温度异常,则判断温度数据与预设刀头温度阈值之间的温度差值是否大于预设温度停止阈值,若温度差值大于预设温度停止阈值,则确定刀头温度异常等级为重要异常,并控制数控机床停止加工;若温度差值小于或等于预设温度停止阈值,则确定刀头温度异常等级为一般异常,调整所述数控机床的作业温度以控制所述刀头温度满足所述数控机床的加工温度条件;其中,调整刀头温度可以是对刀头温度进行局部降温,或降低数控机床的作业环境中的温度,加工温度条件可以基于实际情况进行设置,在调节刀头温度时,可以将加工温度调节到与最优控制方案或预设控制方案相匹配的温度。
若刀具切削力异常,则判断所述压力数据与所述预设刀具切削力阈值之间的压力差值是否大于预设压力停止阈值;若压力差值大于预设压力停止阈值,则确定刀具切削力异常的异常等级为重要异常,并控制数控机床停止加工,若刀具切削力异常小于或等于预设压力停止阈值,则确定刀具切削力异常的异常等级为一般异常,调整所述数控机床中刀具切削力以控制所述刀具切削力满足所述数控机床的产品加工条件;其中,调节刀具切削力可以基于数字孪生系统进行控制,产品加工条件是提前存储在数字孪生系统中的,产品加工条件表征为在数控机床进行产品加工时所需的刀具切削力,在调节刀具切削力时,可以将刀具切削力调节到与最优控制方案或预设控制方案相匹配的刀具切削力。
若刀具角度异常,则判断所述刀具切割角度与所述预设刀具角度阈值之间的角度差值是否大于预设角度停止阈值;若角度差值大于预设角度停止阈值,则确定刀具角度异常的异常等级为重要异常,并控制数控机床停止加工,若刀具角度异常小于或等于预设角度停止阈值,则确定刀具角度异常的异常等级为一般异常,调整所述数控机床的刀具角度以控制所述刀具角度满足所述数控机床的刀具角度切割条件;其中,刀具角度切割条件表征为数控机床在进行产品加工时的刀具的正常加工角度,刀具角度切割条件可以基于实际情况设置并存储在数字孪生系统中,在调节刀具切割角度时,可以将刀具角度调节到与最优控制方案或预设控制方案相匹配的刀具角度。
若刀具切割速度异常,则判断所述刀具切割速度与所述预设刀具切割速度阈值之间的速度差值是否大于预设速度停止阈值;若速度差值大于预设速度停止阈值,则确定刀具切割速度异常的异常等级为重要异常,并控制数控机床停止加工,若刀具切割速度异常小于或等于预设速度停止阈值,则确定刀具切割速度异常的异常等级为一般异常,调整所述数控机床中刀具切割速度以控制所述刀具切割速度满足所述数控机床的刀具速度条件;其中,刀具速度条件表征为数控机床在进行产品加工时的刀具的正常加工速度,刀具速度条件可以基于实际情况设置并存储在数字孪生系统中,在调节刀具切割速度时,可以将刀具切割速度调节到与最优控制方案或预设控制方案相匹配的刀具切割速度。
本申请实施例通过对异常的刀头温度、刀具切削力、刀具角度以及刀具切割速度进行调节,使得刀头温度、刀具切削力、刀具角度以及刀具切割速度尽量与最优控制方案或预设控制方案相匹配,从而实现及时在数控机床的融合数据异常的情况下,也能实现对数控机床的调节,从而保证数控机床的加工精度,当数控机床的融合数据中任一数据的异常等级为重要等级时就控制数控机床停止加工,避免因数控机床故障,影响产品的加工精度。
实施例二
进一步地,参照图2,基于本申请上述实施例,在本申请另一实施例中,与上述实施例相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,所述在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案的步骤包括:
步骤A10,将所述融合数据和所述预测波动范围输入到作业预测模型,以供所述作业预测模型在所述预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹;
步骤A20,对于任一所述作业轨迹的作业数据,将所述作业数据输入作业决策模型,对所述作业数据进行质量评估得到作业质量值;
步骤A30,在预测的所有所述作业数据中选择所述作业质量值最高的所述作业数据的所述作业轨迹作为所述数控机床的最优控制方案。
需要说明的是,作业预测模型和作业决策模型共同组成了双层网络架构模型,在作业预测模型预测了数控机床在下一时间步的多个作业轨迹后,会由作业决策模型对多个作业轨迹的作业数据进行评分,从而确定作业数据的作业质量值。其中,作业轨迹是指数控机床在加工产品时刀具的速度、方向以及切削深度。作业质量值包括作业损耗值以及加工精度值,作业损耗值表征为加工时数控机床的损耗程度,加工精度值表征为产品在本次加工的加工精度。作业数据包括:刀具磨损程度、刀具切割力度以及产品关键尺寸误差。产品关键尺寸误差表征为数控机床加工的产品的关键部位的切割状态与预设切割状态之间的差别,刀具磨损程度表征为数控机床刀具的磨损情况,刀具切割力度表征为数控机床在切割产品时的切割力度。其中,双层网络架构模型可以是Actor-Critic(推演评估)架构模型,作业预测模型可以是Actor模型,作业决策模型可以是Critic模型。
作为一种示例,步骤A10至步骤A30包括:将所述融合数据和预测波动范围输入到所述作业预测模型,对所述融合数据进行还原,得到所述温度数据、压力数据、位姿数据以及声发射数据,从而根据所述温度数据确定刀头温度,根据压力数据确定刀头切削力,根据位姿数据确定刀具切割方向,根据声发射数据确定刀具切割速度;根据预测波动范围、刀头温度、刀头切削力、刀具切割速度以及刀具切割方向,在预测波动范围内,确定刀头切削力、刀具切割速度以及刀具切割方向之间的多个参数组合,从而确定数控机床在下一时间步的多个作业轨迹,参数组合是指的在预测波动范围内,不同刀头切削力以及不同刀具切割方向之间的组合,参数组合包括刀头温度、刀具切割速度、刀头切削力以及刀具切割方向,其中,参数组合中的刀头温度为数控机床当前的刀头温度,在预测数控机床下一时间步的作业轨迹时,可以在不调节刀头温度的情况下进行预测,减少对到欧温度的调节,进而提高数控机床的调节效率。进而将任一作业数据输入到作业决策模型,对作业数据进行质量评估得到作业质量值,在预测的所有所述作业数据中选择所述作业质量值最高的所述作业数据的所述作业轨迹作为所述数控机床的最优控制方案。
示例性的,作业预测模型的训练过程为:确定预测模型样本集,样本集包括多个样本组合,样本组合包括刀头温度样本、刀头切削力样本、刀具切割方向样本以及刀具切割速度样本,再确定预测标签集,预测标签集包括标签组合,标签组合包括刀具磨损标签、刀具力度标签以及尺寸误差标签;确定一个待训练模型,将样本组合输入待训练模型,待训练模型输出刀具磨损程度、刀具切割力度以及产品尺寸误差,计算刀具磨损程度与刀具磨损标签之间的第一训练距离,计算刀具切割力度和刀具力度标签之间的第二训练距离,计算产品尺寸误差和尺寸误差标签之间的第二训练距离,若第一训练距离、第二训练距离以及第三训练距离小于预设损失阈值,则将待训练模型作为作业预测模型,若第一训练距离、第二训练距离,和/或,第三训练距离大于或等于预设损失阈值,则继续向待训练模型中输入样本组合进行训练,直至第一训练距离、第二训练距离以及第三训练距离小于预设损失阈值。
本申请实施例通过预测数控机床在下一时间步的多种作业轨迹,从而对多个作业轨迹的作业质量进行评估得到作业质量值,从而根据作业质量值在所设作业轨迹中选择作业质量值最高的作业最优控制方案,从而便于在提高数控机床加工精度的条件下,对数控机床进行灵活调整。
其中,所述对于任一所述作业轨迹的作业数据,将所述作业数据输入作业决策模型,对所述作业数据进行质量评估得到作业质量值的步骤包括:
步骤B10,将所述作业数据输入所述作业决策模型,对所述数控机床的作业损耗程度进行评估,得到作业损耗值;
步骤B20,对所述数控机床加工的产品进行加工精度评估,得到加工精度值;
步骤B30,将所述作业损耗值和所述加工精度值共同作为所述作业质量值。
需要说明的是,作业数据包括:刀具磨损程度、刀具切割力度以及产品关键尺寸误差。将作业数据输入作业决策模型后,可以对数控机床的作业损耗程度和产品的加工精度进行评估。示例性的,将所述作业数据输入到作业决策模型;根据作业数据中的刀具磨损程度评估所述数控机床的作业损耗程度,具体的,将所述刀具磨损程度进行数值化处理得到作业损耗值;根据所述刀具切割力度和产品关键尺寸误差评估产品的加工精度,具体的,对刀具切割力度和产品关键尺寸误差进行数值化处理,得到切割力度值和产品关键尺寸误差值,并根据预设权重对切割力度值和产品关键尺寸误差值进行加权求和,得到加工精度值,将加工精度值和作业损耗值共同作为作业质量值。
本申请实施例通过作业决策模型对作业质量值进行计算,从而可以得到各个作业数据对应的作业质量值,从而可以在各作业数据中选择作业质量值最高的作业数据对应的作业轨迹作为数控机床的最优控制方案,从而可以提高数控机床的加工精度,通过数字孪生系统可以灵活调整数控机床的加工精度。
其中,所述根据所述最优控制方案确定所述数控机床在下一时间步的作业轨迹的步骤包括:
步骤C10,判断所述最优控制方案与预设控制方案之间的参数差值是否小于预设调整阈值;
步骤C20,若所述最优控制方案与所述预设控制方案之间的所述参数差值大于或等于所述预设调整阈值,则确定所述最优控制方案与所述预设控制方案相匹配,并按照所述预设控制方案控制所述数控机床进行加工;
步骤C30,若所述最优控制方案与所述预设控制方案之间的所述参数差值小于所述预设调整阈值,则确定所述最优控制方案与所述预设控制方案不匹配,并按照所述最优控制方案控制所述数控机床进行加工。
需要说明的是,数控机床会有既定的预设控制方案加工,当预测得到的最优控制方案与预设控制方案相同或最优控制方案与预设控制方案之间的差别小于预设调整阈值,则数控机床可以按照预设控制方案继续对产品进行加工,预设调整阈值为需要调整数控机床的作业轨迹的最小参数差值,其中参数差值是最优控制方案与预设控制方案之间的差值,具体的,参数差值为最优控制方案与预设控制方案之间刀具速度差值、刀具角度差值以及刀具切削深度差值。
在按照所述最优控制方案控制所述数控机床进行加工的步骤之后包括:在数字孪生系统中,基于最优控制方案对所述数控机床进行模拟,若在模拟过程中检测到最优控制方案未出错,则控制数控机床按照最优控制方案进行加工。若模拟过程中检测到最优控制方案出错,则按照预设控制方案控制所述数控机床进行加工,在数字孪生系统中判定所述最优控制方案是否模拟出错的步骤为,若数控机床加工的产品的产品关键尺寸误差大于预设产品误差,则确定所述最优控制方案出错,若数控机床加工的产品的产品尺寸误差小于或等于预设产品误差,则确定所述最优控制方案未出错。预设产品误差可以基于实际情况确定。
作为一种示例,步骤C10至步骤C30包括:判断最优控制方案是否与预设控制方案相匹配;若所述最优控制方案与预设控制方案之间的参数差值大于或等于预设调整阈值,则确定所述最优控制方案与预设控制方案相匹配,并按照预设控制方案控制数控机床进行加工;若所述最优控制方案与预设控制方案之间的参数差值小于预设调整阈值,则确定所述最优控制方案与预设控制方案不匹配,按照最优控制方案控制数控机床进行加工。
本申请实施例通过判断最优控制方案是否与预设控制方案相匹配,进而在预设控制方案与最优控制方案相匹配的情况下直接按照预设控制方案控制数控机床进行加工,进而在保证加工精度的情况下,减少了对数控机床的控制方案的调整次数,提高了确定数控机床的控制方案的效率。
为更好理解本申请,参照图3,图3为基于数字孪生系统的数控机床的调整流程示意图。图3中的数控机床为真实的数控机床,根据数控机床的三维图纸构建所述数控机床的数字孪生系统,在数控机床以及数控机床的作业环境中设置多源传感器,多源传感器包括温度传感器、压力传感器、视觉传感器以及声发射传感器,多源传感器采集数控机床在工作时的参数,温度传感器采集温度数据,压力传感器采集压力数据,视觉传感器采集位姿数据,声发射传感器采集声发射数据,将温度数据、压力数据、位姿数据以及声发射数据进行数据融合,也即将温度数据、压力数据、位姿数据以及声发射数据输入双层融合模型中进行数据融合,得到融合数据,将融合数据输入数字孪生系统,数字孪生系统会基于融合数据模拟数控机床的工作状态,再预测数控机床的最优控制方案,当确定了最优控制方案后,若最优控制方案与预设控制方案不匹配,则在数字孪生系统中控制数控机床按照最优控制方案进行加工以模拟数控机床的工作状态,当在数字孪生系统中进行模拟之后,若在模拟过程中检测到最优控制方案可行,则控制数控机床按照最优控制方案进行加工。
实施例三
参照图4,本申请实施例还提供一种数控机床加工装置,所述数控机床加工装置包括:
融合处理模块10,用于获取数控机床的多源传感器数据,关联融合所述多源传感器数据以得到所述数控机床的融合数据,其中,所述多源传感器数据包括温度数据、位姿数据、压力数据以及声发射数据;
预测模块20,用于若所述数控机床的数字孪生系统中未存储有所述融合数据对应的最优控制方案,则在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案;
作业轨迹确定模块30,用于根据所述最优控制方案在所述数字孪生系统中模拟所述数控机床的工作状态以确定所述数控机床在下一时间步的作业方案。
可选的,所述融合处理模块10还用于:
将所述多源传感器数据输入双层融合模型,以供所述双层融合模型在对所述温度数据进行特征提取得到温度特征、对所述压力数据进行特征提取得到压力特征、对所述位姿数据进行特征提取得到位姿特征以及对声发射数据提取得到声发射特征后;
关联融合所述温度特征、所述压力特征、所述位姿特征以及所述声发射特征以得到所述数控机床的融合数据。
可选的,所述预测模块20还用于:
将所述融合数据输入到所述数字孪生系统中以判断所述融合数据是否异常;
若所述融合数据不满足作业约束条件,则确定所述融合数据异常,并输出数据异常信息以调整所述数控机床;
若所述融合数据满足所述作业约束条件,则确定所述融合数据正常,并判断所述数控机床的数字孪生系统中是否存储有所述融合数据对应的最优控制方案。
可选的,所述预测模块20还用于:
若所述数据异常信息中包括刀头温度异常,则根据刀头温度的异常等级调整所述数控机床的作业温度以控制所述刀头温度满足所述数控机床的加工温度条件;
若所述数据异常信息中包括刀具切削力异常,则根据刀具切削力的异常等级调整所述数控机床中刀具切削力以控制所述刀具切削力满足所述数控机床的产品加工条件;
若所述数据异常信息中包括刀具角度异常,则根据刀具角度的异常等级调整所述数控机床的刀具角度以控制所述刀具角度满足所述数控机床的刀具角度切割条件;
若所述数据异常信息中包括刀具切割速度异常,则基于刀具切割速度的异常等级调整所述刀具切割速度以控制所述刀具切割速度满足所述数控机床的刀具速度条件。
可选的,所述预测模块20还用于:
将所述融合数据和所述预测波动范围输入到作业预测模型,以供所述预测模型在所述预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹的作业数据;
对于任一所述作业数据,将所述作业数据输入作业决策模型,对所述作业数据进行质量评估得到作业质量值;
在预测的所有所述作业数据中选择所述作业质量值最高的所述作业数据的所述作业轨迹作为所述数控机床的最优控制方案。
可选的,所述预测模块20还用于:
将所述作业数据输入所述作业决策模型,对所述数控机床的作业损耗程度进行评估,得到作业损耗值;
对所述数控机床加工的产品进行加工精度评估,得到加工精度值;
将所述作业损耗值和所述加工精度值共同作为所述作业质量值。
可选的,所述作业轨迹确定模块30还用于:
判断所述最优控制方案是否与预设控制方案相匹配;
若所述最优控制方案与所述预设控制方案之间的参数差值大于或等于预设调整阈值,则确定所述最优控制方案与所述预设控制方案相匹配,并按照所述预设控制方案控制所述数控机床进行加工;
若所述最优控制方案与所述预设控制方案之间的参数差值小于所述预设调整阈值,则确定所述最优控制方案与预设控制方案不匹配,并按照所述最优控制方案控制所述数控机床进行加工。
本申请提供的数控机床加工装置,采用上述实施例中的数控机床加工方法,旨在解决在数字孪生场景中数控机床的数据量多且复杂导致的难以在提高数控机床加工精度的情况下,灵活调整数控机床的工作状态的技术问题。与现有技术相比,本申请实施例提供的数控机床加工方法的有益效果与上述实施例提供的数控机床加工方法的有益效果相同,且该数控机床加工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
本申请实施例提供一种电子设备,所述电子设备可以为播放设备,电子设备包括: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中的数控机床加工方法。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(personal digital assistant,个人数字助理)、PAD(portable Android device,平板电脑)、PMP(Portable Media Player,便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,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,电子设备可以包括处理装置1001(例如中央处理器、图形处理器等),其可以根据存储在ROM(Read-Only Memory,只读存储器)1002中的程序或者从存储装置1003加载到RAM(Random Access Memory,随机访问存储器)1004中的程序而执行各种适当的动作和处理。在RAM1004中,还存储有电子设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口1006也连接至总线。
通常,以下系统可以连接至I/O接口1006:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加转速计、陀螺仪等的输入装置1007;包括例如LCD(Liquid CrystalDisplay,液晶显示器)、扬声器、振动器等的输出装置1008;包括例如磁带、硬盘等的存储装置1003;以及通信装置1009。通信装置可以允许电子设备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电子设备,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系统从网络上被下载和安装,或者从存储系统被安装,或者从ROM被安装。在该计算机程序被处理系统执行时,执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备,采用上述实施例一中的数控机床加工方法旨在解决在数字孪生场景中数控机床的数据量多且复杂导致的难以在提高数控机床加工精度的情况下,灵活调整数控机床的工作状态的技术问题。与现有技术相比,本申请实施例提供的产品流量数据分配的有益效果与上述实施例提供的数控机床加工方法的有益效果相同,且该数控机床加工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。
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,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
实施例五
本实施例提供一种可读存储介质,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一中的数控机床加工方法。
本申请实施例提供的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、或半导体的设备、设备或器件,或者任意以上的组合。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EPROM(Electrical Programmable Read OnlyMemory,只读存储器)或闪存、光纤、便携式紧凑磁盘CD-ROM(compact disc read-onlymemory,只读存储器)、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,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设备、设备或者器件使用或者与其结合使用。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(RadioFrequency,射频)等等,或者上述的任意合适的组合。
上述可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述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电子设备执行时,使得电子设备:获取数控机床的多源传感器数据,关联融合所述多源传感器数据以得到所述数控机床的融合数据,其中,所述多源传感器数据包括温度数据、位姿数据、压力数据以及声发射数据;若所述数控机床的数字孪生系统中未存储有所述融合数据对应的最优控制方案,则在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案;根据所述最优控制方案在所述数字孪生系统中模拟所述数控机床的工作状态以确定所述数控机床在下一时间步的作业方案。
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LAN(localarea network,局域网)或WAN(Wide Area Network,广域网)—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,图示了按照本申请各种实施例的设备、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设备来实现,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。
本申请提供的可读存储介质,存储有用于执行上述数控机床加工方法的计算机可读程序指令,旨在解决在数字孪生场景中数控机床的数据量多且复杂导致的难以在提高数控机床加工精度的情况下,灵活调整数控机床的工作状态的技术问题。与现有技术相比,本申请实施例提供的可读存储介质的有益效果与上述实施例提供的数控机床加工方法的有益效果相同,在此不做赘述。
实施例六
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机床加工方法的步骤。
本申请提供的计算机程序产品旨在解决在数字孪生场景中数控机床的数据量多且复杂导致的难以在提高数控机床加工精度的情况下,灵活调整数控机床的工作状态的技术问题。与现有技术相比,本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的数控机床加工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)
1.一种数控机床加工方法,其特征在于,所述数控机床加工方法包括:
获取数控机床的多源传感器数据,关联融合所述多源传感器数据以得到所述数控机床的融合数据,其中,所述多源传感器数据包括温度数据、位姿数据、压力数据以及声发射数据;
若所述数控机床的数字孪生系统中未存储有所述融合数据对应的最优控制方案,则在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案;
根据所述最优控制方案在所述数字孪生系统中模拟所述数控机床的工作状态以确定所述数控机床在下一时间步的作业方案。
2.如权利要求1所述的数控机床加工方法,其特征在于,所述关联融合所述多源传感器数据以得到所述数控机床的融合数据的步骤包括:
将所述多源传感器数据输入双层融合模型,以供所述双层融合模型在对所述温度数据进行特征提取得到温度特征、对所述压力数据进行特征提取得到压力特征、对所述位姿数据进行特征提取得到位姿特征以及对声发射数据提取得到声发射特征后;
关联融合所述温度特征、所述压力特征、所述位姿特征以及所述声发射特征以得到所述数控机床的融合数据。
3.如权利要求1所述的数控机床加工方法,其特征在于,所述若所述数控机床的数字孪生系统中未存储有所述融合数据对应的最优控制方案,则在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案的步骤之前,所述数控机床加工方法还包括:
将所述融合数据输入到所述数字孪生系统中以判断所述融合数据是否满足作业约束条件;
若所述融合数据不满足所述作业约束条件,则确定所述融合数据异常,并输出数据异常信息以调整所述数控机床;
若所述融合数据满足所述作业约束条件,则确定所述融合数据正常,并判断所述数控机床的数字孪生系统中是否存储有所述融合数据对应的最优控制方案。
4.如权利要求3所述的数控机床加工方法,其特征在于,所述输出数据异常信息以调整所述数控机床步骤包括:
若所述数据异常信息中包括刀头温度异常,则根据刀头温度的异常等级调整所述数控机床的作业温度以控制所述刀头温度满足所述数控机床的加工温度条件;
若所述数据异常信息中包括刀具切削力异常,则根据刀具切削力的异常等级调整所述数控机床中刀具切削力以控制所述刀具切削力满足所述数控机床的产品加工条件;
若所述数据异常信息中包括刀具角度异常,则根据刀具角度的异常等级调整所述数控机床的刀具角度以控制所述刀具角度满足所述数控机床的刀具角度切割条件;
若所述数据异常信息中包括刀具切割速度异常,则基于刀具切割速度的异常等级调整所述刀具切割速度以控制所述刀具切割速度满足所述数控机床的刀具速度条件。
5.如权利要求1所述的数控机床加工方法,其特征在于,所述在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案的步骤包括:
将所述融合数据和所述预测波动范围输入到作业预测模型,以供所述作业预测模型在所述预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹;
对于任一所述作业轨迹的作业数据,将所述作业数据输入作业决策模型,对所述作业数据进行质量评估得到作业质量值;
在预测的所有所述作业数据中选择作业质量值最高的所述作业数据的所述作业轨迹作为所述数控机床的最优控制方案。
6.如权利要求5所述的数控机床加工方法,其特征在于,所述对于任一所述作业轨迹的作业数据,将所述作业数据输入作业决策模型,对所述作业数据进行质量评估得到作业质量值的步骤包括:
将所述作业数据输入所述作业决策模型,对所述数控机床的作业损耗程度进行评估,得到作业损耗值;
对所述数控机床加工的产品进行加工精度评估,得到加工精度值;
将所述作业损耗值和所述加工精度值共同作为所述作业质量值。
7.如权利要求1所述的数控机床加工方法,其特征在于,所述根据所述最优控制方案确定所述数控机床在下一时间步的作业轨迹的步骤包括:
判断所述最优控制方案与预设控制方案之间的参数差值是否小于预设调整阈值;
若所述最优控制方案与所述预设控制方案之间的所述参数差值大于或等于所述预设调整阈值,则确定所述最优控制方案与所述预设控制方案相匹配,并按照所述预设控制方案控制所述数控机床进行加工;
若所述最优控制方案与所述预设控制方案之间的所述参数差值小于所述预设调整阈值,则确定所述最优控制方案与所述预设控制方案不匹配,并按照所述最优控制方案控制所述数控机床进行加工。
8.一种数控机床加工装置,其特征在于,所述数控机床加工装置包括:
融合处理模块,用于获取数控机床的多源传感器数据,关联融合所述多源传感器数据以得到所述数控机床的融合数据,其中,所述多源传感器数据包括温度数据、位姿数据、压力数据以及声发射数据;
预测模块,用于若所述数控机床的数字孪生系统中未存储有所述融合数据对应的最优控制方案,则在预测波动范围内,基于所述融合数据预测所述数控机床在下一时间步的多个作业轨迹,并对预测的所有所述作业轨迹进行作业质量评估以确定数控机床在下一时间步的最优控制方案;
作业轨迹确定模块,用于根据所述最优控制方案在所述数字孪生系统中模拟所述数控机床的工作状态以确定所述数控机床在下一时间步的作业方案。
9.一种电子设备,其特征在于,所述电子设备包括:
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中任一项所述数控机床加工方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有实现数控机床加工方法的程序,所述实现数控机床加工方法的程序被处理器执行以实现如权利要求1至7中任一项所述数控机床加工方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077761.2A CN116776289B (zh) | 2023-08-25 | 2023-08-25 | 数控机床加工方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077761.2A CN116776289B (zh) | 2023-08-25 | 2023-08-25 | 数控机床加工方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116776289A true CN116776289A (zh) | 2023-09-19 |
CN116776289B CN116776289B (zh) | 2023-11-17 |
Family
ID=87989959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311077761.2A Active CN116776289B (zh) | 2023-08-25 | 2023-08-25 | 数控机床加工方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776289B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117075537A (zh) * | 2023-10-16 | 2023-11-17 | 季华实验室 | 车床监控方法、系统、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
CN113344244A (zh) * | 2021-04-29 | 2021-09-03 | 武汉科技大学 | 一种数字孪生驱动的工件加工能耗预测装置 |
CN114758064A (zh) * | 2022-03-21 | 2022-07-15 | 重庆邮电大学 | 一种基于数字孪生的机床切削工艺参数优化方法 |
US20220404817A1 (en) * | 2021-06-17 | 2022-12-22 | On-Time.Ai, Inc. | Processes for controlling operation of machine tools |
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 |
US20230022733A1 (en) * | 2021-07-20 | 2023-01-26 | International Business Machines Corporation | Self-learning manufacturing using digital twins |
CN116150897A (zh) * | 2022-11-10 | 2023-05-23 | 北京机床研究所有限公司 | 一种基于数字孪生的机床主轴性能测评方法及系统 |
CN116300691A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市正和楚基科技有限公司 | 一种多轴联动数控加工的状态监测方法及系统 |
-
2023
- 2023-08-25 CN CN202311077761.2A patent/CN116776289B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
CN113344244A (zh) * | 2021-04-29 | 2021-09-03 | 武汉科技大学 | 一种数字孪生驱动的工件加工能耗预测装置 |
US20220404817A1 (en) * | 2021-06-17 | 2022-12-22 | On-Time.Ai, Inc. | Processes for controlling operation of machine tools |
US20230022733A1 (en) * | 2021-07-20 | 2023-01-26 | International Business Machines Corporation | Self-learning manufacturing using digital twins |
CN114758064A (zh) * | 2022-03-21 | 2022-07-15 | 重庆邮电大学 | 一种基于数字孪生的机床切削工艺参数优化方法 |
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 |
CN116150897A (zh) * | 2022-11-10 | 2023-05-23 | 北京机床研究所有限公司 | 一种基于数字孪生的机床主轴性能测评方法及系统 |
CN116300691A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市正和楚基科技有限公司 | 一种多轴联动数控加工的状态监测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117075537A (zh) * | 2023-10-16 | 2023-11-17 | 季华实验室 | 车床监控方法、系统、电子设备及存储介质 |
CN117075537B (zh) * | 2023-10-16 | 2024-02-13 | 季华实验室 | 车床监控方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116776289B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10782668B2 (en) | Development of control applications in augmented reality environment | |
Chen et al. | Toward intelligent machine tool | |
US9811074B1 (en) | Optimization of robot control programs in physics-based simulated environment | |
Kadir et al. | Towards high-fidelity machining simulation | |
CN109522673B (zh) | 一种测试方法、装置、设备和存储介质 | |
CN116776289B (zh) | 数控机床加工方法、装置、电子设备及可读存储介质 | |
US20190240804A1 (en) | Polishing tool wear amount prediction device, machine learning device, and system | |
CN116277040B (zh) | 基于深度学习的机械臂振动抑制方法、装置、设备及介质 | |
CN102257448B (zh) | 使用切换模型对信号进行滤波的方法和设备 | |
Runji et al. | Systematic literature review on augmented reality-based maintenance applications in manufacturing centered on operator needs | |
WO2021241315A1 (ja) | 診断装置、サーバ、及び診断方法 | |
CN115769235A (zh) | 提供与训练函数的准确度有关的警报的方法和系统 | |
CN114800486B (zh) | 一种基于统计特征的工业机器人故障诊断方法及系统 | |
EP4038557A1 (en) | Method and system for continuous estimation and representation of risk | |
KR20150041590A (ko) | 동적 워크플로우 우선순위 선정 및 작업 수행을 위한 방법들 및 시스템들 | |
Kibira et al. | Buiding a digital twin for robot workcell prognostics and health management | |
CN115488864B (zh) | 机器人示教轨迹优化方法、装置、电子设备及存储介质 | |
CN115034147B (zh) | 一种基于数字孪生的智能制造系统 | |
CN117102950B (zh) | 故障分析方法、装置、电子设备及计算机可读存储介质 | |
JP2021086218A (ja) | 協調作業システム、解析装置および解析プログラム | |
Monek et al. | DES and IIoT fusion approach towards real-time synchronization of physical and digital components in manufacturing processes | |
Aschenbrenner | Human Robot Interaction Concepts for Human Supervisory Control and Telemaintenance Applications in an Industry 4.0 Environment | |
EP4102394A1 (en) | Simulation device, simulation method, and simulation program | |
US20220395979A1 (en) | Automated safety assessment for robot motion planning | |
CN114055516B (zh) | 一种故障诊断和维保的方法、系统、设备及存储介质 |
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 |