CN117047556A - 一种数控机床的优化加工控制方法及系统 - Google Patents
一种数控机床的优化加工控制方法及系统 Download PDFInfo
- Publication number
- CN117047556A CN117047556A CN202311321505.3A CN202311321505A CN117047556A CN 117047556 A CN117047556 A CN 117047556A CN 202311321505 A CN202311321505 A CN 202311321505A CN 117047556 A CN117047556 A CN 117047556A
- Authority
- CN
- China
- Prior art keywords
- processing
- machining
- workpiece
- control
- parameter
- 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
- 238000003754 machining Methods 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 394
- 238000005457 optimization Methods 0.000 claims abstract description 79
- 239000000463 material Substances 0.000 claims abstract description 32
- 230000003213 activating effect Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 65
- 238000004088 simulation Methods 0.000 claims description 45
- 238000007514 turning Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 21
- 238000004886 process control Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005520 cutting process Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- -1 surface treatment Substances 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
- B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
- B23Q15/013—Control or regulation of feed movement
- B23Q15/02—Control or regulation of feed movement according to the instantaneous size and the required size of the workpiece acted upon
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种数控机床的优化加工控制方法及系统,属于智能控制领域,其中方法包括:当预设工件输送至预设区域时,通过物料小车移动机械手至预设区域上方,激活机械手抓取预设工件,输送至加工台;激活云计算中心,接收初始尺寸特征、初始结构特征和工件型号特征;根据工件型号特征,激活加工台数字孪生模型,对加工参数进行优化,生成第一加工参数优化结果;加载预设时区加工日志进行控制扰动分析,生成加工参数扰动系数,对第一加工参数优化结果进行修正,生成第二加工参数优化结果以进行加工台的加工控制。本申请解决了现有数控机床加工控制精度不足、效率低下的技术问题,达到了提高数控机床加工控制精度和效率的技术效果。
Description
技术领域
本发明涉及智能控制领域,具体涉及一种数控机床的优化加工控制方法及系统。
背景技术
数控机床广泛应用于机械制造领域,其加工质量和效率的高低直接影响产品质量和生产效率。数控机床加工通常需要多个工序,包括车削、铣削、钻孔等,但常规的加工方法存在加工效率低下等问题。为了解决上述问题,专利CN106001614B公开了枪瞄镜身零件柔性加工单元的加工工序,通过将枪瞄镜身零件放置在加工工作台上,采用柔性加工控制单元控制加工工作台的运动和加工工具的运动,改变加工工序分散的局面,实现对零件进行多个工序的加工,提高加工效率。然而,枪瞄镜身零件的柔性加工仍存在一些问题,如加工过程中容易产生振动、加工参数难以精确控制等。因此,需要进一步改进和创新加工工序,以提高枪瞄镜身零件柔性加工的精度和效率,并解决现有技术中存在的问题。
发明内容
本申请通过提供了一种数控机床的优化加工控制方法及系统,旨在解决现有数控机床加工控制精度不足、效率低下的技术问题。
鉴于上述问题,本申请提供了一种数控机床的优化加工控制方法及系统。
本申请公开的第一个方面,提供了一种数控机床的优化加工控制方法,该方法包括:当预设工件输送至预设区域时,通过物料小车移动机械手至预设区域上方,激活机械手抓取预设工件,输送至第N加工台,其中,机械手安装于物料小车上,第N加工台属于第一加工台或第二加工台或第三加工台;激活云计算中心,接收用户端上传的预设工件的初始尺寸特征、初始结构特征和工件型号特征;根据工件型号特征,激活内嵌于云计算中心的第N加工台数字孪生模型,基于初始尺寸特征和初始结构特征对第N加工台的加工参数进行优化,生成第一加工参数优化结果;加载第N加工台的预设时区加工日志进行控制扰动分析,生成加工参数扰动系数,对第一加工参数优化结果进行修正,生成第二加工参数优化结果;根据第二加工参数优化结果进行第N加工台的加工控制。
本申请公开的另一个方面,提供了一种数控机床的优化加工控制系统,该系统包括:预设工件输送模块,用于当预设工件输送至预设区域时,通过物料小车移动机械手至预设区域上方,激活机械手抓取预设工件,输送至第N加工台,其中,机械手安装于物料小车上,第N加工台属于第一加工台或第二加工台或第三加工台;上传特征接收模块,用于激活云计算中心,接收用户端上传的预设工件的初始尺寸特征、初始结构特征和工件型号特征;第一加工优化模块,用于根据工件型号特征,激活内嵌于云计算中心的第N加工台数字孪生模型,基于初始尺寸特征和初始结构特征对第N加工台的加工参数进行优化,生成第一加工参数优化结果;第二加工优化模块,用于加载第N加工台的预设时区加工日志进行控制扰动分析,生成加工参数扰动系数,对第一加工参数优化结果进行修正,生成第二加工参数优化结果;加工台控制模块,用于根据第二加工参数优化结果进行第N加工台的加工控制。
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:
由于采用了在预设区域将物料小车移动机械手至上方,机械手抓取预设工件并输送至第N加工台;激活云计算中心,接收用户端上传的预设工件的尺寸特征、结构特征和工件型号特征;根据工件型号特征,激活内嵌于云计算中心的第N加工台数字孪生模型,通过优化初始尺寸和结构特征,生成第一加工参数优化结果;加载第N加工台的预设时区加工日志进行控制扰动分析,生成加工参数扰动系数,修正第一加工参数优化结果,生成第二加工参数优化结果;根据第二加工参数优化结果进行第N加工台的加工控制的技术方案,解决了现有数控机床加工控制精度不足、效率低下的技术问题,达到了提高数控机床加工控制精度和效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种数控机床的优化加工控制方法可能的流程示意图;
图2为本申请实施例提供了一种数控机床的优化加工控制方法中生成第二加工参数优化结果可能的流程示意图;
图3为本申请实施例提供了一种数控机床的优化加工控制系统可能的结构示意图。
附图标记说明:预设工件输送模块11,上传特征接收模块12,第一加工优化模块13,第二加工优化模块14,加工台控制模块15。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种数控机床的优化加工控制方法及系统。首先,当预设工件输送至预设区域时,通过激活机械手将工件输送至第N加工台进行加工。然后,激活云计算中心,接收用户端上传的预设工件的初始尺寸特征、初始结构特征和工件型号特征。接着,根据工件型号特征,激活数字孪生模型,基于初始特征对第N加工台的加工参数进行优化计算,生成第一加工参数优化结果。为进一步提高加工精度,加载第N加工台的历史加工日志进行控制扰动分析,生成加工参数扰动系数,对第一加工参数优化结果进行修正,生成第二加工参数优化结果。最后,根据第二加工参数优化结果进行第N加工台的加工控制,实现对工件的加工。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种数控机床的优化加工控制方法,该方法应用于枪瞄镜身零件加工机床,枪瞄镜身零件加工机床包括物料小车、机械手、第一加工台,第二加工台、第三加工台;枪瞄镜身零件加工机床还包括一部署于边缘计算节点的数控机床的优化加工控制系统,系统包括云计算中心和用户端。
具体而言,本申请实施例提供一种数控机床的优化加工控制方法,应用于枪瞄镜身零件的加工。其中,枪瞄镜身零件加工机床是进行枪瞄镜身零件加工的专用机床,该机床包括物料小车、机械手、第一加工台、第二加工台和第三加工台。其中,物料小车是在机床内部用来运送工件的移动装置;机械手是安装在物料小车上,用来抓取和放置工件的机械装置;第一加工台、第二加工台和第三加工台是进行工件加工的不同加工位。
另外,该机床还包括一个部署于边缘计算节点的数控机床优化加工控制系统。其中,边缘计算节点是指靠近数据源头的网络边缘位置。该控制系统由云计算中心和用户端组成。云计算中心具有强大的计算和存储能力,用于优化计算;用户端是操作人员交互的界面。
本申请实施例的优化加工控制方法应用于上述枪瞄镜身零件专用加工机床。通过数字孪生和智能算法等技术手段,实时监测和调节机床加工参数,实现加工质量的智能化优化控制。
优化加工控制方法包括:
当预设工件输送至预设区域时,通过物料小车移动机械手至所述预设区域上方,激活所述机械手抓取所述预设工件,输送至第N加工台,其中,所述机械手安装于所述物料小车上,所述第N加工台属于所述第一加工台或所述第二加工台或所述第三加工台;
在本申请实施例中,当预设工件输送至预设区域时,物料小车会移动至预设区域上方。其中,预设工件是指需要进行加工的工件,预设区域是指机床内部用于放置待加工工件的指定位置;物料小车上安装有机械手。在物料小车路径方向上,在预设区域上方位置设置限位开关,物料小车依靠位置编码器统计移动距离,当移动到限位开关附近时开始减速。当物料小车触发限位开关,控制系统确认已经到达预设区域上方指定位置,此时机械手已经到达预设区域正上方,准确对位,可以直接下降抓取工件。然后,控制系统会发出指令,激活安装在物料小车上的机械手,机械手收到控制系统的抓取指令后,带动机械手的抓取组件向下移动。通过伺服电机带动抓手闭合,精确抓取放置在预设区域的工件。抓取完成后,机械手将预设工件自动输送至第N加工台。此处的第N加工台是指第一加工台、第二加工台或第三加工台中的一台。机床根据工件加工需求,选择不同的加工台进行加工。
激活云计算中心,接收用户端上传的所述预设工件的初始尺寸特征、初始结构特征和工件型号特征;
在本申请实施例中,用户登录数控机床优化加工控制系统,使云计算中心进入工作状态,即激活云计算中心。在将预设工件放置于加工台后,接收操作人员在用户端上传预设工件的相关特征信息,包括预设工件的初始尺寸特征、初始结构特征和工件型号特征。其中,初始尺寸特征是指预设工件的原始尺寸参数,如长宽高等尺寸;初始结构特征是指预设工件的原材质、表面处理、孔位分布等结构信息;工件型号特征则包含此预设工件的名称、型号规格等信息。这些信息通过用户手动输入,或从产品数据库中调取。
上传预设工件的相关特征信息后,用户端以标准格式打包这些数据,并发送至云计算中心。该云计算中心由多台网络服务器集群组成,拥有数据存储和计算处理能力。云计算中心收到信息后,自动激活相应的程序对数据进行接收和记录。如将各特征信息注册到关系型数据库或文档数据库等。同时进行必要的数据校验,确保接收到的工件信息完整有效,存储完成后,云计算中心返回确认消息给用户端,完成一次工件信息的接收和存储,为后续加工参数优化提供基础数据的必要步骤。
根据所述工件型号特征,激活内嵌于所述云计算中心的第N加工台数字孪生模型,基于所述初始尺寸特征和所述初始结构特征对所述第N加工台的加工参数进行优化,生成第一加工参数优化结果;
在本申请实施例中,数字孪生模型是使用数字技术建立起来的与实体相对应的虚拟模型,内嵌于云计算中心,与第N加工台数字对应。通过使用三维建模、仿真等技术建立和验证,准确模拟出机床加工台的特性,能够接受虚拟工件的加工仿真,预测加工效果。
在云计算中心获得预设工件的初始尺寸特征、初始结构特征和工件型号特征后,首先,根据这些数据对预设工件进行三维建模,得到预设工件的精确数字化表达,作为虚拟工件。然后,将该虚拟工件加载到第N加工台的数字孪生模型中,依托云计算平台的并行计算能力,高效运行数字孪生仿真,通过多次迭代获得一组优化的加工参数,如切削速度、进给量等。在满足加工约束条件下,获得最优的加工参数,作为第一加工参数优化结果。
通过利用数字孪生模型的虚拟仿真能力,避免在实际机床上进行多次试切,大大简化了优化的过程,也降低了试错成本,提高了参数优化的智能化程度。
加载所述第N加工台的预设时区加工日志进行控制扰动分析,生成加工参数扰动系数,对所述第一加工参数优化结果进行修正,生成第二加工参数优化结果;
在本申请实施例中,预设时区加工日志是指提取第N加工台在某一指定时间段内的历史加工记录数据,来自机床的历史加工记录,反映机床实际运行时各加工参数的控制值和反馈值。加载这些历史日志后,进行参数偏差分析。即统计每一个加工参数的控制值和实际值在历史运行中的偏差大小,如果某参数的偏差具有系统性规律,则表明存在参数扰动。对每一个加工参数比如切削速度、进给量等,均单独进行偏差分析,判断是否存在扰动。如果扰动超过预设阈值,生成该参数的扰动系数,表示其数值需要修正。这样,通过分析得到各个关键参数的扰动系数,再将这些扰动系数应用到第一加工参数优化结果中,对参数进行修正,生成第二次优化结果,进一步提升加工质量和精度。
根据所述第二加工参数优化结果进行所述第N加工台的加工控制。
在本申请实施例中,第二加工参数优化结果是一组针对当前工件的精准加工参数,该结果包含了各个加工参数的精确数值,如主轴转速、进给速率、切割深度等,以标准格式组织存入文件或数据库。然后,加工控制系统会读取这些规划好的参数文件。通过解析后将各加工参数加载到数控机床上的第N加工台的执行部件,如运动控制卡、驱动器、伺服电机等。
当执行加工程序时,数控机床根据优化的参数实时精确控制机床的运动,包括主轴、进给系统等的动作。而参数的优化使得加工过程可以实现对预设工件进行最短时间、高质量的加工等目标。工件加工完成后,进行检测以判断实际加工质量,并与理论计算结果对比,完成一次优化计算与实际加工的闭环迭代,以便提供后续优化的反馈数据,达到了提高数控机床加工控制精度和效率的技术效果。
进一步的,本申请实施例还包括:
所述加工参数包括定位控制参数、精车控制参数、粗车控制参数和工序控制参数;
根据所述初始尺寸特征和所述初始结构特征进行三维建模,生成工件三维模型;
根据所述定位控制参数,将所述工件三维模型同步定位至所述第N加工台数字孪生模型;
根据所述精车控制参数、所述粗车控制参数和所述工序控制参数,在所述第N加工台数字孪生模型对所述工件三维模型进行仿真加工,生成仿真加工质量系数;
当所述仿真加工质量系数大于或等于加工质量系数阈值,将所述定位控制参数、所述精车控制参数、所述粗车控制参数和所述工序控制参数,设为所述第一加工参数优化结果。
在一种可行的实时方式中,在数字孪生模型进行加工参数优化时,加工参数包含定位控制参数、精车控制参数、粗车控制参数和工序控制参数。其中,定位控制参数是确定预设工件在加工台上的定位参数;精车和粗车参数分别控制精密加工和粗加工过程;工序控制参数定义整个工艺流程。
首先,使用CAD软件根据工件的初始尺寸特征和结构特征进行三维建模生成工件数字模型。先根据工件的长度、宽度、高度等初始尺寸参数,建立整体外形特征的三维模型;对于工件的孔、槽等内部结构特征,参考其位置、数量、大小等要求,使用附加、布尔运算等方式建立特征模型;工件的斜面、倒角、圆弧等特征,通过旋转、倒角、圆弧工具构建;同时,根据材料的杨氏模量、密度等参数设定模型材料属性,赋予其机械性能;最后将工件的各个特征部件进行组合,得到工件三维模型。
然后,根据定位控制参数,实现工件三维模型在数字孪生机床上的精确定位。其中,定位控制参数包含根据预设工件姿态要求工件三维模型在第N加工台数字孪生模型上的坐标转换关系。加载第N加工台数字孪生模型,提取其加工台坐标系信息,与定位控制参数进行对应。将工件三维模型导入数字孪生环境中,将定位控制参数应用到工件三维模型上,实现模型在第N加工台坐标系中的刚性变换。随后,多次迭代计算,通过最小二乘法等算法自动调整模型位置,达到与目标定位完美吻合,为后续仿真加工做好准备。
接着,设置仿真参数,选择合适的求解器和离散方式,定义仿真步长等,按照工序顺序,调用相应的精加工或粗加工的参数,启动数字切削仿真;记录并可视化显示每个加工步骤中的切削力、应力、温度、表面形貌等数据。随后,分析每个工序的加工质量,生成表示质量好坏的仿真加工质量系数。当数字孪生仿真得到的仿真加工质量系数大于或等于预定的加工质量阈值时,记录此时产生满意加工质量的一组完整参数,包括定位控制参数、精车控制参数、粗车控制参数、工序控制参数。这组参数包含了从定位、精加工、粗加工到整个工艺流程的全部信息。进行多次验证,确认在这组参数控制下,数字孪生仿真可以稳定地得到满足要求的加工质量系数,将这组参数整体保存为第一加工参数优化结果。实现有效利用数字孪生进行虚拟加工试错,优化出理想的加工参数组合,降低实际试切的时间成本。
进一步的,本申请实施例还包括:
根据所述工件型号特征、所述初始尺寸特征和所述初始结构特征,在加工区块链的第一共享节点、第二共享节点直到第M共享节点对所述定位控制参数、所述精车控制参数、所述粗车控制参数和所述工序控制参数进行赋值,提取第一高频加工参数、第二高频加工参数直到第M高频加工参数,M≥50,M为整数;
遍历所述第一高频加工参数、所述第二高频加工参数直到所述第M高频加工参数,在所述第N加工台数字孪生模型对所述工件三维模型进行仿真加工,生成工件仿真加工结果,其中,所述工件仿真加工结果包括工件网格定位坐标;
构建加工质量系数映射函数,对所述工件网格定位坐标和工件网格期望坐标进行映射,生成所述仿真加工质量系数。
在一种优选的实施例中,在加工区块链中,具有多个工件加工企业共享的加工数据,其中,具有多个共享节点,每个共享节点对应一个加工企业的加工数据库,该数据库中具有针对预设工件的工件型号特征、所述初始尺寸特征和所述初始结构特征的加工参数。首先,在加工区块链中选取M个共享节点,M为共享节点数,为大于或等于50的正整数,保证对加工参数的优化效果。然后,针对工件型号特征、所述初始尺寸特征和所述初始结构特征,在M个共享节点中分别进行查询,查询针对该工件信息各共享节点的历史加工参数,分别提取每个节点在设定时间段内,如1个月,使用次数最多的加工参数,作为高频加工参数,随后,提取每个共享节点的高频加工参数,得到第一高频加工参数、第二高频加工参数直到第M高频加工参数,每个高频加工参数对应一个共享节点。
然后,将加工区块链中提取的所有高频加工参数读取并导入到第N加工台数字孪生模型中,设定自动批处理的仿真流程,按顺序取出一组高频参数,加载到数字孪生环境中。运行数字孪生仿真,对工件三维模型进行仿真加工,执行一整套完整的加工过程,直至加工结束。随后,记录下此次加工结束后的工件三维模型上的所有网格点坐标信息,即工件网格定位坐标,作为一次工件仿真加工结果输出。接着,循环取下一组高频加工参数,重复上述步骤,直至所有高频加工参数完成一轮仿真。优选的,可以利用多核并行计算,加速遍历仿真的过程,获得仿真结果。最后,建立加工质量评价的数学映射函数,输入是仿真得到的实际工件网格坐标和其期望设计坐标,经映射计算,输出仿真加工过程的仿真加工质量系数。该质量系数综合评价了成型精度、加工残余应力等多个方面,当其达到阈值要求时,对应的加工参数组合即为优化结果。
进一步的,本申请实施例还包括:
构建加工质量系数第一映射函数:
;
其中,表征第一质量子系数,/>表征第i个网格的定位坐标和期望坐标的欧氏距离,/>表征第i个网格的定位坐标和期望坐标的容错距离,/>表征网格总数,/>表征计数函数;
构建加工质量系数第二映射函数
;
其中,表征第二质量子系数,/>表征第i个网格的定位坐标和期望坐标的欧氏距离,/>表征超出容错距离的网格总数;
当所述第一质量子系数小于或等于第一质量子系数阈值时,将所述第一质量子系数设为所述仿真加工质量系数;
当所述第一质量子系数大于所述第一质量子系数阈值时,将所述第二质量子系数设为所述仿真加工质量系数。
在一种优选的方式中,构建在对数字孪生加工仿真结果进行质量评价时,构建了两个质量映射函数。首先,构建加工质量系数第一映射函数为:,其中,表征第一质量子系数,/>表征第i个网格的定位坐标和期望坐标的欧氏距离,/>表征第i个网格的定位坐标和期望坐标的容错距离,/>表征网格总数,/>表征计数函数;该第一映射函数通过基于工件三维模型中所有的实际坐标与理想设计坐标之间的欧氏距离,统计该欧氏距离超出容错距离的网格数量,再计算其占所有网格总数的比例,反映预设工件整体加工精度的好坏。然后,构建加工质量系数第二映射函数为:,其中,/>表征第二质量子系数,/>表征第i个网格的定位坐标和期望坐标的欧氏距离,/>表征超出容错距离的网格总数;该第二映射函数在超出容错距离的那部分网格上,计算它们的平均欧式距离,加工缺陷的严重程度。
分析历史加工工件,依据对预设工件加工的质量要求,设置第一质量子系数阈值。如果第一质量子系数小于第一质量子系数阈值,则整体加工质量尚可,直接取第一质量子系数/>作为仿真加工质量系数,进入后续优化判断。如果第一质量子系数/>超过第一质量子系数阈值,说明工件加工整体存在一定缺陷,将进行进一步质量评判的第二质量子系数/>作为仿真加工质量系数。通过两级质量评价映射函数的使用,使得对数字化加工质量的判定更全面准确,为参数优化迭代提供了可靠的运算框架和约束条件。
进一步的,本申请实施例还包括:
当所述仿真加工质量系数小于所述加工质量系数阈值,获取M个加工质量系数偏差;
对所述M个加工质量系数偏差进行归一化调整,生成M个加工质量偏差标准数;
根据所述M个加工质量偏差标准数自小到大提取O组加工参数,其中,5≤O≤0.5M,O为整数;
通过用户端,遍历所述精车控制参数、所述粗车控制参数和所述工序控制参数,设定参数随机变异区间和加工参数扩充数量;
根据所述参数随机变异区间对所述O组加工参数进行随机变异,当满足所述加工参数扩充数量生成加工参数扩充结果;
根据所述加工参数扩充结果,在所述第N加工台数字孪生模型对所述加工参数进行优化,生成所述第一加工参数优化结果。
在一种优选的实施例中,依据对预设工件加工的质量要求,设置加工质量系数阈值,当仿真加工质量系数小于加工质量系数阈值,计算M个共享中心对应的仿真加工质量系数与加工质量系数阈值之间的差值,获取M个加工质量系数偏差。然后,对M个加工质量系数偏差进行归一化调整,生成M个加工质量偏差标准数,使加工质量系数偏差在同一数量级,便于后续处理。继而,根据M个加工质量偏差标准数从小到大提取O组加工参数,包含定位控制参数、精车控制参数、粗车控制参数和工序控制参数以选取加工质量系数偏差标准数较小的几组加工参数进行优化,其中O加工参数组的数量,取值范围是5到M的一半,O是一个整数。
然后,通过用户端遍历精车控制参数、粗车控制参数和工序控制参数,设定参数随机变异区间和加工参数扩充数量。其中,设定参数随机变异区间是为进行加工参数的优化设置的变动范围;加工参数扩充数量是扩充后的加工参数组数,由操作人员根据优化需求进行设置。随后,根据参数随机变异区间对O组加工参数在参数随机变异区间内对加工参数进行随机修改,当修改后的加工参数组数达到加工参数扩充数量时,生成加工参数扩充结果。最后,根据加工参数扩充结果,在第N加工台数字孪生模型对加工参数进行优化,评估加工参数扩充结果中各加工参数的加工质量,选取加工质量最优的一组作为第一加工参数优化结果。
通过在仿真加工质量不达标时,获取加工质量系数偏差,提取较优的加工参数,在参数变异区间内随机修改加工参数,在数字孪生模型上评估加工参数,最终获得优化后的加工参数,以提高加工质量。
进一步的,本申请实施例还包括:
统计所述第N加工台的所述预设时区加工日志,所述预设时区加工日志包括加工参数控制记录值和加工参数执行记录值,其中,所述加工参数控制记录值和所述加工参数执行记录值一一关联;
对所述加工参数控制记录值和所述加工参数执行记录值求偏差,生成控制偏差向量;
基于预设容错邻域对所述控制偏差向量进行触发频率比例计算,生成控制偏差向量扰动比;
当所述控制偏差向量扰动比大于或等于扰动比阈值,且所述控制偏差向量的偏离第N加工台扰动基线,将所述控制偏差向量设为所述加工参数扰动系数。
在一种可行的实施方式中,为提高加工质量,需要分析加工过程中的扰动因素,并进行补偿。首先,设置预设时间段,如3个月,从数据库中对第N加工台的加工日志进行检索,获取第N加工台的预设时区加工日志,加工日志包括加工参数控制记录值和执行记录值,控制记录值和执行记录值一一对应。然后,对加工参数控制记录值和执行记录值求偏差,生成控制偏差向量,控制偏差向量的每个分量表示一个加工参数的控制记录值与执行记录值的偏差,具有正负。继而,基于预设容错邻域对控制偏差向量进行触发频率比例计算,生成控制偏差向量扰动比。预设容错邻域给出每个加工参数允许的最大偏差。触发频率比例计算是统计偏差超过预设容错邻域的次数。控制偏差向量扰动比表示超过预设容错邻域的偏差占总偏差的比例。
当控制偏差向量扰动比大于或等于扰动比阈值,且控制偏差向量的偏离第N加工台扰动基线时,将控制偏差向量设为加工参数扰动系数。扰动比阈值给出允许的扰动比例上限。第N加工台扰动基线定义每个加工参数允许的最大扰动量。这时,控制偏差向量就表示加工过程中的扰动,设为加工参数扰动系数。
通过分析加工日志,统计加工参数控制记录值与执行记录值之间的偏差,判断偏差是否超过允许范围,如果超过,则表明加工过程受到扰动,所得的控制偏差向量就是加工参数扰动系数,用于补偿控制,提高加工质量。
进一步的,本申请实施例还包括:
当所述控制偏差向量扰动比大于或等于所述扰动比阈值的数量为0,获取偏离所述第N加工台扰动基线的控制偏差向量数量比;
当所述控制偏差向量数量比大于或等于数量比阈值,基于所述预设容错邻域对偏离所述第N加工台扰动基线的所述控制偏差向量进行聚类,生成控制偏差向量聚类结果;
根据所述控制偏差向量聚类结果,对偏离所述第N加工台扰动基线的所述控制偏差向量进行加权求均值,生成所述加工参数扰动系数;
当所述控制偏差向量数量比小于所述数量比阈值,将所述加工参数扰动系数置为0。
在一种可行的实施方式中,当控制偏差向量扰动比均小于扰动比阈值时,表明加工过程未受明显扰动,但是单个加工参数的偏差可能超过第N加工台扰动基线,这时需要判断这些偏差是否具有规律性。首先,获取偏离第N加工台扰动基线的控制偏差向量数量比,代表偏离扰动基线的控制偏差向量所占的比例。
然后,当控制偏差向量数量比大于或等于数量比阈值时,基于预设容错邻域对偏离第N加工台扰动基线的控制偏差向量进行聚类,生成控制偏差向量聚类结果。预设容错邻域定义每个加工参数允许的最大偏差,将超出此范围的控制偏差向量进行聚类,得出不同规律的偏差聚类。根据控制偏差向量聚类结果,对每个聚类内的样本,按照向量值大小赋予不同权重,计算加权向量均值,作为该类样本的代表向量,重复对所有类型进行加权求均值计算,生成加工参数扰动系数。
当控制偏差向量数量比小于数量比阈值时,将加工参数扰动系数置为0。这时超出扰动基线的偏差较少,不具有规律性,不需要补偿,故加工参数扰动系数置0。
通过当加工过程未受明显扰动但单个加工参数偏差超标时,首先判断超标偏差是否具有规律,如果具有,则对超标偏差进行聚类,并求各类偏差的代表值作为加工参数扰动系数,用于后续补偿控制,如果超标偏差较少且不具规律,则不进行补偿,加工参数扰动系数置0。
综上所述,本申请实施例所提供的一种数控机床的优化加工控制方法具有如下技术效果:
当预设工件输送至预设区域时,通过物料小车移动机械手至预设区域上方,激活机械手抓取预设工件,输送至第N加工台,实现工件的灵活运输和加工,确保工件的准确提取和输送。激活云计算中心,接收用户端上传的预设工件的初始尺寸特征、初始结构特征和工件型号特征,实现了实时的数据传输。根据工件型号特征,激活内嵌于云计算中心的第N加工台数字孪生模型,基于初始尺寸特征和初始结构特征对第N加工台的加工参数进行优化,生成第一加工参数优化结果,在保证加工精度的前提下提高加工效率和质量。加载第N加工台的预设时区加工日志进行控制扰动分析,生成加工参数扰动系数,对第一加工参数优化结果进行修正,生成第二加工参数优化结果,修正第一加工参数优化结果,提高加工的稳定性和可靠性。根据第二加工参数优化结果进行第N加工台的加工控制,实现对加工过程的实时监控和调整,确保工件的精确加工和高效生产。
实施例二
基于与前述实施例中一种数控机床的优化加工控制方法相同的发明构思,如图3所示,本申请实施例提供了一种数控机床的优化加工控制系统,该系统包括:
预设工件输送模块11,用于当预设工件输送至预设区域时,通过物料小车移动机械手至所述预设区域上方,激活所述机械手抓取所述预设工件,输送至第N加工台,其中,所述机械手安装于所述物料小车上,所述第N加工台属于所述第一加工台或所述第二加工台或所述第三加工台;
上传特征接收模块12,用于激活云计算中心,接收用户端上传的所述预设工件的初始尺寸特征、初始结构特征和工件型号特征;
第一加工优化模块13,用于根据所述工件型号特征,激活内嵌于所述云计算中心的第N加工台数字孪生模型,基于所述初始尺寸特征和所述初始结构特征对所述第N加工台的加工参数进行优化,生成第一加工参数优化结果;
第二加工优化模块14,用于加载所述第N加工台的预设时区加工日志进行控制扰动分析,生成加工参数扰动系数,对所述第一加工参数优化结果进行修正,生成第二加工参数优化结果;
加工台控制模块15,用于根据所述第二加工参数优化结果进行所述第N加工台的加工控制。
进一步的,第一加工优化模块13包括以下执行步骤:
所述加工参数包括定位控制参数、精车控制参数、粗车控制参数和工序控制参数;
根据所述初始尺寸特征和所述初始结构特征进行三维建模,生成工件三维模型;
根据所述定位控制参数,将所述工件三维模型同步定位至所述第N加工台数字孪生模型;
根据所述精车控制参数、所述粗车控制参数和所述工序控制参数,在所述第N加工台数字孪生模型对所述工件三维模型进行仿真加工,生成仿真加工质量系数;
当所述仿真加工质量系数大于或等于加工质量系数阈值,将所述定位控制参数、所述精车控制参数、所述粗车控制参数和所述工序控制参数,设为所述第一加工参数优化结果。
进一步的,第一加工优化模块13还包括以下执行步骤:
根据所述工件型号特征、所述初始尺寸特征和所述初始结构特征,在加工区块链的第一共享节点、第二共享节点直到第M共享节点对所述定位控制参数、所述精车控制参数、所述粗车控制参数和所述工序控制参数进行赋值,提取第一高频加工参数、第二高频加工参数直到第M高频加工参数,M≥50,M为整数;
遍历所述第一高频加工参数、所述第二高频加工参数直到所述第M高频加工参数,在所述第N加工台数字孪生模型对所述工件三维模型进行仿真加工,生成工件仿真加工结果,其中,所述工件仿真加工结果包括工件网格定位坐标;
构建加工质量系数映射函数,对所述工件网格定位坐标和工件网格期望坐标进行映射,生成所述仿真加工质量系数。
进一步的,第一加工优化模块13还包括以下执行步骤:
构建加工质量系数第一映射函数:
;
其中,表征第一质量子系数,/>表征第i个网格的定位坐标和期望坐标的欧氏距离,/>表征第i个网格的定位坐标和期望坐标的容错距离,/>表征网格总数,/>表征计数函数;
构建加工质量系数第二映射函数
;
其中,表征第二质量子系数,/>表征第i个网格的定位坐标和期望坐标的欧氏距离,/>表征超出容错距离的网格总数;
当所述第一质量子系数小于或等于第一质量子系数阈值时,将所述第一质量子系数设为所述仿真加工质量系数;
当所述第一质量子系数大于所述第一质量子系数阈值时,将所述第二质量子系数设为所述仿真加工质量系数。
进一步的,第一加工优化模块13还包括以下执行步骤:
当所述仿真加工质量系数小于所述加工质量系数阈值,获取M个加工质量系数偏差;
对所述M个加工质量系数偏差进行归一化调整,生成M个加工质量偏差标准数;
根据所述M个加工质量偏差标准数自小到大提取O组加工参数,其中,5≤O≤0.5M,O为整数;
通过用户端,遍历所述精车控制参数、所述粗车控制参数和所述工序控制参数,设定参数随机变异区间和加工参数扩充数量;
根据所述参数随机变异区间对所述O组加工参数进行随机变异,当满足所述加工参数扩充数量生成加工参数扩充结果;
根据所述加工参数扩充结果,在所述第N加工台数字孪生模型对所述加工参数进行优化,生成所述第一加工参数优化结果。
进一步的,第二加工优化模块14包括以下执行步骤:
统计所述第N加工台的所述预设时区加工日志,所述预设时区加工日志包括加工参数控制记录值和加工参数执行记录值,其中,所述加工参数控制记录值和所述加工参数执行记录值一一关联;
对所述加工参数控制记录值和所述加工参数执行记录值求偏差,生成控制偏差向量;
基于预设容错邻域对所述控制偏差向量进行触发频率比例计算,生成控制偏差向量扰动比;
当所述控制偏差向量扰动比大于或等于扰动比阈值,且所述控制偏差向量的偏离第N加工台扰动基线,将所述控制偏差向量设为所述加工参数扰动系数。
进一步的,第二加工优化模块14还包括以下执行步骤:
当所述控制偏差向量扰动比大于或等于所述扰动比阈值的数量为0,获取偏离所述第N加工台扰动基线的控制偏差向量数量比;
当所述控制偏差向量数量比大于或等于数量比阈值,基于所述预设容错邻域对偏离所述第N加工台扰动基线的所述控制偏差向量进行聚类,生成控制偏差向量聚类结果;
根据所述控制偏差向量聚类结果,对偏离所述第N加工台扰动基线的所述控制偏差向量进行加权求均值,生成所述加工参数扰动系数;
当所述控制偏差向量数量比小于所述数量比阈值,将所述加工参数扰动系数置为0。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种数控机床的优化加工控制方法,应用于枪瞄镜身零件加工机床,所述枪瞄镜身零件加工机床包括物料小车、机械手、第一加工台,第二加工台、第三加工台,其特征在于,所述枪瞄镜身零件加工机床还包括一部署于边缘计算节点的数控机床的优化加工控制系统,所述系统包括云计算中心和用户端,包括:
当预设工件输送至预设区域时,通过物料小车移动机械手至所述预设区域上方,激活所述机械手抓取所述预设工件,输送至第N加工台,其中,所述机械手安装于所述物料小车上,所述第N加工台属于所述第一加工台或所述第二加工台或所述第三加工台;
激活云计算中心,接收用户端上传的所述预设工件的初始尺寸特征、初始结构特征和工件型号特征;
根据所述工件型号特征,激活内嵌于所述云计算中心的第N加工台数字孪生模型,基于所述初始尺寸特征和所述初始结构特征对所述第N加工台的加工参数进行优化,生成第一加工参数优化结果;
加载所述第N加工台的预设时区加工日志进行控制扰动分析,生成加工参数扰动系数,对所述第一加工参数优化结果进行修正,生成第二加工参数优化结果;
根据所述第二加工参数优化结果进行所述第N加工台的加工控制。
2.如权利要求1所述的方法,其特征在于,根据所述工件型号特征,激活内嵌于所述云计算中心的第N加工台数字孪生模型,基于所述初始尺寸特征和所述初始结构特征对所述第N加工台的加工参数进行优化,生成第一加工参数优化结果,包括:
所述加工参数包括定位控制参数、精车控制参数、粗车控制参数和工序控制参数;
根据所述初始尺寸特征和所述初始结构特征进行三维建模,生成工件三维模型;
根据所述定位控制参数,将所述工件三维模型同步定位至所述第N加工台数字孪生模型;
根据所述精车控制参数、所述粗车控制参数和所述工序控制参数,在所述第N加工台数字孪生模型对所述工件三维模型进行仿真加工,生成仿真加工质量系数;
当所述仿真加工质量系数大于或等于加工质量系数阈值,将所述定位控制参数、所述精车控制参数、所述粗车控制参数和所述工序控制参数,设为所述第一加工参数优化结果。
3.如权利要求2所述的方法,其特征在于,根据所述精车控制参数、所述粗车控制参数和所述工序控制参数,在所述第N加工台数字孪生模型对所述工件三维模型进行仿真加工,生成仿真加工质量系数,包括:
根据所述工件型号特征、所述初始尺寸特征和所述初始结构特征,在加工区块链的第一共享节点、第二共享节点直到第M共享节点对所述定位控制参数、所述精车控制参数、所述粗车控制参数和所述工序控制参数进行赋值,提取第一高频加工参数、第二高频加工参数直到第M高频加工参数,M≥50,M为整数;
遍历所述第一高频加工参数、所述第二高频加工参数直到所述第M高频加工参数,在所述第N加工台数字孪生模型对所述工件三维模型进行仿真加工,生成工件仿真加工结果,其中,所述工件仿真加工结果包括工件网格定位坐标;
构建加工质量系数映射函数,对所述工件网格定位坐标和工件网格期望坐标进行映射,生成所述仿真加工质量系数。
4.如权利要求3所述的方法,其特征在于,构建加工质量系数映射函数,包括:
构建加工质量系数第一映射函数:
;
其中,表征第一质量子系数,/>表征第i个网格的定位坐标和期望坐标的欧氏距离,表征第i个网格的定位坐标和期望坐标的容错距离,/>表征网格总数,/>表征计数函数;
构建加工质量系数第二映射函数
;
其中,表征第二质量子系数,/>表征第i个网格的定位坐标和期望坐标的欧氏距离,表征超出容错距离的网格总数;
当所述第一质量子系数小于或等于第一质量子系数阈值时,将所述第一质量子系数设为所述仿真加工质量系数;
当所述第一质量子系数大于所述第一质量子系数阈值时,将所述第二质量子系数设为所述仿真加工质量系数。
5.如权利要求4所述的方法,其特征在于,还包括:
当所述仿真加工质量系数小于所述加工质量系数阈值,获取M个加工质量系数偏差;
对所述M个加工质量系数偏差进行归一化调整,生成M个加工质量偏差标准数;
根据所述M个加工质量偏差标准数自小到大提取O组加工参数,其中,5≤O≤0.5M,O为整数;
通过用户端,遍历所述精车控制参数、所述粗车控制参数和所述工序控制参数,设定参数随机变异区间和加工参数扩充数量;
根据所述参数随机变异区间对所述O组加工参数进行随机变异,当满足所述加工参数扩充数量生成加工参数扩充结果;
根据所述加工参数扩充结果,在所述第N加工台数字孪生模型对所述加工参数进行优化,生成所述第一加工参数优化结果。
6.如权利要求1所述的方法,其特征在于,加载所述第N加工台的预设时区加工日志进行控制扰动分析,生成加工参数扰动系数,包括:
统计所述第N加工台的所述预设时区加工日志,所述预设时区加工日志包括加工参数控制记录值和加工参数执行记录值,其中,所述加工参数控制记录值和所述加工参数执行记录值一一关联;
对所述加工参数控制记录值和所述加工参数执行记录值求偏差,生成控制偏差向量;
基于预设容错邻域对所述控制偏差向量进行触发频率比例计算,生成控制偏差向量扰动比;
当所述控制偏差向量扰动比大于或等于扰动比阈值,且所述控制偏差向量的偏离第N加工台扰动基线,将所述控制偏差向量设为所述加工参数扰动系数。
7.如权利要求6所述的方法,其特征在于,还包括:
当所述控制偏差向量扰动比大于或等于所述扰动比阈值的数量为0,获取偏离所述第N加工台扰动基线的控制偏差向量数量比;
当所述控制偏差向量数量比大于或等于数量比阈值,基于所述预设容错邻域对偏离所述第N加工台扰动基线的所述控制偏差向量进行聚类,生成控制偏差向量聚类结果;
根据所述控制偏差向量聚类结果,对偏离所述第N加工台扰动基线的所述控制偏差向量进行加权求均值,生成所述加工参数扰动系数;
当所述控制偏差向量数量比小于所述数量比阈值,将所述加工参数扰动系数置为0。
8.一种数控机床的优化加工控制系统,用于实施权利要求1-7任意一项所述的一种数控机床的优化加工控制方法,包括:
预设工件输送模块,所述预设工件输送模块用于当预设工件输送至预设区域时,通过物料小车移动机械手至所述预设区域上方,激活所述机械手抓取所述预设工件,输送至第N加工台,其中,所述机械手安装于所述物料小车上,所述第N加工台属于所述第一加工台或所述第二加工台或所述第三加工台;
上传特征接收模块,所述上传特征接收模块用于激活云计算中心,接收用户端上传的所述预设工件的初始尺寸特征、初始结构特征和工件型号特征;
第一加工优化模块,所述第一加工优化模块用于根据所述工件型号特征,激活内嵌于所述云计算中心的第N加工台数字孪生模型,基于所述初始尺寸特征和所述初始结构特征对所述第N加工台的加工参数进行优化,生成第一加工参数优化结果;
第二加工优化模块,所述第二加工优化模块用于加载所述第N加工台的预设时区加工日志进行控制扰动分析,生成加工参数扰动系数,对所述第一加工参数优化结果进行修正,生成第二加工参数优化结果;
加工台控制模块,所述加工台控制模块用于根据所述第二加工参数优化结果进行所述第N加工台的加工控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321505.3A CN117047556B (zh) | 2023-10-13 | 2023-10-13 | 一种数控机床的优化加工控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321505.3A CN117047556B (zh) | 2023-10-13 | 2023-10-13 | 一种数控机床的优化加工控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117047556A true CN117047556A (zh) | 2023-11-14 |
CN117047556B CN117047556B (zh) | 2023-12-08 |
Family
ID=88657615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311321505.3A Active CN117047556B (zh) | 2023-10-13 | 2023-10-13 | 一种数控机床的优化加工控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117047556B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445838A (zh) * | 2018-04-28 | 2018-08-24 | 华中科技大学 | 一种数控机床加工质量分析方法、分类器及设备 |
CN109426216A (zh) * | 2017-08-21 | 2019-03-05 | 沈阳高精数控智能技术股份有限公司 | 一种用于数控铣床的矩形平面加工深度识别方法 |
US20210124337A1 (en) * | 2019-10-23 | 2021-04-29 | B&R Industrial Automation GmbH | Method and manufacturing plant for producing a product |
CN112731894A (zh) * | 2021-02-02 | 2021-04-30 | 深圳华龙讯达信息技术股份有限公司 | 一种基于数字孪生技术的包装机智能控制系统及方法 |
CN113219926A (zh) * | 2021-05-13 | 2021-08-06 | 中国计量大学 | 基于数字孪生系统的人机共融制造单元安全风险评估方法 |
CN114239690A (zh) * | 2021-11-23 | 2022-03-25 | 广东电网有限责任公司广州供电局 | 胶浸纸局部放电阶段的数字孪生模型建立处理方法和装置 |
CN114357072A (zh) * | 2021-12-29 | 2022-04-15 | 南京永华机械有限公司 | 数控加工用的定位控制设备定位准确性检测方法 |
CN115576267A (zh) * | 2022-11-07 | 2023-01-06 | 河北工业大学 | 一种基于数字孪生的轮毂机加工尺寸误差修正方法 |
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 |
CN116360350A (zh) * | 2022-11-28 | 2023-06-30 | 北京卫星制造厂有限公司 | 一种基于数字孪生的虚拟快组生产线及重构方法 |
CN116881583A (zh) * | 2023-07-26 | 2023-10-13 | 软通动力信息技术(集团)股份有限公司 | 一种物联网感知数据与空间模型匹配度计算方法及装置 |
-
2023
- 2023-10-13 CN CN202311321505.3A patent/CN117047556B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109426216A (zh) * | 2017-08-21 | 2019-03-05 | 沈阳高精数控智能技术股份有限公司 | 一种用于数控铣床的矩形平面加工深度识别方法 |
CN108445838A (zh) * | 2018-04-28 | 2018-08-24 | 华中科技大学 | 一种数控机床加工质量分析方法、分类器及设备 |
US20210124337A1 (en) * | 2019-10-23 | 2021-04-29 | B&R Industrial Automation GmbH | Method and manufacturing plant for producing a product |
CN112731894A (zh) * | 2021-02-02 | 2021-04-30 | 深圳华龙讯达信息技术股份有限公司 | 一种基于数字孪生技术的包装机智能控制系统及方法 |
CN113219926A (zh) * | 2021-05-13 | 2021-08-06 | 中国计量大学 | 基于数字孪生系统的人机共融制造单元安全风险评估方法 |
CN114239690A (zh) * | 2021-11-23 | 2022-03-25 | 广东电网有限责任公司广州供电局 | 胶浸纸局部放电阶段的数字孪生模型建立处理方法和装置 |
CN114357072A (zh) * | 2021-12-29 | 2022-04-15 | 南京永华机械有限公司 | 数控加工用的定位控制设备定位准确性检测方法 |
CN115576267A (zh) * | 2022-11-07 | 2023-01-06 | 河北工业大学 | 一种基于数字孪生的轮毂机加工尺寸误差修正方法 |
CN116360350A (zh) * | 2022-11-28 | 2023-06-30 | 北京卫星制造厂有限公司 | 一种基于数字孪生的虚拟快组生产线及重构方法 |
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 |
CN116881583A (zh) * | 2023-07-26 | 2023-10-13 | 软通动力信息技术(集团)股份有限公司 | 一种物联网感知数据与空间模型匹配度计算方法及装置 |
Non-Patent Citations (1)
Title |
---|
郑孟蕾: "基于区块链的机械产品数字孪生本体 模型协同演进方法", 《计算机集成制造系统》, vol. 29, no. 06, pages 1781 - 1794 * |
Also Published As
Publication number | Publication date |
---|---|
CN117047556B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110069880B (zh) | 一种基于仿真的多目标设备布局和生产排程协同优化方法 | |
ES2939000T3 (es) | Método para optimizar la productividad de un proceso de mecanizado de una máquina CNC | |
CN108594760B (zh) | 生产加工控制系统、生产加工控制方法及存储设备 | |
CN101710235B (zh) | 一种数控机床在线加工工件的自动识别和监控方法 | |
CN115562161B (zh) | 一种基于在线监测的刀具切削路径加工误差补偿方法 | |
CN112433507B (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
CN109732450B (zh) | 一种基于神经网络的叶片抛磨加工方法 | |
CN110119566B (zh) | 一种适用于复杂曲面机器人砂带磨抛的切削深度预测方法及装置 | |
CN108121298A (zh) | 自动化加工程序切削力优化系统及方法 | |
Pereverzev et al. | Optimization of control programs for numerically controlled machine tools by dynamic programming | |
CN110221580A (zh) | 一种基于主轴数据仿真的进给速度优化方法 | |
Yamazaki et al. | Real-time model reference adaptive control of 3-D sculptured surface machining | |
CN117047556B (zh) | 一种数控机床的优化加工控制方法及系统 | |
Fountas et al. | Development of a software-automated intelligent sculptured surface machining optimization environment | |
CN114660940A (zh) | 一种基于深度强化学习ppo算法的磨削恒力控制方法 | |
Yilmaz et al. | A study of turbomachinery components machining and repairing methodologies | |
CN111598364B (zh) | 用于机械零部件的数字化工艺编排系统 | |
CN109446721B (zh) | 基于标识符软件线程执行顺序排列的机床工艺交互算法 | |
CN111948977A (zh) | 一种用于不锈钢加工的多目标优化方法和系统 | |
CN111948981A (zh) | 铸造毛坯工件数控加工插铣方式控制系统及其控制方法 | |
KR20090058203A (ko) | 다축 가공기계의 수치 제어 데이터 산출시 가공조건자동산출 방법 | |
CN114488943B (zh) | 面向配合工况下的随机多区域高效打磨路径规划方法 | |
CN116861571A (zh) | 一种金属模具制造加工岛的加工工序选择方法 | |
CN111666720A (zh) | 基于改进遗传算法的大型船舶发动机缸体铣削方法 | |
Takizawa et al. | Rapid estimation of die and mold machining time without NC data by AI based on shape data |
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 |