CN117075535A - 振动抑制方法、装置、电子设备及可读存储介质 - Google Patents

振动抑制方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN117075535A
CN117075535A CN202311333046.0A CN202311333046A CN117075535A CN 117075535 A CN117075535 A CN 117075535A CN 202311333046 A CN202311333046 A CN 202311333046A CN 117075535 A CN117075535 A CN 117075535A
Authority
CN
China
Prior art keywords
vibration
machine tool
numerical control
vibration signal
signal
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
CN202311333046.0A
Other languages
English (en)
Other versions
CN117075535B (zh
Inventor
杨之乐
胡天宇
刘雷
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.)
Shanghai Nozoli Machine Tools Technology Co Ltd
Original Assignee
Shanghai Nozoli Machine Tools Technology 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 Shanghai Nozoli Machine Tools Technology Co Ltd filed Critical Shanghai Nozoli Machine Tools Technology Co Ltd
Priority to CN202311333046.0A priority Critical patent/CN117075535B/zh
Publication of CN117075535A publication Critical patent/CN117075535A/zh
Application granted granted Critical
Publication of CN117075535B publication Critical patent/CN117075535B/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
    • G05B19/19—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 positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • 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
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Numerical Control (AREA)

Abstract

本申请公开了一种振动抑制方法、装置、电子设备及可读存储介质，本申请涉及数控机床技术领域，应用于数控机床，所述振动抑制方法包括获取所述数控机床的实际振动信号和机床振动数据；通过将所述机床振动数据输入到预先训练好的多尺度卷积条件生成对抗网络，得到预测振动信号；根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力，其中，所述目标振动补偿力与产生在所述数控机床中的振动力的方向相反；在所述数控机床中产生所述目标振动补偿力，以对所述数控机床进行振动抑制。本申请解决了现有的数控机床的减振方式的减振效果差的问题。

Description

振动抑制方法、装置、电子设备及可读存储介质
技术领域
本申请涉及数控机床技术领域，尤其涉及一种振动抑制方法、装置、电子设备及可读存储介质。
背景技术
数控机床是数字控制机的简称，是一种装有程序控制系统的自动化机床。在实际使用数控机床进行零件加工的过程中，容易因数控机床自身的问题或者外部环境影响而出现振动的情况，这将会导致加工精度降低。
目前，为减少数控机床的振动，通常通过在数控机床中加入减振件（例如，阻尼器、减振器等）来减少振动，或者通过使用渐进切割策略来减少突然的切削冲击所造成的振动，但是，这些减振方式都只能在一定程度上减轻数控机床的振动，而无法完全抑制或抵消振动，因此，现有的数控机床的减振方式的减振效果差。
发明内容
本申请的主要目的在于提供一种振动抑制方法、装置、电子设备及可读存储介质，旨在解决现有的数控机床的减振方式的减振效果差的技术问题。
为实现上述目的，本申请提供一种振动抑制方法，应用于数控机床，所述振动抑制方法包括：
获取所述数控机床的实际振动信号和机床振动数据；
通过将所述机床振动数据输入到预先训练好的多尺度卷积条件生成对抗网络，得到预测振动信号；
根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力，其中，所述目标振动补偿力与产生在所述数控机床中的振动力的方向相反；
在所述数控机床中产生所述目标振动补偿力，以对所述数控机床进行振动抑制
可选地，所述根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力的步骤，包括：
根据所述预测振动信号和预设振动信号，通过补偿力控制算法确定第一振动补偿力；
若所述实际振动信号与预设振动信号匹配，则将所述第一振动补偿力作为所述目标振动补偿力；
若所述实际振动信号与预设振动信号不匹配，则根据所述实际振动信号和所述预设振动信号，通过补偿力控制算法确定第二振动补偿力；
合成所述第一振动补偿力和所述第二振动补偿力，得到所述目标振动补偿力。
可选地，所述数控机床包括电磁阀，所述在所述数控机床中产生所述目标振动补偿力的步骤，包括：
获取所述数控机床中的实际流体压力，并确定所述目标振动补偿力对应的目标流体压力，其中，流体压力包括气压或液压；
根据所述实际流体压力和所述目标流体压力，计算得到流体压力调整值；
对所述流体压力调整值进行信号调制处理，生成电磁阀控制信号；
响应于所述电磁阀控制信号，开启所述电磁阀，以在所述数控机床中产生所述目标振动补偿力。
可选地，所述数控机床包括压电陶瓷，所述在所述数控机床中产生所述目标振动补偿力的步骤，包括：
获取所述数控机床中的实际电场参数，并确定所述目标振动补偿力对应的目标电场参数；
根据所述实际电场参数和所述目标电场参数，计算得到电场参数调整值；
对所述电场参数调整值进行信号调制处理，生成压电陶瓷控制信号；
响应于所述压电陶瓷控制信号，控制所述压电陶瓷变形，以在所述数控机床中产生所述目标振动补偿力。
可选地，所述多尺度卷积条件生成对抗网络包括生成器和判别器，所述获取所述数控机床的实际振动信号和机床振动数据的步骤之前，所述振动抑制方法还包括：
获取机床振动样本数据，并对所述机床振动样本数据进行划分，得到训练样本集和测试样本集；
从所述训练样本集中选取训练样本作为条件信息，所述生成器根据所述条件信息和随机噪声数据，生成振动信号；
根据所述测试样本集和所述振动信号，优化所述生成器的参数和所述判别器的参数；
返回执行所述从所述训练样本集中选取训练样本作为条件信息，所述生成器根据所述条件信息和随机噪声数据，生成振动信号的步骤，直至所述生成器生成的振动信号与真实振动信号的相似度大于预设相似度阈值或者所述生成器的损失函数收敛且所述判别器的损失函数收敛，得到所述多尺度卷积条件生成对抗网络。
可选地，所述获取机床振动样本数据的步骤，包括：
获取所述数控机床的历史机床振动信号数据，其中，所述历史机床振动信号数据包括历史振动信号和历史机床振动数据；
按预设采样频率，对所述历史机床振动信号数据进行数据采样处理，得到采样机床振动信号数据；
对所述采样机床振动信号数据进行去噪处理和滤波处理，得到目标机床振动信号数据；
从所述目标机床振动信号数据中提取预设特征下的数据，并将提取到的数据进行归一化处理，得到所述机床振动样本数据。
可选地，所述根据所述测试样本集和所述振动信号，优化所述生成器的参数和所述判别器的参数的步骤，包括：
在所述测试样本集中获取所述训练样本对应的真实振动信号；
根据所述振动信号和所述真实振动信号之间的差异度，构建所述生成器的损失函数，并校验所述生成器的损失函数是否为收敛函数；
若校验到所述生成器的损失函数不是收敛函数，则根据所述生成器的损失函数的计算梯度，优化所述生成器的参数；
根据所述判别器对所述振动信号和所述真实振动信号的分类准确度，构建所述判别器的损失函数，并校验所述判别器的损失函数是否为收敛函数；
若校验到所述判别器的损失函数不是收敛函数，则根据所述判别器的损失函数的计算梯度，优化所述判别器的参数。
本申请还提供一种振动抑制装置，应用于数控机床，所述振动抑制装置包括：
获取模块，用于获取所述数控机床的实际振动信号和机床振动数据；
预测模块，用于通过将所述机床振动数据输入到预先训练好的多尺度卷积条件生成对抗网络，得到预测振动信号；
确定模块，用于根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力，其中，所述目标振动补偿力与产生在所述数控机床中的振动力的方向相反；
抑制模块，用于在所述数控机床中产生所述目标振动补偿力，以对所述数控机床进行振动抑制。
本申请还提供一种电子设备，所述电子设备为实体设备，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如上所述振动抑制方法的步骤。
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振动抑制方法的程序，所述实现振动抑制方法的程序被处理器执行以实现如上所述振动抑制方法的步骤。
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振动抑制方法的步骤。
本申请提供了一种振动抑制方法，应用于数控机床，本申请首先获取该数控机床的实际振动信号和机床振动数据，然后通过将该机床振动数据输入到到预先训练好的多尺度卷积条件生成对抗网络，得到预测振动信号；接着根据该实际振动信号和该预测振动信号，确定目标振动补偿力，其中，该目标振动补偿力与产生在所述数控机床中的振动力的方向相反；最后在该数控机床中产生该目标振动补偿力，以对该数控机床进行振动抑制。
本申请通过多尺度卷积条件生成对抗网络预测得到的预测振动信号和数控机床的实际振动信号来生成与数控机床中的振动力的方向相反的目标振动补偿力，从而，数控机床能够通过该目标振动补偿力主动抵消掉产生在数控机床中的振动力，进而，通过主动消除数控机床的振动，实现了对数控机床的振动抑制，克服了数控机床被动减振无法完全抑制或抵消振动的技术缺陷，解决现有的数控机床的减振方式的减振效果差的技术问题，提高了数控机床的减振效果。
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为本申请实施例一提供的数控机床的结构示意图；
图2为本申请振动抑制方法实施例一提供的流程示意图；
图3为本申请振动抑制方法实施例二提供的流程示意图；
图4为本申请实施例振动抑制装置的模块结构示意图；
图5为本申请实施例中振动抑制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，均属于本发明保护的范围。
实施例一
数控机床是数字控制机的简称，是一种装有程序控制系统的自动化机床。在实际使用数控机床进行零件加工的过程中，容易因数控机床自身的问题或者外部环境影响而出现振动的情况，这将会导致加工精度降低。
目前，为减少数控机床的振动，通常通过在数控机床中加入减振件（例如，阻尼器、减振器等）来减少振动，或者通过使用渐进切割策略来减少突然的切削冲击所造成的振动，但是，这些减振方式都只能在一定程度上减轻数控机床的振动，而无法完全抑制或抵消振动，因此，现有的数控机床的减振方式的减振效果差。
作为一种示例，请参照图1，图1提供了一种振动抑制方法应用的数控机床的结构示意图，该数控机床可以包括振动传感器100、气压传感器200、液压传感器300、电场检测仪400、电磁阀500和压电陶瓷600，该振动传感器100用于检测数控机床的实际振动信号，该气压传感器200用于检测数控机床中的实际气压，该液压传感器300用于检测数控机床中的实际液压，该电场检测仪400用于检测数控机床中的实际电场参数，该电磁阀500用于调整数控机床中的气压大小或者液压大小，该压电陶瓷600用于根据数控机床中的电场参数的变化来变形，本示例对于数控机床的结构并不作限定。
基于此，本申请提出第一实施例的振动抑制方法，应用于数控机床，请参照图2，所述振动抑制方法包括：
步骤S10，获取所述数控机床的实际振动信号和机床振动数据；
需要说明的是，振动信号用于表征通过振幅、频谱、时域等特征来反映数控机床的振动情况，振动信号的振幅特征可以用于反映数控机床的振动幅度，振动信号的频谱特征可以用于表征数控机床的振动频率，振动信号的时域特征可以用于表征数控机床的振动变化趋势。该实际振动信号是指实际产生在数控机床中的振动信号，该机床振动数据是指与数控机床振动相关的数据，该机床振动数据可以包括数控机床的工作状态、工作参数、机床刀具运动数据、机床结构振动数据、切削参数等。
可以通过在数控机床的机床主轴、刀具等部位安装振动传感器来获取数控机床的实际振动信号，振动传感器的安装数量可以为一个，也可以为多个，本实施例对此并不作限定。可以理解的是，安装多个振动传感器相对于安装一个振动传感器所获取到的数控机床的实际振动信号的精度更高。如果数控机床中安装了多个振动传感器，则可以将各振动传感器采集到的振动信号中的众数作为数控机床的实际振动信号。
在获取数控机床的机床振动数据时，可以从数控机床的数据存储区域中获取该机床振动数据，也可以从与数控机床通信连接的云设备端中获取该机床振动数据，本实施例对此并不作限定。
步骤S20，通过将所述机床振动数据输入到预先训练好的多尺度卷积条件生成对抗网络，得到预测振动信号；
需要说明的是，该多尺度卷积条件生成对抗网络是指结合了多尺度卷积的数学原理的条件生成对抗网络，多尺度卷积是通过在不同尺度下使用卷积核来捕获不同频率特征的一种技术，卷积核是用于从输入数据中提取特征的过滤器，尺度较大的卷积核通常用于捕获低频特征，尺度较小的卷积核通常用于捕获高频特征，条件生成对抗网络（Conditional Generative Adversarial Nets，cGAN）是生成对抗网络的条件版本。该预测振动信号是指预测产生在数控机床中的振动信号。
在将机床振动数据输入到预先训练好的多尺度卷积条件生成对抗网络后，多尺度卷积条件生成对抗网络中的生成器会根据该机床振动数据生成预测振动信号。
步骤S30，根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力，其中，所述目标振动补偿力与产生在所述数控机床中的振动力的方向相反；
需要说明的是，目标振动补偿力用于抵消数控机床中的振动力。
步骤S40，在所述数控机床中产生所述目标振动补偿力，以对所述数控机床进行振动抑制。
本申请实施例提供了一种振动抑制方法，应用于数控机床，本申请实施例首先获取该数控机床的实际振动信号和机床振动数据，然后通过将该机床振动数据输入到到预先训练好的多尺度卷积条件生成对抗网络，得到预测振动信号；接着根据该实际振动信号和该预测振动信号，确定目标振动补偿力，其中，该目标振动补偿力与产生在所述数控机床中的振动力的方向相反；最后在该数控机床中产生该目标振动补偿力，以对该数控机床进行振动抑制。本申请实施例通过多尺度卷积条件生成对抗网络预测得到的预测振动信号和数控机床的实际振动信号来生成与数控机床中的振动力的方向相反的目标振动补偿力，从而，数控机床能够通过该目标振动补偿力主动抵消掉产生在数控机床中的振动力，进而，通过主动消除数控机床的振动，实现了对数控机床的振动抑制，克服了数控机床被动减振无法完全抑制或抵消振动的技术缺陷，解决现有的数控机床的减振方式的减振效果差的技术问题，提高了数控机床的减振效果。另外地，本申请实施例通过数控机床主动且实时的进行振动抑制，从而能够减少操作员的干预，降低了人为干预所带来的误差，同时，还能够减少加工过程中因振动引起的加工件的误差，提高了加工精度，进而提高了能够在确保加工件的品质的同时，提高加工件的生产效率。
在一种可能实施的方式中，所述根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力的步骤，包括：
步骤S31，根据所述预测振动信号和预设振动信号，通过补偿力控制算法确定第一振动补偿力；
需要说明的是，该补偿力控制算法可以为PID（ProProtion IntegarlDifferential，比例-积分-微分）算法、力补偿算法等，预设振动信号用于表征数控机床处于正常的工作状态下所产生的振动信号，该第一振动补偿力用于表征抵消数控机床的预测振动力所需的振动补偿力的大小。
步骤S32，若所述实际振动信号与预设振动信号匹配，则将所述第一振动补偿力作为所述目标振动补偿力；
需要说明的是，该实际振动信号与预设振动信号匹配是指实际振动信号与预设振动信号相等，或者实际振动信号处于该预设振动信号允许的信号波动范围内。
可以理解的是，如果数控机床的实际振动信号与预设振动信号匹配，说明产生在数控机床中的振动信号并不会影响数控机床的正常工作，此时，为避免后续随着数控机床的工作会导致在数控机床中产生影响数控机床正常工作的振动信号，则可以在通过多尺度卷积条件生成对抗网络根据数控机床实时的机床振动数据预测得到预测振动信号后，通过补偿力控制算法计算得到用于抵消数控机床的预测振动力所需的振动补偿力的大小，以预先在数控机床中利用该振动补偿力抵消掉可能会影响数控机床正常工作的振动力，从而能够提高数控机床的加工稳定性。
步骤S33，若所述实际振动信号与预设振动信号不匹配，则根据所述实际振动信号和所述预设振动信号，通过补偿力控制算法确定第二振动补偿力；
需要说明的是，该第二振动补偿力用于表征抵消数控机床的实际振动力所需的振动补偿力的大小。
可以理解的是，如果数控机床的实际振动信号与预设振动信号不匹配，说明产生在数控机床中的振动信号会影响数控机床的正常工作，此时，则需要通过补偿力控制算法计算得到用于抵消数控机床的实际振动力所需的振动补偿力的大小。
步骤S34，合成所述第一振动补偿力和所述第二振动补偿力，得到所述目标振动补偿力。
可以理解的是，通过合成第一振动补偿力和第二振动补偿力所得到的目标振动补偿力不仅能够抵消掉实际影响数控机床正常工作的振动力，还能够抵消掉可能会影响数控机床正常工作的振动力。
本实施例中，首先根据预测振动信号和预设振动信号，通过补偿力控制算法确定第一振动补偿力，也即确定用于抵消数控机床的预测振动力所需的振动补偿力的大小，然后判断数控机床的实际振动信号是否与预设振动信号匹配，如果该数控机床的实际振动信号与预设振动信号匹配，说明产生在数控机床中的振动信号并不会影响数控机床的正常工作，此时，为避免后续随着数控机床的工作会导致在数控机床中产生影响数控机床正常工作的振动信号，则可以利用第一振动补偿力抵消掉可能会影响数控机床正常工作的振动力，以避免数控机床振动；而如果该数控机床的实际振动信号与预设振动信号不匹配，说明产生在数控机床中的振动信号会影响数控机床的正常工作，此时则需要根据实际振动信号和预设振动信号，通过补偿力控制算法确定第二振动补偿力，也即确定用于抵消数控机床的实际振动力所需的振动补偿力的大小，接着通过合成该第一振动补偿力和该第二振动补偿力，得到目标振动补偿力，以通过该目标振动补偿力同时抵消掉实际影响数控机床正常工作的振动力和可能会影响数控机床正常工作的振动力，以抑制数控机床的振动，从而在提高了数控机床的减震效果的基础上，确保了数控机床的加工精度。
在一种可能实施的方式中，所述数控机床包括电磁阀，所述在所述数控机床中产生所述目标振动补偿力的步骤，包括：
步骤A41，获取所述数控机床中的实际流体压力，并确定所述目标振动补偿力对应的目标流体压力，其中，流体压力包括气压或液压；
需要说明的是，实际流体压力是指当前时间点的数控机床中的流体压力，实际流体压力可以包括实际气压或者实际液压，目标流体压力是指当前时间点的数控机床中的流体压力需要达到的压力，目标流体压力可以包括目标气压或者目标液压。
可以通过在数控机床中安装气压传感器来获取数控机床中的实际气压，气压传感器的安装数量可以为一个，也可以为多个，本实施例对此并不作限定。可以理解的是，安装多个气压传感器相对于安装一个气压传感器所获取到的实际气压的精度更高。如果数控机床中安装了多个气压传感器，则可以将各气压传感器采集到的气压的平均值作为数控机床中的实际气压，也可以将各气压传感器采集到的气压中的众数作为数控机床中的实际气压，本实施例对此并不作限定。
可以通过在数控机床中安装液压传感器来获取数控机床中的实际液压，液压传感器的安装数量可以为一个，也可以为多个，本实施例对此并不作限定。可以理解的是，安装多个液压传感器相对于安装一个液压传感器所获取到的实际气压的精度更高。如数控机床中安装了多个液压传感器，则可以将各液压传感器采集到的液压的平均值作为数控机床中的实际液压，也可以将各液压传感器采集到的液压中的众数作为数控机床中的实际液压，本实施例对此并不作限定。
作为一种示例，为提高目标流体压力的确定效率，可以预先配置一个用于记录不同的振动补偿力与流体压力之间的对应关系的数据库，并将该数据库存储在数控机床的数据存储区域中，此时，所述确定所述目标振动补偿力对应的目标流体压力的步骤，包括：以所述目标流体压力为索引，在预设数据库中查找所述目标流体压力对应的目标流体压力。
步骤A42，根据所述实际流体压力和所述目标流体压力，计算得到流体压力调整值；
需要说明的是，该流体压力调整值用于表征实际流体压力调整至目标流体压力需要调整的压力的大小和方向。在根据实际流体压力和目标流体压力，计算得到流体压力调整值时，可以通过PID算法进行流体压力调整值的计算，该PID算法如下：
其中，w(k)为流体压力调整值，为PID算法的比例系数，/>为PID算法的积分系数，/>为PID算法的微分系数，e(k)为实际目标流体压力目标流体压力与实际流体压力的差值。
步骤A43，对所述流体压力调整值进行信号调制处理，生成电磁阀控制信号；
需要说明的是，该信号调制处理的目的在于将该流体压力调整值由模拟信号转换为数字信号，也即转换为该电磁阀控制信号。
步骤A44，响应于所述电磁阀控制信号，开启所述电磁阀，以在所述数控机床中产生所述目标振动补偿力。
需要说明的是，该电磁阀控制信号可以是一个脉冲方波信号，该电磁阀控制信号用于控制电磁阀的开启和关闭，该电磁阀控制信号的信号时长，即该电磁阀控制信号的脉冲宽度用于决定电磁阀的开启时长。电磁阀是一种能够精准控制液体流动或气体流动的装置。
本实施例中，首先获取数控机床中的实际流体压力，并确定目标振动补偿力对应的目标流体压力；然后根据该实际流体压力和该目标流体压力，计算得到流体压力调整值；接着对该流体压力调整值进行信号调制处理，以将该流体压力调整值由模拟信号转换为数字信号，生成电磁阀控制信号；最后响应于该电磁阀控制信号即可开启数控机床中的电磁阀，以在该数控机床中产生用于抵消数控机床的振动力的目标振动补偿力。从而，本实施例通过控制数控机床中的电磁阀来改变数控机床中的流体压力，以通过改变流体压力来在数控机床中产生用于抵消数控机床的振动力的目标振动补偿力，实现了对数控机床的振动抑制，提高了数控机床的减震效果。
在一种可能实施的方式中，所述数控机床包括压电陶瓷，所述在所述数控机床中产生所述目标振动补偿力的步骤，包括：
步骤B41，获取所述数控机床中的实际电场参数，并确定所述目标振动补偿力对应的目标电场参数；
需要说明的是，实际电场参数是指当前时间点的数控机床中的电场参数，该电场参数可以包括电场方向和电场大小，目标电场参数是指当前时间点的数控机床中的电场参数需要达到的参数大小。
可以通过在数控机床中安装电场检测仪来获取数控机床中的实际电场参数，电场检测仪的安装数量可以为一个，也可以为多个，本实施例对此并不作限定。可以理解的是，安装多个电场检测仪相对于安装一个电场检测仪所获取到的实际电场参数的精度更高。如果数控机床中安装了多个电场检测仪，则可以将各电场检测仪采集到的电场参数中的众数作为数控机床中的实际电场参数。
作为一种示例，为提高目标电场参数的确定效率，可以预先配置一个用于记录不同的振动补偿力与电场参数之间的对应关系的数据库，并将该数据库存储在数控机床的数据存储区域中，此时，所述确定所述目标振动补偿力对应的目标电场参数的步骤，包括：以所述目标流体压力为索引，在预设数据库中查找所述目标流体压力对应的目标电场参数。
步骤B42，根据所述实际电场参数和所述目标电场参数，计算得到电场参数调整值；
需要说明的是，该电场参数调整值表征实际电场参数调整至目标电场参数需要调整的电场的大小和方向。
步骤B43，对所述电场参数调整值进行信号调制处理，生成压电陶瓷控制信号；
需要说明的是，该信号调制处理的目的在于将该电场参数调整值由模拟信号转换为数字信号，也即转换为该压电陶瓷控制信号。
步骤B44，响应于所述压电陶瓷控制信号，控制所述压电陶瓷变形，以在所述数控机床中产生所述目标振动补偿力。
需要说明的是，该压电陶瓷控制信号可以是一个脉冲方波信号，该压电陶瓷控制信号用于控制压电陶瓷变形，该压电陶瓷控制信号的信号时长，即该压电陶瓷控制信号的脉冲宽度用于决定压电陶瓷的变形时长。压电陶瓷是一种能够通过电场激励而产生机械变形的材料，可以将压电陶瓷固定在数控机床的关键部位。
可以理解的是，通过调整数控机床中的电场参数，可以控制压电陶瓷变形，并调整压电陶瓷的变形度，从而能够在数控机床中通过压电陶瓷的变形产生用于抵消数控机床的振动力的目标振动补偿力。
本实施例中，首先获取数控机床中的实际电场参数，并确定目标振动补偿力对应的目标电场参数；然后根据该实际电场参数和该目标电场参数，计算得到电场参数调整值；接着对该电场参数调整值进行信号调制处理，以将该电场参数调整值由模拟信号转换为数字信号，生成压电陶瓷控制信号；最后响应于该压电陶瓷控制信号即可控制数控机床中的压电陶瓷变形，以在该数控机床中产生用于抵消数控机床的振动力的目标振动补偿力。从而，本实施例通过调整数控机床中的电场参数来控制数控机床中的压电陶瓷变形，以通过该压电陶瓷的变形来在数控机床中产生用于抵消数控机床的振动力的目标振动补偿力，实现了对数控机床的振动抑制，提高了数控机床的减震效果。
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，所述多尺度卷积条件生成对抗网络包括生成器和判别器，所述获取所述数控机床的实际振动信号和机床振动数据的步骤之前，所述振动抑制方法还包括：
步骤S01，获取机床振动样本数据，并对所述机床振动样本数据进行划分，得到训练样本集和测试样本集；
需要说明的是，机床振动样本数据中记录了数控机床在一定时间周期内的机床振动信号数据和该机床振动信号数据对应的真实振动信号，训练样本集用于训练得到多尺度卷积条件生成对抗网络，测试样本集用于测试得到的多尺度卷积条件生成对抗网络是否能够生成与真实振动信号高度相似的振动信号。
在获取机床振动样本数据时，可以从数控机床的数据存储区域中获取该机床振动样本数据，也可以从与数控机床通信连接的云设备端中获取该机床振动样本数据，本实施例对此并不作限定。
作为一种示例，所述对所述机床振动样本数据进行划分，得到训练样本集和测试样本集的步骤，可以包括：按比例对所述机床振动样本数据进行划分，得到训练样本集和测试样本集；也可以包括：按预设划分规则对所述机床振动样本数据进行划分，得到训练样本集和测试样本集，本示例对于划分机床振动样本数据的方式并不作具体限定。
步骤S02，从所述训练样本集中选取训练样本作为条件信息，所述生成器根据所述条件信息和随机噪声数据，生成振动信号；
需要说明的是，条件信息用于表征所选取的作为生成振动信号的依据的训练样本，生成器的目标是从随机噪声数据中生成与真实振动信号高度相似的振动信号，生成器可以包括多个分支，每个分支表示一个独立的处理路径，用于生成一部分振动信号的内容，每个分支可以使用不同大小的卷积核来捕获不同尺度的频率特征，每个分支都能够接收条件信息，以确定所生成的振动信号与该条件信息相关联。
另外地，需要说明的是，随机噪声数据通常是从某种频率分布（例如正态分布）中采样得到的，
步骤S03，根据所述测试样本集和所述振动信号，优化所述生成器的参数和所述判别器的参数；
需要说明的是，判别器的目标是评估接收到的振动信号的真实性，并区分生成器生成的振动信号和真实振动信号，而判别器在接收到振动信号以后，除了需要评估该振动信号的真实性，还需要考虑该振动信号与特定的条件信息（例如工作条件、切削参数等）之间的关系，以便于判别器更好地理解和识别与这些条件信息相关的特征，从而提高了判别器评估振动信号的准确性。例如，在特定的工作条件下，机床振动的频率模式与切削参数有关，判别器可以使用切削参数作为条件信息来检查生成器生成的振动信号是否在频率模式上与条件信息一致。
步骤S04，返回执行所述从所述训练样本集中选取作为条件信息，所述生成器根据所述条件信息和随机噪声数据，生成振动信号的步骤，直至所述生成器生成的振动信号与真实振动信号的相似度大于预设相似度阈值或者所述生成器的损失函数收敛且所述判别器的损失函数收敛，得到所述多尺度卷积条件生成对抗网络。
本实施例中，首先获取机床振动样本数据，并对获取到的述机床振动样本数据进行划分，得到训练样本集和测试样本集；然后从该训练样本集中选取训练样本作为条件信息，以通过生成器根据该条件信息和随机噪声数据，生成振动信号；接着根据该测试样本集和该振动信号，对生成器的参数和判别器的参数进行优化，重复上述过程，直至生成器生成的振动信号与真实振动信号的相似度大于预设相似度阈值或者生成器的损失函数收敛且所述判别器的损失函数收敛，得到多尺度卷积条件生成对抗网络。从而，本申请通过不断训练生成器生成的振动信号的准确度，以及判别器评估振动信号的准确度，使得最后所训练得到的多尺度卷积条件生成对抗网络能够准确预测机床振动数据所对应的预测振动信号，该预测振动信号与真实振动信号高度相似，从而提高了通过振动信号预测的准确率来提高了对数控机床振动预测的准确率。
在一种可能实施的方式中，所述获取机床振动样本数据的步骤，包括：
步骤S011，获取所述数控机床的历史机床振动信号数据，其中，所述历史机床振动信号数据包括历史振动信号和历史机床振动数据；
需要说明的是，历史机床振动信号数据是指数控机床在一定时间周期内的机床振动信号数据，历史振动信号是指数控机床在一定时间周期内的振动信号，历史机床振动数据是指数控机床在一定时间周期内的机床振动数据。
在获取数控机床的历史机床振动信号数据时，可以从数控机床的数据存储区域中获取该历史机床振动信号数据，也可以从与数控机床通信连接的云设备端中获取该历史机床振动信号数据，本实施例对此并不作限定。
步骤S012，按预设采样频率，对所述历史机床振动信号数据进行数据采样处理，得到采样机床振动信号数据；
需要说明的是，预设采样频率可以为一个默认的采样频率，也可以根据实际需求进行设置，本实施例对此并不作限定。该采样机床振动信号数据是指经过数据采样处理后的历史机床振动信号数据。
可以理解的是，按预设采样频率，对历史机床振动信号数据进行数据采样处理的目的在于减少后续数据的处理数量，使得数据便于处理。
步骤S013，对所述采样机床振动信号数据进行去噪处理和滤波处理，得到目标机床振动信号数据；
需要说明的是，该目标机床振动信号数据是指经过去噪处理和滤波处理后的采样机床振动信号数据。去噪处理的目的在于去除采样机床振动信号数据中的噪声数据，以避免后续噪声数据对多尺度卷积条件生成对抗网络的训练过程影响。滤波处理的目标在于滤除采样机床振动信号数据中的无用数据。
步骤S014，从所述目标机床振动信号数据中提取预设特征下的数据，并将提取到的数据进行归一化处理，得到所述机床振动样本数据。
需要说明的是，预设特征可以包括振幅特征、频率特征、时域特征等，归一化处理的目的在于确保不同数据之间的可比性，以将不同的数据放到相同的幅度范围内。
本实施例中，首先获取数控机床的历史机床振动信号数据，然后按预设采样频率，对该历史机床振动信号数据进行数据采样处理，得到采样机床振动信号数据，以减少后续数据的处理数量；接着对该采样机床振动信号数据进行去噪处理和滤波处理，得到目标机床振动信号数据，以去除采样机床振动信号数据中的噪声数据和无用数据；然后从目标机床振动信号数据中提取预设特征下的数据，并将提取到的数据进行归一化处理，得到机床振动样本数据。从而，本实施例通过对数控机床的历史机床振动信号数据依次进行数据采样处理、去噪处理、滤波处理、特征提取和归一化处理得到机床振动样本数据，以在通过该机床振动样本数据来进行多尺度卷积条件生成对抗网络的训练时，不仅能够提高训练效率，还能够提高训练的精度，也即不仅能快速训练得到多尺度卷积条件生成对抗网络，且训练得到的多尺度卷积条件生成对抗网络能够生成与真实振动信号高度相似的振动信号。
在一种可能实施的方式中，所述根据所述测试样本集和所述振动信号，优化所述生成器的参数和所述判别器的参数的步骤，包括：
步骤S031，在所述测试样本集中获取所述训练样本对应的真实振动信号；
步骤S032，根据所述振动信号和所述真实振动信号之间的差异度，构建所述生成器的损失函数，并校验所述生成器的损失函数是否为收敛函数；
步骤S033，若校验到所述生成器的损失函数不是收敛函数，则根据所述生成器的损失函数的计算梯度，优化所述生成器的参数；
需要说明的是，在根据生成器的损失函数的计算梯度来优化生成器的参数时，实际是通过反向传播算法和梯度下降的方式来更新生成器的参数，以对生成器的损失函数进行一定的收敛。
步骤S034，根据所述判别器对所述振动信号和所述真实振动信号的分类准确度，构建所述判别器的损失函数，并校验所述判别器的损失函数是否为收敛函数；
步骤S035，若校验到所述判别器的损失函数不是收敛函数，则根据所述判别器的损失函数的计算梯度，优化所述判别器的参数。
需要说明的是，在根据判别器的损失函数的计算梯度来优化判别器的参数时，实际是通过反向传播算法和梯度下降的方式来更新判别器的参数，以对判别器的损失函数进行一定的收敛。
作为一种示例，多尺度卷积条件生成对抗网络的损失函数如下：
其中，G表示生成器，D表示判别器，E(*)表示分布函数的期望值，表示训练样本集的分布，/>表示随机噪声数据的分布，x表示训练样本集，y表示条件信息。
本实施例中，首先在测试样本集中获取所选择的述训练样本对应的真实振动信号，然后根据生成器生成的振动信号和该真实振动信号之间的差异度来构建生成器的损失函数，如果构建得到的生成器的损失函数不是收敛函数，则根据该生成器的损失函数的计算梯度对该生成器的参数进行优化，接着根据判别器对该振动信号和该真实振动信号的分类准确度来构建判别器的损失函数，如果构建得到的判别器的损失函数不是收敛函数，则根据该判别器的损失函数的计算梯度对该判别器的参数进行优化。从而，本实施例通过不断优化生成器的参数和判别器的参数，使得生成器生成的振动信号的准确度变高，以及判别器评估振动信号的准确度也变高，以提高多尺度卷积条件生成对抗网络的预测准确率。
实施例三
本发明实施例还提供一种振动抑制装置，应用于数控机床，请参照图4，所述振动抑制装置包括：
获取模块10，用于获取所述数控机床的实际振动信号和机床振动数据；
预测模块20，用于通过将所述机床振动数据输入到预先训练好的多尺度卷积条件生成对抗网络，得到预测振动信号；
确定模块30，用于根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力，其中，所述目标振动补偿力与产生在所述数控机床中的振动力的方向相反；
抑制模块40，用于在所述数控机床中产生所述目标振动补偿力，以对所述数控机床进行振动抑制。
可选地，所述确定模块30还用于：
根据所述预测振动信号和预设振动信号，通过补偿力控制算法确定第一振动补偿力；
若所述实际振动信号与预设振动信号匹配，则将所述第一振动补偿力作为所述目标振动补偿力；
若所述实际振动信号与预设振动信号不匹配，则根据所述实际振动信号和所述预设振动信号，通过补偿力控制算法确定第二振动补偿力；
合成所述第一振动补偿力和所述第二振动补偿力，得到所述目标振动补偿力。
可选地，所述数控机床包括电磁阀，所述抑制模块40还用于：
获取所述数控机床中的实际流体压力，并确定所述目标振动补偿力对应的目标流体压力，其中，流体压力包括气压或液压；
根据所述实际流体压力和所述目标流体压力，计算得到流体压力调整值；
对所述流体压力调整值进行信号调制处理，生成电磁阀控制信号；
响应于所述电磁阀控制信号，开启所述电磁阀，以在所述数控机床中产生所述目标振动补偿力。
可选地，所述数控机床包括压电陶瓷，所述抑制模块40还用于：
获取所述数控机床中的实际电场参数，并确定所述目标振动补偿力对应的目标电场参数；
根据所述实际电场参数和所述目标电场参数，计算得到电场参数调整值；
对所述电场参数调整值进行信号调制处理，生成压电陶瓷控制信号；
响应于所述压电陶瓷控制信号，控制所述压电陶瓷变形，以在所述数控机床中产生所述目标振动补偿力。
可选地，所述多尺度卷积条件生成对抗网络包括生成器和判别器，所述振动抑制装置还包括：
获取机床振动样本数据，并对所述机床振动样本数据进行划分，得到训练样本集和测试样本集；
从所述训练样本集中选取训练样本作为条件信息，所述生成器根据所述条件信息和随机噪声数据，生成振动信号；
根据所述测试样本集和所述振动信号，优化所述生成器的参数和所述判别器的参数；
返回执行所述从所述训练样本集中选取训练样本作为条件信息，所述生成器根据所述条件信息和随机噪声数据，生成振动信号的步骤，直至所述生成器生成的振动信号与真实振动信号的相似度大于预设相似度阈值或者所述生成器的损失函数收敛且所述判别器的损失函数收敛，得到所述多尺度卷积条件生成对抗网络。
可选地，所述振动抑制装置还包括：
获取所述数控机床的历史机床振动信号数据，其中，所述历史机床振动信号数据包括历史振动信号和历史机床振动数据；
按预设采样频率，对所述历史机床振动信号数据进行数据采样处理，得到采样机床振动信号数据；
对所述采样机床振动信号数据进行去噪处理和滤波处理，得到目标机床振动信号数据；
从所述目标机床振动信号数据中提取预设特征下的数据，并将提取到的数据进行归一化处理，得到所述机床振动样本数据。
可选地，所述振动抑制装置还包括：
在所述测试样本集中获取所述训练样本对应的真实振动信号；
根据所述振动信号和所述真实振动信号之间的差异度，构建所述生成器的损失函数，并校验所述生成器的损失函数是否为收敛函数；
若校验到所述生成器的损失函数不是收敛函数，则根据所述生成器的损失函数的计算梯度，优化所述生成器的参数；
根据所述判别器对所述振动信号和所述真实振动信号的分类准确度，构建所述判别器的损失函数，并校验所述判别器的损失函数是否为收敛函数；
若校验到所述判别器的损失函数不是收敛函数，则根据所述判别器的损失函数的计算梯度，优化所述判别器的参数。
本发明提供的振动抑制装置，采用上述实施例一或实施例二中的振动抑制方法，能够解决现有的数控机床的减振方式的减振效果差的技术问题。与现有技术相比，本发明实施例提供的振动抑制装置的有益效果与上述实施例提供的振动抑制方法的有益效果相同，且所述振动抑制装置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。
实施例四
本发明实施例提供一种电子设备，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一中的振动抑制方法。
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 ApplicationDescription：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），其可以根据存储在只读存储器（ROM：Read Only Memory）1002中的程序或者从存储装置1003加载到随机访问存储器（RAM：Random Access Memory）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、加速度计、陀螺仪等的输入装置1007；包括例如液晶显示器（LCD：LiquidCrystal Display）、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1009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装置从网络上被下载和安装，或者从存储装置1003被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本公开实施例的方法中限定的上述功能。
本发明提供的电子设备，采用上述实施例中的振动抑制方法，能解决现有的数控机床的减振方式的减振效果差的技术问题。与现有技术相比，本发明实施例提供的电子设备的有益效果与上述实施例提供的振动抑制方法的有益效果相同，且该电子设备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一中的振动抑制方法。
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地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：Random Access Memory）、只读存储器（ROM：Read Only Memory）、可擦式可编程只读存储器（EPROM：Erasable Programmable Read Only Memory或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM：CD-Read Only Memory）、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（Radio Frequency：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电子设备执行时，使得电子设备：获取所述数控机床的实际振动信号和机床振动数据；通过将所述机床振动数据输入到预先训练好的多尺度卷积条件生成对抗网络，得到预测振动信号；根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力，其中，所述目标振动补偿力与产生在所述数控机床中的振动力的方向相反；在所述数控机床中产生所述目标振动补偿力，以对所述数控机床进行振动抑制。
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：Local Area Network）或广域网（WAN：Wide Area Network）—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存储有用于执行上述振动抑制方法的计算机可读程序指令，能够解决现有的数控机床的减振方式的减振效果差的技术问题。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振动抑制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振动抑制方法的步骤。
本申请提供的计算机程序产品能够解决现有的数控机床的减振方式的减振效果差的技术问题。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实施例一或实施例二提供的振动抑制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)

1.一种振动抑制方法，其特征在于，应用于数控机床，所述振动抑制方法包括：
获取所述数控机床的实际振动信号和机床振动数据；
通过将所述机床振动数据输入到预先训练好的多尺度卷积条件生成对抗网络，得到预测振动信号；
根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力，其中，所述目标振动补偿力与产生在所述数控机床中的振动力的方向相反；
在所述数控机床中产生所述目标振动补偿力，以对所述数控机床进行振动抑制。
2.如权利要求1所述的振动抑制方法，其特征在于，所述根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力的步骤，包括：
根据所述预测振动信号和预设振动信号，通过补偿力控制算法确定第一振动补偿力；
若所述实际振动信号与预设振动信号匹配，则将所述第一振动补偿力作为所述目标振动补偿力；
若所述实际振动信号与预设振动信号不匹配，则根据所述实际振动信号和所述预设振动信号，通过补偿力控制算法确定第二振动补偿力；
合成所述第一振动补偿力和所述第二振动补偿力，得到所述目标振动补偿力。
3.如权利要求1所述的振动抑制方法，其特征在于，所述数控机床包括电磁阀，所述在所述数控机床中产生所述目标振动补偿力的步骤，包括：
获取所述数控机床中的实际流体压力，并确定所述目标振动补偿力对应的目标流体压力，其中，流体压力包括气压或液压；
根据所述实际流体压力和所述目标流体压力，计算得到流体压力调整值；
对所述流体压力调整值进行信号调制处理，生成电磁阀控制信号；
响应于所述电磁阀控制信号，开启所述电磁阀，以在所述数控机床中产生所述目标振动补偿力。
4.如权利要求1所述的振动抑制方法，其特征在于，所述数控机床包括压电陶瓷，所述在所述数控机床中产生所述目标振动补偿力的步骤，包括：
获取所述数控机床中的实际电场参数，并确定所述目标振动补偿力对应的目标电场参数；
根据所述实际电场参数和所述目标电场参数，计算得到电场参数调整值；
对所述电场参数调整值进行信号调制处理，生成压电陶瓷控制信号；
响应于所述压电陶瓷控制信号，控制所述压电陶瓷变形，以在所述数控机床中产生所述目标振动补偿力。
5.如权利要求1至4中任一项所述的振动抑制方法，其特征在于，所述多尺度卷积条件生成对抗网络包括生成器和判别器，所述获取所述数控机床的实际振动信号和机床振动数据的步骤之前，所述振动抑制方法还包括：
获取机床振动样本数据，并对所述机床振动样本数据进行划分，得到训练样本集和测试样本集；
从所述训练样本集中选取训练样本作为条件信息，所述生成器根据所述条件信息和随机噪声数据，生成振动信号；
根据所述测试样本集和所述振动信号，优化所述生成器的参数和所述判别器的参数；
返回执行所述从所述训练样本集中选取训练样本作为条件信息，所述生成器根据所述条件信息和随机噪声数据，生成振动信号的步骤，直至所述生成器生成的振动信号与真实振动信号的相似度大于预设相似度阈值或者所述生成器的损失函数收敛且所述判别器的损失函数收敛，得到所述多尺度卷积条件生成对抗网络。
6.如权利要求5所述的振动抑制方法，其特征在于，所述获取机床振动样本数据的步骤，包括：
获取所述数控机床的历史机床振动信号数据，其中，所述历史机床振动信号数据包括历史振动信号和历史机床振动数据；
按预设采样频率，对所述历史机床振动信号数据进行数据采样处理，得到采样机床振动信号数据；
对所述采样机床振动信号数据进行去噪处理和滤波处理，得到目标机床振动信号数据；
从所述目标机床振动信号数据中提取预设特征下的数据，并将提取到的数据进行归一化处理，得到所述机床振动样本数据。
7.如权利要求5所述的振动抑制方法，其特征在于，所述根据所述测试样本集和所述振动信号，优化所述生成器的参数和所述判别器的参数的步骤，包括：
在所述测试样本集中获取所述训练样本对应的真实振动信号；
根据所述振动信号和所述真实振动信号之间的差异度，构建所述生成器的损失函数，并校验所述生成器的损失函数是否为收敛函数；
若校验到所述生成器的损失函数不是收敛函数，则根据所述生成器的损失函数的计算梯度，优化所述生成器的参数；
根据所述判别器对所述振动信号和所述真实振动信号的分类准确度，构建所述判别器的损失函数，并校验所述判别器的损失函数是否为收敛函数；
若校验到所述判别器的损失函数不是收敛函数，则根据所述判别器的损失函数的计算梯度，优化所述判别器的参数。
8.一种振动抑制装置，其特征在于，应用于数控机床，所述振动抑制装置包括：
获取模块，用于获取所述数控机床的实际振动信号和机床振动数据；
预测模块，用于通过将所述机床振动数据输入到预先训练好的多尺度卷积条件生成对抗网络，得到预测振动信号；
确定模块，用于根据所述实际振动信号和所述预测振动信号，确定目标振动补偿力，其中，所述目标振动补偿力与产生在所述数控机床中的振动力的方向相反；
抑制模块，用于在所述数控机床中产生所述目标振动补偿力，以对所述数控机床进行振动抑制。
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如权利要求1至7中任一项所述的振动抑制方法的步骤。
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振动抑制方法的程序，所述实现振动抑制方法的程序被处理器执行以实现如权利要求1至7中任一项所述的振动抑制方法的步骤。
CN202311333046.0A 2023-10-16 2023-10-16 振动抑制方法、装置、电子设备及可读存储介质 Active CN117075535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311333046.0A CN117075535B (zh) 2023-10-16 2023-10-16 振动抑制方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311333046.0A CN117075535B (zh) 2023-10-16 2023-10-16 振动抑制方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN117075535A true CN117075535A (zh) 2023-11-17
CN117075535B CN117075535B (zh) 2024-01-02

Family

ID=88717565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311333046.0A Active CN117075535B (zh) 2023-10-16 2023-10-16 振动抑制方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN117075535B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100083473A (ko) * 2009-01-14 2010-07-22 한국기계연구원 공작기계의 채터진동 보상장치
CN103447617A (zh) * 2013-07-23 2013-12-18 杭州电子科技大学 一种基于主振模态预测的带锯条振动主动抑制装置及方法
CN105317217A (zh) * 2014-06-17 2016-02-10 中联重科股份有限公司 臂架回转振动抑制设备、系统、方法及工程机械
CN106002489A (zh) * 2016-07-07 2016-10-12 上海师范大学 一种消除数控机床切削颤振的自动补偿装置和方法
CN107462394A (zh) * 2017-07-24 2017-12-12 大连理工大学 基于平滑预测策略的多传感器风洞支杆抑振方法
KR20180054354A (ko) * 2016-11-15 2018-05-24 주식회사 대영테크 공작기계의 진동 적응제어방법
CN108227505A (zh) * 2018-01-30 2018-06-29 西安交通大学 基于预测-自适应控制的铣削电主轴振动抑制系统及方法
CN110131352A (zh) * 2019-05-16 2019-08-16 兰州理工大学 一种基于压电作动的主被动一体化振动控制器
CN110153781A (zh) * 2019-05-24 2019-08-23 西北工业大学 基于弯曲型致动器的薄壁件加工振动抑制装置及方法
CN111618651A (zh) * 2020-06-08 2020-09-04 清华大学 一种用于航空发动机叶片精密加工的切削过程时变调控系统及方法
WO2021192023A1 (ja) * 2020-03-24 2021-09-30 三菱電機株式会社 数値制御装置
CN117077729A (zh) * 2023-07-20 2023-11-17 中国地质大学（武汉） 基于lstm的轴向-周向耦合钻柱振动程度预测方法及装置
CN117131437A (zh) * 2023-08-28 2023-11-28 成都天翔动力技术研究院有限公司 发动机振动故障隔离方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100083473A (ko) * 2009-01-14 2010-07-22 한국기계연구원 공작기계의 채터진동 보상장치
CN103447617A (zh) * 2013-07-23 2013-12-18 杭州电子科技大学 一种基于主振模态预测的带锯条振动主动抑制装置及方法
CN105317217A (zh) * 2014-06-17 2016-02-10 中联重科股份有限公司 臂架回转振动抑制设备、系统、方法及工程机械
CN106002489A (zh) * 2016-07-07 2016-10-12 上海师范大学 一种消除数控机床切削颤振的自动补偿装置和方法
KR20180054354A (ko) * 2016-11-15 2018-05-24 주식회사 대영테크 공작기계의 진동 적응제어방법
CN107462394A (zh) * 2017-07-24 2017-12-12 大连理工大学 基于平滑预测策略的多传感器风洞支杆抑振方法
CN108227505A (zh) * 2018-01-30 2018-06-29 西安交通大学 基于预测-自适应控制的铣削电主轴振动抑制系统及方法
CN110131352A (zh) * 2019-05-16 2019-08-16 兰州理工大学 一种基于压电作动的主被动一体化振动控制器
CN110153781A (zh) * 2019-05-24 2019-08-23 西北工业大学 基于弯曲型致动器的薄壁件加工振动抑制装置及方法
WO2021192023A1 (ja) * 2020-03-24 2021-09-30 三菱電機株式会社 数値制御装置
CN115315665A (zh) * 2020-03-24 2022-11-08 三菱电机株式会社 数控装置
CN111618651A (zh) * 2020-06-08 2020-09-04 清华大学 一种用于航空发动机叶片精密加工的切削过程时变调控系统及方法
CN117077729A (zh) * 2023-07-20 2023-11-17 中国地质大学（武汉） 基于lstm的轴向-周向耦合钻柱振动程度预测方法及装置
CN117131437A (zh) * 2023-08-28 2023-11-28 成都天翔动力技术研究院有限公司 发动机振动故障隔离方法

Also Published As

Publication number Publication date
CN117075535B (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
KR100864270B1 (ko) 비선형 모델 및 이 비선형 모델을 이용하여 시뮬레이션 시험 드라이브 신호를 생성하기 위한 방법 및 장치
CN109471171B (zh) 一种混叠地震数据分离的方法、装置及系统
KR101339844B1 (ko) 이동 표준 편차를 이용한 데이터 필터링 장치 및 방법
WO2021033547A1 (ja) 地震観測装置、地震観測方法、及び、記録媒体
US20200409823A1 (en) Method and apparatus for optimal distribution of test cases among different testing platforms
JP6236282B2 (ja) 異常検出装置、異常検出方法、及びコンピュータ読み取り可能な記憶媒体
CN107231115B (zh) 伺服控制装置以及伺服控制方法
Jana et al. Computer vision‐based real‐time cable tension estimation algorithm using complexity pursuit from video and its application in Fred‐Hartman cable‐stayed bridge
US20220187486A1 (en) Computer system and data processing method
CN117075535B (zh) 振动抑制方法、装置、电子设备及可读存储介质
CN115983165A (zh) Lms自适应滤波器的性能测试方法和性能测试装置
Shah et al. Data-driven feedforward control design and input shaping techniques for multi actuator drives
CN116776289B (zh) 数控机床加工方法、装置、电子设备及可读存储介质
JP7092818B2 (ja) 異常検知装置
Sakrutina Wavelet Analysis based Stability Conditions of a Prediction Model.
CN111798263A (zh) 一种交易趋势的预测方法和装置
JP2011523453A (ja) 測定信号の相対ノイズ
US20200218941A1 (en) Methods and apparatus to simulate sensor data
KR101667481B1 (ko) 탄성파 트레이스 내삽을 위한 방법 및 그 장치
EP3734219A1 (en) System and method for determining servicability and remaining life of an in-service structure using three-dimensional scan data
CN114067317A (zh) 染色体异常事件的检测方法、装置、电子设备及介质
Cheng et al. Dynamic Illustration of Stranded Wire Helical Springs Using a Modified Bouc–Wen Model
CN113779859A (zh) 可解释的时序预测模型的训练方法、装置和计算设备
CN112565979B (zh) 扬声器频响数值计算方法、装置、电子设备及存储介质
CN110597207B (zh) 一种焦化操作动作量识别方法、系统及计算机可读存介质

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