CN117075537A - 车床监控方法、系统、电子设备及存储介质 - Google Patents
车床监控方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117075537A CN117075537A CN202311334716.0A CN202311334716A CN117075537A CN 117075537 A CN117075537 A CN 117075537A CN 202311334716 A CN202311334716 A CN 202311334716A CN 117075537 A CN117075537 A CN 117075537A
- Authority
- CN
- China
- Prior art keywords
- lathe
- parameters
- historical
- quality
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000012544 monitoring process Methods 0.000 title claims abstract description 103
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000003754 machining Methods 0.000 claims abstract description 203
- 238000007514 turning Methods 0.000 claims abstract description 129
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims description 132
- 230000008569 process Effects 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 230000004044 response Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—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 monitoring or safety
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33302—Different sets of monitoring parameters for each operation mode
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Numerical Control (AREA)
Abstract
本申请属于车床监控的技术领域,公开了一种车床监控方法、系统、电子设备及存储介质,该方法包括:获取车床的工艺参数、车床各部件的动态特征数据和加工工件的结构参数,以及监控训练样本,从工艺参数和结构参数中提取得到车削质量影响数据,根据监控训练样本,结合预设的车床运动误差模型,构建加工质量预测模型,将动态特征数据和车削质量影响数据输入加工质量预测模型,计算得到预测加工质量参数,基于预设的实际加工条件,结合加工质量预测模型,调节预测加工质量参数,以对车床进行监控,通过车床监控系统以及加工质量预测模型,调节预测加工质量数据,以实现对车床的监控,提高了车床的加工质量和生产效率。
Description
技术领域
本申请涉及车床监控的技术领域,具体而言,涉及一种车床监控方法、系统、电子设备及存储介质。
背景技术
目前,通过数字化监控技术对高端数控机床进行监控已成为常用手段。数字化监控技术主要指一种以大数据采集为基础,通过建立数控机床的加工状态的数字孪生模型,利用数据挖掘相关智能算法,对数控机床进行动态数据采集和实时监控,实现数控加工流程与工艺参数在线优化、状态实时监控与诊断控制等功能的技术。
现有对于硬脆材料的车削加工,缺乏考虑机床动态响应特性给车削加工质量带来的影响,由于车削加工过程影响因子多,主轴系统跳动、热变形误差、工件系统不平衡、刀具磨损、加工颤振等任何物理现象的发生都会导致车削过程的动态性能发生改变,是硬脆性材料车削加工质量及效率的重要因素。
因此,为了解决现有的车床监控方法因缺乏考虑车床动态响应特性而影响车削加工质量的技术问题,亟需一种车床监控方法、系统、电子设备及存储介质。
发明内容
本申请的目的在于提供一种车床监控方法、系统、电子设备及存储介质,通过车床监控系统以及加工质量预测模型,调节预测加工质量数据,以实现对车床的监控,解决现有的车床监控方法因缺乏考虑车床动态响应特性而影响车削加工质量的问题,通过多维数据对车床加工状态进行监控及分析,对车床的工艺参数的自动调整与反馈,提高了车床的加工质量和生产效率。
第一方面,本申请提供了一种车床监控系统,用于对车床进行监控,包括:
检测模块,用于获取车床各部件的运行参数;
采集模块,用于获取所述运行参数对应的数据矩阵;
模型模块,用于基于预设的车床运动误差模型,建立加工质量预测模型;
监控模块,用于根据所述数据矩阵和所述加工质量预测模型,结合获取的车削质量影响数据和预设的实际加工条件,对所述车床的工艺参数进行调整,以对所述车床进行监控。
本申请提供的车床监控系统可以实现对车床进行监控,通过加工质量预测模型,调节车床的工艺参数,以实现对车床的监控,解决现有的车床监控方法因缺乏考虑车床动态响应特性而影响车削加工质量的问题,通过多维数据对车床加工状态进行监控及分析,对车床的工艺参数的自动调整与反馈,提高了车床的加工质量和生产效率。
可选地,所述检测模块包括振动子模块、位移子模块、作用力子模块和温度子模块;
所述振动子模块用于获取车床主轴振动数据和切削刀具振动数据;
所述位移子模块用于获取车床主轴微位移量和车床导轨微位移量;
所述作用力子模块用于获取车床主轴工作端面反作用力和车削作用力;
所述温度子模块用于获取主轴系统工作的温度变化、车床导轨安装结合面工作的温度变化、车床导轨热工作的温度变化。
可选地,所述监控模块包括提取子模块、第一计算子模块、第二计算子模块、调节子模块;
所述提取子模块用于获取车床的工艺参数和加工工件的结构参数,并从所述工艺参数和所述结构参数中提取对应的车削质量影响数据;
所述第一计算子模块用于基于所述预设的实际加工条件,结合所述加工质量预测模型,计算得到最优加工质量参数;
所述第二计算子模块用于将所述车削质量影响数据和所述数据矩阵输入到所述加工质量预测模型,计算得到预测加工质量参数;
所述调节子模块用于调节所述工艺参数,以使所述预测加工质量参数趋于所述最优加工质量参数。
第二方面,本申请提供了一种车床监控方法,应用于上文所述的车床监控系统以对车床进行监控,包括步骤:
获取车床的工艺参数、车床各部件的动态特征数据和加工工件的结构参数,以及车床数据库的监控训练样本;所述监控训练样本包括车床各部件的历史动态特征数据、车床的历史工艺参数和加工工件的历史结构参数及对应的历史加工质量参数;
从所述工艺参数和所述结构参数中提取得到对应的车削质量影响数据;
根据所述历史动态特征数据、所述历史工艺参数和所述历史结构参数及对应的历史加工质量参数,结合预设的车床运动误差模型,构建加工质量预测模型;
将所述动态特征数据和所述车削质量影响数据输入所述加工质量预测模型,计算得到预测加工质量参数;
基于预设的实际加工条件,结合所述加工质量预测模型,调节所述预测加工质量参数,以对所述车床进行监控。
本申请提供的车床监控方法可以实现对车床进行监控,通过车床监控系统以及加工质量预测模型,调节预测加工质量数据,以实现对车床的监控,解决现有的车床监控方法因缺乏考虑车床动态响应特性而影响车削加工质量的问题,通过多维数据对车床加工状态进行监控及分析,对车床的工艺参数的自动调整与反馈,提高了车床的加工质量和生产效率。
可选地,根据所述历史动态特征数据、所述历史工艺参数和所述历史结构参数及对应的历史加工质量参数,结合预设的车床运动误差模型,构建加工质量预测模型,包括:
从所述历史工艺参数和所述历史结构参数中提取得到对应的历史车削质量影响数据;
根据所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,结合所述预设的车床运动误差模型,构建所述加工质量预测模型。
本申请提供的车床监控方法可以实现对车床进行监控,通过从历史工艺参数和历史结构参数中提取得到历史车削质量影响数据,能够有效提高加工质量预测模型的训练效率,从而提高对车床的监控效率,有利于提高车床的加工质量和生产效率。
可选地,根据所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,结合所述预设的车床运动误差模型,构建所述加工质量预测模型,包括:
以所述预设的车床运动误差模型为依据,构建与所述历史动态特征数据和历史车削质量影响数据对应的初步加工质量预测模型;
根据所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,训练所述初步加工质量预测模型,得到训练后的初步加工质量预测模型;
基于所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,验证所述训练后的初步加工质量预测模型,得到所述加工质量预测模型。
本申请提供的车床监控方法可以实现对车床进行监控,通过历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,结合预设的车床运动误差模型,构建加工质量预测模型,通过构建加工质量预测模型,预测车床的加工状态,有利于提高车床的加工质量和生产效率。
选地,根据所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,训练所述初步加工质量预测模型,得到训练后的初步加工质量预测模型,包括:
将所述历史动态特征数据和历史车削质量影响数据输入到所述初步加工质量预测模型,得到对应的输出数据;
根据所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数和所述对应的输出数据,确定训练误差;
基于所述训练误差,调整所述初步加工质量预测模型的参数,得到最优参数,并利用所述最优参数,优化所述初步加工质量预测模型,得到所述训练后的初步加工质量预测模型。
可选地,基于预设的实际加工条件,结合所述加工质量预测模型,调节所述预测加工质量参数,以对所述车床进行监控,包括:
基于所述预设的实际加工条件,确定所述车床各部件的动态特征数据的第一加工要求范围和所述车削质量影响数据的第二加工要求范围;
根据所述第一加工要求范围和所述第二加工要求范围,结合所述加工质量预测模型,计算得到最优加工质量参数;
调节所述工艺参数,以调节所述预测加工质量参数,以使调节后的预测加工质量参数趋于所述最优加工质量参数。
第三方面,本申请提供了一种电子设备,包括处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时,运行如前文所述车床监控方法中的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如前文所述车床监控方法中的步骤。
有益效果:本申请提供的车床监控方法、系统、电子设备及存储介质,通过车床监控系统以及加工质量预测模型,调节预测加工质量数据,以实现对车床的监控,解决现有的车床监控方法因缺乏考虑车床动态响应特性而影响车削加工质量的问题,通过多维数据对车床加工状态进行监控及分析,对车床的工艺参数的自动调整与反馈,提高了车床的加工质量和生产效率。
附图说明
图1为本申请实施例提供的车床监控系统的结构示意图。
图2为本申请实施例提供的车床监控方法的流程图。
图3为本申请实施例提供的电子设备的结构示意图。
标号说明:1、检测模块;2、采集模块;3、模型模块;4、监控模块;301、处理器;302、存储器;303、通信总线。
具体实施方式
下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,本申请提供了一种车床监控系统,用于对车床进行监控,包括:
检测模块1,用于获取车床各部件的运行参数;
采集模块2,用于获取运行参数对应的数据矩阵;
模型模块3,用于基于预设的车床运动误差模型,建立加工质量预测模型;
监控模块4,用于根据数据矩阵和加工质量预测模型,结合获取的车削质量影响数据和预设的实际加工条件,对车床的工艺参数进行调整,以对车床进行监控。
该车床监控系统,通过加工质量预测模型,调节车床的工艺参数,以实现对车床的监控,解决现有的车床监控方法因缺乏考虑车床动态响应特性而影响车削加工质量的问题,通过多维数据对车床加工状态进行监控及分析,对车床的工艺参数的自动调整与反馈,提高了车床的加工质量和生产效率。
具体地,检测模块1包括振动子模块、位移子模块、作用力子模块和温度子模块;
振动子模块用于获取车床主轴振动数据和切削刀具振动数据;
位移子模块用于获取车床主轴微位移量和车床导轨微位移量;
作用力子模块用于获取车床主轴工作端面反作用力和车削作用力;
温度子模块用于获取主轴系统工作的温度变化、车床导轨安装结合面工作的温度变化、车床导轨热工作的温度变化。
具体应用中,振动子模块包括振动传感器(或六维力传感器或加速度传感器),位移子模块包括微位移传感器,作用力子模块包括力传感器,温度子模块包括温度传感器。各子模块的设置可以根据实际需要进行修改。通过上述各子模块(各传感器),可以获取车床各部件的运行参数,从而提取运行参数中可以反映机床车削过程中动态特性的动态特征数据,检测的区域和动态特征数据具体如下所示:
;
其中,输入变量Bn为反映机床车削过程中动态特性的动态特征数据,在车床监控时作为车床运动误差模型和加工质量预测模型的输入数据,n为动态特征数据的数量。
具体地,在车床运行时,采集模块2采集检测模块1中各子模块的检测点处所检测的数据,得到各检测点的数据矩阵,即车床各部件的运行参数对应的数据矩阵,通过车床各部件的运行参数,可确定反映机床车削过程中动态特性的动态特征数据。
具体地,模型模块3设置有车床运动误差模型,车床运动误差模型的输入数据为各动态特征数据,输出为各动态特征数据对应的误差变量矩阵,误差变量矩阵;其中,/>为第i个动态特征数据的误差变量矩阵,i为第i个动态特征数据,变量/>分别代表第i个动态特征数据在车床参考坐标系的横坐标方向、纵坐标方向和竖坐标方向上的误差(即位移误差),/>分别代表第i个动态特征数据绕横坐标方向、纵坐标方向和竖坐标方向的余弦误差(即角度误差),将各动态特征数据输入车床运动误差模型,即可得到对应的位移误差和角度误差,建立各动态特征数据的齐次变换矩阵,齐次变换矩阵具体为:
;
其中,Ti为第i个动态特征数据的齐次变换矩阵,C、D、E分别为子单元位置坐标的横坐标、纵坐标和竖坐标,子单元位置坐标为的车床参考坐标系中一个固定的已知的坐标。
齐次变换矩阵表示用矩阵的形式表达动态特征数据对应的车床各部件相对于车床参考坐标系的位置。
模型模块3在执行对应的功能操作时,将动态特征数据输入车床运动误差模型,可以确定各动态特征数据的误差(误差变量矩阵),从而对各输入数据进行监控。
在对车床进行监控前,要明确导致车床加工质量和效率改变的因素(车削质量影响因素),并将引起加工质量和效率变化的因素和优化目标作为加工质量预测模型的输入变量(输入数据)和输出变量(输出数据)。
输入变量通常由车削质量影响因素组成,因此,需要获取车床的工艺参数和加工工件的结构参数,并从工艺参数和结构参数中提取对应的车削质量影响数据。
输出变量为评价车削加工质量相关的技术指标和工艺优化方向,即加工质量参数,定义加工质量参数为,/>,其中,/>分别代表工件粗糙度、残余应力、加工效率、面型精度、形状误差等参数,d为加工质量参数的数量。
通过车床运动误差模型,结合数据库中的历史数据(监控训练样本),建立加工质量预测模型,加工质量预测模型实质为加工质量预测变量矩阵,具体为:
;
其中,为第j个预测加工质量参数,/>为第j个预测加工质量参数的加工质量预测模型函数(加工质量预测变量矩阵),X为车床的工艺参数对应的车削质量影响数据,A为加工工件的结构参数对应的车削质量影响数据,B为车床各部件的动态特征数据。
具体地,监控模块4包括提取子模块、第一计算子模块、第二计算子模块、调节子模块;
提取子模块用于获取车床的工艺参数和加工工件的结构参数,并从工艺参数和结构参数中提取对应的车削质量影响数据;
第一计算子模块用于基于预设的实际加工条件,结合加工质量预测模型,计算得到最优加工质量参数;
第二计算子模块用于将车削质量影响数据和数据矩阵输入到加工质量预测模型,计算得到预测加工质量参数;
调节子模块用于调节工艺参数,以使预测加工质量参数趋于最优加工质量参数。
具体应用中,通过提取子模块,获取车床的工艺参数和加工工件的结构参数,工艺参数包括主轴转速、吃刀量、进给量、轨迹坐标等参数,结构参数包括工件材质特性、工件直径,工件尺寸等结构参数。从工艺参数和结构参数中提取对应的车削质量影响数据,分别对它们进行设置:
将车床的工艺参数对应的车削质量影响数据设置为,,其中,变量/>分别代表主轴转速、吃刀量、进给量、轨迹坐标等工艺参数,a为车床的工艺参数对应的车削质量影响数据的数量。
将加工工件的结构参数对应的车削质量影响数据设置为,,其中,变量/>分别代表工件材质特性(硬度、粗糙度、密度)、工件直径等加工工件的固有系数(结构参数),b为加工工件的结构参数对应的车削质量影响数据的数量。
此外,考虑车削过程动态特性对加工质量的影响,从采集模块2获取的车床各部件的运行参数对应的数据矩阵中提取动态特征数据作为影响加工质量的输入变量,设置为,,其中,输入变量/>分别代表检测模块1检测出的各个反映机床车削工程中动态特性的特征(车床各部件的动态特征数据)。
通过第一计算子模块,基于预设的实际加工条件,结合加工质量预测模型,计算得到最优加工质量参数,优化的目标(加工质量参数)就是在允许的输入变量受限制的情况下使制定的目标函数(加工质量预测模型)最大化或最小化。针对车削质量提高的目标,限制车床各部件的运行参数和车削质量影响数据都在允许加工要求范围(即实际加工条件,包括第一加工要求范围和第二加工要求范围)内,计算得到优化指标的最优解(最优加工质量参数),最优加工质量参数的计算公式具体为:;
其中,为第j个加工质量参数的最优加工质量参数,/>为第j个加工质量参数的车床各部件的动态特征数据和车削质量影响数据在允许加工要求范围内的加工质量预测模型,根据实际需要确定每个加工质量参数的最大值或最小值为对应的最优加工质量参数。
车削质量影响数据需根据实际加工条件被定义在工艺要求范围(第二加工要求范围)内,即:
;
;
其中,为车床的工艺参数对应的车削质量影响数据的最小值,/>为车床的工艺参数对应的车削质量影响数据的最大值,/>为加工工件的结构参数对应的车削质量影响数据的最小值,/>为加工工件的结构参数对应的车削质量影响数据的最大值。第二加工要求范围可根据实际情况进行设置。
检测模块1各传感器获取的车床各部件的运行参数也需要满足实际加工条件,使得车床各部件的运行参数在一定的范围(第一加工要求范围)内,即:
;
其中,为车床各部件的动态特征数据的最小值,/>为车床各部件的动态特征数据的最大值。第一加工要求范围可根据实际情况进行设置。
综上,在实际加工条件的约束下,计算得到车床的最优加工质量参数。
通过第二计算子模块,将车削质量影响数据和车床各部件的运行参数对应的数据矩阵输入到加工质量预测模型,计算得到预测加工质量参数。
通过调节子模块,调节车床的工艺参数,以使预测加工质量参数趋于最优加工质量参数,因为加工工件的结构参数和车床各部件的运行参数为测量出来的数据,并不能调节,所以调节车床的工艺参数,如主轴转速、吃刀量、进给量等参数,以使预测加工质量参数趋于最优加工质量参数,即使加工质量参数稳定在最优加工质量参数附近。
由上可知,该车床监控系统,通过检测模块,用于获取车床各部件的运行参数,采集模块,用于获取运行参数对应的数据矩阵,模型模块,用于基于预设的车床运动误差模型,建立加工质量预测模型,监控模块,用于根据数据矩阵和加工质量预测模型,结合获取的车削质量影响数据和预设的实际加工条件,对车床的工艺参数进行调整,以对车床进行监控;从而,通过加工质量预测模型,实现对车床的监控,解决现有的车床监控方法因缺乏考虑车床动态响应特性而影响车削加工质量的问题,通过多维数据对车床加工状态进行监控及分析,对车床的工艺参数的自动调整与反馈,提高了车床的加工质量和生产效率。
请参照图2,图2是本申请一些实施例中的一种车床监控方法,用于上文的车床监控系统以对车床进行监控,包括:
步骤S101,获取车床的工艺参数、车床各部件的动态特征数据和加工工件的结构参数,以及车床数据库的监控训练样本;监控训练样本包括车床各部件的历史动态特征数据、车床的历史工艺参数和加工工件的历史结构参数及对应的历史加工质量参数;
步骤S102,从工艺参数和结构参数中提取得到对应的车削质量影响数据;
步骤S103,根据历史动态特征数据、历史工艺参数和历史结构参数及对应的历史加工质量参数,结合预设的车床运动误差模型,构建加工质量预测模型;
步骤S104,将动态特征数据和车削质量影响数据输入加工质量预测模型,计算得到预测加工质量参数;
步骤S105,基于预设的实际加工条件,结合加工质量预测模型,调节预测加工质量参数,以对车床进行监控。
该车床监控方法,通过车床监控系统以及加工质量预测模型,调节预测加工质量数据,以实现对车床的监控,解决现有的车床监控方法因缺乏考虑车床动态响应特性而影响车削加工质量的问题,通过多维数据对车床加工状态进行监控及分析,对车床的工艺参数的自动调整与反馈,提高了车床的加工质量和生产效率。
具体地,在步骤S101中,工艺参数包括主轴转速、吃刀量、进给量、轨迹坐标等数据,结构参数包括工件材质特性(硬度、粗糙度、密度)、工件直径等数据,车床各部件的动态特征数据包括刀具切削力、刀具磨损等数据。
获取车床数据库的监控训练样本,监控训练样本包括车床各部件的历史动态特征数据、车床的历史工艺参数和加工工件的历史结构参数及对应的历史加工质量参数,其中,车床各部件的历史动态特征数据、车床的历史工艺参数和加工工件的历史结构参数包括数据库(车床数据库)中车床各部件的动态特征数据、车床的工艺参数和加工工件的结构参数的历史记录,而对应的历史加工质量参数包括这些数据的历史记录所对应的加工质量参数。从数据库中的历史记录中提取同一车床某一时刻的车床各部件的动态特征数据、车床的工艺参数和加工工件的结构参数,作为车床各部件的历史动态特征数据、车床的历史工艺参数和加工工件的历史结构参数,提取该某一时刻的下一时刻的加工质量参数,作为对应的历史加工质量参数,从而提取数据库中的大量数据组成监控训练样本,将上述获取的数据设为测试集和验证集,用于对模型进行训练,从而使得训练的模型能够实现预测功能。
具体地,在步骤S102中,要明确导致车床加工质量和效率改变的因素(车削质量影响因素),从而在工艺参数和结构参数中提取表示主轴、工件、刀具等工艺系统本身性能及与车削加工过程关联的工艺参数和结构参数,得到车削质量影响数据,如主轴转速、吃刀量等影响车床加工质量的参数。而与车床加工质量和效率无关的参数则不需要提取,如操作杆的控制速度等参数。
具体地,在步骤S103中,根据历史动态特征数据、历史工艺参数和历史结构参数及对应的历史加工质量参数,结合预设的车床运动误差模型,构建加工质量预测模型,包括:
从历史工艺参数和历史结构参数中提取得到对应的历史车削质量影响数据;
根据历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,结合预设的车床运动误差模型,构建加工质量预测模型。
在步骤S103中,要明确导致车床加工质量和效率改变的因素(车削质量影响因素),并将引起加工质量和效率变化的因素和优化目标作为加工质量预测模型的输入变量(输入数据)和输出变量(输出数据)。
因此,需要获取车床的工艺参数和加工工件的结构参数,并从工艺参数和结构参数中提取对应的车削质量影响数据。而构建模型时,可通过获取数据库中车削质量影响数据的历史数据,用历史数据来训练模型。
具体地,在步骤S103中,根据历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,结合预设的车床运动误差模型,构建加工质量预测模型,包括:
以预设的车床运动误差模型为依据,构建与历史动态特征数据和历史车削质量影响数据对应的初步加工质量预测模型;
根据历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,训练初步加工质量预测模型,得到训练后的初步加工质量预测模型;
基于历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,验证训练后的初步加工质量预测模型,得到加工质量预测模型。
具体地,在步骤S103中,以预设的车床运动误差模型为依据,结合历史动态特征数据和历史车削质量影响数据,构建初步加工质量预测模型。
加工质量预测模型实质为加工质量预测变量矩阵,具体为:
;
其中,为第j个预测加工质量参数,/>为第j个预测加工质量参数的加工质量预测模型函数(加工质量预测变量矩阵),X为车床的工艺参数对应的车削质量影响数据,A为加工工件的结构参数对应的车削质量影响数据,B为车床各部件的动态特征数据。
加工质量参数为加工质量预测模型的输出数据,表示评价车削加工质量相关的技术指标和工艺优化方向,定义加工质量参数为,/>,其中,分别代表工件粗糙度、残余应力、加工效率、面型精度、形状误差等参数,d为加工质量参数的数量。
将车床的工艺参数对应的车削质量影响数据设置为,,其中,变量/>分别代表主轴转速、吃刀量、进给量、轨迹坐标等工艺参数,a为车床的工艺参数对应的车削质量影响数据的数量。
将加工工件的结构参数对应的车削质量影响数据设置为,,其中,变量/>分别代表工件材质特性(硬度、粗糙度、密度)、工件直径等加工工件的固有系数(结构参数),b为加工工件的结构参数对应的车削质量影响数据的数量。
此外,考虑车削过程动态特性对加工质量的影响,将采集模块2获取的车床各部件的动态特征数据对应的数据矩阵作为影响加工质量的输入变量,设置为,,其中,输入变量/>分别代表检测模块1检测出的各个反映机床车削工程中动态特性的特征(车床各部件的动态特征数据)。
车床运动误差模型的输入数据为各动态特征数据,输出为各动态特征数据对应的误差变量矩阵,误差变量矩阵;其中,/>为第i个动态特征数据的误差变量矩阵,i为第i个动态特征数据,变量/>分别代表第i个动态特征数据在车床参考坐标系的横坐标方向、纵坐标方向和竖坐标方向上的误差(即位移误差),分别代表第i个动态特征数据绕横坐标方向、纵坐标方向和竖坐标方向的余弦误差(即角度误差),将各动态特征数据输入车床运动误差模型,即可得到对应的位移误差和角度误差,建立各动态特征数据的齐次变换矩阵,齐次变换矩阵HTM具体为:
;
其中,Ti为第i个动态特征数据的齐次变换矩阵,C、D、E分别为子单元位置坐标的横坐标、纵坐标和竖坐标,子单元位置坐标为车床参考坐标系中一个固定的已知的坐标。
齐次变换矩阵表示用矩阵的形式表达动态特征数据对应的车床各部件相对于车床参考坐标系的位置。
在实际应用中,将动态特征数据输入车床运动误差模型,可以确定各动态特征数据的误差,从而对各动态特征数据进行监控。
具体地,在步骤S103中,根据历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,训练初步加工质量预测模型,得到训练后的初步加工质量预测模型,包括:
将历史动态特征数据和历史车削质量影响数据输入到初步加工质量预测模型,得到对应的输出数据;
根据历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数和对应的输出数据,确定训练误差;
基于训练误差,调整初步加工质量预测模型的参数,得到最优参数,并利用最优参数,优化初步加工质量预测模型,得到训练后的初步加工质量预测模型。
在步骤S103中,通过将数据库中历史动态特征数据和历史车削质量影响数据对应的历史加工质量参数,与将历史动态特征数据和历史车削质量影响数据输入初步加工质量预测模型得到的结果(历史动态特征数据和历史车削质量影响数据输入初步加工质量预测模型得到对应的输出数据)进行比较,得到训练误差,如输出数据中部分数据与历史加工质量参数中对应数据的差值的大小程度,或输出数据比历史加工质量参数多一个相关变量等训练误差,利用训练误差,对初步加工质量预测模型的参数进行调整,如训练误差为输出数据中部分数据与历史加工质量参数中对应数据的差值的大小程度,则修改对应的模型参数,令输出数据愈发准确,得到最优参数,通过最优参数,优化初步加工质量预测模型,得到训练后的初步加工质量预测模型。
在步骤S103中,将数据库中未用于训练的历史动态特征数据和历史车削质量影响数据输入训练后的初步加工质量预测模型得到的输出数据,作为历史加工质量参数验证数据,对比历史加工质量参数验证数据与数据库中未用于训练的历史动态特征数据和历史车削质量影响数据对应的历史加工质量参数,确定误差在可接受范围内(误差可接受范围一般为0到3%,可根据实际需要进行修改),验证训练后的初步加工质量预测模型的准确度,得到加工质量预测模型。
在步骤S103中,在输入数据对模型进行训练之前,要初始化初步加工质量预测模型的参数,保证模型处于正常使用状态。
具体地,在步骤S104中,将动态特征数据和车削质量影响数据输入到加工质量预测模型,通过加工质量预测模型的计算,得到车床的预测加工质量参数。
具体地,在步骤S105中,基于预设的实际加工条件,结合加工质量预测模型,调节预测加工质量参数,以对车床进行监控,包括:
基于预设的实际加工条件,确定车床各部件的动态特征数据的第一加工要求范围和车削质量影响数据的第二加工要求范围;
根据第一加工要求范围和第二加工要求范围,结合加工质量预测模型,计算得到最优加工质量参数;
调节工艺参数,以调节预测加工质量参数,以使调节后的预测加工质量参数趋于最优加工质量参数。
在步骤S105中,基于预设的实际加工条件,结合加工质量预测模型,计算得到最优加工质量参数,优化的目标(加工质量参数)就是在允许的输入数据受限制的情况下使制定的目标函数(加工质量预测模型)最大化或最小化。针对车削质量提高的目标,限制车床各部件的动态特征数据和车削质量影响数据都在允许加工要求范围(即实际加工条件,包括第一加工要求范围和第二加工要求范围)内,计算得到优化指标的最优解(最优加工质量参数),最优加工质量参数的计算公式具体为:;
其中,为第j个加工质量参数的最优加工质量参数,/>为第j个加工质量参数的车床各部件的动态特征数据和车削质量影响数据在允许加工要求范围内的加工质量预测模型,根据实际需要确定每个加工质量参数的最大值或最小值为对应的最优加工质量参数。
车削质量影响数据需根据实际加工条件被定义在工艺要求范围(第二加工要求范围)内,即:
;
;
其中,为车床的工艺参数对应的车削质量影响数据的最小值,/>为车床的工艺参数对应的车削质量影响数据的最大值,/>为加工工件的结构参数对应的车削质量影响数据的最小值,/>为加工工件的结构参数对应的车削质量影响数据的最大值。第二加工要求范围可根据实际情况进行设置。
车床各部件的动态特征数据也需要满足实际加工条件,使得车床各部件的动态特征数据在一定的范围(第一加工要求范围)内,即:
;
其中,为车床各部件的动态特征数据的最小值,/>为车床各部件的动态特征数据的最大值。第一加工要求范围可根据实际情况进行设置。
综上,在实际加工条件的约束下,计算得到车床的最优加工质量参数。
调节车床的工艺参数,以使预测加工质量参数趋于最优加工质量参数,从而实现对车床的监控。因为加工工件的结构参数和车床各部件的动态特征数据为测量出来的数据,并不能调节,所以调节车床的工艺参数,如主轴转速、吃刀量、进给量等参数,以使预测加工质量参数趋于最优加工质量参数,即使加工质量参数稳定在最优加工质量参数附近。
由上可知,该车床监控方法,通过获取车床的工艺参数、车床各部件的动态特征数据和加工工件的结构参数,以及车床数据库的监控训练样本,从工艺参数和结构参数中提取得到对应的车削质量影响数据,根据监控训练样本,结合预设的车床运动误差模型,构建加工质量预测模型,将动态特征数据和车削质量影响数据输入加工质量预测模型,计算得到预测加工质量参数,基于预设的实际加工条件,结合加工质量预测模型,调节预测加工质量参数,以对车床进行监控;从而,通过车床监控系统以及加工质量预测模型,调节预测加工质量数据,以实现对车床的监控,解决现有的车床监控方法因缺乏考虑车床动态响应特性而影响车削加工质量的问题,通过多维数据对车床加工状态进行监控及分析,对车床的工艺参数的自动调整与反馈,提高了车床的加工质量和生产效率。
请参照图3,图3为本申请实施例提供的一种电子设备的结构示意图,本申请提供一种电子设备,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机程序,当电子设备运行时,处理器301执行该计算机程序,以执行上述实施例的任一可选的实现方式中的车床监控方法,以实现以下功能:获取车床的工艺参数、车床各部件的动态特征数据和加工工件的结构参数,以及车床数据库的监控训练样本,从工艺参数和结构参数中提取得到对应的车削质量影响数据,根据监控训练样本,结合预设的车床运动误差模型,构建加工质量预测模型,将动态特征数据和车削质量影响数据输入加工质量预测模型,计算得到预测加工质量参数,基于预设的实际加工条件,结合加工质量预测模型,调节预测加工质量参数,以对车床进行监控。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的车床监控方法,以实现以下功能:获取车床的工艺参数、车床各部件的动态特征数据和加工工件的结构参数,以及车床数据库的监控训练样本,从工艺参数和结构参数中提取得到对应的车削质量影响数据,根据监控训练样本,结合预设的车床运动误差模型,构建加工质量预测模型,将动态特征数据和车削质量影响数据输入加工质量预测模型,计算得到预测加工质量参数,基于预设的实际加工条件,结合加工质量预测模型,调节预测加工质量参数,以对车床进行监控。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-Only Memory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车床监控系统,用于对车床进行监控,其特征在于,包括:
检测模块,用于获取车床各部件的运行参数;
采集模块,用于获取所述运行参数对应的数据矩阵;
模型模块,用于基于预设的车床运动误差模型,建立加工质量预测模型;
监控模块,用于根据所述数据矩阵和所述加工质量预测模型,结合获取的车削质量影响数据和预设的实际加工条件,对所述车床的工艺参数进行调整,以对所述车床进行监控。
2.根据权利要求1所述的车床监控系统,其特征在于,所述检测模块包括振动子模块、位移子模块、作用力子模块和温度子模块;
所述振动子模块用于获取车床主轴振动数据和切削刀具振动数据;
所述位移子模块用于获取车床主轴微位移量和车床导轨微位移量;
所述作用力子模块用于获取车床主轴工作端面反作用力和车削作用力;
所述温度子模块用于获取主轴系统工作的温度变化、车床导轨安装结合面工作的温度变化、车床导轨热工作的温度变化。
3.根据权利要求1所述的车床监控系统,其特征在于,所述监控模块包括提取子模块、第一计算子模块、第二计算子模块、调节子模块;
所述提取子模块用于获取车床的工艺参数和加工工件的结构参数,并从所述工艺参数和所述结构参数中提取对应的车削质量影响数据;
所述第一计算子模块用于基于所述预设的实际加工条件,结合所述加工质量预测模型,计算得到最优加工质量参数;
所述第二计算子模块用于将所述车削质量影响数据和所述数据矩阵输入到所述加工质量预测模型,计算得到预测加工质量参数;
所述调节子模块用于调节所述工艺参数,以使所述预测加工质量参数趋于所述最优加工质量参数。
4.一种车床监控方法,应用于权利要求1-3任一项所述的车床监控系统,以对车床进行监控,其特征在于,包括步骤:
获取车床的工艺参数、车床各部件的动态特征数据和加工工件的结构参数,以及车床数据库的监控训练样本;所述监控训练样本包括车床各部件的历史动态特征数据、车床的历史工艺参数和加工工件的历史结构参数及对应的历史加工质量参数;
从所述工艺参数和所述结构参数中提取得到对应的车削质量影响数据;
根据所述历史动态特征数据、所述历史工艺参数和所述历史结构参数及对应的历史加工质量参数,结合预设的车床运动误差模型,构建加工质量预测模型;
将所述动态特征数据和所述车削质量影响数据输入所述加工质量预测模型,计算得到预测加工质量参数;
基于预设的实际加工条件,结合所述加工质量预测模型,调节所述预测加工质量参数,以对所述车床进行监控。
5.根据权利要求4所述的车床监控方法,其特征在于,根据所述历史动态特征数据、所述历史工艺参数和所述历史结构参数及对应的历史加工质量参数,结合预设的车床运动误差模型,构建加工质量预测模型,包括:
从所述历史工艺参数和所述历史结构参数中提取得到对应的历史车削质量影响数据;
根据所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,结合所述预设的车床运动误差模型,构建所述加工质量预测模型。
6.根据权利要求5所述的车床监控方法,其特征在于,根据所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,结合所述预设的车床运动误差模型,构建所述加工质量预测模型,包括:
以所述预设的车床运动误差模型为依据,构建与所述历史动态特征数据和历史车削质量影响数据对应的初步加工质量预测模型;
根据所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,训练所述初步加工质量预测模型,得到训练后的初步加工质量预测模型;
基于所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,验证所述训练后的初步加工质量预测模型,得到所述加工质量预测模型。
7.根据权利要求6所述的车床监控方法,其特征在于,根据所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数,训练所述初步加工质量预测模型,得到训练后的初步加工质量预测模型,包括:
将所述历史动态特征数据和历史车削质量影响数据输入到所述初步加工质量预测模型,得到对应的输出数据;
根据所述历史动态特征数据和历史车削质量影响数据及对应的历史加工质量参数和所述对应的输出数据,确定训练误差;
基于所述训练误差,调整所述初步加工质量预测模型的参数,得到最优参数,并利用所述最优参数,优化所述初步加工质量预测模型,得到所述训练后的初步加工质量预测模型。
8.根据权利要求7所述的车床监控方法,其特征在于,基于预设的实际加工条件,结合所述加工质量预测模型,调节所述预测加工质量参数,以对所述车床进行监控,包括:
基于所述预设的实际加工条件,确定所述车床各部件的动态特征数据的第一加工要求范围和所述车削质量影响数据的第二加工要求范围;
根据所述第一加工要求范围和所述第二加工要求范围,结合所述加工质量预测模型,计算得到最优加工质量参数;
调节所述工艺参数,以调节所述预测加工质量参数,以使调节后的预测加工质量参数趋于所述最优加工质量参数。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时,运行如权利要求4-8任一项所述车床监控方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求4-8任一项所述车床监控方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311334716.0A CN117075537B (zh) | 2023-10-16 | 2023-10-16 | 车床监控方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311334716.0A CN117075537B (zh) | 2023-10-16 | 2023-10-16 | 车床监控方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117075537A true CN117075537A (zh) | 2023-11-17 |
CN117075537B CN117075537B (zh) | 2024-02-13 |
Family
ID=88717590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311334716.0A Active CN117075537B (zh) | 2023-10-16 | 2023-10-16 | 车床监控方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117075537B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117300184A (zh) * | 2023-11-29 | 2023-12-29 | 山东正祥工矿设备股份有限公司 | 一种用于铜铸件生产用加工车床的控制系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0469943A1 (fr) * | 1990-08-02 | 1992-02-05 | Num S.A. | Procédé et dispositif de commande prédictive applicable à une machine-outil à commande numérique |
CN112859590A (zh) * | 2020-11-30 | 2021-05-28 | 西安交通大学 | 基于工件变形的车削颤振切削参数优化方法及系统 |
CN113741377A (zh) * | 2021-09-29 | 2021-12-03 | 上海理工大学 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
CN114237155A (zh) * | 2022-02-24 | 2022-03-25 | 深圳市正和楚基科技有限公司 | 一种多轴数控加工的误差预测及补偿方法、系统及介质 |
CN114690706A (zh) * | 2022-05-30 | 2022-07-01 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床主轴误差预测补偿方法及系统 |
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 |
WO2023110576A1 (de) * | 2021-12-14 | 2023-06-22 | Sms Group Gmbh | Anlage zur spanenden bearbeitung von werkstücken sowie verfahren zur steuerung einer werkzeugmaschine |
CN116776289A (zh) * | 2023-08-25 | 2023-09-19 | 中科航迈数控软件(深圳)有限公司 | 数控机床加工方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-10-16 CN CN202311334716.0A patent/CN117075537B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0469943A1 (fr) * | 1990-08-02 | 1992-02-05 | Num S.A. | Procédé et dispositif de commande prédictive applicable à une machine-outil à commande numérique |
CN112859590A (zh) * | 2020-11-30 | 2021-05-28 | 西安交通大学 | 基于工件变形的车削颤振切削参数优化方法及系统 |
CN113741377A (zh) * | 2021-09-29 | 2021-12-03 | 上海理工大学 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
WO2023110576A1 (de) * | 2021-12-14 | 2023-06-22 | Sms Group Gmbh | Anlage zur spanenden bearbeitung von werkstücken sowie verfahren zur steuerung einer werkzeugmaschine |
CN114237155A (zh) * | 2022-02-24 | 2022-03-25 | 深圳市正和楚基科技有限公司 | 一种多轴数控加工的误差预测及补偿方法、系统及介质 |
CN114690706A (zh) * | 2022-05-30 | 2022-07-01 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床主轴误差预测补偿方法及系统 |
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 |
CN116776289A (zh) * | 2023-08-25 | 2023-09-19 | 中科航迈数控软件(深圳)有限公司 | 数控机床加工方法、装置、电子设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117300184A (zh) * | 2023-11-29 | 2023-12-29 | 山东正祥工矿设备股份有限公司 | 一种用于铜铸件生产用加工车床的控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117075537B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117075537B (zh) | 车床监控方法、系统、电子设备及存储介质 | |
CN101477351B (zh) | 具有三级加工自优化功能的智能数控方法 | |
CN114237155B (zh) | 一种多轴数控加工的误差预测及补偿方法、系统及介质 | |
CN103753353B (zh) | 一种快速测定铣刀偏心的非接触式激光测量方法 | |
CN107589723B (zh) | 一种数控机床铣削加工稳定性的动-静态优化方法 | |
CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
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 | |
CN104216334A (zh) | 一种关于数控机床热效应下定位误差温度测点组合的选择优化方法 | |
CN104190963B (zh) | 一种基于机器视觉的数控车床对刀装置及对刀方法 | |
TW202012905A (zh) | 刀具磨耗監控方法 | |
CN112147950B (zh) | 数控侧铣加工系统及其阈值与待监控信号的精确同步方法 | |
CN109739182A (zh) | 一种对冷却系统扰动不敏感的主轴热误差补偿方法 | |
CN109901512A (zh) | 一种基于加工参数标准化的车削工时定额方法 | |
US20200401106A1 (en) | Machining command improving system and machining command improving method | |
CN115398360A (zh) | 用于机床上的基于特征图的误差补偿的机床控制和方法 | |
CN116578832B (zh) | 预测机械加工零件表面粗糙度的装置 | |
CN105666244A (zh) | 一种数控镗床热效应下镗杆热伸长误差温度测点约简的方法 | |
CN116540631A (zh) | 一种数控机床加工精度监测系统及方法 | |
Savas et al. | Experimental investigation of cutting parameters in machining of 100Cr6 with tangential turn-milling method | |
CN114952422A (zh) | 一种数控机床加工刀具状态实时预测方法 | |
CN110842644B (zh) | 一种基于数控负载信息的机床运动部件接触刚度退化率监测方法 | |
CN114800049A (zh) | 一种光栅尺加工运行信号误差补偿系统 | |
Basova et al. | The development of cutting tools active control methodology for numerical control milling machines | |
CN113857936B (zh) | 一种基于视觉检测的机床立柱热补偿方法、系统和机床 | |
Shi et al. | Current study and innovative ideas of online monitoring technology of tool wear |
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 |