CN117161821A - 一种数控钻床主轴自适应进给控制方法及系统 - Google Patents
一种数控钻床主轴自适应进给控制方法及系统 Download PDFInfo
- Publication number
- CN117161821A CN117161821A CN202311446160.4A CN202311446160A CN117161821A CN 117161821 A CN117161821 A CN 117161821A CN 202311446160 A CN202311446160 A CN 202311446160A CN 117161821 A CN117161821 A CN 117161821A
- Authority
- CN
- China
- Prior art keywords
- control
- data
- deviation
- procedure
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 203
- 238000005553 drilling Methods 0.000 title claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 91
- 238000003754 machining Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000012937 correction Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000013210 evaluation model Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 230000035605 chemotaxis Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004886 process control Methods 0.000 description 6
- 230000006698 induction Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本公开提供了一种数控钻床主轴自适应进给控制方法及系统,涉及智能控制技术,方法包括:对目标工件进行工序加工寻优确定源控制数据;生成目标控制程序;执行主轴进给控制,同步进行工况监测确定触点加工数据;对触点加工数据进行能效评估与偏离分析,确定离轴控制信息;若离轴控制信息非空,确定工序影响度;预测后步关联工序的自偏离数据,叠加工序影响度,若不满足控制宽容区间,生成反馈调整信息进行反馈校正。能够解决现有的数控钻床主轴自适应进给控制方法存在进给控制偏差分析精度较低造成进给控制偏差校正准确率较低的技术问题,可以提高数控钻床主轴进给控制偏差校正的准确性,从而提高数控钻床的加工质量和效率。
Description
技术领域
本公开涉及智能控制技术,并且更具体地,涉及一种数控钻床主轴自适应进给控制方法及系统。
背景技术
数控钻床在进行加工时,主要是根据程序中给定的运行参数进行加工,有一部分较智能的数控钻床通常可以根据实际加工条件进行主轴功率的自适应调整,来实现数控钻床主轴的自适应进给控制。
目前现有的主轴自适应进给控制方法在进行主轴进给控制时,由于进给控制偏差分析方法不完善和偏差分析精度较低,导致主轴进给控制偏差分析结果的准确率较低,从而影响了主轴进给控制偏差校正的准确性,造成主轴自适应进给控制质量较低。
现有的数控钻床主轴自适应进给控制方法存在的不足之处在于:由于进给控制偏差分析精度较低导致偏差分析结果准确率较低,造成进给控制偏差校正的准确率较低,从而降低了主轴自适应进给控制的质量。
发明内容
因此,为了解决上述技术问题,本公开的实施例采用的技术方案如下:
一种数控钻床主轴自适应进给控制方法,包括以下步骤:读取目标加工任务,对目标工件进行工序加工寻优确定源控制数据,所述源控制数据标识有控制宽容区间;可编程控制器接收所述源控制数据,生成目标控制程序,并随着工况启动生成步进式控制信号,所述步进式控制信号与阶段性工序同频;将所述步进式控制信号回传至智能数控系统,执行基于所述数控钻床的主轴进给控制,同步进行工况监测确定触点加工数据;结合控制评估模型,对所述触点加工数据进行动态加工与触点时刻的能效评估与偏离分析,确定离轴控制信息;若所述离轴控制信息非空,进行后步关联工序的影响度分析,确定工序影响度;预测后步关联工序的自偏离数据,叠加所述工序影响度,若不满足所述控制宽容区间,生成反馈调整信息;以后步关联工序的叠加偏离数据为基准,进行所述目标控制程序的反馈校正。
一种数控钻床主轴自适应进给控制系统,包括:源控制数据确定模块,所述源控制数据确定模块用于读取目标加工任务,对目标工件进行工序加工寻优确定源控制数据,所述源控制数据标识有控制宽容区间;步进式控制信号生成模块,所述步进式控制信号生成模块用于可编程控制器接收所述源控制数据,生成目标控制程序,并随着工况启动生成步进式控制信号,所述步进式控制信号与阶段性工序同频;触点加工数据确定模块,所述触点加工数据确定模块用于将所述步进式控制信号回传至智能数控系统,执行基于所述数控钻床的主轴进给控制,同步进行工况监测确定触点加工数据;离轴控制信息确定模块,所述离轴控制信息确定模块用于结合控制评估模型,对所述触点加工数据进行动态加工与触点时刻的能效评估与偏离分析,确定离轴控制信息;工序影响度确定模块,所述工序影响度确定模块用于若所述离轴控制信息非空,进行后步关联工序的影响度分析,确定工序影响度;反馈调整信息生成模块,所述反馈调整信息生成模块用于预测后步关联工序的自偏离数据,叠加所述工序影响度,若不满足所述控制宽容区间,生成反馈调整信息;反馈校正模块,所述反馈校正模块用于以后步关联工序的叠加偏离数据为基准,进行所述目标控制程序的反馈校正。
由于采用了上述技术方法,本公开相对于现有技术来说,取得的技术进步有如下几点:
可以解决现有的数控钻床主轴自适应进给控制方法存在进给控制偏差分析精度较低导致偏差分析结果准确率较低,造成进给控制偏差校正的准确率较低的技术问题。首先,获取数控钻床的目标加工任务,并基于所述目标加工任务对目标工件进行工序加工寻优确定源控制数据,其中所述源控制数据标识有控制宽容区间;然后通过可编程控制器接收所述源控制数据,并生成目标控制程序,在数控钻床进行加工时,随着工况启动生成步进式控制信号,其中所述步进式控制信号与阶段性工序同频;将所述步进式控制信号回传至智能数控系统,根据所述步进式控制信号执行所述数控钻床的主轴进给控制,并同步进行工况监测确定触点加工数据;进一步结合控制评估模型,对所述触点加工数据进行动态加工与触点时刻的能效评估与偏离分析,生成离轴控制信息;当所述离轴控制信息为非空时,则根据所述离轴控制信息进行后步关联工序的影响度分析,获得工序影响度;对后步关键工序的加工结果进行预测,得到自偏离数据,将所述自偏离数据与所述工序影响度进行叠加,生成叠加偏离数据,根据所述控制宽容区间对所述叠加偏离数据进行判断,当叠加偏离数据不满足所述控制宽容区间时,则生成反馈调整信息;最后以后步关联工序的叠加偏离数据为基准,对所述目标控制程序进行反馈校正。通过上述方法可以提高数控钻床主轴进给控制偏差校正的准确性,从而提高主轴自适应进给控制的准确性,进一步提高数控钻床的加工质量和效率。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种数控钻床主轴自适应进给控制方法的流程示意图;
图2为本申请提供了一种数控钻床主轴自适应进给控制方法中对目标工件进行工序加工寻优确定源控制数据的流程示意图;
图3为本申请提供了一种数控钻床主轴自适应进给控制系统的结构示意图。
附图标记说明:源控制数据确定模块01、步进式控制信号生成模块02、触点加工数据确定模块03、离轴控制信息确定模块04、工序影响度确定模块05、反馈调整信息生成模块06、反馈校正模块07。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
基于上述描述,如图1所示,本公开提供了一种数控钻床主轴自适应进给控制方法,包括:
数控钻床是指数字控制的以钻削为主的孔加工机床,主要用于钻孔、扩孔、铰孔、攻丝等工序的加工,本申请提供的方法用于对数控钻床主轴进行自适应进给控制,来达到提高主轴自适应进给控制准确性,进一步提高数控钻床加工质量和效率的目的,所述方法具体实施于一种数控钻床主轴自适应进给控制系统。
读取目标加工任务,对目标工件进行工序加工寻优确定源控制数据,所述源控制数据标识有控制宽容区间;
在本申请实施例中,首先,读取数控钻床的目标加工任务,其中所述目标加工任务本领域技术人员可根据实际加工需求进行设置,例如:钻孔任务、扩孔任务等,然后根据所述目标加工任务对目标工件进行工序加工寻优,所述目标工件可基于所述目标加工任务设置,例如:在进行印刷电路板钻孔加工时,目标工件为印刷电路板;并根据寻优结果生成源控制数据,其中所述源控制数据标识有控制宽容区间,所述控制宽容区间是指源控制数据可允许出现的控制误差范围。
如图2所示,在一个实施例中,所述方法还包括:
识别所述目标加工任务,确定第一任务端与第二任务端的标准工件示图;
以所述标准工件示图为基准,以目标工件材料为约束,结合装配钻具进行基于加工工艺的加工进程寻优,确定预加工信息,其中,所述预加工信息包括钻进轨迹、钻进方式与钻进速度;
针对所述预加工信息,执行工序的阶段性划分,生成所述源控制数据,所述源控制数据带有时序节点标识。
在本申请实施例中,首先,对所述目标加工任务进行识别,得到第一任务端与第二任务端的标准工件示图,所述第一任务端是指待加工初始工件原料,所述第二任务端是指加工完成的合格工件,即所述标准工件示图包括初始工件原料标准示图和合格工件标准示图。
以满足所述标准工件示图作为寻优基准,将提高目标工件材料的工件质量作为寻优目的,其中所述工件质量本领域技术人员可基于实际需求进行设置,例如:提高工件内壁洁净度、减少工件内壁毛刺等目的,然后结合装配钻具对基于所述目标加工任务的标准加工工艺的加工进程控制参数进行寻优,其中加工进程控制参数包括钻进轨迹、钻进方式、钻进速度,获得最优加工进程控制参数,其中最优加工进程控制参数包括最优钻进轨迹、最优钻进方式与最优钻进速度,并将所述最优加工进程控制参数作为所述预加工信息,其中寻优方法本领域技术人员可利用现有的寻优算法实现,例如:模拟退火算法、粒子群优化算法等。
针对所述预加工信息,对加工工序进行阶段性划分,例如:可以根据主轴进给步长、主轴进给速度、主轴进给方向、切向垂直度、加工材料类型等,将钻心的钻进轨迹划分为多个工序节点,其中包括前进工序节点、后退工序节点、螺旋加工工序节点等,获得源控制数据,其中源控制数据为多个工序节点对应的加工进程控制数据,且所述源控制数据带有时序节点标识。并根据所述源控制数据与对应工序节点的标准加工进程控制数据构建所述源控制数据的控制宽容区间,即控制宽容区间为标准加工进程控制数据与所述源控制数据中最优加工进程控制数据的加工进程控制参数范围。
通过对目标加工任务的加工进程进行寻优,并将寻优结果按照加工工序进行阶段性划分,生成源控制数据和对应的控制宽容区间,可以提高后续加工进程控制的控制宽容度,从而提高控制偏差校正的准确性。
可编程控制器接收所述源控制数据,生成目标控制程序,并随着工况启动生成步进式控制信号,所述步进式控制信号与阶段性工序同频;
在本申请实施例中,通过可编程控制器接收所述源控制数据,其中可编程控制器是一种为在工业环境下应用而设计的数字运算操作电子系统,通过数字式或模拟式的输入输出来控制各种类型的机械设备或生产过程。然后在所述可编程控制器内对所述源控制数据进行编程,生成目标控制程序。在数控钻床进行加工时,随着工况启动生成步进式控制信号,所述步进式控制信号用于对数控钻床进行阶段性工序控制,且所述步进式控制信号与阶段性工序同频。
将所述步进式控制信号回传至智能数控系统,执行基于所述数控钻床的主轴进给控制,同步进行工况监测确定触点加工数据;
在本申请实施例中,将所述步进式控制信号传输至智能数控系统,所述智能数控系统为数控钻床的加工总控系统,所述智能数控系统根据所述步进式控制信号对所述数控钻床的主轴进行进给控制,并在主轴进给控制过程中,通过多个传感器对数控钻床的加工过程和加工效果进行监测,当到达当前阶段性工序的终止节点时,则生成监测数据反馈指令,并根据所述监测数据反馈指令将加工监测数据回传至所述智能数控系统,并将所述加工监测数据作为触点加工数据。通过生成触点加工数据,为下一步进行阶段加工质量评估提供了数据支持。
结合控制评估模型,对所述触点加工数据进行动态加工与触点时刻的能效评估与偏离分析,确定离轴控制信息;
在本申请实施例中,基于BP神经网络构建控制评估模型,所述控制评估模型为机器学习中可以进行迭代优化的神经网络模型,通过训练数据集进行监督训练获得。其中所述控制评估模型包括输入层、识别层、输出层,其中输入层的输入数据为触点加工数据,输出层的输出数据为时区动态特征,其中所述时区动态特征包括制动特征和能效特征。基于工业大数据技术进行信息检索,获得多个历史触点加工数据和多个历史时区动态特征,且所述历史触点加工数据和所述历史时区动态特征具有对应关系,并将所述个历史触点加工数据和多个历史时区动态特征作为训练数据对所述控制评估模型进行监督训练,当模型输出结果趋于收敛状态时,则获得训练完成的控制评估模型。然后结合所述控制评估模型,对所述触点加工数据进行动态加工与触点时刻的能效评估与偏离分析,并根据能效评估结果和偏离分析结果生成离轴控制信息。
在一个实施例中,所述方法还包括:
基于所述控制评估模型,识别基于所述触点加工数据的时区动态特征,包括时序映射的制动特征与能效特征,其中,所述制动特征包括进给组件的协同性特征;
在一个实施例中,所述方法还包括:
基于所述制动特征,评估进给组件的相对协同性、进给组件与辅助组件的相对协同性,确定主协同性特征与辅协同性特征,其中,所述进给组件包括主轴、进给轴与钻具;
映射所述主协同性特征与所述辅协同性特征,确定所述协同性特征。
在本申请实施例中,首先,将所述触点加工数据输入所述控制评估模型进行识别,输出所述触点加工数据的时区动态特征,其中所述时区动态特征包括制动特征和能效特征,且所述制动特征和所述能效特征和时序节点具有映射关系,其中所述制动特征包括进给组件的协同性特征,所述能效特征是指时序节点对应加工工序的实际能效,其中能效是指加工过程中发挥作用的能源量与实际消耗的能源量的比值。
在确定协同性特征时,首先,根据所述制动特征,对进给组件的相对协同性进行评估,其中所述进给组件包括主轴、进给轴与钻具,生成主协同性特征;对进给组件与辅助组件的相对协同性进行评估,其中进给组件与辅助组件的协同操作包括钻具自动装夹、钻具切换、工件松开加紧等操作,生成辅协同性特征。然后按照组件对所述主协同性特征与所述辅协同性特征进行关联映射,获得协同性特征。
针对所述时区动态特征进行逐时序节点的加工偏离程度计量,确定动态离轴数据;
识别触点时刻的所述动态离轴数据,标识为工序离轴数据。
在本申请实施例中,获取工序阶段内的多个时序节点下的标准时区动态特征,并按照时序节点的先后顺序,基于所述标准时序动态特征对所述时区动态特征进行加工偏离程度计算,获得多个时序节点的加工偏离数据,并根据多个时序节点下的加工偏离数据组成所述动态离轴数据,并将所述动态离轴数据作为离轴控制信息,然后提取所述动态离轴数据触点时刻的加工偏离数据标识为工序离轴数据。
若所述离轴控制信息非空,进行后步关联工序的影响度分析,确定工序影响度;
在本申请实施例中,当所述离轴控制信息为非空时,即所述离轴控制信息中存在加工偏离数据时,然后根据所述离轴控制信息对后步关联工序进行影响度分析,确定后步关联工序的工序影响度。
在一个实施例中,所述方法还包括:
基于所述动态离轴数据,进行特征趋变分析,确定稳态偏离特征,所述稳态偏离特征标识有偏离度;
针对所述稳态偏离特征进行溯源,确定稳态偏离诱因并执行反馈调整;
其中,分析所述稳态偏离诱因的可调性,还包括:
若所述稳态偏离诱因为基于所述数控钻床的设备误差,且具有可调性,进行设备运维管理;
若所述稳态偏离诱因为技术误差,或不具可调性的设备误差,于所述可编程控制器中进行所述目标控制程序的时序性同频调整。
在本申请实施例中,当所述离轴控制信息为非空时,根据所述动态离轴数据,进行偏离特征的变化趋势分析,确定稳态偏离特征,其中稳态偏离特征是指工序控制阶段内多个时序节点中稳定出现的偏离特征,即稳定出现的偏离度,其中所述稳态偏离特征具有偏离度标识,且所述稳态偏离特征的偏离度大于工序控制阶段内各时序节点下的最小偏离度,小于各时序节点下的最大偏离度。
然后对所述稳态偏离特征进行溯源分析,确定稳态偏离诱因,其中所述稳态偏离诱因是指造成稳态偏离特征发生的原因,所述稳态偏离诱因包括可调性诱因和非可调性诱因,所述可调性诱因为可通过进行设备调整或其他操作来降低或减少偏离度;所述非可调性诱因为不可通过外界操作调整来降低或减少偏离度,当所述稳态偏离诱因为数控钻床的设备误差时,即因为数控钻床的设备原因造成的偏离误差时,则为可调性诱因,则根据偏离误差对数控钻床设备进行运维管理;当所述稳态偏离诱因为技术误差,或不具可调性的设备误差时,则在所述可编程控制器中对所述目标控制程序进行时序性同频调整,用于降低或减少偏离度。
在一个实施例中,所述方法还包括:
识别所述工序离轴数据,判定是否满足所述控制宽容区间;
若不满足所述控制宽容区间,确定存在工况关联的近邻工序;
进行当前工序与所述近邻工序的关联工序点的映射关联,所述关联工序点标识有一一对应的工况关联度;
结合所述工况关联度,遍历所述关联工序点预测工序点影响度,综合确定所述工序影响度。
在本申请实施例中,获取触点时刻的控制宽容区间,并根据所述控制宽容区间对所述工序离轴数据进行判断,当所述工序离轴数据大于所述控制宽容区间时,然后判断当前阶段工序是否存在工况关联的近邻工序,其中所述近邻工序为存在工况影响的下阶段工序,并不一定是当前工序相邻的下一阶段工序。
当存在近邻工序时,则对当前工序与所述近邻工序的关联工序点进行映射关联,并计算当前工序与所述近邻工序的工况关联度,其中当前工序对所述近邻工序的工况影响程度越大,则工况关联度越大,具体的计算方法本领域技术人员可根据实际情况进行设置,并将所述工况关联度添加关联工序点内,即所述关联工序点标识有一一对应的工况关联度。最后根据所述工况关联度,对所述关联工序点预测工序点影响度进行加权计算,并将加权计算结果作为所述工序影响度。通过根据工况关联度对多个关联工序点预测工序点影响度进行综合评估,可以提高综合工序影响度获得的准确性,从而可以提高加工控制偏差获取的准确性。
预测后步关联工序的自偏离数据,叠加所述工序影响度,若不满足所述控制宽容区间,生成反馈调整信息;
在本申请实施例中,首先,对后步关联工序的固定偏差数据进行预测,生成自偏离数据,然后将所述自偏离数据与所述工序影响度进行叠加求和,生成后步关联工序的叠加偏离数据,然后根据所述控制宽容区间对所述叠加偏离数据进行判断,当所述叠加偏离数据大于所述控制宽容区间时,则生成反馈调整信息。
通过将自偏离数据与工序影响度进行叠加,生成叠加偏离数据,可以提高叠加偏离数据获得的准确性和实用性,从而可以提高反馈校正的准确性。
在一个实施例中,所述方法还包括:
结合调整后的所述目标控制程序,计量确定基于所述后步关联工序的无损加工数据;
基于技术局限、设备服役损耗、恒定控制差量为基准,对所述无损加工数据进行损失点关联定位与损失度预测,确定所述自偏离数据。
在本申请实施例中,首先,结合调整后的所述目标控制程序,对后步关联工序的无损加工数据进行计算,其中所述无损加工数据是指数控钻床在该阶段加工控制信息的控制加工下直接生成的加工效果。然后根据技术局限、设备服役损耗、恒定控制差量对所述无损加工数据进行损失点关联定位与损失度预测,其中损失点关联定位与损失度预测可通过构建损失预测模型进行分析获得,其中所述损失预测模型为基于BP神经网络构建,通过监督学习获得,所述损失预测模型的输入数据为技术局限、设备服役损耗、恒定控制差量,输出数据为损失度预测,其中所述损失预测模型的构建和训练方法与上述控制评估模型相同,此处为了体现说明书的简洁性,在此不进行展开说明。
基于技术局限、设备服役损耗、恒定控制差量关联分析确定损失点,并通过所述损失预测模型对所述无损加工数据进行损失度预测,获得损失点和预测损失度,并将所述损失点和预测损失度作为自偏离数据。
以后步关联工序的叠加偏离数据为基准,进行所述目标控制程序的反馈校正。
在本申请实施例中,最后根据后步关联工序的叠加偏离数据对所述目标控制程序进行反馈校正。通过上述方法可以解决现有的数控钻床主轴自适应进给控制方法存在进给控制偏差分析精度较低导致偏差分析结果准确率较低,造成进给控制偏差校正的准确率较低的技术问题,可以提高数控钻床主轴进给控制偏差校正的准确性,从而提高主轴自适应进给控制的准确性,进一步提高数控钻床的加工质量和效率。
在一个实施例中,如图3所示提供了一种数控钻床主轴自适应进给控制系统,包括:源控制数据确定模块01、步进式控制信号生成模块02、触点加工数据确定模块03、离轴控制信息确定模块04、工序影响度确定模块05、反馈调整信息生成模块06、反馈校正模块07、其中:
源控制数据确定模块01,所述源控制数据确定模块01用于读取目标加工任务,对目标工件进行工序加工寻优确定源控制数据,所述源控制数据标识有控制宽容区间;
步进式控制信号生成模块02,所述步进式控制信号生成模块02用于可编程控制器接收所述源控制数据,生成目标控制程序,并随着工况启动生成步进式控制信号,所述步进式控制信号与阶段性工序同频;
触点加工数据确定模块03,所述触点加工数据确定模块03用于将所述步进式控制信号回传至智能数控系统,执行基于所述数控钻床的主轴进给控制,同步进行工况监测确定触点加工数据;
离轴控制信息确定模块04,所述离轴控制信息确定模块04用于结合控制评估模型,对所述触点加工数据进行动态加工与触点时刻的能效评估与偏离分析,确定离轴控制信息;
工序影响度确定模块05,所述工序影响度确定模块05用于若所述离轴控制信息非空,进行后步关联工序的影响度分析,确定工序影响度;
反馈调整信息生成模块06,所述反馈调整信息生成模块06用于预测后步关联工序的自偏离数据,叠加所述工序影响度,若不满足所述控制宽容区间,生成反馈调整信息;
反馈校正模块07,所述反馈校正模块07用于以后步关联工序的叠加偏离数据为基准,进行所述目标控制程序的反馈校正。
在一个实施例中,所述系统还包括:
标准工件示图确定模块,所述标准工件示图确定模块用于识别所述目标加工任务,确定第一任务端与第二任务端的标准工件示图;
预加工信息确定模块,所述预加工信息确定模块用于以所述标准工件示图为基准,以目标工件材料为约束,结合装配钻具进行基于加工工艺的加工进程寻优,确定预加工信息,其中,所述预加工信息包括钻进轨迹、钻进方式与钻进速度;
源控制数据生成模块,所述源控制数据生成模块用于针对所述预加工信息,执行工序的阶段性划分,生成所述源控制数据,所述源控制数据带有时序节点标识。
在一个实施例中,所述系统还包括:
时区动态特征识别模块,所述时区动态特征识别模块用于基于所述控制评估模型,识别基于所述触点加工数据的时区动态特征,包括时序映射的制动特征与能效特征,其中,所述制动特征包括进给组件的协同性特征;
动态离轴数据确定模块,所述动态离轴数据确定模块用于针对所述时区动态特征进行逐时序节点的加工偏离程度计量,确定动态离轴数据;
工序离轴数据标识模块,所述工序离轴数据标识模块用于识别触点时刻的所述动态离轴数据,标识为工序离轴数据。
在一个实施例中,所述系统还包括:
协同性评估模块,所述协同性评估模块用于基于所述制动特征,评估进给组件的相对协同性、进给组件与辅助组件的相对协同性,确定主协同性特征与辅协同性特征,其中,所述进给组件包括主轴、进给轴与钻具;
协同性特征确定模块,所述协同性特征确定模块用于映射所述主协同性特征与所述辅协同性特征,确定所述协同性特征。
在一个实施例中,所述系统还包括:
稳态偏离特征确定模块,所述稳态偏离特征确定模块用于基于所述动态离轴数据,进行特征趋变分析,确定稳态偏离特征,所述稳态偏离特征标识有偏离度;
稳态偏离特征溯源模块,所述稳态偏离特征溯源模块用于针对所述稳态偏离特征进行溯源,确定稳态偏离诱因并执行反馈调整;
稳态偏离诱因可调性分析模块,所述稳态偏离诱因可调性分析模块是指其中,分析所述稳态偏离诱因的可调性,还包括:
设备运维管理模块,所述设备运维管理模块用于若所述稳态偏离诱因为基于所述数控钻床的设备误差,且具有可调性,进行设备运维管理;
时序性同频调整模块,所述时序性同频调整模块用于若所述稳态偏离诱因为技术误差,或不具可调性的设备误差,于所述可编程控制器中进行所述目标控制程序的时序性同频调整。
在一个实施例中,所述系统还包括:
工序离轴数据判定模块,所述工序离轴数据判定模块用于识别所述工序离轴数据,判定是否满足所述控制宽容区间;
近邻工序确定模块,所述近邻工序确定模块用于若不满足所述控制宽容区间,确定存在工况关联的近邻工序;
映射关联模块,所述映射关联模块用于进行当前工序与所述近邻工序的关联工序点的映射关联,所述关联工序点标识有一一对应的工况关联度;
工序影响度确定模块,所述工序影响度确定模块用于结合所述工况关联度,遍历所述关联工序点预测工序点影响度,综合确定所述工序影响度。
在一个实施例中,所述系统还包括:
无损加工数据确定模块,所述无损加工数据确定模块用于结合调整后的所述目标控制程序,计量确定基于所述后步关联工序的无损加工数据;
自偏离数据确定模块,所述自偏离数据确定模块用于基于技术局限、设备服役损耗、恒定控制差量为基准,对所述无损加工数据进行损失点关联定位与损失度预测,确定所述自偏离数据。
综上所述,与现有技术相比,本公开的实施例具有以下技术效果:
(1)通过生成叠加偏离数据对目标控制程序进行反馈校正,可以提高数控钻床主轴进给控制偏差校正的准确性,从而提高主轴自适应进给控制的准确性,进一步提高数控钻床的加工质量和效率。
(2)通过对目标加工任务的加工进程进行寻优,并将寻优结果按照加工工序进行阶段性划分,生成源控制数据和对应的控制宽容区间,可以提高后续加工进程控制的控制宽容度,从而提高控制偏差校正的准确性。
(3)通过根据工况关联度对多个关联工序点预测工序点影响度进行综合评估,可以提高综合工序影响度获得的准确性,从而可以提高加工控制偏差获取的准确性;通过将自偏离数据与工序影响度进行叠加,生成叠加偏离数据,可以提高叠加偏离数据获得的准确性和实用性,从而可以提高反馈校正的准确性。
以上所述实施例仅表达了本公开的几种实施方式,但并不能因此而理解为对发明专利范围的限制。因此,在不脱离如由所附权利要求限定的本公开构思的范围的情况下,本领域普通技术人员可做出各种类型的替换、修改和变更,并且这些替换、修改和变更都属于本公开的保护范围。
Claims (8)
1.一种数控钻床主轴自适应进给控制方法,其特征在于,所述方法包括:
读取目标加工任务,对目标工件进行工序加工寻优确定源控制数据,所述源控制数据标识有控制宽容区间;
可编程控制器接收所述源控制数据,生成目标控制程序,并随着工况启动生成步进式控制信号,所述步进式控制信号与阶段性工序同频;
将所述步进式控制信号回传至智能数控系统,执行基于所述数控钻床的主轴进给控制,同步进行工况监测确定触点加工数据;
结合控制评估模型,对所述触点加工数据进行动态加工与触点时刻的能效评估与偏离分析,确定离轴控制信息;
若所述离轴控制信息非空,进行后步关联工序的影响度分析,确定工序影响度;
预测后步关联工序的自偏离数据,叠加所述工序影响度,若不满足所述控制宽容区间,生成反馈调整信息;
以后步关联工序的叠加偏离数据为基准,进行所述目标控制程序的反馈校正。
2.如权利要求1所述的方法,其特征在于,所述对目标工件进行工序加工寻优确定源控制数据,该方法包括:
识别所述目标加工任务,确定第一任务端与第二任务端的标准工件示图;
以所述标准工件示图为基准,以目标工件材料为约束,结合装配钻具进行基于加工工艺的加工进程寻优,确定预加工信息,其中,所述预加工信息包括钻进轨迹、钻进方式与钻进速度;
针对所述预加工信息,执行工序的阶段性划分,生成所述源控制数据,所述源控制数据带有时序节点标识。
3.如权利要求1所述的方法,其特征在于,所述确定离轴控制信息,该方法包括:
基于所述控制评估模型,识别基于所述触点加工数据的时区动态特征,包括时序映射的制动特征与能效特征,其中,所述制动特征包括进给组件的协同性特征;
针对所述时区动态特征进行逐时序节点的加工偏离程度计量,确定动态离轴数据;
识别触点时刻的所述动态离轴数据,标识为工序离轴数据。
4.如权利要求3所述的方法,其特征在于,该方法包括:
基于所述制动特征,评估进给组件的相对协同性、进给组件与辅助组件的相对协同性,确定主协同性特征与辅协同性特征,其中,所述进给组件包括主轴、进给轴与钻具;
映射所述主协同性特征与所述辅协同性特征,确定所述协同性特征。
5.如权利要求3所述的方法,其特征在于,所述若所述离轴控制信息非空,该方法包括:
基于所述动态离轴数据,进行特征趋变分析,确定稳态偏离特征,所述稳态偏离特征标识有偏离度;
针对所述稳态偏离特征进行溯源,确定稳态偏离诱因并执行反馈调整;
其中,分析所述稳态偏离诱因的可调性,还包括:
若所述稳态偏离诱因为基于所述数控钻床的设备误差,且具有可调性,进行设备运维管理;
若所述稳态偏离诱因为技术误差,或不具可调性的设备误差,于所述可编程控制器中进行所述目标控制程序的时序性同频调整。
6.如权利要求5所述的方法,其特征在于,该方法包括:
识别所述工序离轴数据,判定是否满足所述控制宽容区间;
若不满足所述控制宽容区间,确定存在工况关联的近邻工序;
进行当前工序与所述近邻工序的关联工序点的映射关联,所述关联工序点标识有一一对应的工况关联度;
结合所述工况关联度,遍历所述关联工序点预测工序点影响度,综合确定所述工序影响度。
7.如权利要求5所述的方法,其特征在于,所述预测后步关联工序的自偏离数据,该方法包括:
结合调整后的所述目标控制程序,计量确定基于所述后步关联工序的无损加工数据;
基于技术局限、设备服役损耗、恒定控制差量为基准,对所述无损加工数据进行损失点关联定位与损失度预测,确定所述自偏离数据。
8.一种数控钻床主轴自适应进给控制系统,其特征在于,用于执行权利要求1-7中所述的一种数控钻床主轴自适应进给控制方法中任意一项方法的步骤,所述系统包括:
源控制数据确定模块,所述源控制数据确定模块用于读取目标加工任务,对目标工件进行工序加工寻优确定源控制数据,所述源控制数据标识有控制宽容区间;
步进式控制信号生成模块,所述步进式控制信号生成模块用于可编程控制器接收所述源控制数据,生成目标控制程序,并随着工况启动生成步进式控制信号,所述步进式控制信号与阶段性工序同频;
触点加工数据确定模块,所述触点加工数据确定模块用于将所述步进式控制信号回传至智能数控系统,执行基于所述数控钻床的主轴进给控制,同步进行工况监测确定触点加工数据;
离轴控制信息确定模块,所述离轴控制信息确定模块用于结合控制评估模型,对所述触点加工数据进行动态加工与触点时刻的能效评估与偏离分析,确定离轴控制信息;
工序影响度确定模块,所述工序影响度确定模块用于若所述离轴控制信息非空,进行后步关联工序的影响度分析,确定工序影响度;
反馈调整信息生成模块,所述反馈调整信息生成模块用于预测后步关联工序的自偏离数据,叠加所述工序影响度,若不满足所述控制宽容区间,生成反馈调整信息;
反馈校正模块,所述反馈校正模块用于以后步关联工序的叠加偏离数据为基准,进行所述目标控制程序的反馈校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311446160.4A CN117161821B (zh) | 2023-11-02 | 2023-11-02 | 一种数控钻床主轴自适应进给控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311446160.4A CN117161821B (zh) | 2023-11-02 | 2023-11-02 | 一种数控钻床主轴自适应进给控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117161821A true CN117161821A (zh) | 2023-12-05 |
CN117161821B CN117161821B (zh) | 2023-12-26 |
Family
ID=88941598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311446160.4A Active CN117161821B (zh) | 2023-11-02 | 2023-11-02 | 一种数控钻床主轴自适应进给控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117161821B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117970896A (zh) * | 2024-04-02 | 2024-05-03 | 安徽伟宏食品有限公司 | 奶茶粉料智能混合方法、装置、电子设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DD271866A1 (de) * | 1988-05-09 | 1989-09-20 | Mikromat Dresden Betrieb | Einrichtung zur korrektur einer vorschubachse |
DE4039620A1 (de) * | 1990-12-12 | 1992-06-17 | Bosch Gmbh Robert | Verfahren zur ermittlung von vorsteuerparametern fuer eine lageregelung |
JPH04240044A (ja) * | 1991-01-14 | 1992-08-27 | Toshiba Corp | 加工誤差補正方法及び工作機械 |
CN110488754A (zh) * | 2019-08-09 | 2019-11-22 | 大连理工大学 | 一种基于ga-bp神经网络算法的机床自适应控制方法 |
CN112051799A (zh) * | 2020-09-10 | 2020-12-08 | 成都广泰威达数控技术股份有限公司 | 一种机械加工自适应控制方法 |
CN112147950A (zh) * | 2020-09-17 | 2020-12-29 | 成都航空职业技术学院 | 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 |
CN112904800A (zh) * | 2021-01-20 | 2021-06-04 | 山东恒远智能科技有限公司 | 一种机床智能优化方法及机床智能优化辅助系统 |
US11360455B1 (en) * | 2021-03-19 | 2022-06-14 | Guangdong Ocean University | Error compensation system and method for numerical control (NC) machine tool based on iterative learning control |
CN116224930A (zh) * | 2023-01-17 | 2023-06-06 | 扬州市职业大学(扬州开放大学) | 一种数控磨床产品的加工控制方法及系统 |
-
2023
- 2023-11-02 CN CN202311446160.4A patent/CN117161821B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DD271866A1 (de) * | 1988-05-09 | 1989-09-20 | Mikromat Dresden Betrieb | Einrichtung zur korrektur einer vorschubachse |
DE4039620A1 (de) * | 1990-12-12 | 1992-06-17 | Bosch Gmbh Robert | Verfahren zur ermittlung von vorsteuerparametern fuer eine lageregelung |
JPH04240044A (ja) * | 1991-01-14 | 1992-08-27 | Toshiba Corp | 加工誤差補正方法及び工作機械 |
CN110488754A (zh) * | 2019-08-09 | 2019-11-22 | 大连理工大学 | 一种基于ga-bp神经网络算法的机床自适应控制方法 |
CN112051799A (zh) * | 2020-09-10 | 2020-12-08 | 成都广泰威达数控技术股份有限公司 | 一种机械加工自适应控制方法 |
CN112147950A (zh) * | 2020-09-17 | 2020-12-29 | 成都航空职业技术学院 | 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 |
CN112904800A (zh) * | 2021-01-20 | 2021-06-04 | 山东恒远智能科技有限公司 | 一种机床智能优化方法及机床智能优化辅助系统 |
US11360455B1 (en) * | 2021-03-19 | 2022-06-14 | Guangdong Ocean University | Error compensation system and method for numerical control (NC) machine tool based on iterative learning control |
CN116224930A (zh) * | 2023-01-17 | 2023-06-06 | 扬州市职业大学(扬州开放大学) | 一种数控磨床产品的加工控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
左健民;王保升;汪木兰;朱晓春;: "超精密数控机床进给系统非线性分析及误差补偿研究进展", 南京工程学院学报(自然科学版), no. 01, pages 4 - 10 * |
黄筱调;夏长久;孙守利;: "智能制造与先进数控技术", 机械制造与自动化, no. 01, pages 7 - 12 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117970896A (zh) * | 2024-04-02 | 2024-05-03 | 安徽伟宏食品有限公司 | 奶茶粉料智能混合方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117161821B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11481630B2 (en) | Machining condition adjustment device and machining condition adjustment system | |
CN117161821B (zh) | 一种数控钻床主轴自适应进给控制方法及系统 | |
CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
CN103941644A (zh) | 一种基于时间参数的数控铣床能耗预测方法 | |
JP6832327B2 (ja) | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 | |
JP2015168057A (ja) | びびり予測のための改良型データベース | |
CN110488754A (zh) | 一种基于ga-bp神经网络算法的机床自适应控制方法 | |
Jemielniak | Contemporary challenges in tool condition monitoring | |
CN107589723A (zh) | 一种数控机床铣削加工稳定性的动‑静态优化方法 | |
CN105607579A (zh) | 一种机床加工智能节能控制方法及系统 | |
Pereverzev et al. | Optimization of control programs for numerically controlled machine tools by dynamic programming | |
Tugengol’d et al. | Monitoring and control of tools in multifunctional machine tools | |
Ferraz Jr et al. | Data acquisition and monitoring in machine tools with CNC of open architecture using internet | |
CN112846426B (zh) | 一种数控电火花机床的精密铣削加工方法 | |
CN108405696A (zh) | 一种智能旋压系统及旋压加工方法 | |
CN104460514A (zh) | 机床体积误差的信息融合预测方法 | |
CN113941901B (zh) | 机床刀具监控方法、监控装置及电子设备 | |
CN111290267B (zh) | 基于LabVIEW的火电模型辨识装置和辨识方法 | |
US20240019838A1 (en) | Composite tool cutting monitoring system and monitoring method thereof | |
EP3969230A1 (en) | Artificial intelligence in discrete manufacturing | |
Hoang et al. | Self-adjusting on-line cutting condition for high-speed milling process | |
CN114326583A (zh) | 激光焊接设备的控制系统及方法 | |
KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
Park et al. | A study on the predictive maintenance of 5 axis CNC machine tools for cutting of large aircraft parts | |
Chang et al. | Hybrid multi-object optimization method for tapping center machines |
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 |