CN117259960B - 一种金属板材刨槽与激光切割复合机的刨切调控方法 - Google Patents
一种金属板材刨槽与激光切割复合机的刨切调控方法 Download PDFInfo
- Publication number
- CN117259960B CN117259960B CN202311254768.7A CN202311254768A CN117259960B CN 117259960 B CN117259960 B CN 117259960B CN 202311254768 A CN202311254768 A CN 202311254768A CN 117259960 B CN117259960 B CN 117259960B
- Authority
- CN
- China
- Prior art keywords
- regulation
- sample
- sequence
- data
- deviation
- 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.)
- Active
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 84
- 239000002184 metal Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003698 laser cutting Methods 0.000 title claims abstract description 63
- 239000002173 cutting fluid Substances 0.000 title claims abstract description 43
- 239000013068 control sample Substances 0.000 claims abstract description 85
- 150000001875 compounds Chemical class 0.000 claims abstract description 59
- 238000006243 chemical reaction Methods 0.000 claims abstract description 58
- 230000001276 controlling effect Effects 0.000 claims abstract description 21
- 230000001105 regulatory effect Effects 0.000 claims abstract description 12
- 239000000523 sample Substances 0.000 claims description 124
- 230000008569 process Effects 0.000 claims description 27
- 239000002131 composite material Substances 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 5
- 238000003754 machining Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/0093—Working by laser beam, e.g. welding, cutting or boring combined with mechanical machining or metal-working covered by other subclasses than B23K
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
- B23P23/00—Machines or arrangements of machines for performing specified combinations of different metal-working operations not covered by a single other subclass
- B23P23/04—Machines or arrangements of machines for performing specified combinations of different metal-working operations not covered by a single other subclass for both machining and other metal-working operations
-
- 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)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Mechanical Engineering (AREA)
- Plasma & Fusion (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明涉及机床调控技术领域，提出了一种金属板材刨槽与激光切割复合机的刨切调控方法，包括：获取金属板材刨槽与激光切割复合机的调控样本；根据调控样本的局部分布特征和数值变化特征获取切削偏差系数和推进偏差系数；根据调控样本之间的连锁反应特征获取连锁反应判断序列；根据切削偏差系数、推进偏差系数和连锁反应判断序列获取复合机连锁偏差系数；根据调控样本之间关联影响特征获取连锁反应增益序列；根据复合机连锁偏差系数和连锁反应增益序列获取连锁偏差增益；根据连锁偏差增益获取截断距离；根据截断距离完成聚类，利用聚类结果进行调控。本发明通过计算调控样本的连锁偏差增益自适应获取截断距离，提高了对调控数据的聚类精度。
Description
技术领域
本发明涉及机床调控技术领域，具体涉及一种金属板材刨槽与激光切割复合机的刨切调控方法。
背景技术
随着经济和制造业的快速发展，对金属板材加工制造工艺的要求越来越高，金属板材刨槽与激光切割复合机可以实现金属板材刨槽和切割一体化的加工方式，提高金属板材的加工效率和加工质量，降低金属板材加工过程的生产成本，金属板材刨槽与激光切割复合机具有高精度、高效率、高灵活性、多功能的优点，在军工、航天等多个领域具有很高的市场前景和应用价值。
现如今金属板材刨槽与激光切割复合机在工业生产中的使用向着自动化、智能化的方向发展，在金属板材利用刨槽与激光切割复合机的自动化加工过程中需要进行调控以保证刨切的精度，传统的聚类算法对金属板材加工过程的数据处理不准确，例如基于密度峰值聚类算法和DBSCAN聚类算法中输入参数为经验给定，导致针对不同的场景聚类效果较低，最终造成金属板材自动化加工精度较低。
发明内容
本发明提供一种金属板材刨槽与激光切割复合机的刨切调控方法，以解决金属板材刨槽与激光切割复合机加工精度较低的问题，所采用的技术方案具体如下：
本发明提出了一种金属板材刨槽与激光切割复合机的刨切调控方法，该方法包括以下步骤：
获取金属板材刨槽与激光切割复合机的调控数据，根据所述调控数据获取复合机的调控样本；
根据K近邻算法获取调控样本的K近邻数据序列，利用调控样本的K近邻数据序列的频谱图获取调控样本的基频分量幅值；根据调控样本的基频分量幅值的变化和数据偏差变化特征计算调控样本的切削偏差系数和推进偏差系数；根据调控样本的不同维度之间的连锁反应特征获取调控样本的连锁反应判断序列；根据调控样本的切削偏差系数、推进偏差系数和连锁反应判断序列计算调控样本的复合机连锁偏差系数；
根据连锁反应的持续性影响特征获取调控样本的连锁反应增益序列；根据调控样本的连锁反应增益序列和复合机连锁偏差系数计算调控样本的连锁偏差增益；根据调控样本的K近邻数据序列获取调控样本的截断序列；根据调控样本的截断序列和连锁偏差增益计算调控样本的截断距离参数；
基于截断距离参数采用密度峰值聚类算法对金属板材刨槽与激光切割复合机的调控样本进行聚类；根据聚类结果计算调控数据的偏差，利用调控数据的偏差对金属板材刨槽与激光切割复合机的刨切速度进行调控。
优选的，所述根据K近邻算法获取调控样本的K近邻数据序列，利用调控样本的K近邻数据序列的频谱图获取调控样本的基频分量幅值的方法为：
采用K近邻算法获取金属板材刨槽与激光切割复合机每个调控样本的K个近邻样本，根据所述金属板材刨槽与激光切割复合机每个调控样本的K个近邻样本中的每个维度数据按从小到大的顺序排序组成的序列作为所述金属板材刨槽与激光切割复合机每个调控样本的K近邻数据序列；
采用傅里叶变换获取所述金属板材刨槽与激光切割复合机每个调控样本的K近邻数据序列的频谱图，根据所述金属板材刨槽与激光切割复合机每个调控样本的K近邻数据序列的频谱图获取所述金属板材刨槽与激光切割复合机每个调控样本的基频分量幅值。
优选的，所述根据调控样本的基频分量幅值的变化和数据偏差变化特征计算调控样本的切削偏差系数和推进偏差系数的方法为：
；
式中，表示复合机的调控样本中第/>个样本的K近邻切削数据序列/>的基频分量的幅值，/>表示复合机的调控样本中第/>个样本的K近邻切削数据序列，/>表示K近邻切削数据序列/>中数据的数量，/>表示复合机的调控样本中第/>个样本的K个近邻样本中第/>个样本的K近邻切削数据序列的基频分量的幅值，/>和/>分别表示选取/>中的最大值和最小值，/>表示复合机的调控样本中第/>个样本的切削偏差系数；
将复合机的调控样本中第个样本的K个近邻样本中的刀具压力数据组成的序列作为所述复合机的调控样本中第/>个样本的K近邻刀具压力数据序列；与所述复合机的调控样本中第/>个样本的切削偏差系数的计算方式相同，根据复合机的调控样本中第/>个样本的K近邻刀具压力数据序列和K个近邻样本获取所述复合机的调控样本中第/>个样本的推进偏差系数。
优选的，所述根据调控样本的不同维度之间的连锁反应特征获取调控样本的连锁反应判断序列的方法为：将调控样本的K个近邻样本中的刀具压力数据组成的序列作为调控样本的K近邻刀具压力数据序列，将所述调控样本的K近邻刀具压力数据序列中的最大值作为调控样本的刀具压力判断数据，以所述调控样本的刀具压力判断数据为中心获取预设数量的刀具压力时间序列数据作为调控样本的连锁反应判断序列。
优选的，所述根据调控样本的切削偏差系数、推进偏差系数和连锁反应判断序列计算调控样本的复合机连锁偏差系数的方法为：
；
式中，表示复合机的调控样本中第/>个样本的切削速度数据，/>表示复合机的调控样本中第/>个样本的K近邻刀具压力数据序列/>中的最大值，/>和/>分别表示获取数据/>和/>对应的采集时间，/>表示以自然常数为底数的指数函数；/>表示复合机的调控样本中第/>个样本的切削偏差系数，/>表示连锁反应判断序列/>中第/>个刀具压力数据所在复合机的调控样本的推进偏差系数；/>表示连锁反应判断序列中数据的数量；/>表示复合机的调控样本中第/>个样本的复合机连锁偏差系数。
优选的，所述根据连锁反应的持续性影响特征获取调控样本的连锁反应增益序列的方法为：
将连锁反应判断序列中最大值对应的采集时刻作为温度数据的第一采集时刻，获取所述温度数据的第一采集时刻之后预设数量的温度数据，将所述预设数量的温度数据按照时间升序排序组成调控样本的连锁反应增益序列。
优选的，所述根据调控样本的连锁反应增益序列和复合机连锁偏差系数计算调控样本的连锁偏差增益的方法为：
计算调控样本的连锁反应增益序列的变异系数作为所述调控样本的第一连锁系数，计算温度数据序列的变异系数作为所述调控样本的第二连锁系数；计算所述调控样本的第一连锁系数和第二连锁系数的比值作为所述调控样本的连锁系数；计算所述调控样本的连锁系数和所述调控样本的复合机连锁偏差系数的乘积作为所述调控样本的增益系数，将所述调控样本的增益系数归一化结果作为所述调控样本的连锁偏差增益系数。
优选的，所述根据调控样本的K近邻数据序列获取调控样本的截断序列的方法为：
计算调控样本与所述调控样本的K个近邻样本的欧氏距离，将所有所述欧氏距离按由小到大的顺序排序组成的序列作为所述调控样本的截断序列。
优选的，所述根据调控样本的截断序列和连锁偏差增益计算调控样本的截断距离参数的方法为：
选取所述调控样本的截断序列中的最大值作为所述调控样本的第一截断参数；将所述调控样本的连锁偏差增益与预设调节参数的和作为调控样本的第二截断参数；计算所述调控样本的第一截断参数和第二截断参数的乘积作为调控样本的截断距离参数。
优选的，所述根据聚类结果计算调控样本的偏差，利用调控样本的偏差对金属板材刨槽与激光切割复合机的刨切进行调控的方法为：
；
式中，表示金属板材刨槽与激光切割复合机加工预设的切削速度，/>表示偏差判断序列/>中第/>个数据，/>表示偏差判断序列/>中数据的数量，/>表示金属板材刨槽与激光切割复合机的调节后刨切的切削速度。
本发明的有益效果是：通过采集金属板材刨槽与激光切割复合机工作过程的切削速度、刀具压力和温度数据，分析复合机工作过程中出现偏差时数据之间表现的关联变化特征，根据数据之间的关联变化特征构建连锁偏差增益。基于连锁偏差增益计算密度峰值聚类算法中的截断距离，其有益效果在于考虑了连锁偏差反应造成的数据分布变化，获取合适的截断距离；避免截断距离经验取值导致复合机切削速度数据聚类效果较差，使复合机切削速度的偏差分析误差较大；提高金属板材刨槽与激光切割复合机的刨切调控的精度。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明一个实施例所提供的一种金属板材刨槽与激光切割复合机的刨切调控方法的流程示意图；
图2为本发明一个实施例所提供的获取连锁反应判断序列的示意图。
具体实施方式
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例提供的一种金属板材刨槽与激光切割复合机的刨切调控方法流程图，该方法包括以下步骤：
步骤S001，获取金属板材刨槽与激光切割复合机的调控数据，根据调控数据获取复合机的调控样本。
在金属板材刨槽与激光切割复合机工作过程中切削速度、刀具压力和温度出现偏差会造成金属板材加工质量降低，通过速度传感器、压力传感器和温度传感器获取复合机工作过程中的切削速度数据、刀具压力数据和温度数据作为金属板材刨槽与激光切割复合机的刨切的调控数据，具体的传感器型号实施者可自行选择，采集数据的时间间隔为1s，采集数据序列的长度为600，采集方式为每个时刻同时采集上述三种数据。在数据采集过程中环境影响会导致采集的数据存在噪声，采用高斯滤波算法对采集数据进行预处理，高斯滤波算法的具体的计算过程为公知技术，不再进行赘述。
根据采集的金属板材刨槽与激光切割复合机的切削速度数据序列、刀具压力数据序列/>和温度数据序列/>，构建复合机刨切调控矩阵/>。
；
将复合机刨切调控矩阵中每列数据作为复合机的调控样本，则第/>个复合机的调控样本为/>。
至此，获取了复合机的调控样本。
步骤S002，根据调控样本的分布特征和数据变化特征计算切削偏差系数和推进偏差系数，根据切削偏差系数和推进偏差系数计算复合机连锁偏差系数。
金属板材刨槽与激光切割复合机的加工质量较高，但在加工使用过程中由于长时间工作和环境变化等原因使复合机的加工会出现偏差。一般情况下复合机加工过程中切削速度、刀具压力为稳定参数，加工的温度控制在一定范围内；加工出现偏差可能出现刀具压力变大，切削速度受压力影响会相对减小，温度也会相对降低，反之刀具压力减小，切削速度受压力减小的影响会相对增加，温度会相对升高。因此在复合机加工过程中出现偏差时，切削速度、刀具压力和温度会表现出关联变化特征，据此可以采集复合机加工过程的切削速度数据、刀具压力和温度对复合机的加工偏差进行分析。
在上述过程中获取了金属刨槽与激光切割复合机（下面简称复合机）加工过程的预处理后的数据，包括切削速度数据序列、刀具压力数据序列/>和温度数据序列/>，采用基于密度峰值聚类算法对数据进行聚类分析，根据采集数据之间关联变化特征，可以进一步基于数据特征计算基于密度峰值聚类算法中截断距离的大小。
首先根据复合机工作特点，在金属板材加工过程中切削速度和刀具压力为稳定参数，根据其稳定特征分析数据的偏差情况。采用K近邻算法获取每个复合机的调控样本的k个近邻样本，k的大小取经验值10，具体采用K近邻算法获取近邻样本的过程为公知技术，不再进行赘述。将每个复合机的调控样本中的切削速度数据组成的序列作为复合机的调控样本的K近邻切削数据序列，即输入为每个复合机的调控样本的K近邻切削数据序列/>，采用傅里叶变换对序列/>进行处理获取序列/>的频谱图，根据序列/>的频谱图获取其中的基频分量的幅值/>，基频分量的幅值反映该序列数据主要频率成分的强度。根据序列数据主要频率成分的强度可以计算数据偏差变化特征，具体公式如下：
；
式中，表示复合机的调控样本中第/>个样本的K近邻切削数据序列/>的基频分量的幅值，/>表示复合机的调控样本中第/>个样本的K近邻切削数据序列，/>表示K近邻切削数据序列/>中数据的数量，/>表示复合机的调控样本中第/>个样本的K个近邻样本中第/>个样本的K近邻切削数据序列的基频分量的幅值，/>和/>分别表示选取/>中的最大值和最小值，/>表示复合机的调控样本中第/>个样本的切削偏差系数。若在第/>个切削速度数据采集时刻发生速度偏差，则计算/>的值越大，局部变化值/>的值越大，得到的第/>个复合机的调控样本的切削偏差系数越大，表示从局部数据分布特征和数值变化分析该时刻切削速度发生偏差的可能性较大。
切削速度变化一般都伴随着刀具压力的变化，而且其变化可能是在较小的时间范围内出现的连锁反应。据此与复合机的调控样本的切削偏差系数的计算方式相同，根据复合机的调控样本的刀具压力数据获取复合机的调控样本的推进偏差系数。同样将第/>个复合机的调控样本的K个近邻样本中的刀具压力数据组成的序列作为第/>个复合机的调控样本的K近邻刀具压力数据序列/>，获取k近邻刀具压力数据序列/>中的最大值/>。以对应的刀具压力数据为中心获取数据数量为/>的刀具压力时间序列数据作为连锁反应判断序列/>，具体的获取方式如图2所示。根据上述分析计算复合机连锁偏差系数，具体计算公式如下：
；
式中，表示复合机的调控样本中第/>个样本的切削速度数据，/>表示复合机的调控样本中第/>个样本的K近邻刀具压力数据序列/>中的最大值，/>和/>分别表示获取数据/>和/>对应的采集时间，/>表示以自然常数为底数的指数函数；/>表示复合机的调控样本中第/>个样本的切削偏差系数，/>表示连锁反应判断序列/>中第/>个刀具压力数据所在复合机的调控样本的推进偏差系数；/>表示连锁反应判断序列中数据的数量，大小取经验值8；/>表示复合机的调控样本中第/>个样本的复合机连锁偏差系数。若复合机发生连锁偏差反应的时间间隔越大，则计算/>的值越大，在复合机连锁反应的基础上若切削速度偏差与刀具压力偏差的差异越大，则计算得到的/>的值越大；得到的复合机连锁偏差系数/>的值越大，表示复合机加工过程中出现连锁偏差反应的影响较大。
至此，获取了复合机的调控样本的复合机连锁偏差系数。
步骤S003，根据调控样本不同维度数据之间的关联影响特征获取连锁反应增益序列，根据连锁反应增益序列和复合机连锁偏差系数计算连锁偏差增益，根据连锁偏差增益获取截断距离参数，根据截断距离参数完成聚类。
在复合机加工过程中，切削速度和刀具压力出现连锁反应会使加工过程中的温度不稳定，温度可能超出正常控制范围，即加工过程刀具与金属板材之间相互作用力变化，导致温度降低或者升高，而温度的变化会影响金属板材的硬度，进而加重切削速度与刀具压力的偏差变化，因此在对应的采集时刻之后获取温度数据序列/>中数量为/>的温度时间数据序列作为连锁反应增益序列/>。根据连锁反应增益序列计算复合机的调控样本的连锁偏差增益，具体计算公式如下：
;
式中，表示复合机的调控样本中第/>个样本的复合机连锁偏差系数；/>表示连锁反应增益序列/>的变异系数，/>表示温度数据序列/>的变异系数，变异系数的计算过程为公知技术，不再进行赘述；/>表示归一化函数，/>表示复合机的调控样本中第/>个样本的连锁偏差增益。若复合机加工过程中出现偏差连锁反应，即在切削速度和刀具压力出现偏差时，计算得到的/>的值越大；进一步的，温度出现异常反应影响切削速度、刀具压力变化，造成连锁反应的范围扩大，即计算得到的/>的值越大；得到的/>的值越大，表示复合机加工过程中出现较大范围的偏差影响。
通过分析相关调控数据之间关联变化特征，可以计算采集的每个复合机的调控样本的连锁偏差增益，连锁偏差增益的大小表示连锁偏差影响数据分布的程度。计算复合机的调控样本与其K个近邻样本的欧氏距离，将计算结果按由小到大的顺序排序组成的序列作为复合机的调控样本截断序列。进一步的，根据复合机的调控样本的连锁偏差增益和截断序列计算聚类过程中的截断距离参数，具体计算公式如下：
；
式中，表示复合机的调控样本中第/>个样本的截断序列，/>表示取序列/>中的最大值；/>表示调节参数，大小取经验值1，/>表示复合机的调控样本中第/>个样本的连锁偏差增益，/>表示复合机的调控样本中第/>个样本的截断距离参数。若复合机的调控样本中第/>个样本的连锁偏差增益较大，则需要增大截断距离获取更准确聚类结果。
至此，获取了复合机的调控样本的截断距离参数，基于密度峰值聚类算法对复合机的调控样本进行处理，得到金属板材刨槽与激光切割复合机的刨切调控数据的聚类结果。
步骤S004，根据聚类结果分析调控数据的偏差，根据分析结果对金属板材刨槽与激光切割复合机的刨切进行调控。
根据金属板材刨槽与激光切割复合机的刨切调控数据的聚类结果计算每个簇内复合机的调控样本的切削速度数据的均值，将所有簇的均值的计算结果由小到大进行排列组成的序列作为偏差判断序列，金属板材刨槽与激光切割复合机加工预设的切削速度为/>。根据聚类结果计算偏差，调整刨切的切削速度，具体计算公式如下：
；
式中，表示金属板材刨槽与激光切割复合机加工预设的切削速度，/>表示偏差判断序列/>中第/>个数值，/>表示偏差判断序列/>中数据的数量，/>表示金属板材刨槽与激光切割复合机的调节后刨切的切削速度。若经过分析在金属板材刨槽与激光切割复合机加工过程出现速度偏大的情况，则根据偏差量适当调小切削速度；若出现速度偏小的情况，则根据偏差量适当调大切削速度，实现对金属板材刨槽与激光切割复合机的刨切速度的调控。
至此，完成了对金属板材刨槽与激光切割复合机的刨切速度的调控。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种金属板材刨槽与激光切割复合机的刨切调控方法，其特征在于，该方法包括以下步骤：
获取金属板材刨槽与激光切割复合机的调控数据，根据所述调控数据获取复合机的调控样本；
根据K近邻算法获取调控样本的K近邻数据序列，利用调控样本的K近邻数据序列的频谱图获取调控样本的基频分量幅值；根据调控样本的基频分量幅值的变化和数据偏差变化特征计算调控样本的切削偏差系数和推进偏差系数；根据调控样本的不同维度之间的连锁反应特征获取调控样本的连锁反应判断序列；根据调控样本的切削偏差系数、推进偏差系数和连锁反应判断序列计算调控样本的复合机连锁偏差系数；
根据连锁反应的持续性影响特征获取调控样本的连锁反应增益序列；根据调控样本的连锁反应增益序列和复合机连锁偏差系数计算调控样本的连锁偏差增益；根据调控样本的K近邻数据序列获取调控样本的截断序列；根据调控样本的截断序列和连锁偏差增益计算调控样本的截断距离参数；
基于截断距离参数采用密度峰值聚类算法对金属板材刨槽与激光切割复合机的调控样本进行聚类；根据聚类结果计算调控数据的偏差，利用调控数据的偏差对金属板材刨槽与激光切割复合机的刨切速度进行调控；
所述根据调控样本的切削偏差系数、推进偏差系数和连锁反应判断序列计算调控样本的复合机连锁偏差系数的方法为：
；
式中，表示复合机的调控样本中第/>个样本的切削速度数据，/>表示复合机的调控样本中第/>个样本的K近邻刀具压力数据序列/>中的最大值，分别表示获取数据/>和/>对应的采集时间，/>表示以自然常数为底数的指数函数；/>表示复合机的调控样本中第/>个样本的切削偏差系数，表示连锁反应判断序列/>中第/>个刀具压力数据所在复合机的调控样本的推进偏差系数；/>表示连锁反应判断序列/>中数据的数量；/>表示复合机的调控样本中第/>个样本的复合机连锁偏差系数。
2.根据权利要求1所述的一种金属板材刨槽与激光切割复合机的刨切调控方法，其特征在于，所述根据K近邻算法获取调控样本的K近邻数据序列，利用调控样本的K近邻数据序列的频谱图获取调控样本的基频分量幅值的方法为：
采用K近邻算法获取金属板材刨槽与激光切割复合机每个调控样本的K个近邻样本，将所述金属板材刨槽与激光切割复合机每个调控样本的K个近邻样本中的每个维度的数据按从小到大的顺序排序组成的序列作为所述金属板材刨槽与激光切割复合机每个调控样本的K近邻数据序列；
采用傅里叶变换获取所述金属板材刨槽与激光切割复合机每个调控样本的K近邻数据序列的频谱图，根据所述金属板材刨槽与激光切割复合机每个调控样本的K近邻数据序列的频谱图获取所述金属板材刨槽与激光切割复合机每个调控样本的基频分量幅值。
3.根据权利要求1所述的一种金属板材刨槽与激光切割复合机的刨切调控方法，其特征在于，所述根据调控样本的基频分量幅值的变化和数据偏差变化特征计算调控样本的切削偏差系数和推进偏差系数的方法为：
；
式中，表示复合机的调控样本中第/>个样本的K近邻切削数据序列/>的基频分量的幅值，/>表示复合机的调控样本中第/>个样本的K近邻切削数据序列，K表示K近邻切削数据序列/>中数据的数量，/>表示复合机的调控样本中第/>个样本的K个近邻样本中第/>个样本的K近邻切削数据序列的基频分量的幅值，/>分别表示选取/>中的最大值和最小值，/>表示复合机的调控样本中第/>个样本的切削偏差系数；
将复合机的调控样本中第个样本的K个近邻样本中的刀具压力数据组成的序列作为所述复合机的调控样本中第/>个样本的K近邻刀具压力数据序列；与所述复合机的调控样本中第/>个样本的切削偏差系数的计算方式相同，根据复合机的调控样本中第/>个样本的K近邻刀具压力数据序列和K个近邻样本获取所述复合机的调控样本中第/>个样本的推进偏差系数。
4.根据权利要求1所述的一种金属板材刨槽与激光切割复合机的刨切调控方法，其特征在于，所述根据调控样本的不同维度之间的连锁反应特征获取调控样本的连锁反应判断序列的方法为：
将调控样本的K个近邻样本中的刀具压力数据组成的序列作为调控样本的K近邻刀具压力数据序列，将所述调控样本的K近邻刀具压力数据序列中的最大值作为调控样本的刀具压力判断数据，以所述调控样本的刀具压力判断数据为中心获取预设数量的刀具压力时间序列数据作为调控样本的连锁反应判断序列。
5.根据权利要求1所述的一种金属板材刨槽与激光切割复合机的刨切调控方法，其特征在于，所述根据连锁反应的持续性影响特征获取调控样本的连锁反应增益序列的方法为：
将连锁反应判断序列中最大值对应的采集时刻作为温度数据的第一采集时刻，获取所述温度数据的第一采集时刻之后预设数量的温度数据，将所述预设数量的温度数据按照时间升序排序组成的序列作为所述调控样本的连锁反应增益序列。
6.根据权利要求1所述的一种金属板材刨槽与激光切割复合机的刨切调控方法，其特征在于，所述根据调控样本的连锁反应增益序列和复合机连锁偏差系数计算调控样本的连锁偏差增益的方法为：
计算调控样本的连锁反应增益序列的变异系数作为所述调控样本的第一连锁系数，计算温度数据序列的变异系数作为所述调控样本的第二连锁系数；计算所述调控样本的第一连锁系数和第二连锁系数的比值作为所述调控样本的连锁系数；计算所述调控样本的连锁系数和所述调控样本的复合机连锁偏差系数的乘积作为所述调控样本的增益系数，将所述调控样本的增益系数归一化结果作为所述调控样本的连锁偏差增益系数。
7.根据权利要求1所述的一种金属板材刨槽与激光切割复合机的刨切调控方法，其特征在于，所述根据调控样本的K近邻数据序列获取调控样本的截断序列的方法为：
计算调控样本与所述调控样本的K个近邻样本的欧氏距离，将所有所述欧氏距离按由小到大的顺序排序组成的序列作为所述调控样本的截断序列。
8.根据权利要求1所述的一种金属板材刨槽与激光切割复合机的刨切调控方法，其特征在于，所述根据调控样本的截断序列和连锁偏差增益计算调控样本的截断距离参数的方法为：
选取所述调控样本的截断序列中的最大值作为所述调控样本的第一截断参数；将所述调控样本的连锁偏差增益与预设调节参数的和作为调控样本的第二截断参数；计算所述调控样本的第一截断参数和第二截断参数的乘积作为调控样本的截断距离参数。
9.根据权利要求1所述的一种金属板材刨槽与激光切割复合机的刨切调控方法，其特征在于，所述根据聚类结果计算调控数据的偏差，利用调控数据的偏差对金属板材刨槽与激光切割复合机的刨切速度进行调控的方法为：
；
式中，表示金属板材刨槽与激光切割复合机加工预设的切削速度，/>表示偏差判断序列/>中第/>个数据，/>表示偏差判断序列/>中数据的数量，/>表示金属板材刨槽与激光切割复合机的调节后刨切的切削速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311254768.7A CN117259960B (zh) | 2023-09-27 | 2023-09-27 | 一种金属板材刨槽与激光切割复合机的刨切调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311254768.7A CN117259960B (zh) | 2023-09-27 | 2023-09-27 | 一种金属板材刨槽与激光切割复合机的刨切调控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117259960A CN117259960A (zh) | 2023-12-22 |
| CN117259960B true CN117259960B (zh) | 2024-02-09 |
Family
ID=89204115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311254768.7A Active CN117259960B (zh) | 2023-09-27 | 2023-09-27 | 一种金属板材刨槽与激光切割复合机的刨切调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117259960B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2248626A1 (fr) * | 2009-04-30 | 2010-11-10 | Centre Technique de l'Industrie du Décolletage | Procédé et dispositif de détermination d'au moins un point de fonctionnement d'une machine-outil |
| CN102129463A (zh) * | 2011-03-11 | 2011-07-20 | 北京航空航天大学 | 一种融合项目相关性的基于pmf的协同过滤推荐系统 |
| CN108053483A (zh) * | 2017-11-03 | 2018-05-18 | 北京航空航天大学 | 一种基于gpu加速的维诺图三维网格重构方法 |
| CN112380992A (zh) * | 2020-11-13 | 2021-02-19 | 上海交通大学 | 一种加工过程监控数据准确性评估与优化方法及装置 |
| CN114536100A (zh) * | 2022-02-27 | 2022-05-27 | 重庆大学 | 一种用于铣削加工切削刀具的温度测量方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11048727B2 (en) * | 2018-09-10 | 2021-06-29 | Ciena Corporation | Systems and methods for automated feature selection and pattern discovery of multi-variate time-series |
-
2023
- 2023-09-27 CN CN202311254768.7A patent/CN117259960B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2248626A1 (fr) * | 2009-04-30 | 2010-11-10 | Centre Technique de l'Industrie du Décolletage | Procédé et dispositif de détermination d'au moins un point de fonctionnement d'une machine-outil |
| CN102129463A (zh) * | 2011-03-11 | 2011-07-20 | 北京航空航天大学 | 一种融合项目相关性的基于pmf的协同过滤推荐系统 |
| CN108053483A (zh) * | 2017-11-03 | 2018-05-18 | 北京航空航天大学 | 一种基于gpu加速的维诺图三维网格重构方法 |
| CN112380992A (zh) * | 2020-11-13 | 2021-02-19 | 上海交通大学 | 一种加工过程监控数据准确性评估与优化方法及装置 |
| CN114536100A (zh) * | 2022-02-27 | 2022-05-27 | 重庆大学 | 一种用于铣削加工切削刀具的温度测量方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117259960A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105488282B (zh) | 一种基于动态加工特征的切削参数分段和变切深优化方法 | |
| Kuram et al. | Micro-milling performance of AISI 304 stainless steel using Taguchi method and fuzzy logic modelling | |
| CN104777785B (zh) | 一种基于指令域分析的数控加工工艺参数动态优化方法 | |
| CN102880771B (zh) | 高速切削加工中工件表面粗糙度的预测方法 | |
| CN103192292B (zh) | 基于加工工件曲面形貌信息的数控机床误差辨识分离方法 | |
| CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
| CN106808320A (zh) | 一种考虑刀具齿间角、螺旋角及偏心的铣削力预测方法 | |
| Feng et al. | Inverse analysis of the cutting force in laser-assisted milling on Inconel 718 | |
| CN111975453B (zh) | 一种数值仿真驱动的加工过程刀具状态监测方法 | |
| CN107728580A (zh) | 一种面向自适应加工的几何信息‑工艺信息‑监测信息关联方法 | |
| CN114818201A (zh) | 一种基于机理与数据驱动的发动机缸盖铣削表面质量预测方法 | |
| Arapoğlu et al. | An ANN-based method to predict surface roughness in turning operations | |
| CN114536104B (zh) | 一种刀具寿命动态预测方法 | |
| CN104318022A (zh) | 一种预测工件表面粗糙度并提高切削效率的方法 | |
| CN117259960B (zh) | 一种金属板材刨槽与激光切割复合机的刨切调控方法 | |
| CN109885900A (zh) | 一种基于灰度分析的车削参数优化方法 | |
| Krimpenis et al. | Assessment of sculptured surface milling strategies using design of experiments | |
| Do Duc et al. | Surface roughness prediction in CNC hole turning of 3X13 steel using support vector machine algorithm | |
| Schwenzer et al. | Continuous identification for mechanistic force models in milling | |
| CN108405696A (zh) | 一种智能旋压系统及旋压加工方法 | |
| CN109933940A (zh) | 基于滚刀主轴振动响应模型的滚齿工艺参数优化方法 | |
| CN116466651A (zh) | 基于混合启发式算法的数控加工工艺参数优化方法及系统 | |
| CN108038083B (zh) | 一种使用数据软件进行刀具耐用度预测的方法 | |
| Asiltürk et al. | Intelligent adaptive control and monitoring of band sawing using a neural-fuzzy system | |
| CN101436053A (zh) | 机床的控制方法 |
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 |