CN117348528A - 一种数控机床及基于深度学习的自适应控制系统 - Google Patents
一种数控机床及基于深度学习的自适应控制系统 Download PDFInfo
- Publication number
- CN117348528A CN117348528A CN202311473303.0A CN202311473303A CN117348528A CN 117348528 A CN117348528 A CN 117348528A CN 202311473303 A CN202311473303 A CN 202311473303A CN 117348528 A CN117348528 A CN 117348528A
- Authority
- CN
- China
- Prior art keywords
- data
- machine tool
- deep learning
- processing unit
- air pipe
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 96
- 238000013480 data collection Methods 0.000 claims abstract description 28
- 238000005520 cutting process Methods 0.000 claims abstract description 26
- 238000013136 deep learning model Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000005498 polishing Methods 0.000 claims abstract description 4
- 239000003595 mist Substances 0.000 claims description 51
- 238000001816 cooling Methods 0.000 claims description 38
- 239000010687 lubricating oil Substances 0.000 claims description 35
- 239000007789 gas Substances 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 239000000919 ceramic Substances 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000007921 spray Substances 0.000 claims description 9
- 239000000112 cooling gas Substances 0.000 claims description 8
- 230000008676 import Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000002826 coolant Substances 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000005684 electric field Effects 0.000 claims description 4
- 230000002085 persistent effect Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 4
- 238000000700 time series analysis Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005538 encapsulation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 239000000314 lubricant Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 239000003921 oil Substances 0.000 description 12
- 238000005461 lubrication Methods 0.000 description 7
- 238000003754 machining Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012384 transportation and delivery 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
- G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31264—Control, autonomous self learn knowledge, rearrange task, reallocate resources
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种数控机床及基于深度学习的自适应控制系统，包括多轴自由度机器臂：采用多轴机器臂，可从各个角度和方向进行切割、雕刻和打磨；模块化加工头：根据不同的加工需求，可以快速更换加工模块；还包括：数据收集模块：包括多种传感器，用于实时收集机床的工作状态；深度学习处理单元：用于处理和训练深度学习模型；机床控制器：接收深度学习处理单元的指令并实时调整机床的参数；数据存储和分析模块：用于存储历史数据和进行趋势分析；该基于深度学习的自适应控制系统为数控机床带来了高度的自适应性、预测能力和操作优化，有助于提高生产效率，确保加工质量，并降低生产成本。
Description
技术领域
本发明属于工业加工设备技术领域，具体涉及一种数控机床及基于深度学习的自适应控制系统。
背景技术
数控机床经历了从初步的自动化到高度自动化，甚至到智能化的发展。传统的数控机床主要依赖于预先编程的指令来完成特定的制造任务。随着技术的发展，需求对于精确性、灵活性和生产效率提出了更高的要求。
现有的数控机床存在以下不足之处：
传统数控机床主要依赖固定的加工程序，这意味着当工件材料、工具状态或加工环境发生变化时，机床无法自动适应这些变化，导致加工精度下降或机床损伤。为了保证加工质量，操作员可能会选择降低切削速度或进给速度，从而牺牲生产效率。致使生产效率与质量存在矛盾。传统的数控机床在工具磨损、机床部件老化或其他潜在问题上很难进行及时预测和预防。传统的数控机床对操作员的技能和经验有很高的依赖，人工成本高，难以高精化。传统的数控机床在运行过程中很难进行自主的优化。在传统的数控机床中，收集到的大量数据往往并未得到充分利用。
发明内容
本发明的目的在于提供一种数控机床及基于深度学习的自适应控制系统，为数控机床带来了高度的自适应性、预测能力和操作优化，有助于提高生产效率，确保加工质量，并降低生产成本。
为实现上述目的，本发明采用了如下技术方案：
一种数控机床，包括多轴自由度机器臂：采用多轴机器臂，可从各个角度和方向进行切割、雕刻和打磨；
模块化加工头：根据不同的加工需求，可以快速更换加工模块；
还包括：
数据收集模块：包括多种传感器，用于实时收集机床的工作状态；
深度学习处理单元：用于处理和训练深度学习模型；
机床控制器：接收深度学习处理单元的指令并实时调整机床的参数；
数据存储和分析模块：用于存储历史数据和进行趋势分析。
其中，所述数据收集模块包括
传感器组：包括
振动传感器：检测机床的振动情况，为加速度计或压电式传感器；
温度传感器：监测关键部位的温度；
声音传感器：用于捕捉机床的工作噪声；
摄像头：对工件或切削区进行实时监控，捕捉工件的加工质量或切割工具的状态；
压力传感器：检测液压或气压系统的压力，确保系统稳定运行；
转速传感器：监测切削工具或机床轴的转速；
位置传感器：用于实时监测机床各轴的位置；
数据预处理单元：包括
A/D转换器，用于将模拟传感器信号转换为数字信号；
通信接口：负责将收集到的数据发送到深度学习处理单元；
嵌入式控制器：负责传感器的管理，以及数据的采集、预处理和传输。
所述数据收集模块工作过程为：
初始化：当机床启动时，数据收集模块进行自检，确保所有传感器正常工作并校准；
数据采集：在机床工作过程中，各传感器持续或定期地收集数据；
数据预处理：原始数据经过A/D转换器变为数字信号；
数据封装和传输：预处理后的数据被封装成特定格式，然后通过通信接口传输到深度学习处理单元；
实时反馈：预设情况下，深度学习处理单元发送反馈信号到数据收集模块，要求其调整数据采集频率或启动/停止特定传感器；
故障检测：数据收集模块检测到任何传感器的异常读数或故障时，通知机床控制器和深度学习处理单元，并根据设定阈值触发机床的紧急停机。
其中，所述深度学习处理单元的工作方法为：
数据接收：通过通信接口接收从数据收集模块传输过来的数据；
数据预处理：对接收到的数据进行进一步的处理；
模型推理：加载预训练的深度学习模型，然后将预处理后的数据输入模型，获取推断结果；
结果解析：解析模型输出，将其转换为有意义的信息；
实时调整：当检测到机床状态存在异常或存在优化空间时，实时发送指令给机床控制系统进行调整；
模型更新与在线学习：根据收集到的新数据，逐步优化或调整模型的权重和参数；
反馈与交互：与操作员或其他系统进行交互，提供实时反馈、警告和建议；
数据存储与管理：选择性地存储关键数据，以备后续分析或为模型训练提供数据。
其中，所述机床控制器包括：
中央处理单元(CPU)：执行所有基本计算和逻辑运算；
输入/输出(I/O)接口：与机床的各个组件以及深度学习处理单元进行通信；
内存(RAM)：存储控制程序、参数和临时数据；
持久性存储：存储固定的控制算法、历史数据和系统配置；
模拟/数字转换器：将数字信号转换为机床可以使用的模拟信号；
通信协议栈：与深度学习处理单元和其他系统模块进行数据交换；
安全和紧急停机模块：检测可能的故障或危险状态，并快速关闭机床；
用户界面：供操作员查看当前状态、输入参数或执行命令；
电源管理模块：确保稳定供电，并在电源不足时采取适当措施；
所述机床控制器的控制过程包括：
初始化：启动并运行自检程序；加载控制算法和历史配置；
数据接收：从深度学习处理单元接收指令和建议；读取机床当前的状态和参数；
数据解析：解析接收到的指令，确定所需的操作；
决策执行：根据接收到的指令和当前机床状态，确定要实施的动作；对于切削速度、进给速度、冷却液流量参数进行实时调整；
反馈生成：监测机床的反应和效果；生成相应的反馈信息；
与深度学习处理单元通信：发送实时反馈和机床状态；接收进一步的指令和建议；
安全检查：定期检查机床的所有关键参数，确保其在安全范围内；如检测到异常，立即调整或启动紧急停机程序；
与操作员交互：显示机床的当前状态、已执行的操作和任何警告或错误消息；接收操作员的输入和指令，并相应地调整机床参数或动作。
其中，所述数据存储和分析模块包括：
数据库服务器：用于存储机床操作的实时和历史数据；
数据缓存层：用于快速存取实时数据和常用数据，减少对主数据库的压力；
数据处理单元：包括CPU、RAM和相关硬件，用于处理和分析数据；
分析算法库：包括时间序列分析、统计分析和其他机器学习算法；
数据备份和恢复系统：定期备份数据库，确保数据的完整性和安全性；提供快速恢复功能以应对任何数据丢失的情况；
用户查询和报表接口：允许用户查询历史数据、生成报表和图表，用于了解机床的运行状态和效率；
数据导入/导出工具：提供功能从其他系统导入数据或将数据导出到其他系统。
其中，所述数控机床还包括视觉识别系统：采用多个高分辨率摄像头和红外传感器，能够实时获取工件的三维形态和温度分布；
气体冷却系统：向工件上温度高的区域喷射低温低湿度的气体；
冷却控制器：接收视觉识别系统采集的数据信息，并在分析数据后控制气体冷却系统动作。
其中，所述气体冷却系统包括与多轴自由度机械臂上的模块化加工头同步移动的喷气装置；所述喷气装置包括固定套管、滑动套设在固定套管内的刚性气管以及连接在刚性气管前端的可形变气管；所述可形变气管包括弹性内管和密集粘附在弹性内管外圆周面上的多片压电陶瓷片；所述压电陶瓷片在在受到外部电场作用时产生的机械应变的方向为弹性内管的轴向；所述可形变气管的前端固定有缩径喷头；所述刚性气管后部设置有一进气管连通刚性气管内部；所述刚性气管后端设置有一电推杆；所述电推杆带动刚性气管前后移动；所述冷却控制器控制电推杆的行程以及各压电陶瓷片的通电状态及通电大小。
其中，所述压电陶瓷片外表面套设有弹性内套管；所述可形变气管外间距套设有弹性内套管；所述弹性内套管与可形变气管围合出润滑油雾环形通道；所述润滑油雾环形通道沿可形变气管和缩径喷头外壁向前延伸，使其环形出风口绕缩径喷头外圆周面；所述润滑油雾环形通道后端通过多个连通口与刚性气管内连通；所述润滑油雾环形通道后部设置有连通润滑油雾环形通道的润滑油雾进入管；所述润滑油雾进入管与外部油雾发生器连通。
其中，所述润滑油雾环形通道与刚性气管连通处，连通口的迎风面较背风面更加靠近刚性气管中心，以引导部分经过刚性气管的压缩冷却气体通过连通口进入润滑油雾环形通道内并裹挟润滑油雾从缩径喷头外围的润滑油雾环形通道开口喷出。
本发明的技术效果和优点：
1、本发明的基于深度学习的自适应控制系统在数控机床上的应用，为机床的操作和性能带来了一系列有益效果：
自适应性调整：深度学习具有强大的数据处理和模式识别能力。在面对各种工作条件和工件材料时，自适应控制系统可以实时分析当前的工作状态，并根据深度学习模型的预测结果自动调整机床的操作参数，如速度、力度、角度等，以确保最佳的加工效果。
预测和预防故障：通过持续监测机床的状态数据，深度学习模型可以识别出即将出现的异常或故障的迹象。例如，通过分析机床的振动或声音数据，模型可以预测某些部件的磨损情况，从而提前采取措施避免突发故障，延长机床的使用寿命。
优化生产流程：基于深度学习的控制系统可以持续地从每次的操作中学习并不断优化。它可以自动地调整机床的运行策略，以实现更高的生产效率和更低的资源消耗。
减少人为因素的影响：人为操作的误差或经验的局限性常常是造成机床性能不稳定或加工质量下降的原因。基于深度学习的自适应控制系统可以自动化和标准化大部分操作流程，从而减少人为因素的不稳定性。
节约成本：通过优化操作参数和提前预测故障，可以有效地减少因误操作或突发故障导致的材料浪费和停机时间。长远来看，这将为生产商节省大量的成本。
持续的模型训练和更新：随着更多的数据被收集和分析，深度学习模型可以持续地进行训练和更新。这确保了控制系统始终保持最新的知识和策略，以适应不断变化的生产环境和技术进步。
提供数据驱动的决策支持：控制系统中的数据存储和分析模块可以为管理层和操作员提供有价值的洞察。这些洞察有助于更好地理解生产过程中的瓶颈、潜在风险和优化机会，从而更加明智地进行决策。
综上所述，基于深度学习的自适应控制系统为数控机床带来了高度的自适应性、预测能力和操作优化，有助于提高生产效率，确保加工质量，并降低生产成本。
2、本发明的气体冷却系统的有益效果如下：
精确的冷却：通过视觉识别系统对工件进行实时的三维形态和温度监测，气体冷却系统能够精确地将冷却气体喷射到高温区域，确保有效且高效的冷却。
自适应性：结合视觉识别数据，冷却控制器能够动态调整喷射距离和气流方向，使冷却更加符合实际的工作需要，从而提高加工效率和工件质量。
润滑和冷却的双重作用：通过润滑油雾供给系统，冷却气体与油雾混合后喷出，不仅可以冷却工件，还能为工件提供润滑，减少摩擦，延长工具的使用寿命，并保护工件表面。
工作环境清洁：由于使用的是气体冷却，与传统的液体冷却相比，气体冷却的方式能够保持加工区域的干净和清晰，有利于视觉识别系统的准确识别。
提高加工安全性：通过视觉识别系统实时监测，可以有效判断加工头与工件的位置关系，及时预警和调整，以避免加工头与工件的冲撞，大大减少机床和工件的损坏风险。
节约资源和成本：气体冷却系统的设计确保了冷却气体和油雾的精确投放，避免了资源的浪费，同时也减少了因过量冷却和润滑引起的清洁和维护成本。
延长机械部件寿命：减少了因温度过高造成的机械磨损，延长了工具和机床的使用寿命，同时也减少了因过热导致的工件变形或损坏的风险。
提高加工质量：精确的冷却和润滑可以有效地降低工件在加工过程中的温度变化，从而避免因温差引起的工件内应力和变形，确保工件的加工精度和质量。
综上所述，该气体冷却系统结合了视觉识别技术和自适应冷却技术，为数控机床的加工提供了高效、精确和安全的冷却和润滑解决方案，大大提高了加工的效率、质量和安全性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明数控机床的自适应控制系统的架构示意图；
图2是本发明实施例2的喷气装置静力状态下的结构示意图；
图3是本发明实施例2的喷气装置弯曲状态下的结构示意图；
图4是图3中圆圈A处的放大图；
图5是本发明实施例3的喷气装置弯曲状态下的结构示意图；
图6是图5中圆圈B处的放大图；
图7是图5中圆圈C处的放大图。
图中标号：
1、固定套管；2、刚性气管；3、可形变气管；31、弹性内管；32、压电陶瓷片；33、缩径喷头；34、进气管；4、电推杆；5、弹性内套管；6、弹性内套管；7、润滑油雾环形通道；71、连通口；72、润滑油雾进入管；73、迎风面；74、背风面。
具体实施方式
下面将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。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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。
实施例1
参见图1，一种数控机床的自适应控制系统，包括多轴自由度机器臂：采用多轴机器臂，可从各个角度和方向进行切割、雕刻和打磨；
模块化加工头：根据不同的加工需求，可以快速更换加工模块；
还包括：
数据收集模块：包括各种传感器，如振动、温度、压力、声音、摄像头等，用于实时收集机床的工作状态。
深度学习处理单元：一组高性能计算硬件，如GPU，专门用于处理和训练深度学习模型。
机床控制器：接收深度学习处理单元的指令并实时调整机床的参数，如切削速度、进给速度、冷却液流量等。
数据存储和分析模块：用于存储历史数据和进行趋势分析。
其工作过程为：
自适应切削：系统可以通过监测切削过程中的振动、声音和摄像头图像等参数，通过深度学习模型自动调整切削参数，以达到最佳的切削效果和最大的工件生产率。
预测性维护：通过监测机床的工作状态并利用深度学习模型，预测机床可能出现的故障，从而提前进行维护，降低停机时间。
工件质量检测：摄像头可以用于实时监测工件的加工质量。深度学习模型可以自动检测工件上的缺陷，并在发现问题时自动停机或调整切削参数。
优化工作流程：系统可以根据历史数据，通过深度学习算法自动调整机床的工作流程，以达到最佳的生产效率。
实施过程中需要注意以下几点：
数据标注：首先需要大量的机床工作数据，这些数据需要被标注，例如，哪些振动模式对应于工件的不良加工，哪些温度/压力变化是正常的等。
模型训练：使用上述标注的数据来训练深度学习模型。这需要专门的深度学习框架，如TensorFlow或PyTorch，并可能需要使用云计算资源。
模型部署：将训练好的模型部署到机床的控制系统中。这需要优化和压缩模型，以适应机床的计算资源。
持续学习：机床在运行过程中会不断收集新的数据，这些数据可以被用来持续更新和优化深度学习模型。
进一步的，本实施例的数据收集模块的具体组成包括：
传感器组：
振动传感器：检测机床的振动情况，可以为加速度计或压电式传感器。
温度传感器：监测关键部位如电机、轴承和切削区的温度。
声音传感器：如麦克风，用于捕捉机床的工作噪声，有助于分析机床的健康状态。
摄像头：对工件或切削区进行实时监控，可以捕捉工件的加工质量或切割工具的状态。
压力传感器：检测液压或气压系统的压力，确保系统稳定运行。
转速传感器：监测切削工具或机床轴的转速。
位置传感器：如编码器，用于实时监测机床各轴的位置。
数据预处理单元：包括A/D转换器，用于将模拟传感器信号转换为数字信号，以及初步的滤波、放大或衰减等功能。
通信接口：如CAN总线、Ethernet接口或无线通信模块，负责将收集到的数据发送到深度学习处理单元。
嵌入式控制器：负责传感器的管理，以及数据的采集、预处理和传输。
数据收集模块的工作过程为：
初始化：当机床启动时，数据收集模块进行自检，确保所有传感器正常工作并校准。
数据采集：在机床工作过程中，各传感器持续或定期地收集数据。例如，振动或温度传感器可能每秒收集数百或数千次数据，而摄像头可能每秒捕捉数十个图像帧。
数据预处理：原始数据经过A/D转换器变为数字信号，可能会经过一系列预处理，如滤波、归一化或去噪。
数据封装和传输：预处理后的数据被封装成特定格式(如JSON或XML)，然后通过通信接口传输到深度学习处理单元。
实时反馈：在某些情况下，深度学习处理单元可能会发送反馈信号到数据收集模块，要求其调整数据采集频率或启动/停止特定传感器。
故障检测：如果数据收集模块检测到任何传感器的异常读数或故障，它会通知机床控制器和深度学习处理单元，并可能触发机床的紧急停机。
总体来说，数据收集模块是整个系统的前沿，它确保实时、准确地捕捉机床的工作状态，为后续的深度学习分析提供关键数据。
进一步的，本实施例的深度学习处理单元的具体组成包括：
计算硬件：
多核CPU：用于基本的数据处理、系统管理和与其他模块的通信。
GPU或专用AI加速器：负责执行深度学习模型的前向和反向传播操作，提供大量并行处理能力。
RAM：提供足够的内存空间以支持大型神经网络模型和大量数据的处理。
持久存储：如SSD，存储长期数据和深度学习模型。
软件和框架：
操作系统：如Linux，为其他软件提供运行环境。
深度学习框架：如TensorFlow、PyTorch或Keras，用于构建、训练和执行神经网络模型。
数据处理库：如NumPy和Pandas，用于数据处理和分析。
通信接口：与数据收集模块、机床控制系统以及可能的远程云服务进行数据交互。
预训练的深度学习模型：这些模型可能是针对特定应用预先训练的，例如预测工具磨损、分析切削质量等。
实时监测和调整模块：监测深度学习任务的执行情况，如需要，进行调整以满足实时要求。
深度学习处理单元的工作过程为：
数据接收：通过通信接口接收从数据收集模块传输过来的数据。
数据预处理：对接收到的数据进行进一步的处理，如缺失值填充、归一化、格式转换等。
模型推理：加载预训练的深度学习模型，然后将预处理后的数据输入模型，获取推断结果。这可能是预测、分类或其他任务的结果。
结果解析：解析模型输出，将其转换为有意义的信息，例如：“工具即将磨损”、“建议减少切割速度”等。
实时调整：如果检测到机床状态存在异常或存在优化空间，实时发送指令给机床控制系统进行调整。
模型更新与在线学习：根据收集到的新数据，逐步优化或调整模型的权重和参数。这可以在本地进行，也可以将数据上传到云端进行。
反馈与交互：与操作员或其他系统进行交互，提供实时反馈、警告和建议。
数据存储与管理：选择性地存储关键数据，以备后续分析或为模型训练提供数据。
总体而言，深度学习处理单元是系统的核心，它利用大量的数据和强大的计算能力，为机床提供智能化的决策支持和操作优化。
进一步的，本实施例的机床控制器的具体组成包括：
中央处理单元(CPU)：执行所有基本计算和逻辑运算。
输入/输出(I/O)接口：与机床的各个组件以及深度学习处理单元进行通信。
内存(RAM)：存储控制程序、参数和临时数据。
持久性存储：如闪存，存储固定的控制算法、历史数据和系统配置。
模拟/数字转换器：将数字信号转换为机床可以使用的模拟信号，反之亦然。
通信协议栈：允许与深度学习处理单元和其他系统模块进行数据交换。
安全和紧急停机模块：检测任何可能的故障或危险状态，并快速关闭机床。
用户界面：供操作员查看当前状态、输入参数或执行命令。
电源管理模块：确保稳定供电，并在电源不足时采取适当措施。
机床控制器的控制过程为：
初始化：启动并运行自检程序。加载控制算法和历史配置。
数据接收：从深度学习处理单元接收指令和建议。读取机床当前的状态和参数。
数据解析：解析接收到的指令，确定所需的操作。
决策执行：根据接收到的指令和当前机床状态，确定要实施的动作。对于如切削速度、进给速度、冷却液流量等参数进行实时调整。
反馈生成：监测机床的反应和效果。生成相应的反馈信息，如“参数已调整”、“冷却液流量过高”等。
与深度学习处理单元通信：发送实时反馈和机床状态。接收进一步的指令和建议。
安全检查：定期检查机床的所有关键参数，确保其在安全范围内。如检测到异常，立即调整或启动紧急停机程序。
与操作员交互：显示机床的当前状态、已执行的操作和任何警告或错误消息。接收操作员的输入和指令，并相应地调整机床参数或动作。
总体来说，控制器是机床的大脑，它不断接收和处理信息，确保机床按照预期的方式运行，并在需要时进行调整或干预。在与深度学习处理单元的交互中，控制器可以实现更智能、更高效的操作。
进一步的，数据存储和分析模块包括
数据库服务器：用于存储机床操作的实时和历史数据。可以选择关系型数据库(如MySQL、PostgreSQL)或时间序列数据库(如InfluxDB)根据数据特性和查询需求。
数据缓存层：如Redis或Memcached，用于快速存取实时数据和常用数据，减少对主数据库的压力。
数据处理单元：包括CPU、RAM和相关硬件，用于处理和分析数据。
分析算法库：包括时间序列分析、统计分析和其他机器学习算法。
数据备份和恢复系统：定期备份数据库，确保数据的完整性和安全性。提供快速恢复功能以应对任何数据丢失的情况。
用户查询和报表接口：允许用户查询历史数据、生成报表和图表，用于了解机床的运行状态和效率。
数据导入/导出工具：提供功能从其他系统导入数据或将数据导出到其他系统。
数据存储和分析模块的工作过程为：
数据采集：从机床的各种传感器和系统中收集实时数据。将这些数据格式化并存入缓存层或数据库。
数据预处理：对收集到的数据进行清洗，例如去除异常值、填充缺失值等。可以应用滤波器或其他技术来提高数据质量。
定期分析：按预定的时间间隔(如每日或每周)进行数据分析，查找趋势、异常和其他有趣的模式。使用时间序列分析和统计方法评估机床的性能。
实时分析：对实时数据流进行快速分析，以便及时发现和响应任何突发事件或趋势。
数据备份：根据设定的策略定期备份数据库，例如每天或每周。存储备份在安全的位置，如外部存储设备或云存储服务。
用户查询：通过用户界面，用户可以查询特定时间段的数据、查看报表或生成图表。分析模块会查询数据库或缓存层，并返回相关数据。
数据导入/导出：用户可以导入来自其他系统的数据，或将数据导出到其他格式，如CSV、Excel或其他数据库。
报警和通知：如果分析结果显示存在异常或预测到未来可能的问题，系统可以自动发送警报或通知给相关人员。
通过这个模块，操作员和管理者不仅可以查看和分析历史数据，还可以预测未来的趋势，从而做出更明智的决策和优化机床的性能。
实施例2
数控机床还包括视觉识别系统：采用多个高分辨率摄像头和红外传感器，能够实时获取工件的三维形态和温度分布；
气体冷却系统：向工件上温度高的区域喷射低温低湿度的气体；
冷却控制器：接收视觉识别系统采集的数据信息，并在分析数据后控制气体冷却系统动作。
参见图2至4，气体冷却系统包括与多轴自由度机械臂上的模块化加工头同步移动的喷气装置；喷气装置包括固定套管1、滑动套设在固定套管1内的刚性气管2以及连接在刚性气管2前端的可形变气管3；可形变气管3包括弹性内管31和密集粘附在弹性内管31外圆周面上的多片压电陶瓷片32；压电陶瓷片32在在受到外部电场作用时产生的机械应变的方向为弹性内管31的轴向；可形变气管3的前端固定有缩径喷头33；刚性气管2后部设置有一进气管34连通刚性气管2内部；刚性气管2后端设置有一电推杆4；电推杆4带动刚性气管2前后移动；冷却控制器控制电推杆4的行程以及各压电陶瓷片32的通电状态及通电大小。
实施例3
参见图5至7，与实施例2的不同之处在于：压电陶瓷片32外表面套设有弹性内套管5；可形变气管3外间距套设有弹性内套管6；弹性内套管6与可形变气管3围合出润滑油雾环形通道7；润滑油雾环形通道7沿可形变气管3和缩径喷头33外壁向前延伸，使其环形出风口绕缩径喷头33外圆周面；润滑油雾环形通道7后端通过多个连通口71与刚性气管2内连通；润滑油雾环形通道7后部设置有连通润滑油雾环形通道7的润滑油雾进入管72；润滑油雾进入管72与外部油雾发生器连通。
进一步的，润滑油雾环形通道7与刚性气管2连通处，连通口71的迎风面73较背风面74更加靠近刚性气管2中心，以引导部分经过刚性气管2的压缩冷却气体通过连通口71进入润滑油雾环形通道7内并裹挟润滑油雾从缩径喷头33外围的润滑油雾环形通道7开口喷出。
气体冷却系统的工作过程为：
视觉识别系统：多个高分辨率摄像头和红外传感器实时捕获工件的三维形态。红外传感器检测工件的温度分布，尤其是那些温度过高的区域。采集的数据信息传输到冷却控制器。
气体冷却系统：根据视觉识别系统提供的数据，冷却控制器分析工件上的高温区域。控制器发送指令调整电推杆4的行程和压电陶瓷片32的通电状态及通电大小。刚性气管2前后移动，调整喷射距离。电场作用于压电陶瓷片32，产生机械应变，进而控制可形变气管3的弯曲，确保喷气的准确性。低温低湿度的气体经过可形变气管3，从缩径喷头33喷射到工件上的高温区域进行冷却。
润滑油雾供给系统：外部油雾发生器将油雾导入润滑油雾进入管72。压缩的冷却气体从刚性气管2流过，并在部分连通口71的地方与润滑油雾混合。这个混合的气体-油雾流通过润滑油雾环形通道7，从缩径喷头33的外围开口喷出，为工件提供润滑并进一步冷却。
此外，由于采用了冷却气体冷却的方式，因此加工区域视场较为清晰干净，足够视觉识别系统识别加工头的位置，从而结合数控数据实时判断加工头是否会冲撞工件造成损坏或断裂。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种数控机床，包括多轴自由度机器臂：采用多轴机器臂，可从各个角度和方向进行切割、雕刻和打磨；
模块化加工头：根据不同的加工需求，可以快速更换加工模块；
其特征在于：还包括自适应控制系统，所述自适应控制系统包括：
数据收集模块：包括多种传感器，用于实时收集机床的工作状态；
深度学习处理单元：用于处理和训练深度学习模型；
机床控制器：接收深度学习处理单元的指令并实时调整机床的参数；
数据存储和分析模块：用于存储历史数据和进行趋势分析。
2.如权利要求1所述的一种数控机床，其特征在于：所述数据收集模块包括：
传感器组：包括，
振动传感器：检测机床的振动情况，为加速度计或压电式传感器；
温度传感器：监测关键部位的温度；
声音传感器：用于捕捉机床的工作噪声；
摄像头：对工件或切削区进行实时监控，捕捉工件的加工质量或切割工具的状态；
压力传感器：检测液压或气压系统的压力，确保系统稳定运行；
转速传感器：监测切削工具或机床轴的转速；
位置传感器：用于实时监测机床各轴的位置；
数据预处理单元：包括，
A/D转换器，用于将模拟传感器信号转换为数字信号；
通信接口：负责将收集到的数据发送到深度学习处理单元；
嵌入式控制器：负责传感器的管理，以及数据的采集、预处理和传输。
所述数据收集模块工作过程为：
初始化：当机床启动时，数据收集模块进行自检，确保所有传感器正常工作并校准；
数据采集：在机床工作过程中，各传感器持续或定期地收集数据；
数据预处理：原始数据经过A/D转换器变为数字信号；
数据封装和传输：预处理后的数据被封装成特定格式，然后通过通信接口传输到深度学习处理单元；
实时反馈：预设情况下，深度学习处理单元发送反馈信号到数据收集模块，要求其调整数据采集频率或启动/停止特定传感器；
故障检测：数据收集模块检测到任何传感器的异常读数或故障时，通知机床控制器和深度学习处理单元，并根据设定阈值触发机床的紧急停机。
3.如权利要求1所述的一种数控机床，其特征在于：所述深度学习处理单元的工作方法为：
数据接收：通过通信接口接收从数据收集模块传输过来的数据；
数据预处理：对接收到的数据进行进一步的处理；
模型推理：加载预训练的深度学习模型，然后将预处理后的数据输入模型，获取推断结果；
结果解析：解析模型输出，将其转换为有意义的信息；
实时调整：当检测到机床状态存在异常或存在优化空间时，实时发送指令给机床控制系统进行调整；
模型更新与在线学习：根据收集到的新数据，逐步优化或调整模型的权重和参数；
反馈与交互：与操作员或其他系统进行交互，提供实时反馈、警告和建议；
数据存储与管理：选择性地存储关键数据，以备后续分析或为模型训练提供数据。
4.如权利要求1所述的一种数控机床，其特征在于：所述机床控制器包括：
中央处理单元(CPU)：执行所有基本计算和逻辑运算；
输入/输出(I/O)接口：与机床的各个组件以及深度学习处理单元进行通信；
内存(RAM)：存储控制程序、参数和临时数据；
持久性存储：存储固定的控制算法、历史数据和系统配置；
模拟/数字转换器：将数字信号转换为机床可以使用的模拟信号；
通信协议栈：与深度学习处理单元和其他系统模块进行数据交换；
安全和紧急停机模块：检测可能的故障或危险状态，并快速关闭机床；
用户界面：供操作员查看当前状态、输入参数或执行命令；
电源管理模块：确保稳定供电，并在电源不足时采取适当措施；
所述机床控制器的控制过程包括：
初始化：启动并运行自检程序；加载控制算法和历史配置；
数据接收：从深度学习处理单元接收指令和建议；读取机床当前的状态和参数；
数据解析：解析接收到的指令，确定所需的操作；
决策执行：根据接收到的指令和当前机床状态，确定要实施的动作；对于切削速度、进给速度、冷却液流量参数进行实时调整；
反馈生成：监测机床的反应和效果；生成相应的反馈信息；
与深度学习处理单元通信：发送实时反馈和机床状态；接收进一步的指令和建议；
安全检查：定期检查机床的所有关键参数，确保其在安全范围内；如检测到异常，立即调整或启动紧急停机程序；
与操作员交互：显示机床的当前状态、已执行的操作和任何警告或错误消息；接收操作员的输入和指令，并相应地调整机床参数或动作。
5.如权利要求1所述的一种数控机床，其特征在于：所述数据存储和分析模块包括：
数据库服务器：用于存储机床操作的实时和历史数据；
数据缓存层：用于快速存取实时数据和常用数据，减少对主数据库的压力；
数据处理单元：包括CPU、RAM和相关硬件，用于处理和分析数据；
分析算法库：包括时间序列分析、统计分析和其他机器学习算法；
数据备份和恢复系统：定期备份数据库，确保数据的完整性和安全性；提供快速恢复功能以应对任何数据丢失的情况；
用户查询和报表接口：允许用户查询历史数据、生成报表和图表，用于了解机床的运行状态和效率；
数据导入/导出工具：提供功能从其他系统导入数据或将数据导出到其他系统。
6.如权利要求1至5任一权利要求所述的一种数控机床，其特征在于：所述数控机床还包括视觉识别系统：采用多个高分辨率摄像头和红外传感器，能够实时获取工件的三维形态和温度分布；
气体冷却系统：向工件上温度高的区域喷射低温低湿度的气体；
冷却控制器：接收视觉识别系统采集的数据信息，并在分析数据后控制气体冷却系统动作。
7.如权利要求6所述的一种数控机床，其特征在于：所述气体冷却系统包括与多轴自由度机械臂上的模块化加工头同步移动的喷气装置；所述喷气装置包括固定套管(1)、滑动套设在固定套管(1)内的刚性气管(2)以及连接在刚性气管(2)前端的可形变气管(3)；所述可形变气管(3)包括弹性内管(31)和密集粘附在弹性内管(31)外圆周面上的多片压电陶瓷片(32)；所述压电陶瓷片(32)在在受到外部电场作用时产生的机械应变的方向为弹性内管(31)的轴向；所述可形变气管(3)的前端固定有缩径喷头(33)；所述刚性气管(2)后部设置有一进气管(34)连通刚性气管(2)内部；所述刚性气管(2)后端设置有一电推杆(4)；所述电推杆(4)带动刚性气管(2)前后移动；所述冷却控制器控制电推杆(4)的行程以及各压电陶瓷片(32)的通电状态及通电大小。
8.如权利要求7所述的一种数控机床，其特征在于：所述压电陶瓷片(32)外表面套设有弹性内套管(5)；所述可形变气管(3)外间距套设有弹性内套管(6)；所述弹性内套管(6)与可形变气管(3)围合出润滑油雾环形通道(7)；所述润滑油雾环形通道(7)沿可形变气管(3)和缩径喷头(33)外壁向前延伸，使其环形出风口绕缩径喷头(33)外圆周面；所述润滑油雾环形通道(7)后端通过多个连通口(71)与刚性气管(2)内连通；所述润滑油雾环形通道(7)后部设置有连通润滑油雾环形通道(7)的润滑油雾进入管(72)；所述润滑油雾进入管(72)与外部油雾发生器连通。
9.如权利要求8所述的一种数控机床，其特征在于：所述润滑油雾环形通道(7)与刚性气管(2)连通处，连通口(71)的迎风面(73)较背风面(74)更加靠近刚性气管(2)中心，以引导部分经过刚性气管(2)的压缩冷却气体通过连通口(71)进入润滑油雾环形通道(7)内并裹挟润滑油雾从缩径喷头(33)外围的润滑油雾环形通道(7)开口喷出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311473303.0A CN117348528A (zh) | 2023-11-07 | 2023-11-07 | 一种数控机床及基于深度学习的自适应控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311473303.0A CN117348528A (zh) | 2023-11-07 | 2023-11-07 | 一种数控机床及基于深度学习的自适应控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117348528A true CN117348528A (zh) | 2024-01-05 |
Family
ID=89369247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311473303.0A Pending CN117348528A (zh) | 2023-11-07 | 2023-11-07 | 一种数控机床及基于深度学习的自适应控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117348528A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872962A (zh) * | 2024-03-11 | 2024-04-12 | 南通钜盛数控机床有限公司 | 一种数控机床控制系统 |
-
2023
- 2023-11-07 CN CN202311473303.0A patent/CN117348528A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872962A (zh) * | 2024-03-11 | 2024-04-12 | 南通钜盛数控机床有限公司 | 一种数控机床控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103823409B (zh) | 数控机床加工状态多参数在线主动监控系统及其实现方法 | |
| KR102025100B1 (ko) | 로봇 동작 모니터링 시스템 및 그 방법 | |
| KR102334965B1 (ko) | 공장 자동화 설비의 효율적 관리와 생산성 향상을 위한 예지 보전 시스템 | |
| CN112527613A (zh) | 基于云边协同的设备故障维护方法及装置 | |
| CN117348528A (zh) | 一种数控机床及基于深度学习的自适应控制系统 | |
| CN110362037A (zh) | 一种用于数控机床的综合维护系统平台 | |
| CN100480921C (zh) | 多物理状态监测优化与远程综合诊断智能数控系统 | |
| CN105171748A (zh) | 一种机器人及其生产线设备远程状态监控方法及系统 | |
| CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
| CN205193566U (zh) | 机器人及其生产线设备远程状态监控系统的硬件结构 | |
| CN111522329A (zh) | 一种工业机器人故障诊断方法 | |
| CN111098463A (zh) | 一种注塑机故障诊断系统及诊断方法 | |
| CN114089690B (zh) | 一种用于车间监控的边缘计算设备与方法 | |
| Martinova et al. | Creation of CNC system’s components for monitoring machine tool health | |
| CN106933169B (zh) | 一种锂电池极片轧机设备远程监控系统 | |
| CN113341879A (zh) | 一种数控机床的数据采集与监控方法及系统 | |
| CN116187725A (zh) | 一种用于锻造自动线的锻造设备管理系统 | |
| KR20170098374A (ko) | 원거리에 위치한 다수개의 자동 공작기계작동의 실시간 원격 모니터링 및 진단시스템 | |
| CN117515249A (zh) | 一种气动阀门自动阀门封锁方法 | |
| CN113478496A (zh) | 一种车床与机器人一体化应用系统 | |
| CN117170327A (zh) | 基于有限状态机的智能化热冲压产线数字孪生控制系统 | |
| CN117170310A (zh) | 一种基于数字孪生的数控机床远程故障诊断方法及系统 | |
| CN111598251B (zh) | 一种基于机器学习的cnc预测性维护系统及方法 | |
| JP2021536617A (ja) | 産業用ロボットのためのゴールデンデータ | |
| CN212509695U (zh) | 一种基于全生命周期管理的智能阀门 |
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 |