CN117471990A - 数控机床加工方法、装置、终端设备以及计算机存储介质 - Google Patents
数控机床加工方法、装置、终端设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN117471990A CN117471990A CN202311424339.XA CN202311424339A CN117471990A CN 117471990 A CN117471990 A CN 117471990A CN 202311424339 A CN202311424339 A CN 202311424339A CN 117471990 A CN117471990 A CN 117471990A
- Authority
- CN
- China
- Prior art keywords
- numerical control
- control machine
- machine tool
- actual
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003672 processing method Methods 0.000 title claims description 17
- 238000012545 processing Methods 0.000 claims abstract description 140
- 238000012544 monitoring process Methods 0.000 claims abstract description 131
- 238000003754 machining Methods 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000005520 cutting process Methods 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000012795 verification Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000011897 real-time detection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G05B19/416—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 control of velocity, acceleration or deceleration
- G05B19/4163—Adaptive control of feed or cutting velocity
-
- 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
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36521—Select by combination of detected force, acceleration, speed, work rate
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
本申请涉及数控机床技术领域,尤其涉及一种数控机床加工方法、装置、终端设备以及计算机存储介质,该方法包括:依据待加工零件的加工特征构建数控机床的加工监测模型;在所述数控机床加工所述待加工零件的过程中,获取所述数控机床的实际模态数据,所述实际模态数据至少包括所述数控机床的实际力数据、实际温度数据和实际给进切割参数;依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率;当所述数控机床的实际进给速率与所述预测进给速率不匹配时,将所述实际进给速率调整至所述预测进给速率。本申请提高了数控机床加工的可靠性。
Description
技术领域
本申请涉及数控机床技术领域,尤其涉及一种数控机床加工方法、装置、终端设备以及计算机存储介质。
背景技术
数控机床技术是当今先进制造业不可或缺的技术,在数控机床行业飞速发展的同时,用户对数控机床加工的稳定性提出了更高的要求。
零件加工过程中由于机床热变形引起的机床基准漂移与尺寸误差,使得机床加工难以保证足够的加工精度。目前,传统的机床加工方法大多依靠操作人员的操作经验,这种机床设备依靠人工操作的生产流程相对繁琐,通常通过人工经验依据机床的温度变化或力变化调整机床的进给速率,但人工干预往往无法实时响应机床的温度变化或力变化,并且操作人员的经验水平参差不齐,容易导致机床进给速率的误差大,进而无法保障机床加工的可靠性。也就是说,如何提高数控机床加工的可靠性是目前亟需解决的技术问题。
发明内容
本申请的主要目的在于提供一种数控机床加工方法、装置、终端设备以及计算机存储介质,旨在提高数控机床加工的可靠性。
为实现上述目的,本申请提供一种数控机床加工方法,所述数控机床加工方法包括:
依据待加工零件的加工特征构建数控机床的加工监测模型;
在所述数控机床加工所述待加工零件的过程中,获取所述数控机床的实际模态数据,所述实际模态数据至少包括所述数控机床的实际力数据、实际温度数据和实际给进切割参数;
依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率;
当所述数控机床的实际进给速率与所述预测进给速率不匹配时,将所述实际进给速率调整至所述预测进给速率。
可选地,所述依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率的步骤包括:
确定所述加工监测模型对应的特征提取矩阵,并依据所述特征提取矩阵确定所述实际模态数据的实际模态特征,所述实际模态特征至少包括所述数控机床的力特征、温度特征和给进切割特征;
依据所述实际模态特征和所述加工监测模型的矩阵权重确定所述数控机床的初始进给速率;
依据所述加工监测模型的验证集确定所述数控机床的验证进给速率;
当所述初始进给速率与所述验证进给速率匹配时,将所述初始进给速率作为所述数控机床的预测进给速率。
可选地,所述依据所述实际模态特征和所述加工监测模型的矩阵权重确定所述数控机床的初始进给速率的步骤包括:
将所述力特征、所述温度特征和所述给进切割特征分别输入至所述加工监测模型的全连接层中进行权重分配,得到所述力特征的力元素权重、所述温度特征的温度元素权重和所述给进切割特征的给进切割元素权重;
依据所述力元素权重和所述力特征确定所述数控机床的加权力数据,依据所述温度元素权重和所述温度特征确定所述数控机床的加权温度数据,依据所述给进切割元素权重和所述给进切割特征确定所述数控机床的加权给进切割数据;
叠加所述加权力数据、所述加权温度数据和所述加权给进切割数据,得到所述数控机床的初始进给速率。
可选地,在所述依据所述加工监测模型的验证集确定所述数控机床的验证进给速率的步骤之后,所述数控机床加工方法包括:
判断所述初始进给速率是否处于所述验证进给速率的误差允许范围内;
若所述初始进给速率处于所述验证进给速率的误差允许范围内,则确定所述初始进给速率与所述验证进给速率匹配;
若所述初始进给速率未处于所述验证进给速率的误差允许范围内,则依据预设的梯度下降函数确定所述加工监测模型的模型更新参数,依据所述模型更新参数对所述加工监测模型进行更新,得到更新后的加工监测模型,依据所述更新后的加工监测模型执行所述确定所述加工监测模型对应的特征提取矩阵的步骤。
可选地,所述获取所述数控机床的实际模态数据的步骤包括:
获取所述数控机床的原始模态数据,并对所述原始模态数据进行数据预处理,得到处理后的原始模态数据,所述数据预处理至少包括缺失值处理、异常值处理和错误值处理;
依据所述处理后的原始模态数据进行归一化处理,得到所述数控机床的实际模态数据。
可选地,所述处理后的原始模态数据包括多个特定含义的监测数值,所述依据所述处理后的原始模态数据进行归一化处理,得到所述数控机床的实际模态数据的步骤,包括:
确定所述数控机床中各传感器对应的数据监测类型;
将同一数据监测类型的各所述监测数值进行数据格式转换,并将所述转换后的各所述监测数值填充至预设的归一化数据字段中,得到所述数控机床的实际模态数据。
可选地,在依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率的步骤之后,所述数控机床加工方法还包括:
检测所述实际进给速率是否与所述预测进给速率相同;
若所述实际进给速率与所述预测进给速率相同,则继续执行所述获取所述数控机床的实际模态数据的步骤;
若所述实际进给速率与所述预测进给速率不相同,则确定所述实际进给速率与所述预测进给速率不匹配,执行所述将所述实际进给速率调整至所述预测进给速率的步骤。
此外,为实现上述目的,本申请还提供一种数控机床加工装置,本申请数控机床加工装置包括:
构建模块,用于依据待加工零件的加工特征构建数控机床的加工监测模型;
获取模块,用于在所述数控机床加工所述待加工零件的过程中,获取所述数控机床的实际模态数据,所述实际模态数据至少包括所述数控机床的实际力数据、实际温度数据和实际给进切割参数;
预测模块,用于依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率;
调整模块,用于当所述数控机床的实际进给速率与所述预测进给速率不匹配时,将所述实际进给速率调整至所述预测进给速率。
本申请数控机床加工装置的各个功能模块在运行时实现如上所述的本申请数控机床加工方法的步骤。
此外,为实现上述目的,本申请还提供一种终端设备,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数控机床加工程序,所述数控机床加工程序被所述处理器执行时实现上述数控机床加工方法的步骤。
此外,为实现上述目的,本申请还提供一种计算机存储介质,所述计算机存储介质上存储有数控机床加工程序,所述数控机床加工程序被处理器执行时实现上述的数控机床加工方法的步骤。
本申请提供了一种数控机床加工方法优化了零件加工过程,进而提高了数控机床加工的可靠性。具体的,依据待加工零件的加工特征可以及时构建数控机床的加工监测模型,为后续处理数控机床的实际模态数据提供了一个可靠的加工监测模型,进而使得数控机床可以依据加工监测模型自适应处理实际模态数据,进而有效地提高了数控机床的数据分析能力以及机床加工的鲁棒性,然后在数控机床加工待加工零件的过程中,及时获取数控机床的实际模态数据,实际模态数据至少包括数控机床的实际力数据、实际温度数据和实际给进切割参数,可以实现机床加工的实时检测,然后依据加工监测模型和实际模态数据可以准确地得到数控机床的预测进给速率,即本申请在无需人工干预的情况下通过加工监测模型处理实际模态数据,实现了依据机床的温度变化或力变化实时调整机床进给速率的目的,有效地提高了数控机床加工的智能性,并在确定数控机床的实际进给速率与所述预测进给速率不匹配后,稳定可靠地将实际进给速率自动调整至预测进给速率,避免了因受个人经验水平的参差不齐而导致机床进给速率的误差大的现象发生,进而提高了机床加工的可靠性。
附图说明
图1是本申请数控机床加工方法第一实施例的流程示意图;
图2是本申请数控机床加工方法第二实施例的流程示意图;
图3是本申请实施例方案涉及的模型处理流程图;
图4是本申请实施例方案涉及的数控机床加工装置的结构示意图;
图5为本申请实施例方案涉及的终端设备的结构示意图;
图6是本申请实施例方案涉及的计算机存储介质的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
本申请实施例提供了一种数控机床加工方法,参照图1所示,图1是本申请数控机床加工方法第一实施例的流程示意图。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。
本实施例中,本申请数控机床加工方法是由实时调整加工零件过程中机床进给速率的终端设备来执行,具体是由终端设备中的控制中枢来执行下述的数控机床加工方法。在下述实施例中不再对本申请的执行主体进行赘述。
本申请数控机床加工方法包括:
步骤S10:依据待加工零件的加工特征构建数控机床的加工监测模型。
在本实施例中,数控机床与云服务器连接,获取待加工零件的加工特征,该加工特征可以理解为大量的工件加工数据,工件加工数据至少包括工件状态、加工参数、历史力数据、历史温度数据,并通过这些工件加工数据对预设的Informer模型进行训练学习,使得预设的Informer模型能够学习输入序列与进给速率调整之间的复杂关系,以构建该数控机床的加工监测模型,也就是说,本申请为后续处理数控机床的实际模态数据提供了一个可靠的加工监测模型。
需要说明的是,工件状态包括待加工零件的种类、材质、初始尺寸等属性,这些属性可能影响加工过程中的力量和温度变化。
加工参数包括数控机床的历史给进切割参数,其中,历史给进切割参数包括切割速度和给进速率,其中,切割速度可以理解为历史时间机床刀具在待加工零件上移动的速度;给进速率可以理解为历史时间刀具随主轴高速旋转,按预设的刀具路径向前切削的速度;历史力数据用于表征机床刀具与待加工零件之间的历史力量变化;历史温度数据用于表征数控机床加工待加工零件过程中的温度变化。
在具体实施例中,在实际加工过程中,将待加工零件放置在数控机床的加工台上时,加工监测模型将接收到的数控机床发送的工件状态、加工参数、力数据和温度数据作为输入序列。加工监测模型利用预设的自注意力机制来处理这些输入序列,并预测出适当的进给速率调整值。以便数控机床的控制系统根据模型的预测进行实时调整,以确保稳定可靠的加工过程。
步骤S20:在所述数控机床加工所述待加工零件的过程中,获取所述数控机床的实际模态数据,所述实际模态数据至少包括所述数控机床的实际力数据、实际温度数据和实际给进切割参数。
在本实施例中,数控机床的连接器部位设置有高精度的力传感器,按照定制的适配件将力传感器紧密地安装在刀具与待加工零件接触的位置,以确保准确地捕捉到力的变化。具体的,在数控机床加工待加工零件的过程中,通过力传感器获取数控机床在当前时刻的原始力数据,通过温度传感器获取数控机床在当前时刻的原始温度数据,然后将这些原始力数据、原始温度数据和数控机床的原始给进切割参数作为数控机床的原始模态数据,并对原始模态数据进行数据预处理和归一化处理,从而为后续的模型处理提供了模型适应的实际模态数据,确保了后续模型处理的稳定性和准确性。
步骤S30:依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率。
在本实施例中,训练完成的Informer模型(即加工监测模型)被嵌入到数控机床的控制系统中。通过使用加工监测模型,能够在不同工况下实现实时调整数控机床的进给速率,提高了机床加工过程的稳定性和工件质量。具体的,当加工监测模型接收到数控机床的实际模态数据后,加工监测模型利用预设的自注意力机制对实际模态数据进行处理,得到适当的预测进给速率,有效地提高数控机床的智能性和稳定性。
步骤S40:当所述数控机床的实际进给速率与所述预测进给速率不匹配时,将所述实际进给速率调整至所述预测进给速率。
在本实施例中,检测实际进给速率是否与预测进给速率相同;若实际进给速率与预测进给速率相同,则继续执行所述获取所述数控机床的实际模态数据的步骤,从而有效地提高了数控机床的智能性;若实际进给速率与预测进给速率不相同,则确定实际进给速率与预测进给速率不匹配,稳定可靠地将实际进给速率自动调整至预测进给速率,从而有效地保障了数控机床加工的可靠性。
综上,本申请提供了一种数控机床加工方法优化了零件加工过程,进而提高了数控机床加工的可靠性。具体的,依据待加工零件的加工特征可以及时构建数控机床的加工监测模型,为后续处理数控机床的实际模态数据提供了一个可靠的加工监测模型,进而使得数控机床可以依据加工监测模型自适应处理实际模态数据,进而有效地提高了数控机床的数据分析能力以及机床加工的鲁棒性,然后在数控机床加工待加工零件的过程中,及时获取数控机床的实际模态数据,实际模态数据至少包括数控机床的实际力数据、实际温度数据和实际给进切割参数,可以实现机床加工的实时检测,然后依据加工监测模型和实际模态数据可以准确地得到数控机床的预测进给速率,即本申请在无需人工干预的情况下通过加工监测模型处理实际模态数据,实现了依据机床的温度变化或力变化实时调整机床进给速率的目的,有效地提高了数控机床加工的智能性,并在确定数控机床的实际进给速率与所述预测进给速率不匹配后,稳定可靠地将实际进给速率自动调整至预测进给速率,避免了因受个人经验水平的参差不齐而导致机床进给速率的误差大的现象发生,进而提高了机床加工的可靠性。
进一步地,基于本申请数控机床加工方法的第一实施例,提出本申请数控机床加工方法的第二实施例,参照图2,图2是本申请数控机床加工方法第二实施例的流程示意图。
进一步地,在一些可行的实施例中,上述步骤S30:依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率,还可以包括以下实施步骤:
步骤S301:确定所述加工监测模型对应的特征提取矩阵,并依据所述特征提取矩阵确定所述实际模态数据的实际模态特征,所述实际模态特征至少包括所述数控机床的力特征、温度特征和给进切割特征。
在本实施例中,参照图3,图3是本申请实施例方案涉及的模型处理流程图。具体的,加工监测模型包括多个特征提取矩阵,且每一个特征提取矩阵对应一个实际模态特征的数据种类,依据各特征提取矩阵提取对应的数据种类所包含的单模态数据。假设特征提取矩阵包括第一特征提取矩阵、第二特征提取矩阵和第三特征提取矩阵,依据第一特征提取矩阵对实际力数据进行卷积特征提取,得到数控机床的力特征,依据第二特征提取矩阵对实际温度数据进行卷积特征提取,得到数控机床的温度特征,依据第三特征提取矩阵对实际给进切割参数进行卷积特征提取,得到数控机床的给进切割特征,通过各特征提取矩阵针对性提取各实际模态数据的实际模态特征,从而有效地提高了加工监测模型的处理效率。
步骤S302:依据所述实际模态特征和所述加工监测模型的矩阵权重确定所述数控机床的初始进给速率。
在本实施例中,参照图3,加工监测模型还设置有多个全连接层,且第N个全连接层包括M个全连接器,N为大于0的整数,M为大于0的整数,依据第N个全连接层中的M个全连接器确定力特征在每个全连接器中的力元素权重、温度特征在每个全连接器中的温度元素权重、以及给进切割特征在每个全连接器中的给进切割元素权重,并将力元素权重、温度元素权重和给进切割元素权重作为加工监测模型的矩阵权重,也就是说,通过矩阵权重表征实际加工过程中实际力数据、实际温度数据和实际给进切割参数对进给速率调整的影响,可以更加准确地预测实际加工中进给速率的调整,然后依据实际模态特征和矩阵权重进行加权计算,可以准确地得到数控机床的初始进给速率。
在具体实施例中,第一全连接层包括3个全连接器,依据第一全连接层3个全连接器可以确定实际模态特征的输入序列表达式:A=[a1,a2,a3],其中,A为实际模态特征的输入序列;a1为力特征的向量,该力特征的向量依据第一全连接层中的第1个全连接器对力特征进行计算得到;a2为温度特征的向量,该温度特征的向量依据第一全连接层中的第2个全连接器对温度特征进行计算得到;a3为给进切割特征的向量,该温度特征的向量依据第一全连接层中的第3个全连接器对给进切割特征进行计算得到;
第一全连接层涉及的矩阵权重的表达式如下所示:
其中,W表示第一全连接层涉及的矩阵权重;ω11表示力特征在第一全连接层中第1个全连接器中的力元素权重,ω12表示力特征在第一全连接层中第2个全连接器中的力元素权重,ω21表示温度特征在第一全连接层中第1个全连接器中的温度元素权重,ω22表示温度特征在第一全连接层中第2个全连接器中的温度元素权重,ω31表示给进切割特征在第一全连接层中第1个全连接器中的给进切割特征元素权重,ω32表示给进切割特征在第一全连接层中第2个全连接器中的给进切割特征元素权重。
此时,依据实际模态特征的输入序列和矩阵权重,计算得到第一全连接层的输出结果,其中,输出结果包括b1值和b2值;第一全连接层的输出结果的表达式如下所示:
b1=a1*ω11+a2*ω21+a3*ω31
b2=a1*ω12+a2*ω22+a3*ω32
依据输出结果b1值和b2值确定第二全连接层的特征输入序列,该特征输入序列的表达式为:B=[b1,b2],其中,B为第二全连接层的特征输入序列,在输出结果b1值输入至第二全连接层的第1个全连接器中,输出结果b2值输入至第二全连接层的第2个全连接器中后,确定第二全连接层涉及的矩阵权重,该矩阵权重的表达式如下所示:
其中,表示第二全连接层涉及的矩阵权重,/>表示输出结果b1值在第二全连接层中第1个全连接器中的加工特征权重,/>表示输出结果b1值在第二全连接层中第2个全连接器中的加工特征权重。
此时,将输出结果b1值与的乘积数据,叠加至输出结果b2值与/>的乘积数据上,得到数控机床的初始进给速率。
步骤S303:依据所述加工监测模型的验证集确定所述数控机床的验证进给速率。
在本实施例中,在该加工监测模型的验证集中,获取与所述初始进给速率对应的验证进给速率。
步骤S304:当所述初始进给速率与所述验证进给速率匹配时,将所述初始进给速率作为所述数控机床的预测进给速率。
在本实施例中,判断初始进给速率是否处于验证进给速率的误差允许范围内;若初始进给速率处于验证进给速率的误差允许范围内,则确定初始进给速率与验证进给速率匹配,将初始进给速率作为数控机床的预测进给速率,从而有效地提高了加工监测模型输出的预测进给速率的准确性。
进一步地,在另一些可行的实施例中,上述步骤S205:依据所述视觉特征向量和所述热特征向量确定所述数控机床工作区域的融合图像,还可以包括以下实施步骤:
进一步地,在一些可行的实施例中,上述步骤S302:依据所述实际模态特征和所述加工监测模型的矩阵权重确定所述数控机床的初始进给速率,还可以包括以下实施步骤:
步骤S3021:将所述力特征、所述温度特征和所述给进切割特征分别输入至所述加工监测模型的全连接层中进行权重分配,得到所述力特征的力元素权重、所述温度特征的温度元素权重和所述给进切割特征的给进切割元素权重;
步骤S3022:依据所述力元素权重和所述力特征确定所述数控机床的加权力数据,依据所述温度元素权重和所述温度特征确定所述数控机床的加权温度数据,依据所述给进切割元素权重和所述给进切割特征确定所述数控机床的加权给进切割数据;
步骤S3023:叠加所述加权力数据、所述加权温度数据和所述加权给进切割数据,得到所述数控机床的初始进给速率。
在本实施例中,步骤S3021-步骤S3023具体包括:将力特征、温度特征和给进切割特征分别输入至加工监测模型的全连接层中进行权重分配,得到力特征的力元素权重、温度特征的温度元素权重和给进切割特征的给进切割元素权重;然后依据力元素权重和力特征的乘积数据,可以准确地得到数控机床的加权力数据,依据温度元素权重和温度特征的乘积数据,可以准确地得到数控机床的加权温度数据,依据给进切割元素权重和给进切割特征的乘积数据,可以准确地得到数控机床的加权给进切割数据,最后叠加加权力数据、加权温度数据和所述加权给进切割数据,可以准确地得到数控机床的初始进给速率。
进一步地,在另一些可行的实施例中,在上述步骤S303:依据所述加工监测模型的验证集确定所述数控机床的验证进给速率,数控机床加工方法还可以包括以下实施步骤:
步骤A10:判断所述初始进给速率是否处于所述验证进给速率的误差允许范围内;
步骤A20:若所述初始进给速率处于所述验证进给速率的误差允许范围内,则确定所述初始进给速率与所述验证进给速率匹配。
在本实施例中,判断初始进给速率是否处于验证进给速率的误差允许范围内;若初始进给速率处于验证进给速率的误差允许范围内,则确定初始进给速率与验证进给速率匹配。
步骤A30:若所述初始进给速率未处于所述验证进给速率的误差允许范围内,则依据预设的梯度下降函数确定所述加工监测模型的模型更新参数,依据所述模型更新参数对所述加工监测模型进行更新,得到更新后的加工监测模型,依据所述更新后的加工监测模型执行所述确定所述加工监测模型对应的特征提取矩阵的步骤。
在本实施例中,若初始进给速率未处于验证进给速率的误差允许范围内,则确定此时的加工监测模型的预测效果需要优化,则依据预设的梯度下降函数确定加工监测模型的模型更新参数,依据模型更新参数对加工监测模型进行更新,得到更新后的加工监测模型,即通过预设的梯度下降函数(即随机梯度下降算法)来调整模型更新参数,从而使得加工监测模型的预测结果更接近实际的调整值。然后依据更新后的加工监测模型执行所述确定所述加工监测模型对应的特征提取矩阵的步骤,也就是说,本申请依据模型更新参数再次训练和优化加工监测模型,确保加工监测模型在各种工况下的准确性和稳定性。
需要说明的是,预设的梯度下降函数的更新规则如下述表达式所示:
其中,δt表示时间步长t的参数,该时间步长t表征某个全连接层计算的时刻到某个全连接层的下个全连接层计算的时刻的差值;ρ表示加工监测模型的梯度学习率,是一个固定值,可以依据用户的需求自定义;表示在时间步长t对应的模型更新参数(即损失函数)关于参数δt的梯度。
进一步地,在一些可行的实施例中,上述步骤S20:获取所述数控机床的实际模态数据,还可以包括以下实施步骤:
步骤S201:获取所述数控机床的原始模态数据,并对所述原始模态数据进行数据预处理,得到处理后的原始模态数据,所述数据预处理至少包括缺失值处理、异常值处理和错误值处理;
在本实施中,在数控机床加工待加工零件的过程中,通过力传感器获取数控机床在当前时刻的原始力数据,通过温度传感器获取数控机床在当前时刻的原始温度数据,然后将这些原始力数据、原始温度数据和数控机床的原始给进切割参数作为数控机床的原始模态数据,然后对原始模态数据进行数据预处理,得到处理后的原始模态数据,其中,数据预处理至少包括缺失值处理、异常值处理和错误值处理,从而可以有效地提高了加工监测模型的数据分析能力和模型处理的效率。
步骤S202:依据所述处理后的原始模态数据进行归一化处理,得到所述数控机床的实际模态数据。
在本实施中,依据处理后的原始模态数据进行归一化处理或者标准化处理,得到数控机床的实际模态数据,以便将处理后的原始模态数据转化为加工监测模型可以理解的数据格式(即实际模态数据),进而有效地提高了加工监测模型的预测效率。
进一步地,在另一些可行的实施例中,处理后的原始模态数据包括多个特定含义的监测数值;上述步骤S202:依据所述处理后的原始模态数据进行归一化处理,得到所述数控机床的实际模态数据,还可以包括以下实施步骤:
步骤S2021:确定所述数控机床中各传感器对应的数据监测类型;
在本实施例中,确定数控机床中各传感器对应的数据监测类型;
需要说明的是,处理后的原始模态数据包括多个特定含义的监测数值,其中,特定含义包括机床刀具与待加工零件之间的力量变化、数控机床加工过程中的温度变化,和数控机床加工过程中的给进切割变化;且力量变化的监测数值为处理后的原始力数据、温度变化监测数值为处理后的原始温度数据;给进切割变化的监测数值为处理后的原始给进切割数据。
数据监测类型包括力数据类型、温度数据类型和给进切割数据类型。
步骤S2022:将同一数据监测类型的各所述监测数值进行数据格式转换,并将所述转换后的各所述监测数值填充至预设的归一化数据字段中,得到所述数控机床的实际模态数据。
在本实施例中,将同一数据监测类型的各监测数值进行数据格式转换,并将转换后的各监测数值填充至预设的归一化数据字段中,得到数控机床的实际模态数据,即本申请将处理后的原始模态数据转化为加工监测模型可以理解的数据格式(即实际模态数据),进而有效地提高了加工监测模型的预测效率。
进一步地,在一些可行的实施例中,在上述步骤S30:依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率之后,数控机床加工方法还可以包括以下实施步骤:
步骤B10:检测所述实际进给速率是否与所述预测进给速率相同;
步骤B20:若所述实际进给速率与所述预测进给速率相同,则继续执行所述获取所述数控机床的实际模态数据的步骤;
在本实例中,检测实际进给速率是否与预测进给速率相同;若实际进给速率与预测进给速率相同,则继续执行所述获取所述数控机床的实际模态数据的步骤,有效地提高了数控机床加工的智能性。
步骤B30:若所述实际进给速率与所述预测进给速率不相同,则确定所述实际进给速率与所述预测进给速率不匹配,执行所述将所述实际进给速率调整至所述预测进给速率的步骤。
在本实例中,若实际进给速率与预测进给速率不相同,则确定实际进给速率与预测进给速率不匹配,自动执行将实际进给速率调整至预测进给速率的步骤。也就是说,本申请数控机床的加工方法无需依赖人工干预,这有助于避免人为因素对加工过程的影响,提高了数控机床加工的稳定性和一致性。
综上,本申请提供了一种数控机床加工方法优化了零件加工过程,进而提高了数控机床加工的可靠性。具体的,依据待加工零件的加工特征可以及时构建数控机床的加工监测模型,为后续处理数控机床的实际模态数据提供了一个可靠的加工监测模型,进而使得数控机床可以依据加工监测模型自适应处理实际模态数据,进而有效地提高了数控机床的数据分析能力以及机床加工的鲁棒性,然后在数控机床加工待加工零件的过程中,及时获取数控机床的实际模态数据,实际模态数据至少包括数控机床的实际力数据、实际温度数据和实际给进切割参数,可以实现机床加工的实时检测,然后依据加工监测模型和实际模态数据可以准确地得到数控机床的预测进给速率,即本申请在无需人工干预的情况下通过加工监测模型处理实际模态数据,实现了依据机床的温度变化或力变化实时调整机床进给速率的目的,有效地提高了数控机床加工的智能性,并在确定数控机床的实际进给速率与所述预测进给速率不匹配后,稳定可靠地将实际进给速率自动调整至预测进给速率,避免了因受个人经验水平的参差不齐而导致机床进给速率的误差大的现象发生,进而提高了机床加工的可靠性。
此外,本申请还提供一种数控机床加工装置,请参照图4,图4是本申请实施例方案涉及的数控机床加工装置的结构示意图。
本申请数控机床加工装置包括:
构建模块H10,用于依据待加工零件的加工特征构建数控机床的加工监测模型;
获取模块H20,用于在所述数控机床加工所述待加工零件的过程中,获取所述数控机床的实际模态数据,所述实际模态数据至少包括所述数控机床的实际力数据、实际温度数据和实际给进切割参数;
预测模块H30,用于依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率;
调整模块H40,用于当所述数控机床的实际进给速率与所述预测进给速率不匹配时,将所述实际进给速率调整至所述预测进给速率。
可选地,预测模块H30还包括:
提取单元,用于确定所述加工监测模型对应的特征提取矩阵,并依据所述特征提取矩阵确定所述实际模态数据的实际模态特征,所述实际模态特征至少包括所述数控机床的力特征、温度特征和给进切割特征;
进给单元,用于依据所述实际模态特征和所述加工监测模型的矩阵权重确定所述数控机床的初始进给速率;
验证单元,用于依据所述加工监测模型的验证集确定所述数控机床的验证进给速率;
预测单元,用于当所述初始进给速率与所述验证进给速率匹配时,将所述初始进给速率作为所述数控机床的预测进给速率。
可选地,预测模块H30还包括:
分配单元,用于将所述力特征、所述温度特征和所述给进切割特征分别输入至所述加工监测模型的全连接层中进行权重分配,得到所述力特征的力元素权重、所述温度特征的温度元素权重和所述给进切割特征的给进切割元素权重;
加权单元,用于依据所述力元素权重和所述力特征确定所述数控机床的加权力数据,依据所述温度元素权重和所述温度特征确定所述数控机床的加权温度数据,依据所述给进切割元素权重和所述给进切割特征确定所述数控机床的加权给进切割数据;
叠加单元,用于叠加所述加权力数据、所述加权温度数据和所述加权给进切割数据,得到所述数控机床的初始进给速率。
可选地,预测模块H30还包括:
判断单元,用于判断所述初始进给速率是否处于所述验证进给速率的误差允许范围内;
匹配单元,用于若所述初始进给速率处于所述验证进给速率的误差允许范围内,则确定所述初始进给速率与所述验证进给速率匹配;
更新单元,用于若所述初始进给速率未处于所述验证进给速率的误差允许范围内,则依据预设的梯度下降函数确定所述加工监测模型的模型更新参数,依据所述模型更新参数对所述加工监测模型进行更新,得到更新后的加工监测模型,依据所述更新后的加工监测模型执行所述确定所述加工监测模型对应的特征提取矩阵的步骤。
可选地,获取模块H20还包括:
预处理单元,用于获取所述数控机床的原始模态数据,并对所述原始模态数据进行数据预处理,得到处理后的原始模态数据,所述数据预处理至少包括缺失值处理、异常值处理和错误值处理;
归一化处理单元,用于依据所述处理后的原始模态数据进行归一化处理,得到所述数控机床的实际模态数据。
可选地,获取模块H20还包括:
类型确定单元,用于确定所述数控机床中各传感器对应的数据监测类型;
填充单元,用于将同一数据监测类型的各所述监测数值进行数据格式转换,并将所述转换后的各所述监测数值填充至预设的归一化数据字段中,得到所述数控机床的实际模态数据。
可选地,预测模块H30还包括:
检测单元,用于检测所述实际进给速率是否与所述预测进给速率相同;
第一执行单元,用于若所述实际进给速率与所述预测进给速率相同,则继续执行所述获取所述数控机床的实际模态数据的步骤;
第二执行单元,用于若所述实际进给速率与所述预测进给速率不相同,则确定所述实际进给速率与所述预测进给速率不匹配,执行所述将所述实际进给速率调整至所述预测进给速率的步骤。
本申请数控机床加工装置的各个功能模块在运行时实现如上所述的本申请数控机床加工方法的步骤。
此外,本申请还提供一种终端设备。请参照图5,图5为本申请实施例方案涉及的终端设备的结构示意图。本申请实施例终端设备具体可以是为本地运行数控机床加工的设备。
如图5所示,本申请实施例终端设备可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。
存储器1005设置在终端设备主体上,存储器1005上存储有程序,该程序被处理器1001执行时实现相应的操作。存储器1005还用于存储供终端设备使用的参数。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图5中示出的终端设备结构并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图5所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及终端设备的数控机床加工程序。
在图5所示的终端设备中,处理器1001可以用于调用存储器1005中存储的终端设备的数控机床加工程序,并执行上述数控机床加工方法的步骤。
此外,请参照图6,图6是本申请实施例方案涉及的计算机存储介质的结构示意图。本申请提供了一种计算机存储介质。该计算机存储介质上存储有数控机床加工程序,数控机床加工程序被处理器执行时实现上述的数控机床加工方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上述的一个计算机存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种数控机床加工方法,其特征在于,所述数控机床加工方法包括:
依据待加工零件的加工特征构建数控机床的加工监测模型;
在所述数控机床加工所述待加工零件的过程中,获取所述数控机床的实际模态数据,所述实际模态数据至少包括所述数控机床的实际力数据、实际温度数据和实际给进切割参数;
依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率;
当所述数控机床的实际进给速率与所述预测进给速率不匹配时,将所述实际进给速率调整至所述预测进给速率。
2.如权利要求1所述数控机床加工方法,其特征在于,所述依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率的步骤包括:
确定所述加工监测模型对应的特征提取矩阵,并依据所述特征提取矩阵确定所述实际模态数据的实际模态特征,所述实际模态特征至少包括所述数控机床的力特征、温度特征和给进切割特征;
依据所述实际模态特征和所述加工监测模型的矩阵权重确定所述数控机床的初始进给速率;
依据所述加工监测模型的验证集确定所述数控机床的验证进给速率;
当所述初始进给速率与所述验证进给速率匹配时,将所述初始进给速率作为所述数控机床的预测进给速率。
3.如权利要求2所述数控机床加工方法,其特征在于,所述依据所述实际模态特征和所述加工监测模型的矩阵权重确定所述数控机床的初始进给速率的步骤包括:
将所述力特征、所述温度特征和所述给进切割特征分别输入至所述加工监测模型的全连接层中进行权重分配,得到所述力特征的力元素权重、所述温度特征的温度元素权重和所述给进切割特征的给进切割元素权重;
依据所述力元素权重和所述力特征确定所述数控机床的加权力数据,依据所述温度元素权重和所述温度特征确定所述数控机床的加权温度数据,依据所述给进切割元素权重和所述给进切割特征确定所述数控机床的加权给进切割数据;
叠加所述加权力数据、所述加权温度数据和所述加权给进切割数据,得到所述数控机床的初始进给速率。
4.如权利要求2所述数控机床加工方法,其特征在于,在所述依据所述加工监测模型的验证集确定所述数控机床的验证进给速率的步骤之后,所述数控机床加工方法包括:
判断所述初始进给速率是否处于所述验证进给速率的误差允许范围内;
若所述初始进给速率处于所述验证进给速率的误差允许范围内,则确定所述初始进给速率与所述验证进给速率匹配;
若所述初始进给速率未处于所述验证进给速率的误差允许范围内,则依据预设的梯度下降函数确定所述加工监测模型的模型更新参数,依据所述模型更新参数对所述加工监测模型进行更新,得到更新后的加工监测模型,依据所述更新后的加工监测模型执行所述确定所述加工监测模型对应的特征提取矩阵的步骤。
5.如权利要求1所述数控机床加工方法,其特征在于,所述获取所述数控机床的实际模态数据的步骤包括:
获取所述数控机床的原始模态数据,并对所述原始模态数据进行数据预处理,得到处理后的原始模态数据,所述数据预处理至少包括缺失值处理、异常值处理和错误值处理;
依据所述处理后的原始模态数据进行归一化处理,得到所述数控机床的实际模态数据。
6.如权利要求5所述数控机床加工方法,其特征在于,所述处理后的原始模态数据包括多个特定含义的监测数值,所述依据所述处理后的原始模态数据进行归一化处理,得到所述数控机床的实际模态数据的步骤,包括:
确定所述数控机床中各传感器对应的数据监测类型;
将同一数据监测类型的各所述监测数值进行数据格式转换,并将所述转换后的各所述监测数值填充至预设的归一化数据字段中,得到所述数控机床的实际模态数据。
7.如权利要求1所述数控机床加工方法,其特征在于,在依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率的步骤之后,所述数控机床加工方法还包括:
检测所述实际进给速率是否与所述预测进给速率相同;
若所述实际进给速率与所述预测进给速率相同,则继续执行所述获取所述数控机床的实际模态数据的步骤;
若所述实际进给速率与所述预测进给速率不相同,则确定所述实际进给速率与所述预测进给速率不匹配,执行所述将所述实际进给速率调整至所述预测进给速率的步骤。
8.一种数控机床加工装置,其特征在于,所述数控机床加工装置,包括:
构建模块,用于依据待加工零件的加工特征构建数控机床的加工监测模型;
获取模块,用于在所述数控机床加工所述待加工零件的过程中,获取所述数控机床的实际模态数据,所述实际模态数据至少包括所述数控机床的实际力数据、实际温度数据和实际给进切割参数;
预测模块,用于依据所述加工监测模型和所述实际模态数据,确定所述数控机床的预测进给速率;
调整模块,用于当所述数控机床的实际进给速率与所述预测进给速率不匹配时,将所述实际进给速率调整至所述预测进给速率。
9.一种终端设备,其特征在于,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数控机床加工程序,所述处理器执行所述数控机床加工程序时实现如权利要求1至7中任一项所述数控机床加工方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有数控机床加工程序,所述数控机床加工程序被处理器执行时实现如权利要求1至7中任一项所述数控机床加工方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311424339.XA CN117471990A (zh) | 2023-10-30 | 2023-10-30 | 数控机床加工方法、装置、终端设备以及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311424339.XA CN117471990A (zh) | 2023-10-30 | 2023-10-30 | 数控机床加工方法、装置、终端设备以及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117471990A true CN117471990A (zh) | 2024-01-30 |
Family
ID=89628722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311424339.XA Pending CN117471990A (zh) | 2023-10-30 | 2023-10-30 | 数控机床加工方法、装置、终端设备以及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117471990A (zh) |
-
2023
- 2023-10-30 CN CN202311424339.XA patent/CN117471990A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10502253B2 (en) | Machine learning device for learning assembly operation and component assembly system | |
US10589368B2 (en) | Machine learning device having function of adjusting welding positions of core in wire electric discharge machine | |
US10073424B2 (en) | Intelligent 3D printing through optimization of 3D print parameters | |
CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
CN111209609A (zh) | 生产参数确定方法及装置、系统、存储介质和电子设备 | |
US11681261B2 (en) | Control system, control method, learning device, control device, learning method for controlling an operation of a subject device on basis of a detemined command value | |
CN116339239B (zh) | 数控机床协同控制方法、装置、设备以及计算机存储介质 | |
CN108388237B (zh) | 一种离散制造设备的故障诊断方法、装置、设备及介质 | |
CN116594349B (zh) | 机床预测方法、装置、终端设备以及计算机可读存储介质 | |
CN116520769B (zh) | 数控机床的监测方法、装置、终端设备及计算机存储介质 | |
CN117471990A (zh) | 数控机床加工方法、装置、终端设备以及计算机存储介质 | |
JP7395987B2 (ja) | 情報処理システム、方法、およびプログラム | |
CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
US20190138921A1 (en) | Interactive guidance system for selecting thermodynamics methods in process simulations | |
CN111108738A (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 | |
CN113051700B (zh) | 设备可靠性监测方法及装置 | |
CN116449770B (zh) | 数控机床的加工方法、装置、设备以及计算机存储介质 | |
CN116679615B (zh) | 数控加工工艺的优化方法、装置、终端设备及存储介质 | |
CN112907221B (zh) | 一种自服务方法、装置及系统 | |
CN116629454B (zh) | 基于神经网络的伺服螺旋压力机生产效率预测方法及系统 | |
JP6707215B1 (ja) | エンジニアリングツール、学習装置、およびデータ収集システム | |
CN116993605A (zh) | 一种基于关键公差预测的镜头组装矫正补偿方法 | |
CN118092314A (zh) | 机床的运行参数调整方法、运行参数调整装置及存储介质 | |
CN113780737A (zh) | 基于机器学习的作业调度优化方法、装置、设备及介质 | |
CN118143514A (zh) | 焊接温度控制方法、装置、焊接设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |