CN118938687B - 一种模具加工参数自适应控制方法及装置 - Google Patents
一种模具加工参数自适应控制方法及装置 Download PDFInfo
- Publication number
- CN118938687B CN118938687B CN202411202056.5A CN202411202056A CN118938687B CN 118938687 B CN118938687 B CN 118938687B CN 202411202056 A CN202411202056 A CN 202411202056A CN 118938687 B CN118938687 B CN 118938687B
- Authority
- CN
- China
- Prior art keywords
- parameter
- processing
- tool bit
- machining
- generate
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 262
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000003754 machining Methods 0.000 claims description 114
- 230000001808 coupling effect Effects 0.000 claims description 67
- 230000008878 coupling Effects 0.000 claims description 60
- 238000010168 coupling process Methods 0.000 claims description 60
- 238000005859 coupling reaction Methods 0.000 claims description 60
- 238000005299 abrasion Methods 0.000 claims description 43
- 238000005520 cutting process Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 23
- 230000002441 reversible effect Effects 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000009123 feedback regulation Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000001276 controlling effect Effects 0.000 description 13
- 238000005457 optimization Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种模具加工参数自适应控制方法及装置，涉及智能控制技术领域。所述方法包括：接收加工基础数据；进行加工参数分析，生成第一加工参数；进行刀头磨损状态识别，并执行加工参数影响识别，生成参数惩罚因子；对第一加工参数进行优化，生成第二加工参数；构建加工仿真模型，对第二加工参数进行模拟，生成预定加工特征数据；进行模具加工，生成实时加工特征数据；比较实时加工特征数据和预定加工特征数据，对第二加工参数进行优化，生成第三加工参数，进行持续加工控制。解决了现有技术中模具加工过程中刀头磨损影响加工质量的技术问题，通过自适应调整加工参数，减少磨损对加工精度的影响，达到了提高加工效率和质量的技术效果。
Description
技术领域
本发明涉及智能控制技术领域，具体涉及一种模具加工参数自适应控制方法及装置。
背景技术
随着现代制造业的快速发展，模具加工作为产品制造过程中的关键环节，其加工精度与效率直接影响着最终产品的质量和市场竞争力。然而，模具加工过程中常面临诸多挑战，尤其是刀头磨损问题。模具加工过程中，刀头作为直接与材料接触的工具，随着加工时间的延长，刀头会逐渐磨损，导致其切削性能下降，进而影响加工参数的准确性和稳定性，最终使得加工产品质量降低。此外，传统的加工参数调整方法往往依赖于经验判断或定期停机检查，缺乏实时性和自适应性，难以满足现代高效、精准加工的需求。
发明内容
本申请提供了一种模具加工参数自适应控制方法及装置，解决了现有技术中模具加工过程中刀头磨损影响加工质量的技术问题。
鉴于上述问题，本申请提供了一种模具加工参数自适应控制方法及装置。
本申请的第一个方面，提供了一种模具加工参数自适应控制方法，所述方法包括：
接收加工基础数据，其中，所述加工基础数据包括待加工坯料特征和目标机床所属工艺节点的加工目标特征；将所述待加工坯料特征和所述加工目标特征输入所述目标机床的控制终端进行加工参数分析，生成第一加工参数；采集所述目标机床的刀头状态数据，进行刀头磨损状态识别，并执行刀头磨损状态下的加工参数影响识别，生成参数惩罚因子；调用自适应耦合调节器，以所述参数惩罚因子对所述第一加工参数进行优化，生成第二加工参数；采集所述目标机床的建模数据，构建加工仿真模型，结合刀头磨损状态对所述第二加工参数进行模拟，生成预定加工特征数据，其中，所述预定加工特征数据包括连续时序节点下的切削力特征、振动特征和温度特征；按照所述第二加工参数控制所述目标机床进行模具加工，并通过加工监控模组进行加工特征监控，生成实时加工特征数据；比较所述实时加工特征数据和所述预定加工特征数据，基于比较结果，通过所述自适应耦合调节器对所述第二加工参数进行优化，生成第三加工参数，进行持续加工控制。
本申请的第二个方面，提供了一种模具加工参数自适应控制装置，所述装置包括：
数据接收模块，所述数据接收模块用于接收加工基础数据，其中，所述加工基础数据包括待加工坯料特征和目标机床所属工艺节点的加工目标特征；参数分析模块，所述参数分析模块用于将所述待加工坯料特征和所述加工目标特征输入所述目标机床的控制终端进行加工参数分析，生成第一加工参数；识别模块，所述识别模块用于采集所述目标机床的刀头状态数据，进行刀头磨损状态识别，并执行刀头磨损状态下的加工参数影响识别，生成参数惩罚因子；第一优化模块，所述第一优化模块用于调用自适应耦合调节器，以所述参数惩罚因子对所述第一加工参数进行优化，生成第二加工参数；模拟模块，所述模拟模块用于采集所述目标机床的建模数据，构建加工仿真模型，结合刀头磨损状态对所述第二加工参数进行模拟，生成预定加工特征数据，其中，所述预定加工特征数据包括连续时序节点下的切削力特征、振动特征和温度特征；控制模块，所述控制模块用于按照所述第二加工参数控制所述目标机床进行模具加工，并通过加工监控模组进行加工特征监控，生成实时加工特征数据；第二优化模块，所述第二优化模块用于比较所述实时加工特征数据和所述预定加工特征数据，基于比较结果，通过所述自适应耦合调节器对所述第二加工参数进行优化，生成第三加工参数，进行持续加工控制。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
首先，接收加工基础数据，其中，加工基础数据包括待加工坯料特征和目标机床所属工艺节点的加工目标特征。接着，将待加工坯料特征和加工目标特征输入目标机床的控制终端进行加工参数分析，生成第一加工参数。通过采集目标机床的刀头状态数据，进行刀头磨损状态识别，并执行刀头磨损状态下的加工参数影响识别，生成参数惩罚因子。进一步，调用自适应耦合调节器，以参数惩罚因子对第一加工参数进行优化，生成第二加工参数。接下来，采集目标机床的建模数据，构建加工仿真模型，结合刀头磨损状态对第二加工参数进行模拟，生成预定加工特征数据，其中，预定加工特征数据包括连续时序节点下的切削力特征、振动特征和温度特征。然后，按照第二加工参数控制目标机床进行模具加工，并通过加工监控模组进行加工特征监控，生成实时加工特征数据。最后，比较实时加工特征数据和预定加工特征数据，基于比较结果，通过自适应耦合调节器对第二加工参数进行优化，生成第三加工参数，进行持续加工控制。解决了现有技术中模具加工过程中刀头磨损影响加工质量的技术问题，通过自适应调整加工参数，减少磨损对加工精度的影响，达到了提高加工效率和质量的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种模具加工参数自适应控制方法流程示意图；
图2为本申请实施例提供的一种模具加工参数自适应控制装置结构示意图。
附图标记说明：数据接收模块11，参数分析模块12，识别模块13，第一优化模块14，模拟模块15，控制模块16，第二优化模块17。
具体实施方式
本申请通过提供一种模具加工参数自适应控制方法及装置，解决了现有技术中模具加工过程中刀头磨损影响加工质量的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。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。基于本申请中的实施例，本领域普通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。
需要说明的是，术语“包括”和“具有”，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或模块。
实施例一，如图1所示，本申请提供了一种模具加工参数自适应控制方法，其中，方法包括：
接收加工基础数据，其中，所述加工基础数据包括待加工坯料特征和目标机床所属工艺节点的加工目标特征。
通过接收加工基础数据，为后续的加工参数分析和优化提供坚实的基础。其中，加工基础数据包括待加工坯料特征和目标机床所属工艺节点的加工目标特征；待加工坯料特征包括坯料的材质、尺寸、形状、硬度、表面粗糙度等物理和化学属性，这些信息直接影响到加工过程中所需的切削力、切削速度、进给量等参数的设定；目标机床所属工艺节点的加工目标特征是指在某一工艺阶段，如粗加工、半精加工或精加工等，机床需要达到的加工精度、表面粗糙度、尺寸公差等目标要求。
将所述待加工坯料特征和所述加工目标特征输入所述目标机床的控制终端进行加工参数分析，生成第一加工参数。
将接收到的加工基础数据，包括待加工坯料特征和加工目标特征，输入到目标机床的控制终端进行加工参数分析，从而基于当前加工任务生成加工参数方案，包括但不限于主轴转速、切削深度、进给速度、切削力限制等，这些参数共同构成了第一加工参数。
采集所述目标机床的刀头状态数据，进行刀头磨损状态识别，并执行刀头磨损状态下的加工参数影响识别，生成参数惩罚因子。
刀头作为直接参与切削过程的部件，其磨损状态会直接影响加工参数的选择和加工效果。基于机床上的传感器，采集目标机床的刀头状态数据，如切削力、振动、温度等，这些数据能够间接反映刀头的磨损情况。基于刀头的磨损状态，进一步分析磨损状态对加工参数的影响，例如，刀头磨损会导致切削性能下降，如切削力增大、切削温度升高等，并据此生成参数惩罚因子，参数惩罚因子用于对加工参数进行修正，以确保加工过程的稳定性和加工质量。例如，对于切削速度来说，如果刀头磨损严重，可能需要降低切削速度以减少切削力和切削温度，从而保护机床和刀具。此时，就可以根据磨损程度生成一个相应的切削速度惩罚因子，用于调整切削速度的设定值。类似地，对于进给量、切削深度等其他加工参数，也可以生成相应的惩罚因子进行调整。
进一步而言，采集所述目标机床的刀头状态数据，进行刀头磨损状态识别，并执行刀头磨损状态下的加工参数影响识别，生成参数惩罚因子，包括：
通过高精度摄像头对所述目标机床的刀头进行图像采集，生成高精度刀头图像数据；基于所述高精度刀头图像数据进行点云建模，生成刀头点云模型；将所述刀头点云模型与预定刀头模型进行对齐比较，根据比较结果生成所述参数惩罚因子；其中，所述预定刀头模型为未磨损状态下的刀头点云模型。
优选的，利用高精度摄像头对目标机床的刀头进行多角度、高分辨率的图像采集，以获得高精度刀头图像数据；将采集到的高精度刀头图像数据导入到三维建模软件中，通过图像处理和点云生成算法，将二维图像信息转化为三维空间中的点云数据，从而构建出刀头点云模型；将生成的刀头点云模型与预定的未磨损状态下的刀头点云模型进行对齐比较，也就是保证两个模型在空间位置一致的时候，对两个模型进行逐点或逐区域的比较，以量化刀头磨损的程度和分布情况；基于模型比较的结果，也就是根据刀头磨损的具体情况生成相应的参数惩罚因子。
进一步而言，将所述刀头点云模型与预定刀头模型进行对齐比较，根据比较结果生成所述参数惩罚因子，包括：
将所述刀头点云模型与预定刀头模型进行对齐比较，建立刀头磨损向量集；其中，所述刀头磨损向量集包括多个磨损角度对应的磨损特征值；基于所述刀头磨损向量集进行加工参数影响分析，生成所述参数惩罚因子。
优选的，将刀头点云模型与预定刀头模型（即未磨损状态下的刀头点云模型）进行对齐比较后，可以建立刀头磨损向量集，以便量化刀头的磨损状态，其中，刀头磨损向量集包含了多个磨损角度对应的磨损特征值，这些特征值能够全面描述刀头在不同方向和程度上的磨损情况。具体而言，根据刀头的几何形状、使用方式以及常见的磨损模式来确定刀头磨损的多个角度，例如，对于旋转刀具，可以选择刀具的轴向、径向以及多个周向角度进行分析；对于每个选定的磨损角度，通过比较对齐后的刀头点云模型与预定刀头模型之间的差异，计算出该角度下的磨损特征值，这些特征值可以是距离差、体积差、表面积差等；将各个磨损角度对应的磨损特征值组合起来，形成一个多维的刀头磨损向量集，这个向量集能够全面反映刀头在不同方向上的磨损状态。在建立了刀头磨损向量集之后，可基于刀头磨损向量集进行加工参数的影响分析，以评估刀头磨损对加工过程的具体影响，并据此生成相应的参数惩罚因子。
进一步而言，基于所述刀头磨损向量集进行加工参数影响分析，生成所述参数惩罚因子，包括：
提取所述第一加工参数中的多个参数类型；基于所述多个参数类型建立多维磨损影响分析器，其中，所述多维磨损影响分析器包括多个参数类型对应的多个磨损影响分析分支；其中，所述多个磨损影响分析分支通过磨损影响样本库训练构建，所述磨损影响样本库包括刀头磨损向量样本和标识所述多个参数类型的影像指标的标识信息；通过所述多维磨损影响分析器对所述刀头磨损向量集进行分析，生成所述参数惩罚因子。
具体而言，从第一加工参数中提取多个参数类型，包括但不限于切削速度、切削深度、进给率等；基于提取的参数类型，可以构建一个多维磨损影响分析器，该分析器由多个与参数类型相对应的磨损影响分析分支组成，每个分支专门用于分析特定参数类型对刀头磨损的影响。具体来说，多维磨损影响分析器中的各个分支，可通过机器学习或深度学习算法，利用磨损影响样本库中的数据训练各分支的预测模型，使其能够准确预测不同参数组合下的刀头磨损情况；其中，磨损影响样本库包括刀头磨损向量样本和标识多个参数类型的影像指标的标识信息；刀头磨损向量样本记录了在不同加工参数组合下，刀头磨损的量化指标，如磨损量、磨损形态等；影像指标的标识信息是与每个样本相对应的加工参数值，用于标识各参数类型对磨损的具体影响。通过多维磨损影响分析器对刀头磨损向量集进行分析，生成参数惩罚因子，参数惩罚因子反映了不同加工参数对刀头磨损的敏感度和影响程度。
调用自适应耦合调节器，以所述参数惩罚因子对所述第一加工参数进行优化，生成第二加工参数。
自适应耦合调节器可以根据参数惩罚因子和当前的加工条件，动态地调整切削速度、进给率、切削深度等加工参数，以减少刀头磨损，提高加工质量和效率。将多维磨损影响分析器生成的参数惩罚因子作为输入，传递给自适应耦合调节器，自适应耦合调节器将根据输入的参数惩罚因子和当前加工条件，对第一加工参数进行迭代优化，输出第二加工参数，其中，第二加工参数是在结合刀头磨损和加工条件的基础上进行调整得到的，更加符合实际加工需求。
进一步而言，所述自适应耦合调节器的构建步骤包括：
以所述多个参数类型中的第一参数类型为自变量，以其他参数类型为定量，以所述多个参数类型分别对应的控制目标为因变量，进行多个参数类型之间的耦合效应分析，建立耦合效应指标大于预设耦合效应指标的耦合参数组，且所述耦合参数组具有耦合效应关系标记；基于所述耦合参数组和所述耦合效应关系标记建立所述自适应耦合调节器，其中，所述自适应耦合调节器根据所述耦合效应关系标记进行参数反馈调节。
具体而言，从多个参数类型中选取一个作为第一参数类型，并将第一参数类型作为自变量（例如，首先选择切削速度作为自变量），其余参数类型作为定量（即在这些分析中保持它们不变）；对于每个自变量变化的情况，观察并记录其他参数类型对应的控制目标（因变量）的变化情况；重复上述过程，但每次选择不同的参数类型作为自变量，同时保持其他参数为定量；通过这种方法，可以全面分析各参数之间的相互影响和耦合效应。基于耦合效应分析的结果，定义耦合效应指标来衡量参数之间的耦合程度；识别出那些耦合效应指标大于预设耦合效应指标的耦合参数组，即这些组合中的参数变化对控制目标有显著影响，同时为每个耦合参数组标记其耦合效应关系，以便后续管理和优化；基于耦合参数组和耦合效应关系标记，设计自适应耦合调节器的调节逻辑，该逻辑应能够根据当前的加工条件和参数状态，自动识别并响应耦合效应，通过调整参数值来优化控制目标；在自适应耦合调节器中设定参数反馈调节机制，该机制应能够实时监测加工过程中的关键参数和控制目标的状态，根据耦合效应关系标记和预设的调节策略，自动调整参数值以补偿耦合效应带来的不利影响，从而实现加工参数的动态优化。
进一步而言，调用自适应耦合调节器，以所述参数惩罚因子对所述第一加工参数进行优化，生成第二加工参数，包括：
以所述参数惩罚因子对所述第一加工参数进行调节，生成多个参数类型对应的多个参数调节步长；调用所述自适应耦合调节器，基于所述多个参数调节步长进行耦合效应分析，生成实时耦合效应；以所述实时耦合效应，通过所述自适应耦合调节器对所述多个参数调节步长进行反向参数调节，直至反向耦合效应与所述实时耦合效应之间的偏差满足预设偏差，生成最优参数调节步长；以所述最优参数调节步长对所述第一加工参数进行调节，生成所述第二加工参数。
根据多维磨损影响分析器生成的参数惩罚因子，对第一加工参数进行调节，参数惩罚因子反映了不同参数类型对刀头磨损的敏感度和影响程度，因此可以据此为每个参数类型确定一个调节步长，调节步长指示了每个参数应该向哪个方向（增加或减少）以及调节的幅度；将多个参数调节步长输入到自适应耦合调节器中，调节器基于这些步长，结合其内部建立的耦合效应模型和实时加工条件，进行多参数之间的耦合效应分析，以评估在当前调节步长下，各参数之间的相互作用对加工过程的影响，特别是它们是否会产生不利的耦合效应；自适应耦合调节器会生成一个实时耦合效应，实时耦合效应量化了当前调节步长下参数之间的耦合效应强度和方向；如果实时耦合效应与预期目标不符（例如，导致刀头磨损加剧或加工效率下降），则需要进行反向参数调节，反向参数调节是指根据实时耦合效应的结果，对参数调节步长进行调整，以减少或消除不利的耦合效应；通过不断迭代，当反向参数调节使得实时耦合效应与期望目标之间的偏差满足预设的偏差阈值时，认为找到了最优的参数调节步长；将最优参数调节步长应用于第一加工参数，以便生成优化后的第二加工参数。
采集所述目标机床的建模数据，构建加工仿真模型，结合刀头磨损状态对所述第二加工参数进行模拟，生成预定加工特征数据，其中，所述预定加工特征数据包括连续时序节点下的切削力特征、振动特征和温度特征。
通过采集目标机床的建模数据，包括但不限于机床结构参数、动力系统数据、刀具与工件信息等，利用机械加工仿真软件构建加工仿真模型。将刀头磨损模型集成到加工仿真模型对第二加工参数进行模拟，以便生成预定加工特征数据，预定加工特征数据包括连续时序节点下的切削力特征、振动特征和温度特征。切削力特征反映切削过程中切削力随时间的变化情况，包括切削力的大小、方向和波动情况等；振动特征是指机床和刀具在加工过程中的振动情况，包括振动幅值、频率和相位等；温度特征是指切削区域的温度变化，包括切削温度、刀具温度和工件温度等。
按照所述第二加工参数控制所述目标机床进行模具加工，并通过加工监控模组进行加工特征监控，生成实时加工特征数据。
将第二加工参数输入到目标机床的数控系统中，并启动加工程序，数控系统会根据输入的参数控制机床的各个轴进行精确的运动，同时驱动刀具对模具进行切削加工。在加工过程中，加工监控模组将会实时监控加工过程中的各项特征，从而获得实时加工特征数据，包括切削力实时数据、振动实时数据、温度实时数据等；其中，加工监控模组包括多种传感器，如切削力传感器、振动传感器、温度传感器等。
比较所述实时加工特征数据和所述预定加工特征数据，基于比较结果，通过所述自适应耦合调节器对所述第二加工参数进行优化，生成第三加工参数，进行持续加工控制。
预定加工特征数据通常是在加工前根据模拟设定的，代表了期望的加工状态和性能指标；通过比较实时加工特征数据和预定加工特征数据，可以识别出两者之间的差异和偏差；基于识别出的偏差，调用自适应耦合调节器对第二加工参数进行优化，生成第三加工参数，第三加工参数是对第二加工参数的微调或重新设定，旨在减少实时加工特征数据与预定加工特征数据之间的差异，使加工过程更加接近理想状态；利用第三加工参数对机床进行加工控制，以提高加工质量和效率。
进一步而言，比较所述实时加工特征数据和所述预定加工特征数据，基于比较结果，通过所述自适应耦合调节器对所述第二加工参数进行优化，生成第三加工参数，包括：
建立加工特征与加工参数控制偏差的映射关系；基于所述映射关系，对所述比较结果进行加工参数偏差匹配，生成匹配加工参数偏差；以所述匹配加工参数偏差对所述第二加工参数进行调节，并调用所述自适应耦合调节器进行耦合效应分析后，再进行反向参数调节，生成所述第三加工参数。
优选的，基于不同加工参数组合下对应的加工特征，建立加工特征与加工参数控制偏差的映射关系；在实时加工过程中，将实时加工特征数据与预定加工特征数据进行比较后，根据建立的映射关系，对比较结果进行加工参数偏差匹配，以便识别出导致当前加工特征偏差的加工参数偏差；以匹配加工参数偏差为依据，对第二加工参数进行调节，同时，调用自适应耦合调节器进行耦合效应分析，进行反向参数调节，从而生成第三加工参数。
综上所述，本申请实施例至少具有如下技术效果：
首先，接收加工基础数据，其中，加工基础数据包括待加工坯料特征和目标机床所属工艺节点的加工目标特征。接着，将待加工坯料特征和加工目标特征输入目标机床的控制终端进行加工参数分析，生成第一加工参数。通过采集目标机床的刀头状态数据，进行刀头磨损状态识别，并执行刀头磨损状态下的加工参数影响识别，生成参数惩罚因子。进一步，调用自适应耦合调节器，以参数惩罚因子对第一加工参数进行优化，生成第二加工参数。接下来，采集目标机床的建模数据，构建加工仿真模型，结合刀头磨损状态对第二加工参数进行模拟，生成预定加工特征数据，其中，预定加工特征数据包括连续时序节点下的切削力特征、振动特征和温度特征。然后，按照第二加工参数控制目标机床进行模具加工，并通过加工监控模组进行加工特征监控，生成实时加工特征数据。最后，比较实时加工特征数据和预定加工特征数据，基于比较结果，通过自适应耦合调节器对第二加工参数进行优化，生成第三加工参数，进行持续加工控制。解决了现有技术中模具加工过程中刀头磨损影响加工质量的技术问题，通过自适应调整加工参数，减少磨损对加工精度的影响，达到了提高加工效率和质量的技术效果。
实施例二，基于与前述实施例中一种模具加工参数自适应控制方法相同的发明构思，如图2所示，本申请提供了一种模具加工参数自适应控制装置，其中，装置包括：
数据接收模块11，所述数据接收模块11用于接收加工基础数据，其中，所述加工基础数据包括待加工坯料特征和目标机床所属工艺节点的加工目标特征；参数分析模块12，所述参数分析模块12用于将所述待加工坯料特征和所述加工目标特征输入所述目标机床的控制终端进行加工参数分析，生成第一加工参数；识别模块13，所述识别模块13用于采集所述目标机床的刀头状态数据，进行刀头磨损状态识别，并执行刀头磨损状态下的加工参数影响识别，生成参数惩罚因子；第一优化模块14，所述第一优化模块14用于调用自适应耦合调节器，以所述参数惩罚因子对所述第一加工参数进行优化，生成第二加工参数；模拟模块15，所述模拟模块15用于采集所述目标机床的建模数据，构建加工仿真模型，结合刀头磨损状态对所述第二加工参数进行模拟，生成预定加工特征数据，其中，所述预定加工特征数据包括连续时序节点下的切削力特征、振动特征和温度特征；控制模块16，所述控制模块16用于按照所述第二加工参数控制所述目标机床进行模具加工，并通过加工监控模组进行加工特征监控，生成实时加工特征数据；第二优化模块17，所述第二优化模块17用于比较所述实时加工特征数据和所述预定加工特征数据，基于比较结果，通过所述自适应耦合调节器对所述第二加工参数进行优化，生成第三加工参数，进行持续加工控制。
进一步的，所述识别模块13用于执行如下方法：
通过高精度摄像头对所述目标机床的刀头进行图像采集，生成高精度刀头图像数据；基于所述高精度刀头图像数据进行点云建模，生成刀头点云模型；将所述刀头点云模型与预定刀头模型进行对齐比较，根据比较结果生成所述参数惩罚因子；其中，所述预定刀头模型为未磨损状态下的刀头点云模型。
进一步的，所述识别模块13用于执行如下方法：
将所述刀头点云模型与预定刀头模型进行对齐比较，建立刀头磨损向量集；其中，所述刀头磨损向量集包括多个磨损角度对应的磨损特征值；基于所述刀头磨损向量集进行加工参数影响分析，生成所述参数惩罚因子。
进一步的，所述识别模块13用于执行如下方法：
提取所述第一加工参数中的多个参数类型；基于所述多个参数类型建立多维磨损影响分析器，其中，所述多维磨损影响分析器包括多个参数类型对应的多个磨损影响分析分支；其中，所述多个磨损影响分析分支通过磨损影响样本库训练构建，所述磨损影响样本库包括刀头磨损向量样本和标识所述多个参数类型的影像指标的标识信息；通过所述多维磨损影响分析器对所述刀头磨损向量集进行分析，生成所述参数惩罚因子。
进一步的，所述第一优化模块14用于执行如下方法：
以所述多个参数类型中的第一参数类型为自变量，以其他参数类型为定量，以所述多个参数类型分别对应的控制目标为因变量，进行多个参数类型之间的耦合效应分析，建立耦合效应指标大于预设耦合效应指标的耦合参数组，且所述耦合参数组具有耦合效应关系标记；基于所述耦合参数组和所述耦合效应关系标记建立所述自适应耦合调节器，其中，所述自适应耦合调节器根据所述耦合效应关系标记进行参数反馈调节。
进一步的，所述第一优化模块14用于执行如下方法：
以所述参数惩罚因子对所述第一加工参数进行调节，生成多个参数类型对应的多个参数调节步长；调用所述自适应耦合调节器，基于所述多个参数调节步长进行耦合效应分析，生成实时耦合效应；以所述实时耦合效应，通过所述自适应耦合调节器对所述多个参数调节步长进行反向参数调节，直至反向耦合效应与所述实时耦合效应之间的偏差满足预设偏差，生成最优参数调节步长；以所述最优参数调节步长对所述第一加工参数进行调节，生成所述第二加工参数。
进一步的，所述第二优化模块17用于执行如下方法：
建立加工特征与加工参数控制偏差的映射关系；基于所述映射关系，对所述比较结果进行加工参数偏差匹配，生成匹配加工参数偏差；以所述匹配加工参数偏差对所述第二加工参数进行调节，并调用所述自适应耦合调节器进行耦合效应分析后，再进行反向参数调节，生成所述第三加工参数。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (3)
1.一种模具加工参数自适应控制方法，其特征在于，所述方法包括：
接收加工基础数据，其中，所述加工基础数据包括待加工坯料特征和目标机床所属工艺节点的加工目标特征；
将所述待加工坯料特征和所述加工目标特征输入所述目标机床的控制终端进行加工参数分析，生成第一加工参数；
采集所述目标机床的刀头状态数据，进行刀头磨损状态识别，并执行刀头磨损状态下的加工参数影响识别，生成参数惩罚因子；
调用自适应耦合调节器，以所述参数惩罚因子对所述第一加工参数进行优化，生成第二加工参数；
采集所述目标机床的建模数据，构建加工仿真模型，结合刀头磨损状态对所述第二加工参数进行模拟，生成预定加工特征数据，其中，所述预定加工特征数据包括连续时序节点下的切削力特征、振动特征和温度特征；
按照所述第二加工参数控制所述目标机床进行模具加工，并通过加工监控模组进行加工特征监控，生成实时加工特征数据；
比较所述实时加工特征数据和所述预定加工特征数据，基于比较结果，通过所述自适应耦合调节器对所述第二加工参数进行优化，生成第三加工参数，进行持续加工控制；
其中，采集所述目标机床的刀头状态数据，进行刀头磨损状态识别，并执行刀头磨损状态下的加工参数影响识别，生成参数惩罚因子，包括：
通过高精度摄像头对所述目标机床的刀头进行图像采集，生成高精度刀头图像数据；
基于所述高精度刀头图像数据进行点云建模，生成刀头点云模型；
将所述刀头点云模型与预定刀头模型进行对齐比较，根据比较结果生成所述参数惩罚因子；
其中，所述预定刀头模型为未磨损状态下的刀头点云模型；
其中，将所述刀头点云模型与预定刀头模型进行对齐比较，根据比较结果生成所述参数惩罚因子，包括：
将所述刀头点云模型与预定刀头模型进行对齐比较，建立刀头磨损向量集；
其中，所述刀头磨损向量集包括多个磨损角度对应的磨损特征值；
基于所述刀头磨损向量集进行加工参数影响分析，生成所述参数惩罚因子；
其中，基于所述刀头磨损向量集进行加工参数影响分析，生成所述参数惩罚因子，包括：
提取所述第一加工参数中的多个参数类型；
基于所述多个参数类型建立多维磨损影响分析器，其中，所述多维磨损影响分析器包括多个参数类型对应的多个磨损影响分析分支；
其中，所述多个磨损影响分析分支通过磨损影响样本库训练构建，所述磨损影响样本库包括刀头磨损向量样本和标识所述多个参数类型的影像指标的标识信息；
通过所述多维磨损影响分析器对所述刀头磨损向量集进行分析，生成所述参数惩罚因子；
其中，所述自适应耦合调节器的构建步骤包括：
以所述多个参数类型中的第一参数类型为自变量，以其他参数类型为定量，以所述多个参数类型分别对应的控制目标为因变量，进行多个参数类型之间的耦合效应分析，建立耦合效应指标大于预设耦合效应指标的耦合参数组，且所述耦合参数组具有耦合效应关系标记；
基于所述耦合参数组和所述耦合效应关系标记建立所述自适应耦合调节器，其中，所述自适应耦合调节器根据所述耦合效应关系标记进行参数反馈调节；
其中，调用自适应耦合调节器，以所述参数惩罚因子对所述第一加工参数进行优化，生成第二加工参数，包括：
以所述参数惩罚因子对所述第一加工参数进行调节，生成多个参数类型对应的多个参数调节步长；
调用所述自适应耦合调节器，基于所述多个参数调节步长进行耦合效应分析，生成实时耦合效应；
以所述实时耦合效应，通过所述自适应耦合调节器对所述多个参数调节步长进行反向参数调节，直至反向耦合效应与所述实时耦合效应之间的偏差满足预设偏差，生成最优参数调节步长；
以所述最优参数调节步长对所述第一加工参数进行调节，生成所述第二加工参数。
2.如权利要求1所述的一种模具加工参数自适应控制方法，其特征在于，比较所述实时加工特征数据和所述预定加工特征数据，基于比较结果，通过所述自适应耦合调节器对所述第二加工参数进行优化，生成第三加工参数，包括：
建立加工特征与加工参数控制偏差的映射关系；
基于所述映射关系，对所述比较结果进行加工参数偏差匹配，生成匹配加工参数偏差；
以所述匹配加工参数偏差对所述第二加工参数进行调节，并调用所述自适应耦合调节器进行耦合效应分析后，再进行反向参数调节，生成所述第三加工参数。
3.一种模具加工参数自适应控制装置，其特征在于，用于实施权利要求1-2任意一项所述的一种模具加工参数自适应控制方法，所述装置包括：
数据接收模块，所述数据接收模块用于接收加工基础数据，其中，所述加工基础数据包括待加工坯料特征和目标机床所属工艺节点的加工目标特征；
参数分析模块，所述参数分析模块用于将所述待加工坯料特征和所述加工目标特征输入所述目标机床的控制终端进行加工参数分析，生成第一加工参数；
识别模块，所述识别模块用于采集所述目标机床的刀头状态数据，进行刀头磨损状态识别，并执行刀头磨损状态下的加工参数影响识别，生成参数惩罚因子；
第一优化模块，所述第一优化模块用于调用自适应耦合调节器，以所述参数惩罚因子对所述第一加工参数进行优化，生成第二加工参数；
模拟模块，所述模拟模块用于采集所述目标机床的建模数据，构建加工仿真模型，结合刀头磨损状态对所述第二加工参数进行模拟，生成预定加工特征数据，其中，所述预定加工特征数据包括连续时序节点下的切削力特征、振动特征和温度特征；
控制模块，所述控制模块用于按照所述第二加工参数控制所述目标机床进行模具加工，并通过加工监控模组进行加工特征监控，生成实时加工特征数据；
第二优化模块，所述第二优化模块用于比较所述实时加工特征数据和所述预定加工特征数据，基于比较结果，通过所述自适应耦合调节器对所述第二加工参数进行优化，生成第三加工参数，进行持续加工控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411202056.5A CN118938687B (zh) | 2024-08-29 | 2024-08-29 | 一种模具加工参数自适应控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411202056.5A CN118938687B (zh) | 2024-08-29 | 2024-08-29 | 一种模具加工参数自适应控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118938687A CN118938687A (zh) | 2024-11-12 |
| CN118938687B true CN118938687B (zh) | 2025-02-14 |
Family
ID=93364926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411202056.5A Active CN118938687B (zh) | 2024-08-29 | 2024-08-29 | 一种模具加工参数自适应控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118938687B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119472511A (zh) * | 2025-01-08 | 2025-02-18 | 杭州精锋园林工具有限公司 | 链条刀片自适应磨损监测诊断系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116871978A (zh) * | 2023-07-10 | 2023-10-13 | 盐城工学院 | 基于多传感器融合的钻削刀具状态监测方法 |
| CN116880196A (zh) * | 2023-07-20 | 2023-10-13 | 南京航空航天大学 | 一种复杂型面加工参数优化方法、系统、电子设备及介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6594994B2 (en) * | 2001-06-01 | 2003-07-22 | Wisconsin Alumni Research Foundation | Micromechanical actuation apparatus |
| CN109814389A (zh) * | 2019-02-01 | 2019-05-28 | 浙江大学 | 参数自整定的mimo异因子紧格式无模型控制方法 |
| CN216176983U (zh) * | 2021-10-15 | 2022-04-05 | 浙江钱祥工具股份有限公司 | 一种组装立式铣刀 |
| CN117521341A (zh) * | 2023-10-23 | 2024-02-06 | 化学与精细化工广东省实验室潮州分中心 | 一种基于非对称微刃几何优化的刀具刃口设计方法及系统 |
| CN117400062A (zh) * | 2023-10-24 | 2024-01-16 | 哈尔滨理工大学 | 基于数字孪生驱动的刀具磨损监测方法及检测装置 |
| CN118404394A (zh) * | 2024-05-11 | 2024-07-30 | 湖北汽车工业学院 | 基于pcc-gwo-svm算法的刀具磨损预测方法及系统 |
-
2024
- 2024-08-29 CN CN202411202056.5A patent/CN118938687B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116871978A (zh) * | 2023-07-10 | 2023-10-13 | 盐城工学院 | 基于多传感器融合的钻削刀具状态监测方法 |
| CN116880196A (zh) * | 2023-07-20 | 2023-10-13 | 南京航空航天大学 | 一种复杂型面加工参数优化方法、系统、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118938687A (zh) | 2024-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US7933679B1 (en) | Method for analyzing and optimizing a machining process | |
| US9508042B2 (en) | Method for predicting machining quality of machine tool | |
| Chen et al. | An in-process neural network-based surface roughness prediction (INN-SRP) system using a dynamometer in end milling operations | |
| CN118938687B (zh) | 一种模具加工参数自适应控制方法及装置 | |
| CN108445835B (zh) | 一种数控机床的零件加工尺寸预测方法 | |
| CN111975453B (zh) | 一种数值仿真驱动的加工过程刀具状态监测方法 | |
| CN118884883B (zh) | 一种基于工业物联网的数控加工智能监测方法和系统 | |
| CN114758176A (zh) | 基于工业机器人本体信息的打磨状态在线监测方法 | |
| Tang et al. | Development of multi-sensor data fusion and in-process expert system for monitoring precision in thin wall lens barrel turning | |
| US20170322186A1 (en) | Processing Apparatus | |
| Herrera-Granados et al. | An experimental study of multi-sensor tool wear monitoring and its application to predictive maintenance | |
| Fan et al. | Tool wear prediction based on a fusion model of data-driven and physical models in the milling process | |
| CN117520767A (zh) | 一种基于贝叶斯优化的加工颤振预测方法 | |
| CN111598364B (zh) | 用于机械零部件的数字化工艺编排系统 | |
| CN118262148A (zh) | 一种结构件加工状态智能监控方法 | |
| Chu et al. | Online roundness prediction of grinding workpiece based on vibration signals and support vector machine | |
| EP4078304B1 (en) | Reduction of friction within a machine tool | |
| Zhou et al. | Tool wear monitoring for robotic milling based on multi-dimensional stacked sparse autoencoders and bidirectional LSTM networks with singularity features | |
| CN119002396B (zh) | 大模齿轮加工误差智能补偿方法及装置 | |
| US20250216832A1 (en) | System and method for automatic data extraction and labelling for supervised machine learning to automate cnc manufacturing | |
| CN119620685A (zh) | 一种基于迁移学习模型的刀具位姿误差预测方法 | |
| Tsai et al. | Intelligent Performance Prediction of Flank Milling of Ti6Al4V Using Sensory Tool Holder. | |
| CN119897804B (zh) | 基于水粒流参数自适应调节的去毛刺方法及装置 | |
| CN119105401B (zh) | 电主轴切削扭矩自适应控制方法及系统 |
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 |