数控机床能耗建模与加工过程优化的方法与流程

本发明涉及绿色制造领域，具体地，涉及一种数控机床能耗建模与加工过程优化的方法。

背景技术：

从加工状态来看，数控机床会经历启动、待机、空载运行、加工、停机等多个阶段，每个阶段又对应着不同的能耗子系统停启和工作状态，因此建立数控机床的能耗模型是一项困难并具有挑战性的工作。为了应对能源价格上涨、资源短缺、全球变暖、环境污染等日益严重的国际问题，提高制造业中的能源利用率和生产效率显得十分必要。

目前对数控机床能耗的研究集中在对其加工过程材料移除能耗的研究，即实际铣削加工时，通过建立以单位时间材料移除率或铣削参数为变量构建的经验公式，建立起加工能耗与变量的映射关系，一些研究也将刀具参数、刀具磨损情况考虑进去。但该模型中通常包含大量难以推导的系数，通过实验数据拟合相关系数可以实现模型的建立，但模型局限性大，不具备很好的泛化性能。同时实际加工中，非加工状态消耗的能量同样不能忽视，对这部分能耗的建模需要建立起各部件的能耗模型，包括主轴、进给轴、辅助部件等。目前相关研究集中在三轴机床上，而对五轴机床额外的两个旋转轴的能耗模型缺少相关的研究。

降低数控机床使用能耗可以通过机床本身的轻量化和节能设计、车间层级的高效管理和调度、以及加工过程的优化等方面实现，其中优化加工过程是实现制造业节能减排最可行有效的方法之一。加工过程优化的目的是在更合理、更节能的加工方式下实现所需的加工效果。在加工过程的工艺参数主要包括切宽、切深、主轴转速、进给速度等加工参数，优化方法主要可以通过方差分析(anova)、响应曲面分析、灰色关联分析等为代表的实验数据统计分析方法以及以退火算法、遗传算法、粒子群优化算法等为代表的智能优化算法。加工过程能耗也可以通过调整特征加工顺序，合理规划进给轴，在工序层实现节能优化。

专利文献cn109933002a(申请号：201910243560.2)公开了一种面向节能的机械加工过程数控机床能耗建模方法，根据机械加工过程能耗特性的不同，将机械加工过程划分为若干系列机械加工活动和机械加工活动转移；分别构建所述机械加工活动和机械加工活动转移的能耗模型；以建立的所述机械加工活动的能耗模型和所述机械加工活动转移的能耗模型为基础，构建机械加工全过程的能耗模型，并对机械加工过程能量需求进行分析计算。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种数控机床能耗建模与加工过程优化的方法。

根据本发明提供的数控机床能耗建模与加工过程优化的方法，包括：

数据采集步骤：根据能耗建模实验，采集能耗数据；

空载功率模型建立步骤：根据能耗数据拟合机床空载功率模型，测量机床空载能耗；

铣削功率模型建立步骤：根据梯度提升回归树算法和能耗数据，训练铣削功率模型；

实时功率预测步骤：对空载功率和铣削功率进行叠加；

加工参数优化步骤：以加工的切削比能和加工时间为目标函数，建立加工参数优化模型并进行求解；

加工顺序优化步骤：以相邻空走刀能耗之和为目标，建立加工顺序优化模型并进行约束。

优选地，所述数据采集步骤包括：使用异常值剔除和均值滤波对采集的数据进行去噪；

所述实时功率预测步骤包括：若机床处于非加工状态，则铣削功率为零；

所述加工参数优化步骤包括：对加工参数、表面粗糙度和刀具寿命进行优化；

所述能耗数据包括：空载情况下不同主轴转速、不同进给速度的能耗数据；铣削时不同主轴转速、不同进给速度、不同切削和不同切深的能耗数据。

优选地，所述空载功率模型建立步骤包括：

对基础功率pbasic进行测量，所述基础功率是指机床启动后各部件使能并处于稳定时，且各电机、驱动器无负载时的功率；

对辅助功率paux进行建模，所述辅助功率是指数控机床运行时，辅助设备选择性开启后所产生的能耗，包括照明装置、冲屑与排屑装置和切削液装置的能耗；

对主轴功率pspindle进行建模，所述主轴功率指主轴电机提供扭矩带动主轴以及刀具旋转所消耗的功率；

对进给功率pfeed进行建模，所述进给功率完成刀具或工件的进给运动以及精确定位，包括伺服电机、放大器、摩擦损耗以及克服重力矩做功。

优选地，所述辅助功率paux包括：

其中，是第j个辅助部件所产生的能耗，λj是开关函数，部件开启为1，关闭为0，cj为部件额定功率，m表示辅助部件的个数。

优选地，所述主轴功率pspindle包括：

pspindle＝k1n+k2

其中，n为主轴转速，k1、k2为通过实验拟合得到的系数。

优选地，所述克服重力矩做功pt是重力矩与进给速度的乘积，重力矩td包括：

其中，为系数项，通过实验数据拟合，θa为a轴当前位置信息。

优选地，所述铣削功率模型建立步骤包括：通过构建训练集训练集共n组，根据梯度提升回归树算法，建立铣削能耗模型；其中，xi表示第i组加工参数信息，yi表示第i组铣削功率；

所述梯度提升回归算法包括：

步骤1：初始化损失函数：

其中，c表示初始化的预测值；

步骤2：算法迭代：

最外层循环依次建立m棵回归树，即对m＝1，2…m；n为样本数，对i＝1，2…n,计算当前模型中损失函数的负梯度，将其作为残差的估计值，对于损失函数为均方误差的情况直接就是其残差：

用回归树拟合得到第m棵回归树h(xi，λm)，其中λm为模型参数；表示：偏微分符号；rmi表示：当前模型的残差；f(xi)表示：当前模型的预测值；

根据线性搜索求得模型的权重βm，算式如下：

其中，βm表示最小化损失函数对应的权重；β表示权重；h表示当前树的预测值；更新模型的值，α为学习率：

fm(x)＝fm-1(x)+αβmh(xi，λm)

步骤3：完成m棵树的迭代，得到最终模型：

f(x)＝fm(x)

其中，l(y，f(x))为损失函数取l2范数，即均方误差，d为回归树的最大深度。

优选地，所述加工参数优化模型表述如下：

其中，sec为切削比能，mrr为材料移除率，计算公式为：mrr＝apaef，ttotal为总加工时间，li为第i个工步的加工路径长度，fi为进给轴的进给速度，进给速度f，若为多轴联动运动，则为对应复合的进给速度；

etotal表示总能量消耗；

ptotal表示总功率值；

v表示移除材料的体积。

优选地，优化变量的约束如下：

其中，前四项为加工参数的约束，d为刀具直径，δ为切削余量，ap为切深，ae为切宽；第五项为表面粗糙度约束；第六项为刀具寿命约束；第七项为干加工防止粘刀约束；

ra表示表面粗糙度；φ表示粗糙度模型中的系数；α表示粗糙度模型中的指数；γ表示粗糙度模型中的指数；δ表示粗糙度模型中的指数；ε表示粗糙度模型中的系数；[t]表示允许刀具寿命值；v表示铣削速度的影响；表示每齿进给速度的影响；表示切深的影响；表示切宽的影响；表示刀具刃数的影响；表示刀具直径的影响；

加工顺序优化模型表述如下：

λij为判断系数，如果选择的加工路线中i特征的下一待加工特征是j特征，则λij为1，否则为0，d(fi，fj)为由已建立的能耗模型求得的特征点之间移动的空走到能耗，表达式如下：

其中，tk为进给轴k在特征i，j之间转换时所运行的时间，可通过得到，ttotal为特征之间移动总的时间消耗，为进给轴k在fk进给速度下的功率值，pspindle(n)为主轴在转速n下的功率值。

优选地，对加工顺序优化模型进行约束，表述如下：

其中，seq为加工顺序的约束集合；fi表示第i个城市点。

与现有技术相比，本发明具有如下的有益效果：

1、本发明可以应用于制造业以绿色制造为目标的能耗预测和加工过程优化，实现节能高效制造；

2、本发明通过结合公式拟合和机器学习方法构建数控机床能耗模型，在达到较高预测精度的同时，具有更好的泛化性能。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明的流程示意图；

图2是数控机床加工过程功率曲线示意图；

图3是能耗模型预测效果示意图；

图4是帕累托解示意图；

图5是a-c双转台五轴机床示意图；

图6是a轴受力分析图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1所示，本发明提供的一种数控机床能耗建模与加工过程优化的方法，包括：

数据采集步骤：通过能耗建模实验，采集空载情况下以及铣削加工时的能耗数据；

空载功率模型建立步骤：利用实验数据拟合出主轴及进给轴、辅助功能部件的能耗模型，测量出机床的基础能耗；

铣削功率模型建立步骤：利用实验数据构造基于梯度增强回归树的铣削能耗模型；

实时能耗功率预测步骤：叠加对应工艺参数下空载功率和铣削功率模型获得；

加工参数优化步骤：以加工的切削比能和加工时间为目标函数，建立包括加工参数约束、表面粗糙度约束、刀具寿命约束等在内的加工参数优化模型，利用多目标遗传算法对模型求解，得到满足约束条件的帕累托解集，为工艺参数优选提供指导；

误差补偿步骤：以最小化多特征加工时相邻特征之间移动的空走刀能耗之和为目标，建立起加工顺序优化模型，通过遗传算法求解出最优加工顺序。

实施例：

步骤1，通过能耗建模实验，采集空载情况下以及铣削加工时的能耗数据，使用异常值剔除和均值滤波对采集的数据进行去噪，能耗数据可以通过在机床电气柜连接功率测量设备获得，测得的功率曲线如图2所示；

步骤2，利用非加工状态下的能耗数据拟合机床空载能耗模型，即建立主轴及进给轴、辅助功能部件的能耗模型，测量出机床的基础能耗。

步骤3，构造基于梯度增强回归树的铣削模型；

步骤4，通过叠加对应工艺参数下空载功率和铣削功率模型获得机床实时功率，模型预测效果如图3所示。

步骤5，以加工的切削比能和加工时间为目标函数，建立包括加工参数约束、表面粗糙度约束、刀具寿命约束等在内的加工参数优化模型，模型中的参数基于建立的能耗模型，利用多目标遗传算法对模型求解，得到满足约束条件的帕累托解集，帕累托解的分布如图4所示。

步骤6，以最小化多特征加工时相邻特征之间移动的空走刀能耗之和为目标，建立加工顺序优化模型，通过遗传算法求解出最优加工顺序。

优选地，所述步骤2空载功率模型建立包括如下步骤：

步骤2.1，对基础功率pbasic的测量。基础功率是指机床启动后各部件使能并处于稳定时，且各电机、驱动器无负载时的功率，基础功率是与加工运行状态无关的固定功率，可以用来描述机床在待机状态下的能耗或机床的基础能耗。

步骤2.2，对辅助功率paux的建模。辅助能耗指数控机床运行时，辅助功能选择性开启后所产生的能量消耗。主要包括照明装置、冲屑与排屑装置、切削液装置等辅助部件的能耗。

其中是第j个辅助部件所产生的能耗，λj是开关函数，部件开启为1，关闭则为0，cj为该部件额定功率，可通过机床相应参数文件或者实际测量获得。

步骤2.3，对主轴功率pspindle的建模。主轴功率指主轴电机提供扭矩带动主轴以及刀具旋转所消耗的功率，能耗模型为一次多项式的形式，在理论允许主轴转速范围内，可能呈现分段函数的特性：

pspindle＝k1n+k2

其中n为主轴转速，k1、k2为可通过实验拟合得到的系数。

步骤2.3，对进给功率pfeed的建模。五轴机床的结构示意图如图5所示。其中进给系统的a轴由于重力矩作用，对应空载能耗模型还需要考虑当前位置，受力分析如图6所示。进给功率主要包括伺服电机、放大器、摩擦损耗、以及克服重力矩做功四个部分。伺服电机的功率pm和放大器的功率pa模型通常与进给速度成线性关系，而摩擦损耗pf模型如下：

其中af、bf、cf为对应的系数项，fs与导轨摩擦特性有关。

克服重力做功pt是重力矩与进给速度的乘积。对重力矩td的分析可以分为重力相关轴x、y、c轴与重力无关轴a、c轴两类，具体来说模型如下：

其中为对应的系数项，可通过实验数据拟合，θa为a轴当前位置信息。

优选地，所述步骤5中，加工参数优化模型具体为：

其中，sec为切削比能，mrr为材料移除率，计算公式为：mrr＝apaef，ttotal为总加工时间，li为第i个工步的加工路径长度，fi为进给轴的进给速度，若为多轴联动运动，则为对应复合的进给速度。

待优化变量的寻优域并不是没有边界的，由于设备的性能、加工质量的要求、刀具寿命等因素的限制，会对加工参数实际的可行域做出限制，因而需要在合理范围内选择。优化变量的约束如下：

其中前四项为加工参数的约束，d为刀具直径，δ为切削余量；第五项为表面粗糙度约束，各系数可通过实验数据拟合；第六项为刀具寿命约束，具体参数可通过刀具手册获得；第七项为干加工防止粘刀约束，可根据加工条件确定是否需要。

优选地，所述步骤6中，加工顺序优化模型具体为：

λij为判断系数，如果选择的加工路线中i特征的下一待加工特征是j特征，则λij为1，否则为0d(fi，fj)为由已建立的能耗模型求得的特征点之间移动的空走到能耗，表达式如下：

其中，tk为进给轴k在特征i，j之间转换时所运行的时间，可通过得到，ttotal为特征之间移动总的时间消耗，为进给轴k在fk进给速度下的功率值；

pspindle(n)为主轴在转速n下的功率值，可通过建立的能耗模型获得。

加工工序的优化还需要考虑到加工特征本身存在的顺序约束，即一些特征需要在其他特征的基础上完成加工，加工顺序优化模型的约束如下：

其中seq为加工顺序的约束集合。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。