一种基于神经网络的数控车床控制信号设置方法及系统

1.本发明涉及数控车床控制技术领域，具体涉及一种基于神经网络的数控车床控制信号设置方法及系统。


背景技术：

2.数控车床是使用较为广泛的数控机床之一。它主要用于轴类零件或盘类零件的内外圆柱面、任意锥角的内外圆锥面、复杂回转内外曲面和圆柱、圆锥螺纹等切削加工，并能进行切槽、钻孔、扩孔、铰孔及镗孔等。
3.数控机床是按照事先编制好的加工程序，自动地对被加工零件进行加工。我们把零件的加工工艺路线、工艺参数、刀具的运动轨迹、位移量、切削参数以及辅助功能等控制信号，按照数控机床规定的指令代码及程序格式编写成加工程序单，再把这程序单中的内容记录在控制介质上，然后输入到数控机床的数控装置中，从而指挥机床加工零件。
4.现有技术通常是人工设定车床控制信号，以达到加工零件的目的，但是人工设定存在的随机性强，降低车床控制信号与加工零件的适配性，最终导致加工零件加工精度的降低。


技术实现要素：

5.本发明的目的在于提供一种基于神经网络的数控车床控制信号设置方法，以解决现有技术中控制信号人工设定的随机性强，降低车床控制信号与加工零件的适配性的技术问题。
6.为解决上述技术问题，本发明具体提供下述技术方案：
7.一种基于神经网络的数控车床控制信号设置方法，包括以下步骤：
8.步骤s1、获取车床加工零件的加工部位特征，以控制稳定性和控制效率性为优化目标的优化算法为车床加工零件设定与加工部位特征适配的数控车床控制信号；
9.步骤s2、利用神经网络以加工部位特征与数控车床控制信号进行卷积训练得到根据加工部位特征测算数控车床控制信号的信号设置模型；
10.步骤s3、将待加工车床加工零件的加工部位特征输入至信号设置模型得到待加工车床加工零件的数控车床控制信号，以实现稳定且高效加工待加工车床加工零件的加工部位。
11.作为本发明的一种优选方案，所述获取车床加工零件的加工部位特征，包括：
12.分别获取车床加工零件的加工部位在加工前的三维特征，以及车床加工零件的加工部位在加工后期望的三维特征；
13.将所述加工前的三维特征中各特征分量和所述加工后期望的三维特征中各特征分量进行相似度检测，并将相似度低于预设阈值的所有特征分量作为所述加工部位特征。
14.作为本发明的一种优选方案，所述相似度的计算公式为：
[0015][0016]
式中，pi为加工前的三维特征中第i个特征分量与加工后期望的三维特征中第i个特征分量的相似度，xi为加工前的三维特征中第i个特征分量，yi为加工后期望的三维特征中第i个特征分量，i为计量常数。
[0017]
作为本发明的一种优选方案，所述以控制稳定性和控制效率性为优化目标的优化算法为车床加工零件设定与加工部位特征适配的数控车床控制信号，包括：
[0018]
构建以控制稳定性为优化目标的目标函数，所述以控制稳定性为优化目标的目标函数的函数表达式为：
[0019][0020]
式中，h为以控制稳定性为优化目标的目标函数值，sj为加工所述加工部位中第j个加工位置的数控车床控制信号，n为所述加工部位中加工位置的总数量，j为计量常数，min为最小化运算符；
[0021]
构建以控制效率性为优化目标的目标函数，所述以控制效率性为优化目标的目标函数的函数表达式为：
[0022][0023]
tj＝t(sj)；
[0024]
式中，f为以控制效率性为优化目标的目标函数值，tj为利用所述加工部位中第j个加工位置的数控车床控制信号在第j个加工位置处所费的加工时长，t(sj)为tj的计算函数；
[0025]
构建求解目标函数的约束条件，所述约束条件的函数表达式为：
[0026][0027]
式中，zj为加工部位中第j个加工位置的三维特征，d(sj)为加工所述加工部位中第j个加工位置的数控车床控制信号与加工部位中第j个加工位置的加工部位特征的转换函数，s
min
、s
max
分别为数控车床控制信号的调控最小值和调控最大值；
[0028]
基于约束条件求解所述以控制稳定性为优化目标的目标函数和以控制效率性为优化目标的目标函数得到与加工部位特征适配的数控车床控制信号。
[0029]
作为本发明的一种优选方案，所述信号设置模型的获得方法包括：
[0030]
将所述加工部位特征作为神经网络的输入项，将所述加工部位中各加工位置的数控车床控制信号作为神经网络的输出项，利用所述神经网络基于所述输入项和所述输出项进行卷积训练得到所述信号设置模型；
[0031]
所述信号设置模型的模型表达式为：
[0032]
[sj]n＝model([zj]n)；
[0033]
式中，[sj]n为加工部位中各加工位置的数控车床控制信号，[zj]n为加工部位中各加工位置的加工部位特征，model为神经网络。
[0034]
作为本发明的一种优选方案，将待加工车床加工零件的加工部位特征输入至信号设置模型得到待加工车床加工零件的数控车床控制信号，包括：
[0035]
获取待加工车床加工零件的加工部位特征，并将待加工车床加工零件的在各加工位置处的加工部位特征输入至信号设置模型得到待加工车床加工零件在各加工位置处的数控车床控制信号。
[0036]
作为本发明的一种优选方案，所述加工部位特征中各特征分量均进行归一化处理，以消除量纲误差。
[0037]
作为本发明的一种优选方案，所述加工前的三维特征中各特征分量与所述加工后期望的三维特征中各特征分量均一一对应。
[0038]
作为本发明的一种优选方案，所述数控车床控制信号与加工部位特征依据加工位置相对应。
[0039]
作为本发明的一种优选方案，本发明提供了一种实施基于神经网络的数控车床控制信号设置方法的设置系统，包括：
[0040]
数据处理单元，用于获取车床加工零件的加工部位特征，以控制稳定性和控制效率性为优化目标的优化算法为车床加工零件设定与加工部位特征适配的数控车床控制信号；
[0041]
模型构建单元，用于利用神经网络以加工部位特征与数控车床控制信号进行卷积训练得到根据加工部位特征测算数控车床控制信号的信号设置模型；
[0042]
模型应用单元，用于将待加工车床加工零件的加工部位特征输入至信号设置模型得到待加工车床加工零件的数控车床控制信号。
[0043]
本发明与现有技术相比较具有如下有益效果：
[0044]
本发明利用神经网络以加工部位特征与数控车床控制信号进行卷积训练得到根据加工部位特征测算数控车床控制信号的信号设置模型，利用模型设定控制信号以实现稳定且高效加工待加工车床加工零件的加工部位，提高加工零件的适配性，最终提高加工零件的加工准确度。
附图说明
[0045]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
[0046]
图1为本发明实施例提供的数控车床控制信号设置方法流程图；
[0047]
图2为本发明实施例提供的设置系统结构框图。
[0048]
图中的标号分别表示如下：
[0049]
1-数据处理单元；2-模型构建单元；3-模型应用单元。
具体实施方式
[0050]
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。
[0051]
如图1所示，本发明提供了一种基于神经网络的数控车床控制信号设置方法，包括以下步骤：
[0052]
步骤s1、获取车床加工零件的加工部位特征，以控制稳定性和控制效率性为优化目标的优化算法为车床加工零件设定与加工部位特征适配的数控车床控制信号；
[0053]
所述获取车床加工零件的加工部位特征，包括：
[0054]
分别获取车床加工零件的加工部位在加工前的三维特征，以及车床加工零件的加工部位在加工后期望的三维特征；
[0055]
将所述加工前的三维特征中各特征分量和所述加工后期望的三维特征中各特征分量进行相似度检测，并将相似度低于预设阈值的所有特征分量作为所述加工部位特征。
[0056]
所述相似度的计算公式为：
[0057][0058]
式中，pi为加工前的三维特征中第i个特征分量与加工后期望的三维特征中第i个特征分量的相似度，xi为加工前的三维特征中第i个特征分量，yi为加工后期望的三维特征中第i个特征分量，i为计量常数。
[0059]
所述加工前的三维特征中各特征分量与所述加工后期望的三维特征中各特征分量均一一对应。
[0060]
三维特征包含该加工位置处的三个维度上的形状特征、坐标特征、曲度特征等特征分量，加工前的三维特征中第i个特征分量与加工后期望的三维特征中第i个特征分量的相似度越小，则表明第i个特征分量在加工前后变化越大，即第i个特征分量在加工分析制定车床控制信号时越为重要，因此将加工前后变化较大的一系列特征分量汇总构成加工部位特征，保证在设定数控车床控制信号时拥有充分的特征数量同时实现了加工特征的降维筛选。
[0061]
步骤s2、利用神经网络以加工部位特征与数控车床控制信号进行卷积训练得到根据加工部位特征测算数控车床控制信号的信号设置模型；
[0062]
所述以控制稳定性和控制效率性为优化目标的优化算法为车床加工零件设定与加工部位特征适配的数控车床控制信号，包括：
[0063]
构建以控制稳定性为优化目标的目标函数，所述以控制稳定性为优化目标的目标函数的函数表达式为：
[0064][0065]
式中，h为以控制稳定性为优化目标的目标函数值，sj为加工所述加工部位中第j
个加工位置的数控车床控制信号，n为所述加工部位中加工位置的总数量，j为计量常数，min为最小化运算符；
[0066]
构建以控制效率性为优化目标的目标函数，所述以控制效率性为优化目标的目标函数的函数表达式为：
[0067][0068]
tj＝t(sj)；
[0069]
式中，f为以控制效率性为优化目标的目标函数值，tj为利用所述加工部位中第j个加工位置的数控车床控制信号在第j个加工位置处所费的加工时长，t(sj)为tj的计算函数；
[0070]
构建求解目标函数的约束条件，所述约束条件的函数表达式为：
[0071][0072]
式中，zj为加工部位中第j个加工位置的三维特征，d(sj)为加工所述加工部位中第j个加工位置的数控车床控制信号与加工部位中第j个加工位置的加工部位特征的转换函数，s
min
、s
max
分别为数控车床控制信号的调控最小值和调控最大值；
[0073]
基于约束条件求解所述以控制稳定性为优化目标的目标函数和以控制效率性为优化目标的目标函数得到与加工部位特征适配的数控车床控制信号。
[0074]
数控车床控制信号包括加工工艺路线、工艺参数、刀具的运动轨迹、位移量、切削参数以及辅助功能等。
[0075]
所述信号设置模型的获得方法包括：
[0076]
将所述加工部位特征作为神经网络的输入项，将所述加工部位中各加工位置的数控车床控制信号作为神经网络的输出项，利用所述神经网络基于所述输入项和所述输出项进行卷积训练得到所述信号设置模型；
[0077]
所述信号设置模型的模型表达式为：
[0078]
[sj]n＝model([zj]n)；
[0079]
式中，[sj]n为加工部位中各加工位置的数控车床控制信号，[zj]n为加工部位中各加工位置的加工部位特征，model为神经网络。
[0080]
首先利用以控制稳定性和控制效率性为优化目标的优化算法进行数控车床控制信号的求解，得到的数控车床控制信号能够使数控机床在加工时兼顾稳定性和效率性，进而将优化算法求得的数控机床控制信号作为神经网络的训练样本，再利用神经网络对优化算法求得的数控机床控制信号进行卷积训练学习到加工部位特征和数控机床控制信号的映射关系，后续可以直接利用神经网络训练出的信号设置模型进行数控车床控制信号的测算，无需在一步步进行优化算法的计算，简化数据车床控制信号的设定过程，而且神经网络训练的样本是由优化算法得到，因此信号设置模型实质上是对优化算法的一个抽象概括，则信号设置模型得到的数据车床控制信号也同样实现了控制稳定性和控制效率性的双目标兼顾。
[0081]
步骤s3、将待加工车床加工零件的加工部位特征输入至信号设置模型得到待加工车床加工零件的数控车床控制信号，以实现稳定且高效加工待加工车床加工零件的加工部位。
[0082]
将待加工车床加工零件的加工部位特征输入至信号设置模型得到待加工车床加工零件的数控车床控制信号，包括：
[0083]
获取待加工车床加工零件的加工部位特征，并将待加工车床加工零件的在各加工位置处的加工部位特征输入至信号设置模型得到待加工车床加工零件在各加工位置处的数控车床控制信号。
[0084]
所述加工部位特征中各特征分量均进行归一化处理，以消除量纲误差。
[0085]
所述数控车床控制信号与加工部位特征依据加工位置相对应，即第j个加工位置的数控车床控制信号能够加工实现第j个加工位置的加工部位特征。
[0086]
基于上述数控车床控制信号设置方法，本发明提供了一种设置系统，包括：
[0087]
数据处理单元1，用于获取车床加工零件的加工部位特征，以控制稳定性和控制效率性为优化目标的优化算法为车床加工零件设定与加工部位特征适配的数控车床控制信号；
[0088]
模型构建单元2，用于利用神经网络以加工部位特征与数控车床控制信号进行卷积训练得到根据加工部位特征测算数控车床控制信号的信号设置模型；
[0089]
模型应用单元3，用于将待加工车床加工零件的加工部位特征输入至信号设置模型得到待加工车床加工零件的数控车床控制信号。
[0090]
本发明利用神经网络以加工部位特征与数控车床控制信号进行卷积训练得到根据加工部位特征测算数控车床控制信号的信号设置模型，利用模型设定控制信号以实现稳定且高效加工待加工车床加工零件的加工部位，提高加工零件的适配性，最终提高加工零件的加工准确度。
[0091]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。