一种数控机床多层次认知模型

本发明涉及设备分析与智能化，具体为一种数控机床多层次认知模型，是一种多层次、多维度的数控机床能力认知模型。

背景技术：

1、数控机床作为工业母机，是制造业的根基。数控机床作为制造业的基础装备和能力提供单元，其状态的好坏不仅影响数控机床的生产效率，还将影响代加工零部件的加工质量及生产进度。随着智能制造及工业4.0、中国制造2025等相关政策的落地与实施，结合新一代信息通信技术，实现生产设备、生产过程以及生产系统的智能化成为当前的研究趋势。因此，如何结合新一代信息通信技术，构建数控机床的认知能力，提高数控机床的智能化水平及自适应能力，成为当前智能制造的一个关键问题。

2、目前，针对数控机床的智能化研究成为了研究热点，例如专利cn108107841a公开了一种包含物理空间、数字孪生数字空间和数字孪生映射模型的数控机床数字孪生建模方法，主要解决了多领域的、面向对象的、基于组件的机床数字模型建模方法，并通过数字孪生模型的分析能力实现了数据的传输、数据的分析以及智能化服务。例如文献《a methodof nc machine tools intelligent monitoring system in smart factories》提出了一种数据与控制流的双向集成框架，以获取的加工过程大数据以及提取的重要信息为基础，实现数控机床运行的状态监控与数据处理。但当前的研究多偏向于建模或者单一方面的认知研究，缺乏系统的认知模型指导数控机床的智能化建设与自适应能力的持续提升。

技术实现思路

1、针对现有技术的不足，本发明提供一种数控机床多层次认知模型，包括执行层、认知层以及高级认知层三个层次；

2、所述执行层包括数控机床、工作台、机床主轴、刀具以及各种传感器，实现制造任务的执行与制造数据的采集；

3、所述认知层包括感知层、存储层以及处理层三个功能层，分别实现数控机床制造过程的数据感知、数据存储以及数据的预处理功能；

4、所述高级认知层包括分析层、决策层和学习层三个功能层，分别实现数控机床制造过程的动态分析、动态决策以及决策方案中知识学习功能。

5、进一步的，所述感知层通过数控系统、多种传感器以及现场执行人员实现加工过程的数据采集，实现数控机床的动态感知；所述感知层所感知的数据包括但不限于以下类型：弯矩、扭矩、电流、功率、震动、声发射、温度、切削三要素。

6、进一步的，所述存储层利用边缘端的计算机实现制造过程中的大数据的缓存、存储以及与云平台的传输对接，实现数控机床制造过程边缘端的数据存储、数据管理以及数据安全；所述存储层包括状态数据库以及知识库，所述状态数据存储数控机床运行过程采集的实时及历史数据，所述知识库存储制造单元执行的规则、知识数据。

7、进一步的，所述处理层对数控机床制造过程中采集的数据进行预处理，以提高制造大数据的数据质量，支撑数控机床的高层认知；所述处理层包括但不限于以下数据处理功能：标准化、归一化、数据降噪、数据滤波、特征提取。

8、进一步的，所述分析层对数控机床制造过程进行仿真以及分析，从而获取数控机床、刀具、夹具的运行状态以及加工零件的质量状态，支撑保质保量的高效生产；所述分析层中的分析方法包括仿真分析、机理分析、数据分析、演化分析；所述分析层实现刀具磨损、刀具剩余寿命、零件表面质量、夹持力、数控机床负载的认知功能。

9、进一步的，所述决策层针对制造过程中存在的问题进行动态决策，以提高生产系统的自适应能力；所述决策层以制造过程中的问题为触发条件，以数控机床的认知结果为依据，实现工艺参数优化、走刀轨迹优化、负载优化以及刀具优选决策，实现数控机床的优化生产。

10、进一步的，所述学习层对决策方案中的知识进行挖掘，持续提升数控机床的智能化水平；在数控机床的执行方案与优化方案中包含隐性知识，包括专家经验、工艺知识，通过学习层的分类、归纳、推理、演绎方式实现隐性知识的挖掘，以支持数控机床的执行效率与加工质量的持续提升。

11、进一步，所述数控机床多层次认知模型中包含认知分析环和认知学习环，分别实现数控机床制造过程中的动态分析与数控机床制造过程中的知识挖掘与积累，提升数控机床的自适应能力与智能化水平。

12、进一步，所述数控机床认知分析环为：执行-感知-存储-处理-分析-决策-执行；通过上述的六个认知分析过程之间的相互协同，构建了数控机床认知分析环，实现了数控机床制造过程中的动态执行、动态感知、动态分析以及动态决策，提高数控机床的自适应能力。

13、进一步，所述数控机床认知学习环为：学习-分析-决策-执行-学习；通过上述的四个认知学习过程之间的相互协同，构建了数控机床认知学习环，实现数控机床制造任务及方案中的知识挖掘，获取优化的工艺参数、刀具优选规则等制造知识，持续提升数控机床的智能化水平。

14、所述数控机床多层次认知模型不仅可以应用于数控机床的智能化提升，还可以应有制造系统或者生产系统的智能化提升。

15、有益效果

16、本发明构建的数控机床认知模型，系统地将数控机床的认知活动分为7层，将数控机床的认知活动统一到一个认知模型中，并通过对7层的介绍与说明，可以有效指导数控机床的认知能力构建与持续提升。通过数控机床认知模型中的认知分析环，支撑了制造单元制造过程中的动态分析，提高了制造单元的动态感知与动态响应能力。通过数控机床认知模型中的认知学习环，实现了数控机床执行方案中的知识挖掘，实现了数控机床的知识积累，从而支撑数控机床认知能力持续提升。通过数控机床认知模型可以为数控机床的状态监控、动态分析、运行维护、优化决策以及知识积累提供更加准确与智能的方法。

17、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种数控机床多层次认知模型，其特征在于：包括执行层、认知层以及高级认知层；

2.根据权利要求1所述一种数控机床多层次认知模型，其特征在于：所述感知层通过数控系统、多种传感器以及现场执行人员实现加工过程的数据采集，实现数控机床的动态感知；所述感知层所感知的数据包括但不限于以下类型：弯矩、扭矩、电流、功率、震动、声发射、温度、切削三要素。

3.根据权利要求1所述一种数控机床多层次认知模型，其特征在于：所述存储层利用边缘端的计算机实现制造过程中的大数据的缓存、存储以及与云平台的传输对接，实现数控机床制造过程边缘端的数据存储、数据管理以及数据安全；所述存储层包括状态数据库以及知识库，所述状态数据存储数控机床运行过程采集的实时及历史数据，所述知识库存储制造单元执行的规则、知识数据。

4.根据权利要求1所述一种数控机床多层次认知模型，其特征在于：所述处理层对数控机床制造过程中采集的数据进行预处理，以提高制造大数据的数据质量，支撑数控机床的高层认知；所述处理层包括但不限于以下数据处理功能：标准化、归一化、数据降噪、数据滤波、特征提取。

5.根据权利要求1所述一种数控机床多层次认知模型，其特征在于：所述分析层对数控机床制造过程进行仿真以及分析，从而获取数控机床、刀具、夹具的运行状态以及加工零件的质量状态，支撑保质保量的高效生产；所述分析层中的分析方法包括仿真分析、机理分析、数据分析、演化分析；所述分析层实现刀具磨损、刀具剩余寿命、零件表面质量、夹持力、数控机床负载的认知功能。

6.根据权利要求1所述一种数控机床多层次认知模型，其特征在于：所述决策层针对制造过程中存在的问题进行动态决策，以提高生产系统的自适应能力；所述决策层以制造过程中的问题为触发条件，以数控机床的认知结果为依据，实现工艺参数优化、走刀轨迹优化、负载优化以及刀具优选决策，实现数控机床的优化生产。

7.根据权利要求1所述一种数控机床多层次认知模型，其特征在于：所述学习层对决策方案中的知识进行挖掘，持续提升数控机床的智能化水平；在数控机床的执行方案与优化方案中包含隐性知识，包括专家经验、工艺知识，通过学习层的分类、归纳、推理、演绎方式实现隐性知识的挖掘，以支持数控机床的执行效率与加工质量的持续提升。

8.根据权利要求1所述一种数控机床多层次认知模型，其特征在于：所述数控机床多层次认知模型中包含认知分析环和认知学习环，分别实现数控机床制造过程中的动态分析与数控机床制造过程中的知识挖掘与积累，提升数控机床的自适应能力与智能化水平。

9.根据权利要求8所述一种数控机床多层次认知模型，其特征在于：所述数控机床认知分析环为：执行-感知-存储-处理-分析-决策-执行；通过上述的六个认知分析过程之间的相互协同，构建了数控机床认知分析环，实现了数控机床制造过程中的动态执行、动态感知、动态分析以及动态决策，提高数控机床的自适应能力。

10.根据权利要求8所述一种数控机床多层次认知模型，其特征在于：所述数控机床认知学习环为：学习-分析-决策-执行-学习；通过上述的四个认知学习过程之间的相互协同，构建了数控机床认知学习环，实现数控机床制造任务及方案中的知识挖掘，获取优化的工艺参数、刀具优选规则等制造知识，持续提升数控机床的智能化水平。

技术总结
本发明提供一种数控机床多层次认知模型，包括执行层、认知层以及高级认知层三个层次；认知层又包括感知层、存储层以及处理层三个功能层，高级认知层又包括分析层、决策层和学习层三个功能层；最终将数控机床的认知活动分为7层，7层形成了认知模型中的认知分析环和认知学习环。通过认知分析环，支撑了制造单元制造过程中的动态分析，提高了制造单元的动态感知与动态响应能力。通过认知学习环，实现了数控机床执行方案中的知识挖掘，实现了数控机床的知识积累，从而支撑数控机床认知能力持续提升。通过数控机床认知模型可以为数控机床的状态监控、动态分析、运行维护、优化决策以及知识积累提供更加准确与智能的方法。

技术研发人员：蒋腾远,罗翔,周竞涛,王明微
受保护的技术使用者：西北工业大学
技术研发日：
技术公布日：2024/1/13