智能线切割慢走丝设备的控制方法及其系统与流程

本技术涉及智能控制领域，且更为具体地，涉及一种智能线切割慢走丝设备的控制方法及其系统。

背景技术：

1、经过不断的优化改进和长期的实践发展,往复走丝电火花线切割机床实现了多次切割工艺的广泛应用。目前国内市场上通用的该类机床,都是基于人工经验现场调试并确定后的加工工艺数据库控制加工精度, 机床的整个加工过程是静态的, 对同一加工件中不同材质、不同厚度的放电要求不能实时自动调节,导致部分工件切割面的加工精度和粗糙度达不到要求,需二次或多次加工修正，加工效率低下。

2、因此，期望一种智能线切割慢走丝设备的控制方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种智能线切割慢走丝设备的控制方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出惯性负载和摩擦负载的时序协同关联变化和所述伺服电机的功率时序变化之间的映射关系，以此来基于所述惯性负载和所述摩擦负载的变化情况来自适应地控制伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。

2、根据本技术的一个方面，提供了一种智能线切割慢走丝设备的控制方法，其包括：获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值；将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量；将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量；融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量；基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的伺服电机的功率值应增大或应减小。

3、在上述智能线切割慢走丝设备的控制方法中，将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量，包括：将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度惯性负载时序特征向量和所述第一邻域尺度摩擦负载时序特征向量分别与所述第二邻域尺度惯性负载时序特征向量和所述第二邻域尺度摩擦负载时序特征向量进行级联以得到所述惯性负载时序特征向量和所述摩擦负载时序特征向量。其中，将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量；其中，所述第一卷积公式为：其中，为第一卷积核在方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一卷积核的尺寸， 表示所述惯性负载输入向量和所述摩擦负载输入向量，表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码；以及，将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量；其中，所述第二卷积公式为：其中，为第二卷积核在方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二卷积核的尺寸，表示所述惯性负载输入向量和所述摩擦负载输入向量，表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码。

4、在上述智能线切割慢走丝设备的控制方法中，融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量，包括：以如下级联公式来融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；其中，所述级联公式为：其中， 表示所述惯性负载时序特征向量，表示所述摩擦负载时序特征向量，表示级联函数，表示所述全负载时序特征向量。

5、在上述智能线切割慢走丝设备的控制方法中，将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量，包括：使用所述一维卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述一维卷积神经网络的最后一层的输出为所述功率时序特征向量，所述一维卷积神经网络的第一层的输入为所述多个预定时间点的伺服电机的功率值按照时间维度排列的功率输入向量。

6、在上述智能线切割慢走丝设备的控制方法中，所述基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵，包括：构造所述全负载时序特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。

7、在上述智能线切割慢走丝设备的控制方法中，还包括对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练；其中，对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练，包括：获取预定时间段内多个预定时间点的训练惯性负载和训练摩擦负载，所述多个预定时间点的伺服电机的训练功率值，以及，所述当前时间点的伺服电机的功率值应增大或应减小的真实值；将所述多个预定时间点的训练惯性负载和训练摩擦负载分别按照时间维度排列为训练惯性负载输入向量和训练摩擦负载输入向量；将所述训练惯性负载输入向量和所述训练摩擦负载输入向量分别通过所述多尺度邻域特征提取模块以得到训练惯性负载时序特征向量和训练摩擦负载时序特征向量；融合所述训练惯性负载时序特征向量和所述训练摩擦负载时序特征向量以得到训练全负载时序特征向量；将所述多个预定时间点的伺服电机的训练功率值按照时间维度排列为训练功率输入向量后通过所述一维卷积神经网络模型以得到训练功率时序特征向量；基于高斯密度图，计算所述训练全负载时序特征向量相对于所述训练功率时序特征向量的响应性估计以得到训练分类特征矩阵；对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练。

8、在上述智能线切割慢走丝设备的控制方法中，对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练分类特征矩阵，包括：以如下强化公式对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化训练分类特征矩阵；其中，所述强化公式为：其中是所述训练分类特征矩阵，到是所述训练分类特征矩阵进行本征分解后得到的个本征值，为所述个本征值沿对角线排列所得到的本征单位化矩阵，且和都为对角矩阵，为所述本征单位化矩阵与所述训练分类特征矩阵之间的距离，表示矩阵乘法，表示矩阵加法，表示按位置点乘，为所述优化训练分类特征矩阵。

9、在上述智能线切割慢走丝设备的控制方法中，将所述训练分类特征矩阵通过分类器以得到分类损失函数值，包括：将所述训练分类特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类损失函数值。

10、根据本技术的另一方面，提供了一种智能线切割慢走丝设备的控制系统，其包括：数据获取模块，用于获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值；排列模块，用于将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量；多尺度邻域特征提取模块，用于将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量；融合模块，用于融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；一维卷积模块，用于将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量；响应性估计模块，用于基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；以及分类结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的伺服电机的功率值应增大或应减小。

11、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能线切割慢走丝设备的控制方法。

12、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能线切割慢走丝设备的控制方法。

13、与现有技术相比，本技术提供的一种智能线切割慢走丝设备的控制方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出惯性负载和摩擦负载的时序协同关联变化和所述伺服电机的功率时序变化之间的映射关系，以此来基于所述惯性负载和所述摩擦负载的变化情况来自适应地控制伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。