CN107589723B - 一种数控机床铣削加工稳定性的动-静态优化方法 - Google Patents
一种数控机床铣削加工稳定性的动-静态优化方法 Download PDFInfo
- Publication number
- CN107589723B CN107589723B CN201710786443.1A CN201710786443A CN107589723B CN 107589723 B CN107589723 B CN 107589723B CN 201710786443 A CN201710786443 A CN 201710786443A CN 107589723 B CN107589723 B CN 107589723B
- Authority
- CN
- China
- Prior art keywords
- machine tool
- code
- stability
- dynamic
- codes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000003801 milling Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 49
- 230000003068 static effect Effects 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 6
- 238000005520 cutting process Methods 0.000 claims description 75
- 238000003754 machining Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000005316 response function Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 102220349549 c.73G>A Human genes 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 102200115810 rs1800458 Human genes 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本发明公开了一种数控机床铣削加工稳定性的动‑静态优化方法,本发明基于机床状态自决策专家***和稳定性叶瓣图,实现对铣削加工工艺NC代码的静态和动态优化。具体步骤如下:利用分布无线传感***对机床运行参数进行实时采集,并将得到的参数输入数据库中。机床状态自决策专家***对实时数据信息进行学习、融合,并更新机床状态参数并针对NC代码建立加工稳定性叶瓣图。在此基础上,开展机床铣削加工工艺的静态和动态优化。该方法针对NC代码开展铣削加工工艺优化,相对传统优化方法更加快捷方便,并且可有效保证加工效率,对各种不同控制***的多轴联动数控机床具有很好的通用性。
Description
技术领域
本发明属于计算机数控铣削加工技术领域。本发明涉及一种数控机床铣削加工稳定性的动-静态优化方法。特别涉及基于稳定性叶瓣图优化NC代码的一种方法。
背景技术
在航空、航天、船舶、模具及汽车等领域的复杂零件制造中,零件加工精度、表面质量及刀具磨损等有依赖于加工工艺参数的合理选择。数控切削加工过程优化涵盖三方面的内容:数控切削加工工艺的优化,如通过选择合适的机床、装夹方案来达到提高加工效率的目的;刀具轨迹优化,在数控编程时通过刀具路径规划与优化来尽可能避免刀具轨迹的突然变化,尽可能保持住主轴运动的稳定性,尽可能使刀具路径最短;切削参数优化,在满足各种约束条件的前提下,通过切削参数优化使材料去除速率实现最大化。
目前有关切削参数优化的研究主要集中在把切削力、动静态变形等作为约束条件,对刀具几何、刀轴倾角、主轴转速、径向切深、轴向切深、每齿进给量进行优化。近年来,Budak等人提出了无颤振最大材料去除率目标下的最有轴向与径向切深的计算方法,Altinas等人提出基于铣削过程仿真和颤振稳定性预报的NC主轴转速和进给率的优化方法。张臣等人对加工过程中切削用量变化较大的复杂零件铣削加工工艺参数优化问题,提出了基于仿真数据的数控铣削加工多目标变参数优化方法,在求解问题时使用了离散方法,以切削力、转速等为约束条件,以加工效率和利益为目标函数。
但是上述使用方法都是从仿真入手,效果并不太明显。因为数控加工最终还是将会落脚到NC代码上面。
发明内容
针对上述的现象中存在的不足之处,本发明结合刀具轨迹优化和切削参数优化的特点,从NC程序代码入手提出一种数控机床铣削加工稳定性的动-静态优化方法。
为了实现上述目的,本发明采用的技术方案如下:
一种数控机床铣削加工稳定性的动-静态优化方法包括如下步骤:
S1、在机床主轴、刀身安装位移传感器、力传感器和加速度传感器采集机床动态参数;
S2、将采集的数据传输到数据库中;
S3、利用基于BP神经网络的自决策专家***对采集的数据进行学习、融合和更新;
S4、对采集的数据进行特征信息提取,输出动态固有频率、模态参数和切削力系数,生成实时铣削加工的稳定性叶瓣图;
S5、查找NC代码获得加工工艺参数带入稳定性叶瓣图进行稳定域判断是否需要优化NC代码,若需要优化则择一或同时执行步骤S6、S7;
S6、以加工效率为目标函数,对离线输入的加工工艺NC代码进行静态离线优化,静态离线优化的目的是在加工工件之前,对待加工的NC代码进行优化而得到良好的加工效果;
S7、以加工效率为目标函数,对当前加工NC代码进行加工参数的动态在线优化,动态在线优化的目的是实现边优化边加工。
以稳定性叶瓣图曲线为优化条件,以加工效率为优化目标,使其最大化为优化目的地进行NC代码的优化。
若执行步骤S6,则所述步骤S5中查找NC代码为遍历所有的NC代码;
若执行步骤S7,则所述步骤S5中查找NC代码为识别当前运行的NC代码。
具体地,判断是否需要优化NC代码的判断过程为:将加工工艺参数带入稳定性叶瓣图,观察这些加工工序是否在稳定区域内,加工工艺参数包括主轴转速、轴向切深;
(a)若在稳定区域内,则不需要优化NC代码;
(b)若不在稳定区域内,判断为存在风险工序参数,则需要优化,以NC代码中存在的风险工序参数为优化目标。
进一步地,所述优化NC代码方式为:修改NC代码中的风险工序参数生成新的NC代码。
进一步地,优化NC代码后,还包括步骤:
S8、新生成的NC代码由***自带的通信功能传输到数控机床,传给加工中心。
进一步地,所述稳定性叶瓣图的生成过程为:
S401、采用谱分析获取刀尖位置的频响函数;
S402、由自决策专家***得到动态固有频率、切削力系数以及模态参数质量M、阻尼C、刚度K;
S403、生成稳定性叶瓣图。
更进一步地,识别当前运行的NC代码获得加工工艺参数的过程为:
S501、对当前运行的NC代码进行地址代码读取;
S502、将地址代码输出至数据库中获取切削力系数和刀具参数。
另外,BP神经网络的输入向量为 其中,分别为位移信号、加速度信号和切削力信号的均值,σ1 2、σ2 2分别为位移信号和加速度信号的标准差,Δy3为切削力信号的差分数值。
另外,所述采集的数据通过无线方式传输到数据采集盒中。
与现有技术相比,本发明具有以下有益效果:
本发明分别采取在线优化和离线优化的方式,从NC代码入手结合稳定性叶瓣图进行代码的优化。本发明的特点在于在NC代码中优化参数,比传统的优化方法更加快捷方便,而且加工效率得到提升。因为大部分加工的问题最终都会落脚到NC程序代码上面,所以采用NC代码的优化方式,加工效果得到改善。
附图说明
图1为本发明的方法流程图。
图2为本发明传感器的安装示意图。
图3为本发明的多传感器数据融合决策神经网络结构图。
图4为本发明的自决策专家***结构图。
图5为本发明的静态离线优化NC代码流程图。
图6为本发明的动态在线NC代码优化流程。
图7为优化前后效果对比图。
具体实施方式
下面结合实施例和附图对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1-7所示,一种数控机床铣削加工稳定性的动-静态优化方法,包括如下步骤:
S1、在机床主轴、刀身安装位移传感器、力传感器和加速度传感器采集机床动态参数;
S2、将采集的数据通过无线方式传输到数据库中;
S3、利用基于BP神经网络的自决策专家***对采集的数据进行学习、融合和更新;
S4、对采集的数据进行特征信息提取,输出动态固有频率、模态参数和切削力系数,生成实时铣削加工的稳定性叶瓣图;
S5、查找NC代码获得加工工艺参数带入稳定性叶瓣图进行稳定域判断是否需要优化NC代码,若需要优化则择一或同时执行步骤S6、S7;
S6、以加工效率为目标函数,对离线输入的加工工艺NC代码进行静态离线优化,静态离线优化的目的是在加工工件之前,对待加工的NC代码进行优化而得到良好的加工效果;
S7、以加工效率为目标函数,对当前加工NC代码进行加工参数的动态在线优化,动态在线优化的目的是实现边优化边加工;
S8、新生成的NC代码由***自带的通信功能传输到数控机床,传给加工中心。
以稳定性叶瓣图曲线为优化条件,以加工效率为优化目标,使其最大化为优化目的地进行NC代码的优化。
若执行步骤S6,则所述步骤S5中查找NC代码为遍历所有的NC代码;
若执行步骤S7,则所述步骤S5中查找NC代码为识别当前运行的NC代码。
具体地,优化NC代码方式为:修改NC代码中的风险工序参数生成新的NC代码。
对于步骤S1和S2,采集的模块包括分布的位移传感器、力传感器和加速度传感器、数据采集盒、数据采集卡以及便携式计算机等。
传感器将采集的数据无线输送至数据采集盒,数据采集盒内的电荷放大器将传感器输入的电荷信号进行放大、转换和滤波以提高信噪比;数据采集卡完成对信号数据的放大、A/D转换并通过USB总线把采集的数据传递给便携式计算机;便携式计算机是处理数据的核心,完成数据的分析处理工作。并通过USB总线与机床CNC数控***接口相连,将处理好的信息数据输送到机床CNC数控***中进行工件的加工。
对信号的采集如图2所示,1-力传感器,2-位移传感器,3-加速度传感器,4-工件,5-数据采集***,在刀柄-主轴结合处和刀身各位置安装位移、力、加速度,这些传感器采用无线发送的方式将采集的信号传动到便携式计算机中进行处理分析。
针对步骤S3,自决策专家***使得数据库具有自动更新数据的自学习的功能,即通过更新以前加工工件保存的数据信息得到现加工所需的信息,如各种刀具的动态特性、材质和几何参数、机床刀具***和机床工件***的动态特性参数等。
使用采集的信号如位移、振动加速度、切削力信号作为特征状态信息量输入BP神经网络,BP神经网络的输入向量为 其中,分别为位移信号、加速度信号和切削力信号的均值,σ1 2、σ2 2分别为位移信号和加速度信号的标准差,Δy3为切削力信号的差分数值。乘积项反映了特征状态之间的相互制约和共同激励作用,信号的单一特征量作为整体输入向量的一个分量,反映了特征状态之间的互补性,将单一特征参量和它们的乘积项作为一个特征向量输入BP神经网络进行加工状态的识别时,又反映了状态之间或特征参量之间的相关性。如图3所示。
经过特征信息的提取存储,建立典型特征样本库,经过训练BP神经网络,建立训练好的BP神经网络库进行预测,使得自决策专家***具有自学习的功能模块。如图4所示。
生成稳定性叶瓣图,此颤振解析预测方法得到切削试验和数值仿真结果的广泛验证,可为数控加工工艺人员和操作人员进行切削参数优化提供实践性的指导。
本实施例中,稳定性叶瓣图的生成过程为:
首先对刀尖点进行锤击实验,在刀身的末端放置加速度传感器,用力捶击刀身末端作为输入的激振力和加速度信号,将采集得到的信号输入到LMS数据采集***,采用谱分析获取刀尖位置的频响函数,为了提高刀尖位置的频响函数测试精度,在相同条件下,连续测试五次取平均值,由此得到模态参数质量M、阻尼C、刚度K。
针对选定的刀具-工件组合,实测若干组工艺参数下的切削力后标定模型中的切削力系数,得到切削力系数Kt和Kn;在本发明中,由于有自决策专家***,可以不用现场试验。根据以往的数据便能够得到构建稳定性叶瓣图所需的动态固有频率、模态参数和切削力系数。
设刀尖点频响函数为Φ(iw),即其中Φxx(iw),Φyy(iw)为直接传递函数,Φxy(iw),Φyx(iw)为交叉传递函数。通常情况下交叉传递函数可以忽略。在颤振频率为wc处的位移为F为铣削力,Ktc切向力系数,A0为方向系数的零级傅里叶展开式,ap为轴向切深。
令其行列式为0,得到特解,即闭环动态铣削***的特征方程:该特征方程的特征值为其中,N为正整数。
在求解特征值的时候往往不考虑交叉传递函数Φxy和Φyx。因为传递函数为复数,故其特征值包含实部和虚部,而轴向切深为实数,将Λ=ΛR+iΛI代入上式,可以得到在颤振频率wc处的临界轴向轴向切深,Wc是在固有频率附近选择的,是和固有频率有关的:
又因为临界轴向切深为实数,故上式必须为零,可得:式中,
又由于wcT=ε+2kπ,主轴转速可以通过求得刀齿切削周期得到:
当求得初始刀尖点频响函数、刀具-工件模态参数、切削力系数后,在主模态附近,即固有频率附近选择颤振频率wc,并求解特征方程式。计算临界轴向切深和主轴转速,扫描所有模态附近的颤振频率,利用Matlab绘制稳定性叶瓣图。由于无线传感器采集动态信号对数据库的不断扩充和更新,得到的稳定性叶瓣图也是一直更新的。根据数据库自动更新生成的稳定性叶瓣图。
对于普遍应用的西门子数控***而言,在NC代码初始时,找到代码中的刀具号,即代码地址为T,编号为0-32000。地址为D是某个刀具T补偿参数,编号为0-9。一个刀具最多有9个D号。当从NC代码中确定某一加工型号的刀具时,就可以从数据库中得到该刀具的所有参数。
由于有自我学习和自我决策的特点,将刀具参数输入***就可以得到稳定性叶瓣图所需的模态参数质量M、阻尼C、刚度K,切削力系数Kt和Kn,以及固有频率。根据以上数据可以生成稳定性叶瓣图。
数控加工中切削参数的确定原则与普通机床加工相同,根据切削原理中规定的方法以及机床的性能规定的允许值、刀具的耐用度来选择和计算,并结合实践经验确定。加工切削参数包括主轴转速、进给速度以及轴向切深和切削宽度。对粗、精加工,钻、铰、镗孔和攻螺纹等不同的切削用量,都应编写在程序单内。
对于其中轴向切深ap(mm),传统的用量主要由机床、刀具和零件***的刚度来决定。在刚度允许的情况下,尽可能使ap等于零件的加工余量,以减少走刀次数,提高加工效率。有时为了保证加工精度和表面质量,可留有一定的余量,最后精加工一刀。数控机床的精加工余量可较普通机床的精加工余量小。本发明对于轴向切深ap的用量主要参考基于NC程序代码得到所需参数而生成的稳定性叶瓣图。
对于静态离线优化,在NC代码中进行遍历扫描,找到加工参数中的轴向切深和切削宽度;然后再对NC代码进行遍历扫描,找到代码地址为S和F的指令。其中S指令表示主轴转速,对应G25和G26两个NC程序代码地址。其中G25代表主轴转速下限,NC代码中表现为G25S_;G26代表主轴转速上限,NC代码中表现为G26 S_。
F表示刀具/工件的进给速度,对应的是G94和G95两个代码地址。其中G94为直线进给率,单位是mm/min;G95为主轴进给率,也叫旋转进给率,单位是mm/r。
当逐个扫描找到NC代码中的这些参数时,把轴向切深和主轴转速放入到生成的稳定性叶瓣图中,观察这些加工工序是否在稳定区域内。如果在非稳定区域,修改NC代码中的风险工序参数。
轴向切深:减少每次的切削深度,增加走刀次数来保证原来的切深不变,但同时增加了切削的稳定性;进给率:适当减少铣刀的进给量,降低加工工序的风险;主轴转速:在降低切削深度的同时也可以降低或增加主轴的转速,两者相结合以保证加工的整个过程处于切削的稳定状态。
静态离线优化NC代码的目的在于对待加工工件的所有NC代码,预测其中可能出现的风险工序参数,对其进行一条条遍历,减少加工时工件质量不合格的可能性。如图5所示。
动态在线优化NC代码的目的在于对待加工工件当前运行的NC代码,在加工时进行当前加工段NC代码的优化。如图6所示。***根据自决策专家***自动更新生成稳定性叶瓣图,对加工的NC代码进行动态的优化。优化的判据也是根据稳定性叶瓣图进行判断。颤振稳定性叶瓣图对于选择切削参数非常重要。数控加工尤其是高速数控铣削加工时,根据颤振稳定性叶瓣图选取优化的切削参数,可确保无切削颤振的条件下实现高效切削。对NC代码进行动态在线优化目的与前者类似,区别在于对于动态在线优化是在机床加工零件的过程中进行的,是对当前正在运行的代码进行扫描判别,只是修改当前的NC代码。
进行动态在线NC代码优化的目的在于可以在加工是实时判别代码中存在的风险参数,及时作出代码修正,防止刀具的破损、机床的破坏和加工零件的失败,避免不必要的损失。识别当前运行的NC代码获得加工工艺参数的过程为:对当前运行的NC代码进行地址T读取,得到当前加工的刀具。将T代码传输到数据库中得到此刀具的详细加工工艺参数。
继续扫描读取当前NC代码中的F和S地址获得当前主轴转速和进给速度;判断加工情况是否在稳定区域,还需加工参数如切深和切宽。扫描读取当前代码获得ap或aw,结合主轴转速和轴向切深判断当前加工状况。若不在稳定区域内,输入代码M01,执行选择停止命令。执行M01命令即主轴的转动、进给、切削液都停止工作,以便进行某一手动操作。当操作结束后重启启动只需按“启动”键就可继续执行后面的程序。
优化当前NC代码中存在的不合理的加工工艺参数。切深:减少每次的切削深度,增加走刀次数来保证原来的切深不变,但同时增加了切削的稳定性;进给率:适当减少铣刀的进给量,降低加工工序的风险;主轴转速:在降低切削深度的同时也可以降低或增加主轴的转速,两者相结合以保证加工的整个过程处于切削的稳定状态。输入NC代码M48,即将要执行主轴速度和进给率调整有效命令。
当前的NC代码加工结束后,即结束当前加工工序;自动读取下一段的NC程序代码,进行下一工序的加工。如图6所示。
本发明是静-动态在线优化NC代码中的风险参数:转轴转速、每层切深和切宽、主轴进给速度或每齿进给量等等。它们每个参量形成相互之间的耦合关系对加工工件或机床寿命有重要影响,所以它们之间的平衡是在实际加工中必须要考虑的因素。基于此,我们以最大生产效率最目标函数。在机床、刀具和装夹方式已经确定的情况下,工艺***加工稳定性约束条件可表示为轴向切深、径向切深和主轴转速的函数,又因为加工***的稳定性与切削参数之间的关系很难显式表示,所以以稳定性叶瓣图曲线为约束条件。
以最大生产效率为优化目标,最大生产效率之单位时间内生产尽可能多的工件,或生产单个工件花费尽可能少的时间,在铣削过程中,考虑整个切削需要N层加工,那么单件产品的总生产时间可表示为:其中,TP,TL,Tai,Td,Tlife分别为准备时间,装卸时间,调节时间,换刀时间和刀具寿命,都为常数。Tmi表示每层加工时间。这样一来,T可以表示为加工层数N、每层切削深度api和材料去除速率MRRi。
而材料去除率可表示为轴向切削深度api、径向切削深度aei、主轴转速ni、每齿进给量fti及刀齿数M的函数:MRRi=niMapiaeifti。这样目标函数为
以目标函数T最大化为目标以稳定性叶瓣图曲线为约束条件s.t.lL(n,ap,ae,ft)≤1进行优化。
***将得到优化后的参数加入到原来的NC代码中,并将优化的NC代码通过***自带的通信功能传输到数控机床进行加工。
实例
本发明的方法在实际加工中进行了良好的验证工作,得到了较好的结果。表1是NC代码进行静态离线优化前后参数的对比。
表1
图7是利用本发明的方法得到稳定性叶瓣图优化前后效果对比图,其中A点是NC代码进行动态在线优化前处于失稳状态,B点是动态在线优化后处于稳定区域,可以看出提高了加工效率。
按照上述实施例,便可很好地实现本发明。值得说明的是,基于上述结构设计的前提下,为解决同样的技术问题,即使在本发明上做出的一些无实质性的改动或润色,所采用的技术方案的实质仍然与本发明一样,故其也应当在本发明的保护范围内。
Claims (9)
1.一种数控机床铣削加工稳定性的动-静态优化方法,其特征在于,包括如下步骤:
S1、在机床主轴、刀身安装位移传感器、力传感器和加速度传感器采集机床动态参数;
S2、将采集的数据传输到数据库中;
S3、利用基于BP神经网络的自决策专家***对采集的数据进行学习、融合和更新;
S4、对采集的数据进行特征信息提取,输出动态固有频率、模态参数和切削力系数,生成实时铣削加工的稳定性叶瓣图;
S5、查找NC代码获得加工工艺参数带入稳定性叶瓣图进行稳定域判断是否需要优化NC代码,若需要优化则择一或同时执行步骤S6、S7;
S6、以加工效率为目标函数,对离线输入的加工工艺NC代码进行静态离线优化;
S7、以加工效率为目标函数,对当前加工NC代码进行加工参数的动态在线优化。
2.根据权利要求1所述的一种数控机床铣削加工稳定性的动-静态优化方法,其特征在于,若执行步骤S6,则所述步骤S5中查找NC代码为遍历所有的NC代码;
若执行步骤S7,则所述步骤S5中查找NC代码为识别当前运行的NC代码。
3.根据权利要求1所述的一种数控机床铣削加工稳定性的动-静态优化方法,其特征在于,判断是否需要优化NC代码的判断过程为:将加工工艺参数带入稳定性叶瓣图,观察这些加工工序是否在稳定区域内,加工工艺参数包括主轴转速、轴向切深;
(a)若在稳定区域内,则不需要优化NC代码;
(b)若不在稳定区域内,则判断存在风险工序参数,需要优化。
4.根据权利要求1所述的一种数控机床铣削加工稳定性的动-静态优化方法,其特征在于,所述优化NC代码方式为:修改NC代码中的风险工序参数生成新的NC代码。
5.根据权利要求4所述的一种数控机床铣削加工稳定性的动-静态优化方法,其特征在于,优化NC代码后,还包括步骤:
S8、新生成的NC代码由***自带的通信功能传输到数控机床。
6.根据权利要求1所述的一种数控机床铣削加工稳定性的动-静态优化方法,其特征在于,所述稳定性叶瓣图的生成过程为:
S401、采用谱分析获取刀尖位置的频响函数;
S402、由自决策专家***得到动态固有频率、切削力系数以及模态参数质量M、阻尼C、刚度K;
S403、生成稳定性叶瓣图。
7.根据权利要求2所述的一种数控机床铣削加工稳定性的动-静态优化方法,其特征在于,识别当前运行的NC代码获得加工工艺参数的过程为:
S501、对当前运行的NC代码进行地址代码读取;
S502、将地址代码输出至数据库中获取切削力系数和刀具参数。
8.根据权利要求1所述的一种数控机床铣削加工稳定性的动-静态优化方法,其特征在于,所述BP神经网络的输入向量为{σ1 2,σ2 2,σ1 2·σ2 2,Δy3,},其中,分别为位移信号、加速度信号和切削力信号的均值,σ1 2、σ2 2分别为位移信号和加速度信号的标准差,Δy3为切削力信号的差分数值。
9.根据权利要求1所述的一种数控机床铣削加工稳定性的动-静态优化方法,其特征在于,所述采集的数据通过无线方式传输到数据采集盒中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710786443.1A CN107589723B (zh) | 2017-09-04 | 2017-09-04 | 一种数控机床铣削加工稳定性的动-静态优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710786443.1A CN107589723B (zh) | 2017-09-04 | 2017-09-04 | 一种数控机床铣削加工稳定性的动-静态优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107589723A CN107589723A (zh) | 2018-01-16 |
CN107589723B true CN107589723B (zh) | 2019-09-24 |
Family
ID=61050175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710786443.1A Active CN107589723B (zh) | 2017-09-04 | 2017-09-04 | 一种数控机床铣削加工稳定性的动-静态优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107589723B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256273B (zh) * | 2018-03-08 | 2021-08-03 | 南京理工大学 | 一种旋转超声钻削横向振颤稳定域预测方法 |
CN110007645B (zh) * | 2019-04-11 | 2020-11-03 | 华中科技大学 | 一种基于动力学及深度神经网络的进给***混合建模方法 |
CN111240265A (zh) * | 2019-12-26 | 2020-06-05 | 国营第六一六厂 | 一种数控加工切削工艺参数优化方法 |
CN112000011B (zh) * | 2020-08-12 | 2022-05-24 | 深圳市烨嘉为技术有限公司 | 小龙门数控加工中心的机电耦合分析与优化方法 |
CN112024998A (zh) * | 2020-09-03 | 2020-12-04 | 六安市华茂金属制品有限公司 | 一种智能化数控滚齿机滚刀切削状态检测方法 |
WO2022051973A1 (zh) * | 2020-09-10 | 2022-03-17 | 南京航空航天大学 | 基于小样本迁移学习的铣削机器人多模态频响预测方法 |
CN112379637B (zh) * | 2020-11-04 | 2021-10-08 | 华中科技大学 | 一种插铣加工参数优化方法、***、设备及介质 |
CN113820999B (zh) * | 2021-09-26 | 2023-04-07 | 南昌航空大学 | 基于神经网络和遗传算法的稳定铣削工艺参数优化方法 |
TWI828089B (zh) * | 2022-03-22 | 2024-01-01 | 國立中正大學 | 智慧刀把校正系統 |
CN117762086B (zh) * | 2024-02-22 | 2024-05-28 | 东莞市微振科技有限公司 | 机床参数处理方法、装置、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033509A (zh) * | 2011-01-18 | 2011-04-27 | 上海交通大学 | 数控机床误差虚拟补偿*** |
CN102873381A (zh) * | 2012-09-29 | 2013-01-16 | 西安交通大学 | 一种基于动力学模型的高速铣削工艺参数优化方法 |
CN105717864A (zh) * | 2016-03-16 | 2016-06-29 | 四川大学 | 基于修改nc程序的数控机床综合误差三阶优化补偿方法 |
-
2017
- 2017-09-04 CN CN201710786443.1A patent/CN107589723B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033509A (zh) * | 2011-01-18 | 2011-04-27 | 上海交通大学 | 数控机床误差虚拟补偿*** |
CN102873381A (zh) * | 2012-09-29 | 2013-01-16 | 西安交通大学 | 一种基于动力学模型的高速铣削工艺参数优化方法 |
CN102873381B (zh) * | 2012-09-29 | 2013-12-11 | 西安交通大学 | 一种基于动力学模型的高速铣削工艺参数优化方法 |
CN105717864A (zh) * | 2016-03-16 | 2016-06-29 | 四川大学 | 基于修改nc程序的数控机床综合误差三阶优化补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107589723A (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107589723B (zh) | 一种数控机床铣削加工稳定性的动-静态优化方法 | |
CN108594760B (zh) | 生产加工控制***、生产加工控制方法及存储设备 | |
EP3213161B1 (en) | Method for optimizing the productivity of a machining process of a cnc machine | |
CN106776712A (zh) | 基于i5智能数控车床的车削工艺数据库及其应用方法 | |
US8788083B2 (en) | Compensation for process variables in a numerically-controlled machining operation | |
CN112051799A (zh) | 一种机械加工自适应控制方法 | |
JP2009522682A (ja) | Gコードからstep−ncパートプログラムに変換する方法 | |
CN115562161B (zh) | 一种基于在线监测的刀具切削路径加工误差补偿方法 | |
CN101563661B (zh) | 加工控制装置 | |
JP2009509780A (ja) | 機械における加工プロセスの最適化のための方法 | |
CN105607579A (zh) | 一种机床加工智能节能控制方法及*** | |
CN114509991B (zh) | 考虑参数不确定的数控机床切削稳定性预测与优化方法 | |
Pereverzev et al. | Optimization of control programs for numerically controlled machine tools by dynamic programming | |
CN115755758A (zh) | 基于神经网络模型的机床加工控制方法 | |
CN110647108B (zh) | 数据驱动的数控车削元动作能耗预测方法 | |
Usubamatov et al. | Optimization of multi-tool machining processes with simultaneous action | |
CN107807526B (zh) | 一种基于稳定性仿真智能抑制加工颤振的方法 | |
KR101108211B1 (ko) | 복합선반용 파트프로그래밍 장치 및 복합 공정간 동기화 프로그램 생성방법 | |
CN109446721B (zh) | 基于标识符软件线程执行顺序排列的机床工艺交互算法 | |
Cai et al. | Cutter orientation planning in NC machining for surface similar to revolution body with considering kinematic characteristics | |
Park et al. | A study on the predictive maintenance of 5 axis CNC machine tools for cutting of large aircraft parts | |
Norman et al. | A sophisticated platform for characterization, monitoring and control of machining | |
Koren et al. | Design of a precision, agile line boring station | |
CN112241149B (zh) | 用于数控加工异形车花的加工控制方法 | |
Seethaler | Integrated planning, monitoring, and control of milling operations |
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 |