CN110221580B - 一种基于主轴数据仿真的进给速度优化方法 - Google Patents

Abstract

本发明属于数控相关技术领域，其公开了一种基于主轴数据仿真的进给速度优化方法，该优化方法包括以下步骤：(1)数控***解释器对零件的G代码进行逐行解析处理以得到数据块及带有行号的插补点文件，继而计算获得切削深度；(2)将得到的工艺参数作为输入，与所述工艺参数对应的实测主轴功率作为输出来构建主轴功率神经网络预测模型；同时构建多目标优化模型；(3)基于所述主轴功率神经网络预测模型、所述工艺参数及所述插补点文件来求解所述多目标优化模型的最优进给速度解集，继而根据实际加工需求在所述最优进给速度解集中选择最佳进给速度。本发明适用性较好，灵活性较好，且提高了精度，简便易于实施。

Description

一种基于主轴数据仿真的进给速度优化方法

技术领域

本发明属于数控相关技术领域，更具体地，涉及一种基于主轴数据仿真的进给速度优化方法。

背景技术

在数控车削过程中，工艺参数作为基本的控制量，对加工效率、加工精度、机床和刀具的性能有着重要的影响。在传统的车削加工中，工艺参数通常是根据经验或者查找手册或者进行试切的方法进行选择的，这并不能保证选定的切削参数在进行切削加工时具有最佳或接近最佳的切削性能。因此，为提高车削加工效率，加工精度，降低刀具负载，减少生产成本，进行数控切削参数优化的研究具有重要的现实意义。

在批量生产过程中，调节进给速度和优化刀具轨迹是常见的优化方法。其中，优化刀路轨迹需要通过CAD/CAM仿真软件进行反复的修正，需要耗费大量的时间，而调节进给速度相对而言较为方便，进给速度会影响切削力的大小，增大进给速度通常会造成切削力的增大。进给速度较小时难以充分提升加工效率，而过大的切削力会影响刀具寿命，且切削力的测量通常需要外接传感器，仪器价格昂贵，使用较为不便。

目前，国内外学者已经在机床加工仿真方向进行了一定的研究，包括复杂加工过程的CAD/CAM的仿真、多轴数控加工过程的仿真、加工路径规划方面的仿真以及刀具寿命的仿真等，如非专利文献《数控车床切削仿真***的研究与开发》规划和设计了数控切削仿真***，但是这种仿真大都停留在几何仿真层面，多用于建模后的实验验证环节，又如非专利文献《基于切削参数和刀具状态的切削功率模型》建立了切削力模型并进行了仿真验证。关于车削工艺参数优化的研究，国内外研究学者已经建立了很多优化模型，其中有针对单个目标进行优化的模型，也有针对两个或者两个以上目标建立的多目标优化模型。然而，虽然这些方法可以在一定程度上对工艺参数进行优化，但是仍然存在很多局限性，如：

(1)对于刀具寿命、切削力以及材料去除率等目标的建模，研究人员多使用经验公式，不能针对特定的机床进行建模，其优化的结果与实际结果往往有一定的偏差，精度较低。

(2)采用加权法将多目标转为单目标问题求解时，确定权重系数的难度较大，每次只能获得一个解，不能一次性提供多种参考方案，实现难度较大，适用性不佳。

(3)大多优化方法得到的优化后的解需要通过重新修改G代码才能使用，并且在一次加工中只能得到有限的一个或者几个工艺参数组合，不能根据加工的实际情况如加工圆弧、圆锥等对参数进行对应调整，灵活性及适用性较弱。相应地，本领域存在着发展一种适用性较好的基于主轴数据仿真的进给速度优化方法的技术需求。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于主轴数据仿真的进给速度优化方法，其基于现有车削工艺参数的优化特点，研究及设计了一种适用性较好的基于主轴数据仿真的进给速度优化方法。所述优化方法从G代码中提取工艺参数，并将提取出来的工艺参数作为输入、经过实测得到的主轴功率作为输出，基于神经网络建立主轴功率仿真模型，并以最大化加工效率和最小化主轴功率波动为目标，以机床、刀具承受能力为约束条件构建多目标优化模型，采用多目标算法求解所述多目标优化模型，以得到进给速度的pareto解，提供了多种进给速度的方案，适用性及灵活性均较好，且提高了精度，简便易于实施。

为实现上述目的，按照本发明的一个方面，提供了一种基于主轴数据仿真的进给速度优化方法，该优化方法主要包括以下步骤：

(1)数控***解释器对样本零件的G代码进行逐行解析处理以得到数据块及带有行号的插补点文件，继而计算获得切削深度；其中所述数据块包括进给速度、主轴转速及回转半径；

(2)将得到的工艺参数作为输入，与所述工艺参数对应的实测主轴功率作为输出来构建主轴功率神经网络预测模型，所述主轴功率神经网络预测模型用于根据接收到的工艺参数来预测主轴功率；同时构建多目标优化模型，所述多目标优化模型的目标函数为：

式中，t^j为第j次优化后的加工时间；N为行号，共Num行；

为第j次迭代中第N行第k个行程点的进给速度；l_N为第N行的行程点的数量；

为首次仿真时第N行的加工时间；P_m为平均功率；var为均方差；n为行程离散点的个数；P_i为第i个行程点处的预测主轴功率；

(3)对待优化零件的G代码进行解析处理以得到工艺参数及插补点文件，由此，基于所述主轴功率神经网络预测模型、新得到的工艺参数及插补点文件来求解所述多目标优化模型的最优进给速度解集，继而根据实际加工需求在所述最优进给速度解集中选择最佳进给速度。

进一步地，基于所述数据块、零件的加工类型及毛坯尺寸数据，以行程为单位逐行计算获得所述切削深度；所述样本零件与待优化零件为同类型的零件，且采用了相同的加工环境进行加工。

进一步地，所述多目标优化模型的约束条件为：

P_i≤ηP_max (5)

式中，f_min、f_max分别为刀具说明书中记载的进给量的最小值及最大值；F为进给速度；n_w为主轴转速；f_r为每转进给量；F^N表示第N个行程点处的进给速度；a为刀具移动的最大加速度；S^N为进给速度变化的最小加减速距离；L^N为第N个行程点和第N-1个行程点之间的刀具行程长度；η为安全系数；P_max为刀具能承受的最大功率。

进一步地，所述多目标优化模型的迭代终止条件为：

iter＝iter_max (8)

式中，t_j-1为第j-1次迭代的预测加工时间；e_t、e_var分别为预设的加工时间和主轴功率方差的最小提升阈值；iter_max为最大迭代次数；iter为当前的迭代次数；var_j-1表示第j-1次迭代时的预测主轴功率方差。

进一步地，步骤(2)中，数控***进行以得到的工艺参数组合的正交实验，并采集得到所述实测主轴功率。

进一步地，所述主轴功率神经网络预测模型的网络结构为双隐层，每个隐层包含四个节点。

进一步地，将工艺参数输入所述主轴功率神经网络预测模型，所述主轴功率神经网络预测模型预测出每次迭代的主轴功率，进一步可以计算出主轴功率的方差。

进一步地，采用所述插补点文件能够预测出每次迭代的加工时间。

进一步地，基于所述主轴功率神经网络预测模型，采用多目标进化算法对所述多目标优化模型进行求解以得到最优进给速度解集。

进一步地，采用多目标进化算法求解所述多目标优化模型以得到最优进给速度解集，所述多目标算法包括遗传算法、粒子群算法及模拟退火法等。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于主轴数据仿真的进给速度优化方法主要具有以下有益效果：

1.数控***解释器对零件的G代码进行逐行解析处理以得到数据块及带有行号的插补点文件，继而计算获得切削深度，从G代码中提取工艺参数，并基于主轴功率神经网络预测模型预测主轴功率，继而实现对G代码中进给速度的优化，无需进行实际运行，灵活性较好，适用性较强，节省了时间，降低了成本。

2.基于所述主轴功率神经网络预测模型、所述工艺参数及所述插补点文件来求解所述多目标优化模型的最优进给速度解集，继而根据实际加工需求在所述最优进给速度解集中选择最佳进给速度，提供了多种进给速度的方案，可根据各目标的优先级别来进行灵活选择，适用性较强。

3.基于所述主轴功率神经网络预测模型，采用NSGA-II算法对所述多目标优化模型进行求解以得到最优进给速度解集，避免了难度较大的确定权重系数的问题，简单易行，有利于推广应用。

4.本发明只对进给速度进行优化，没有修改刀路轨迹，且不需要对G代码进行修改，使得加工圆弧、圆锥面等非稳态切削处的进给速度更加合理。

附图说明

图1是本发明较佳实施方式提供的基于主轴数据仿真的进给速度优化方法的流程示意图；

图2中的(a)、(b)、(c)及(d)分别是图1中的基于主轴数据仿真的进给速度优化方法涉及的从G代码中提取的进给速度、主轴转速、切深及回转半径随指令行的变化曲线；

图3是图1中的基于主轴数据仿真的进给速度优化方法涉及的神经网络的结构示意图；

图4是图1中的基于主轴数据仿真的进给速度优化方法涉及的采用主轴功率仿真模型得到的预测功率与实际功率的对比示意图；

图5是图1中的基于主轴数据仿真的进给速度优化方法涉及的NSGA---II算法的流程示意图；

图6是采用图5中的NSGA---II算法求解图1中的基于主轴数据仿真的进给速度优化方法所涉及的多目标优化模型得到的Pareto解集；

图7是以提高加工效率优先时，采用图1中的基于主轴数据仿真的进给速度优化方法得到的优化前后进给速度的对比示意图；

图8是以提高加工效率优先时，采用图1中的基于主轴数据仿真的进给速度优化方法得到的优化前后主轴预测功率的对比示意图；

图9是以提高加工效率优先时，采用图1中的基于主轴数据仿真的进给速度优化方法得到的优化前后主轴实际功率的对比示意图；

图10是以提高加工效率优先时，采用图1中的基于主轴数据仿真的进给速度优化方法得到的主轴预测功率与主轴实测功率的对比示意图；

图11是以降低功率波动优先时，采用图1中的基于主轴数据仿真的进给速度优化方法得到的优化前后进给速度的对比示意图；

图12是以降低功率波动优先时，采用图1中的基于主轴数据仿真的进给速度优化方法得到的优化前后主轴预测功率的对比示意图；

图13是以降低功率波动优先时，采用图1中的基于主轴数据仿真的进给速度优化方法得到的优化前后主轴实际功率的对比示意图；

图14是以降低功率波动优先时，采用图1中的基于主轴数据仿真的进给速度优化方法得到的主轴预测功率与主轴实际功率的对比示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅图1及图2中的(a)、(b)、(c)及(d)图，本发明提供的基于主轴数据仿真的进给速度优化方法，所述优化方法主要包括以下步骤：

步骤一，数控***解释器对样本零件的G代码进行逐行解析处理以得到数据块，并基于所述数据块、零件的加工类型及毛坯尺寸数据，以行程为单位逐行计算获得切削深度；其中，所述数据块包括进给速度、主轴转速及回转半径。

具体地，零件的G代码在进入数控***后，数控***解释器会对所述G代码进行译码、程序段语法分析等处理，在数控***解释器完成译码后会根据加工的类型来调用不同的处理函数，通过输出中间变量就可获得加工类型。在数控***解释器完成对G代码的处理后可得到一个数据块及插补点文件，从所述数据块中可以得到G代码行号、进给速度、主轴转速、每一段加工的起始和终止文件、走刀线段类型等；在所述插补点文件中，每1ms输出一个插补点。其中，常见的车削加工包括简单车削加工、固定循环加工及复合循环加工，对于固定循环加工和复合循环加工，数控***解释器会将指令拆成小段，如将外圆柱面固定循环指令经数控***解释器调用宏程序后生成四段直线段。

数控***中数据信号是按照时间序列生成输出的，但是由于首次仿真加工的时间和优化后的加工时间不同，在进行功率预测时无法以时间作为对齐基准，本实施方式以刀具行程(刀具各时刻移动距离累计量)作为对齐标准。

结合所述数据块、加工类型和毛坯尺寸数据，基于指令行以行程为单位分加工类型逐行计算工艺参数切削深度和材料去除量，由此得到工艺参数切削深度、进给速度、主轴转速、回转半径、材料去除量等。

步骤二，将得到的工艺参数作为输入，与所述工艺参数对应的实测主轴功率作为输出来构建主轴功率神经网络预测模型，所述主轴功率神经网络预测模型用于根据接收到的工艺参数来预测主轴功率；同时构建多目标优化模型，所述多目标优化模型的目标函数为：

式中，t^j为第j次优化后的加工时间；N为行号，共Num行；

为第j次迭代中第N行第k个行程点的进给速度；l_N为第N行的行程点的数量；

为首次仿真第N行的加工时间；P_m为平均功率；var为均方差；n为行程离散点的个数；P_i为第i个行程点处的预测功率。

所述多目标优化模型的约束条件为：

P_i≤ηP_max (5)

式中，f_min、f_max分别为刀具说明书中记载的进给量的最小值及最大值；F为进给速度；n_w为主轴转速；f_r为每转进给量；F^N表示第N个行程点处的进给速度；a为刀具移动的最大加速度；S^N为进给速度变化的最小加减速距离；L^N为第N个行程点和第N-1个行程点之间的刀具行程长度；η为安全系数；P_max为刀具能承受的最大功率。

所述多目标优化模型的迭代终止条件为：

iter＝iter_max (8)

式中，t_j-1为第j-1次迭代的预测加工时间；e_t、e_var分别为预设的加工时间和主轴功率方差的最小提升阈值；iter_max为最大迭代次数；iter为当前的迭代次数；var_j-1表示第j-1次迭代时的预测主轴功率方差。

具体地，进行以得到的工艺参数组合的正交实验，将从G代码中提取出的工艺参数作为输入，采集到的主轴功率作为输出，利用各轴实际位置和指令行号等数控***内部数据进行对齐，针对特定刀具、特定材料建立以工艺参数为输入，以对应的主轴功率为输出的主轴功率神经网络预测模型。其中，将G代码中提取的工艺参数信息作为神经网络的输入即可实现主轴功率的预测，进一步可实现不依赖于实际加工的车削工艺参数优化。

请参阅图3及图4，所述主轴功率神经网络预测模型的网络结构为双隐层，每个隐层包含四个节点，输入包括主轴转速、进给速度、切削深度及回转半径，输出为主轴功率。此外，采用了34组测试数据对所述主轴功率神经网络预测模型进行验证，结果显示34组测试数据的平均误差为4.21％，准确度较高，满足准确性要求。

所述多目标优化模型的优化目标有提升加工效率和降低主轴功率波动性，以加工时间来衡量加工效率，数控***在进行速度规划时是按照1ms的周期进行离散的，加工时间t为插补点数和离散周期的乘积，即：

t⁰＝n⁰·1 (9)

式中，t⁰为首次仿真时间，其单位为ms；n⁰为首次仿真插补点个数。

由于加工过程按照离散的行程点优化，而加工时每行行程点的个数不变，由此计算第j次优化后的加工时间。此外，本实施方式的优化对象主要是切削过程中的进给速度，若进给速度过大会导致机床稳定性差、机床振动、表面出现振纹等不良后果；而进给速度过小会引起效率低下，并可能降低刀具寿命，故需要将进给速度控制在一个合适的范围内。另外，由于进给速度的突变可能会造成刚性冲击，影响加工质量，降低了机床刀具寿命，因此需使得进给速度平滑过滤，以保证进给速度变化时所需要的加减速距离小于相应的刀具行程；在一次加工过程中，主轴功率最大的位置是机床负载最大的位置，即切削用量的极限位置，优化进给速度后，所有功率应小于刀具所能承受的最大功率。

步骤三，对待优化零件的G代码进行解析处理以得到工艺参数及插补点文件，由此，基于所述主轴功率神经网络预测模型、新得到的工艺参数及插补点文件来求解所述多目标优化模型的最优进给速度解集，继而根据实际加工需求在所述最优进给速度解集中选择最佳进给速度。

请参阅图5，具体地，采用多目标进化算法求解所述多目标优化模型以得到最优进给速度解集，其中多目标进化算法包括GA(遗传算法)、PSO(粒子群算法)及SA(模拟退火法)等；本实施方式中，采用NSGA-II算法来求解获得最优进给速度解集。本实施方式中，所述样本零件与待优化零件为同类型的零件，且采用了相同的加工环境进行加工。

其中，将工艺参数输入所述主轴功率神经网络预测模型，所述主轴功率神经网络预测模型可以预测出每次迭代的主轴功率，进一步可以计算出主轴功率的方差，而采用插补点文件可以预测出每次迭代的加工时间，反复迭代输出最优进给速度解集，根据实际加工的不同需求而选择不同的进给速度。

采用NSGA-II算法进行求解时，需要设置交叉率、突变率和最大迭代次数；在约束条件内随机初始化、进行快速非支配排序、选择新种群、交叉、变异，利用所述主轴功率神经网络预测模型预测出主轴功率，并估算出新的进给速度下的加工时间，进行上述操作反复迭代直至满足迭代终止条件，具体包括以下步骤：

S1，根据公式(3)及主轴转速计算满足切削刀具条件的各行程点处进给速度的极限值

和

S2，在满足公式(3)及公式(4)的条件下对进给速度进行随机初始化。

S3，对种群进行快速非支配排序。

S4，选择适合繁衍的父代种群

其中N为种群数量，i为当前迭代次数。

S5，对父代种群进行变异及交叉操作以生成子代种群

S6，采用所述主轴功率神经网络预测模型预测主轴功率并估算新的加工时间。

S7，判断是否满足迭代终止条件，若不满足，将生成的子代种群和父代种群合并，即新种群为Rⁱ＝POP^i-1∪Q^i-1，返回步骤S3，否则停止迭代，生成进给速度的Pareto解集F＝{F₁，F₂，…F_N}，其中N为种群数量。根据加工效率优先或主轴功率平稳性优先选择进给速度最优解F_i∈F。

S8，对F_i进行平滑处理，比较初始值和优化后的结果。

请参阅图6，在加工效率优先和主轴功率优先时分别自图中选择合适的进给速度。请参阅图7、图8、图9及图10，在以加工效率优先时，结果表明加工效率提升约25％，功率波动增加约9％。请参阅图11、图12、图13及图14，在以降低功率波动优先时，结果表明加工时间基本不变，功率波动下降约44％。

本发明提供的基于主轴数据仿真的进给速度优化方法，其只对进给速度进行优化，没有修改刀路轨迹，不需要重新对G代码进行修改，使得加工圆弧、圆锥面等非稳态切削处的进给速度更加合理，灵活性更好，适用性更强，且方法简单，易于实施。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于主轴数据仿真的进给速度优化方法，其特征在于，该优化方法包括以下步骤：

(1)数控***解释器对样本零件的G代码进行逐行解析处理以得到数据块，继而计算获得切削深度；其中所述数据块包括进给速度、主轴转速及回转半径；

(2)将得到的工艺参数作为输入，与所述工艺参数对应的实测主轴功率作为输出来构建主轴功率神经网络预测模型，所述主轴功率神经网络预测模型用于根据接收到的工艺参数来预测主轴功率；同时构建多目标优化模型，所述多目标优化模型的目标函数为：

式中，t^j为第j次优化后的加工时间；N为行号，共Num行；

为第j次迭代中第N行第k个行程点的进给速度；l_N为第N行的行程点的数量；

为首次仿真时第N行的加工时间；P_m为平均功率；var为均方差；n为行程离散点的个数；P_i为第i个行程点处的预测主轴功率；

(3)采用所述数控***解释器对待优化零件的G代码进行解析处理以得到工艺参数及插补点文件，由此，基于所述主轴功率神经网络预测模型、新得到的工艺参数及插补点文件来求解所述多目标优化模型的最优进给速度解集，继而根据实际加工需求在所述最优进给速度解集中选择最佳进给速度。

2.如权利要求1所述的基于主轴数据仿真的进给速度优化方法，其特征在于：基于所述数据块、零件的加工类型及毛坯尺寸数据，以刀具行程为单位逐行计算获得所述切削深度。

3.如权利要求1所述的基于主轴数据仿真的进给速度优化方法，其特征在于：所述多目标优化模型的约束条件为：

P_i≤ηP_max (5)

式中，f_min、f_max分别为刀具说明书中记载的进给量的最小值及最大值；F为进给速度；n_w为主轴转速；f_r为每转进给量；F^N表示第N个行程点处的进给速度；a为刀具移动的最大加速度；s^N为进给速度变化的最小加减速距离；L^N为第N个行程点和第N-1个行程点之间的刀具行程长度；η为安全系数；P_max为刀具能承受的最大功率。

4.如权利要求3所述的基于主轴数据仿真的进给速度优化方法，其特征在于：所述多目标优化模型的迭代终止条件为：

iter＝iter_max (8)

式中，t_j-1为第j-1次迭代的预测加工时间；e_t、e_var分别为预设的加工时间和主轴功率方差的最小提升阈值；iter_max为最大迭代次数；iter为当前的迭代次数；var_j-1表示第j-1次迭代时的预测主轴功率方差。

5.如权利要求1所述的基于主轴数据仿真的进给速度优化方法，其特征在于：步骤(2)中，进行以得到的工艺参数组合的正交实验，并采集得到所述实测主轴功率。

6.如权利要求1所述的基于主轴数据仿真的进给速度优化方法，其特征在于：所述主轴功率神经网络预测模型的网络结构为双隐层，每个隐层包含四个节点。

7.如权利要求1所述的基于主轴数据仿真的进给速度优化方法，其特征在于：将工艺参数输入所述主轴功率神经网络预测模型，所述主轴功率神经网络预测模型预测出每次迭代的主轴功率，进一步可以计算出主轴功率的方差。

8.如权利要求7所述的基于主轴数据仿真的进给速度优化方法，其特征在于：采用所述插补点文件能够预测出每次迭代的加工时间。

9.如权利要求1所述的基于主轴数据仿真的进给速度优化方法，其特征在于：基于所述主轴功率神经网络预测模型，采用多目标进化算法对所述多目标优化模型进行求解以得到最优进给速度解集。

10.如权利要求1所述的基于主轴数据仿真的进给速度优化方法，其特征在于：采用多目标进化算法求解所述多目标优化模型以得到最优进给速度解集，所述多目标进化算法包括遗传算法、粒子群算法及模拟退火法。

Images