CN114952422A - 一种数控机床加工刀具状态实时预测方法 - Google Patents
一种数控机床加工刀具状态实时预测方法 Download PDFInfo
- Publication number
- CN114952422A CN114952422A CN202210636195.3A CN202210636195A CN114952422A CN 114952422 A CN114952422 A CN 114952422A CN 202210636195 A CN202210636195 A CN 202210636195A CN 114952422 A CN114952422 A CN 114952422A
- Authority
- CN
- China
- Prior art keywords
- data
- tool
- node
- fusion
- target
- 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.)
- Granted
Links
- 238000003754 machining Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 135
- 230000008859 change Effects 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种数控机床加工刀具状态实时预测方法,所述方法通过获取目标刀具对应的切削数据和定位数据;获取目标刀具对应的加工工件的结构变化数据,其中,切削数据、定位数据以及结构变化数据基于目标刀具对应的同一加工过程产生;对切削数据、定位数据以及结构变化数据进行多模态融合,得到目标刀具对应的融合轨迹数据;获取目标刀具对应的标准轨迹数据,根据标准轨迹数据和融合轨迹数据确定目标刀具对应的刀具状态。本发明可以实现自动识别数控机床的刀具状态,无需人为介入,节约了人力成本。解决了现有的刀具状态检测方法需要通过专业人员分析传感器数据,导致人力成本投入过多的问题。
Description
技术领域
本发明涉及数据处理领域,尤其涉及的是一种数控机床加工刀具状态实时预测方法。
背景技术
数控加工过程中的刀具状态包括正常状态,磨损、断裂、意外掉落等非正常状态,非正常状态的刀具会导致零件表面质量变差,尺寸超差、引起颤振,影响加工精度,增加加工成本。传统的数控加工刀具状态监测方法通过采集加工过程中传感器采集的各类信号,由专业人员根据采集到的传感器信号判定刀具状态,需要投入较多人力成本,不适合大规模的加工场景。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种数控机床加工刀具状态实时预测方法,旨在解决现有的刀具状态检测方法需要通过专业人员分析传感器数据,导致人力成本投入过多的问题。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种数控机床加工刀具状态实时预测方法,其中,所述方法包括:
获取目标刀具对应的切削数据和定位数据;
获取所述目标刀具对应的加工工件的结构变化数据,其中,所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生;
对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据;
获取所述目标刀具对应的标准轨迹数据,根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态。
在一种实施方式中,所述对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据,包括:
根据所述切削数据确定所述目标刀具对应的切削速度、切削时长以及切削方向变化数据,根据所述切削速度、所述切削时长以及所述切削方向变化数据确定所述目标刀具对应的刀具加工轨迹数据;
根据所述定位数据确定所述目标刀具对应的位置变化数据,根据所述位置变化数据确定所述目标刀具对应的刀具移动轨迹数据;
根据所述结构变化数据,确定所述目标刀具对应的刀位点移动轨迹数据;
对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合,得到所述融合轨迹数据。
在一种实施方式中,所述对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合,得到所述融合轨迹数据,包括:
获取所述目标刀具对应的进给量;
根据所述进给量确定所述刀具加工轨迹数据,所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的轨迹序列,其中,每一所述轨迹序列包括若干节点,除最后一个所述节点以外相邻两个所述节点对应的节点距离与所述进给量相等;
根据所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的所述轨迹序列,确定所述融合轨迹数据,其中,所述融合轨迹数据包括若干融合节点,每一所述融合节点的坐标基于三个所述节点的坐标确定,三个所述节点分别对应不同所述轨迹序列中的同一节点顺序位。
在一种实施方式中,每一所述融合节点对应的三个所述节点为第一节点、第二节点以及第三节点,其中,所述第一节点对应所述刀具加工轨迹数据,所述第二节点对应所述刀具移动轨迹数据,所述第三节点对应所述刀位点移动轨迹数据,每一所述融合节点的坐标的确定方法,包括:
根据所述第一节点和所述第三节点分别对应的坐标,确定矩形参考区域,其中,所述第一节点和所述第三节点分别位于所述矩形参考区域的对角线的两个端点;
判断所述第二节点是否位于所述矩形参考区域;
当所述第二节点位于所述矩形参考区域之内时,根据所述第二节点对应的坐标确定该融合节点对应的坐标;
当所述第二节点位于所述矩形参考区域之外时,根据校正节点对应的坐标确定该融合节点对应的坐标,其中,所述校正节点为所述矩形参考区域内与所述第二节点距离最近的坐标点。
在一种实施方式中,所述根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态,包括:
确定所述融合轨迹数据中各所述融合节点分别对应的注意力权重;
根据所述标准轨迹数据、所述融合轨迹数据以及各所述融合节点分别对应的所述注意力权重,确定各所述融合节点分别对应的偏差值,其中,每一所述融合节点对应的所述偏差值基于该融合节点对应的坐标偏差值和所述注意力权重的乘积确定,所述坐标偏差值用于反映该融合节点与所述标准轨迹数据中对应的标准节点之间的坐标差距;
根据各所述融合节点分别对应的偏差值,确定所述目标刀具对应的刀具状态。
在一种实施方式中,所述确定所述融合轨迹数据中各所述融合节点分别对应的注意力权重,包括:
将所述融合轨迹数据输入自注意力模块,得到所述融合轨迹数据中各所述融合节点分别对应的所述注意力权重,其中,除位于起点和终点的所述融合节点之外,每一所述融合节点对应的所述注意力权重与该融合节点对应的拐角的度数成反比关系。
在一种实施方式中,所述根据各所述融合节点分别对应的偏差值,确定所述目标刀具对应的刀具状态,包括:
根据各所述融合节点分别对应的所述偏差值,确定所述融合轨迹数据对应的整体偏差值;
根据所述整体偏差值与预设的状态类别数据库进行匹配,得到目标状态类别,其中,所述状态类别数据库包括若干状态类别,若干所述状态类别分别对应不同的偏差值区间;
根据所述目标状态类别,确定所述刀具状态。
第二方面,本发明实施例还提供一种数控机床加工刀具状态实时预测装置,其中,所述装置包括:
数据获取模块,用于获取目标刀具对应的切削数据和定位数据;
获取所述目标刀具对应的加工工件的结构变化数据,其中,所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生;
数据融合模块,用于对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据;
状态预测模块,用于获取所述目标刀具对应的标准轨迹数据,根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态。
第三方面,本发明实施例还提供一种终端,其中,所述终端包括有存储器和一个或者一个以上处理器;所述存储器存储有一个或者一个以上的程序;所述程序包含用于执行如上述任一所述的数控机床加工刀具状态实时预测方法的指令;所述处理器用于执行所述程序。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有多条指令,其中,所述指令适用于由处理器加载并执行,以实现上述任一所述的数控机床加工刀具状态实时预测方法的步骤。
本发明的有益效果:本发明实施例通过获取目标刀具对应的切削数据和定位数据;获取所述目标刀具对应的加工工件的结构变化数据,其中,所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生;对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据;获取所述目标刀具对应的标准轨迹数据,根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态。本发明可以实现自动识别数控机床的刀具状态,无需人为介入,节约了人力成本。解决了现有的刀具状态检测方法需要通过专业人员分析传感器数据,导致人力成本投入过多的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明中记载的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的数控机床加工刀具状态实时预测方法的流程示意图。
图2是本发明实施例提供的数控机床加工刀具状态实时预测装置的模块示意图。
图3是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了一种数控机床加工刀具状态实时预测方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
数控加工过程中的刀具状态包括正常状态,磨损、断裂、意外掉落等非正常状态,非正常状态的刀具会导致零件表面质量变差,尺寸超差、引起颤振,影响加工精度,增加加工成本。传统的数控加工刀具状态监测方法通过采集加工过程中传感器采集的各类信号,由专业人员根据采集到的传感器信号判定刀具状态,需要投入较多人力成本,不适合大规模的加工场景。
针对现有技术的上述缺陷,本发明提供一种数控机床加工刀具状态实时预测方法,所述方法通过获取目标刀具对应的切削数据和定位数据;获取所述目标刀具对应的加工工件的结构变化数据,其中,所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生;对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据;获取所述目标刀具对应的标准轨迹数据,根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态。本发明可以实现自动识别数控机床的刀具状态,无需人为介入,节约了人力成本。解决了现有的刀具状态检测方法需要通过专业人员分析传感器数据,导致人力成本投入过多的问题。
如图1所示,所述方法包括如下步骤:
步骤S100、获取目标刀具对应的切削数据和定位数据。
具体地,本实施例的目标刀具可以为任意一台数控机床上用于进行工件加工的刀具。由于目标刀具在不同的状态下采集到的切削数据和定位数据的特征不同,例如目标刀具在意外掉落的状态下,其切削路线或者移动路线将会与正常状态不同。因此本实施例需要获取目标刀具当前的切削数据和定位数据,用于后续分析目标刀具当前所处状态。
如图1所示,所述方法还包括如下步骤:
步骤S200、获取所述目标刀具对应的加工工件的结构变化数据,其中,所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生。
具体地,本实施例中的加工工件即为使用目标刀具进行加工的零件。可以理解的是,在同一加工过程中,目标刀具的切削数据、定位数据以及加工工件的结构变化数据三者之间是有关联关系的,加工工件的结构变化是目标刀具作用于加工工件上的结果,而目标刀具作用于加工工件过程实际是目标刀具在加工工件上进行移动、切削的过程。由于加工工件的结构变化数据可以变相反映目标刀具当前的加工轨迹,而目标刀具在正常状态下和非正常状态下的加工轨迹会有较大差别,因此本实施例也需要获取加工工件的结构变化数据用于辅助判定目标刀具的刀具状态。
如图1所示,所述方法包括如下步骤:
步骤S300、对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据。
简单来说,由于单一数据的分析结果的可靠性较差,因此本实施例选择采用多源的数据综合分析目标刀具当前的刀具状态。具体地,切削数据、定位数据以及结构变化数据是三种不同模态的数据,本实施例采用多模态融合的方法对三种模态的数据进行融合分析,以得到基于这三种数据生成的融合轨迹数据。由于融合轨迹数据是由三种模态的数据确定的,因此相较于单一模态数据生成的轨迹,融合轨迹数据可以更真实地反映目标刀具的实际轨迹。
在一种实现方式中,所述步骤S300可以采用多模态信息融合(MF)的方法执行,具体包括如下步骤:
通过LMF方法,根据所述切削数据、所述定位数据以及所述结构变化数据,确定所述切削数据、所述定位数据以及所述结构变化数据分别对应的多模态融合表示数据;
对各多模态融合表示数据统一进行self-attension,并输入预先构建的多模态transformer模型,得到预测的所述融合轨迹数据。
具体地,多模态融合是将来自多种不同模态的信息进行整合,用于分类任务或者回归任务。多模态融合入的优点在于:对于同一任务,能够应用多种模态的数据,可以做出更鲁棒的预测;模态之间可能会存在互补的信息;当其中一种模态数据缺失时,多模态***仍然可以运行。
在一种实现方式中,所述多模态transformer模型的模型结构为Low Rank Fusion与Multimodal Transformer的结合体。
在另一种实现方式中,所述步骤S300具体包括如下步骤:
步骤S301、根据所述切削数据确定所述目标刀具对应的切削速度、切削时长以及切削方向变化数据,根据所述切削速度、所述切削时长以及所述切削方向变化数据确定所述目标刀具对应的刀具加工轨迹数据;
步骤S302、根据所述定位数据确定所述目标刀具对应的位置变化数据,根据所述位置变化数据确定所述目标刀具对应的刀具移动轨迹数据;
步骤S303、根据所述结构变化数据,确定所述目标刀具对应的刀位点移动轨迹数据;
步骤S304、对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合,得到所述融合轨迹数据。
简单来说,为了实现多模态融合,本实施例首先需要将切削数据、定位数据以及结构变化数据转化为同一类型的数据,然后再对转化后的数据进行融合。具体地,将三种模态的数据均转化为用于反映目标刀具的轨迹信息的数据。其中,由于切削数据可以反映目标刀具的切削速度、切削时长以及切削方向变化数据,因此本实施例可以基于切削数据推算出目标刀具的刀具加工轨迹。由于定位数据可以反映目标刀具在不同时间点的位置,因此根据定位数据可以确定目标刀具的位置变化,进而确定刀具移动轨迹。而加工工件的结构变化数据可以反映加工工件上各个加工特征(即加工工件上可被加工位置)的结构变化的先后顺序,因此根据结构变化数据可以确定目标刀具在各个加工位置的落刀点顺序,进而得到目标刀具的刀位点移动轨迹数据。刀具加工轨迹数据、刀具移动轨迹数据以及刀位点移动轨迹数据三种轨迹数据都可以反映目标刀具在加工过程中的轨迹,本实施例将三种轨迹数据融合,得到融合轨迹数据。融合轨迹数据相较于三种轨迹数据中的任意一种数据都具有更高的可靠性,可以更真实地反映目标刀具的实际加工轨迹。
在一种实现方式中,所述步骤S304具体包括如下步骤:
步骤S3041、获取所述目标刀具对应的进给量;
步骤S3042、根据所述进给量确定所述刀具加工轨迹数据,所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的轨迹序列,其中,每一所述轨迹序列包括若干节点,除最后一个所述节点以外相邻两个所述节点对应的节点距离与所述进给量相等;
步骤S3043、根据所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的所述轨迹序列,确定所述融合轨迹数据,其中,所述融合轨迹数据包括若干融合节点,每一所述融合节点的坐标基于三个所述节点的坐标确定,三个所述节点分别对应不同所述轨迹序列中的同一节点顺序位。
简单来说,本实施例是采用节点融合的方式生成融合轨迹,因此,本实施例首先需要在三种轨迹数据中构建节点,即得到三种轨迹数据分别对应的轨迹序列。具体地,本实施例以目标刀具的进给量为单位长度在三种轨迹数据中构建节点。由于三种轨迹数据的总长度可能不相等,因此针对每一轨迹数据对应的轨迹序列,除了最后一个节点(即轨迹终点)以外,该轨迹序列中其他相邻两个节点之间的节点距离均与进给量相等。同理,融合轨迹数据也是由多个融合节点组成的,因此本实施例通过确定各融合节点的坐标,即得到融合轨迹数据。具体地,针对刀具加工轨迹数据、刀具移动轨迹数据以及刀位点移动轨迹数据这三种轨迹数据,同一节点顺序位上的节点是具有对应关系的,因此本实施例通过融合具有对应关系的三个节点得到一个融合节点的坐标。本实施例采用节点融合的方法可以降低个别节点坐标的计算偏差对计算结果的影响。
在一种实现方式中,每一所述融合节点对应的三个所述节点为第一节点、第二节点以及第三节点,其中,所述第一节点位于所述刀具加工轨迹数据中,所述第二节点位于所述刀具移动轨迹数据中,所述第三节点位于所述刀位点移动轨迹数据中,每一所述融合节点的坐标的确定方法,包括:
步骤S30431、根据所述第一节点和所述第三节点分别对应的坐标,确定矩形参考区域,其中,所述第一节点和所述第三节点分别位于所述矩形参考区域的对角线的两个端点;
步骤S30432、判断所述第二节点是否位于所述矩形参考区域;
步骤S30433、当所述第二节点位于所述矩形参考区域之内时,根据所述第二节点对应的坐标确定该融合节点对应的坐标;
步骤S30434、当所述第二节点位于所述矩形参考区域之外时,根据校正节点对应的坐标确定该融合节点对应的坐标,其中,所述校正节点为所述矩形参考区域内与所述第二节点距离最近的坐标点。
简单来说,由于刀具加工轨迹数据和刀位点移动轨迹数据都是间接反映目标刀具的移动轨迹,而刀具移动轨迹数据是直接反映目标刀具的移动轨迹,因此刀具移动轨迹数据相较于刀具加工轨迹数据和刀位点移动轨迹数据准确性更高,所以本实施例主要以刀具移动轨迹数据中的节点坐标为基础生成融合节点的坐标,刀具加工轨迹数据和刀位点移动轨迹数据中的节点坐标则是起到校正作用。具体地,为了区分不同轨迹数据中的节点,本实施例将刀具加工轨迹数据对应的节点定义为第一节点,将刀具移动轨迹数据对应的节点定义为第二节点,将刀位点移动轨迹数据对应的节点定义为第三节点。针对每一融合节点,首先确定与该融合节点位于同一节点顺序位上的第一节点、第二节点以及第三节点,判断第二节点是否位于第一节点和第三节点生成的矩形参考区域内,若第二节点位于矩形参考区域内,则表示第二节点的坐标有效,直接第二节点的坐标作为该融合节点的坐标;若第二节点位于矩形参考区域外,则表示第二节点的坐标可能具有较大测量误差,为了避免影响计算结果,放弃采用第二节点的坐标,根据矩形参考区域内与第二节点距离最近的坐标点生成该融合节点的坐标。本实施例在生成融合节点的过程中,包含了坐标校正的过程,进一步提高了融合轨迹数据的可靠性。
如图1所示,所述方法包括如下步骤:
步骤S400、获取所述目标刀具对应的标准轨迹数据,根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态。
具体地,本实施例中的标准轨迹数据用于反映目标刀具在正常状态下、且在同一工艺类型的加工过程中的移动轨迹。由于融合轨迹数据可以反映目标刀具当前的实际移动轨迹,因此通过比较融合轨迹数据和标准轨迹数据,可以分析出目标刀具当前的刀具状态。例如,若目标刀具当前的以外掉落状态,则其对应的融合轨迹数据和标准轨迹数据之间的会产生较大的偏差。
在一种实现方式中,所述步骤S400具体包括如下步骤:
步骤S401、确定所述融合轨迹数据中各所述融合节点分别对应的注意力权重;
步骤S402、根据所述标准轨迹数据、所述融合轨迹数据以及各所述融合节点分别对应的所述注意力权重,确定各所述融合节点分别对应的偏差值,其中,每一所述融合节点对应的所述偏差值基于该融合节点对应的坐标偏差值和所述注意力权重的乘积确定,所述坐标偏差值用于反映该融合节点与所述标准轨迹数据中对应的标准节点之间的坐标差距;
步骤S403、根据各所述融合节点分别对应的偏差值,确定所述目标刀具对应的刀具状态。
简单来说,本实施例在确定目标刀具当前的刀具状态时采用了注意力机制。具体地,本实施例首先需要根据标准轨迹数据和融合轨迹数据,计算各融合节点的偏差值。为了区分不同重要级别的融合节点,本实施例预先根据各融合节点的重要程度为其分配了注意力权重,每一融合节点的偏差值需要综合考量其自身的坐标偏差和注意力权重。针对每一融合节点,首先计算该融合节点与其对应的标准节点之间的坐标偏差值,然后再将坐标偏差值与该融合节点对应的注意力权重相乘,得到该融合节点的偏差值。由于各融合节点的偏差值可以反映融合轨迹数据相对标准轨迹数据的整体偏差,因此可以基于各融合节点的偏差值确定目标刀具当前的刀具状态。
在一种实现方式中,所述步骤S401具体包括如下步骤:
步骤S4011、将所述融合轨迹数据输入自注意力模块,得到所述融合轨迹数据中各所述融合节点分别对应的所述注意力权重,其中,除位于起点和终点的所述融合节点之外,每一所述融合节点对应的所述注意力权重与该融合节点对应的拐角的度数成正比关系。
简单来说,本实施例通过自注意力模块为每一融合节点分配注意力权重。其中,自注意力模块的工作原理为:处于拐弯点的融合节点的注意力权重大于处于直线上的融合节点的注意力权重。具体地,除了位于起点和终点的所述融合节点之外,针对每一融合节点,该融合节点对应的拐角为该融合节点对应的两个局部轨迹之间形成的夹角(该融合节点位于两个局部轨迹的交点上),拐角度数越小表示两个局部轨迹之间刀具的走向变化越大,因此本实施例中拐角度数越小的融合节点的注意力权重越高。
在一种实现方式中,所述步骤S403具体包括如下步骤:
步骤S4031、根据各所述融合节点分别对应的所述偏差值,确定所述融合轨迹数据对应的整体偏差值;
步骤S4032、根据所述整体偏差值与预设的状态类别数据库进行匹配,得到目标状态类别,其中,所述状态类别数据库包括若干状态类别,若干所述状态类别分别对应不同的偏差值区间;
步骤S4033、根据所述目标状态类别,确定所述刀具状态。
具体地,本实施例预先构建了一个状态类别数据库,该数据库中包含有多个偏差值区间,且每一偏差值区间分配有用于反映该偏差值区间对应的状态类别的标记数据。当根据各融合节点的偏差值计算出融合轨迹数据相对于标准融合轨迹的整体偏差值以后,即通过状态类别数据库判断整体偏差值落入哪一偏差值区间内,即得到整体偏差值对应的目标状态类别。该目标状态类别即反映了目标刀具当前的刀具状态。举例说明,整体偏差值落入0-15区间为正常状态,16-30区间为磨损状态,31-45为断裂状态,大于45为掉落状态。
基于上述实施例,本发明还提供了一种数控机床加工刀具状态实时预测装置,如图2所示,所述装置包括:
数据获取模块01,用于获取目标刀具对应的切削数据和定位数据;
获取所述目标刀具对应的加工工件的结构变化数据,其中,所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生;
数据融合模块02,用于对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据;
状态预测模块03,用于获取所述目标刀具对应的标准轨迹数据,根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态。
基于上述实施例,本发明还提供了一种终端,其原理框图可以如图3所示。该终端包括通过***总线连接的处理器、存储器、网络接口、显示屏。其中,该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现数控机床加工刀具状态实时预测方法方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图3中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一种实现方式中,所述终端的存储器中存储有一个或者一个以上的程序,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行数控机床加工刀具状态实时预测方法方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了一种数控机床加工刀具状态实时预测方法,所述方法通过获取目标刀具对应的切削数据和定位数据;获取所述目标刀具对应的加工工件的结构变化数据,其中,所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生;对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据;获取所述目标刀具对应的标准轨迹数据,根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态。本发明可以实现自动识别数控机床的刀具状态,无需人为介入,节约了人力成本。解决了现有的刀具状态检测方法需要通过专业人员分析传感器数据,导致人力成本投入过多的问题。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种数控机床加工刀具状态实时预测方法,其特征在于,所述方法包括:
获取目标刀具对应的切削数据和定位数据;
获取所述目标刀具对应的加工工件的结构变化数据,其中,所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生;
对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据;
获取所述目标刀具对应的标准轨迹数据,根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态。
2.根据权利要求1所述的数控机床加工刀具状态实时预测方法,其特征在于,所述对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据,包括:
根据所述切削数据确定所述目标刀具对应的切削速度、切削时长以及切削方向变化数据,根据所述切削速度、所述切削时长以及所述切削方向变化数据确定所述目标刀具对应的刀具加工轨迹数据;
根据所述定位数据确定所述目标刀具对应的位置变化数据,根据所述位置变化数据确定所述目标刀具对应的刀具移动轨迹数据;
根据所述结构变化数据,确定所述目标刀具对应的刀位点移动轨迹数据;
对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合,得到所述融合轨迹数据。
3.根据权利要求2所述的数控机床加工刀具状态实时预测方法,其特征在于,所述对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合,得到所述融合轨迹数据,包括:
获取所述目标刀具对应的进给量;
根据所述进给量确定所述刀具加工轨迹数据,所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的轨迹序列,其中,每一所述轨迹序列包括若干节点,除最后一个所述节点以外相邻两个所述节点对应的节点距离与所述进给量相等;
根据所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的所述轨迹序列,确定所述融合轨迹数据,其中,所述融合轨迹数据包括若干融合节点,每一所述融合节点的坐标基于三个所述节点的坐标确定,三个所述节点分别对应不同所述轨迹序列中的同一节点顺序位。
4.根据权利要求3所述的数控机床加工刀具状态实时预测方法,其特征在于,每一所述融合节点对应的三个所述节点为第一节点、第二节点以及第三节点,其中,所述第一节点对应所述刀具加工轨迹数据,所述第二节点对应所述刀具移动轨迹数据,所述第三节点对应所述刀位点移动轨迹数据,每一所述融合节点的坐标的确定方法,包括:
根据所述第一节点和所述第三节点分别对应的坐标,确定矩形参考区域,其中,所述第一节点和所述第三节点分别位于所述矩形参考区域的对角线的两个端点;
判断所述第二节点是否位于所述矩形参考区域;
当所述第二节点位于所述矩形参考区域之内时,根据所述第二节点对应的坐标确定该融合节点对应的坐标;
当所述第二节点位于所述矩形参考区域之外时,根据校正节点对应的坐标确定该融合节点对应的坐标,其中,所述校正节点为所述矩形参考区域内与所述第二节点距离最近的坐标点。
5.根据权利要求1所述的数控机床加工刀具状态实时预测方法,其特征在于,所述根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态,包括:
确定所述融合轨迹数据中各所述融合节点分别对应的注意力权重;
根据所述标准轨迹数据、所述融合轨迹数据以及各所述融合节点分别对应的所述注意力权重,确定各所述融合节点分别对应的偏差值,其中,每一所述融合节点对应的所述偏差值基于该融合节点对应的坐标偏差值和所述注意力权重的乘积确定,所述坐标偏差值用于反映该融合节点与所述标准轨迹数据中对应的标准节点之间的坐标差距;
根据各所述融合节点分别对应的偏差值,确定所述目标刀具对应的刀具状态。
6.根据权利要求5所述的数控机床加工刀具状态实时预测方法,其特征在于,所述确定所述融合轨迹数据中各所述融合节点分别对应的注意力权重,包括:
将所述融合轨迹数据输入自注意力模块,得到所述融合轨迹数据中各所述融合节点分别对应的所述注意力权重,其中,除位于起点和终点的所述融合节点之外,每一所述融合节点对应的所述注意力权重与该融合节点对应的拐角的度数成反比关系。
7.根据权利要求1所述的数控机床加工刀具状态实时预测方法,其特征在于,所述根据各所述融合节点分别对应的偏差值,确定所述目标刀具对应的刀具状态,包括:
根据各所述融合节点分别对应的所述偏差值,确定所述融合轨迹数据对应的整体偏差值;
根据所述整体偏差值与预设的状态类别数据库进行匹配,得到目标状态类别,其中,所述状态类别数据库包括若干状态类别,若干所述状态类别分别对应不同的偏差值区间;
根据所述目标状态类别,确定所述刀具状态。
8.一种数控机床加工刀具状态实时预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标刀具对应的切削数据和定位数据;
获取所述目标刀具对应的加工工件的结构变化数据,其中,所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生;
数据融合模块,用于对所述切削数据、所述定位数据以及所述结构变化数据进行多模态融合,得到所述目标刀具对应的融合轨迹数据;
状态预测模块,用于获取所述目标刀具对应的标准轨迹数据,根据所述标准轨迹数据和所述融合轨迹数据确定所述目标刀具对应的刀具状态。
9.一种终端,其特征在于,所述终端包括有存储器和一个或者一个以上处理器;所述存储器存储有一个或者一个以上的程序;所述程序包含用于执行如权利要求1-7中任一所述的数控机床加工刀具状态实时预测方法的指令;所述处理器用于执行所述程序。
10.一种计算机可读存储介质,其上存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行,以实现上述权利要求1-7任一所述的数控机床加工刀具状态实时预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636195.3A CN114952422B (zh) | 2022-06-07 | 2022-06-07 | 一种数控机床加工刀具状态实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636195.3A CN114952422B (zh) | 2022-06-07 | 2022-06-07 | 一种数控机床加工刀具状态实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114952422A true CN114952422A (zh) | 2022-08-30 |
CN114952422B CN114952422B (zh) | 2023-10-27 |
Family
ID=82959372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210636195.3A Active CN114952422B (zh) | 2022-06-07 | 2022-06-07 | 一种数控机床加工刀具状态实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114952422B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115576268A (zh) * | 2022-12-07 | 2023-01-06 | 深圳先进技术研究院 | 一种数控加工设备的跟随误差预测方法 |
CN117742242A (zh) * | 2023-12-26 | 2024-03-22 | 巨野县职业中等专业学校 | 一种数控机床动态调控方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6584415B1 (en) * | 1998-08-28 | 2003-06-24 | Mori Seiki Co., Ltd. | Method of creating tool wear data, estimating tool wear and judging use of tool |
CN113158503A (zh) * | 2021-01-20 | 2021-07-23 | 青岛黄海学院 | 一种复杂曲面零件切削加工变形预测方法 |
CN113569903A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 数控机床刀具磨损预测方法、***、设备、介质、终端 |
CN113927370A (zh) * | 2021-09-22 | 2022-01-14 | 南京理工大学 | 一种基于多源信号的产线用刀具剩余寿命实时云监测***及方法 |
CN114326593A (zh) * | 2021-12-16 | 2022-04-12 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测***及方法 |
-
2022
- 2022-06-07 CN CN202210636195.3A patent/CN114952422B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6584415B1 (en) * | 1998-08-28 | 2003-06-24 | Mori Seiki Co., Ltd. | Method of creating tool wear data, estimating tool wear and judging use of tool |
CN113158503A (zh) * | 2021-01-20 | 2021-07-23 | 青岛黄海学院 | 一种复杂曲面零件切削加工变形预测方法 |
CN113569903A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 数控机床刀具磨损预测方法、***、设备、介质、终端 |
CN113927370A (zh) * | 2021-09-22 | 2022-01-14 | 南京理工大学 | 一种基于多源信号的产线用刀具剩余寿命实时云监测***及方法 |
CN114326593A (zh) * | 2021-12-16 | 2022-04-12 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测***及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115576268A (zh) * | 2022-12-07 | 2023-01-06 | 深圳先进技术研究院 | 一种数控加工设备的跟随误差预测方法 |
CN115576268B (zh) * | 2022-12-07 | 2023-03-10 | 深圳先进技术研究院 | 一种数控加工设备的跟随误差预测方法 |
CN117742242A (zh) * | 2023-12-26 | 2024-03-22 | 巨野县职业中等专业学校 | 一种数控机床动态调控方法和*** |
CN117742242B (zh) * | 2023-12-26 | 2024-05-17 | 巨野县职业中等专业学校 | 一种数控机床动态调控方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN114952422B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114952422B (zh) | 一种数控机床加工刀具状态实时预测方法 | |
CN114237155B (zh) | 一种多轴数控加工的误差预测及补偿方法、***及介质 | |
CN105759718B (zh) | 数控机床热误差在线补偿方法及*** | |
US11467561B2 (en) | Automatic parameterisation of a laser cutting method | |
EP3379358B1 (en) | Control system, control device, control program, and control method | |
CN111226179A (zh) | 加工模拟的条件的适宜化方法、加工模拟装置、加工模拟***及程序 | |
JP6724847B2 (ja) | 制御装置、制御プログラム、制御システム、および制御方法 | |
US20140018939A1 (en) | Control device and system program | |
CN101477351A (zh) | 具有三级加工自优化功能的智能数控方法 | |
Martinov et al. | Real-time diagnosis and forecasting algorithms of the tool wear in the CNC systems | |
CN111665806A (zh) | 基于管理***的叶片气膜孔的加工方法、装置和管理*** | |
EP3864475B1 (en) | Method and system for monitoring tool wear to estimate rul of tool in machining | |
CN103069441A (zh) | 用于查验加工过程的对话***和方法 | |
US20170113369A1 (en) | Tool measurement device, tool measurement method and non-transitory computer readable medium for operating tool measurement method | |
CN114918739B (zh) | 一种机床主轴故障检测方法、装置、终端及存储介质 | |
CN115690405A (zh) | 一种基于机器视觉的加工轨迹优化方法及相关设备 | |
CN115384017A (zh) | 注塑生产调试***及方法 | |
CN111598364B (zh) | 用于机械零部件的数字化工艺编排*** | |
Zhang et al. | Error compensation model considering tool wear in milling difficult to cut materials | |
CN116174782A (zh) | 气缸盖精加工方法、气缸盖精加工尺寸控制方法及装置 | |
CN109623498A (zh) | 一种数控车床外置检测的智能修正补偿装置 | |
CN112809130B (zh) | 一种智能焊缝检测和轨迹规划方法及*** | |
CN115755762A (zh) | 一种五轴联动数控机床用工件表面光洁度智能检测方法 | |
CN115808901A (zh) | 数控机床的温度补偿方法、***及介质 | |
CN115576268B (zh) | 一种数控加工设备的跟随误差预测方法 |
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 |