CN116275600B - 一种激光切割机的智能化切割数据处理方法、装置及设备 - Google Patents
一种激光切割机的智能化切割数据处理方法、装置及设备 Download PDFInfo
- Publication number
- CN116275600B CN116275600B CN202310564551.XA CN202310564551A CN116275600B CN 116275600 B CN116275600 B CN 116275600B CN 202310564551 A CN202310564551 A CN 202310564551A CN 116275600 B CN116275600 B CN 116275600B
- Authority
- CN
- China
- Prior art keywords
- surface roughness
- deviation
- nozzle
- roughness
- calibration
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 69
- 238000003698 laser cutting Methods 0.000 title claims abstract description 60
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 230000003746 surface roughness Effects 0.000 claims abstract description 279
- 238000000034 method Methods 0.000 claims abstract description 122
- 238000001514 detection method Methods 0.000 claims abstract description 92
- 230000008569 process Effects 0.000 claims abstract description 84
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000005259 measurement Methods 0.000 claims description 27
- 230000009471 action Effects 0.000 claims description 24
- 230000001681 protective effect Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 230000033001 locomotion Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000003754 machining Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/36—Removing material
- B23K26/38—Removing material by boring or cutting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/70—Auxiliary operations or equipment
- B23K26/702—Auxiliary equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mechanical Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Fluid Mechanics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明属于激光切割控制技术领域，具体提供一种激光切割机的智能化切割数据处理方法、装置及设备，所述方法包括如下步骤：激光切割机正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度；基于检测的激光切割机喷嘴工作的状态参数数据结合智能喷嘴检测模型，计算工作时的理论表面粗糙度；计算工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常。标定后的智能检测模型具有设备自身的特性，该模型就是避免设备的差异性，设备使用中的变化导致判断错误，有效提高了粗糙度异常判断的准确性。
Description
技术领域
本发明涉及激光切割控制技术领域，具体涉及一种激光切割机的智能化切割数据处理方法、装置及设备。
背景技术
激光设备在运行过程中，为了防止激光设备加工出不符合标准的零件或在切割过程中产生报警导致停机不动影响生产，通常工作人员会在机械运行期间进行守机，其主要作用是：在机床出现停机不动时，工作人员会迅速找到报警位置解除报警，或在加工过程中，因喷嘴过热或挂渣等引起加工零件质量不合格等，需马上更换喷嘴或修改工艺参数，进而，可避免继续生产出一堆废品，造成较大损失。现有技术，通过工作人员观看切割产生的火花或气流产生的声音来进行主观性判断是否发生了异常。
然而每台激光设备的机械构造，加工工艺参数都有些许差异，并且，激光设备在长时间使用后，由于气体管路磨损、光纤老化、工作人员交替等原因，相同的工艺参数可能就会产生不同的切割效果，即便是有经验的工作人员，也很难看出切割大致区别，进而会影响判断的准确性，甚至易产生异常判断的错误。进一步的，在切割过程中，切割质量若有细微差别，工作人员会很难判断出，进而，难以检测出真正的质量不合格的工件，易于产生废料或需要进行二次加工。
基于上述相关技术，在加工过程中难以准确检测出不合格加工零件,鉴于此，提供一种激光切割机的智能化切割数据处理方法是非常有必要的。
发明内容
为了解决相关技术中难以准确检测出因喷嘴导致切割出不合格加工件的问题，本发明提供一种激光切割机的智能化切割数据处理方法、装置及设备。用激光切割机进行切割时，操作工人只要把板放上，选择好加工条件即可。如果加工出现故障，机床会自动进行调整，减少了产品的不良率和客户的损失。
第一方面，本发明技术方案提供一种激光切割机的智能化切割数据处理方法，包括如下步骤：
激光切割机正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度；
基于检测的激光切割机喷嘴工作的状态参数数据结合智能喷嘴检测模型，计算工作时的理论表面粗糙度；
计算工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常。
状态参数数据包括由激光头吹出的气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度；
作为本发明技术方案的优选，激光切割机正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度的步骤之前包括：
通过激光头执行标定动作，并检测执行标定过程中激光切割机喷嘴在标定时的状态参数数据，以及所述激光头在标定时通过干涉仪测出的实测表面粗糙度；
根据标定过程获取的状态参数数据与标定过程中的实测表面粗糙度，确定标定后的智能喷嘴检测模型。
通过激光头执行标定动作，并检测执行过程中激光切割机喷嘴在标定时产生的气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度,以及所述激光头在标定时通过干涉仪测出的实际粗糙度；根据所述标定时实测的气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度与所述标定时通过干涉仪测出的实际粗糙度，确定标定后的智能喷嘴检测模型。
标定动作作用于激光头进行多次标定动作，所述多次标定运动包括自图形起始位置切割运动至图形结束位置的标定运动，和/或：自所述图形位置返回至所述终止位置的标定运动，其中，每次标定运动的激光功率和气体压力均不相同；图形为标准测试图形。
作为本发明技术方案的优选，根据标定过程获取的状态参数数据与标定过程中的实测表面粗糙度，确定标定后的智能喷嘴检测模型的步骤包括：
根据R个标定时的状态参数数据与R个标定时的实测表面粗糙度，确定无偏差的智能喷嘴检测模型；也就是，根据R个标定时产生的气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度与R个标定时干涉仪测出的实测表面粗糙度，确定无偏差的智能喷嘴检测模型；其中 R为大于或等于1000的整数；
根据所述R个标定时的状态参数数据与无偏差的智能喷嘴检测模型，计算每个标定数据对应的计算表面粗造度，得到R个标定时的计算表面粗糙度；也就是，根据所述无偏差的智能喷嘴检测模型与所述R个标定时气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度，计算每个标定数据对应的表面粗造度，得到R个标定时的计算表面粗糙度；
根据所述R个标定时的实测表面粗糙度与所述R个标定时的计算表面粗糙度，确定最大表面粗糙度偏差；根据无偏差的智能喷嘴检测模型与所述最大表面粗糙度偏差，确定标定后的智能喷嘴检测模型。
作为本发明技术方案的优选，确定最大粗糙度偏差的方法包括：
计算R个标定时的实测表面粗糙度与对应的R个标定时的计算表面粗糙度的偏差，得到R个偏差值；
确定R个偏差值中的最大值作为最大粗糙度偏差。
作为本发明技术方案的优选，标定后的智能喷嘴检测模型为：
其中，Ra为表面粗糙度，Pa为气体压力，W为激光功率，V为切割速度，Q为气体流量，Φ为出光信号，T为保护镜镜片温度，Rerr为最大粗糙度偏差。
作为本发明技术方案的优选，该方法还包括：基于所述标定时的状态参数数据与所述标定时的实测表面粗糙度，采用最小二乘法计算得到无偏差的智能喷嘴检测模型的参数。实际上，无偏差的智能喷嘴检测模型的参数是根据标定时实测气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度与所述标定时干涉仪实际测出的表面粗糙度，采用最小二乘法计算得到的。
作为本发明技术方案的优选，计算工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常的步骤包括：
计算工作时的实测表面粗糙度与工作时的理论表面粗糙度的差值记为第一差值；
判断第一差值是否大于第一重检阈值；
若是，将检测的状态参数数据结合参考模型计算重检的理论表面粗糙度；
计算工作时的实测表面粗糙度与重检的理论表面粗糙度的差值记为第二差值；
若第一差值大于第二差值，将第二差值与表面粗糙度偏差参考值进行比较；若第二差值在预设时长内始终大于或等于所述表面粗糙度偏差参考值，则确定喷嘴工作过程中的粗糙度发生异常；
若第一差值不大于第二差值，将第一差值与表面粗糙度偏差参考值进行比较；若第一差值在预设时长内始终大于或等于所述表面粗糙度偏差参考值，则确定喷嘴工作过程中的粗糙度发生异常；
若否，执行步骤：将第一差值与表面粗糙度偏差参考值进行比较；若第一差值在预设时长内始终大于或等于所述表面粗糙度偏差参考值，则确定喷嘴工作过程中的粗糙度发生异常。
作为本发明技术方案的优选，计算工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常的步骤包括：
将工作时的实测表面粗糙度与工作时的理论表面粗糙度的差值结合表面粗糙度偏差参考值得到粗糙度偏差E＝(∣Ra∣-∣Ra0∣)/TRa；
判断偏差E是否大于第二重检阈值；
若是，将检测的状态参数数据结合参考模型计算重检的理论表面粗糙度；
将工作时的实测表面粗糙度与重检的理论表面粗糙度的差值结合表面粗糙度偏差参考值得到重检的粗糙度偏差Ec；判断Ec在预设时间内持续大于或等于1时，则确定喷嘴工作过程中的粗糙度发生异常；Ec在预设时间内持续小于1时，则确定喷嘴工作过程中的粗糙度未发生异常；
若否，判断E在预设时间内持续大于或等于1时，则确定喷嘴工作过程中的粗糙度发生异常；E在预设时间内持续小于1时，则确定喷嘴工作过程中的粗糙度未发生异常；
其中Ra为工作时的实测表面粗糙度，Ra0为工作时的理论表面粗糙度，TRa为粗糙度偏差参考值。在这里，所述表面粗糙度偏差参考值为预设的固定值，或者：所述表面粗糙度偏差参考值与所述工作时理论表面粗糙度的比值为小于1的预设的固定值。
第二方面，本发明技术方案提供一种激光切割机的智能化切割数据处理装置，包括工作检测模块、计算模块和分析模块；
工作检测模块，用于激光切割机正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度；
计算模块，用于基于检测的激光切割机喷嘴工作的状态参数数据结合智能喷嘴检测模型，计算出工作时的理论表面粗糙度；
分析模块，用于根据工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常。
本发明提供的装置，能够根据标定后的智能喷嘴检测模型实时计算得到设备在各种激光功率和气体压力下的理论表面粗糙度，并将推算出实测表面粗糙度与理论表面粗糙度的偏差作为判断表面粗糙度异常与否的依据。
作为本发明技术方案的优选，该装置还包括标定检测模块和模型确定模块；
标定检测模块，用于通过激光头执行标定动作，并检测执行标定过程中激光切割机喷嘴在标定时的状态参数数据，以及所述激光头在标定时通过干涉仪测出的实测表面粗糙度；
模型确定模块，用于根据标定过程获取的状态参数数据与标定过程中的实测表面粗糙度，确定标定后的智能喷嘴检测模型。
由于该智能喷嘴检测模型是根据设备自身的实测气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度的，进而，标定后的智能检测模型具有设备自身的特性，该模型就是避免设备的差异性，设备使用中的变化导致判断错误，有效提高了粗糙度异常判断的准确性。
作为本发明技术方案的优选，模型确定模块包括无偏差模型确定单元、计算表面粗糙度获取单元、最大偏差确定单元和标定后模型确定单元；
无偏差模型确定单元，用于根据R个标定时的状态参数数据与R个标定时的实测表面粗糙度，确定无偏差的智能喷嘴检测模型；其中 R为大于或等于1000的整数；
计算表面粗糙度获取单元，用于根据所述无偏差的智能喷嘴检测模型与所述R个标定时的状态参数数据，计算每个标定数据对应的粗造度，得到R个标定时计算表面粗糙度；
最大偏差确定单元，用于根据所述R个标定时的实测表面粗糙度与所述R个标定时计算表面粗糙度，确定最大表面粗糙度偏差；
标定后模型确定单元，用于根据所述无偏差的智能喷嘴检测模型与所述最大表面粗糙度偏差，确定标定后的智能喷嘴检测模型。
作为本发明技术方案的优选，最大偏差确定单元，具体用于计算R个标定时的实测表面粗糙度与对应的R个标定时的计算表面粗糙度的偏差，得到R个偏差值；确定R个偏差值中的最大值作为最大粗糙度偏差。
作为本发明技术方案的优选，标定后模型确定单元输出的标定后的智能喷嘴检测模型为：
其中，Ra为表面粗糙度，Pa为气体压力，W为激光功率，V为切割速度，Q为气体流量，Φ为出光信号，T为保护镜镜片温度，Rerr为最大粗糙度偏差。
作为本发明技术方案的优选，无偏差模型确定单元，具体用于基于所述标定时的状态参数数据与所述标定时的实测表面粗糙度，采用最小二乘法计算得到无偏差的智能喷嘴检测模型的参数。
作为本发明技术方案的优选，分析模块，具体用于计算工作时的实测表面粗糙度与工作时的理论表面粗糙度的差值记为第一差值；判断第一差值是否大于第一重检阈值；若是，将检测的状态参数数据结合参考模型计算重检的理论表面粗糙度；计算工作时的实测表面粗糙度与重检的理论表面粗糙度的差值记为第二差值；若第一差值大于第二差值，将第二差值与表面粗糙度偏差参考值进行比较；若第二差值在预设时长内始终大于或等于所述表面粗糙度偏差参考值，则确定喷嘴工作过程中的粗糙度发生异常；若第一差值不大于第二差值，将第一差值与表面粗糙度偏差参考值进行比较；若第一差值在预设时长内始终大于或等于所述表面粗糙度偏差参考值，则确定喷嘴工作过程中的粗糙度发生异常；若否，将第一差值与表面粗糙度偏差参考值进行比较；若第一差值在预设时长内始终大于或等于所述表面粗糙度偏差参考值，则确定喷嘴工作过程中的粗糙度发生异常。或，将工作时的实测表面粗糙度与工作时的理论表面粗糙度的差值结合表面粗糙度偏差参考值得到粗糙度偏差E＝(∣Ra∣-∣Ra0∣)/TRa；判断偏差E是否大于第二重检阈值；若是，将检测的状态参数数据结合参考模型计算重检的理论表面粗糙度；将工作时的实测表面粗糙度与重检的理论表面粗糙度的差值结合表面粗糙度偏差参考值得到重检的粗糙度偏差Ec；判断Ec在预设时间内持续大于或等于1时，则确定喷嘴工作过程中的粗糙度发生异常；Ec在预设时间内持续小于1时，则确定喷嘴工作过程中的粗糙度未发生异常；若否，判断E在预设时间内持续大于或等于1时，则确定喷嘴工作过程中的粗糙度发生异常；E在预设时间内持续小于1时，则确定喷嘴工作过程中的粗糙度未发生异常；其中Ra为工作时的实测表面粗糙度，Ra0为工作时的理论表面粗糙度，TRa为粗糙度偏差参考值。
第三方面，本发明技术方案提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的激光切割机的智能化切割数据处理方法。
从以上技术方案可以看出，本发明具有以下优点：
能够根据标定后的智能喷嘴检测模型实时计算得到设备在各种激光功率和气体压力下的理论表面粗糙度，并将推算出实测表面粗糙度与理论表面粗糙度的偏差作为判断表面粗糙度异常与否的依据。
由于该智能喷嘴检测模型是根据设备自身的实测气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度的，进而，标定后的智能检测模型具有设备自身的特性，该模型就是避免设备的差异性，设备使用中的变化导致判断错误，有效提高了粗糙度异常判断的准确性。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。
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，对于本领域普通技术人员而言，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是本发明一个实施例中提供的方法的流程示意图。
图2是本发明另一个实施例中提供的方法的流程示意图。
图3是本发明一个实施例中确定标定后的智能喷嘴检测模型流程示意图。
图4是本发明一个实施例中分析是否异常过程流程示意图。
图5是本发明一个实施例中提供的装置的示意性框图。
图6是本发明另一个实施例中提供的装置的示意性框图。
具体实施方式
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
为了解决相关技术中难以准确检测出因喷嘴导致切割出不合格加工件的问题，防止因误判产生的停机，本发明实施例提供一种激光切割机的智能化切割数据处理方法、装置及设备。可应用于不同激光头的激光切割机，用激光切割机进行切割时，操作工人只要把板放上，选择好加工条件即可。
图1是本发明实施例提供的一种激光切割机的智能化切割数据处理方法的示意性流程图，所述方法包括如下步骤：
S1：激光切割机正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度；
S2：基于检测的激光切割机喷嘴工作的状态参数数据结合智能喷嘴检测模型，计算工作时的理论表面粗糙度；
S3：计算工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常。
如图2所示，激光切割机正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度的步骤之前包括：
S01：通过激光头执行标定动作，并检测执行标定过程中激光切割机喷嘴在标定时的状态参数数据，以及所述激光头在标定时通过干涉仪测出的实测表面粗糙度；
S02：根据标定过程获取的状态参数数据与标定过程中的实测表面粗糙度，确定标定后的智能喷嘴检测模型。
标定动作作用于激光头进行多次标定动作，所述多次标定运动包括自图形起始位置切割运动至图形结束位置的标定运动，和/或：自所述图形位置返回至所述终止位置的标定运动，其中，每次标定运动的激光功率和气体压力均不相同；图形为标准测试图形。
需要说明的是，标定动作是在激光头工作之前执行的，可以是每次正常工作前执行，即每次正常工作前均获得一个与之匹配的标定后智能喷嘴检测模型，也可以是每正常工作一段时间后进行阶段性执行，即每个阶段匹配一个标定后智能喷嘴检测模型。
标定动作作用于激光头进行多次标定动作，多次标定运动包括自图形起始位置切割运动至图形结束位置的标定运动，和/或：自所述图形位置返回至所述终止位置的标定运动，其中，每次标定运动的激光功率和气体压力均不相同；标定切割图形为标准测试图形。
若标定动作为多次自图形起始位置切割运动至图形结束位置，每次标定运动的运动速度、出光功率、气压大小均不相同可以理解为：每次自图形起始位置切割运动至图形结束位置的速度、出光功率、气压大小均不相同；
在这里，状态参数数据包括由激光头吹出的气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度，标定过程实际上是通过激光头执行标定动作，并检测执行过程中所述的执行机构在标定时产生的气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度,以及所述激光头在标定时通过干涉仪测出的实际粗糙度；根据所述标定时实测的气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度与所述标定时通过干涉仪测出的实际粗糙度，确定标定后的智能喷嘴检测模型。
在上述步骤中，对于由激光头吹出的气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度的检测可以通过气压传感器，功率检测传感器，气流传感器、光感传感器、温度传感器进行实时检测。气体压力传感器放置在激光头内部，直接检测喷嘴出口处实际气体压力；激光功率传感器安装在激光头内部靠近喷嘴处，直接检测由喷嘴出来的实际激光功率；实际切割速度在电机内部，电机将实际切割速度数值传输给驱动器中，驱动器进行与主机交互；气体流量传感器放置在激光头内部，与气体压力传感器安装位置靠近；出光信号为***内部给出的数值，可直接进行使用；保护镜镜片温度可以通过激光头软件直接将温度信号传输到***。
本发明提供的方法，能够根据标定后的智能喷嘴检测模型实时计算得到设备在各种激光功率和气体压力下的理论表面粗糙度，并将由干涉仪检测出实测表面粗糙度与理论表面粗糙度的偏差作为判断表面粗糙度异常与否的依据。由于该智能喷嘴检测模型是根据设备自身的实测气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度创建的，进而，标定后的智能检测模型具有设备自身的特性，该模型就是避免设备的差异性，设备使用中的变化导致判断错误，有效提高了表面粗糙度异常判断的准确性。
同时，由于在异常判断之前引入了标定的智能喷嘴检测模型的处理，该可选方案能够广泛适配于具有不同的带有激光头设备，有效兼顾了普适性与准确性，即：在广泛适用于各种设备的同时，还能提高表面粗糙度异常判断的准确性。
如图3所示，根据标定过程获取的状态参数数据与标定过程中的实测表面粗糙度，确定标定后的智能喷嘴检测模型的步骤包括：
S021：根据R个标定时的状态参数数据与R个标定时的实测表面粗糙度，确定无偏差的智能喷嘴检测模型；
本步骤中，根据R个标定时产生的气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度与R个标定时干涉仪测出的实测表面粗糙度，确定无偏差的智能喷嘴检测模型；
其中R为大于或者等于1000的数值，为了增加计算结果的可靠性，部分实施例中，R可以为大于或等于2000的整数。需要说明的是，在此智能喷嘴检测模型的数据如果过少，此功能将失去作用。
本发明一个实施例中，无偏差的智能喷嘴检测模型为：
其中Ra为表面粗糙度，Pa为气体压力，W为激光功率，V为切割速度，Q为气体流量，Φ为出光信号，T为保护镜镜片温度。
S022：根据所述R个标定时的状态参数数据与无偏差的智能喷嘴检测模型，计算每个标定数据对应的计算表面粗造度，得到R个标定时的计算表面粗糙度；
本步骤中是根据所述无偏差的智能喷嘴检测模型与所述R个标定时气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度，计算每个标定数据对应的粗造度，得到R个标定时计算表面粗糙度；
其中，标定时实测气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度与标定时由干涉仪检测出的实测表面粗糙度是一一对应的，标定时实测气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度与标定时计算粗糙度是一一对应的，也就是，标定时实测表面粗糙度与标定时计算粗糙度也是一一对应的。
S023：根据所述R个标定时的实测表面粗糙度与所述R个标定时的计算表面粗糙度，确定最大表面粗糙度偏差；
确定最大粗糙度偏差的方法包括：
计算R个标定时的实测表面粗糙度与对应的R个标定时的计算表面粗糙度的偏差，得到R个偏差值；
确定R个偏差值中的最大值作为最大粗糙度偏差。
S024：根据无偏差的智能喷嘴检测模型与所述最大表面粗糙度偏差，确定标定后的智能喷嘴检测模型。
标定后的智能喷嘴检测模型是无偏差的智能喷嘴检测模型与最大粗糙度偏差相加得到的；标定后的智能喷嘴检测模型为：
其中，Ra为表面粗糙度，Pa为气体压力，W为激光功率，V为切割速度，Q为气体流量，Φ为出光信号，T为保护镜镜片温度，Rerr为最大粗糙度偏差。
需要说明的是，基于所述标定时的状态参数数据与所述标定时的实测表面粗糙度，采用最小二乘法计算得到无偏差的智能喷嘴检测模型的参数。实际上也就是，无偏差的智能喷嘴检测模型的参数是根据标定时实测气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度与所述标定时干涉仪实际测出的表面粗糙度，采用最小二乘法计算得到的。分别为=26.363654、/>=69.3452、/>=28.3475、/>=70.2154、/>=13.6522、/>=3.6985、/>=32.1245。
在有些实施例中，如图4所示，计算工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常的步骤包括：
S31a：计算工作时的实测表面粗糙度与工作时的理论表面粗糙度的差值记为第一差值；
S32a：判断第一差值是否大于第一重检阈值；
若是，执行步骤S33a，若否，执行步骤S38a；
S33a：将检测的状态参数数据结合参考模型计算重检的理论表面粗糙度；
S34a：计算工作时的实测表面粗糙度与重检的理论表面粗糙度的差值记为第二差值；
S35a：判断第一差值是否大于第二差值；
若是，执行步骤S36a，若否，执行步骤38a；
S36a：将第二差值与表面粗糙度偏差参考值进行比较；
S37a：判断第二差值是否在预设时长内始终大于或等于所述表面粗糙度偏差参考值；若是，执行步骤S40a，否则，执行步骤S41a；
S38a：将第一差值与表面粗糙度偏差参考值进行比较；
也就是，通过直接比较∣Ra∣-∣Ra0∣与TRa的大小判断是否发生异常；
S39a：判断第一差值是否在预设时长内始终大于或等于所述表面粗糙度偏差参考值；若是，执行步骤S40a，否则，执行步骤S41a；
S40a：确定喷嘴工作过程中的粗糙度发生异常进而确定所述喷嘴导致切割发生异常；也就是，确定激光头切割的工件的粗糙度发生异常。
S41a：确定喷嘴工作过程中的粗糙度未发生异常；也就是，确定所述激光头切割的工件的粗糙度未发生异常。
在这里，所述表面粗糙度偏差参考值为预设的固定值，或者：所述表面粗糙度偏差参考值与所述工作时理论表面粗糙度的比值为小于1的预设的固定值。
智能喷嘴检测模型还包括历史数据集模型，历史数据集模型是根据以往机器在运行过程中采集的数值，并进行均一化数值处理，处理之后使用遗传算法优化SVM支持向量机神经网络进行历史数据集模型建立，但是历史数据模型也就是本申请中提到的参考模型，在智能喷嘴检测模型检查出数据偏差值过大时，在使用历史数据模型进行二次检查，然后给出判断结果即可。在本发明中，凡是提到的智能喷嘴模型均包括历史数据集模型，将不在赘述。
在有些实施例中，计算工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常的步骤包括：
S31b：将工作时的实测表面粗糙度与工作时的理论表面粗糙度的差值结合表面粗糙度偏差参考值得到粗糙度偏差E＝(∣Ra∣-∣Ra0∣)/TRa；
S32b：判断偏差E是否大于第二重检阈值；
若是，执行步骤S33b，若否，执行步骤S36b；
S33b：将检测的状态参数数据结合参考模型计算重检的理论表面粗糙度；
S34b：将工作时的实测表面粗糙度与重检的理论表面粗糙度的差值结合表面粗糙度偏差参考值得到重检的粗糙度偏差Ec；
S35b：判断重检的粗糙度偏差Ec在预设时间内是否持续大于或等于1；若是，执行步骤S37b，否则执行步骤S38b；
S36b：判断粗糙度偏差E在预设时间内是否持续大于或等于1；若是，执行步骤S37b，否则执行步骤S38b；
S37b：确定喷嘴工作过程中的粗糙度发生异常；
S38b：确定喷嘴工作过程中的粗糙度未发生异常；
其中Ra为工作时的实测表面粗糙度，Ra0为工作时的理论表面粗糙度，TRa为粗糙度偏差参考值。
激光头开始执行NC代码动作；实时通过上述方法获取工作时理论表面粗糙度和工作时实测表面粗糙度；判断理论表面粗糙度和实测表面粗糙度差值是否大于工作时理论表面粗糙度的10％，若是，继续执行NC代码；若否，控制停机进行检查或更换喷嘴。也就是本实施例中，粗糙度偏差参考值为所述工作时理论表面粗糙度的10％。
在有些实施例中，所述粗糙度偏差参考值也可以是所述工作时理论表面粗糙度的20％。
在步骤S40a或者S37b之后，也就是，确定所述激光头在切割时粗糙度发生异常之后，还包括以下至少之一：
控制激光头切割的运动机构停止运行；
控制激光头机构发出异常报警信号；
控制激光头机构断电保护。
其中，控制激光头切割的运动机构停止运行、控制激光头机构发出异常报警信号、控制激光头机构断电保护，三者可以是同时进行的，也可以不同时进行。
在有些实施例中，异常报警信号可以是声音报警，也可以是灯光闪烁报警。
在实际的实施过程中，对激光头工作时的切割数据处理的具体过程如下：
在激光头正常工作之前，先实施步骤S01(即控制***根据特定的NC代码控制设备执行预设的动作)，在完成标定动作并且获得标定时实测气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度与标定时由干涉仪测出的实测表面粗糙度之后，则可实施步骤S02，得到标定后的智能喷嘴检测模型后，可进行激光头切割工件的正常工作，在激光头正常工作后，可实施步骤S1(即实时读取由激光头吹出的气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度)，得到激光头的工作时的实测表面粗糙度与激光头的工作时实测气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度后，可实施步骤 S2(即实时计算激光头实现运动目标所需的理论表面粗糙度)，得到工作时理论表面粗糙度后，可判断工作时实测表面粗糙度与工作时理论表面粗糙度的差值是否在预设时长内始终大于或者等于粗糙度偏差的参考值(即判断反馈粗糙度与理论粗糙度的差值是否在预设时长内始终大于或者等于偏差的参考值)，若工作时实测表面粗糙度与工作时理论表面粗糙度的差值在预设时长内始终大于或者等于粗糙度偏差的参考值，则可理解为步骤S40a或步骤S37b的判断结果为是，则可进行控制激光头停止运行、***发出异常报警信号以及控制带激光头断电保护中至少之一的操作(即停止并报警保护)，若工作时实测表面粗糙度与工作时理论表面粗糙度的差值在预设时长内始小于粗糙度偏差的参考值，则可继续完成设备的加工任务。
图5是本发明实施例提供一种激光切割机的智能化切割数据处理装置的示意性框图，所述装置包括工作检测模块100、计算模块200和分析模块300；
工作检测模块100，用于激光切割机正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度；
计算模块200，用于基于检测的激光切割机喷嘴工作的状态参数数据结合智能喷嘴检测模型，计算出工作时的理论表面粗糙度；
分析模块300，用于根据工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常。
本发明提供的装置，能够根据标定后的智能喷嘴检测模型实时计算得到设备在各种激光功率和气体压力下的理论表面粗糙度，并将推算出实测表面粗糙度与理论表面粗糙度的偏差作为判断表面粗糙度异常与否的依据。
如图6所示，在有些实施例中，该装置还包括标定检测模块010和模型确定模块020；
标定检测模块010，用于通过激光头执行标定动作，并检测执行标定过程中激光切割机喷嘴在标定时的状态参数数据，以及所述激光头在标定时通过干涉仪测出的实测表面粗糙度；
模型确定模块020，用于根据标定过程获取的状态参数数据与标定过程中的实测表面粗糙度，确定标定后的智能喷嘴检测模型。
由于该智能喷嘴检测模型是根据设备自身的实测气体压力、实际激光功率、实际切割速度、气体流量、出光信号、保护镜镜片温度的，进而，标定后的智能检测模型具有设备自身的特性，该模型就是避免设备的差异性，设备使用中的变化导致判断错误，有效提高了粗糙度异常判断的准确性。
在有些实施例中，模型确定模块020包括无偏差模型确定单元、计算表面粗糙度获取单元、最大偏差确定单元和标定后模型确定单元；
无偏差模型确定单元，用于根据R个标定时的状态参数数据与R个标定时的实测表面粗糙度，确定无偏差的智能喷嘴检测模型；其中 R为大于或等于1000的整数；具体用于基于所述标定时的状态参数数据与所述标定时的实测表面粗糙度，采用最小二乘法方法计算得到无偏差的智能喷嘴检测模型的参数。
计算表面粗糙度获取单元，用于根据所述无偏差的智能喷嘴检测模型与所述R个标定时的状态参数数据，计算每个标定数据对应的粗造度，得到R个标定时计算表面粗糙度；
最大偏差确定单元，用于根据所述R个标定时的实测表面粗糙度与所述R个标定时计算表面粗糙度，确定最大表面粗糙度偏差；具体用于计算R个标定时的实测表面粗糙度与对应的R个标定时的计算表面粗糙度的偏差，得到R个偏差值；确定R个偏差值中的最大值作为最大粗糙度偏差。
标定后模型确定单元，用于根据所述无偏差的智能喷嘴检测模型与所述最大表面粗糙度偏差，确定标定后的智能喷嘴检测模型。
在有些实施例中，模型确定单元输出的标定后的智能喷嘴检测模型为：
/>
其中，Ra为表面粗糙度，Pa为气体压力，W为激光功率，V为切割速度，Q为气体流量，Φ为出光信号，T为保护镜镜片温度，Rerr为最大粗糙度偏差。根据最小二乘法可以推导出分别为/>=26.363654、/>=69.3452、/>=28.3475、/>=70.2154、/>=13.6522、/>=3.6985、/>=32.1245。
在有些实施例中，分析模块，具体用于将工作时的实测表面粗糙度与工作时的理论表面粗糙度的差值和表面粗糙度偏差参考值进行比较；若所述工作时的实测表面粗糙度与所述工作时的理论表面粗糙度的差值在预设时长内始终大于或等于所述表面粗糙度偏差参考值，则确定喷嘴工作过程中的粗糙度发生异常；或，将工作时的实测表面粗糙度与工作时的理论表面粗糙度的差值结合表面粗糙度偏差参考值得到粗糙度偏差信息err＝(∣Ra∣-∣Ra0∣)/TRa；若err在预设时间内持续大于或等于1，则确定喷嘴工作过程中的粗糙度发生异常；若err在预设时间内持续小于1，则确定喷嘴工作过程中的粗糙度未发生异常；
其中Ra为工作时的实测表面粗糙度，Ra0为工作时的理论表面粗糙度，TRa为粗糙度偏差参考值。
本发明实施例还提供一种电子设备，所述电子设备包括：处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信。总线可以用于电子设备与传感器之间的信息传输。处理器可以调用存储器中的逻辑指令，以执行如下方法：S1：激光切割正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度；S2：基于检测的激光切割机喷嘴工作的状态参数数据结合智能喷嘴检测模型，计算工作时的理论表面粗糙度；S3：根据所述工作时实测表面粗糙度与所述工作时的理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
作为本发明的激光切割机的智能化切割数据处理方法与装置是结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种激光切割机的智能化切割数据处理方法，其特征在于，包括如下步骤：
激光切割机正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度；
基于检测的激光切割机喷嘴工作的状态参数数据结合智能喷嘴检测模型，计算工作时的理论表面粗糙度；
计算工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常；
激光切割机正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度的步骤之前包括：
通过激光头执行标定动作，并检测执行标定过程中激光切割机喷嘴在标定时的状态参数数据，以及所述激光头在标定时通过干涉仪测出的实测表面粗糙度；
根据标定过程获取的状态参数数据与标定过程中的实测表面粗糙度，确定标定后的智能喷嘴检测模型；具体包括：
根据R个标定时的状态参数数据与R个标定时的实测表面粗糙度，确定无偏差的智能喷嘴检测模型；其中 R为大于或等于1000的整数；
根据所述R个标定时的状态参数数据与无偏差的智能喷嘴检测模型，计算每个标定数据对应的计算表面粗造度，得到R个标定时的计算表面粗糙度；
根据所述R个标定时的实测表面粗糙度与所述R个标定时的计算表面粗糙度，确定最大表面粗糙度偏差；
根据无偏差的智能喷嘴检测模型与所述最大表面粗糙度偏差，确定标定后的智能喷嘴检测模型。
2.根据权利要求1所述的激光切割机的智能化切割数据处理方法，其特征在于，确定最大粗糙度偏差的方法包括：
计算R个标定时的实测表面粗糙度与对应的R个标定时的计算表面粗糙度的偏差，得到R个偏差值；
确定R个偏差值中的最大值作为最大粗糙度偏差。
3.根据权利要求2所述的激光切割机的智能化切割数据处理方法，其特征在于，状态参数数据包括由激光头吹出的气体压力、激光功率、切割速度、气体流量、出光信号、保护镜镜片温度；标定后的智能喷嘴检测模型为：
其中，Ra为表面粗糙度，Pa为气体压力，W为激光功率，V为切割速度，Q为气体流量，Φ为出光信号，T为保护镜镜片温度，Rerr为最大粗糙度偏差；是根据状态参数数据计算出的模型参数。
4.根据权利要求1所述的激光切割机的智能化切割数据处理方法，其特征在于，计算工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常的步骤包括：
计算工作时的实测表面粗糙度与工作时的理论表面粗糙度的差值记为第一差值；
判断第一差值是否大于第一重检阈值；
若是，将检测的状态参数数据结合参考模型计算重检的理论表面粗糙度；
计算工作时的实测表面粗糙度与重检的理论表面粗糙度的差值记为第二差值；
若第一差值大于第二差值，将第二差值与表面粗糙度偏差参考值进行比较；若第二差值在预设时长内始终大于或等于所述表面粗糙度偏差参考值，则确定喷嘴工作过程中的粗糙度发生异常；
若第一差值不大于第二差值，将第一差值与表面粗糙度偏差参考值进行比较；若第一差值在预设时长内始终大于或等于所述表面粗糙度偏差参考值，则确定喷嘴工作过程中的粗糙度发生异常；
若否，执行步骤:将第一差值与表面粗糙度偏差参考值进行比较；若第一差值在预设时长内始终大于或等于所述表面粗糙度偏差参考值，则确定喷嘴工作过程中的粗糙度发生异常。
5.根据权利要求1所述的激光切割机的智能化切割数据处理方法，其特征在于，计算工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常的步骤包括：
将工作时的实测表面粗糙度与工作时的理论表面粗糙度的差值结合表面粗糙度偏差参考值得到粗糙度偏差E＝(∣Ra∣-∣Ra0∣)/TRa；
判断偏差E是否大于第二重检阈值；
若是，将检测的状态参数数据结合参考模型计算重检的理论表面粗糙度；
将工作时的实测表面粗糙度与重检的理论表面粗糙度的差值结合表面粗糙度偏差参考值得到重检的粗糙度偏差Ec；判断Ec在预设时间内持续大于或等于1时，则确定喷嘴工作过程中的粗糙度发生异常；Ec在预设时间内持续小于1时，则确定喷嘴工作过程中的粗糙度未发生异常；
若否，判断E在预设时间内持续大于或等于1时，则确定喷嘴工作过程中的粗糙度发生异常；E在预设时间内持续小于1时，则确定喷嘴工作过程中的粗糙度未发生异常；
其中Ra为工作时的实测表面粗糙度，Ra0为工作时的理论表面粗糙度，TRa为粗糙度偏差参考值。
6.一种激光切割机的智能化切割数据处理装置，其特征在于，包括工作检测模块、计算模块和分析模块；
工作检测模块，用于激光切割机正常工作中，检测激光切割机喷嘴工作的状态参数数据以及工作时的实测表面粗糙度；
计算模块，用于基于检测的激光切割机喷嘴工作的状态参数数据结合智能喷嘴检测模型，计算出工作时的理论表面粗糙度；
分析模块，用于根据工作时的实测表面粗糙度与理论表面粗糙度的差值，结合表面粗糙度偏差参考值，分析喷嘴工作过程中的粗糙度是否发生异常；
该装置还包括标定检测模块，用于通过激光头执行标定动作，并检测执行标定过程中激光切割机喷嘴在标定时的状态参数数据，以及所述激光头在标定时通过干涉仪测出的实测表面粗糙度；
模型确定模块，用于根据标定过程获取的状态参数数据与标定过程中的实测表面粗糙度，确定标定后的智能喷嘴检测模型；具体用于根据R个标定时的状态参数数据与R个标定时的实测表面粗糙度，确定无偏差的智能喷嘴检测模型；其中 R为大于或等于1000的整数；根据所述R个标定时的状态参数数据与无偏差的智能喷嘴检测模型，计算每个标定数据对应的计算表面粗造度，得到R个标定时的计算表面粗糙度；根据所述R个标定时的实测表面粗糙度与所述R个标定时的计算表面粗糙度，确定最大表面粗糙度偏差；根据无偏差的智能喷嘴检测模型与所述最大表面粗糙度偏差，确定标定后的智能喷嘴检测模型。
7.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一项权利要求所述的激光切割机的智能化切割数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310564551.XA CN116275600B (zh) | 2023-05-19 | 2023-05-19 | 一种激光切割机的智能化切割数据处理方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310564551.XA CN116275600B (zh) | 2023-05-19 | 2023-05-19 | 一种激光切割机的智能化切割数据处理方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116275600A CN116275600A (zh) | 2023-06-23 |
| CN116275600B true CN116275600B (zh) | 2023-09-29 |
Family
ID=86789138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310564551.XA Active CN116275600B (zh) | 2023-05-19 | 2023-05-19 | 一种激光切割机的智能化切割数据处理方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116275600B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117086495B (zh) * | 2023-10-09 | 2024-07-05 | 河南蓝犀牛工业装备技术有限公司 | 一种用于节能型电力变压器铁芯的智能化激光切割机*** |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11320149A (ja) * | 1998-05-07 | 1999-11-24 | Koike Sanso Kogyo Co Ltd | レーザー切断機に於ける切断状態の検出装置 |
| CN101819030A (zh) * | 2009-02-27 | 2010-09-01 | 北京京东方光电科技有限公司 | 磁控溅射靶材表面粗糙度的监测方法和*** |
| CN108555530A (zh) * | 2018-05-30 | 2018-09-21 | 武汉船用机械有限责任公司 | 一种内曲面的加工方法 |
| CN109885918A (zh) * | 2019-01-18 | 2019-06-14 | 广东镭奔激光科技有限公司 | 激光冲击表面粗糙度的预测方法 |
| CN110059442A (zh) * | 2019-05-07 | 2019-07-26 | 同济大学 | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 |
| CN110293323A (zh) * | 2019-06-06 | 2019-10-01 | 济南邦德激光股份有限公司 | 一种智能批量切割加工方法,cnc控制***,激光切割机及存储介质 |
| CN110543698A (zh) * | 2019-08-15 | 2019-12-06 | 合肥工业大学 | 基于小波布朗运动纹理融合模型测量表面粗糙度的方法 |
| CN110549162A (zh) * | 2018-06-01 | 2019-12-10 | 日立汽车***（中国）有限公司 | 切削异常的检测方法、切削异常的检测装置 |
| CN110900454A (zh) * | 2019-12-04 | 2020-03-24 | 长沙理工大学 | 一种磨削表面粗糙度实时检测与智能控制*** |
| JP2020151725A (ja) * | 2019-03-18 | 2020-09-24 | ファナック株式会社 | 機械学習装置、制御装置、レーザ加工機、及び機械学習方法 |
| DE102019207421A1 (de) * | 2019-05-21 | 2020-11-26 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zum Glätten einer Oberfläche eines Bauteils durch Bearbeitung mit energetischer Strahlung |
| CN113340261A (zh) * | 2021-06-28 | 2021-09-03 | 宁波江丰电子材料股份有限公司 | 一种靶材粗糙度的监测方法 |
| WO2021174525A1 (zh) * | 2020-03-06 | 2021-09-10 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
| CN113804091A (zh) * | 2021-11-18 | 2021-12-17 | 中认国证(北京)评价技术服务有限公司 | 一种粗糙度实时检测方法 |
| CN114055249A (zh) * | 2020-08-05 | 2022-02-18 | 北京福田康明斯发动机有限公司 | 镗孔表面粗糙度监测方法和***以及存储介质 |
| JPWO2022054158A1 (zh) * | 2020-09-09 | 2022-03-17 | ||
| CN114897028A (zh) * | 2022-05-27 | 2022-08-12 | 清华大学 | 数控加工表面粗糙度预测方法及装置 |
| CN115178860A (zh) * | 2022-07-27 | 2022-10-14 | 上海波刺自动化科技有限公司 | 激光加工头、用于激光加工的检测***和检测方法 |
| CN115406398A (zh) * | 2022-09-26 | 2022-11-29 | 中车长春轨道客车股份有限公司 | 一种轨道车辆弓网磨损异常的检测方法、装置及存储介质 |
| JP2023009475A (ja) * | 2021-07-07 | 2023-01-20 | 国立研究開発法人産業技術総合研究所 | 粗さ解析のための方法及び情報処理システム |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10522322B2 (en) * | 2017-04-13 | 2019-12-31 | Fractilia, Llc | System and method for generating and analyzing roughness measurements |
-
2023
- 2023-05-19 CN CN202310564551.XA patent/CN116275600B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11320149A (ja) * | 1998-05-07 | 1999-11-24 | Koike Sanso Kogyo Co Ltd | レーザー切断機に於ける切断状態の検出装置 |
| CN101819030A (zh) * | 2009-02-27 | 2010-09-01 | 北京京东方光电科技有限公司 | 磁控溅射靶材表面粗糙度的监测方法和*** |
| CN108555530A (zh) * | 2018-05-30 | 2018-09-21 | 武汉船用机械有限责任公司 | 一种内曲面的加工方法 |
| CN110549162A (zh) * | 2018-06-01 | 2019-12-10 | 日立汽车***（中国）有限公司 | 切削异常的检测方法、切削异常的检测装置 |
| CN109885918A (zh) * | 2019-01-18 | 2019-06-14 | 广东镭奔激光科技有限公司 | 激光冲击表面粗糙度的预测方法 |
| JP2020151725A (ja) * | 2019-03-18 | 2020-09-24 | ファナック株式会社 | 機械学習装置、制御装置、レーザ加工機、及び機械学習方法 |
| CN110059442A (zh) * | 2019-05-07 | 2019-07-26 | 同济大学 | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 |
| DE102019207421A1 (de) * | 2019-05-21 | 2020-11-26 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zum Glätten einer Oberfläche eines Bauteils durch Bearbeitung mit energetischer Strahlung |
| CN110293323A (zh) * | 2019-06-06 | 2019-10-01 | 济南邦德激光股份有限公司 | 一种智能批量切割加工方法,cnc控制***,激光切割机及存储介质 |
| CN110543698A (zh) * | 2019-08-15 | 2019-12-06 | 合肥工业大学 | 基于小波布朗运动纹理融合模型测量表面粗糙度的方法 |
| CN110900454A (zh) * | 2019-12-04 | 2020-03-24 | 长沙理工大学 | 一种磨削表面粗糙度实时检测与智能控制*** |
| WO2021174525A1 (zh) * | 2020-03-06 | 2021-09-10 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
| CN114055249A (zh) * | 2020-08-05 | 2022-02-18 | 北京福田康明斯发动机有限公司 | 镗孔表面粗糙度监测方法和***以及存储介质 |
| JPWO2022054158A1 (zh) * | 2020-09-09 | 2022-03-17 | ||
| CN113340261A (zh) * | 2021-06-28 | 2021-09-03 | 宁波江丰电子材料股份有限公司 | 一种靶材粗糙度的监测方法 |
| JP2023009475A (ja) * | 2021-07-07 | 2023-01-20 | 国立研究開発法人産業技術総合研究所 | 粗さ解析のための方法及び情報処理システム |
| CN113804091A (zh) * | 2021-11-18 | 2021-12-17 | 中认国证(北京)评价技术服务有限公司 | 一种粗糙度实时检测方法 |
| CN114897028A (zh) * | 2022-05-27 | 2022-08-12 | 清华大学 | 数控加工表面粗糙度预测方法及装置 |
| CN115178860A (zh) * | 2022-07-27 | 2022-10-14 | 上海波刺自动化科技有限公司 | 激光加工头、用于激光加工的检测***和检测方法 |
| CN115406398A (zh) * | 2022-09-26 | 2022-11-29 | 中车长春轨道客车股份有限公司 | 一种轨道车辆弓网磨损异常的检测方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 曹兰剑 ; 龙八军 ; .激光切割表面质量预报的Fisher判别分析.中国高新技术企业.2010,(第27期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116275600A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI640390B (zh) | 刀具磨耗監測與預測方法 | |
| TWI650625B (zh) | 刀具磨耗檢測裝置、其檢測方法及刀具磨耗補償方法 | |
| CN116275600B (zh) | 一种激光切割机的智能化切割数据处理方法、装置及设备 | |
| TWI302489B (en) | Device checking method for machine tool | |
| JP2014144528A (ja) | 少なくとも１つの機械加工ジェットにより一連の工作物を機械加工するための方法 | |
| CN110109419B (zh) | 异常判别装置、异常判别***、异常判别方法、存储介质 | |
| JP6697494B2 (ja) | 異常判別装置、プログラム、異常判別システム及び異常判別方法 | |
| CN111830906A (zh) | 一种旋转刀具失效状态在机监测***及其检测方法 | |
| US20180136629A1 (en) | Industrial machinery and control method thereof | |
| CN111618656A (zh) | 机床的加工不良发生预测*** | |
| US20020029115A1 (en) | Machine tool maintenance system | |
| KR102491716B1 (ko) | 가공 환경 추정 장치 | |
| KR101626458B1 (ko) | 공작기계의 공구이상 검출장치 | |
| CN112720073A (zh) | 对刀仪的控制方法、装置、存储介质和处理器 | |
| CN112548678A (zh) | 数控加工中心的刀具检测方法及装置 | |
| JP2004042208A (ja) | 工作機械 | |
| TWM538181U (zh) | 用於cnc加工之監控設備 | |
| KR20160079372A (ko) | 공작기계용 공구 장착 상태 감시 장치 | |
| JP7310195B2 (ja) | 診断装置、診断システム及び診断プログラム | |
| JP2022135472A (ja) | びびり振動検知方法および装置 | |
| KR20120103993A (ko) | 세팅된 공구의 안전영역 판단 방법 및 판단 장치 | |
| WO2023063435A1 (ja) | 作業機械のベアリング良否判定方法及びシステム | |
| JP7486358B2 (ja) | 工作機械の精度診断装置及び精度診断方法 | |
| KR100600015B1 (ko) | 공작기계의 공구이상 검출 방법 | |
| CN116728159B (zh) | 一种数控机床的故障监测方法 |
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 |