CN116300687B - 基于数控加工的加工精度预测方法、***及介质 - Google Patents
基于数控加工的加工精度预测方法、***及介质 Download PDFInfo
- Publication number
- CN116300687B CN116300687B CN202310528820.7A CN202310528820A CN116300687B CN 116300687 B CN116300687 B CN 116300687B CN 202310528820 A CN202310528820 A CN 202310528820A CN 116300687 B CN116300687 B CN 116300687B
- Authority
- CN
- China
- Prior art keywords
- information
- processed
- machining
- processing
- preset
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33133—For each action define function for compensation, enter parameters
-
- 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)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及一种基于数控加工的加工精度预测方法、***及介质,属于加工精度预测技术领域,通过根据评估结果对初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端。通过本方法能够对长加工时间的数控加工设备的伺服***的温度变化数据进行预测,而温度变化数据容易影响伺服***的转动惯量,从而影响达到相同转矩之时,使得伺服***的加减速性能受到影响,通过本方法能够有效地预估出伺服***工作温度升高对于伺服***的加减速性能的变化,从而根据伺服***的加减速性能的变化数据来对加工精度进行预测,有效地提高了加工精度的预测准确性。
Description
技术领域
本发明涉及加工精度评估技术领域,尤其涉及基于数控加工的加工精度预测方法、***及介质。
背景技术
多轴联动数控机床误差包括几何误差、伺服误差等,是决定零件加工精度的重要因素,是机床设计、选型及维护关注的重点。但由于机床误差与加工精度间尚未建立准确的定量映射,机床企业难以面向机床用户产品的加工精度需求设计机床,对于飞机结构件等形状复杂、加工精度要求严格的产品,只能不断降低机床误差,往往造成机床性能的浪费,也大幅增加了用户的购置成本;此外,机床用户在针对具体零件加工进行机床选型时也只能依赖经验,机床性能的利用率难以得到最大化,甚至出现因所选机床误差不能满足加工精度要求而导致零件报废的问题。数控加工投资大、机床使用维护费用高, 需要严格控制废品率, 提高机床加工效率来降低成本; 随着高新技术的应用, 零件越来越复杂, 精度要求越来越高, 给出的公差范围越来越严格; 现代制造业逐渐向多品种、小批量定制发展, 工艺相对不固定; 许多工件材料昂贵, 客观上不允许出现废品。因此, 在实际加工之前, 迫切需要对选定的加工工艺进行零件精度预测和控制。
发明内容
本发明克服了现有技术的不足,提供了基于数控加工的加工精度预测方法、***及介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于数控加工的加工精度预测方法,包括以下步骤:
获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据所述当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息;
根据所述当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据所述伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果;
获取当前数控加工设备中各伺服***的预设延迟时间以及待加工零件的加工轮廓信息,并根据所述预设延迟时间以及待加工零件的加工轮廓信息构建初始加工轮廓偏移数据模型;
根据所述评估结果对所述初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端。
进一步地,本发明的一个较佳实施例中,获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据所述当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息,具体包括以下步骤:
获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,根据所述待加工零件的加工工艺信息通过蚁群算法制定待加工零件的加工路径信息;
基于所述当前待加工零件的预定加工参数信息以及所述待加工零件的加工路径信息计算出当前数控加工设备需要持续的加工时间信息;
基于神经网络构建伺服***温度变化预测模型,通过大数据获取单位加工时间内各环境温度环境之下的伺服***温度变化数据信息,并将所述各环境温度环境之下的伺服电机温度数据信息输入到所述伺服电机温度变化预测模型中进行训练,以获取训练完成的伺服电机温度变化预测模型;
获取数控加工设备的工作环境温度信息,将所述当前数控加工设备需要持续的加工时间信息以及数控加工设备的工作环境温度信息输入到所述训练完成的伺服电机温度变化预测模型,以获取伺服***相应的温度变化信息。
进一步地,本发明的一个较佳实施例中,根据所述当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据所述伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果,包括以下步骤:
根据所述当前待加工零件的预定加工参数信息进行数据计算,以获取当前待加工零件加工时的转矩变化信息,并通过大数据获取当前伺服***不同角速度在各温度数据信息之下的转矩信息;
构建数据库,并将所述当前伺服***不同角速度在各温度数据信息之下的转矩信息输入到所述数据库中,并对所述伺服***相应的温度变化信息进行特征提取,以获取在加工待加工零件的轮廓时的温度信息;
将所述在加工待加工零件的轮廓时的温度信息输入到所述数据库中进行匹配,以获取在加工待加工零件的轮廓时的转矩变化信息,计算所述在加工待加工零件的轮廓时的转矩变化信息与在当前待加工零件加工时的转矩变化信息的差值;
若所述差值大于预设差值,根据所述在加工待加工零件的轮廓时的转矩变化信息计算出达到预定伺服***加工角速度的延迟时间信息,并将所述达到预定伺服***加工角速度的延迟时间信息作为评估结果进行输出。
进一步地,本发明的一个较佳实施例中,获取当前数控加工设备中各伺服***的预设延迟时间以及待加工零件的加工轮廓信息,并根据所述预设延迟时间以及待加工零件的加工轮廓信息构建初始加工轮廓偏移数据模型,具体包括以下步骤:
获取当前数控加工设备中各伺服***的预设延迟时间,并根据所述当前数控加工设备中各伺服***的预设延迟时间确定待加工零件在加工过程中的跟踪误差信息;
根据所述跟踪误差信息确定刀具轨迹初始偏差数据信息,获取当前待加工零件的加工路径信息,并根据所述待加工零件的加工路径信息构建加工路径动态模型;
根据所述刀具轨迹初始偏差数据信息对所述加工路径动态模型进行刀具在加工过程中路径的动态修正,以获取刀具在加工过程中的路径动态模型;
通过对所述刀具在加工过程中的路径动态模型进行动态提取,以获取加工轮廓的动态路径模型,并将所述加工轮廓的动态路径图作为初始加工轮廓偏移数据模型进行输出。
进一步地,本发明的一个较佳实施例中,根据所述评估结果对所述初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端,包括以下步骤:
根据所述评估结果确定伺服***在当前工作温度之下的实时跟踪误差信息,通过对所述实时跟踪误差信息进行数据转换,以获取刀具轨迹实时偏差数据信息;
获取初始加工轮廓偏移数据模型中的刀具轨迹初始偏差数据信息,并根据所述初始加工轮廓偏移数据模型中的刀具轨迹初始偏差数据信息以及刀具轨迹实时偏差数据信息生成相应的刀具轨迹偏移补偿数据信息;
根据所述相应的刀具轨迹偏移补偿数据信息对所述初始加工轮廓偏移数据模型进行数据补偿,以生成加工轮廓偏移数据修正模型;
将加工轮廓偏移数据修正模型传输至加工精度预测终端。
进一步地,本发明的一个较佳实施例中,基于数控加工的加工精度预测方法还包括以下步骤:
获取所述加工轮廓偏移数据修正模型中的刀具加工轨迹数据信息以及当前待加工零件的预定轮廓参数信息;
将所述刀具加工轨迹数据信息与所述待加工零件的预定轮廓参数信息对比,得到偏差率,并判断所述偏差率是否在预定的偏差率阈值范围之内;
当所述偏差率是在预定的偏差率阈值范围之内时,生成正常信息,并将所述正常信息传输至加工精度预测终端;
当所述偏差率不在预定的偏差率阈值范围之内时,根据所述偏差率对当前待加工零件的伺服加工参数进行数据修正。
本发明第二方面提供了一种基于数控加工的加工精度预测***,所述***包括存储器以及处理器,所述存储器中包含基于数控加工的加工精度预测方法程序,所述基于数控加工的加工精度预测方法程序被处理器执行时,实现如下步骤:
获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据所述当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息;
根据所述当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据所述伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果;
获取当前数控加工设备中各伺服***的预设延迟时间以及待加工零件的加工轮廓信息,并根据所述预设延迟时间以及待加工零件的加工轮廓信息构建初始加工轮廓偏移数据模型;
根据所述评估结果对所述初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端。
在本实施例中,获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据所述当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息,具体包括以下步骤:
获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,根据所述待加工零件的加工工艺信息通过蚁群算法制定待加工零件的加工路径信息;
基于所述当前待加工零件的预定加工参数信息以及所述待加工零件的加工路径信息计算出当前数控加工设备需要持续的加工时间信息;
基于神经网络构建伺服***温度变化预测模型,通过大数据获取单位加工时间内各环境温度环境之下的伺服***温度变化数据信息,并将所述各环境温度环境之下的伺服电机温度数据信息输入到所述伺服电机温度变化预测模型中进行训练,以获取训练完成的伺服电机温度变化预测模型;
获取数控加工设备的工作环境温度信息,将所述当前数控加工设备需要持续的加工时间信息以及数控加工设备的工作环境温度信息输入到所述训练完成的伺服电机温度变化预测模型,以获取伺服***相应的温度变化信息。
在本实施例中,根据所述当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据所述伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果,包括以下步骤:
根据所述当前待加工零件的预定加工参数信息进行数据计算,以获取当前待加工零件加工时的转矩变化信息,并通过大数据获取当前伺服***不同角速度在各温度数据信息之下的转矩信息;
构建数据库,并将所述当前伺服***不同角速度在各温度数据信息之下的转矩信息输入到所述数据库中,并对所述伺服***相应的温度变化信息进行特征提取,以获取在加工待加工零件的轮廓时的温度信息;
将所述在加工待加工零件的轮廓时的温度信息输入到所述数据库中进行匹配,以获取在加工待加工零件的轮廓时的转矩变化信息,计算所述在加工待加工零件的轮廓时的转矩变化信息与在当前待加工零件加工时的转矩变化信息的差值;
若所述差值大于预设差值,根据所述在加工待加工零件的轮廓时的转矩变化信息计算出达到预定伺服***加工角速度的延迟时间信息,并将所述达到预定伺服***加工角速度的延迟时间信息作为评估结果进行输出。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括基于数控加工的加工精度预测方法程序,所述基于数控加工的加工精度预测方法程序被处理器执行时,实现任一项所述的基于数控加工的加工精度预测方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息,进一步根据当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果,进而通过获取当前数控加工设备中各伺服***的预设延迟时间以及待加工零件的加工轮廓信息,并根据预设延迟时间以及待加工零件的加工轮廓信息构建初始加工轮廓偏移数据模型,最终根据评估结果对初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端。通过本方法能够对长加工时间的数控加工设备的伺服***的温度变化数据进行预测,而温度变化数据容易影响伺服***的转动惯量,从而影响达到相同转矩之时,使得伺服***的加减速性能受到影响,通过本方法能够有效地预估出伺服***工作温度升高对于伺服***的加减速性能的变化,从而根据伺服***的加减速性能的变化数据来对加工精度进行预测,有效地提高了加工精度的预测准确性。
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实施例的附图。
图1示出了一种基于数控加工的加工精度预测方法的总体方法流程图;
图2示出了一种基于数控加工的加工精度预测方法的第一方法流程图;
图3示出了一种基于数控加工的加工精度预测方法的第二方法流程图;
图4示出了一种基于数控加工的加工精度预测***的***框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面提供了一种基于数控加工的加工精度预测方法,包括以下步骤:
S102:获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息;
S104:根据当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果;
S106:获取当前数控加工设备中各伺服***的预设延迟时间以及待加工零件的加工轮廓信息,并根据预设延迟时间以及待加工零件的加工轮廓信息构建初始加工轮廓偏移数据模型;
S108:根据评估结果对初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端。
需要说明的是,通过本方法能够对长加工时间的数控加工设备的伺服***的温度变化数据进行预测,而温度变化数据容易影响伺服***的转动惯量,从而影响达到相同转矩之时,使得伺服***的加减速性能受到影响,通过本方法能够有效地预估出伺服***工作温度升高对于伺服***的加减速性能的变化,从而根据伺服***的加减速性能的变化数据来对加工精度进行预测,有效地提高了加工精度的预测准确性。
如图2所示,进一步地,本发明的一个较佳实施例中,获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息,具体包括以下步骤:
S202:获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,根据待加工零件的加工工艺信息通过蚁群算法制定待加工零件的加工路径信息;
S204:基于当前待加工零件的预定加工参数信息以及待加工零件的加工路径信息计算出当前数控加工设备需要持续的加工时间信息;
S206:基于神经网络构建伺服***温度变化预测模型,通过大数据获取单位加工时间内各环境温度环境之下的伺服***温度变化数据信息,并将各环境温度环境之下的伺服电机温度数据信息输入到伺服电机温度变化预测模型中进行训练,以获取训练完成的伺服电机温度变化预测模型;
S208:获取数控加工设备的工作环境温度信息,将当前数控加工设备需要持续的加工时间信息以及数控加工设备的工作环境温度信息输入到训练完成的伺服电机温度变化预测模型,以获取伺服***相应的温度变化信息。
需要说明的是,在实际的加工过程中,对于一些复杂的加工零件,该类加工零件的加工时间较长,由于加工时间越长,伺服***需要持续进行工作,对应的伺服***就会温度升高,由于材料的热胀冷缩现象,而温度升高就会影响伺服***输出轴的膨胀,而由于材料的膨胀就会影响输出轴的转动惯量,进而影响整体伺服***的转动惯量。而通过本方法能够获取每一规格的伺服***在单位加工时间内的平均升温信息,从而获取到当前待加工零件在当前加工预估时间中的升温信息。
如图3所示,进一步地,本发明的一个较佳实施例中,根据当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果,包括以下步骤:
S302:根据当前待加工零件的预定加工参数信息进行数据计算,以获取当前待加工零件加工时的转矩变化信息,并通过大数据获取当前伺服***不同角速度在各温度数据信息之下的转矩信息;
S304:构建数据库,并将当前伺服***不同角速度在各温度数据信息之下的转矩信息输入到数据库中,并对伺服***相应的温度变化信息进行特征提取,以获取在加工待加工零件的轮廓时的温度信息;
S306:将在加工待加工零件的轮廓时的温度信息输入到数据库中进行匹配,以获取在加工待加工零件的轮廓时的转矩变化信息,计算在加工待加工零件的轮廓时的转矩变化信息与在当前待加工零件加工时的转矩变化信息的差值;
S308:若差值大于预设差值,根据在加工待加工零件的轮廓时的转矩变化信息计算出达到预定伺服***加工角速度的延迟时间信息,并将达到预定伺服***加工角速度的延迟时间信息作为评估结果进行输出。
需要说明的是,根据惯性定律与力矩的关系M=Jβ,其中M是扭转力矩,J是转动惯量,β是角加速度。对于一个固定大小的力,去转动某一个物体,根据公式M=Jβ,物体的转动惯量J越大,角加速度β就越小,到达指令转速的时间就越长。而在伺服到达指令转速的时间就越长,使得伺服***接收到的控制信号的延迟时间就会越长,从而进一步拉大伺服***在加工过程中的跟踪误差。
进一步地,本发明的一个较佳实施例中,获取当前数控加工设备中各伺服***的预设延迟时间以及待加工零件的加工轮廓信息,并根据预设延迟时间以及待加工零件的加工轮廓信息构建初始加工轮廓偏移数据模型,具体包括以下步骤:
获取当前数控加工设备中各伺服***的预设延迟时间,并根据当前数控加工设备中各伺服***的预设延迟时间确定待加工零件在加工过程中的跟踪误差信息;
根据跟踪误差信息确定刀具轨迹初始偏差数据信息,获取当前待加工零件的加工路径信息,并根据待加工零件的加工路径信息构建加工路径动态模型;
根据刀具轨迹初始偏差数据信息对加工路径动态模型进行刀具在加工过程中路径的动态修正,以获取刀具在加工过程中的路径动态模型;
通过对刀具在加工过程中的路径动态模型进行动态提取,以获取加工轮廓的动态路径模型,并将加工轮廓的动态路径图作为初始加工轮廓偏移数据模型进行输出。
需要说明的是,在本实施例中,伺服跟踪误差对加工轮廓度的影响体现在两个方面:首先是体现在刀具轨迹上的偏差,然后是体现在被加工曲面上的加工偏差。机床各轴的跟踪误差将通过各轴的运动反映到刀具轨迹上的偏差,而刀具轨迹的偏差将引起被加工曲面的轮廓误差。伺服***在实际的运用过程中都会选择一个合适的***延迟时间来使得伺服***在运行过程中保持稳定性,通过本方法首先建立伺服***初始时预设延迟时间所对应的加工轮廓的动态路径模型,其中加工路径动态模型可以通过相适应的软件所制成,如UG软件。
进一步地,本发明的一个较佳实施例中,根据评估结果对初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端,包括以下步骤:
根据评估结果确定伺服***在当前工作温度之下的实时跟踪误差信息,通过对实时跟踪误差信息进行数据转换,以获取刀具轨迹实时偏差数据信息;
获取初始加工轮廓偏移数据模型中的刀具轨迹初始偏差数据信息,并根据初始加工轮廓偏移数据模型中的刀具轨迹初始偏差数据信息以及刀具轨迹实时偏差数据信息生成相应的刀具轨迹偏移补偿数据信息;
根据相应的刀具轨迹偏移补偿数据信息对初始加工轮廓偏移数据模型进行数据补偿,以生成加工轮廓偏移数据修正模型;
将加工轮廓偏移数据修正模型传输至加工精度预测终端。
需要说明的是,通过本方法能够根据伺服***由于温度影响而导致的延迟时间延长,进而使得伺服***跟踪误差进一步产生变化,通过本方法能够进一步提高加工精度的预测准确性。
进一步地,本发明的一个较佳实施例中,基于数控加工的加工精度预测方法还包括以下步骤:
获取加工轮廓偏移数据修正模型中的刀具加工轨迹数据信息以及当前待加工零件的预定轮廓参数信息;
将刀具加工轨迹数据信息与待加工零件的预定轮廓参数信息对比,得到偏差率,并判断偏差率是否在预定的偏差率阈值范围之内;
当偏差率是在预定的偏差率阈值范围之内时,生成正常信息,并将正常信息传输至加工精度预测终端;
当偏差率不在预定的偏差率阈值范围之内时,根据偏差率对当前待加工零件的伺服加工参数进行数据修正。
此外,本方法还可以包括以下步骤:
获取当前待加工零件的加工批次信息以及当前区域中的数控加工设备信息,并对所述当前区域中的数控加工设备信息进行特征提取,以获取预设温度之下当前区域中的数控加工设备对应的加工轮廓偏移信息;
构建加工精度排序表,将所述当前区域中的数控加工设备对应的加工轮廓偏移信息输入到加工精度排序表中进行排序,以获取当前区域中的加工设备对应的加工轮廓偏移信息排序结果;
获取当前待加工零件的预定轮廓参数信息,获取所述加工轮廓偏移信息排序结果中小于当前待加工零件的预定轮廓参数信息对应的设备;
根据所述当前待加工零件的加工批次信息输入到粒子群算法中对所述加工轮廓偏移信息排序结果中小于当前待加工零件的预定轮廓参数信息对应的数控加工设备进行合理化分配,以获取分配结果。
需要说明的是,通过本方法能够选择出加工轮廓偏移信息排序结果中小于当前待加工零件的预定轮廓参数信息对应的设备,使得当前待加工零件的加工批次信息均符合加工要求,降低了在加工过程中的次品率,提高加工成功率。
此外,本方法还可以包括以下步骤:
获取当前区域中数控加工设备对应伺服***的初始加工轮廓精度以及当前待加工零件的预定轮廓参数信息;
据所述当前待加工零件的预定轮廓参数信息以及初始加工轮廓精度计算出所述初始加工轮廓精度变换为当前待加工零件的预定轮廓参数信息的预设时间节点;
获取当前待加工零件的预估加工时间信息,并判断所述当前待加工零件的预估加工时间信息是否大于所述预设时间节点;
若所述当前待加工零件的预估加工时间信息不大于所述预设时间节点,则将所述当前待加工零件的预估加工时间信息不大于所述预设时间节点的对应设备作为待加工零件的加工设备。
需要说明的是,当所述当前待加工零件的预估加工时间信息大于所述预设时间节点,说明当前数控加工设备是符合当前加工精度要求的设备,通过本方法能够对待加工零件进行选择更有利的加工设备,从而提高待加工零件的成功率。
此外,本方法还可以包括以下步骤:
若所述当前待加工零件的预估加工时间信息大于所述预设时间节点,获取当前待加工零件的加工工序信息,并根据所述加工工序信息以及当前待加工零件的预估加工时间信息获取各加工工序的加工时间节点;
根据各加工工序的加工时间节点获取待加工零件在加工轮廓时的加工时间节点,并判断所述在加工轮廓时的加工时间节点是否存在任意一项大于所述预设时间节点;
当所述在加工轮廓时的加工时间节点存在任意一项大于所述预设时间节点时,则不将当前数控加工设备作为待加工零件的加工设备;
当所述在加工轮廓时的加工时间节点不存在任意一项大于所述预设时间节点时,则将将当前数控加工设备作为待加工零件的加工设备。
需要说明的是,当所述在加工轮廓时的加工时间节点存在任意一项大于所述预设时间节点时,说明在该时间段内数控加工设备的加工精度是满足当前待加工零件的预定轮廓参数信息的,通过本方法能够进一步判断当前加工设备是否满足当前待加工零件。
如图4所示,本发明第二方面提供了一种基于数控加工的加工精度预测***,***包括存储器41以及处理器62,存储器41中包含基于数控加工的加工精度预测方法程序,基于数控加工的加工精度预测方法程序被处理器62执行时,实现如下步骤:
获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息;
根据当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果;
获取当前数控加工设备中各伺服***的预设延迟时间以及待加工零件的加工轮廓信息,并根据预设延迟时间以及待加工零件的加工轮廓信息构建初始加工轮廓偏移数据模型;
根据评估结果对初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端。
在本实施例中,获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息,具体包括以下步骤:
获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,根据待加工零件的加工工艺信息通过蚁群算法制定待加工零件的加工路径信息;
基于当前待加工零件的预定加工参数信息以及待加工零件的加工路径信息计算出当前数控加工设备需要持续的加工时间信息;
基于神经网络构建伺服***温度变化预测模型,通过大数据获取单位加工时间内各环境温度环境之下的伺服***温度变化数据信息,并将各环境温度环境之下的伺服电机温度数据信息输入到伺服电机温度变化预测模型中进行训练,以获取训练完成的伺服电机温度变化预测模型;
获取数控加工设备的工作环境温度信息,将当前数控加工设备需要持续的加工时间信息以及数控加工设备的工作环境温度信息输入到训练完成的伺服电机温度变化预测模型,以获取伺服***相应的温度变化信息。
在本实施例中,根据当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果,包括以下步骤:
根据当前待加工零件的预定加工参数信息进行数据计算,以获取当前待加工零件加工时的转矩变化信息,并通过大数据获取当前伺服***不同角速度在各温度数据信息之下的转矩信息;
构建数据库,并将当前伺服***不同角速度在各温度数据信息之下的转矩信息输入到数据库中,并对伺服***相应的温度变化信息进行特征提取,以获取在加工待加工零件的轮廓时的温度信息;
将在加工待加工零件的轮廓时的温度信息输入到数据库中进行匹配,以获取在加工待加工零件的轮廓时的转矩变化信息,计算在加工待加工零件的轮廓时的转矩变化信息与在当前待加工零件加工时的转矩变化信息的差值;
若差值大于预设差值,根据在加工待加工零件的轮廓时的转矩变化信息计算出达到预定伺服***加工角速度的延迟时间信息,并将达到预定伺服***加工角速度的延迟时间信息作为评估结果进行输出。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括基于数控加工的加工精度预测方法程序,基于数控加工的加工精度预测方法程序被处理器执行时,实现任一项的基于数控加工的加工精度预测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献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方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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权利要求的保护范围为准。
Claims (8)
1.基于数控加工的加工精度预测方法,其特征在于,包括以下步骤:
获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据所述当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息;
根据所述当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据所述伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果;
获取当前数控加工设备中各伺服***的预设延迟时间以及待加工零件的加工轮廓信息,并根据所述预设延迟时间以及待加工零件的加工轮廓信息构建初始加工轮廓偏移数据模型;
根据所述评估结果对所述初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端;
其中,根据所述当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据所述伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果,包括以下步骤:
根据所述当前待加工零件的预定加工参数信息进行数据计算,以获取当前待加工零件加工时的转矩变化信息,并通过大数据获取当前伺服***不同角速度在各温度数据信息之下的转矩信息;
构建数据库,并将所述当前伺服***不同角速度在各温度数据信息之下的转矩信息输入到所述数据库中,并对所述伺服***相应的温度变化信息进行特征提取,以获取在加工待加工零件的轮廓时的温度信息;
将所述在加工待加工零件的轮廓时的温度信息输入到所述数据库中进行匹配,以获取在加工待加工零件的轮廓时的转矩变化信息,计算所述在加工待加工零件的轮廓时的转矩变化信息与在当前待加工零件加工时的转矩变化信息的差值;
若所述差值大于预设差值,根据所述在加工待加工零件的轮廓时的转矩变化信息计算出达到预定伺服***加工角速度的延迟时间信息,并将所述达到预定伺服***加工角速度的延迟时间信息作为评估结果进行输出。
2.根据权利要求1所述的基于数控加工的加工精度预测方法,其特征在于,获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据所述当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息,具体包括以下步骤:
获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,根据所述待加工零件的加工工艺信息通过蚁群算法制定待加工零件的加工路径信息;
基于所述当前待加工零件的预定加工参数信息以及所述待加工零件的加工路径信息计算出当前数控加工设备需要持续的加工时间信息;
基于神经网络构建伺服***温度变化预测模型,通过大数据获取单位加工时间内各环境温度环境之下的伺服***温度变化数据信息,并将所述各环境温度环境之下的伺服电机温度数据信息输入到所述伺服电机温度变化预测模型中进行训练,以获取训练完成的伺服电机温度变化预测模型;
获取数控加工设备的工作环境温度信息,将所述当前数控加工设备需要持续的加工时间信息以及数控加工设备的工作环境温度信息输入到所述训练完成的伺服电机温度变化预测模型,以获取伺服***相应的温度变化信息。
3.根据权利要求1所述的基于数控加工的加工精度预测方法,其特征在于,获取当前数控加工设备中各伺服***的预设延迟时间以及待加工零件的加工轮廓信息,并根据所述预设延迟时间以及待加工零件的加工轮廓信息构建初始加工轮廓偏移数据模型,具体包括以下步骤:
获取当前数控加工设备中各伺服***的预设延迟时间,并根据所述当前数控加工设备中各伺服***的预设延迟时间确定待加工零件在加工过程中的跟踪误差信息;
根据所述跟踪误差信息确定刀具轨迹初始偏差数据信息,获取当前待加工零件的加工路径信息,并根据所述待加工零件的加工路径信息构建加工路径动态模型;
根据所述刀具轨迹初始偏差数据信息对所述加工路径动态模型进行刀具在加工过程中路径的动态修正,以获取刀具在加工过程中的路径动态模型;
通过对所述刀具在加工过程中的路径动态模型进行动态提取,以获取加工轮廓的动态路径模型,并将所述加工轮廓的动态路径图作为初始加工轮廓偏移数据模型进行输出。
4.根据权利要求1所述的基于数控加工的加工精度预测方法,其特征在于,根据所述评估结果对所述初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端,包括以下步骤:
根据所述评估结果确定伺服***在当前工作温度之下的实时跟踪误差信息,通过对所述实时跟踪误差信息进行数据转换,以获取刀具轨迹实时偏差数据信息;
获取初始加工轮廓偏移数据模型中的刀具轨迹初始偏差数据信息,并根据所述初始加工轮廓偏移数据模型中的刀具轨迹初始偏差数据信息以及刀具轨迹实时偏差数据信息生成相应的刀具轨迹偏移补偿数据信息;
根据所述相应的刀具轨迹偏移补偿数据信息对所述初始加工轮廓偏移数据模型进行数据补偿,以生成加工轮廓偏移数据修正模型;
将加工轮廓偏移数据修正模型传输至加工精度预测终端。
5.根据权利要求1所述的基于数控加工的加工精度预测方法,其特征在于,还包括以下步骤:
获取所述加工轮廓偏移数据修正模型中的刀具加工轨迹数据信息以及当前待加工零件的预定轮廓参数信息;
将所述刀具加工轨迹数据信息与所述待加工零件的预定轮廓参数信息对比,得到偏差率,并判断所述偏差率是否在预定的偏差率阈值范围之内;
当所述偏差率是在预定的偏差率阈值范围之内时,生成正常信息,并将所述正常信息传输至加工精度预测终端;
当所述偏差率不在预定的偏差率阈值范围之内时,根据所述偏差率对当前待加工零件的伺服加工参数进行数据修正。
6.基于数控加工的加工精度预测***,其特征在于,所述***包括存储器以及处理器,所述存储器中包含基于数控加工的加工精度预测方法程序,所述基于数控加工的加工精度预测方法程序被处理器执行时,实现如下步骤:
获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据所述当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息;
根据所述当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据所述伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果;
获取当前数控加工设备中各伺服***的预设延迟时间以及待加工零件的加工轮廓信息,并根据所述预设延迟时间以及待加工零件的加工轮廓信息构建初始加工轮廓偏移数据模型;
根据所述评估结果对所述初始加工轮廓偏移数据模型进行数据补偿,并生成加工轮廓偏移数据修正模型,将加工轮廓偏移数据修正模型传输至加工精度预测终端;
其中,根据所述当前待加工零件的预定加工参数信息获取当前待加工零件加工时的转矩变化信息,根据所述伺服***相应的温度变化信息以及当前待加工零件加工时的转矩变化信息进行评估,得到评估结果,包括以下步骤:
根据所述当前待加工零件的预定加工参数信息进行数据计算,以获取当前待加工零件加工时的转矩变化信息,并通过大数据获取当前伺服***不同角速度在各温度数据信息之下的转矩信息;
构建数据库,并将所述当前伺服***不同角速度在各温度数据信息之下的转矩信息输入到所述数据库中,并对所述伺服***相应的温度变化信息进行特征提取,以获取在加工待加工零件的轮廓时的温度信息;
将所述在加工待加工零件的轮廓时的温度信息输入到所述数据库中进行匹配,以获取在加工待加工零件的轮廓时的转矩变化信息,计算所述在加工待加工零件的轮廓时的转矩变化信息与在当前待加工零件加工时的转矩变化信息的差值;
若所述差值大于预设差值,根据所述在加工待加工零件的轮廓时的转矩变化信息计算出达到预定伺服***加工角速度的延迟时间信息,并将所述达到预定伺服***加工角速度的延迟时间信息作为评估结果进行输出。
7.根据权利要求6所述的基于数控加工的加工精度预测***,其特征在于,获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,并根据所述当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息获取伺服***相应的温度变化信息,具体包括以下步骤:
获取当前待加工零件的预定加工参数信息以及待加工零件的加工工艺信息,根据所述待加工零件的加工工艺信息通过蚁群算法制定待加工零件的加工路径信息;
基于所述当前待加工零件的预定加工参数信息以及所述待加工零件的加工路径信息计算出当前数控加工设备需要持续的加工时间信息;
基于神经网络构建伺服***温度变化预测模型,通过大数据获取单位加工时间内各环境温度环境之下的伺服***温度变化数据信息,并将所述各环境温度环境之下的伺服电机温度数据信息输入到所述伺服电机温度变化预测模型中进行训练,以获取训练完成的伺服电机温度变化预测模型;
获取数控加工设备的工作环境温度信息,将所述当前数控加工设备需要持续的加工时间信息以及数控加工设备的工作环境温度信息输入到所述训练完成的伺服电机温度变化预测模型,以获取伺服***相应的温度变化信息。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于数控加工的加工精度预测方法程序,所述基于数控加工的加工精度预测方法程序被处理器执行时,实现如权利要求1-5任一项所述的基于数控加工的加工精度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310528820.7A CN116300687B (zh) | 2023-05-11 | 2023-05-11 | 基于数控加工的加工精度预测方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310528820.7A CN116300687B (zh) | 2023-05-11 | 2023-05-11 | 基于数控加工的加工精度预测方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116300687A CN116300687A (zh) | 2023-06-23 |
CN116300687B true CN116300687B (zh) | 2023-08-08 |
Family
ID=86781791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310528820.7A Active CN116300687B (zh) | 2023-05-11 | 2023-05-11 | 基于数控加工的加工精度预测方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116300687B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116604399B (zh) * | 2023-07-20 | 2023-10-31 | 通用技术集团机床工程研究院有限公司 | 轮廓测量方法、装置、设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004234205A (ja) * | 2003-01-29 | 2004-08-19 | Mitsubishi Electric Corp | 数値制御装置 |
CN101972947A (zh) * | 2010-09-26 | 2011-02-16 | 天津大学 | 模拟工况载荷条件下机床主轴热误差测试试验方法 |
JP2012056005A (ja) * | 2010-09-08 | 2012-03-22 | Makino Milling Mach Co Ltd | パラメータ設定方法およびパラメータ設定装置 |
CN105867303A (zh) * | 2016-04-18 | 2016-08-17 | 安徽省捷甬达智能机器有限公司 | 一种参考误差的机床温差补偿*** |
CN106354092A (zh) * | 2016-09-24 | 2017-01-25 | 大连理工大学 | 一种随动与轮廓误差自适应实时补偿方法 |
CN108296877A (zh) * | 2018-02-24 | 2018-07-20 | 沈阳富创精密设备有限公司 | 一种热膨胀系数在高精度加工中的应用 |
CN109656198A (zh) * | 2019-01-31 | 2019-04-19 | 大连理工大学 | 一种进给轴热误差自适应补偿方法 |
CN110032142A (zh) * | 2019-04-29 | 2019-07-19 | 大连理工大学 | 基于数控加工路径最小化修正的轮廓误差预补偿方法 |
CN110875699A (zh) * | 2018-08-31 | 2020-03-10 | 兄弟工业株式会社 | 干扰观测器、控制装置、机床以及干扰估计方法 |
CN113126563A (zh) * | 2019-12-31 | 2021-07-16 | 中国航发商用航空发动机有限责任公司 | 数控机床数据管理***及方法 |
CN113483803A (zh) * | 2021-06-04 | 2021-10-08 | 深圳市正源翔工业智能有限公司 | 一种探头精度测试机 |
CN114237155A (zh) * | 2022-02-24 | 2022-03-25 | 深圳市正和楚基科技有限公司 | 一种多轴数控加工的误差预测及补偿方法、***及介质 |
-
2023
- 2023-05-11 CN CN202310528820.7A patent/CN116300687B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004234205A (ja) * | 2003-01-29 | 2004-08-19 | Mitsubishi Electric Corp | 数値制御装置 |
JP2012056005A (ja) * | 2010-09-08 | 2012-03-22 | Makino Milling Mach Co Ltd | パラメータ設定方法およびパラメータ設定装置 |
CN101972947A (zh) * | 2010-09-26 | 2011-02-16 | 天津大学 | 模拟工况载荷条件下机床主轴热误差测试试验方法 |
CN105867303A (zh) * | 2016-04-18 | 2016-08-17 | 安徽省捷甬达智能机器有限公司 | 一种参考误差的机床温差补偿*** |
CN106354092A (zh) * | 2016-09-24 | 2017-01-25 | 大连理工大学 | 一种随动与轮廓误差自适应实时补偿方法 |
CN108296877A (zh) * | 2018-02-24 | 2018-07-20 | 沈阳富创精密设备有限公司 | 一种热膨胀系数在高精度加工中的应用 |
CN110875699A (zh) * | 2018-08-31 | 2020-03-10 | 兄弟工业株式会社 | 干扰观测器、控制装置、机床以及干扰估计方法 |
CN109656198A (zh) * | 2019-01-31 | 2019-04-19 | 大连理工大学 | 一种进给轴热误差自适应补偿方法 |
CN110032142A (zh) * | 2019-04-29 | 2019-07-19 | 大连理工大学 | 基于数控加工路径最小化修正的轮廓误差预补偿方法 |
CN113126563A (zh) * | 2019-12-31 | 2021-07-16 | 中国航发商用航空发动机有限责任公司 | 数控机床数据管理***及方法 |
CN113483803A (zh) * | 2021-06-04 | 2021-10-08 | 深圳市正源翔工业智能有限公司 | 一种探头精度测试机 |
CN114237155A (zh) * | 2022-02-24 | 2022-03-25 | 深圳市正和楚基科技有限公司 | 一种多轴数控加工的误差预测及补偿方法、***及介质 |
Non-Patent Citations (1)
Title |
---|
Kang D.Improvement of Torque Accuracy of Interior Permanent Magnet Synchronous Motor Considering Temperature Variation.《Journal of Magnetics》.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116300687A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114237155B (zh) | 一种多轴数控加工的误差预测及补偿方法、***及介质 | |
CN116300687B (zh) | 基于数控加工的加工精度预测方法、***及介质 | |
CN114663250B (zh) | 双独立平台式工业物联网***及其控制方法 | |
CN110153801A (zh) | 一种基于多特征融合的刀具磨损状态辨识方法 | |
CN116560327B (zh) | 一种基于物联网的电动工具生产控制方法及*** | |
Him et al. | Iot-based predictive maintenance for smart manufacturing systems | |
Benker et al. | Estimating remaining useful life of machine tool ball screws via probabilistic classification | |
JP7507601B2 (ja) | 工作機械のびびり振動を予測するための方法 | |
Grzenda et al. | Improvement of surface roughness models for face milling operations through dimensionality reduction | |
CN115358578A (zh) | 用于分段装焊线混流生产的绿色调度方法、***及装置 | |
Sarker et al. | Structural equation modeling-based performance estimation and parametric analysis of wire electrical discharge machining processes | |
CN116977117B (zh) | 一种精密部件的加工智能分析方法及*** | |
CN110647106A (zh) | 刀具性能监测及评价方法和*** | |
CN114326593A (zh) | 一种刀具寿命预测***及方法 | |
CN116909211B (zh) | 一种高精密数控机床的智能调控方法及*** | |
CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及*** | |
CN116382224B (zh) | 一种基于数据分析的包装设备监测方法及*** | |
CN116228766B (zh) | 一种等离子加工设备的智能调控方法及*** | |
CN110658782B (zh) | 一种基于特征的数控机床固有能效预测方法 | |
CN114819391B (zh) | 基于历史数据集时间跨度优化的光伏发电功率预测方法及*** | |
CN116090349A (zh) | 一种光学薄膜生产工艺优化方法、设备及存储介质 | |
CN117697464B (zh) | 一种高精度数控机床的控制方法及*** | |
Molina et al. | Quality, efficiency and sustainability improvement in machining processes using artificial intelligence | |
CN115881882A (zh) | 电极涂布面密度的控制方法和相关产品 | |
Sari | Production Track Balance Design To Minimize Bottleneck |
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 |