一种CNC加工决策约束校验与自学习方法及系统与流程

摘要: 本发明涉及数控加工(cnc)控制与计算机辅助制造(cam),具体涉及一种cnc加工决策约束校验与自学习方法及系统。背景技术:1、现有cnc报价、cam编程与生产...
一种CNC加工决策约束校验与自学习方法及系统与流程

本发明涉及数控加工(cnc)控制与计算机辅助制造(cam),具体涉及一种cnc加工决策约束校验与自学习方法及系统。

背景技术:

1、现有cnc报价、cam编程与生产执行系统普遍独立部署。近年来出现了将神经网络或深度强化学习用于切削参数推荐的技术方案,但仍存在以下可通过技术手段解决的工程问题。

2、第一,现有切削参数推荐方法生成的候选决策未与特定机床、特定刀具的实时物理承载状态建立数值约束关系,候选决策可能同时超出功率、刀具载荷等多项物理边界,导致机床过载、异常振动或刀具早期失效。同时,现有方法多止步于输出推荐参数,未将经校验的决策与cnc控制器的实际下发执行动作以及执行过程中的安全保护指令建立直接、闭环的技术关联,控制链条存在断点:即便推荐参数经过某种形式的检查,检查结果也不直接转化为对加工设备的控制信号,更未在执行阶段针对实测物理量超限的情形提供由同一系统实施的保护干预。

3、第二,现有数字孪生仿真参数与决策生成模型参数多为离线一次性设定,或采用无差别的同步更新策略,未能区分"物理层模型(数字孪生参数、边界预测经验公式)的重新标定"与"决策网络参数的重新训练"这两类更新在计算代价和触发条件上的本质差异;也未考虑功率、扭矩、振动等不同物理通道的偏差来源相互独立、理应分别判断和分别更新的事实,而是按单一综合指标笼统触发更新,导致某一通道的偏差被不当传导至其他未发生偏差的通道对应的模型参数,既浪费计算资源,又可能污染原本准确的模型。

4、第三,现有方法多采用类型级静态参数计算约束边界,即以机床型号、刀具型号的额定参数作为约束依据,未将具体机床、具体刀具批次的当前退化状态(如健康指数下降、刀具磨损、动态刚度衰减)参数化地纳入边界计算,导致约束边界与加工对象的实际状态不匹配:对退化严重的设备,静态边界过于宽松而存在安全风险;对状态良好的设备,静态边界又可能过于保守而牺牲加工效率。

技术实现思路

1、本发明所要解决的技术问题在于现有cnc加工决策方法物理闭环与控制链条脱节、模型更新策略粗放且逻辑混乱以及约束边界静态且失配的问题。

2、本发明通过以下技术手段解决上述技术问题的:一种cnc加工决策约束校验与自学习方法,包括:

3、s1、将机床类型、刀具类型对应的类型级参数存储至静态本体数据库;

4、s2、获取特定机床、特定刀具批次的实时健康指数、坐标偏置、刀具磨损量及动态刚度,形成动态状态向量;

5、s3、根据待加工零件的几何特征和动态状态向量生成候选加工决策;

6、s4、计算候选加工决策对应的预测功率、预测扭矩、预测刀具载荷、预测振动幅值中的至少两种预测物理量,确定动态合法解空间;

7、s5、对候选加工决策进行校验,超出约束时求解加权距离最小的数值投影得到修正加工决策,无可行解时输出拒绝下发信号及约束项标识,存在修正加工决策时经cnc控制器通信接口下发至cnc控制器以驱动机床执行加工;

8、s6、针对功率通道、扭矩通道和振动通道独立地进行分级残差判断与差异化模型更新。

9、进一步地,所述类型级参数包括额定主轴功率、额定扭矩、刀具类型许用载荷、刀具直径以及材料类型比切削力系数。

10、更进一步地,所述动态状态向量包括三类状态,历史态、当前态以及未来态,历史态包括累计工作时长和历史维护记录;当前态包括实时健康指数、刀具磨损量、坐标偏置及动态刚度;未来态包括本次任务规划轨迹和数字孪生仿真预测值,为实体索引,指代特定机床或特定刀具批次,为当前时刻。

11、更进一步地,所述实时健康指数按下式计算:

12、

13、其中,为理论寿命工时,为距上次维护后的性能衰减修正量,、为经历史标定数据回归得到的系数,为健康指数下限。

14、更进一步地,所述s3包括:

15、图神经网络以待加工零件cad模型的b-rep面-边邻接关系图作为输入,经三层图卷积与全局池化生成128维几何特征向量,三层全连接网络以所述几何特征向量作为输入,一层lstm以动态状态向量的时序特征作为输入,两分支的输出经拼接后再经全连接输出层,输出候选加工决策,为切削速度,为每齿进给量,为轴向切深;所述图神经网络、全连接网络以及lstm构成候选决策生成模块。

16、更进一步地,所述动态合法解空间为:

17、

18、其中,表示预测振动幅值,表示振动幅值上限,表示轴向切深的最小工艺下限,表示每齿进给量的最小工艺下限,为预设安全系数,为磨损修正项;表示切削力,表示预测功率,表示预测扭矩;

19、

20、磨损修正项按下式计算:

21、

22、其中,为预设退化系数,为刀具磨损量上限;

23、预测振动幅值按下式计算:

24、

25、其中,、、为经验系数。

26、更进一步地,所述s5包括:

27、将第个候选加工决策代入上述切削力、预测功率、预测扭矩、刀具批次许用载荷以及预测振动幅值的经验模型得到预测物理量,并与比较;

28、若全部约束条件均满足,则直接将作为修正加工决策;

29、若存在不满足的约束条件,则求解如下数值投影问题:

30、

31、其中,为预设正定权重矩阵;以为初始点迭代,当在预设最大迭代次数内未收敛时,在的预设邻域内进行网格搜索,取满足约束条件且加权距离最小的点作为;若在预设搜索范围内不存在可行解,则输出拒绝下发信号及对应的约束项标识,本次候选加工决策不予执行;若存在,系统将其转换为进给速度、主轴转速及切深控制指令,经cnc控制器通信接口下发至cnc控制器,由cnc控制器驱动机床按所述指令执行加工。

32、更进一步地,所述s6包括:

33、s61、对每一物理通道,、、分别表示功率通道、扭矩通道和振动通道,定义为对应用所述经验模型得到的通道预测物理量;为数字孪生仿真模块对的通道仿真输出;为通道的实测物理量;计算第二残差,若其超过通道预设第二阈值,则采用梯度下降更新数字孪生仿真模块中仅与通道相关的仿真参数;若未超过,则保持不变;

34、s62、以为参考,计算比例,对预测总量施加比例的修正,得到修正后的预测物理量,并将同步应用于通道对应经验系数的存储值;

35、s63、计算通道修正后的第一残差,若其超过通道预设第一阈值,,触发候选决策生成模块末层权重的在线微调;

36、s64、无论各通道是否触发更新,均将实测物理量写回动态状态向量的历史态,并更新健康指数与磨损量,当任一通道的实测物理量超过其对应的约束阈值时,除输出告警信号外,还经cnc控制器通信接口向cnc控制器发送安全保护指令。

37、更进一步地,所述安全保护指令按预设逐级策略实施:

38、首先下发降低进给倍率的控制指令,若在预设观测周期内该通道实测物理量仍超过阈值,则升级下发暂停加工的控制指令。

39、本发明还提供一种cnc加工决策约束校验与自学习系统,执行上述的方法,包括:

40、存储模块,用于将机床类型、刀具类型对应的类型级参数存储至静态本体数据库;

41、动态本体更新模块,用于获取特定机床、特定刀具批次的实时健康指数、坐标偏置、刀具磨损量及动态刚度,形成动态状态向量;

42、候选决策生成模块,用于根据待加工零件的几何特征和动态状态向量生成候选加工决策;

43、动态合法解空间构造模块,用于计算候选加工决策对应的预测功率、预测扭矩、预测刀具载荷、预测振动幅值中的至少两种预测物理量,确定动态合法解空间;

44、约束校验与投影模块,用于对候选加工决策进行校验,超出约束时求解加权距离最小的数值投影得到修正加工决策,无可行解时输出拒绝下发信号及约束项标识,存在修正加工决策时经cnc控制器通信接口下发至cnc控制器以驱动机床执行加工;

45、残差自学习模块,用于针对功率通道、扭矩通道和振动通道独立地进行分级残差判断与差异化模型更新。

46、本发明的优点在于:

47、(1)本发明通过实时状态驱动的动态边界、投影修正及直接驱动cnc控制器执行的闭环控制链路,降低了超出设备实际承载能力的加工指令被下发执行的概率,并使经校验的决策直接作用于加工设备,消除了推荐与执行之间的控制断点,避免物理闭环与控制链条脱节。根据特定机床、特定刀具批次的实时物理状态动态计算候选决策的约束边界,对候选决策进行数值校验与投影修正并直接驱动cnc控制器执行加工,在执行过程中实测物理量超限时逐级实施安全保护干预,并按各物理通道独立进行分级残差判断,对数字孪生仿真参数、边界预测经验系数和决策生成模型参数进行差异化的闭环更新。

48、(2)本发明通过实测物理量超限时的告警与逐级安全保护干预(先降低进给倍率,必要时升级为暂停加工),在加工执行过程中提供实时安全保护,弥补了候选决策生成阶段预测值与实际工况之间可能残留的偏差。

49、(3)本发明通过按物理通道独立进行的分级残差处理机制,避免了某一通道(如振动通道)的偏差被笼统地传导至其他未发生偏差的通道(如功率通道)对应的模型参数;同时将计算代价较高的数字孪生参数与经验模型重标定,与轻量级的决策网络末层微调按不同阈值区分触发,兼顾了模型准确性与计算经济性。

50、(4)本发明通过将机床、刀具的个体退化状态参数化纳入边界计算,使约束边界与加工对象当前实际状态的匹配度高于类型级静态方法,兼顾了加工安全性与材料去除效率。