一种防崩边数控裁板锯及其切割控制方法与流程

本发明涉及切割控制，具体为一种防崩边数控裁板锯及其切割控制方法。

背景技术：

1、针对传统数控裁板锯切割实木板材或高密度板材时，板材边缘易出现崩边、毛刺，影响家具外观质量，且切割精度受进料速度波动影响较大的问题。

技术实现思路

1、本发明的目的在于提供的一种防崩边数控裁板锯及其切割控制方法，解决了背景技术中存在的问题。

2、为解决上述技术问题，本发明采用如下技术方案：本发明提供一种防崩边数控裁板锯及其切割控制方法，具体包括以下步骤：

3、s1、在数控裁板区域内安装监测设备，通过安装的监测设备采集数控裁板区域内的数控裁板锯历史运行数据和板材历史图像数据；

4、s2、通过数据处理方式对采集到的数控裁板锯历史运行数据和板材历史图像数据进行处理，得到处理后的数控裁板锯历史运行数据和板材历史图像数据；

5、s3、通过数据分析方式对处理后的数控裁板锯历史运行数据和板材历史图像数据进行组合分析，得到组合分析后的数控裁板锯历史数据；

6、s4、基于组合分析后的数控裁板锯历史数据，构建自适应切割控制模型；

7、s5、根据自适应切割控制模型调节数控裁板锯，并进行实时验证监测。

8、优选地，所述在数控裁板区域内安装监测设备，通过安装的监测设备采集数控裁板区域内的数控裁板锯历史运行数据和板材历史图像数据包括以下步骤：

9、在数控裁板区域安装监测设备，并设定监测设备的采集周期；

10、设定监测设备的采集周期集合，表示第1个采集周期，表示采集周期总个数；

11、基于设定监测设备的采集周期采集数控裁板区域内的数控裁板锯历史运行数据和板材历史图像数据。

12、优选地，所述通过数据处理方式对采集到的数控裁板锯历史运行数据和板材历史图像数据进行处理，得到处理后的数控裁板锯历史运行数据和板材历史图像数据包括以下步骤：

13、s21、通过数据处理方式对采集到的数控裁板锯历史运行数据进行处理，得到处理后的数控裁板锯历史运行数据；

14、设定数控裁板锯历史运行数据包括进料压力数据、进料速度数据和锯片转速数据；

15、通过数据标准化方式对数控裁板锯历史运行数据进行标准化；

16、设定标准化后的数控裁板锯历史运行数据为处理后的数控裁板锯历史运行数据；

17、s22、通过图像处理方式对采集到的板材历史图像数据进行处理，得到处理后的板材历史图像数据。

18、优选地，所述通过图像处理方式对采集到的板材历史图像数据进行处理，得到处理后的板材历史图像数据包括以下步骤：

19、通过自适应局部对比度增强方式对采集到的板材历史图像数据图像增强，得到增强后的板材历史图像数据；

20、自适应局部对比度增强公式如下所示：

21、；

22、其中，表示增强后的板材历史图像数据中坐标的像素灰度值，表示板材历史图像数据中坐标的像素灰度值，为以为中心的局部区域内像素灰度的均值，为以为中心的局部区域内像素灰度的标准差，为对比度限制参数，为常数；

23、设定增强后的板材历史图像数据为处理后的板材历史图像数据。

24、优选地，所述通过数据分析方式对处理后的数控裁板锯历史运行数据和板材历史图像数据进行组合分析，得到组合分析后的数控裁板锯历史数据包括以下步骤：

25、s31、将处理后的数控裁板锯历史运行数据和板材历史图像数据按时间序列排列，并进行组合，得到组合后的数控裁板锯历史数据；

26、s32、基于组合后的数控裁板锯历史数据构建决策树，并通过构建决策树对组合后的数控裁板锯历史数据进行分类，得到分类后的数控裁板锯历史数据；

27、s33、收集不同专家对分类后数控裁板锯历史数据的评分数据，并采用加权平均法对评分数据进行聚合，得到各分类数控裁板锯历史数据的评分数据；

28、s34、汇总各分类数控裁板锯历史数据的评分数据和分类后的数控裁板锯历史数据，得到组合分析后的数控裁板锯历史数据。

29、优选地，所述基于组合后的数控裁板锯历史数据构建决策树，并通过构建决策树对组合后的数控裁板锯历史数据进行分类，得到分类后的数控裁板锯历史数据包括以下步骤：

30、s321、汇总组合后的数控裁板锯历史数据，得到样本集，设定样本集中的每一个样本数据表示一组组合后的数控裁板锯历史数据；

31、对于样本集中的样本数据，有放回的随机选择m个样本数据，并基于选择m个样本数据构建一个决策树，设定选择的m个样本数据作为构建决策树根节点处的样本数据；

32、s322、根据决策树根节点处样本数据的属性，对决策树根节点进行划分；

33、当决策树根节点处样本数据有z个属性时，随机从这z个属性中选取1个属性，然后设定选取的1个属性的范围阈值，并基于设定的范围阈值作为该节点的分类属性；

34、设定每种分类属性只能选择一次，且每次分类仅会产生两个节点；

35、s323、将决策树中的每个节点都按照步骤s322进行分类，直到决策树每个节点中的每个样本数据只存在一种属性时，分类停止，输出分类后的节点，并基于分类后的节点构建决策树；

36、s324、将组合后的数控裁板锯历史数据输入构建的决策树进行分类，得到分类后的数控裁板锯历史数据。

37、优选地，所述基于组合分析后的数控裁板锯历史数据，构建自适应切割控制模型包括以下步骤：

38、s41、基于组合分析后的数控裁板锯历史数据构建切割控制参数模型；

39、s42、构建bp神经网络，并将组合分析后的数控裁板锯历史数据作为训练样本对bp神经网络进行训练，得到训练好的bp神经网络；

40、s43、基于训练好的bp神经网络，通过误差对比方式确定自适应切割控制模型；

41、将训练好的bp神经网络与切割控制参数模型进行对比，分析判断训练好的bp神经网络与切割控制参数模型是否符合误差要求；

42、通过将采集数控裁板区域内的数控裁板锯历史运行数据和板材历史图像数据，分别输入训练好的bp神经网络与切割控制参数模型，并将输出结果进行对比，同时设定误差阈值；

43、当对比得出训练好的bp神经网络与切割控制参数模型符合误差要求，设定训练好的bp神经网络为自适应切割控制模型，反之则增加训练参数继续训练bp神经网络。

44、优选地，所述构建bp神经网络，并将组合分析后的数控裁板锯历史数据作为训练样本对bp神经网络进行训练，得到训练好的bp神经网络包括以下步骤：

45、构建bp神经网络，并将组合分析后的数控裁板锯历史数据作为训练样本对bp神经网络进行训练；

46、bp神经网络的结构包括：输入层、隐含层和输出层；

47、bp神经网络的学习算法包括：

48、设定输入层的输入为，其中表示输入的第一个组合后的数控裁板锯历史数据，表示输入的第k个组合后的数控裁板锯历史数据，输出层的输出为，其中表示输出的第一个预测分析后的数控裁板锯历史数据，表示输出的第j个预测分析后的数控裁板锯历史数据，v为输入层到隐含层的权重，w为隐含层到输出层的权重；

49、bp神经网络的过程包括信号的正向传播和误差的反向传播两个阶段；

50、数据正向传播训练为数据从输入层输入，经过隐含层，最后到达输出层；

51、误差反向传播训练为依次调节隐含层到输出层的权重，输入层到隐含层的权重；

52、数据正向传播训练步骤如下所示：

53、设bp神经网络有个输入节点，个输出节点，输入层节点的输出与其输入相等，数据从输入到输出依次传递；

54、输出层在接收到隐含层传输的组合后的数控裁板锯历史数据后，直接对接收到的组合后的数控裁板锯历史数据进行输出，得到预测分析后的数控裁板锯历史数据；

55、设定组合分析后的数控裁板锯历史数据为期望值；

56、计算预测分析后的数控裁板锯历史数据和期望值之间的误差，并设定预测分析后的数控裁板锯历史数据和期望值之间的误差阈值，当预测分析后的数控裁板锯历史数据和期望值之间的误差大于等于设定的误差阈值时，通过误差的反向传播阶段依次调节隐含层到输出层的权重，输入层到隐含层的权重；

57、当反向传播训练调节权重的值下降至小于设定阈值，则bp神经网络收敛，得到训练好的bp神经网络。

58、优选地，所述根据自适应切割控制模型调节数控裁板锯，并进行实时验证监测包括以下步骤：

59、实时采集数控裁板区域内的数控裁板锯运行数据和板材图像数据，并将实时采集数控裁板区域内的数控裁板锯运行数据和板材图像数据输入至自适应切割控制模型；

60、基于自适应切割控制模型计算当前数控裁板锯切割预测控制的准确率；

61、设定切割预测控制的准确率和召回率阈值；当计算得到的准确率和召回率低于设定的准确率和召回率阈值，表示当前切割预测控制调控模型精度不足，增加样本集数量重新计算切割预测控制调控模型。

62、本发明的有益效果在于：

63、（1）本发明通过在数控裁板区域内安装监测设备，通过安装的监测设备采集数控裁板区域内的数控裁板锯运行数据和板材图像数据，采集完成后，通过数据处理方式进处理，处理完成后，通过组合分析方式对处理后的数控裁板锯运行数据和板材图像数据进行组合分析，同时根据组合分析后的数控裁板锯历史数据，构建自适应切割控制模型。最后根据自适应切割控制模型调节数控裁板锯，并进行实时验证监测，提高了数控裁板锯控制的实时性。

64、（2）本发明通过自适应切割控制模型解决崩边问题，切割精度提升≥5%，适配多种厚度、材质的板材，降低后续打磨工序工作量。