[发明专利]一种虑及刀具状态的数控机床工艺参数自适应调控方法

说明书

本发明公开了一种虑及刀具状态的数控机床工艺参数自适应调控方法，属于智能制造技术领域。首先，在机床上进行变切削深度铣削加工试验，实时采集加工过程中主轴电机功率信号，并对信号进行缺失值补全和归一化处理；其次，分别构建刀具状态预测和主轴功率预测模型；然后，基于刀具状态和主轴功率的预测值，建立虑及刀具状态的工艺参数自适应调控模型；最后，根据调控模型实时调节加工工艺参数。本方法考虑了刀具状态在自适应调控中对加工效率的影响，在避免刀具和机床因参数调控而异常损坏的前提下，最大程度的提高加工效率，满足零件的高质、高效加工需求。

技术领域

本发明属于智能制造技术领域，涉及一种虑及刀具状态的数控机床工艺参数自适应调控方法。

背景技术

数控机床工艺参数自适应调控的原则是在避免刀具和机床损害、保证零件加工质量的前提下最大程度的提升加工效率，满足高质高效的加工需求。在传统数控加工过程中，工艺参数在加工前的编程阶段就已确定，而这些参数往往根据操作人员经验或者加工工艺手册进行保守的设定，不是最优的切削参数，并不适用于动态变化的切削过程。因此，能够自适应调控机床工艺参数的高质量、高效率加工技术成为当前机械加工领域的迫切需求。

在工艺参数自适应调控方面，学者已经开展了相关研究。在专利《一种基于GA-BP神经网络算法的机床自适应控制方法》(申请号：CN201910732917.3)中，基于神经网络算法对进给速度和主轴转速进行实时优化和自适应调整，可有效提高加工效率和加工质量；在专利《一种数控加工参数自适应模糊控制规则优化方法》(申请号：CN201310081486.1)中，运用功率键合图法对数控加工自适应控制的模糊控制规则进行优化，提高了控制性能和加工稳定性；在论文《复合材料钻削表面粗糙度在线监测与加工参数自适应优化》(机械工程学报，2020，56(02)：27-34+42.)中，建立基于支持向量回归的孔壁粗糙度在线监测模型，并利用模拟退火算法在当前监测状态下对钻削参数进行优化以保证钻孔质量；在论文《融合颤振控制的恒功率约束自适应加工方法研究》(机械制造与自动化，2018，47(05)：41-44+52.)中，基于模糊理论和变转速抑制切削颤振理论，以加工效率为目标制定了机床主轴转速和进给速度的调整原则，实现了融合颤振控制的恒功率约束自适应加工。

通过对机床自适应调控技术的分析发现：(1)现有的自适应调控模型未考虑刀具状态，模型固定的参考输入约束并不适用于加工过程中刀具状态的动态变化，导致加工效率提升不显著。(2)目前主要单一的使用神经网络或模糊理论进行自适应调控，存在训练数据获取困难、控制系统响应延迟等问题，易导致模型泛化性差、刀具异常破损。本发明针对上述问题，提出了具有时变输入约束的模糊控制模型，并有机结合了神经网络和模糊理论，可以显著提升机床的加工效率。

发明内容

为了解决常见的机床自适应调控方法未考虑刀具状态对控制效果的影响、控制系统响应延迟造成刀具异常破损等问题，本发明提出一种虑及刀具状态的数控机床工艺参数自适应调控方法。

为了达到上述目的，本发明采用的技术方案为：

一种虑及刀具状态的数控机床工艺参数自适应调控方法，首先，在机床上通过变切削深度铣削加工试验，获取不同工况下的主轴功率信号，并对获取的信号进行预处理；然后，使用处理后的功率信号分别训练径向基神经网络(RBF神经网络)和循环神经网络(RNN网络)，得到刀具状态的预测模型和切削功率的预测模型；接着，根据刀具状态更新模糊控制的输入约束，同时，选择RNN网络预测的功率数据与实际监测的功率数据中较大值作为模糊控制的反馈输入，建立具有时变输入约束的加工参数自适应调控模型；最后，在实际加工过程中，对机床主轴功率信号进行实时监测，利用加工参数自适应调控模型计算进给速度的调控值，对进给速度进行实时调控。所述方法包括如下步骤：

第一步，变切深加工信息采集和处理；