具有恒力自适应控制方法的五轴精密小龙门数控加工中心技术

本发明专利技术公开了一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心，在切削过程中，检测模块对加工中心的主轴电机电流和实际切削参数不断采样，经过数据处理单元的处理，提供切削力分析数据；恒力控制系统通过实际检测和分析切削过程中切削力的变化，优化进给速度，向数控加工中心的运动控制器发送调节指令；在运动控制器和伺服驱动器的调节下，执行伺服电机调整进给速度，从而使切削力维持在期望的水平。相比传统的小龙门数控加工中心，本发明专利技术能够通过对加工过程的实时监控，识别其动态变化特征，自动调节加工参数；根据切削量的变化优化切削进给速度，在保证刀具、机床以及人员安全的基础上，进行恒力平稳切削，实现高精、高效加工作业需求。

【技术实现步骤摘要】
具有恒力自适应控制方法的五轴精密小龙门数控加工中心
本专利技术涉及数控加工中心控制系统设计
，尤其涉及一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心。
技术介绍
小龙门数控加工中心与传统立式加工中心相比，具有刚性好，轻型重载，加工精度高及主轴高度限制小等优点，特别适合于品种多样化、异型精密零部件的加工，在很多应用领域已逐渐取代大、中型立式加工中心，有着广阔的应用前景。但航空航天、汽车模具、轨道交通等行业的应用同时也对小龙门数控加工中心的加工精度、加工效率及智能化程度等提出了越来越高的要求，研究高性能的小龙门数控加工中心已成为提高装备制造业水平的关键问题之一。在小龙门数控加工中心的作业过程中，加工余量始终存在着波动，甚至会发生突变。如果始终保持统一的切削进给速度，加工余量的波动和突变势必使切削力产生大幅度变动，影响加工精度和加剧刀具磨损。为提机床稳定性、加工精度和加工效率，数控加工中心需要根据当前的工作状况自动调节进给速度，使得切削力保持在恒定期望值附近，从而实现平稳加工。因此，需要探索简单有效的控制策略，进一步提升小龙门数控加工中心的性能。
技术实现思路
针对以上现有技术的不足，本专利技术的目的是提供一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心。该方法首先建立“主轴电机电流特征-切削力”的映射关系，根据主轴电流动态变化状况，提取电流特征，识别切削力动态变化；同时基于即时学习算法的径向基(RBF)神经网络建立切削力特征值与切削参数(切削深度、进给速度)的映射模型，根据当前工况自适应调整机床的进给倍率，从而实现五轴精密小龙门数控加工中心的恒力自适应控制，提高加工精度和加工效率。本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术公开了一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心，其控制方法包括如下步骤：步骤101，针对不同的切削参数，对机床空转条件下的主轴电流进行采样，获得空切时的电流信号；步骤102，对主轴电流信号进行滤波，去除干扰噪声获得趋势序列；从而根据对趋势序列样本数据的均值计算，得到空切状态下的主轴电流特征值Iq；步骤103，在加工过程中，对主轴电流进行采样、滤波以及均值计算处理，获得实物切削过程中的主轴电流特征值Ip；步骤104，去除实物切削状态中机床自身特征的影响，即可获得当前切削状态的切削力特征值Ir，即Ir＝Ip-Iq，其中，加工过程中切削力的变化特征就转换为切削力特征值的变化特征；步骤105，在小龙门数控加工中心的实际切削作业过程中，当刀具、工件、材料加工条件不变时，切削力特征值I只与切削用量H和进给速度w存在关系，其映射模型可表示为：I＝f(H,w)，设计标定实验以获得切削力特征值I、切削用量H和进给速度w三者的映射关系，依据所述标定实验的样本数据来建立控制变量(I，H，w)的初始函数关系；步骤106，根据确立的系统模型f(·)，设计如下恒切削力自适应控制率：wref＝g(Iref,Hreal)其中，Iref预设的期望切削力设定值，Hreal为当前切削深度，切削过程中，根据当前切削用量自适应优化进给速度以保证恒力平稳切削。步骤107，根据当前切削力特征值Ireal和当前进给速度wreal进行估算切削深度，即Hreal＝h(Ireal,wreal)。更进一步地，所述步骤105进一步包括：在标准工况下进行一系列只改变切削用量或只改变进给速度的切削实验，对实验过程中的主流电流进行采样并进行特征值提取，建立样本数据库Ω，收集足够的样本后进行系统建模。更进一步地，所述步骤106进一步包括：采用径向基(RBF)神经网络对其建模，建立两输入一输出的径向基(RBF)神经网络来描述映射关系h(·)和g(·)，其中中间层神经元个数为5，所述径向基(RBF)神经网络具有三层，分别为输入层、隐层、输出层，其中从输入层到隐层为非线性变换，从隐层到输出层为线性变换。更进一步地，所述径向基神经网络的激活函数可表示为:则神经网络输出可表示为：对于映射关系g(·)，神经网络的输入(x1,x2)为(Iref,Hreal)，输出y为wref；对于映射关系h(·)，神经网络的输入(x1,x2)为(Ireal,wreal)，输出y为Hreal。更进一步地，通过所述步骤105的所述样本数据对神经网络进行训练即以得到切削力特征值I、切削用量H和进给速度w三者在不同时刻的映射模型，基于即时学习算法构建动态数据库，当切削过程工况发生变化时，所述即时学习算法可以通过矢量相似度选择准则来确定被控参数的当前邻域，基于局部邻域数据更新神经网络模型。更进一步地，所述即时学习算法构建动态数据库进一步包括：在数控加工中心的切削作业过程中，将当前的控制变量(Iref,Hreal)或(Ireal,wreal)称为查询向量，所述即时学习算法评估查询向量与样本向量的相似度，所述相似度评价函数的定义如下：其中，xc和xi代表当前查询向量和样本向量；根据相似度对数据库内的样本向量进行排列，并选择相似度高前M个样本向量组成查询向量的邻域，从而更新神经网络模型；若数据库内样本向量与查询向量的相似度都维持在较低水平，则将查询向量作为新的样本向量加入数据库，否则在更新神经网络模型后舍去。本专利技术进一步公开了一种基于小龙门数控加工中心的恒力自适应切削控制方法，包括如下步骤：步骤201：实时检测切削力变化特征，通过直接检测方式和间接检测方式检测切削力，其中，所述直接检测在主轴部位安装测力传感器，所述间接检测利用主轴电流与切削力存在着的对应关系，实时采集电机电流信号并滤波得到切削力的特征信号，以主轴电流信号的变化特征来间接描述切削力的变化特征；步骤202，构建动态样本数据库，通过初始化的标定实验和切削过程中的实时采样构建样本数据库，为恒力自适应控制模型的建立以及进给速度的调整提供依据；步骤203，执行恒力自适应控制策略，使用三次径向基(RBF)神经网络对当前切削用量的评估函数h(·)和进给速度调整函数g(·)两个映射函数分别建模，根据后给出的调整策略在运动控制器和伺服驱动器的调节下，执行伺服电机调整进给速度，从而使切削力维持在期望的水平。更进一步地，所述步骤203进一步包括：恒力自适应控制系统向数控加工中心的运动控制器发送调节指令，以符合当前工况的最优进给速度调整进给速度，维持切削力为预设恒力。本专利技术进一步提供了一种电子设备，包括：处理器；以及，存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的五轴精密小龙门数控加工中心的恒力自适应控制的方法。本专利技术进一步公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的五轴精密小龙门数控加工中心的恒力自适应控制的方法。本专利技术中，首先对空切及实际切削过程中的主轴电流实时采样，并进行滤波以及均本文档来自技高网...

【技术保护点】
1.一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心，其特征在于，所述小龙门数控加工中心的控制方法包括如下步骤：/n步骤101，针对不同的切削参数，对机床空转条件下的主轴电流进行采样，获得空切时的电流信号；/n步骤102，对主轴电流信号进行滤波，去除干扰噪声获得趋势序列；从而根据对趋势序列样本数据的均值计算，得到空切状态下的主轴电流特征值I

【技术特征摘要】
1.一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心，其特征在于，所述小龙门数控加工中心的控制方法包括如下步骤：
步骤101，针对不同的切削参数，对机床空转条件下的主轴电流进行采样，获得空切时的电流信号；
步骤102，对主轴电流信号进行滤波，去除干扰噪声获得趋势序列；从而根据对趋势序列样本数据的均值计算，得到空切状态下的主轴电流特征值Iq；
步骤103，在加工过程中，对主轴电流进行采样、滤波以及均值计算处理，获得实物切削过程中的主轴电流特征值Ip；
步骤104，去除实物切削状态中机床自身特征的影响，即可获得当前切削状态的切削力特征值Ir，即Ir＝Ip-Iq，其中，加工过程中切削力的变化特征就转换为切削力特征值的变化特征；
步骤105，在小龙门数控加工中心的实际切削作业过程中，当刀具、工件、材料加工条件不变时，切削力特征值I只与切削用量H和进给速度w存在关系，其映射模型可表示为：I＝f(H,w)，设计标定实验以获得切削力特征值I、切削用量H和进给速度w三者的映射关系，依据所述标定实验的样本数据来建立控制变量(I，H，w)的初始函数关系；
步骤106，根据确立的系统模型f(·)，设计如下恒切削力自适应控制率：
wref＝g(Iref,Hreal)
其中，Iref预设的期望切削力设定值，Hreal为当前切削深度，切削过程中，根据当前切削用量自适应优化进给速度以保证恒力平稳切削。
步骤107，根据当前切削力特征值Ireal和当前进给速度wreal进行估算切削深度，即Hreal＝h(Ireal,wreal)。


2.如权利要求1所述的一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心，其特征在于，所述步骤105进一步包括：在标准工况下进行一系列只改变切削用量或只改变进给速度的切削实验，对实验过程中的主流电流进行采样并进行特征值提取，建立样本数据库Ω，收集足够的样本后进行系统建模。


3.如权利要求2所述的一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心，其特征在于，所述步骤106进一步包括：采用径向基(RBF)神经网络对其建模，建立两输入一输出的径向基(RBF)神经网络来描述映射关系h(·)和g(·)，其中中间层神经元个数为5，所述径向基(RBF)神经网络具有三层，分别为输入层、隐层、输出层，其中从输入层到隐层为非线性变换，从隐层到输出层为线性变换。


4.如权利要求3所述的一种具有恒力自适应控制方法的五轴精密小龙门数控加工中心，其特征在于，所述径向基神经网络的激活函数可表示为:



则神经网络输出可表示为：



对于映射关系g(·)，神经网络的输入(x1,x2)为(Iref,Hreal)，输出y为wref；对于映射关系h(·)，神经网络的输入(x1,x2)为(Ireal,wreal)，输出y为Hreal。


5....

【专利技术属性】
技术研发人员：李爱军，刘欢，李寿超，彭刚，刘国锦，
申请(专利权)人：佛山市普拉迪数控科技有限公司，
类型：发明
国别省市：广东;44