一种刀具路径特征点的识别方法及装置制造方法及图纸

本发明专利技术公开了一种铣削精加工刀具路径特征点的识别方法及装置，从刀具路径中刀位点的坐标出发，提取出刀位点的几何信息，并提出一种刀位点几何参数图像编码方法，将刀位点几何信息编码为刀位点几何参数图像，该图像能够有效的表达目标刀位点与刀具行进方向邻域刀位点综合几何特征，借助深度学习领域中卷积神经网络模型，学习刀路轨迹中特征点的识别模式，通过标记后刀位点的几何参数图像作为训练集，训练卷积神经网络模型，通过该模型可实现对其他零件加工刀具路径中特征点的预测识别，亦可通过预测

【技术实现步骤摘要】
一种刀具路径特征点的识别方法及装置


[0001]本专利技术属于铣削精加工及深度学习领域，更具体地，涉及一种刀具路径特征点的识别方法及装置。

技术介绍

[0002]在实际的铣削精加工过程中，零件的CAD模型经过CAM软件后处理之后生成G01程序段，由这些G代码驱动数控系统进行零件的加工。G代码作为数控系统的语言，具有兼容不同种类数控系统的普适性，但是G代码是一种较为简单的语言，主要包含了刀具路径的位置信息，所以从CAD零件模型到G01程序段到刀位点位置坐标，在这个过程中零件的几何特征信息是消失了的。这些缺失的几何特征信息让刀具路径中特征点的识别变得异常困难，这些刀具路径中位于加工零件特征边界的特征点正是数控系统进行刀具速度规划，限速区间划分等等操作所必需的。铣削精加工中刀具路径中的刀位点和特征点如图1所示。刀具能否在特征点横向上保持进给速度一致性直接的影响到零件的表面加工质量，特别是在一些自由曲面零件的加工中。由于刀具在零件特征处进行加减速的速度规划，可能导致进给速度横向不一致，进而影响切削材料量，导致零件精加工产生缺陷，典型的由于刀路轨迹特征点处进给速度横向不一致导致的加工缺陷如图2所示。所以对于数控系统来说，能否正确的识别出零件精加工刀具路径的特征点，并对其进行针对性优化，直接的关系到零件加工质量与效率。
[0003]由于加工零件特征的多样性及G代码表达的几何缺陷，传统的方法难以解决刀具路径的特征点识别问题。具体表现为传统刀具路径特征点的识别方法只针对某些或者某些具有特定特征的零件，若遇到多样特征的零件，算法的性能将会急剧下降；传统算法依靠人为经验来建模或者指定阈值，难以提取出特征点的深层次特征；传统算法不具有自学习过程，无法从海量的零件刀路数据中来进一步完善自身算法。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种刀具路径特征点的识别方法及装置，由此解决难以对刀具路径的特征点进行识别的技术问题。
[0005]为实现上述目的，按照本专利技术的一个方面，提供了一种刀具路径特征点的识别方法，包括：
[0006]S1，基于加工刀具路径中待识别刀位点P
i
及其前后邻域的sl个刀位点的点距、外角和曲率，获取所述待识别刀位点P
i
的点距向量外角向量和曲率向量并基于分别求取对应的Gram矩阵其中，sl≥1；
[0007]S2，以分别作为通道数据，得到所述待识别刀位点的几何参数图像F
i
；
[0008]S3，将所述待识别刀位点的几何参数图像F
i
输入预先训练好的神经网络模型，得
到特征点识别结果。
[0009]优选地，所述基于分别求取对应的Gram矩阵包括：
[0010]分别将进行归一化，再分别求取对应的Gram矩阵进行归一化，再分别求取对应的Gram矩阵
[0011]优选地，所述神经网络模型是以刀位点的几何参数图像为样本，以特征点识别结果为标签进行监督训练得到的。
[0012]优选地，用于训练所述神经网络模型的刀位点的几何参数图像采用以下方式获取：
[0013]A1，获取所述待加工零件的加工刀具路径中的刀位点，并按照刀具行进方向进行排序；
[0014]A2，按序依次从所述刀位点中选择目标刀位点P
i
，并将P
i
及前后邻域的sl个刀位点组成滑窗队列；
[0015]A3，根据所述滑窗队列中各刀位点的点距d
i
、外角q
i
和曲率k
i
，获取所述目标刀位点P
i
的点距向量外角向量和曲率向量并基于并基于分别求取对应的Gram矩阵
[0016]A4，以分别作为通道数据，得到所述目标刀位点的几何参数图像F
i
；
[0017]A5，重复步骤A2
‑
A3，直至遍历所有刀位点，得到加工刀具路径中所有刀位点的几何参数图像。
[0018]优选地，刀位点P
i
的点距d
i
、外角q
i
和曲率k
i
与刀位点P
i
的三维坐标[x
i
,y
i
,z
i
]满足以下关系式：
[0019][0020][0021][0022]其中，P
c
为P
i
‑1、P
i
、P
i+1
三点插补圆的圆心。
[0023]优选地，所述点距向量
[0024]外角向量
[0025]曲率向量
[0026]按照本专利技术的另一方面，提供了一种刀具路径特征点的识别装置，包括：
[0027]第一处理模块，用于基于加工刀具路径中待识别刀位点P
i
及其前后邻域的sl个刀位点的点距、外角和曲率，获取所述待识别刀位点P
i
的点距向量外角向量和曲率向量并基于分别求取对应的Gram矩阵
[0028]第二处理模块，用于以分别作为通道数据，得到所述待识别刀位点的几何参数图像F
i
；
[0029]识别模块，用于将所述待识别刀位点的几何参数图像F
i
输入预先训练好的神经网络模型，得到特征点识别结果。
[0030]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0031]1、本专利技术提供的刀具路径特征点的识别方法，基于刀具路径的刀位点的几何参数特征进行编码，生成刀位点的几何参数图像，以进行刀具路径特征点的识别，一方面能够在一定程度上提取出刀位点潜在的几何特征，另一方面也能作为桥梁连接起铣削加工与数据领域驱动方法，能够将神经网络模型用于解决刀具路径中特征点的识别问题，克服了难以将不同尺度的工业数据转化成深度学习所需要的尺度的技术难题。
[0032]2、本专利技术提供的刀具路径特征点的识别方法，从刀具路径的刀位点坐标中提取出刀位点的几何信息，并将其编码为刀具路径几何参数图像，该图像能够有效的表达目标刀位点与刀具行进方向邻域刀位点综合几何特征，从而可将其作为训练集获得特征点识别模型，实现对刀具路径中特征点的识别。该方法与现有方法相比减少了算法中超参数的设定，因此拥有更强的鲁棒性和适用性；使用卷积神经网络提取刀具路径几何参数图像的深层特征使得该方法拥有更高的特征点识别精度和查全率，并且该方法提出了一种CAM后处理数据转化为深度学习需要的规整数据的思路，可以此解决更多相关问题。
[0033]3、本专利提出的方法与现有方法相比减少了算法中超参数与阈值的设定，使用卷积神经网络提取刀具路径几何参数图像的深层特征也使得该方法拥有更高的特征点识别精度和查全率，同时基于数据驱动的方法对于拥有相似特征的其他零件刀路轨迹拥有更强的鲁棒性和适用性。
附图说明
[0034]图1为本专利技术提供的刀具路本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种刀具路径特征点的识别方法，其特征在于，包括：S1，基于加工刀具路径中待识别刀位点P
i
及其前后邻域的sl个刀位点的点距、外角和曲率，获取所述待识别刀位点P
i
的点距向量外角向量和曲率向量并基于分别求取对应的Gram矩阵其中，sl≥1；S2，以分别作为通道数据，得到所述待识别刀位点的几何参数图像F
i
；S3，将所述待识别刀位点的几何参数图像F
i
输入预先训练好的神经网络模型，得到特征点识别结果。2.如权利要求1所述的刀具路径特征点的识别方法，其特征在于，所述基于分别求取对应的Gram矩阵包括：分别将进行归一化，再分别求取对应的Gram矩阵进行归一化，再分别求取对应的Gram矩阵3.如权利要求1所述的刀具路径特征点的识别方法，其特征在于，所述神经网络模型是以刀位点的几何参数图像为样本，以特征点识别结果为标签进行监督训练得到的。4.如权利要求1或3所述的刀具路径特征点的识别方法，其特征在于，用于训练所述神经网络模型的刀位点的几何参数图像采用以下方式获取：A1，获取所述待加工零件的加工刀具路径中的刀位点，并按照刀具行进方向进行排序；A2，按序依次从所述刀位点中选择目标刀位点P
i
，并将P
i
及前后邻域的sl个刀位点组成滑窗队列；A3，根据所述滑窗队列中各刀位点的点距d
i
、外角q
i
和曲率k
i
，获取所述目标刀位点P
i
的点距向量外角向量和曲率向量并基于并基于分别求取对...

【专利技术属性】
技术研发人员：胡鹏程，宋颍博，谢杰君，陈吉红，
申请(专利权)人：武汉华中数控股份有限公司，
类型：发明
国别省市：