一种数控机床加工路径智能优化方法及其系统技术方案

本发明专利技术涉及数控机床加工技术领域，特别涉及一种数控机床加工路径智能优化方法及其系统；在数控机床在执行加工任务时，本发明专利技术将加工任务和刀具状态作为输入，对其加工路径实现实时的、在线的智能指导，同时进行约束设置，来不断安排刀具按照最优的路径选择下一个工作基元，以提高数控机床的工作效率。以提高数控机床的工作效率。以提高数控机床的工作效率。

【技术实现步骤摘要】
一种数控机床加工路径智能优化方法及其系统


[0001]本专利技术涉及数控机床加工
，特别涉及一种数控机床加工路径智能优化方法及其系统。

技术介绍

[0002]数控机床是一种融合了计算机、自动控制、电气工程、机械工程以及传感监测等各项技术的先进智能装备；数控机床可以按照加工人输入的加工程序来对工件实现连续地、精确地自动加工；数控机床的应用对提升企业生产效率、降低劳动成本等方面有着重要作用，且对促进国家制造业的发展和进步有着重要意义，但是，当数控机床在面对一些复杂零件的批量化生产加工任务中，会存在加工时间长、加工行程大等问题，这严重影响了数控机床的加工效率，而如何对机床在工作过程中刀具的加工路径进行优化，就成为了当前制造业关注的重点问题之一。
[0003]现有的传统路径优化技术往往很难适应数控机床的应用场景，传统路径优化技术通常是基于静态的模型，大都局限于一些固定的规则，而数控机床的加工任务往往是灵活多变的，不同的加工任务可能需要不同的加工方式和加工设备，而即便是在某一特定加工任务下，在不同的加工基元中，也会面临着加工刀具的更换、加工方式的改变等问题；因此，传统路径优化方法很难适应这样的动态的、灵活多变的问题模型。

技术实现思路

[0004]本专利技术主要解决的技术问题是提供一种数控机床加工路径智能优化方法，其为数控机床在执行加工任务时，对其加工路径实现实时的、在线的智能指导，从而进一步提升数控机床的工作效率；还提供了一种数控机床加工路径智能优化系统。
[0005]为解决上述技术问题，本专利技术采用的一个技术方案是：提供了一种数控机床加工路径智能优化方法，其中，包括如下步骤：
[0006]步骤S1、输入初始化数据；
[0007]步骤S2、根据初始化数据进行初试训练动作，同时通过社会学习粒子群方法对初试训练动作的选择提供引导，从而选择出下一个加工基元；
[0008]步骤S3、设定循环训练选择出下一个加工基元，同时对选择下一个加工基元的行为进行约束且根据约束来设定对应的得分值，结合约束来获得得分值；
[0009]步骤S4、判断所有的训练任务是否完成，若完成，则将此时加工状态的数据转化为输入步骤S1内的初始化数据，进行再次训练，从而进行迭代循环训练；若未完成，则更新加工状态，返回步骤S2；
[0010]步骤S5、继续迭代循环训练，判断是否达到设定的最大迭代训练次数，若达到，则输出得分值最高的那组加工路径，若未达到，则更新加工状态，返回步骤S2；
[0011]步骤S6、将得分值最高的那组加工路径作为最优加工路径，进行可视化。
[0012]作为本专利技术的一种改进，在步骤S1内，初始化数据包括当前数控机床的加工状态
和根据历史数据训练得到的网络参数。
[0013]作为本专利技术的进一步改进，当前数控机床的加工状态包括加工基元位置、加工刀具状态、加工刀具寿命、刀具加工方式和刀具加工时间。
[0014]作为本专利技术的更进一步改进，在步骤S2内，通过社会学习粒子群方法得到一个初始最优解，以这个初始最优解对初试训练动作选择提供引导，从而选择出下一个加工基元。
[0015]作为本专利技术的更进一步改进，在步骤S3内，约束包括加工基元位置不能重复和刀具的使用寿命。
[0016]作为本专利技术的更进一步改进，在步骤S3内，遵守约束，设定加工路径越短，加工时间越少，得分越高。
[0017]作为本专利技术的更进一步改进，在步骤S3内，违背约束，则进行对应的扣分。
[0018]作为本专利技术的更进一步改进，在步骤S4内，所有的训练任务未完成，则通过异步学习网络更新网络参数及加工基元位置的状态信息，返回步骤S2。
[0019]作为本专利技术的更进一步改进，在步骤S5内，未达到设定的最大迭代训练次数，则通过通过异步学习网络更新网络参数及加工基元位置的状态信息，返回步骤S2。
[0020]一种数控机床加工路径智能优化系统，其中，包括：
[0021]输入模块，用于输入初始化数据；
[0022]训练模块，用于根据初始化数据进行初试训练；
[0023]奖励模块，用于根据训练的行为获取对应的得分值；
[0024]判断模块，用于判断训练是否完成；
[0025]输出模块，用于输出最优加工路径；
[0026]显示模块，用于将最优加工路径进行可视化显示。
[0027]本专利技术的有益效果是：与现有技术相比，在数控机床在执行加工任务时，本专利技术将加工任务和刀具状态作为输入，对其加工路径实现实时的、在线的智能指导，同时进行约束设置，来不断安排刀具按照最优的路径选择下一个工作基元，以提高数控机床的工作效率。
附图说明
[0028]图1为本专利技术的步骤框图；
[0029]图2为本专利技术的流程示意图；
[0030]图3为本专利技术的异步学习网络框架的框架图。
具体实施方式
[0031]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0032]请参照图1至图3，本专利技术的一种数控机床加工路径智能优化方法，包括如下步骤：
[0033]步骤S1、输入初始化数据；
[0034]步骤S2、根据初始化数据进行初试训练动作，同时通过社会学习粒子群方法对初试训练动作的选择提供引导，从而选择出下一个加工基元；
[0035]步骤S3、设定循环训练选择出下一个加工基元，同时对选择下一个加工基元的行
为进行约束且根据约束来设定对应的得分值，结合约束来获得得分值；
[0036]步骤S4、判断所有的训练任务是否完成，若完成，则将此时加工状态的数据转化为输入步骤S1内的初始化数据，进行再次训练，从而进行迭代循环训练；若未完成，则更新加工状态，返回步骤S2；
[0037]步骤S5、继续迭代循环训练，判断是否达到设定的最大迭代训练次数，若达到，则输出得分值最高的那组加工路径，若未达到，则更新加工状态，返回步骤S2；
[0038]步骤S6、将得分值最高的那组加工路径作为最优加工路径，进行可视化。
[0039]本专利技术将加工任务和刀具状态作为输入，对其加工路径实现实时的、在线的智能指导，同时进行约束设置，来不断安排刀具按照最优的路径选择下一个工作基元，以提高数控机床的工作效率。
[0040]在步骤S1内，初始化数据包括当前数控机床的加工状态和根据历史数据训练得到的网络参数，当前数控机床的加工状态包括加工基元位置、加工刀具状态、加工刀具寿命、刀具加工方式和刀具加工时间。
[0041]在步骤S2内，通过社会学习粒子群方法得到一个初始最优解，以这个初始最优解对初试训练动作选择提供引导，从而选择出下一个加工基元。
[0042]在步骤S3内，约束包括加工基元位置不能重复和刀具的使用寿命；遵守约束，设定加工路径越短，加工时间越少，得分越高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数控机床加工路径智能优化方法，其特征在于，包括如下步骤：步骤S1、输入初始化数据；步骤S2、根据初始化数据进行初试训练动作，同时通过社会学习粒子群方法对初试训练动作的选择提供引导，从而选择出下一个加工基元；步骤S3、设定循环训练选择出下一个加工基元，同时对选择下一个加工基元的行为进行约束且根据约束来设定对应的得分值，结合约束来获得得分值；步骤S4、判断所有的训练任务是否完成，若完成，则将此时加工状态的数据转化为输入步骤S1内的初始化数据，进行再次训练，从而进行迭代循环训练；若未完成，则更新加工状态，返回步骤S2；步骤S5、继续迭代循环训练，判断是否达到设定的最大迭代训练次数，若达到，则输出得分值最高的那组加工路径，若未达到，则更新加工状态，返回步骤S2；步骤S6、将得分值最高的那组加工路径作为最优加工路径，进行可视化。2.根据权利要求1所述的一种数控机床加工路径智能优化方法，其特征在于，在步骤S1内，初始化数据包括当前数控机床的加工状态和根据历史数据训练得到的网络参数。3.根据权利要求2所述的一种数控机床加工路径智能优化方法，其特征在于，当前数控机床的加工状态包括加工基元位置、加工刀具状态、加工刀具寿命、刀具加工方式和刀具加工时间。4.根据权利要求3所述的一种数控机床加工路径智能优化方法，其特征在于，在步骤S2内，通过社...

【专利技术属性】
技术研发人员：杨之乐，郭媛君，赵世豪，吴承科，王尧，李慷，冯伟，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：