在通过多轴加工机加工工件期间避免碰撞的方法和装置制造方法及图纸

本发明专利技术涉及一种用于避免加工机(12)的一部分与由加工机(12)进行处理的工件(14)之间的碰撞的方法(26)和装置(10)。为此，模拟和/或通过传感器(56)测量在工件加工期间在加工机(12)的至少一个第一轴和第二轴的值(40a，b)的情况下该加工机(12)的至少一部分与工件(14)之间的距离。优选地，对这些输入数据(42)进行处理以形成特征向量(48)并且传送给经训练的机器学习算法(28)。机器学习算法(28)根据特征向量(48)确定这些轴的无碰撞值(40c)。这些值(40c)在验证之后可以作为反馈间接或直接反馈至机器学习算法(28)，用于对机器学习算法(28)进行训练。进行训练。进行训练。

【技术实现步骤摘要】
在通过多轴加工机加工工件期间避免碰撞的方法和装置


[0001]本专利技术涉及一种用于对工件进行加工的方法和装置。

技术介绍

[0002]在对工件进行三维加工期间，特别是在激光切割或激光焊接期间，可能会发生加工机的一部分(特别是加工机的工具头)与工件或加工机的另一部分之间的碰撞。
[0003]已知通过手动检查加工轨迹来避免这样的碰撞。申请人此外还知道使用暴力算法在工件加工期间避免碰撞。然而，这两种方法都很复杂或需要非常长的计算时间。

技术实现思路

[0004]因此，本专利技术的目的是提供一种使得能以有效且可靠的方式避免碰撞的方法和装置。
[0005]根据本专利技术，此目的通过根据优选实施方案的方法和根据优选实施方案的装置来实现。可选实施方案提出了优选的发展。
[0006]因此，根据本专利技术，该目的通过一种用于使用装置对工件进行加工的方法来实现，该装置包括加工机，该加工机被配置成对工件进行3D加工并且包括工具头，工具头可绕第一轴和第二轴移动，该方法由该装置执行并且包括以下方法步骤：
[0007]B)检测关于工具头的几何形状、关于工件的几何形状和关于工具头与工件之间的距离以及关于第一轴和关于第二轴的输入数据；
[0008]C)对输入数据进行处理以形成特征数据；
[0009]D)在装置的机器学习算法中对特征数据进行处理；
[0010]E)从机器学习算法输出关于工具头与工件和/或加工机的某个其他部分的碰撞的预测。
[0011]本专利技术的方法使得能够可靠且不复杂地避免在沿着加工轨迹对工件进行加工期间工具头与工件或加工机的某个其他部分之间的碰撞。
[0012]优选地，第一轴和第二轴延伸穿过工具在工件上的加工点。第一轴可以是加工机的B轴。第二轴可以是加工机的C轴。
[0013]工具头与工件之间的距离可以根据Z缓冲区图像确定。
[0014]该装置可以包括具有机器学习算法的计算机。计算机可以是加工机的一部分。
[0015]优选地，加工机以5轴或6轴机器的形式构成。其中，优选将三个轴设置用于用工具接近加工点并且将两到三个轴设置用于调节工具头的工作位置
[0016]优选地，输入数据呈现为几何图像(黑白图像、灰度图像、RGB图像)和/或Z缓冲区图像(距离图像)。特征数据可以以特征向量的形式呈现。
[0017]方法步骤E)中的输出可以按意义以“碰撞”、“即将碰撞”或“不碰撞”的形式实现。
[0018]在方法步骤B)之前，可以在方法步骤A)中通过输入碰撞和/或不存在碰撞的经验证的输入数据来训练机器学习算法。经验证的输入数据可以源自在方法步骤E)中获得的经
验证的预测。替换地，输入数据可以源自模拟。对机器学习算法的训练构成本专利技术的独立方面。
[0019]方法步骤B)中的输入数据可以至少部分地取自加工机的CAD数据或NC数据。例如，CAD数据在模拟中可以转换成模拟传感器数据、尤其模拟相机数据。
[0020]替换或附加地，输入数据可以至少部分地取自由传感器记录的传感器数据。使用传感器数据使得能够在用于创建或处理输入数据的计算能力显著降低的情况下避免碰撞。此外，在使用传感器数据的情况下，还可以对不可预见的情形作出反应，例如，如果使用(特别是对于加工机来说是未知的)固持器来夹持工件。
[0021]特别优选地，传感器布置或构成在工具头上。因此，无需对传感器数据进行处理或仅需要对传感器数据进行少量处理。
[0022]在本专利技术的特别优选的配置中，传感器以相机的形式构成。相机可以以飞行时间(TOF)相机或轮廓深度(RGB
‑
D)相机的形式构成。
[0023]在方法步骤E)中，可以通过对来自方法步骤B)的输入数据进行处理来输出第一轴和第二轴的无碰撞输入数据(值)。
[0024]替换地，在方法步骤E)中预测出碰撞的情况下，可以在方法步骤E)之后执行以下方法步骤：
[0025]F)改变第一轴和/或第二轴的输入数据；
[0026]G)执行方法步骤B)至E)；
[0027]H)执行方法步骤F)和G)，直到在方法步骤E)中没有预测出碰撞或已经达到方法步骤F)和G)的预定运行次数为止，其中在不存在碰撞的情况下，输出在方法步骤B)中使用的第一轴和第二轴的输入数据。
[0028]在本专利技术的特别优选的配置中，机器学习算法以神经网络的形式构成。神经网络可以包括输入层、多个隐藏层、以及输出层。特征数据可以输送至神经网络的输入层。
[0029]如果加工机以切割机的形式和/或以激光加工机的形式构成，则本专利技术的方法是特别有利的。优选地，激光加工机的激光工具的激光束在其焦点处具有工具的加工点(在此为激光束的加工点)。
[0030]此外，本专利技术的目的还通过一种用于执行在此描述的方法的在此描述的装置来实现。
[0031]本专利技术的其他优点从说明书和附图中得出。同样，根据本专利技术，以上提及的特征和仍将进一步说明的特征可以在各自情况下本身单独地使用、或者以任意的组合作为多个使用。所示出和描述的实施方式不应被理解为穷举，而是具有用于概述本专利技术的示例性特性。
附图说明
[0032]图1示出了具有用于对工件进行处理的工具头的加工机。
[0033]图2示出了来自图1的加工机，其中工具头在对工件的特定位置进行加工期间与工件碰撞。
[0034]图3示出了来自图2的加工机，其中工具头在对与图2中的相同位置进行加工期间没有与工件碰撞。
[0035]图4示出了一种用于借助于机器学习算法识别和避免碰撞并且训练机器学习算法
的方法。
[0036]图5示出了一种用于使用传感器识别和避免碰撞的替换方法。
[0037]图6a示出了工具头与工件之间的碰撞的特写视图。
[0038]图6b示出了根据图6a的情形的边缘图像。
[0039]图6c示出了根据图6b的情形的经过滤的Z缓冲区图像。
具体实施方式
[0040]图1示出了装置10，该装置具有加工机12，用于对工件14进行加工。加工机12以多轴方式构成。加工机12具有第一轴16和第二轴18。提供了另外三个轴，用于接近或移动至加工点20。
[0041]图2同样示出了装置10。从图2可以明显看出，加工机12包括工具头22，该工具头在碰撞区域24中与工件14碰撞。本专利技术的目的是以特别有效的方式避免这样的碰撞。
[0042]图3示出了装置10以及加工机12和工件14。结合图2和图3可以明显看出，在图3中，对工件14进行了相同的加工，但通过轴16和轴18(参见图1)的偏转避免了图2所示的碰撞。
[0043]图4示出了一种用于使用机器学习算法28识别和避免碰撞的方法26。在此，在模拟器30中，工件14(参见图3)的CAD数据被转换为模拟传感器数据。根据对工件加工的模拟，可以得出碰撞32或已解决的碰撞34。对于这些场景，分别可以呈现轴16、18(参见图1)的Z缓冲区图像(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于利用装置(10)对工件(14)进行加工的方法(26)，该装置(10)包括加工机(12)，该加工机被配置成对该工件(14)进行三维加工并且包括具有工具的工具头(22)，所述工具头能够绕至少一个第一轴(16)和第二轴(18)运动，所述方法(26)通过所述装置(10)执行并且包括以下方法步骤：B)检测关于该工件(14)的轮廓、关于该工具头(22)的轮廓、关于该工具头(22)与该工件(14)之间的距离、关于该第一轴(16)并且关于该第二轴(18)的输入数据(42)；C)对所述输入数据(42)进行处理以形成特征数据(46)；D)在所述装置(10)的机器学习算法(28)中处理所述特征数据(46)；E)从所述机器学习算法(28)输出关于所述工具头(22)与所述工件(14)和/或所述加工机(12)的某个其他部分碰撞的预测。2.根据权利要求1所述的方法，包括在方法步骤B)之前执行的以下方法步骤：A)通过输入所述工具头(22)的碰撞和/或不碰撞的、经验证的输入数据(42)来训练所述机器学习算法(28)。3.根据前述权利要求中任一项所述的方法，其中，方法步骤B)中的输入数据(42)至少部分地取自CAD数据。4.根据前述权利要求中任一项所述的方法，其中，方法步骤B)中的输入数据(42)至少部分地取自传感器(56)的传感器数据。5...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：通快机床欧洲股份公司，
类型：发明
国别省市：