基于机器学习的CNC调机优化方法及系统技术方案

本发明专利技术涉及数据处理技术领域，具体涉及基于机器学习的CNC调机优化方法及系统，方法包括：首先根据相邻帧差分图像内工具停留点与非工具停留点之间的距离差异获得半径序列，分析半径的待选簇内相切圆与对应边缘圆之间的像素值差异确定半径的邻域密度验证值；进而分析邻域密度验证值变化确定待选半径范围，进而获得待选半径的验证值，实现最优聚类半径及其对应的聚类密度的获取，获得准确的实时加工区域。再分析实时加工区域与历史帧加工图像的加工区域之间的性能关系获得匹配帧加工图像，最后根据匹配帧加工图像的工具所处状态获得实时的工具所处状态，实现对CNC调机优化情况的判断，增强判断结果的准确率，同时提高工作效率。率。率。

【技术实现步骤摘要】
基于机器学习的CNC调机优化方法及系统


[0001]本专利技术涉及数据处理
，具体涉及基于机器学习的CNC调机优化方法及系统。

技术介绍

[0002]CNC加工通常是指计算机数字化控制精密机械加工，CNC加工车床、CNC加工铣床等均是通过设置好的指令数控程式，使机床执行设定好的动作，加工毛坯料制成半成品或成品零件和工件。CNC调机指的是在毛坯料加工过程中，通过技术人员经验或预定方案对刀具、加工方式、加工路线等进行调整。CNC加工过程总是执行固定的指令动作，在批量生产时，总会存在机床零件金属疲劳的问题，而每一个动作执行时间和参数是固定的。因此，随着生产的进行，同机床、同工具、同加工流程下加工效果也会存在差异。
[0003]现有技术中，利用改进粒子群优化BP神经网络，进行模型训练，输出优化后的BP神经网络的最佳权值和阈值，进而根据最佳权值和阈值对区域数据进行预测，获得对应加工区域，该加工区域中含有较多噪声数据，噪声数据对最终结果会产生负面影响，影响后续CNC调机优化的效果，会产生较大误差。仅根据加工参数的差异获得判断数控机床CNC系统的调机情况，没有将工具在不同工作状态下对加工工件的加工区域产生的加工效果进行区分，对工件区域的获取不够准确，且忽略工件上加工区域的具体性能特征，导致数控机床CNC系统的调机结果产生较大误差。

技术实现思路

[0004]为了解决现有技术中工件图像内加工区域的获取不准确的技术问题，本专利技术的目的在于提供基于机器学习的CNC调机优化方法及系统，所采用的技术方案具体如下：本专利技术提供了基于机器学习的CNC调机优化方法，所述方法包括：获得连续帧工件图像；工件图像中包含固定位置的一个工具停留点；根据实时工件图像与相邻帧工件图像的灰度差异构建相邻帧差分图像；根据相邻帧差分图像内工具停留点与非工具停留点之间的距离获得半径序列；获得半径序列内每个半径下与工具停留点相切的待选簇内相切圆，及以工具停留点为中心的边缘圆；根据相邻帧差分图像内每个半径下的待选簇内相切圆与对应边缘圆之间的像素值差异获得对应半径的邻域密度验证值；根据半径序列内所有半径的邻域密度验证值变化获得待选半径范围；根据待选半径范围内每个待选半径和待选半径范围内邻域密度验证值的数值特征获得对应待选半径的验证值；根据每个待选半径对应的验证值和邻域密度验证值获取最优聚类半径及其对应的聚类密度；根据最优聚类半径和聚类密度将相邻帧差分图像进行聚类，获得实时加工区域；获得实时加工区域的性能信息；将实时加工区域与历史帧工件图像内加工区域的性能信息进行匹配，获得匹配帧工件图像；根据匹配帧工件图像的工具更换区间获取实时
工件图像的状态概率值；根据实时工件图像的状态概率值判断CNC的调机优化情况。
[0005]进一步地，所述半径序列的获取方法包括：将相邻帧差分图像中工具停留点与每个非工具停留点相连，分别获取每个非工具停留点与工具停留点之间的欧氏距离和连线角度；将欧氏距离按照从小到大的顺序将非工具停留点与工具停留点之间的连线进行排序，获取第一排序组；将第一排序组中欧氏距离相同的连线作为第二排序组，将连线角度按照子排序特征从小到大的顺序将每组第二排序组内的连线进行排序，对第一排序组进行修正；将修正后的第一排序组作为半径序列。
[0006]进一步地，所述半径的邻域密度验证值的获取方法包括：对任意一个半径，获取同一个半径下的所有待选簇内相切圆和对应边缘圆；根据相邻帧差分图像分别获得每个待选簇内相切圆的平均像素值和对应边缘圆的平均像素值；将每个待选簇内相切圆和对应边缘圆的平均像素值的差值作为对应待选簇内相切圆的像素值差异；将所有像素值差异的最大值作为对应半径的邻域密度验证值，邻域密度验证值对应的待选簇内相切圆作为对应半径的簇内相切圆。
[0007]进一步地，所述待选半径范围的获取方法包括：建立平面直角坐标系，所述平面直角坐标系的横坐标为半径，纵坐标为邻域密度验证值；根据半径序列内所有半径的邻域密度验证值及其对应半径获得坐标系下的数据点，对所有数据点使用最小二乘法进行拟合，获得邻域密度验证值变化曲线；对所述曲线每个数据点进行求导，获得导数序列；当导数序列中首次出现连续预设衰减次数个不大于预设衰减值的导数时，迭代停止；将首次连续预设衰减数个不大于预设衰减值的导数中第一个导数对应数据点的半径作为待选半径范围的最大值，将半径序列中最小的半径作为待选半径范围的最小值；根据待选半径范围的最大值和最小值获得待选半径范围。
[0008]进一步地，所述待选半径的验证值的获取方法包括：获取待选半径范围获得最大待选半径和最小待选半径，将最大待选半径与最小待选半径的差值作为第二半径差值；对待选半径范围中的待选半径进行遍历，将每个待选半径与最小待选半径的差值作为第一半径差值；将第一半径差值与第二半径差值的比值作为半径差异；使用数值一减去半径差异获得半径特征；获得待选半径范围内邻域密度验证值的极差，将所述极差与半径特征的乘积作为数值特征；将数值特征与邻域密度验证值的最小值的和作为对应待选半径的验证值。
[0009]进一步地，所述最优聚类半径及其对应聚类密度的获取方法包括：根据待选半径从小到大的顺序依次将每个待选半径的邻域密度验证值与待选半径的验证值进行比较，将首个大于验证值的邻域密度验证值作为预期邻域密度验证值；将预期邻域密度验证值对应的待选半径作为最优聚类半径；将最优聚类半径对应簇内相切圆的平均差分值作为聚类密度。
[0010]进一步地，所述对相邻帧差分图像聚类的方法为DBSCAN密度聚类。
[0011]进一步地，所述状态概率值的获取方法包括：根据匹配帧工件图像的工具更换区间获取对应工具更换区间的区间总帧数和工具更换帧；将工具更换帧与匹配帧工件图像对应帧的差值作为更换比例帧数；获取更换比
例帧数与区间总帧数的比值，使用数值一减去所述比值获得状态概率值。
[0012]进一步地，所述根据实时工件图像的状态概率值判断CNC的调机优化情况，包括：若实时工件图像的状态概率值不小于预设更换阈值，则实时工件图像对应的工具需要被更换；若实时工件图像的状态概率值小于预设更换阈值，则实时工件图像对应的工具不需要被更换。
[0013]本专利技术还提出了基于机器学习的CNC调机优化系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如上述的基于机器学习的CNC调机优化方法。
[0014]本专利技术具有如下有益效果：本专利技术通过根据相邻帧差分图像内工具停留点与非工具停留点之间的距离差异获得半径序列，对工具停留点与非工具停留点之间的位置特征进行分析，以使工具停留点估测聚类算法参数的方式更为科学、合理，极大减少了由于参数不正导致聚类结果失真的问题，减少后续分析的误差。根据相邻帧差分图像内待选簇内相切圆与对应边缘圆之间的像素值差异获得对应半径的邻域密度验证值，通过待选簇内相切圆与对应边缘圆之间像素值的差异特征，准确表现出待选簇内相切圆的传染能力，即待选簇内相切圆内数据点密度符合假设聚簇的密度要求的合格程度，为后续获得聚类半径和聚类密度提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的CNC调机优化方法，其特征在于，该方法包括以下步骤：获得连续帧工件图像；工件图像中包含固定位置的一个工具停留点；根据实时工件图像与相邻帧工件图像的灰度差异构建相邻帧差分图像；根据相邻帧差分图像内工具停留点与非工具停留点之间的距离获得半径序列；获得半径序列内每个半径下与工具停留点相切的待选簇内相切圆，及以工具停留点为中心的边缘圆；根据相邻帧差分图像内每个半径下的待选簇内相切圆与对应边缘圆之间的像素值差异获得对应半径的邻域密度验证值；根据半径序列内所有半径的邻域密度验证值变化获得待选半径范围；根据待选半径范围内每个待选半径和待选半径范围内邻域密度验证值的数值特征获得对应待选半径的验证值；根据每个待选半径对应的验证值和邻域密度验证值获取最优聚类半径及其对应的聚类密度；根据最优聚类半径和聚类密度将相邻帧差分图像进行聚类，获得实时加工区域；获得实时加工区域的性能信息；将实时加工区域与历史帧工件图像内加工区域的性能信息进行匹配，获得匹配帧工件图像；根据匹配帧工件图像的工具更换区间获取实时工件图像的状态概率值；根据实时工件图像的状态概率值判断CNC的调机优化情况。2.根据权利要求1所述的基于机器学习的CNC调机优化方法，其特征在于，所述半径序列的获取方法包括：将相邻帧差分图像中工具停留点与每个非工具停留点相连，分别获取每个非工具停留点与工具停留点之间的欧氏距离和连线角度；将欧氏距离按照从小到大的顺序将非工具停留点与工具停留点之间的连线进行排序，获取第一排序组；将第一排序组中欧氏距离相同的连线作为第二排序组，将连线角度按照子排序特征从小到大的顺序将每组第二排序组内的连线进行排序，对第一排序组进行修正；将修正后的第一排序组作为半径序列。3.根据权利要求1所述的基于机器学习的CNC调机优化方法，其特征在于，所述半径的邻域密度验证值的获取方法包括：对任意一个半径，获取同一个半径下的所有待选簇内相切圆和对应边缘圆；根据相邻帧差分图像分别获得每个待选簇内相切圆的平均像素值和对应边缘圆的平均像素值；将每个待选簇内相切圆和对应边缘圆的平均像素值的差值作为对应待选簇内相切圆的像素值差异；将所有像素值差异的最大值作为对应半径的邻域密度验证值，邻域密度验证值对应的待选簇内相切圆作为对应半径的簇内相切圆。4.根据权利要求3所述的基于机器学习的CNC调机优化方法，其特征在于，所述待选半径范围的获取方法包括：建立平面直角坐标系，所述平面直角坐标系的横坐标为半径，纵坐标为邻域密度验证值；根据半径序列内所有半径的邻域密度验证值及其对应半径获得坐标系下的数据点，对所有数据点使用最小二乘法进行拟...

【专利技术属性】
技术研发人员：温绍福，王建云，
申请(专利权)人：深圳市艾为创科技有限公司，
类型：发明
国别省市：