基于多冷却装置协同使用的物件冷却方法及相关设备制造方法及图纸

本发明专利技术提供基于多冷却装置协同使用的物件冷却方法及相关设备，涉及多装置协同控制技术领域

【技术实现步骤摘要】
基于多冷却装置协同使用的物件冷却方法及相关设备


[0001]本专利技术涉及多装置协同控制
，尤其涉及基于多冷却装置协同使用的物件冷却方法及相关设备
。

技术介绍

[0002]数控机床是一种装有程序控制系统的自动化机床，可以用于复杂
、
精密
、
小批量
、
多品种的零件加工问题
。
数控机床中的机床主轴在高速旋转下容易产生大量热量，从而引起热膨胀
。
由于机床主轴的各零件的刚度和精度较高，负荷却不大，因此机床主轴的热膨胀很容易导致加工误差
。
目前一般采取强制循环油冷却的方式对机床主轴进行冷却，即将经过油冷却装置的冷却油强制性地在主轴定子外和主轴轴承外循环，带走主轴高速旋转产生的热量
。
然而单一的冷却方式难以满足机床主轴在不同加工场景中的冷却需求
。

技术实现思路

[0003]本专利技术提供基于多冷却装置协同使用的物件冷却方法及相关设备，用以解决现有技术中单一的冷却方式难以满足机床主轴在不同加工场景中的冷却需求的缺陷
。
[0004]本专利技术提供一种基于多冷却装置协同使用的物件冷却方法，包括：当目标物件处于工作状态时，获取所述目标物件对应的温度数据；当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息
、
加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息
、
所述加工精度信息
、
所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例
。
[0005]根据本专利技术提供的一种基于多冷却装置协同使用的物件冷却方法，每一所述候选冷却装置的装置信息包括冷却效率
、
工作噪声音量以及成本值；所述根据所述工作噪声信息
、
所述加工精度信息
、
所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置，包括：根据所述工作噪声信息，确定冷却装置组合对应的噪声约束数据；根据所述加工精度信息，确定所述冷却装置组合对应的冷却效率约束数据；根据所述运营成本信息，确定冷却装置组合对应的成本约束数据；根据所述噪声约束数据
、
所述冷却效率约束数据
、
所述成本约束数据以及各所述候选冷却装置的装置信息，确定各所述冷却装置
。
[0006]根据本专利技术提供的一种基于多冷却装置协同使用的物件冷却方法，所述根据所述噪声约束数据
、
所述冷却效率约束数据
、
所述成本约束数据以及各所述候选冷却装置的装
置信息，确定各所述冷却装置，包括：获取基于所述噪声约束数据
、
所述冷却效率约束数据以及所述成本约束数据建立的强化学习模型；将各所述候选冷却装置的装置信息输入所述强化学习模型，得到预测冷却装置组合，根据所述预测冷却装置组合确定各所述冷却装置
。
[0007]根据本专利技术提供的一种基于多冷却装置协同使用的物件冷却方法，所述强化学习模型用于：根据各所述装置信息确定初始冷却装置组合，获取所述初始冷却装置组合对应的预测噪声量
、
预测冷却效率以及预测成本值；根据所述预测噪声量和所述噪声约束数据，确定第一奖励值；根据所述预测冷却效率和所述冷却效率约束数据，确定第二奖励值；根据所述预测成本值和所述成本约束数据，确定第三奖励值；根据所述第一奖励值
、
所述第二奖励值以及所述第三奖励值，确定综合奖励值；判断所述综合奖励值是否达到预设的奖励阈值，若否，则根据所述综合奖励值进行模型参数更新，更新后重新执行所述根据各所述装置信息确定初始冷却装置组合的步骤，直至所述综合奖励值达到所述奖励阈值，将最后一轮得到的所述初始冷却装置组合作为所述预测冷却装置组合
。
[0008]根据本专利技术提供的一种基于多冷却装置协同使用的物件冷却方法，所述根据所述第一奖励值
、
所述第二奖励值以及所述第三奖励值，确定综合奖励值，包括：获取所述第一奖励值
、
所述第二奖励值以及所述第三奖励值的加权平均值；根据所述加权平均值，确定所述综合奖励值
。
[0009]根据本专利技术提供的一种基于多冷却装置协同使用的物件冷却方法，所述根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例，包括：获取预先建立的使用比例库，其中，所述使用比例库中包括若干参考使用比例，每一所述参考使用比例具有对应的冷却效率标签；每一所述参考使用比例的查询顺序位基于所述参考使用比例的成本值确定，所述参考使用比例的成本值与所述参考使用比例的查询顺序位成正比关系；根据所述时长，确定冷却效率下限值；根据所述使用比例库中查询和比对所述冷却效率下限值的所述参考使用比例；根据首个比对成功的所述参考使用比例，确定所述使用比例
。
[0010]根据本专利技术提供的一种基于多冷却装置协同使用的物件冷却方法，所述获取所述目标物件对应的温度数据，包括：获取所述目标物件对应的若干红外热像图，其中，各所述红外热像图分别基于不同布设位置的红外热成像仪获得；根据各所述红外热像图，确定所述目标物件对应的若干局部温度数据；根据各所述局部温度数据，确定所述目标物件对应的温度数据
。
[0011]本专利技术还提供一种基于多冷却装置协同使用的物件冷却装置，所述装置包括：温度获取模块，用于当目标物件处于工作状态时，获取所述目标物件对应的温度数据；
温度监测模块，用于当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；信息获取模块，用于获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息
、
加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息
、
所述加工精度信息
、
所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；比例确定模块，用于根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例
。
[0012]本专利技术还提供一种电子设备，包括存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述基于多冷却装置协同使用的物件冷却方法
。
[0013]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多冷却装置协本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多冷却装置协同使用的物件冷却方法，其特征在于，包括：当目标物件处于工作状态时，获取所述目标物件对应的温度数据；当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息
、
加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息
、
所述加工精度信息
、
所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例
。2.
根据权利要求1所述的基于多冷却装置协同使用的物件冷却方法，其特征在于，每一所述候选冷却装置的装置信息包括冷却效率
、
工作噪声音量以及成本值；所述根据所述工作噪声信息
、
所述加工精度信息
、
所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置，包括：根据所述工作噪声信息，确定冷却装置组合对应的噪声约束数据；根据所述加工精度信息，确定所述冷却装置组合对应的冷却效率约束数据；根据所述运营成本信息，确定冷却装置组合对应的成本约束数据；根据所述噪声约束数据
、
所述冷却效率约束数据
、
所述成本约束数据以及各所述候选冷却装置的装置信息，确定各所述冷却装置
。3.
根据权利要求2所述的基于多冷却装置协同使用的物件冷却方法，其特征在于，所述根据所述噪声约束数据
、
所述冷却效率约束数据
、
所述成本约束数据以及各所述候选冷却装置的装置信息，确定各所述冷却装置，包括：获取基于所述噪声约束数据
、
所述冷却效率约束数据以及所述成本约束数据建立的强化学习模型；将各所述候选冷却装置的装置信息输入所述强化学习模型，得到预测冷却装置组合，根据所述预测冷却装置组合确定各所述冷却装置
。4.
根据权利要求3所述的基于多冷却装置协同使用的物件冷却方法，其特征在于，所述强化学习模型用于：根据各所述装置信息确定初始冷却装置组合，获取所述初始冷却装置组合对应的预测噪声量
、
预测冷却效率以及预测成本值；根据所述预测噪声量和所述噪声约束数据，确定第一奖励值；根据所述预测冷却效率和所述冷却效率约束数据，确定第二奖励值；根据所述预测成本值和所述成本约束数据，确定第三奖励值；根据所述第一奖励值
、
所述第二奖励值以及所述第三奖励值，确定综合奖励值；判断所述综合奖励值是否达到预设的奖励阈值，若否，则根据所述综合奖励值进行模型参数更新，更新后重新执行所述根据各所述装置信息确定初始冷却装置组合的步骤，直至所述综合奖励值达到所述奖...

【专利技术属性】
技术研发人员：谭勇，杨之乐，吴承科，
申请(专利权)人：中科航迈数控软件深圳有限公司，
类型：发明
国别省市：