【技术实现步骤摘要】
本专利技术涉及监控，具体来说，涉及一种基于cae的数控机床加工动态性能监控方法及系统。
技术介绍
1、在当今的制造业中，我们正在目睹一个显著的转变，即从传统的生产方式向数字化、网络化、智能化的制造方式的转变。在这个转变过程中，数控机床作为先进制造业的核心设备，起着不可或缺的作用。事实上，数控机床的性能直接决定了产品质量和生产效率，这就使得对其进行智能化监控和优化变得至关重要。
2、为了实现数控机床的智能化监控与优化，我们需要一个能够实时监测数控机床的加工状态的系统，这个系统不仅要能够准确判断异常情况，而且还需要能够对运行参数进行自动优化。这样的系统可以帮助我们在第一时间内发现并处理问题，从而避免了生产过程中的不必要的停机和延误。
3、然而，目前的数控机床状态监测与故障检测主要依赖于传感器技术。虽然传感器能够提供大量的数据，但是这些数据往往只能反映机床的局部状态，对于机床的整体动态响应的了解却十分有限。因此，我们迫切需要开发新的数控机床智能监控与优化技术，这些技术能够提供对机床全面的、实时的监控，同时还能够根据实时数据自动优化机床的运行参数，从而提高生产效率，保证产品质量。
技术实现思路
1、针对相关技术中的问题，本专利技术提出一种基于cae的数控机床加工动态性能监控方法及系统，以克服现有相关技术所存在的上述技术问题。
2、为此，本专利技术采用的具体技术方案如下：
3、根据本专利技术的一个方面，提供了一种基于cae的数控机床加工动态性能
4、s1、采集数控机床的加工数据，包括运行参数、传感器监测数据及工件尺寸测量数据；
5、s2、使用cae工具根据采集的加工数据及数控机床的设计信息构建数控机床的cae模型；
6、s3、利用数控机床的cae模型进行仿真分析，得到数控机床在不同工况下的性能数据；
7、s4、通过分析比较采集的加工数据与仿真分析结果，得到数控机床的实际性能与预期性能的差异；
8、s5、判断差异结果是否超出预设差异阈值，若否，则数控机床运行正常，若是，则数控机床运行异常，并执行s6；
9、s6、利用基于量子优化的故障识别模型输出与数控机床的采集加工数据相对应的故障类型；
10、s7、利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整。
11、作为优选的，所述使用cae工具根据采集的加工数据及数控机床的设计信息构建数控机床的cae模型包括以下步骤：
12、s21、基于数控机床的设计文件获取数控机床中各部件的几何结构及尺寸信息的设计数据；
13、s22、收集数控机床的材料属性数据，包括数控机床中各部件使用的材料及其力学性能参数；
14、s23、根据数控机床的运动学及动力学特征选择对应的cae分析方法，并融合采集的加工数据对数控机床的关键部件进行细化建模；
15、s24、组装各关键部件的cae模型，得到数控机床的cae模型。
16、作为优选的，所述利用数控机床的cae模型进行仿真分析，得到数控机床在不同工况下的性能数据包括以下步骤：
17、s31、定义仿真分析的工况参数，包括切削速度、进给速率、切削深度、轴向切削力、径向切削力及刀具状态参数；
18、s32、获得数控机床在不同切削载荷下的应力和变形情况，实现静力分析；
19、s33、通过模态分析得到数控机床结构在不同切削参数下的固有频率和振型，实现动力学分析；
20、s34、分析数控机床的运动学性能，实现运动学分析；
21、s35、获得数控机床在不同切削条件下的动力响应，实现动力响应分析；
22、s36、分析数控机床在切削过程中的热变形效应，实现热分析；
23、s37、考虑机械及热学的多物理场的相互影响，实现多物理场耦合分析；
24、s38、对不同工况的仿真结果进行对比和分析，得到数控机床在不同工况下的性能数据。
25、作为优选的，所述利用基于量子优化的故障识别模型输出与数控机床的采集的加工数据相对应的故障类型包括以下步骤：
26、s61、获取数控机床运行时的历史加工数据，并对获取的历史加工数据进行预处理；
27、s62、构建最小二乘支持向量机模型，并利用量子遗传算法进行全局搜索优化最小二乘支持向量机模型的参数；
28、s63、对优化后的最小二乘支持向量机模型进行训练，得到训练后的最小二乘支持向量机模型；
29、s64、利用训练后的最小二乘支持向量机模型输出与数控机床的实时加工数据相对应的故障类型。
30、作为优选的，所述构建最小二乘支持向量机模型，并利用量子遗传算法进行全局搜索优化最小二乘支持向量机模型的参数包括以下步骤：
31、s621、利用预处理后的历史加工数据对构建的初始最小二乘支持向量机模型进行训练；
32、s622、确定最小二乘支持向量机模型的核函数，并将最小二乘支持向量机模型的参数编码为量子遗传算法的个体；
33、s623、设置量子遗传算法的种群大小及迭代次数；
34、s624、对编码后的每个个体进行解码得到一组最小二乘支持向量机模型的参数；
35、s625、利用解码得到的最小二乘支持向量机模型的参数对最小二乘支持向量机模型进行训练，并将训练集上的分类准确率作为个体适应度；
36、s626、进行量子遗传算法的遗传运算生成新一代种群；
37、s627、重复执行s624-s626，直到达到预设迭代次数或分类准确率要求；
38、s628、输出最佳个体，并解码得到全局最佳的最小二乘支持向量机模型参数。
39、作为优选的，所述进行量子遗传算法的遗传运算生成新一代种群包括：
40、选择操作，根据个体适应度从当前种群中选择优质个体，创建适应度池，且适应度越高的个体被选择的概率越大；
41、交叉操作，从适应度池中随机选择两个个体，根据预设的交叉概率对两个个体的编码进行量子旋转门操作，生成新的个体；
42、变异操作，对种群中的个体根据变异概率对个体的编码进行量子not门操作实现变异；
43、更新种群，用交叉和变异生成的新个体替换掉种群中适应度不佳的个体，形成新一代种群。
44、作为优选的，所述利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整包括以下步骤：
45、s71、根据故障类型的分析结果确定引起数控机床故障的运行参数，包括主轴转速、进给速率及切削深度；
46、s72、基于预设的优化目标构建数控机床的多目标参数优化模型；
47、s73、利用改进引力搜索算法对多目标参数优化模型进行求解，得到优化后的运行参数。
48、作为优选的，所述预设的优化目标包括本文档来自技高网...
【技术保护点】
1.一种基于CAE的数控机床加工动态性能监控方法，其特征在于，该基于CAE的数控机床加工动态性能监控方法包括以下步骤：
2.根据权利要求1所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述使用CAE工具根据采集的加工数据及数控机床的设计信息构建数控机床的CAE模型包括以下步骤：
3.根据权利要求1所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述利用数控机床的CAE模型进行仿真分析，得到数控机床在不同工况下的性能数据包括以下步骤：
4.根据权利要求1所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述利用基于量子优化的故障识别模型输出与数控机床的采集的加工数据相对应的故障类型包括以下步骤：
5.根据权利要求4所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述构建最小二乘支持向量机模型，并利用量子遗传算法进行全局搜索优化最小二乘支持向量机模型的参数包括以下步骤：
6.根据权利要求5所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述进行量
7.根据权利要求1所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整包括以下步骤：
8.根据权利要求7所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述预设的优化目标包括最大化机床寿命、最佳切削质量、最小化机床振动及最小化生产成本。
9.根据权利要求7所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述利用改进引力搜索算法对多目标参数优化模型进行求解，得到优化后的运行参数包括以下步骤：
10.一种基于CAE的数控机床加工动态性能监控系统，用于实现权利要求1-9中任一所述的基于CAE的数控机床加工动态性能监控方法的步骤，其特征在于，该基于CAE的数控机床加工动态性能监控系统包括：
...【技术特征摘要】
1.一种基于cae的数控机床加工动态性能监控方法，其特征在于，该基于cae的数控机床加工动态性能监控方法包括以下步骤：
2.根据权利要求1所述的一种基于cae的数控机床加工动态性能监控方法，其特征在于，所述使用cae工具根据采集的加工数据及数控机床的设计信息构建数控机床的cae模型包括以下步骤：
3.根据权利要求1所述的一种基于cae的数控机床加工动态性能监控方法，其特征在于，所述利用数控机床的cae模型进行仿真分析，得到数控机床在不同工况下的性能数据包括以下步骤：
4.根据权利要求1所述的一种基于cae的数控机床加工动态性能监控方法，其特征在于，所述利用基于量子优化的故障识别模型输出与数控机床的采集的加工数据相对应的故障类型包括以下步骤：
5.根据权利要求4所述的一种基于cae的数控机床加工动态性能监控方法，其特征在于，所述构建最小二乘支持向量机模型，并利用量子遗传算法进行全局搜索优化最小二乘支持向量机模型的参数包括以下步骤：
【专利技术属性】
技术研发人员：叶愈，邓琎，郭海宁，浦宏毅，周子涵，叶婉茹，
申请(专利权)人：中国机械总院集团云南分院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。