【技术实现步骤摘要】
本专利技术属于数控机床领域，特别是涉及一种机床振动抑制优化方法及系统。
技术介绍
1、数控机床在工件切削加工过程中难以避免的会发生振动现象，机床振动的产生主要源于切削力、机床部件的结构刚性和外部环境等因素。机床振动不仅会影响工件表面质量，还可能导致刀具损坏和增加加工误差。机床振动抑制是提高加工精度、延长机床使用寿命和保证加工质量的重要手段，在现代数控机床和高精度加工中具有重要意义；但是传统的振动抑制方法主要依赖于机械设计和人工经验，难以应对复杂多变的振动环境，因此，有必要提出一种新的机床振动抑制方法。
技术实现思路
1、针对上述现有技术的不足，本专利技术所要解决的技术问题是：提供一种机床振动抑制优化方法及系统。
2、为解决上述技术问题，本专利技术提供如下技术方案：
3、一种机床振动抑制优化方法，包括以下步骤：
4、s100、根据加工参数生成控制策略，并根据控制策略生成实时控制信号对机床在各个运行周期的工作参数进行控制；
5、s200、在数控机床工作过程中采集机床关键部位的振动数据；
6、s300、将振动数据与机床的当前工作参数输入振动预测模型对后续的振动结果进行预测；
7、s400、判断振动预测模型预测的振动结果是否满足加工要求，如果不满足则执行s500步骤，否则，返回执行s200步骤；
8、s500、依据振动预测模型预测的振动结果，采用强化学习算法对控制策略中的机床工作参数进行调节。
10、进一步的，采集机床关键部位的振动数据的方法包括以下步骤：
11、s210、在机床关键部位设置振动采集器件，采集机床关键部位的振动信号；
12、s220、对振动信号进行去噪处理，消除高频和低频噪声；
13、s230、提取振动信号的频域特征和时域特征，得到振动数据。
14、进一步的，得到振动预测模型的方法包换以下步骤：
15、s310、确定一种机器学习模型或深度学习模型作为振动预测模型的基础模型；
16、s320、获取机床的历史振动数据，根据机床正常工作时的振动范围确定历史振动数据中的正常状态数据和异常状态数据，并对反向点、启动点和停止点的振动数据以及异常状态数据进行标记；
17、s330、采用标记后的振动数据对基础模型进行训练，得到振动预测模型。
18、进一步的，采用长短期记忆网络lstm作为基础模型。
19、进一步的，所述强化学习算法采用q-learning算法，以当前机床的工作参数值和振动数据作为q-learning算法的状态s，以对机床工作参数的调节作为q-learning算法的动作a，以机床振动减小和/或机床加工性能得到优化作为q-learning算法的奖励r。
20、进一步的，采用强化学习算法对控制策略中的机床工作参数进行调节的方法包括以下步骤：
21、s510、获取当前加工参数和振动预测模型预测的振动结果，并将其表示为当前状态st；
22、s520、根据当前状态采用∈-greedy策略选择一动作a作为当前动作at；
23、s530、调整控制策略中机床的工作参数以执行当前动作at，并在执行当前动作at的预定时间后获取实时振动数据和加工效果作为反馈结果；
24、s540、根据反馈结果计算奖励值rt+1；
25、s550、更新当前状态和动作的q值。
26、s560、判断是否满足预设的终止条件，如果满足终止条件则返回执行s200步骤，否则，返回执行s510步骤。对当前状态st进行更新后再次对控制策略进行调整，直至满足要求。
27、进一步的，在所述s540步骤中，执行动作at后的奖励值rt+1计算公式如下：
28、
29、其中，av为振动数据取值的加权系数；v(t)表示机床在执行动作at后反馈的振动数据的取值；i为参与计算奖励值的参数的项数的索引，n为参与计算奖励值的参数的总项数，bi为第i项参数的加权系数，fi(t)为第i项参数在执行动作at后的反馈值。当参数为越大越好时，其权重系数为正数，当参数为越小越好时，其加权系数为负数。
30、进一步的，在所述s550步骤中，更新q值的公式如下：
31、
32、其中，q′(st,at)为在状态st下执行动作at的q值，即当前动作at对该策略的预期累计奖励值；q(st,at)表示更新前的q值；α为学习率，表示新信息对现有q值的影响权重，取值范围为：0＜α≤1；rt+1为在当前时间步t执行动作at后获得的即时奖励；γ为折扣因子，表示未来奖励对当前决策的影响程度，取值范围为0≤γ≤1；为在下一个状态st+1中，所有可选择的动作a′t+1中q值最大的动作。
33、一种机床振动抑制优化系统，包括
34、控制策略模块，用于根据加工参数生成控制策略，并根据控制策略生成实时控制信号给机床执行机构，对机床执行机构在各个运行周期的工作参数进行控制；
35、数据采集模块，用于在机床工作过程中采集机床关键部位的振动数据；
36、振动预测模块，所述振动预测模块采用机器学习模型或深度学习模型训练得到，用于根据振动数据和机床在当前运行周期的工作参数对后续运行周期的振动结果进行预测；以及
37、参数优化模块，用于在振动预测模块预测的振动结果不满足加工要求时采用强化学习算法对控制策略中的机床工作参数进行调节。
38、本专利技术中，采用振动预测模型提前预测和强化学习算法优化控制策略相结合的方法抑制振动，实现了实时振动预测和自适应控制，可以有效抑制振动，显著提高加工精度，并能减少设备磨损和故障，延长机床使用寿命。另外，通过在加工过程中不断执行强化学习算法对控制策略进行优化，还可以使控制策略不断进行优化，最终使机床在振动最小化的情况下达到最佳加工性能。
本文档来自技高网...【技术保护点】
1.一种机床振动抑制优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的机床振动抑制优化方法，其特征在于：所述机床关键部位包括数控机床的主轴、刀具、工作台；所述工作参数包括切削速度、切削加速度、进给量、切削深度、主轴转速、刀具类型、切削路线。
3.如权利要求1所述的机床振动抑制优化方法，其特征在于：采集机床关键部位的振动数据的方法包括以下步骤：
4.如权利要求1所述的机床振动抑制优化方法，其特征在于：得到振动预测模型的方法包换以下步骤：
5.如权利要求1所述的机床振动抑制优化方法，其特征在于：采用长短期记忆网络LSTM作为基础模型。
6.如权利要求1～5任一项所述的机床振动抑制优化方法，其特征在于：所述强化学习算法采用Q-learning算法，以当前机床的工作参数值和振动数据作为Q-learning算法的状态S，以对机床工作参数的调节作为Q-learning算法的动作a，以机床振动减小和/或机床加工性能得到优化作为Q-learning算法的奖励R。
7.如权利要求6所述的机床振动抑制优化方法，其特征在
8.如权利要求7所述的机床振动抑制优化方法，其特征在于：在所述S540步骤中，执行动作at后的奖励值rt+1计算公式如下：
9.如权利要求8所述的机床振动抑制优化方法，其特征在于：在所述S550步骤中，更新Q值的公式如下：
10.一种机床振动抑制优化系统，其特征在于，包括
...【技术特征摘要】
1.一种机床振动抑制优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的机床振动抑制优化方法，其特征在于：所述机床关键部位包括数控机床的主轴、刀具、工作台；所述工作参数包括切削速度、切削加速度、进给量、切削深度、主轴转速、刀具类型、切削路线。
3.如权利要求1所述的机床振动抑制优化方法，其特征在于：采集机床关键部位的振动数据的方法包括以下步骤：
4.如权利要求1所述的机床振动抑制优化方法，其特征在于：得到振动预测模型的方法包换以下步骤：
5.如权利要求1所述的机床振动抑制优化方法，其特征在于：采用长短期记忆网络lstm作为基础模型。
6.如权利要求1～5任一项所述的机床振动抑制优化方法，其特征在于：所述强化学习算法...
【专利技术属性】
技术研发人员：朱飞，
申请(专利权)人：中科时代深圳计算机系统有限公司，
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。