本發(fā)明涉及數(shù)控機(jī)床,尤其涉及一種基于多目標(biāo)優(yōu)化深度學(xué)習(xí)算法的數(shù)控機(jī)床效率優(yōu)化方法。
背景技術(shù):
1、隨著制造業(yè)的快速發(fā)展,數(shù)控機(jī)床作為實(shí)現(xiàn)高精度、高效率加工的重要設(shè)備,在現(xiàn)代工業(yè)生產(chǎn)中得到了廣泛應(yīng)用。數(shù)控機(jī)床的加工效率和加工質(zhì)量直接影響到生產(chǎn)成本和產(chǎn)品競爭力,因此,對(duì)數(shù)控機(jī)床的優(yōu)化控制一直是學(xué)術(shù)界和工業(yè)界研究的熱點(diǎn)之一。
2、現(xiàn)有技術(shù)中,數(shù)控機(jī)床的優(yōu)化方法主要集中在以下幾個(gè)方面:
3、1、加工參數(shù)優(yōu)化:傳統(tǒng)的加工參數(shù)優(yōu)化方法通常依賴于經(jīng)驗(yàn)和試驗(yàn),通過不斷調(diào)整加工參數(shù)(如刀具速度、進(jìn)給速率、切削深度等)來達(dá)到最佳的加工效果。然而,這種方法存在較大的局限性,不僅耗時(shí)費(fèi)力,而且難以實(shí)現(xiàn)實(shí)時(shí)的動(dòng)態(tài)優(yōu)化。此外,由于參數(shù)調(diào)整涉及多個(gè)目標(biāo)的平衡(如加工速度、加工精度、能耗和刀具磨損),手動(dòng)調(diào)整難以同時(shí)兼顧這些相互沖突的目標(biāo)。
4、2、基于數(shù)學(xué)模型的優(yōu)化:近年來,基于數(shù)學(xué)模型的優(yōu)化方法得到了廣泛研究和應(yīng)用。這些方法通過建立數(shù)控機(jī)床加工過程的數(shù)學(xué)模型,利用優(yōu)化算法(如遺傳算法、粒子群算法等)對(duì)模型進(jìn)行求解,從而找到最優(yōu)的加工參數(shù)配置。然而,這類方法通常需要準(zhǔn)確的數(shù)學(xué)模型,而實(shí)際生產(chǎn)環(huán)境中,數(shù)控機(jī)床的加工過程受到多種不確定因素的影響,難以建立精確的數(shù)學(xué)模型。此外,這些優(yōu)化算法的計(jì)算復(fù)雜度較高,難以實(shí)現(xiàn)實(shí)時(shí)優(yōu)化。
5、3、數(shù)據(jù)驅(qū)動(dòng)的優(yōu)化方法:隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展,越來越多的研究開始探索基于數(shù)據(jù)驅(qū)動(dòng)的數(shù)控機(jī)床優(yōu)化方法。例如,利用機(jī)器學(xué)習(xí)算法從歷史加工數(shù)據(jù)中學(xué)習(xí)加工參數(shù)與加工效果之間的關(guān)系,從而預(yù)測最優(yōu)的加工參數(shù)配置。然而,現(xiàn)有的數(shù)據(jù)驅(qū)動(dòng)方法通常只關(guān)注單一目標(biāo)的優(yōu)化,難以同時(shí)考慮多個(gè)優(yōu)化目標(biāo)。此外,這些方法的學(xué)習(xí)過程往往是離線進(jìn)行的,無法實(shí)現(xiàn)實(shí)時(shí)的動(dòng)態(tài)優(yōu)化。
6、綜上所述,現(xiàn)有技術(shù)在數(shù)控機(jī)床的優(yōu)化控制方面仍然存在以下主要缺陷:
7、1、難以實(shí)現(xiàn)多目標(biāo)優(yōu)化:現(xiàn)有的優(yōu)化方法大多只能處理單一優(yōu)化目標(biāo),而數(shù)控機(jī)床的實(shí)際加工過程涉及多個(gè)相互沖突的目標(biāo),如加工速度、加工精度、能耗和刀具磨損。如何在這些目標(biāo)之間找到最佳的平衡點(diǎn),是現(xiàn)有技術(shù)難以解決的問題。
8、2、缺乏實(shí)時(shí)動(dòng)態(tài)優(yōu)化能力:現(xiàn)有的優(yōu)化方法通常需要離線進(jìn)行參數(shù)調(diào)整和優(yōu)化,難以適應(yīng)實(shí)際生產(chǎn)中動(dòng)態(tài)變化的加工環(huán)境。而數(shù)控機(jī)床的實(shí)際加工過程受到多種不確定因素的影響,如刀具磨損、機(jī)床振動(dòng)、環(huán)境溫度變化等,要求優(yōu)化方法具備實(shí)時(shí)動(dòng)態(tài)調(diào)整的能力。
9、3、依賴精確的數(shù)學(xué)模型:基于數(shù)學(xué)模型的優(yōu)化方法需要建立精確的加工過程數(shù)學(xué)模型,但實(shí)際生產(chǎn)環(huán)境中的多變性和復(fù)雜性使得精確建模變得困難,導(dǎo)致優(yōu)化效果受限。
10、4、計(jì)算復(fù)雜度高:現(xiàn)有的優(yōu)化算法(如遺傳算法、粒子群算法等)在求解多目標(biāo)優(yōu)化問題時(shí)計(jì)算復(fù)雜度較高,難以在實(shí)際生產(chǎn)中快速響應(yīng)和應(yīng)用。
11、因此,如何提供一種基于多目標(biāo)優(yōu)化深度學(xué)習(xí)算法的數(shù)控機(jī)床效率優(yōu)化方法是本領(lǐng)域技術(shù)人員亟需解決的問題。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明的一個(gè)目的在于提出一種基于多目標(biāo)優(yōu)化深度學(xué)習(xí)算法的數(shù)控機(jī)床效率優(yōu)化方法,本發(fā)明通過結(jié)合多目標(biāo)優(yōu)化算法和深度學(xué)習(xí)技術(shù),提出了一種基于多目標(biāo)優(yōu)化深度學(xué)習(xí)算法的數(shù)控機(jī)床效率優(yōu)化方法,解決了現(xiàn)有技術(shù)中的多個(gè)難題和缺陷。
2、根據(jù)本發(fā)明實(shí)施例的一種基于多目標(biāo)優(yōu)化深度學(xué)習(xí)算法的數(shù)控機(jī)床效率優(yōu)化方法,包括以下步驟:
3、s1、收集數(shù)控機(jī)床加工時(shí)的刀具與工件間的高頻振動(dòng)數(shù)據(jù)、機(jī)床各軸的運(yùn)動(dòng)軌跡數(shù)據(jù)、刀具磨損數(shù)據(jù)、機(jī)床能耗模式和機(jī)床環(huán)境溫度變化數(shù)據(jù),構(gòu)建實(shí)時(shí)加工數(shù)據(jù)集;
4、s2、利用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)收集的實(shí)時(shí)加工數(shù)據(jù)集進(jìn)行特征提取,并通過遞歸神經(jīng)網(wǎng)絡(luò)模型對(duì)提取的特征進(jìn)行時(shí)序分析,學(xué)習(xí)加工過程中的關(guān)鍵性能指標(biāo)和潛在的優(yōu)化參數(shù);
5、s3、通過改進(jìn)的帕累托前沿算法對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型與遞歸神經(jīng)網(wǎng)絡(luò)模型輸出的特征進(jìn)行多目標(biāo)優(yōu)化,優(yōu)化目標(biāo)包括最大化加工速度、加工精度、最小化能耗和刀具磨損,帕累托前沿算法基于實(shí)時(shí)數(shù)據(jù)動(dòng)態(tài)調(diào)整權(quán)重系數(shù)以平衡各目標(biāo)間的沖突;
6、s4、基于多目標(biāo)優(yōu)化的結(jié)果,通過智能控制系統(tǒng)自動(dòng)調(diào)整數(shù)控機(jī)床的刀具速度、進(jìn)給速率和切削深度的參數(shù),以及環(huán)境控制系統(tǒng)的冷卻液流量和溫度設(shè)置;
7、s5、在實(shí)際加工過程中實(shí)施步驟s4的調(diào)整,并使用傳感器和機(jī)器視覺系統(tǒng)實(shí)時(shí)監(jiān)控加工質(zhì)量和機(jī)床狀態(tài),數(shù)據(jù)反饋至卷積神經(jīng)網(wǎng)絡(luò)模型與遞歸神經(jīng)網(wǎng)絡(luò)模型進(jìn)行進(jìn)一步學(xué)習(xí)和參數(shù)調(diào)整;
8、s6、根據(jù)反饋數(shù)據(jù)和模型再學(xué)習(xí)的結(jié)果,循環(huán)執(zhí)行步驟s2至s5。
9、可選的,所述s1包括以下步驟:
10、s11、在數(shù)控機(jī)床的刀具和工件間安裝高頻振動(dòng)傳感器,實(shí)時(shí)采集加工過程中產(chǎn)生的高頻振動(dòng)信號(hào),得到高頻振動(dòng)數(shù)據(jù)v(t),其中t表示時(shí)間,通過數(shù)據(jù)采集模塊將v(t)記錄至數(shù)據(jù)庫,高頻振動(dòng)數(shù)據(jù)的處理如下:
11、
12、其中,ai表示第i個(gè)頻率成分的振幅,fi表示第i個(gè)頻率,表示第i個(gè)相位,bi表示第i個(gè)指數(shù)衰減的振幅,λi表示第i個(gè)指數(shù)衰減系數(shù),gi表示第i個(gè)高階頻率,θi表示高階諧波的相位,n(τ)表示噪聲信號(hào),α表示時(shí)間衰減因子;
13、s12、在數(shù)控機(jī)床的各運(yùn)動(dòng)軸上安裝位置編碼器,實(shí)時(shí)采集各軸的運(yùn)動(dòng)軌跡數(shù)據(jù)mi(t),其中i表示第i個(gè)運(yùn)動(dòng)軸,運(yùn)動(dòng)軌跡數(shù)據(jù)的處理如下:
14、
15、其中,vi(τ)表示第i軸在時(shí)間τ的速度,αi和βi分別表示周期性運(yùn)動(dòng)的振幅和頻率,γi表示周期性運(yùn)動(dòng)的頻率調(diào)制系數(shù),ai(τ)表示第i軸在時(shí)間τ的加速度,δi和ki分別表示非線性振蕩的振幅和頻率,mi0表示第i軸的初始位置;
16、s13、在刀具上安裝刀具磨損傳感器,實(shí)時(shí)監(jiān)測刀具磨損情況,獲取刀具磨損數(shù)據(jù)w(t),刀具磨損數(shù)據(jù)的處理如下:
17、
18、其中,w0表示初始磨損量,fc(τ)表示切削力,t(τ)表示切削溫度,v(τ)表示切削速度,k1,k2,k3表示相應(yīng)的磨損系數(shù),γ和δ為非線性磨損模型參數(shù),η和ζ表示指數(shù)衰減模型參數(shù),θ和ω分別表示非線性振蕩的幅度和頻率,ψ表示對(duì)數(shù)調(diào)制系數(shù);
19、s14、在數(shù)控機(jī)床上集成能耗監(jiān)控系統(tǒng),實(shí)時(shí)記錄機(jī)床在不同加工狀態(tài)下的能耗數(shù)據(jù)e(t),能耗數(shù)據(jù)的處理如下:
20、
21、其中,pidle表示空閑狀態(tài)下的功率消耗,pactive(τ)表示加工狀態(tài)下的瞬時(shí)功率消耗,η表示功率消耗波動(dòng)的幅度,ω表示波動(dòng)的頻率,κ表示頻率調(diào)制系數(shù),λ表示非線性振蕩的幅度,μ和v分別表示非線性振蕩的頻率和指數(shù)衰減調(diào)制系數(shù),ξ表示時(shí)間衰減因子;
22、s15、在機(jī)床的工作環(huán)境中布置環(huán)境溫度傳感器,實(shí)時(shí)采集環(huán)境溫度變化數(shù)據(jù)t(t),溫度數(shù)據(jù)的獲取和處理如下:
23、
24、其中,t0表示初始溫度,αj表示第j個(gè)溫度變化分量的幅值,ωj表示第j個(gè)頻率,βj表示第j個(gè)相位,γj表示頻率調(diào)制系數(shù),δj和κj分別表示非線性振蕩的振幅和頻率,∈(t)表示噪聲信號(hào),θ和λ為模型參數(shù),用于刻畫溫度的指數(shù)衰減特性;
25、s16、將步驟s11至s15中收集的高頻振動(dòng)數(shù)據(jù)v(t)、運(yùn)動(dòng)軌跡數(shù)據(jù)mi(t)、刀具磨損數(shù)據(jù)w(t)、能耗數(shù)據(jù)e(t)和環(huán)境溫度變化數(shù)據(jù)t(t)進(jìn)行數(shù)據(jù)清洗和歸一化處理,去除異常值和噪聲干擾,采用標(biāo)準(zhǔn)化方法將不同維度的數(shù)據(jù)歸一化至相同范圍,構(gòu)建實(shí)時(shí)加工數(shù)據(jù)集:
26、d={v(t),mi(t),w(t),e(t),t(t)}。
27、可選的,所述s2包括以下步驟:
28、s21、利用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)實(shí)時(shí)加工數(shù)據(jù)集d進(jìn)行特征提取,具體包括:
29、s211、將高頻振動(dòng)數(shù)據(jù)v(t)、運(yùn)動(dòng)軌跡數(shù)據(jù)mi(t)、刀具磨損數(shù)據(jù)w(t)、能耗數(shù)據(jù)e(t)和環(huán)境溫度變化數(shù)據(jù)t(t)分別輸入至獨(dú)立的卷積神經(jīng)網(wǎng)絡(luò)輸入層,每個(gè)輸入層均包含多個(gè)卷積層和池化層;
30、s212、在每個(gè)卷積層中應(yīng)用多尺度卷積核對(duì)輸入數(shù)據(jù)進(jìn)行卷積操作,提取多尺度空間特征,卷積操作的表達(dá)式為:
31、
32、其中,為第l層第s尺度的第i個(gè)特征圖,為第l層第s尺度的第i個(gè)卷積核在第j個(gè)輸入數(shù)據(jù)上的權(quán)重,為第l-1層的第j個(gè)輸入數(shù)據(jù),為第l層第s尺度的第i個(gè)偏置,和分別為指數(shù)衰減參數(shù)和頻率調(diào)制系數(shù),σ為激活函數(shù);
33、s213、對(duì)卷積層輸出的特征圖應(yīng)用自適應(yīng)多尺度池化層,使用自適應(yīng)池化方法減少特征圖的維度,自適應(yīng)池化操作的表達(dá)式為:
34、
35、其中,為第l層第s尺度的第i個(gè)池化后的特征圖,為自適應(yīng)參數(shù);
36、s214、將各輸入數(shù)據(jù)的多尺度特征圖進(jìn)行扁平化處理,形成多尺度特征向量f=[fv,fm,fw,fe,ft],其中fv,fm,fw,fe,ft分別表示從高頻振動(dòng)數(shù)據(jù)v(t)、運(yùn)動(dòng)軌跡數(shù)據(jù)mi(t)、刀具磨損數(shù)據(jù)w(t)、能耗數(shù)據(jù)e(t)和環(huán)境溫度變化數(shù)據(jù)t(t)中提取的多尺度特征;
37、s215、通過多層全連接網(wǎng)絡(luò)對(duì)扁平化后的多尺度特征向量f進(jìn)行整合,生成綜合特征向量fcnn,多層全連接網(wǎng)絡(luò)的操作表達(dá)式為:
38、
39、其中,wn為全連接層的權(quán)重矩陣,bn為偏置向量,θn,m、ωn,m、λn,m分別為幅度、頻率、相位和調(diào)制參數(shù);
40、s22、利用遞歸神經(jīng)網(wǎng)絡(luò)模型對(duì)綜合特征向量fcnn進(jìn)行時(shí)序分析,具體包括:
41、s221、將綜合特征向量fcnn輸入至遞歸神經(jīng)網(wǎng)絡(luò),通過多個(gè)改進(jìn)的長短期記憶網(wǎng)絡(luò)層或門控循環(huán)單元層捕捉數(shù)據(jù)中的時(shí)間依賴性和序列模式;
42、s222、在每個(gè)改進(jìn)的長短期記憶網(wǎng)絡(luò)層或門控循環(huán)單元層中,計(jì)算記憶單元狀態(tài)ct和隱藏狀態(tài)ht;
43、s223、從遞歸神經(jīng)網(wǎng)絡(luò)的輸出中提取加工過程中的關(guān)鍵性能指標(biāo)和潛在的優(yōu)化參數(shù)p=[p1,p2,…,pn],其中,pi表示第i個(gè)關(guān)鍵性能指標(biāo)或優(yōu)化參數(shù),提取的表達(dá)式為:
44、
45、其中,wp為權(quán)重矩陣,bp為偏置向量,為激活函數(shù),ht為當(dāng)前的隱藏狀態(tài),ζl、ωl、ηp、θp分別為調(diào)整參數(shù);
46、s224、將提取的關(guān)鍵性能指標(biāo)和優(yōu)化參數(shù)p輸出。
47、可選的,所述改進(jìn)長短期記憶網(wǎng)絡(luò)層的表達(dá)式為:
48、
49、其中,it、ft、ot分別為輸入門、遺忘門和輸出門的激活值,wi、wf、wo和wc為權(quán)重矩陣,bi、bf、bo和bc為偏置向量,αi,m、βi,m、γf,n、ωf,n、λf,n、ηo、θo、δk、κk、ψk、∈j、ξj分別為權(quán)重調(diào)整參數(shù),fcnn為當(dāng)前輸入,ht-1為上一個(gè)隱藏狀態(tài),ct-1為上一個(gè)記憶單元狀態(tài)。
50、可選的,所述s3包括以下步驟:
51、s31、將卷積神經(jīng)網(wǎng)絡(luò)模型和遞歸神經(jīng)網(wǎng)絡(luò)模型輸出的綜合特征向量fcnn和關(guān)鍵性能指標(biāo)與潛在的優(yōu)化參數(shù)p=[p1,p2,…,pn]作為輸入,初始化多目標(biāo)優(yōu)化問題的目標(biāo)函數(shù),目標(biāo)函數(shù)的表達(dá)式為:
52、minimizef(x)=[f1(x),f2(x),…,fm(x)];
53、其中,x表示決策變量向量,fi(x)表示第i個(gè)優(yōu)化目標(biāo),m表示目標(biāo)數(shù)量;
54、s32、定義各優(yōu)化目標(biāo),包括最大化加工速度f1(x)、最大化加工精度f2(x)、最小化能耗f3(x)和最小化刀具磨損f4(x):
55、s33、使用改進(jìn)的帕累托前沿算法求解多目標(biāo)優(yōu)化問題,帕累托前沿算法的主要步驟包括:
56、s331、初始化種群,生成隨機(jī)解集合p(0);
57、s332、計(jì)算種群中每個(gè)解的目標(biāo)函數(shù)值,并基于帕累托最優(yōu)原則對(duì)種群進(jìn)行非支配排序,定義各非支配解的支配等級(jí);
58、s333、根據(jù)支配等級(jí)和擁擠度距離,選擇父代解進(jìn)行交叉和變異操作,生成新的解集合p(t+1);
59、s334、對(duì)新解集合p(t+1)進(jìn)行評(píng)價(jià),并將其與當(dāng)前種群p(t)合并,形成合并種群p'(t+1);
60、s335、對(duì)合并種群p'(t+1)進(jìn)行非支配排序,并根據(jù)支配等級(jí)和擁擠度距離選擇下一代種群p(t+1);
61、s34、基于實(shí)時(shí)加工數(shù)據(jù)動(dòng)態(tài)調(diào)整優(yōu)化目標(biāo)的權(quán)重系數(shù),以平衡各目標(biāo)間的沖突,權(quán)重調(diào)整的表達(dá)式為:
62、
63、其中,wi(t)表示第i個(gè)目標(biāo)在第t代的權(quán)重系數(shù),α為學(xué)習(xí)率參數(shù);
64、s35、基于帕累托前沿算法得到的優(yōu)化結(jié)果,輸出最優(yōu)解集合x*。
65、可選的,所述最大化加工速度f1(x)、最大化加工精度f2(x)、最小化能耗f3(x)和最小化刀具磨損f4(x)表達(dá)式為:
66、
67、其中,vi表示第i道工序的加工速度,ti表示第i道工序的加工時(shí)間,qi表示第i道工序的加工質(zhì)量,σi表示第i道工序的加工精度,ei表示第i道工序的能耗,wi表示第i道工序的刀具磨損;αv,i,αq,i,αe,i,αw,i表示相應(yīng)的振幅,ωv,i,ωq,i,ωe,i,ωw,i表示相應(yīng)的頻率,表示相應(yīng)的相位,βv,i,βq,i,βe,i,βw,i表示指數(shù)衰減或?qū)?shù)調(diào)制系數(shù),γv,i,γq,i,γe,i,γw,i表示時(shí)間衰減因子。
68、可選的,所述s4包括以下步驟:
69、s41、基于帕累托前沿算法得到的最優(yōu)解集合x*,通過智能控制系統(tǒng)自動(dòng)調(diào)整數(shù)控機(jī)床的加工參數(shù),具體包括:
70、s411、調(diào)整刀具速度vc,刀具速度的調(diào)整公式為:
71、
72、其中,表示最優(yōu)解集合中的刀具速度,αv、ωv、為振幅、頻率和相位參數(shù),βv、γv為指數(shù)衰減參數(shù);
73、s412、調(diào)整進(jìn)給速率f,進(jìn)給速率的調(diào)整公式為:
74、
75、其中,表示最優(yōu)解集合中的進(jìn)給速率,αf、ωf、為振幅、頻率和相位參數(shù),βf、γf為對(duì)數(shù)調(diào)制參數(shù);
76、s413、調(diào)整切削深度d,切削深度的調(diào)整公式為:
77、
78、s42、基于最優(yōu)解集合x*,通過環(huán)境控制系統(tǒng)自動(dòng)調(diào)整冷卻液流量q和溫度設(shè)置t;
79、s43、通過傳感器和監(jiān)控系統(tǒng)實(shí)時(shí)監(jiān)測調(diào)整后的加工參數(shù)和環(huán)境參數(shù),并根據(jù)監(jiān)測結(jié)果進(jìn)行動(dòng)態(tài)調(diào)整。
80、本發(fā)明的有益效果是:
81、(1)本發(fā)明通過采用改進(jìn)的帕累托前沿優(yōu)化算法,解決了現(xiàn)有技術(shù)中難以實(shí)現(xiàn)多目標(biāo)優(yōu)化的問題,能夠同時(shí)優(yōu)化加工速度、加工精度、能耗和刀具磨損等多個(gè)相互沖突的目標(biāo),找到各目標(biāo)之間的最佳平衡點(diǎn),使得數(shù)控機(jī)床在綜合性能上得到提升。同時(shí)通過非支配排序和擁擠度距離選擇等方法,優(yōu)化了帕累托前沿算法的求解過程,提高了優(yōu)化效率,降低了計(jì)算復(fù)雜度,使得優(yōu)化過程能夠快速響應(yīng)實(shí)際生產(chǎn)需求。
82、(2)本發(fā)明利用卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)時(shí)加工數(shù)據(jù)進(jìn)行特征提取和時(shí)序分析,并基于優(yōu)化結(jié)果動(dòng)態(tài)調(diào)整數(shù)控機(jī)床的加工參數(shù)和環(huán)境控制系統(tǒng),實(shí)現(xiàn)了加工過程的實(shí)時(shí)動(dòng)態(tài)優(yōu)化。
83、(3)本發(fā)明利用數(shù)據(jù)驅(qū)動(dòng)的方法,減少了對(duì)復(fù)雜數(shù)學(xué)模型的依賴,使得優(yōu)化方法在實(shí)際生產(chǎn)中更加適用和有效。