本發(fā)明涉及數(shù)控機床，尤其涉及一種基于多目標優(yōu)化深度學習算法的數(shù)控機床效率優(yōu)化方法。

背景技術：

1、隨著制造業(yè)的快速發(fā)展，數(shù)控機床作為實現(xiàn)高精度、高效率加工的重要設備，在現(xiàn)代工業(yè)生產中得到了廣泛應用。數(shù)控機床的加工效率和加工質量直接影響到生產成本和產品競爭力，因此，對數(shù)控機床的優(yōu)化控制一直是學術界和工業(yè)界研究的熱點之一。

2、現(xiàn)有技術中，數(shù)控機床的優(yōu)化方法主要集中在以下幾個方面：

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驗和試驗，通過不斷調整加工參數(shù)(如刀具速度、進給速率、切削深度等)來達到最佳的加工效果。然而，這種方法存在較大的局限性，不僅耗時費力，而且難以實現(xiàn)實時的動態(tài)優(yōu)化。此外，由于參數(shù)調整涉及多個目標的平衡(如加工速度、加工精度、能耗和刀具磨損)，手動調整難以同時兼顧這些相互沖突的目標。

4、2、基于數(shù)學模型的優(yōu)化：近年來，基于數(shù)學模型的優(yōu)化方法得到了廣泛研究和應用。這些方法通過建立數(shù)控機床加工過程的數(shù)學模型，利用優(yōu)化算法(如遺傳算法、粒子群算法等)對模型進行求解，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確的數(shù)學模型，而實際生產環(huán)境中，數(shù)控機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)學模型。此外，這些優(yōu)化算法的計算復雜度較高，難以實現(xiàn)實時優(yōu)化。

5、3、數(shù)據(jù)驅動的優(yōu)化方法：隨著大數(shù)據(jù)和人工智能技術的發(fā)展，越來越多的研究開始探索基于數(shù)據(jù)驅動的數(shù)控機床優(yōu)化方法。例如，利用機器學習算法從歷史加工數(shù)據(jù)中學習加工參數(shù)與加工效果之間的關系，從而預測最優(yōu)的加工參數(shù)配置。然而，現(xiàn)有的數(shù)據(jù)驅動方法通常只關注單一目標的優(yōu)化，難以同時考慮多個優(yōu)化目標。此外，這些方法的學習過程往往是離線進行的，無法實現(xiàn)實時的動態(tài)優(yōu)化。

6、綜上所述，現(xiàn)有技術在數(shù)控機床的優(yōu)化控制方面仍然存在以下主要缺陷：

7、1、難以實現(xiàn)多目標優(yōu)化：現(xiàn)有的優(yōu)化方法大多只能處理單一優(yōu)化目標，而數(shù)控機床的實際加工過程涉及多個相互沖突的目標，如加工速度、加工精度、能耗和刀具磨損。如何在這些目標之間找到最佳的平衡點，是現(xiàn)有技術難以解決的問題。

8、2、缺乏實時動態(tài)優(yōu)化能力：現(xiàn)有的優(yōu)化方法通常需要離線進行參數(shù)調整和優(yōu)化，難以適應實際生產中動態(tài)變化的加工環(huán)境。而數(shù)控機床的實際加工過程受到多種不確定因素的影響，如刀具磨損、機床振動、環(huán)境溫度變化等，要求優(yōu)化方法具備實時動態(tài)調整的能力。

9、3、依賴精確的數(shù)學模型：基于數(shù)學模型的優(yōu)化方法需要建立精確的加工過程數(shù)學模型，但實際生產環(huán)境中的多變性和復雜性使得精確建模變得困難，導致優(yōu)化效果受限。

10、4、計算復雜度高：現(xiàn)有的優(yōu)化算法(如遺傳算法、粒子群算法等)在求解多目標優(yōu)化問題時計算復雜度較高，難以在實際生產中快速響應和應用。

11、因此，如何提供一種基于多目標優(yōu)化深度學習算法的數(shù)控機床效率優(yōu)化方法是本領域技術人員亟需解決的問題。

技術實現(xiàn)思路

1、本發(fā)明的一個目的在于提出一種基于多目標優(yōu)化深度學習算法的數(shù)控機床效率優(yōu)化方法，本發(fā)明通過結合多目標優(yōu)化算法和深度學習技術，提出了一種基于多目標優(yōu)化深度學習算法的數(shù)控機床效率優(yōu)化方法，解決了現(xiàn)有技術中的多個難題和缺陷。

2、根據(jù)本發(fā)明實施例的一種基于多目標優(yōu)化深度學習算法的數(shù)控機床效率優(yōu)化方法，包括以下步驟：

3、s1、收集數(shù)控機床加工時的刀具與工件間的高頻振動數(shù)據(jù)、機床各軸的運動軌跡數(shù)據(jù)、刀具磨損數(shù)據(jù)、機床能耗模式和機床環(huán)境溫度變化數(shù)據(jù)，構建實時加工數(shù)據(jù)集；

4、s2、利用卷積神經網(wǎng)絡模型對收集的實時加工數(shù)據(jù)集進行特征提取，并通過遞歸神經網(wǎng)絡模型對提取的特征進行時序分析，學習加工過程中的關鍵性能指標和潛在的優(yōu)化參數(shù)；

5、s3、通過改進的帕累托前沿算法對卷積神經網(wǎng)絡模型與遞歸神經網(wǎng)絡模型輸出的特征進行多目標優(yōu)化，優(yōu)化目標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時數(shù)據(jù)動態(tài)調整權重系數(shù)以平衡各目標間的沖突；

6、s4、基于多目標優(yōu)化的結果，通過智能控制系統(tǒng)自動調整數(shù)控機床的刀具速度、進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置；

7、s5、在實際加工過程中實施步驟s4的調整，并使用傳感器和機器視覺系統(tǒng)實時監(jiān)控加工質量和機床狀態(tài)，數(shù)據(jù)反饋至卷積神經網(wǎng)絡模型與遞歸神經網(wǎng)絡模型進行進一步學習和參數(shù)調整；

8、s6、根據(jù)反饋數(shù)據(jù)和模型再學習的結果，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)控機床的刀具和工件間安裝高頻振動傳感器，實時采集加工過程中產生的高頻振動信號，得到高頻振動數(shù)據(jù)v(t)，其中t表示時間，通過數(shù)據(jù)采集模塊將v(t)記錄至數(shù)據(jù)庫，高頻振動數(shù)據(jù)的處理如下：

11、

12、其中，ai表示第i個頻率成分的振幅，fi表示第i個頻率，表示第i個相位，bi表示第i個指數(shù)衰減的振幅，λi表示第i個指數(shù)衰減系數(shù)，gi表示第i個高階頻率，θi表示高階諧波的相位，n(τ)表示噪聲信號，α表示時間衰減因子；

13、s12、在數(shù)控機床的各運動軸上安裝位置編碼器，實時采集各軸的運動軌跡數(shù)據(jù)mi(t)，其中i表示第i個運動軸，運動軌跡數(shù)據(jù)的處理如下：

14、

15、其中，vi(τ)表示第i軸在時間τ的速度，αi和βi分別表示周期性運動的振幅和頻率，γi表示周期性運動的頻率調制系數(shù)，ai(τ)表示第i軸在時間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，實時監(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表示對數(shù)調制系數(shù)；

19、s14、在數(shù)控機床上集成能耗監(jiān)控系統(tǒng)，實時記錄機床在不同加工狀態(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)下的瞬時功率消耗，η表示功率消耗波動的幅度，ω表示波動的頻率，κ表示頻率調制系數(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)衰減調制系數(shù)，ξ表示時間衰減因子；

22、s15、在機床的工作環(huán)境中布置環(huán)境溫度傳感器，實時采集環(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個溫度變化分量的幅值，ωj表示第j個頻率，βj表示第j個相位，γj表示頻率調制系數(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，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中收集的高頻振動數(shù)據(jù)v(t)、運動軌跡數(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，采用標準化方法將不同維度的數(shù)據(jù)歸一化至相同范圍，構建實時加工數(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、利用卷積神經網(wǎng)絡模型對實時加工數(shù)據(jù)集d進行特征提取，具體包括：

29、s211、將高頻振動數(shù)據(jù)v(t)、運動軌跡數(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)分別輸入至獨立的卷積神經網(wǎng)絡輸入層，每個輸入層均包含多個卷積層和池化層；

30、s212、在每個卷積層中應用多尺度卷積核對輸入數(shù)據(jù)進行卷積操作，提取多尺度空間特征，卷積操作的表達式為：

31、

32、其中，為第l層第s尺度的第i個特征圖，為第l層第s尺度的第i個卷積核在第j個輸入數(shù)據(jù)上的權重，為第l-1層的第j個輸入數(shù)據(jù)，為第l層第s尺度的第i個偏置，和分別為指數(shù)衰減參數(shù)和頻率調制系數(shù)，σ為激活函數(shù)；

33、s213、對卷積層輸出的特征圖應用自適應多尺度池化層，使用自適應池化方法減少特征圖的維度，自適應池化操作的表達式為：

34、

35、其中，為第l層第s尺度的第i個池化后的特征圖，為自適應參數(shù)；

36、s214、將各輸入數(shù)據(jù)的多尺度特征圖進行扁平化處理，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數(shù)據(jù)v(t)、運動軌跡數(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)絡對扁平化后的多尺度特征向量f進行整合，生成綜合特征向量fcnn，多層全連接網(wǎng)絡的操作表達式為：

38、

39、其中，wn為全連接層的權重矩陣，bn為偏置向量，θn,m、ωn,m、λn,m分別為幅度、頻率、相位和調制參數(shù)；

40、s22、利用遞歸神經網(wǎng)絡模型對綜合特征向量fcnn進行時序分析，具體包括：

41、s221、將綜合特征向量fcnn輸入至遞歸神經網(wǎng)絡，通過多個改進的長短期記憶網(wǎng)絡層或門控循環(huán)單元層捕捉數(shù)據(jù)中的時間依賴性和序列模式；

42、s222、在每個改進的長短期記憶網(wǎng)絡層或門控循環(huán)單元層中，計算記憶單元狀態(tài)ct和隱藏狀態(tài)ht；

43、s223、從遞歸神經網(wǎng)絡的輸出中提取加工過程中的關鍵性能指標和潛在的優(yōu)化參數(shù)p＝[p1,p2,…,pn]，其中，pi表示第i個關鍵性能指標或優(yōu)化參數(shù)，提取的表達式為：

44、

45、其中，wp為權重矩陣，bp為偏置向量，為激活函數(shù)，ht為當前的隱藏狀態(tài)，ζl、ωl、ηp、θp分別為調整參數(shù)；

46、s224、將提取的關鍵性能指標和優(yōu)化參數(shù)p輸出。

47、可選的，所述改進長短期記憶網(wǎng)絡層的表達式為：

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分別為權重調整參數(shù)，fcnn為當前輸入，ht-1為上一個隱藏狀態(tài)，ct-1為上一個記憶單元狀態(tài)。

50、可選的，所述s3包括以下步驟：

51、s31、將卷積神經網(wǎng)絡模型和遞歸神經網(wǎng)絡模型輸出的綜合特征向量fcnn和關鍵性能指標與潛在的優(yōu)化參數(shù)p＝[p1,p2,…,pn]作為輸入，初始化多目標優(yōu)化問題的目標函數(shù)，目標函數(shù)的表達式為：

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個優(yōu)化目標，m表示目標數(shù)量；

54、s32、定義各優(yōu)化目標，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、使用改進的帕累托前沿算法求解多目標優(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，生成隨機解集合p(0)；

57、s332、計算種群中每個解的目標函數(shù)值，并基于帕累托最優(yōu)原則對種群進行非支配排序，定義各非支配解的支配等級；

58、s333、根據(jù)支配等級和擁擠度距離，選擇父代解進行交叉和變異操作，生成新的解集合p(t+1)；

59、s334、對新解集合p(t+1)進行評價，并將其與當前種群p(t)合并，形成合并種群p'(t+1)；

60、s335、對合并種群p'(t+1)進行非支配排序，并根據(jù)支配等級和擁擠度距離選擇下一代種群p(t+1)；

61、s34、基于實時加工數(shù)據(jù)動態(tài)調整優(yōu)化目標的權重系數(shù)，以平衡各目標間的沖突，權重調整的表達式為：

62、

63、其中，wi(t)表示第i個目標在第t代的權重系數(shù)，α為學習率參數(shù)；

64、s35、基于帕累托前沿算法得到的優(yōu)化結果，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道工序的加工時間，qi表示第i道工序的加工質量，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表示相應的振幅，ωv,i,ωq,i,ωe,i,ωw,i表示相應的頻率，表示相應的相位，βv,i,βq,i,βe,i,βw,i表示指數(shù)衰減或對數(shù)調制系數(shù)，γv,i,γq,i,γe,i,γw,i表示時間衰減因子。

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)自動調整數(shù)控機床的加工參數(shù)，具體包括：

70、s411、調整刀具速度vc，刀具速度的調整公式為：

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、調整進給速率f，進給速率的調整公式為：

74、

75、其中，表示最優(yōu)解集合中的進給速率，αf、ωf、為振幅、頻率和相位參數(shù)，βf、γf為對數(shù)調制參數(shù)；

76、s413、調整切削深度d，切削深度的調整公式為：

77、

78、s42、基于最優(yōu)解集合x*，通過環(huán)境控制系統(tǒng)自動調整冷卻液流量q和溫度設置t；

79、s43、通過傳感器和監(jiān)控系統(tǒng)實時監(jiān)測調整后的加工參數(shù)和環(huán)境參數(shù)，并根據(jù)監(jiān)測結果進行動態(tài)調整。

80、本發(fā)明的有益效果是：

81、(1)本發(fā)明通過采用改進的帕累托前沿優(yōu)化算法，解決了現(xiàn)有技術中難以實現(xiàn)多目標優(yōu)化的問題，能夠同時優(yōu)化加工速度、加工精度、能耗和刀具磨損等多個相互沖突的目標，找到各目標之間的最佳平衡點，使得數(shù)控機床在綜合性能上得到提升。同時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，降低了計算復雜度，使得優(yōu)化過程能夠快速響應實際生產需求。

82、(2)本發(fā)明利用卷積神經網(wǎng)絡和遞歸神經網(wǎng)絡對實時加工數(shù)據(jù)進行特征提取和時序分析，并基于優(yōu)化結果動態(tài)調整數(shù)控機床的加工參數(shù)和環(huán)境控制系統(tǒng)，實現(xiàn)了加工過程的實時動態(tài)優(yōu)化。

83、(3)本發(fā)明利用數(shù)據(jù)驅動的方法，減少了對復雜數(shù)學模型的依賴，使得優(yōu)化方法在實際生產中更加適用和有效。