一种数控加工工艺仿真系统的制作方法

本发明涉及数控加工，具体为一种数控加工工艺仿真系统。

背景技术：

1、数控加工是在数控机床上进行零件加工的一种工艺方法，数控机床加工与传统机床加工的工艺规程从总体上说是一致的，通常来说就是用数字信息控制零件和刀具位移的机械加工。

2、例如公开号cn116300527b的专利公开了一种数控加工工艺仿真系统和仿真设备，涉及机械工程相关领域，包括数控机床，所述数控机床前端滑动设置有滑动门和设置在数控机床前端右侧的仿真操作平板，通过设置了对刀仿真组件在数控机床内部，通过双轴气缸根据设置的数据带动光电集成弧板和光电集成直板进行工件尺寸仿真，并通过设置的定位件和伺服电机的归位状态确定刀具组件和多组光电集成弧板等部件之间的距离差值，再通过调节气缸和伺服电机等部件的高精密调节作用下带动第一光电传感器和光电集成弧板等进行光电检测，从而通过光电检测的高精度重叠检测效果而模拟对刀仿真工序，进一步提高对受训人员的训练效果。

3、虽然上述方案具有如上的优势，但是然而传统的数控加工工艺仿真系统对材料变形和残余应力的监测能力有限，无法准确评估加工后工件的稳定性，导致加工过程中可能出现变形和应力集中，同时加工过程中的温度分布和热应力的监测通常较为简单，无法全面评估热应力对工件、刀具的影响，导致加工过程中出现热裂纹问题，因此亟需一种数控加工工艺仿真系统来解决此类问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种数控加工工艺仿真系统，解决现有技术中存在的对材料变形和残余应力的监测能力有限，无法准确评估加工后工件的稳定性，同时加工过程中的温度分布和热应力的监测通常较为简单，无法全面评估热应力对工件、刀具的影响的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、本发明提供了一种数控加工工艺仿真系统，包括：

4、刀具路径优化模块，负责优化刀具路径，根据工件几何形状和加工要求，生成初步刀具路径，通过力学模型和深度强化学习方法，对刀具路径进行优化，减少空转和提高切削效率；

5、刀具路径优化模块包括：

6、cad模型解析模块，用于解析cad模型，提取工件的几何信息；

7、cam模块，负责将cad模型转化为执行加工路径，根据工件几何信息、加工要求和机床参数，生成刀具路径、切削参数和加工顺序；

8、刀具路径生成模块，基于cam模块提供的切削路径信息，生成刀具在工件表面的具体运动轨迹；

9、形变应力监测模块，用于监测加工过程中的材料变形和残余应力分布；

10、形变应力监测模块包括：

11、材料属性单元，用于构建基础工件材料的力学性能参数，包括弹性模量、泊松比；

12、变形仿真单元，用于模拟加工过程中材料的变形情况，然后基于变形情况预测此类工件尺寸变化；

13、应力分析单元，基于应力变化计算加工过程中材料的残余应力分布；

14、热问题监测模块，监测切削过程中刀具和工件的温度分布，基于温度分布进行热应力评估；

15、热问题监测模块包括：

16、温度仿真单元，温度仿真单元模拟切削过程中刀具和工件的温度变化，输出温度变化结果作为评估指标；

17、热应力分析单元，基于加工过程中产生的热应力和温度变化，评估对工件和刀具的影响。

18、本发明进一步地设置为：刀具路径优化模块中，刀具路径优化方式包括：

19、从cad模型中提取工件的几何特征，包括曲率、法向量，置切削参数，包括切削速度、进给速度、切削深度；

20、利用力学模型计算切削力，并加入切削温度对切削力的影响；

21、利用深度强化学习方法优化切削力，将切削力视为损失函数的一部分，构建强化学习模型，通过策略梯度方法优化刀具路径，使切削力最小化；

22、然后采用粒子群算法优化刀具路径，综合切削力最小化和加工效率进行多目标问题优化；

23、本发明进一步地设置为：刀具路径优化具体步骤包括：构建kennametal切削力模型，利用kennametal切削力模型计算切削力fc：其中，kc表示切削力系数，vc为切削速度，f为进给速度，d为切削深度，tc表示切削温度，t0为参考温度，a,b,c为切削参数的指数；

24、使用深度神经网络近似切削力函数，定义状态空间s，动作空间a和奖励函数r,将刀具路径表示为状态s，采用离散化表示路径中的点集合，定义动作a为路径中点的移动，定义奖励函数，即切削力的负值r(s,a)＝-fc；

25、构建深度神经网络，用于近似切削力函数fc(s,a)，输入状态s和动作a，输出切削力的近似值；

26、本发明进一步地设置为：刀具路径优化具体步骤还包括：

27、a.采用深度qlearning算法进行训练，初始化深度神经网络的参数；

28、b.选择动作a使用εgreedy策略，根据当前状态s和神经网络预测的切削力值选择动作；

29、c.执行动作并观察环境反馈的奖励r和下一个状态；

30、d.更新神经网络的参数，最小化预测的切削力和实际观测的切削力之间的误差；

31、重复步骤b-d，直到达到预定训练次数；

32、本发明进一步地设置为：刀具路径优化具体步骤还包括：

33、将切削力fc和加工效率η视为待优化的目标，定义目标函数φ(fc,η)为两目标的加权和：φ(fc,η)＝w1·fc+w2·(1-η)，其中，w1和w2是权重系数；

34、使用粒子群算法进行优化，初始化粒子群，每个粒子表示一个刀具路径，根据当前刀具路径的性能，计算每个粒子的适应度值，即目标函数值，更新粒子的速度和位置，更新求解：其中，是粒子i的第j维速度，是粒子i的第j维位置，pbesti,j是粒子i的最佳位置，gbestj是全局最佳位置，w是惯性权重，c1和c2是学习因子，r1和r2为随机数；

35、重复适应度值计算和粒子数据更新，直到达到最大迭代次数；

36、本发明进一步地设置为：材料变形和残余应力分布监测方式包括：

37、通过形变应力监测模块构建基础工件材料的力学性能参数，提取工件材料的弹性模量和泊松比；

38、将材料属性参数输入到后续的变形仿真和应力分析单元中；

39、变形仿真单元利用有限元方法建立工件的几何模型和网格化；

40、应用加载条件模拟加工过程中的力学变形，包括切削力和支撑力；

41、本发明进一步地设置为：材料变形和残余应力分布监测方式还包括：

42、根据加载条件和材料属性，计算工件在加工过程中的应变场；

43、应力分析单元利用变形仿真单元得到的应变场，计算应力场；

44、根据应力场的计算结果，评估加工过程中材料的残余应力分布；

45、根据残余应力分布情况，评估加工后工件的稳定性，预测可能存在的变形和应力集中区域；

46、本发明进一步地设置为：热应力评估方式包括：

47、温度仿真单元根据切削条件、刀具材料和工件材料参数，建立切削热传导模型，利用热传导方程模拟切削过程中刀具和工件的温度变化；

48、然后对热传导方程进行数值求解，得到切削过程中刀具和工件的温度分布；

49、热应力分析单元根据温度仿真单元得到的温度分布，计算切削过程中产生的热应力，计算切削过程中工件和刀具的热应力分布；

50、分析热应力对工件和刀具的影响，评估可能产生的变形、裂纹问题；

51、本发明进一步地设置为：热应力评估步骤包括：

52、根据切削条件、刀具材料和工件材料参数，建立切削热传导模型；利用热传导方程模拟切削过程中刀具和工件的温度变化，热传导方程表示为：其中，t是温度，t表示时间，α是热扩散系数，q是热源，表示偏导数，表示温度的二阶空间导数，q(x,y,z,t)表示在空间和时间上的位置(x,y,z)和时间t的外部热源；

53、对热传导方程进行数值求解，得到切削过程中刀具和工件的温度分布；

54、本发明进一步地设置为：热应力评估步骤还包括：

55、将温度变化结果作为评估指标，根据温度仿真单元得到的温度分布，计算切削过程中产生的热应力：σ＝α·(t-t0)，其中，σ是热应力，α是线性热膨胀系数，t是当前温度，t0是初始温度；

56、然后根据计算得到的热应力分布，用于分析对工件和刀具的影响。

57、与现有技术相比，本发明具有以下有益效果：

58、本发明，通过结合cad模型解析、cam和刀具路径优化提高加工效率和表面质量，刀具路径优化中，通过cad模型解析模块提取工件的几何特征，然后利用cam模块将cad模型转化为可执行的加工路径，采用力学模型和深度强化学习方法通过计算切削力，利用深度强化学习方法优化切削力，实现切削力最小化；

59、本发明，采用粒子群算法进行多目标优化，提高加工效率和表面质量；

60、本发明，通过材料属性单元构建工件材料的力学性能参数，建立工件的几何模型和网格化，模拟加工过程中的力学变形，根据加载条件和材料属性计算工件在加工过程中的应变场和残余应力分布，评估加工后工件的稳定性；

61、本发明，建立切削热传导模型，模拟切削过程中刀具和工件的温度变化，并根据温度分布进行热应力评估，分析热应力对工件和刀具的影响，评估可能产生的变形和裂纹问题。