精确预测加工循环时间在制造业中很重要。通常,计算机辅助制造(CAM)软件使用基本的运动设置使用来自刀具路径文件的命令进给的加工时间。通常,该方法不考虑刀具路径几何形状或刀具路公差,因此估计大幅度的加工循环时间。删除对机器特异性知识的需求,本文通过为每个机床轴构建神经网络模型提出了一种数据驱动的进给和加工周期时间预测方法。在本研究中,使用由指令的进给,标称加速,刀具路径几何和测量的进料组成的数据集来训练神经网络模型。在商业加工中心上使用代表性工业薄壁结构组件的验证试验表明,该方法估计了90%以上的加工时间。该方法表明,神经网络模型具有了解复杂机床系统的行为和预测循环时间的能力。进一步整合这些方法在工业4.0中的数字双胞胎的植入中至关重要。
translated by 谷歌翻译