機械模具切割加工數控系統淺探

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了機械模具切割加工數控系統淺探范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:由于數控系統的運算能力較低，導致加工效果存在一定提升空間，為此，提出基于深度學習的機械模具切割加工數控系統。將可以儲存大規模加工材料數據信息以及可實施加工參數的SD卡和支持設備外設功能擴展的連接口作為系統硬件，在軟件方面，為系統構建并發機制，并利用神經網絡計算出執行操作的額定時間。測試結果表明，設計方法對機械模具的加工效果良好，具有較高精度。

關鍵詞：深度學習；機械模具；切割加工；數控系統；并發機制；定時機制

機械模具加工作為機械制造中的重要組成部分，其加工質量直接決定了后續相關零部件的加工效果[1]。在計算機技術不斷發展的時代背景下，其在機械制造中也得到了廣泛的應用，使得機械設備運行的精密化程度實現了大幅提升[2]。但是值得關注的是，機械設備的精密化實現對機械零部件高精度加工的前提不僅僅要對加工工具、加工方式進行優化[3]，同時也要對加工參數作出合理的選擇，這就對數控系統提出了更高的要求[4]。為此，本文提出了基于深度學習的機械模具切割加工數控系統設計研究，并通過試驗測試驗證了設計系統在加工過程中的價值。本文的研究可為相關加工生產活動的開展提供參考。

1硬件設計

1.1SD卡設計

為了提供系統運行的速度，本文使用螢石CSCMT22CAR210作為設計系統的SD卡，其容納量為128G，可以實現對大規模加工材料數據信息以及可實施加工參數的儲存，同時能實現對能耗的控制，延長CSCMT22CAR210的運行周期。相應地，當運行環境內的晶振達到5MHz時，其執行指令的速度為8MIPS，其中，MIPS表示每秒時間內完成指令的數量，計量單位為百萬。在高性能模擬技術的加持下，CSCMT22CAR210的外圍模塊可以實現片內外設。以此為基礎，為了提高數控系統的運行效果[5]，本文為其增設了時間看門狗、數據模擬比較器、數據采集定時器A、數據訪問定時器B、連接串口0和1，并在12位ADC的支持下設置了直接數據存取模塊，使得輸入輸出端口可以實現對目標數據的快速定位，具體如圖1所示。不僅如此，考慮到不同的變電站對于通信電源的配置也存在差異，且隨著時代的發展，變電站對通信電源進行優化升級的可能性較大[6]，以單一固定的模式實施對其的數控會降低系統的適用性[7]。為此，利用JTAG調試接口為CSCMT22CAR210打造了更加自由的開發環境，通過對FLASH存儲器進行擦寫處理，使得在通過JTAG接口讀取FLASH內的信息時可以根據程序的運行情況，對片內MCU的狀態進行適應性調節。

1.2連接口設置

為了提高本文設計系統的適用范圍，選擇SDIO（In-put/Output）作為系統的連接裝置。SDIO接口處還設有標準的SD卡槽連接設備，當原有數控環境不支持SDIO時，SD卡的命令指令可以通過該接口完成傳遞，確保響應效率和時間。當SD卡的命令發布處于靜態時，SDIO接口將轉換為非激活狀態模式，通過這樣的方式最大限度降低其對設備正常工作狀態的影響。另外一種情況就是原有數控環境支持SDIO，此時只需直接激活SDIO即可實現其運行。本文的CSCMT22CAR210支持SDIO接口，因此直接將SDIO調節至激活狀態。同時，為了確保本文中的CSCMT22CAR210對SDIO的適配性，即不會受到后期系統優化升級影響，另外搭載了AHB總線接口和SDIO適配器。其中AHB總線接口的作用是實現對SD卡的時鐘、命令和數據傳送。其內部構件如圖2所示。以此為基礎，為機械模具切割加工數控系統的運行提供可靠基礎。

2軟件設計

2.1系統并發機制設計

由于機械模具切割數控系統在加工過程中接收到的執行信息并非以單一形式存在，為了確保下一加工實施的連續性，往往需要在短時間內連續接收相關指令。為了降低信息延時對加工質量的影響，本文設計數控系統為其建立了并發機制，使其可以同時接收多個操作命令，提高加工精度。切割刀具在大多數時間都是處于加工運行狀態的，本文在CAM處理時間與SD卡服務運行時間構建了數據請求并發模型。利用epoll+線程池模式使得epoll的I/O（輸入/輸出）復用和線程池的“以需定求”特性形成統一關系，應用的函數為f（x）=b（t）→z（t）（1）式中：f（x）為數控系統接收到的操作指令；b（t）為在t時刻epoll的執行動作；z（t）為在t時刻SD卡執行的服務。在此基礎上，在epoll事件驅動特性的作用下，當某個切割請求信息以事件的形式發送到主線程時，線程池將獲得其控制權，并通過邏輯解析將對應的指令信息發送到對應的分支線程中，實現對其并發處理。

2.2系統定時機制設計

對于定時器的設計，主要利用了深度學習實現對數據的更新處理。當系統執行完成對應的質量信息后，會產生對應的執行耗時，將其作為深度學習的基礎數據，在此基礎上，將獲取的任務執行時間輸入神經網絡中，構建神經網絡包括輸入輸出層以及池化層。計算結果由輸入層輸入到神經網絡后，與池化層之間建立映射關系，這種映射關系表示為T=δ（Ti）（2）式中：T為每個任務所需的最佳時間；δ為深度學習函數；Ti為在第i個任務的實際時間開銷，其中i的數值表示數控系統切割加工的指令數量。在池化層對計算結果的離散程度進行分析，將距離離散中心的距離大于目標值的數據作為過濾目標，確保池化層中的數據具有更高的可靠性。以此為基礎，將池化層中相同任務的執行時間均值作為輸出值在輸出層輸出。通過這樣的方式，將計算出的時間作為系統的定時標準，以此實現對加工的有效約束。

3測試與分析

在上述設計基礎上，為了進一步分析數控系統的實際應用效果，進行了試驗測試，根據其加工的效果，分析其應用價值。

3.1測試環境設置

測試過程中使用的試驗刀具為DC-BCSA2201-L185，該刀頭整體材質為硬質合金材料，刀體直徑為10.00mm，可以達到的最大螺旋角度為35°。加工的工件材料為Cr12MoV，已知這種材料的淬火硬度為洛氏HRC58。以此為基礎，在進行試驗測試時，本文采用Kistler9422A測力儀和PCB加速度傳感器作為數據采集裝置，考慮到模具加工時的速度調節頻率和程度具有較高的精度，因此設置傳感器的靈敏度為10.50mv/g，利用二者分別實現對加工過程中切削力和切削振動數據的采集。不僅如此，刀尖的頻響函數也是直接決定加工效果的重要因素之一，因此本文也將該指標參數作為評價本文設計加工數控系統的指標，利用錘擊法模態試驗直接對其進行測量，最終可確定刀具結構動力學參數中的固有頻率為996.42Hz，自有阻尼比為2.05%，剛度系數為1.0×108N/m。

3.2測試結果

在上述實試設置的基礎上，隨機選擇5個加工位置，編號1~5，對其加工效果進行統計，具體結果如表1所示。從表1中可以看出，本文設計的數控系統在模具切割加工過程中的最大振幅僅為4.80mm/s2，且加工模具的殘余高度穩定在65.92~67.85μm之間，表明模具表面具有較高的平整度，這也與振幅較小的數據結果相吻合，說明本文設計的數控系統可以實現高質量的模具切割加工處理。

4結束語

隨著社會的發展，對于產品的要求越來越高，就金屬加工行業而言，不僅僅是注重對加工效率提升的研究，如何實現加工質量的優化才是確保企業在激烈的市場競爭中實現穩定發展的基礎，而評價質量的一個重要指標就是加工精度。本文提出基于深度學習的機械模具切割加工數控系統設計研究，并實現了對振幅和殘余高度的有效控制，希望可以為相關企業的生產發展提供借鑒價值。

作者:李蕊 單位:新鄉職業技術學院