[发明专利]一种基于强化学习的多轴数控机床加工路径优化方法

说明书

本发明属于数控机床领域，并公开了一种基于强化学习的多轴数控机床加工路径优化方法，该方法包括：(a)建立数控机床各轴的转角行程与预设刀具路径中刀位点和刀具姿态之间的关系式；计算每个刀位点对应的冗余轴转角行程可行解范围；(b)将冗余轴转角行程可行解范围映射在平面坐标系中，在平面坐标系中形成冗余轴转角行程的可行域；(c)利用强化学习算法求解每个刀位点对应的最优冗余轴转角行程，使得数控机床平滑运动的同时完成加工的时间最短；(d)计算每个刀位点处数控机床其它各轴的转角行程，以此获得最终所需的数控机床加工路径。通过本发明，相比于无冗余轴的五轴数控机床加工以及使用传统方式进行去冗余的计算方案，提高加工效率。

技术领域

本发明属于数控机床领域，更具体地，涉及一种基于强化学习的多轴数控机床加工路径优化方法。

背景技术

目前，如今机器学习发展迅猛，各类算法层出不群，特别是深度神经网络的发展，为非常经典的强化学习带来了新的思路，也在很多方面得到应用。强化学习作为机器学习的重要分支，非常适合在不确定环境下进行自主决策，相比之下其他机器学习方式比如监督学习与无监督学习技术则无法独立完成此项工作，过去几年以来，强化学习正越来越多地在各类AI项目当中发挥令人瞩目的作用。

多轴数控机床是未来发展的趋势，传统的五轴数控机床按照给定的刀位路径和刀具姿态进行加工，每一个刀位点的位置和姿态对应的数控机床状态具有唯一解。在六轴以及六轴以上的数控机床上，由于存在旋转轴的冗余，因此每一个刀位点对应的数控机床上的状态并不唯一，解空间的存在使得在每一个刀位点对应的选择范围内进行选择从而使得数控机床能够处于更好加工姿态，在常规的数控加工过程中，加工一段路径上往往会有上万个刀位点，每个刀位点对应着每个冗余轴的分配选择，加工过程中的分配选择过程是一个连续决策的过程。

传统的机床去除冗余的方式有多种：第一类方法通过在末端执行器的运动上指定关于冗余度的一个或多个约束，从而解决冗余问题，这些约束可以用显式或隐式关系表示。这些方法的优点是非常容易得到解决方案，缺点在于这些解决方案的确定没能考虑具体机床的运动能力，针对不同运动能力机床给出的是一样的结果，因此其计算结果往往会使得效率不高；第二种方法基于遗传算法，使用遗传算法将机器人的末端执行器定位在目标位置，同时最小化最大的关节位移等约束。这个方案的优点在于考虑了机床运动能力，然而，实际加工过程中有上万个刀具姿态，针对每一个姿态进行优化会使得大大增加遗传算法的计算量，使其收敛速度非常慢，此外遗传算法也存在并非一定能收敛到最优值的缺点。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于强化学习的多轴数控机床加工路径优化方法，其通过将强化学习算法应用于求解数控机床各轴的转角行程获得数控机床的加工路径，在原有的初始路径和物理约束条件下不断试错和优化，最终寻找到一条符合数控机床实际状况特性的刀具路径轨迹。相比于无冗余轴的五轴数控机床加工以及使用传统方式进行去冗余的计算方案，提高加工效率。

为实现上述目的，按照本发明，提供了一种基于强化学习的多轴数控机床加工路径优化方法，该方法包括下列步骤：

(a)根据数控机床各轴之间的运动链，建立该数控机床各轴的转角行程与预设刀具路径中刀位点和刀具姿态之间的关系式；根据数控机床冗余轴的转角行程范围和所述关系式，计算获得在预设刀具路径中每个刀位点对应的冗余轴转角行程可行解范围；

(b)以加工路程和冗余轴的转角分别为横纵坐标轴建立平面坐标系，将步骤(a)获得的所述冗余轴转角行程可行解范围映射在所述平面坐标系中，以此在该平面坐标系中形成所述冗余轴转角行程的可行域，其中，横坐标上的点对应所述预设刀具路径中的刀位点，每个刀位点的纵坐标同时对应所述冗余轴转角行程可行解范围中的最大冗余轴转角行程和最小冗余轴转角行程；