摘   要:由于数控系统的运算能力较低，导致加工效果存在一定提升空间，为此，提出基于深度学习的机械模具切割加工数控系统。将可以储存大规模加工材料数据信息以及可实施加工参数的SD卡和支持设备外设功能扩展的连接口作为系统硬件，在软件方面，为系统构建并发机制，并利用神经网络计算出执行操作的额定时间。测试结果表明，设计方法对机械模具的加工效果良好，具有较高精度。

关键词：深度学习；机械模具；切割加工；数控系统；并发机制；定时机制

       机械模具加工作为机械制造中的重要组成部分，其加工质量直接决定了后续相关零部件的加工效果[1]。在计算机技术不断发展的时代背景下，其在机械制造中也得到了广泛的应用，使得机械设备运行的精密化程度实现了大幅提升[2]。但是值得关注的是，机械设备的精密化实现对机械零部件高精度加工的前提不仅仅要对加工工具、加工方式进行优化[3]，同时也要对加工参数作出合理的选择，这就对数控系统提出了更高的要求[4]。为此，本文提出了基于深度学习的机械模具切割加工数控系统设计研究，并通过试验测试验证了设计系统在加工过程中的价值。本文的研究可为相关加工生产活动的开展提供参考。

1硬件设计

1.1SD卡设计

       为了提供系统运行的速度，本文使用萤石CSCMT22CAR210作为设计系统的SD卡，其容纳量为128G，可以实现对大规模加工材料数据信息以及可实施加工参数的储存，同时能实现对能耗的控制，延长CSCMT22CAR210的运行周期。相应地，当运行环境内的晶振达到5MHz时，其执行指令的速度为8MIPS，其中，MIPS表示每秒时间内完成指令的数量，计量单位为百万。在高性能模拟技术的加持下，CSCMT22CAR210的外围模块可以实现片内外设。以此为基础，为了提高数控系统的运行效果[5]，本文为其增设了时间看门狗、数据模拟比较器、数据采集定时器A、数据访问定时器B、连接串口0和1，并在12位ADC的支持下设置了直接数据存取模块，使得输入输出端口可以实现对目标数据的快速定位，具体如图1所示。不仅如此，考虑到不同的变电站对于通信电源的配置也存在差异，且随着时代的发展，变电站对通信电源进行优化升级的可能性较大[6]，以单一固定的模式实施对其的数控会降低系统的适用性[7]。为此，利用JTAG调试接口为CSCMT22CAR210打造了更加自由的开发环境，通过对FLASH存储器进行擦写处理，使得在通过JTAG接口读取FLASH内的信息时可以根据程序的运行情况，对片内MCU的状态进行适应性调节。

1.2连接口设置

       为了提高本文设计系统的适用范围，选择SDIO（In-put/Output）作为系统的连接装置。SDIO接口处还设有标准的SD卡槽连接设备，当原有数控环境不支持SDIO时，SD卡的命令指令可以通过该接口完成传递，确保响应效率和时间。当SD卡的命令发布处于静态时，SDIO接口将转换为非激活状态模式，通过这样的方式最大限度降低其对设备正常工作状态的影响。另外一种情况就是原有数控环境支持SDIO，此时只需直接激活SDIO即可实现其运行。本文的CSCMT22CAR210支持SDIO接口，因此直接将SDIO调节至激活状态。同时，为了确保本文中的CSCMT22CAR210对SDIO的适配性，即不会受到后期系统优化升级影响，另外搭载了AHB总线接口和SDIO适配器。其中AHB总线接口的作用是实现对SD卡的时钟、命令和数据传送。其内部构件如图2所示。以此为基础，为机械模具切割加工数控系统的运行提供可靠基础。

2软件设计

2.1系统并发机制设计

       由于机械模具切割数控系统在加工过程中接收到的执行信息并非以单一形式存在，为了确保下一加工实施的连续性，往往需要在短时间内连续接收相关指令。为了降低信息延时对加工质量的影响，本文设计数控系统为其建立了并发机制，使其可以同时接收多个操作命令，提高加工精度。切割刀具在大多数时间都是处于加工运行状态的，本文在CAM处理时间与SD卡服务运行时间构建了数据请求并发模型。利用epoll+线程池模式使得epoll的I/O（输入/输出）复用和线程池的“以需定求”特性形成统一关系，应用的函数为f（x）=b（t）→z（t）（1）式中：f（x）为数控系统接收到的操作指令；b（t）为在t时刻epoll的执行动作；z（t）为在t时刻SD卡执行的服务。在此基础上，在epoll事件驱动特性的作用下，当某个切割请求信息以事件的形式发送到主线程时，线程池将获得其控制权，并通过逻辑解析将对应的指令信息发送到对应的分支线程中，实现对其并发处理。

2.2系统定时机制设计

对于定时器的设计，主要利用了深度学习实现对数据的更新处理。当系统执行完成对应的质量信息后，会产生对应的执行耗时，将其作为深度学习的基础数据，在此基础上，将获取的任务执行时间输入神经网络中，构建神经网络包括输入输出层以及池化层。计算结果由输入层输入到神经网络后，与池化层之间建立映射关系，这种映射关系表示为T=δ（Ti）（2）式中：T为每个任务所需的最佳时间；δ为深度学习函数；Ti为在第i个任务的实际时间开销，其中i的数值表示数控系统切割加工的指令数量。在池化层对计算结果的离散程度进行分析，将距离离散中心的距离大于目标值的数据作为过滤目标，确保池化层中的数据具有更高的可靠性。以此为基础，将池化层中相同任务的执行时间均值作为输出值在输出层输出。通过这样的方式，将计算出的时间作为系统的定时标准，以此实现对加工的有效约束。

3测试与分析

在上述设计基础上，为了进一步分析数控系统的实际应用效果，进行了试验测试，根据其加工的效果，分析其应用价值。

3.1测试环境设置

       测试过程中使用的试验刀具为DC-BCSA2201-L185，该刀头整体材质为硬质合金材料，刀体直径为10.00mm，可以达到的最大螺旋角度为35°。加工的工件材料为Cr12MoV，已知这种材料的淬火硬度为洛氏HRC58。以此为基础，在进行试验测试时，本文采用Kistler9422A测力仪和PCB加速度传感器作为数据采集装置，考虑到模具加工时的速度调节频率和程度具有较高的精度，因此设置传感器的灵敏度为10.50mv/g，利用二者分别实现对加工过程中切削力和切削振动数据的采集。不仅如此，刀尖的频响函数也是直接决定加工效果的重要因素之一，因此本文也将该指标参数作为评价本文设计加工数控系统的指标，利用锤击法模态试验直接对其进行测量，最终可确定刀具结构动力学参数中的固有频率为996.42Hz，自有阻尼比为2.05%，刚度系数为1.0×108N/m。

3.2测试结果

       在上述实试设置的基础上，随机选择5个加工位置，编号1~5，对其加工效果进行统计，具体结果如表1所示。从表1中可以看出，本文设计的数控系统在模具切割加工过程中的最大振幅仅为4.80mm/s2，且加工模具的残余高度稳定在65.92~67.85μm之间，表明模具表面具有较高的平整度，这也与振幅较小的数据结果相吻合，说明本文设计的数控系统可以实现高质量的模具切割加工处理。

4结束语

       随着社会的发展，对于产品的要求越来越高，就金属加工行业而言，不仅仅是注重对加工效率提升的研究，如何实现加工质量的优化才是确保企业在激烈的市场竞争中实现稳定发展的基础，而评价质量的一个重要指标就是加工精度。本文提出基于深度学习的机械模具切割加工数控系统设计研究，并实现了对振幅和残余高度的有效控制，希望可以为相关企业的生产发展提供借鉴价值。

Tags：