基于工艺复合的木工雕刻自动换刀决策与自适应加工方法

admin

针对工艺复合木工雕刻过程中换刀决策依赖人工经验、工艺适应性不足等问题，本研究提出智能决策和自适应控制相结合的系统化方法。通过构建多源信息融合的加工任务表征方法，实现加工特征的层次化解析，形成工艺知识图谱；建立基于深度强化学习的动态换刀决策模型，利用马尔可夫决策流程完成建模；制定基于状态识别的自适应控制策略，实现加工参数实时调节和异常快速响应。实验结果表明：该方法可实现刀具切换的智能化决策，有效提升加工质量和效率，增强系统对复杂加工过程和材料特性变化的适应能力。研究成果解决了传统木工雕刻自动化程度低、工艺柔性差等问题，为智能木工装备的自主决策和协同控制提供了可行的技术路径。

【关键词】工艺复合；木工雕刻；自动换刀决策；自适应加工

0 引言

[size=1em]传统木工雕刻加工的换刀决策和工艺参数调整长期依赖于人工经验，在复杂工艺复合的高效加工任务中，易出现加工效率低、产品一致性差、工艺适应性弱等问题。近年来，国内外学者对加工过程优化展开了广泛研究：在任务分析基础上，将基于三维模型的特征辨识技术引入结构化加工环境［1］；在金属切削的决策优化领域，动态调度、刀具使用寿命预测等技术日趋成熟［2］，但木材加工因材料变异性大、刀具磨损机理复杂，其多过程自适应决策的相关研究仍较有限。本文旨在构建融合加工特征解析、深度强化学习决策、在线监测控制的系统方法，推动木工雕刻加工的自动化和智能化发展。

1 基于多源信息融合的加工任务表征方法1.1 加工特征的层次化解析模型

[size=1em]为克服传统加工代码（如G代码）仅包含几何路径与简单速度指令、缺乏高层语义信息的局限，构建面向工艺复合雕刻任务的层次化加工特征解析模型。该模型以输入的三维（computer-aided design，CAD）模型与工艺要求为基础，自上向下进行3层解析：①任务层。定义整体加工目标（如浮雕面板、立体雕像等）及关键工艺指标（如表面粗糙度、尺寸精度等）。②区域层。根据几何形状、曲率特征、功能要求，将模型自动划分为不同加工区域，如大平面去除区、深槽区、复杂曲面精加工区和装饰纹理区等。③特征层。在各区域内进一步识别具体加工单元，如型腔、凸台、轮廓边、自由曲面片等，并提取其特征尺寸（如深度、宽度、最小曲率半径等）完成可达性分析［3］。

1.2 工艺知识图谱的构建与推理

[size=1em]为系统化应用领域专家知识和历史加工数据，设计并构建木工雕刻工艺知识图谱。该图谱以本体论为基础，定义核心概念实体（如刀具、材料、加工特征、加工操作、工艺参数、加工效果）及语义关系（如“刀具适用于”“材料具有硬度”“操作生成特征”“参数影响效果”等）。例如，一条知识可表示为“球头刀（刀具）—［适用于］→复杂曲面精加工（特征）”“胡桃木（材料）—［推荐线速度范围］→［150，200］ m／ min（参数）”［4］。图谱知识来源涵盖工艺手册、专家经验规则，以及对历史成功加工实例进行数据挖掘后抽取的隐性知识。基于该图谱可实现高效工艺推理：将层次化解析模型输出的加工特征（如“深度5 mm、最小曲率半径2 mm的紫檀木浮雕曲面”），实例化为图谱节点，通过子图匹配与多跳推理算法，结合特征几何与材料属性约束匹配，筛选出几何相容的刀具集合（如小直径球头刀）［5］。

1.3 加工状态的多维度感知

[size=1em]设计多传感器融合的加工状态感知系统，实现加工状态的精确、综合实时感知，搭建任务规划和物理执行的桥梁。系统整合主轴功率／电流传感器、三向振动加速度计、声发射传感器及刀库／主轴视觉传感器：主轴功率信号宏观反映切削负载平稳性，用于判断刀具磨损是否过大或切入异常；声发射传感器对材料微观断裂高度敏感，可提前预警加工缺陷［6］。多源异构传感器数据通过同步采集、滤波降噪、特征提取等处理，整合为多维度时间序列“处理状态向量”。结合工艺知识图谱完成决策推荐：①基于几何与材料属性进行子图匹配，初步筛选适用刀具；②沿图谱关系进行多跳推理，推导关键工艺参数；③融合历史数据驱动的预测模型和专家规则，生成刀具、参数、风险预警等综合推荐方案。

2 基于深度强化学习的工艺复合木工雕刻动态换刀决策模型2.1 决策问题的马尔可夫建模

[size=1em]将工艺复合雕刻自动换刀决策形式化为序列决策问题，采用马尔可夫决策（Markov decision process，MDP）流程完成建模。模型将系统状态（S）定义为复合状态向量，由3部分组成：①任务进度状态，即层次化解析得到的当前加工特征队列及其属性；②刀具资源状态，即刀库中各刀具的型号、剩余寿命（基于磨损预估模型）、当前位置；③加工实时状态，即多源感知系统获取的当前状态向量（如振动能量、主轴负载等）［7］。状态转移概率（P）描述执行特定动作后，系统状态的转移不确定性，这一概念可为加工过程中的随机性问题（如木材材质不均、刀具磨损随机）提供封装。设计多目标权衡的奖励函数（R）作为驱动智能体学习的优化策略，核心公式为

[size=1em]式中：R效率与材料去除率正相关，激励高效加工；R质量在加工质量达标时给予正向奖励；C换刀为换刀动作的时间成本惩罚；C缺陷为过切、毛刺等质量缺陷的惩罚；w1～w4为各目标的平衡权重系数。该函数通过量化奖励与惩罚，驱动智能体学习效率、质量、成本平衡的最优换刀策略。

2.2 深度强化学习算法的设计与优化

[size=1em]结合雕刻加工状态空间高维连续、动作空间离散（刀具选择）且规模适中的特点，采用改进的深度Q网络（deep q-network，DQN）作为核心学习算法。为解决传统DQN对复杂状态特征提取能力不足的问题，在网络输入层后引入多头自注意力机制模块，使网络自动学习状态向量中不同维度信息（如几何特征、振动信号、刀具寿命等）之间的关联权重，聚焦对当前决策最关键的状态特征。如深窄槽加工中重点关注刀具长径比与振动信号的关系，大平面加工中侧重刀具直径与主轴功率的关联［8］。

2.3 决策模型的训练与泛化

[size=1em]决策模型训练分为两个阶段：①离线阶段。智能体在仿真环境中对随机产生、工艺复合程度不同的海量虚拟雕刻任务进行探索与学习，经过数百万步迭代，掌握不同加工情景下基于实时状态选择最优动作、最大化长期累积奖励的能力，形成通用换刀决策的初步能力。②在线微调阶段。为解决仿真和真实世界的“现实鸿沟”，在实际木工雕刻中心部署时，模型采用“导师学徒”模式运行：初始阶段，模型决策建议与人工经验决策并行，并接受操作人员审查和证实；同时，系统持续记录真实加工过程中的状态、动作及最终加工结果（如质量、时间等），将其作为新经验样本优化模型。

3 基于在线监测的工艺复合木工雕刻自适应加工控制方法3.1 加工过程的状态识别模型

[size=1em]深度强化学习决策模型输出“换刀”或“继续加工”等宏观指令，但“继续加工”的精细工艺参数需基于实时状态动态判定。为此，构建基于在线监测信号的加工工艺状态辨识模型，旨在实时、准确区分刀具健康状态与切削过程稳定性。针对刀具磨损状态辨识，采用以振动／声发射信号为主、主轴功率为辅的多源数据融合方案：从原始信号中提取时域、频域及时频域多维特征；通过递归特征消除和随机森林技术完成筛选，筛选标准为特征重要性评分≥0.02分、5折交叉验证平均分类准确性≥85％、排除高度相关特征（如|r|＞0.85）；将特征从312维降至42维，保留振动均方根和小波包能量熵等核心特征。

3.2 自适应控制策略的设计

[size=1em]基于状态识别模型的实时输出，设计了分层自适应控制策略。该策略不改变MDP模型规划的整体刀具序列与宏观工艺路线，仅在其框架内对切削参数进行局部动态微调，保障加工质量与刀具安全。调节规则如下：①正常磨损补偿。当磨损量VB＞0.15 mm时，按式（2）线性降低进给率，最大降幅为20％。

[size=1em]式中：fnew为调整后的进给率，f0为原始设定的进给率，VB为刀具后刀面磨损宽度（单位：mm）。当磨损量VB＞0.15 mm时，该系统采用线性方式减少进给率，其中最大的降幅被限制在20％之内，以防止刀具因过度磨损而导致的加工质量降低或刀具断裂的风险。

[size=1em]②振动抑制调节。当振动能量持续超过基线50％且颤振指标CI≤0.8时，以5％为步长调整主轴转速，规避固有频率在±5％范围内的谐波区域。

3.3 决策与控制层的协同机制

[size=1em]3.3.1 协同机制的系统架构设计

[size=1em]基于清晰的信息交互架构实现决策与控制层的协同：决策层发布宏观指令时，同步传达“加工意图”和从工艺知识图谱中提取的基准工艺参数，为控制器提供执行上下文；自适应控制器在执行过程中，持续将浓缩的状态信息（如刀具健康度估值、参数调节历史、异常事件发生频率等）反馈至决策层，形成双向信息交互闭环［9］。

[size=1em]3.3.2 实验验证平台构建

[size=1em]为了对该协同机制进行性能量化评估，以五轴木工雕刻机为基础搭建实验验证平台。实验设备使用Carver-5X五轴木工雕刻机，其主轴额定功率为5.5 kW，最高转速达24 000 r／ min，各进给轴定位精度为±0.015 mm。该平台整合高分辨率测振仪和声发射传感器，实现加工振动和异常信号的实时监测。实验工件为尺寸为300 mm×200 mm×50 mm的北美红橡木实木浮雕板，含水率控制在8％±1％，工件表面包括平面、深槽（深度10 mm）、自由曲面（曲率半径10～50 mm）、细微纹理（深度0.5～1 mm）4种典型加工特征。设计了3种对比实验方案，参数设置与核心差异如表1所示。

[size=1em]3.3.3 实验数据与结果分析

[size=1em]3种方案的关键评价指标对比如表2所示［10］。

[size=0.8em]表1 实验方案配置对比

[size=0.8em]表2 不同方案综合性能对比

[size=1em]由表2可知，设计的协同机制可显著提高加工系统综合性能。从加工效率来看，方案C总加工时间较方案A减少16.49％、较方案B减少9.04％。原因在于决策层能依据控制器反馈的刀具实时健康状态，精准规划刀具使用次序，避免保守换刀策略造成的不必要停机时间浪费。从加工质量来看，方案C自由曲面区域平均表面粗糙度Ra值表现最佳，达到1.6 μm，较方案A提高31.91％、较方案B提高14.89％。原因在于具有协同机制的控制器能迅速、准确响应切削力突变或振动加剧等异常，通过及时调整参数抑制质量缺陷的萌生和扩展。

[size=1em]3.3.4 协同优化机理的深层解析

[size=1em]协同优化的核心机制是决策层在全局优化中充分考虑并采信局部控制器的实时调整效果。当自适应控制器执行保护性降速以抑制振动或防止刀具过载时，其产生的短期时间成本会被量化为对马尔可夫决策过程奖励函数的轻微惩罚。

[size=1em]例如，当加工深槽特征时，方案A采用固定参数；方案B控制器侦测到振动增强后，将速度减少15％，直至加工过程结束；方案C控制器同样执行15％降速操作，但该“加工时间加长”的状态会实时反馈至决策层，决策层进行后续调度时，将原计划用该刀具完成的轻载精加工工作调整至刀具寿命晚期完成。

4 结语

[size=1em]本文对工艺复合木工雕刻自动换刀决策和自适应加工方法展开系统研究，提出集成多源信息融合加工任务表征、深度强化学习动态换刀决策、在线监测自适应控制的一体化技术方案，有效提高了木工雕刻加工智能化程度和工艺适应性，为复杂雕刻任务的自主决策和优化控制提供了有效解决方案。然而本研究仍存在一定局限：①实验基于实验室特定材料及工艺条件开展，需在更多样的实际生产场景下加以验证；②工艺知识图谱的构建和更新仍依赖专家经验和历史数据，模型的自适应学习能力有待提高。未来研究可进一步扩展实际生产环境下对模型的验证范围，探讨多机协同和云平台集成的发展方向。

[size=1em]【参考文献】

[size=1em]［1］ 孙金元，范立钢，赵兴强.一种木工雕刻机的自动换刀装置：CN202420698120.2［P］.2026－01－20.

[size=1em]［2］ 高兆刚，李长茹.一种雕刻机自动换刀装置：CN202320629618.9［P］.2026－01－20.

[size=1em]［3］ 刘斌，李玮，王钧，等.小型五轴雕刻机的设计及静动态特性分析［J］.制造技术与机床，2022（6）：119－128.

[size=1em]［4］ 魏彬，杨大胜，钟迪，等.一种木工雕刻机主控系统研究［J］.中国仪器仪表，2021（3）：43－46.

[size=1em]［5］ 王发利，边继龙，张俸铭，等.多轴联动木工雕刻机加工速度衔接的研究与仿真［J］.东北林业大学学报，2018，46（2）：77－83.

[size=1em]［6］ 李昊，王花.一种可自动换刀的木工雕刻机：CN202122692446.3［P］.2026－01－20.

[size=1em]［7］ 宋丽莹.五轴联动木工数控雕刻机结构的仿真分析［J］.中国设备工程，2021（5）：114－115.

[size=1em]［8］ 曾颖峰，陈亮，任彦仰.六轴关节机器人在木工雕刻中的应用［J］.机电技术，2020（6）：34－36，51.

[size=1em]［9］ 冯庆永，赵越，吴鹏飞，等.用于木工雕刻机的抛光、打磨装置：CN201721355140.6［P］.2026－01－20.

[size=1em]［10］ 王发利，边继龙，张俸铭，等.多轴联动木工雕刻机加工速度衔接的研究与仿真［J］.东北林业大学学报，2018，46（2）：77－83.

[size=1em]【中图分类号】TS642

[size=1em]【文献标识码】A

[size=1em]DOI：10.16009／j. issn.1009－5624.2026.11.057

[size=1em]作者简介：李昊（1988—），男，山东泰安人，本科，研究方向：网络工程专业。

基于工艺复合的木工雕刻自动换刀决策与自适应加工方法
李昊

【作者机构】        山东米斯特智能装备有限公司
【来    源】        《信息记录材料》 2026年第11期 pp.178-180