Как нарисовать симку и нолика поэтапно: Как нарисовать Симку из Фиксиков карандашом поэтапно

Простой альфа-ноль

Простое руководство по Alpha(Go) Zero 29 декабря 2017 г. В этом руководстве рассматривается синхронная однопоточная однопроцессорная (читай, недоедающая) не зависящая от игры реализация недавней статьи AlphaGo Zero от DeepMind. Это прекрасная работа, которая обучает агента игре в го посредством чистой самостоятельной игры без каких-либо человеческих знаний, кроме правил игры. Методы довольно просты по сравнению с предыдущими статьями DeepMind, и AlphaGo Zero в конечном итоге убедительно побеждает AlphaGo (обученный с использованием данных из экспертных игр и победивший лучших игроков в го). Недавно DeepMind опубликовал препринт Alpha Zero на arXiv, в котором методы AlphaGo Zero расширяются до шахмат и сёги. Цель этого поста — выделить ключевые идеи из статьи AlphaGo Zero и понять их конкретно с помощью кода. Он предполагает базовое знакомство с концепциями машинного обучения и обучения с подкреплением и должен быть доступен, если вы понимаете основы нейронных сетей и поиск по дереву Монте-Карло. Прежде чем начать (или после завершения этого урока), я бы рекомендовал прочитать исходную статью. Она хорошо написана, очень читабельна и с прекрасными иллюстрациями! AlphaGo Zero обучается с помощью самостоятельной игры с подкреплением. Он сочетает в себе нейронную сеть и поиск по дереву Монте-Карло в элегантной структуре итерации политики для достижения стабильного обучения. Но это только слова — давайте сразу перейдем к деталям. Нейронная сеть Неудивительно, что в основе всего лежит нейронная сеть. Нейронная сеть \(f_\theta\) параметризуется \(\theta\) и принимает в качестве входных данных состояние \(s\) доски. Он имеет два выхода: непрерывное значение состояния доски \(v_\theta(s) \in [-1,1]\) с точки зрения текущего игрока и политику \(\vec{p}_\ theta(s)\), который представляет собой вектор вероятности всех возможных действий. 2 — \vec{\pi}_t \cdot \log(\vec{p}_\theta(s_t)) $$ Основная идея заключается в том, что со временем сеть узнает, какие состояния в конечном итоге приводят к выигрышу (или проигрышу). Кроме того, изучение политики дало бы хорошую оценку того, какое действие лучше для данного состояния. Архитектура нейронной сети в целом будет зависеть от игры. Большинство настольных игр, таких как Go, могут использовать многоуровневую архитектуру CNN. В статье DeepMind они используют 20 остаточных блоков, каждый из которых имеет 2 сверточных слоя. Мне удалось получить 4-уровневую сеть CNN, за которой следуют несколько слоев с прямой связью для работы с 6×6 Othello. Поиск по дереву Монте-Карло для улучшения политики При заданном состоянии \(s\) нейронная сеть обеспечивает оценку политики \(\vec{p}_\theta\). На этапе обучения мы хотим улучшить эти оценки. Это достигается с помощью поиска по дереву Монте-Карло (MCTS). В дереве поиска каждый узел представляет конфигурацию платы. Направленное ребро существует между двумя узлами \(i \rightarrow j\), если допустимое действие может вызвать переход состояния из состояния \(i\) в \(j\). Начиная с пустого дерева поиска, мы расширяем дерево поиска по одному узлу (состоянию) за раз. Когда встречается новый узел, вместо выполнения развертывания значение нового узла получается из самой нейронной сети. Это значение распространяется вверх по пути поиска. Давайте нарисуем это более подробно. Для поиска по дереву мы поддерживаем следующее: \(Q(s,a)\): ожидаемая награда за выполнение действия \(a\) из состояния \(s\), т.е. значения Q \(N(s,a)\): сколько раз мы выполняли действие \(a\) из состояния \(s\) в симуляциях \(P(s,\cdot)=\vec{p}_\theta(s)\): начальная оценка выполнения действия из состояния \(s\) в соответствии с политикой, возвращаемой текущей нейронной сетью . Из них мы можем вычислить \(U(s,a)\), верхнюю доверительную границу Q-значений как $$U(s,a) = Q(s,a) + c_{puct}\cdot P(s,a)\cdot\frac{\sqrt{\Sigma_b N(s,b)}}{1+N (с, а)}$$ Здесь \(c_{puct}\) — гиперпараметр, управляющий степенью исследования. Чтобы использовать MCTS для улучшения начальной политики, возвращаемой текущей нейронной сетью, мы инициализируем наше пустое дерево поиска с \(s\) в качестве корня. Одиночное моделирование происходит следующим образом. Мы вычисляем действие \(a\), которое максимизирует верхнюю доверительную границу \(U(s,a)\). Если следующее состояние \(s’\) (полученное путем воспроизведения действия \(a\) над состоянием \(s\)) существует в нашем дереве, мы рекурсивно вызываем поиск по \(s’\). Если оно не существует, мы добавляем новое состояние в наше дерево и инициализируем \(P(s’,\cdot) = \vec{p}_\theta(s’)\), а значение \(v(s’ ) = v_\theta(s’)\) из нейронной сети и инициализировать \(Q(s’,a)\) и \(N(s’,a)\) до 0 для всех \(a\) . Вместо развертывания мы распространяем \(v(s’)\) вверх по пути, показанному в текущей симуляции, и обновляем все значения \(Q(s,a)\). С другой стороны, если мы сталкиваемся с терминальным состоянием, мы распространяем реальную награду (+1, если игрок выигрывает, иначе -1). После нескольких симуляций значения \(N(s,a)\) в корне обеспечивают лучшее приближение для политики. Улучшенная стохастическая политика \(\vec{\pi}(s)\) — это просто нормализованные подсчеты \(N(s,\cdot)/\sum_b(N(s,b))\). Во время самостоятельной игры мы выполняем MCTS и выбираем ход, выбирая ход из улучшенной политики \(\vec{\pi}(s)\). Ниже приведена высокоуровневая реализация одной симуляции алгоритма поиска. Обратите внимание, что мы возвращаем отрицательное значение состояния. Это связано с тем, что альтернативные уровни в дереве поиска представляются с точки зрения разных игроков. Поскольку \(v \in [-1,1]\), \(-v\) — это значение текущей доски с точки зрения другого игрока. Итерация политики через самостоятельную игру Хотите верьте, хотите нет, но теперь у нас есть все элементы, необходимые для обучения нашего неконтролируемого игрового агента! Обучение через самостоятельную игру — это, по сути, алгоритм итерации политики: мы играем в игры и вычисляем Q-значения, используя нашу текущую политику (в данном случае нейронную сеть), а затем обновляем нашу политику, используя вычисленную статистику. Вот полный алгоритм обучения. Мы инициализируем нашу нейронную сеть случайными весами, таким образом, начиная со случайной политики и сети значений. В каждой итерации нашего алгоритма мы играем в несколько игр с самим собой. На каждом ходу игры мы выполняем фиксированное количество симуляций MCTS, начиная с текущего состояния \(s_t\). Мы выбираем ход путем выборки из улучшенной политики \(\vec{\pi}_t\). Это дает нам обучающий пример \((s_t, \vec{\pi}_t, \_)\). Награда \(\_\) заполняется в конце игры: +1, если текущий игрок в итоге выигрывает игру, иначе -1. Дерево поиска сохраняется во время игры. В конце итерации нейросеть обучается на полученных обучающих примерах. Старая и новая сети противопоставлены друг другу. Если новая сеть выигрывает больше, чем установленная пороговая доля игр (55% в документе DeepMind), сеть обновляется до новой сети. В противном случае мы проводим еще одну итерацию для увеличения обучающих примеров. И все! Каким-то волшебным образом сеть улучшается почти с каждой итерацией и учится лучше играть в игру. Код высокого уровня для полного алгоритма обучения приведен ниже. Эксперименты с Отелло Мы обучили агента игре Отелло для доски 6х6 на одном GPU. Каждая итерация состояла из 100 эпизодов самоигры, и в каждом MCTS использовалось 25 симуляций. Обратите внимание, что это на несколько порядков меньше, чем вычисление, использованное в статье AlphaGo (25000 эпизодов на итерацию, 1600 симуляций на ход). Модель заняла около 3 дней (80 итераций) для обучения насыщению на графическом процессоре NVIDIA Tesla K80. Мы оценили модель в сравнении со случайными и жадными базовыми линиями, а также с минимаксным агентом и людьми. Он работал довольно хорошо и даже подхватил некоторые общие стратегии, используемые людьми. Агент (черный) учится захватывать стены и углы в начале игрыАгент (черный) учится форсировать пасы в конце игрыПримечание к деталям ради ясности. В документе AlphaGo описаны некоторые дополнительные детали их реализации. Некоторые из них: История состояния : Поскольку Go не полностью просматривается из текущего состояния доски, нейронная сеть также принимает в качестве входных данных доски за последние 7 временных шагов. Это особенность самой игры, и в других играх, таких как шахматы и Отелло, в качестве входных данных требуется только текущая доска. 9{1/\tau}) \), где \(\tau\) — температура и регулирует степень разведки. AlphaGo Zero использует \(\tau=1\) (просто нормализованные подсчеты) для первых 30 ходов каждой игры, а затем устанавливает для него бесконечно малое значение (выбирая ход с максимальным подсчетом). Симметрия : Доска Го инвариантна к вращению и отражению. Когда MCTS достигает конечного узла, текущая нейронная сеть вызывается с отраженной или повернутой версией доски, чтобы использовать эту симметрию. В общем, это можно распространить на другие игры, используя симметрии, которые справедливы для игры. Асинхронный MCTS : AlphaGo Zero использует асинхронный вариант MCTS, который выполняет моделирование параллельно. Запросы нейронной сети группируются, и каждый поисковый поток блокируется до завершения оценки. Кроме того, 3 основных процесса: самостоятельная игра, обучение нейронной сети и сравнение старых и новых сетей выполняются параллельно. Compute Power : Каждая нейронная сеть была обучена с использованием 64 GPU и 19ЦП. Вычислительная мощность, используемая для выполнения самостоятельной игры, неясна из статьи. Дизайн нейронной сети : Авторы пробовали различные архитектуры, включая сети с остаточными сетями и без них, а также с совместным использованием параметров и сетями политики. В их лучшей архитектуре использовались остаточные сети и общие параметры для сетей ценности и политик. Этот код, представленный в этом руководстве, обеспечивает общий обзор задействованных алгоритмов. Полную независимую от игры и фреймворка реализацию можно найти в этом репозитории GitHub. Он содержит пример реализации игры Отелло в PyTorch, Keras и TensorFlow. Нижняя ветка комментариев больше не очень активна. Не стесняйтесь оставлять комментарии/предложения :). Если у вас есть животрепещущие вопросы, рассмотрите возможность публикации Issue на GitHub. Включите JavaScript, чтобы просматривать комментарии с помощью Disqus. Сураг Наир

11 способов найти нулевую деталь на станке с ЧПУ

Эта статья была первоначально опубликована в 2016 году и содержала всего 8 способов найти нулевую деталь, и с тех пор она пользуется огромной популярностью. Я обновил его несколькими новыми методами.

Одна из первых вещей, которую вы должны сделать, прежде чем приступить к обработке детали, — это сообщить станку, где находится ноль детали. Ноль детали — это точка отсчета, соответствующая координате 0, 0 на чертеже CAD, который вы использовали для всей своей работы в CAM или для создания G-кода для вашей программы обработки деталей. Это также называется «Нулевая программа», поскольку X0Y0Z0 в программе g-кода является местоположением нулевой части. Между прочим, поиск нулевой части часто называют «прикосновением».

Чтобы узнать больше, ознакомьтесь с нашей главой о программировании G-кода в части Zero.

Каждый оператор станков с ЧПУ должен уметь выполнять этот простой шаг, и часто полезно иметь несколько способов его выполнения. Количество затрачиваемых усилий неодинаково для каждого из них, и некоторые лучше подходят для особых случаев, а другие — более общего характера. Понимание всего арсенала методов поможет вам стать более эффективным, выбрав лучший для каждой работы.

Вот несколько методов на выбор:

Метод 1:  Используйте краевой искатель

Кромкоискатель, безусловно, является наиболее распространенным способом поиска нулевой детали, поэтому мы начнем с него. Чтобы использовать этот метод, поместите деталь во фрезерные тиски или приспособление. Обычно вы собираетесь сделать угловую часть нулевой. Поскольку вы начнете (обычно) с необработанного материала, важно оставить некоторый запас для обработки в вашем чертеже САПР. Таким образом, нулевая часть находится в пространстве, а не на самом деле.

Искатели краев бывают разных видов, но мы сгруппируем их по механическим и электрическим категориям. Электрические искатели кромок загораются и/или издают звуковой сигнал при соприкосновении с заготовкой. Они полагаются на то, что заготовка является электропроводной, поэтому цепь замыкается, когда кромкомер касается заготовки. Вот типичный электрический искатель края:

Электрический краевой искатель загорается или издает звуковой сигнал, когда шаровой конец касается детали и замыкает цепь…

Электрические краевые искатели, подобные этим, чрезвычайно просты в использовании и относительно дешевы. Если они и страдают от недостатков, так это то, что те, у которых есть подвижные шары для предотвращения повреждений, не очень воспроизводимы, а те, у которых нет подвижных шаров, довольно легко сломать, если вы бежите слишком далеко или слишком быстро и врезаетесь один в свой. часть.

Механические искатели кромок существуют уже давно. Они работают, вращаясь на довольно низких оборотах (осторожно!), и когда вы слегка проходите край, они «выскакивают». В этом видео от Tormach представлен отличный пример работы одного из этих механических и электронных кромкомеров:

Чтобы использовать искатель кромки, вам просто нужно найти кромку, соответствующую каждой оси, X и Y, и обнулить ЦИ станка, когда вы найдете кромку. Обратите внимание, что при пристрелке необходимо учитывать радиус наконечника!

Метод 2. Используйте 3D-дегустатор

Еще один очень распространенный, но более современный и удобный метод, чем два вышеупомянутых краевых определителя, — использование «3D-дегустатора». 3D-дегустаторы (теперь их часто называют «3D-сенсорами», но оригинальный перевод с немецкого звучит гораздо интереснее!) Впервые были произведены в Германии компанией Haimer, хотя теперь вы можете купить их более дешевые клоны. Попробовав клон, рекомендую придерживаться оригинала. Это больше денег, но гораздо точнее и прочнее.

Haimer 3D Taster — 395 долларов на Amazon…

Я заплатил больше, когда купил свой — на самом деле намного больше, так как сначала купил дешевый китайский клон, пожалел об этом, а затем купил настоящую вещь, которая продавалась дороже, чем 395 долларов, которые они перечисляют на Amazon. Что вы можете сделать с одним? Что вы не можете сделать? В основном это модные, но чрезвычайно точные и простые в использовании искатели краев. Вы вставляете один в свой шпиндель и используете его, чтобы найти нулевую точку детали, края, углы, откатывание тисков и все виды других общих задач настройки. Причина, по которой вам нужен один, заключается в том, что они быстрее и проще, чем другие методы.

Эти прецизионные измерительные инструменты немецкого производства настолько удобны для стольких задач по наладке, что я постоянно держу один из них в держателе и видел, как многие другие операторы ЧПУ делают то же самое.

Чтобы найти нулевую часть, используйте 3D-дегустатор, как искатели краев. Вот видео Tormach для демонстрации:

Метод 3: Выберите фиксированное положение на тисках или приспособлении

Это мой любимый метод, поскольку он требует наименьшего времени и усилий для каждой настройки, хотя и требует небольшой предварительной настройки. один раз.

При использовании двух других методов вы должны находить нулевую деталь каждый раз, когда кладете новую заготовку на станок. С помощью этого метода вы найдете его один раз, потому что он относится к заготовке. Позвольте мне привести пример. Предположим, вы используете угол неподвижной губки ваших станочных тисков:

Используйте угол неподвижной губки ваших фрезерных тисков (обведен красным) в качестве нулевой точки…

Кстати, на этом рисунке также показана визовую остановку я сделал. Один из самых удобных инструментов в моем магазине!

Кстати, если вы используете фиксирующую пластину, вам не составит труда каждый раз ставить тиски на пластину в одно и то же место. Установите эту фиксированную часть челюсти на ноль в качестве рабочего смещения, и вы сможете вернуть ее обратно в любое время очень быстро. На этой фотографии показано, как установить тиски на фиксирующей пластине с помощью всего 3 штифтов каждый раз:

Каждый раз находите тиски и устанавливайте нулевую часть очень быстро с помощью фиксирующей пластины…

Это замечательно экономит время, потому что тиски большую часть времени находятся на вашем фрезерном столе. Пока вы проектируете свои детали с идеей, что угол губки тисков представляет собой нулевую часть, вы можете вставить деталь в губки и начать обработку без измерения нуля детали, по крайней мере, без измерения X и Y. Вам нужно только измерить и обнулить если тиски перемещаются или вы меняете исходное положение. Возможно, вам придется провести повторные измерения, если на ваших машинах также отсутствуют воспроизводимые домашние переключатели. Но с какой бы стороны вы на это ни посмотрели, вы будете устанавливать нулевую часть намного реже, и это сэкономит ваше время.

Способ 4. Использование какого-либо упора

На рисунке выше показан стопор тисков, который я сделал давным-давно. Вы можете настроить стопор так, чтобы повторяемая ориентация детали соответствовала нулевой точке, до которой вы измеряете.

В качестве альтернативы упорам можно поместить упоры на пластину крепления. Наконец, вы даже можете получить упоры, которые помещаются в Т-образные пазы, подобные этим, от Tormach:

Метод 5: используйте камеру или прицел

Центрирующие прицелы существуют уже давно, и при достаточном уходе и увеличении их можно довольно точно:

Центрирующий прицел позволяет оптически позиционировать нулевую часть…

Предупреждаю вас, что эти центрирующие прицелы трудно увидеть. Иногда оптика не ахти и изображение может быть совсем тусклым. Помогает достаточное освещение, возможно, от дополнительной лампы. Но более современный подход — использовать цифровую камеру с увеличением. Вот снимок центрирующего прицела на фрезерном станке Beatty Robotics:

Центрирующий прицел Beatty Robotics…

А вот изображение, полученное прицелом для центровки:

Использование цифровой камеры для центрирования углубления для центровочного сверления…

Обратите внимание, что камера смещена от осевой линии шпинделя. Это смещение является фиксированным и может учитываться при обнулении. Есть также камеры, которые вставляются прямо в держатель инструмента и смотрят прямо по оси шпинделя.

Кстати, если вы никогда не посещали Beatty Robotics, загляните сюда. Это семейное предприятие, в котором отец Битти вместе со своими дочерьми выполняет всевозможные замечательные проекты с ЧПУ. Действительно крутая вещь, и они даже используют G-Wizard.

Метод 6: Обнуление элемента детали

Этот метод не является полностью независимым, поскольку для правильного определения местоположения элемента детали необходимо использовать один из других методов. Но это чрезвычайно полезно для повторных операций и случаев, когда вам нужно положить на машину что-то другое, кроме грубого куска материала, возможно, для ремонта или доработки.

Идея состоит в том, чтобы обнулить некоторые особенности детали. Например, мы использовали углубление для точечного сверления с цифровой камерой выше.

На самом деле, расположение отверстий может быть выполнено очень точно, так что это довольно распространенный тип функции. Используйте цифровой датчик или коаксиальный индикатор Блейка, чтобы центрировать шпиндель станка над отверстием.

Конечно, функция не обязательно должна быть нулевой. Он просто должен быть расположен на известном смещении, чтобы, как только вы нашли элемент, вы могли применить смещение, чтобы получить нулевую часть.

Метод 7: Концевая фреза плюс бумага, щуп или измерительный блок

Нахождение нулевой точки детали с помощью концевой фрезы — еще один очень распространенный подход. Идея состоит в том, чтобы подойти к детали с помощью концевой фрезы и использовать какую-либо прокладку, чтобы концевая фреза фактически не соприкасалась с деталью. Обычные прокладки включают в себя лист бумаги, толщиномер или калибровочный блок. За исключением случая с бумагой, для этого метода шпиндель должен быть неподвижен.

Однажды я провел несколько экспериментов, чтобы определить, насколько точен такой метод. Вот что я нашел из нескольких способов затычки по Z:

Заточка на ощупь : Для моего 1-го метода, когда шпиндель остановлен, опустите фрезу на верхнюю часть заготовки. Обнулите DRO и идите оттуда. Это дало результат с ошибкой 0,012″. Не очень хорошо! Ошибка была относительно повторяемой, поэтому можно было добавить фактор выдумки. В конце дня разрез оказался на 0,012 дюйма глубже, чем хотелось бы. Это также не особенно хорошо для фрезы или подшипников шпинделя, если вы не будете осторожны.

Отключение по звуку : Со второй попытки я осторожно опустил шпиндель под напряжением и прислушался, когда фреза начнет резать. Этот метод оказался немного более точным и привел к слишком глубокому разрезу на 0,0085 дюйма. Все еще не очень хорошо.

Сотрите бумагой : Традиционный метод старой школы включает в себя удерживание листа папиросной бумаги (по слухам, толщиной ровно 0,001 дюйма) на заготовке и постепенное опускание резака, пока он не начнет захватывать бумагу. Добавьте еще 0,001″, и вы на нуле! Не имея сигаретной бумаги, я использовал обычную бумагу для лазерного принтера. Я отрезал полосу шириной 1/2″, чтобы можно было держаться за один конец с безопасного расстояния, и подождал, пока резак схватится. В моем случае я получил захват на 0,010″, а не на 0,001″, но, по крайней мере, это было хорошее круглое число и довольно повторяемое.

Устройство предварительной настройки оси Z : Последним в тестах был дешевый Устройство предварительной настройки оси Z, которое я купил на eBay. Они выглядят так:

Пресеттер оси Z от продавца eBay 800 ватт…

Как это работает? Простой. В левом нижнем углу видна небольшая рифленая ручка. У него есть позиция «испытание» и «использование». Установите его на «тест», и внутренний эталон встанет на место, так что, если вы нажмете на наковальню сверху пальцем до упора, у вас будет ровно 2 дюйма от вершины наковальни до низа гаджета. Вы поворачиваете циферблат на ноль в этом положении. Теперь установите ручку в положение «использовать», поместите ее на заготовку, опустите резак до тех пор, пока игла не совпадет, обнулите иглу, обнулите ЦИ, и вы должны быть ровно на 2″ выше того, на чем сидит пресеттер.

Итак, не ожидая многого, я втиснул присоску поверх моего алюминиевого куба в тиски Курта на фрезе и провернул головку, пока резак почти не коснулся ее. Заблокировал головку и проворачивал пиноль с точной регулировкой до тех пор, пока стрелка не обнулилась, обнулил мой ЦИ, удалил пресеттер, повернул еще на 2″ вниз с точной регулировкой, снова обнулил ЦИ, добавил 0,010″ для скромного среза, запустил куб через силовую подачу и перетащил блок на поверхность плиты, чтобы посмотреть, что я сделал.

Желаемый результат: 2,396″. Я опустил штангенрейсмастер, чтобы снять показания, которые, пожалуйста, барабанная дробь, 2,396 дюйма! Святая сверхъестественная точность, Бэтмен! Дешёвый пресеттер действительно работал, и работал хорошо, и хотя перо прошло 2″, а я ожидал худшего, всё получилось правильно.

Они делают гораздо более качественные и точные устройства, чем этот, поэтому я не вижу смысла в других испробованных мною методах. Я скажу, мерный блок может быть чрезвычайно точным. Просто убедитесь, что вы используете его, скользя между инструментом и заготовкой, вытягивая его, толкая и проверяя, пока он не подойдет. Не перемещайтесь с установленным мерным блоком, так как это вредно для калибрующего блока и резака.

Этот метод очень нагляден, но не очень точен. Вы можете установить дешевый лазер в держатель инструмента, который будет проецировать красивое красное лазерное пятно на вашу работу, которая находится на оси шпинделя. Вот один из них, который предлагает Tormach:

Лазерный «яблочко» от Tormach…

Если вы не рассчитываете на его сверхточность, он может стать для вас идеальным инструментом для настройки Part Zero. Возьмем, к примеру, случай, когда вы спроектировали свою деталь так, чтобы нулевая часть была углом черновой заготовки и находилась «в космосе», а не на самой детали. Вы собираетесь обработать излишки и оставить примерно 0,150 дюйма необработанного материала. Пока вы находите край в пределах, скажем, половины этого (с точностью до 0,075″), все в порядке. Эти маленькие лазеры, безусловно, способны на это. Или, возможно, вы просто выполняете какую-то работу на фрезерном станке с ЧПУ, которая не требует жестких допусков. Опять же, вы можете найти это лазерное пятно достаточно хорошо для многих подобных вещей.

Наверное, стоит засунуть один в свой набор инструментов на всякий случай. Некоторые люди клянутся ими.

Метод 9: Датчик с ЧПУ

Самое лучшее я оставил напоследок — высококачественный датчик с ЧПУ более автоматизирован и может быть более точным, чем любой другой метод. Датчики вставляются в шпиндель и используют наконечник стилуса для измерения детали:

Датчики 3D Touch могут быть очень точными…

Датчиками можно управлять с помощью G-кода и использовать для различных задач. Они могут определять края, центры отверстий или выступов и многое другое. Используя правильный g-код, вы можете полностью автоматизировать процесс поиска Part Zero. Просто поместите код в начало вашей программы обработки деталей, и оператор может поместить деталь в тиски, нажать зеленую кнопку и позволить станку выяснить все остальное. Удивительно, на что способны эти вещи. Их основные недостатки заключаются в том, что они будут самым дорогим методом, а сами зонды могут быть повреждены при столкновении, что делает вещи еще дороже.

Метод 10: Достаточно близко к «глазному яблоку»

С помощью этого метода вы пишете свою программу обработки детали, предполагая, что деталь находится на некотором расстоянии внутри заготовки. Это расстояние определяет, насколько точно вы должны найти нулевую часть.

Если программа обработки детали написана так, чтобы предположить, что деталь находится на расстоянии 0,25 дюйма внутри заготовки, нам нужно только убедиться, что заготовка достаточно велика, чтобы содержать такое количество отходов вокруг готовой детали, и что ноль детали заготовки расположен в пределах 0,25 дюйма. фактической нулевой части. Это настолько большая погрешность, что вы можете легко заметить нулевую часть.

Бонус: Метод 11: Используйте свою машину для установки остановки

Вот метод, предложенный нашими читателями в комментариях ниже — спасибо, ребята!

Вставьте штифт в держатель инструмента, расположите с помощью программы обработки деталей и дайте штифту остановиться, когда вы вставите деталь в тиски. Вам нужно будет компенсировать диаметр штифта в вашей программе.

Это упрощает изготовление деталей, которые намного короче или длиннее губок тисков. Я делаю что-то подобное на своем токарном станке с ЧПУ все время, когда устанавливаю инструмент так, чтобы я мог поднять прутковый материал и использовать инструмент в качестве упора, чтобы начать новую деталь.

Заключение

Теперь у вас есть 8 способов управления Part Zero для ваших проектов с ЧПУ. У каждого есть свои сильные и слабые стороны. Есть еще много методов. Поиск нулевой детали для некоторых видов 5-осевой обработки или обработки деталей сложной формы может быть очень сложной задачей.