CN103257615B - 一种加工过程形态质量动态识别与修正控制方法 - Google Patents

Abstract

本发明公开了一种加工过程形态质量动态识别与修正控制方法，(1)质量信息实时跟踪，用于满足在形态动态识别与修正过程中对能够反映工件形态当前质量状态的大量底层数据的需求；(2)形态质量动态识别，对获取的形态质量信息进行数据处理获得动态质量产品形态，经遍历过程形态集合搜索与其匹配的形态，经相似性分析确定其所属形态类别；(3)异常形态修正控制，采用修正策略“制定+选择+调用”机制，通过运动控制单元及运动执行机构对过程异常形态进行动态地修正控制。本发明有利于提高加工质量，事先消除质量缺陷，降低质量成本。有利于提高生产效率，避免离线检验、不合格产品再加工，增加企业经济效益。

Description

一种加工过程形态质量动态识别与修正控制方法

技术领域

本发明属于加工过程动态质量控制领域，涉及一种加工过程形态质量动态识别与修正控制方法。

背景技术

随着市场需求及各行业对加工质量要求的不断提高，如何保证加工过程工件的高尺寸精度、高形状精度、低表面粗糙度进而实现“零废品”成为提高加工质量的关键问题。加工过程质量输出受到多种过程因素的影响，如机床几何参数、刀具夹具磨损、导致热变形和力变形的各种因素等。异常过程影响因素及其复杂的相互作用最终形成质量特征异常形态，如尺寸误差、形位误差等。各质量特征形态组合最终构成加工过程工件的形态质量。质量特征及各质量特征形态种类越多，加工过程工件的异常形态种类越多，若在加工过程中不对这些异常形态进行动态地分析及控制，生产过程最终必然产生不合格品或废品，无论是对不合格品的再加工或因出现废品的再生产，都会降低企业的生产效率、增加企业的质量成本、减少企业的经济效益。

因此，面对加工过程中的多种异常形态问题，需采用加工过程动态质量控制替代生产效率低、质量决策滞后、控制效果差的传统静态质量管理，而如何动态地获取、处理加工过程中复杂的形态质量信息，如何运用恰当的分析方法对加工过程工件形态质量进行动态识别、评估，如何准确地制定、执行异常形态修正控制策略并最终实现对过程异常形态的动态修正，成为加工过程形态质量动态控制亟需解决的问题。

现有的针对加工过程动态质量控制问题的研究多集中于网络制造环境下的动态质量控制***框架，并没有提供一套完整的针对加工过程形态质量的动态识别及修正控制方法。质量分析多采用统计过程控制生成控制图和计算工序能力，未定量地划分、评估加工过程质量特征形态，且未考虑质量特征形态组合形成的多种工件形态的动态识别问题，即没有建立快速、完整的形态质量动态识别模型；也未给出明确、清晰的加工过程形态质量动态控制流程。

发明内容

本发明的目的在于提供一种可有效提高加工质量与生产效率的加工过程形态质量动态识别与修正控制方法。

为达到上述目的，本发明采用了以下技术方案：

(1)在工件的正常加工过程中，当接收到控制启动信号后，从设备层动态地获取加工过程工件的形态质量信息；

(2)将形态质量信息经过数据预处理后映射为工件的各质量特征信息，各质量特征均拥有多种形态，依据质量特征形态异常判定分析将各质量特征的形态划分为特征正常形态或特征异常形态，工件所有质量特征的当前形态之和构成动态质量产品形态；由各质量特征的所有形态经组合确定工件的过程形态集合；将过程形态集合内的过程形态基于类别划分方法划分为若干种形态类别，然后遍历过程形态集合，寻找与动态质量产品形态匹配的过程形态，进而确定动态质量产品形态所属形态类别，完成形态识别过程；

(3)若经形态识别后，动态质量产品形态属于异常形态类别，则进入修正加工过程，即异常形态修正控制过程，调用与异常形态类别相应的修正策略对工件进行修正加工，修正加工过程结束后，发送修正反馈信号，返回正常加工过程中，***等待下一次控制启动信号；若经形态识别后，动态质量产品形态属于正常形态类别，则继续正常加工过程。

为了满足在形态识别与修正控制过程中对能够反映工件形态当前质量状态的大量底层数据的需求，确定加工过程形态质量信息包括：①加工过程工件或最终产品自身具有的固有属性或参数，如尺寸误差、形状和位置误差、表面粗糙度等；②存在于工艺***中影响加工过程工件形态质量的各种因素或参数，如设备参数、工艺参数、环境因素、测量因素等。

所述步骤(2)包括如下具体流程：

①假设某工件包含n个质量特征，则将该工件表示为C(C₁,C₂,...,C_n)，其中第t个质量特征C_t拥有k_t种形态，t=1,...,n，当C_t∈[L(C_t),U(C_t)]时，即C_t在其精度要求范围内时，将C_t划分为特征正常形态，反之划分为特征异常形态，这一过程称为质量特征形态异常判定分析，所有质量特征经质量特征形态异常判定分析后，工件所有质量特征的当前形态之和构成动态质量产品形态Q(Q₁,Q₂,...,Q_n)，其中Q_t为C_t的当前形态；

②由各质量特征的所有形态经组合得加工过程中工件可能出现的过程形态有K=k₁k₂...k_n种，过程正常形态是指包含的全部质量特征均为特征正常形态，过程异常形态是指包含的全部质量特征中至少有一种为特征异常形态，通过分析确定工件过程形态集合为{P₁,P₂,...,P_K}；

③遍历匹配前，将K种过程形态划分为ω种形态类别，即(Ω₁,Ω₂,…,Ω_ω)，ω种形态类别中包含正常形态类别和异常形态类别；经遍历过程形态集合搜索到与动态质量产品形态Q(Q₁,Q₂,...,Q_n)匹配的过程形态，进而确定动态质量产品形态所属形态类别。

所述类别划分的具体流程为：

①从K种过程形态中选定ω个初始聚类中心；

②根据最小距离准则将K种过程形态分配到最相似的聚类中心形成一类，然后开始进行迭代；

③计算每个更新类的聚类中心均值向量，假设第η个类中包含n_η个过程形态第η个类的聚类中心均值向量为其中为ξ_η的第σ个属性， 为过程形态权重向量P_ηγ的第σ个属性；

④判断标准测度函数是否收敛，即是否满足|J(ε)-J(ε-1)|<ψ，若标准测度函数不收敛，则聚类过程结束；否则将计算所得更新类的聚类中心均值向量作为新的聚类中心，返回步骤②进行再次迭代，直到标准测度函数收敛。

所述距离为过程形态相似距离，过程形态相似距离采用如下的相似性分析获得：

①过程形态的网络形式表示：

过程形态的网络形式是由节点、连接节点的边组成，节点表示过程形态中的质量特征，边表示质量特征间的相互关系，对于过程形态集合中的任意两个过程形态G_u与G_v，G_u≠G_v，对应节点、边在两网络结构中处于同一相应位置，若G_u与G_v的网络结构中节点或边数目不相等，则需在短缺位置进行添加虚拟节点或添加虚拟边操作，将G_u和G_v扩展为完整网络；

②节点定义：

G_u与G_v的网络结构中，节点权重向量分别表示为D_u=<U(d₁),U(d₂),...,U(d_n)>和D_v=<V(d₁'),V(d₂'),...,V(d_n')>，其中n为节点数，G_u与G_v的网络结构中，处于同一相应位置处的节点代表同类质量特征，同类质量特征拥有多种不同形态，质量特征的每一种形态分别对应一个节点权重的取值，且节点权重的取值依据形态间的差异性大小进行区分，虚拟节点的节点权重取值为0；

③边定义：

G_u与G_v的网络结构中，边权重向量分别表示为B_u=<U(b₁),U(b₂),...,U(b_m)>和B_v=<V(b₁'),V(b₂'),...,V(b_m')>，其中m为边数，且G_u与G_v的网络结构中，处于同一相应位置处的边代表相同两类质量特征间的关系，相同两类质量特征间拥有多种不同的关系，每一种关系分别对应一个边权重的取值，且边权重的取值依据相同两质量特征间关系的紧密性进行区分，虚拟边的边权重取值为0；

④形态相似距离定义：

G_u或G_v的完整网络中，节点权重向量、边权重向量共同构成了过程形态权重向量，进行节点、边更新操作，即将相应位置处节点权重、边权重分别进行比较操作，该操作开销和即为G_u与G_v的完整网络间的距离，即形态相似距离，形态相似距离的值越大，过程形态的相似性越低，表示为：

$D(G_u\&LeftRightArrow;G_v){|}_{\mathrm{\&alpha;},\mathrm{\&beta;}}=\mathrm{\&alpha;}\&CenterDot;\left[\frac{1}{n}(n_1+n_2\&CenterDot;\frac{\mathrm{Edis}\{D_u\&LeftRightArrow;D_v\}}{\max \{D_u\&LeftRightArrow;D_v\}})\right]+\mathrm{\&beta;}\&CenterDot;\frac{\mathrm{Edis}\{B_u\&LeftRightArrow;B_v\}}{\max \{B_u\&LeftRightArrow;B_v\}}$

$\mathrm{Edis}\{D_u\&LeftRightArrow;D_v\}={\left(\underset{i=1}{\overset{n_2}{\mathrm{\&Sigma;}}}{|U\left(d_i\right)-V\left({d_i}^{\&prime;}\right)|}^2\right)}^{1/2}$

$\mathrm{Edis}\{B_u\&LeftRightArrow;B_v\}={\left(\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{|U\left(b_i\right)-V\left({b_i}^{\&prime;}\right)|}^2\right)}^{1/2}$

式中：

α,β——根据节点、边对形态相似性分析的影响程度预先设定；节点影响因子α表征节点对相似性分析的影响程度，边影响因子β表征边对相似性分析的影响程度，0≤α≤1，0≤β≤1，且α+β=1；

n,n₁,n₂——n=n₁+n₂，n表示节点总数；0≤n₁≤n，表示满足U(d_i)=0∪V(d_i')=0的节点数目；0≤n₂≤n，表示满足U(d_i)≠0∩V(d_i')≠0的节点数目；

——节点更新操作距离，是的最大值；

——添加虚拟边、边更新操作距离，是的最大值。

所述修正策略基于“制定+选择+调用”机制：针对各异常形态类别制定，动态质量产品形态选择相对应的修正策略，修正策略由运动控制单元及运动执行机构分别调用、执行。

本发明所述控制方法能够采集、处理、分析加工过程动态、时变、复杂的形态质量信息，动态识别、评估加工过程工件的形态质量状态，并对加工过程异常形态进行动态的修正控制，克服了现有技术的不足，解决了加工过程形态质量信息跟踪困难、动态识别及修正控制等问题，量化识别与评估加工过程形态质量，体现形态质量信息获取、识别、控制的动态性及***性，最终修正过程异常形态实现“零废品”，显著的提高了加工质量与生产效率。

本发明与现有技术相比，其优点在于：

1)本发明为加工过程形态质量实时跟踪存储、动态识别评估、动态修正控制问题提供了完整的参考解决方案以及清晰的控制流程。

2)本发明提出了一种基于形态相似距离的相似性分析方法，并首次将其应用于加工过程形态质量的动态识别与评估，建立了快速、完整、量化分析的形态质量动态识别模型。

3)本发明有利于提高加工质量，便于及时发现加工过程中的质量问题，事先消除质量缺陷，降低质量成本。有利于提高生产效率，避免离线检验、不合格产品再加工，增加企业经济效益。可通过计算机主机通信接口扩展成为基于网络分布式的加工过程形态质量动态识别与修正控制***，实现企业间质量信息的传递、共享以及协同决策。

附图说明

图1是本发明的整体流程框图；

图2是本发明所述相似性分析的原理图；a)为G_u的网络形式，b)为G_v的网络形式；

图3是珩磨过程形态质量动态识别与修正控制方法应用实例流程图；a为珩磨头往复位移；b为工件内孔直径；c1为质量特征组成；c2为珩磨过程质量特征形态异常判定分析（M_ana）；d为动态质量产品形态及类别；e为珩磨过程形态相似性分析网络；f为类别划分结果；g为修正策略；h为修正后效果。

具体实施方式

下面结合附图对本发明做进一步说明：

一种加工过程形态质量动态识别与修正控制方法，如图1所示，该方法包括三个步骤：质量信息实时跟踪、形态质量动态识别、异常形态修正控制。在正常加工过程中，当接收到控制启动信号后，质量信息实时跟踪过程与形态质量动态识别过程依次进行，经识别后若当前工件形态异常，则进入修正加工过程，即异常形态修正控制过程，修正结束后，发送修正反馈信号，修正加工过程结束，返回正常加工过程中，***等待下一次形态质量动态识别与修正控制过程启动；经识别后若当前工件形态正常，则继续正常加工过程。

步骤（1）质量信息实时跟踪

用于满足在形态识别与修正控制过程中对能够反映工件形态当前质量状态的大量底层数据的需求。在产品加工过程中，多种工艺***影响因素耦合作用于加工对象使其产生误差，误差通过一道道工序动态地累积、传递，最终导致产品质量异常。可见，工艺***影响因素是误差产生的重要原因。为保证最终产品质量，加工过程中不仅需要对工件固有属性进行实时地检测与评估，还需要对工艺***影响因素进行动态地监控与分析。

根据上述分析，确定本发明检测与分析的加工过程形态质量信息包括：1)加工过程工件或最终产品自身具有的固有属性或参数，如尺寸误差、形状和位置误差、表面粗糙度等；2)存在于工艺***中影响加工过程工件形态质量的各种因素或参数，如设备参数、工艺参数、环境因素、测量因素等。

步骤（2）形态质量动态识别

用于对从质量信息实时跟踪过程中所获取的离散形态质量信息进行数据处理，且根据分析处理后的信息动态识别出当前加工过程工件的形态，并对其进行质量状态动态评估即完成对过程异常形态或过程正常形态的判别。

形态质量动态识别过程的具体流程为：

1)首先经数据预处理将由质量信息实时跟踪过程传输而来的加工过程形态质量信息映射为当前工件的各个质量特征信息，即评价、检验和考核产品质量的各个指标的信息。假设某工件包含n个质量特征，则将该工件表示为C(C₁,C₂,...,C_n)，其中第t个质量特征C_t拥有k_t(t=1,...,n)种形态。

2)当C_t∈[L(C_t),U(C_t)]时，即C_t在其精度要求范围内时，将C_t划分为特征正常形态，反之划分特征异常形态，这一过程称为质量特征形态异常判定分析M_ana，所有质量特征经质量特征形态异常判定分析后的和构成动态质量产品形态Q(Q₁,Q₂,...,Q_n)，其中Q_t为C_t的当前形态。

3)由各质量特征的所有形态经组合可得加工过程中工件可能出现的形态有K=k₁k₂...k_n种，其中过程正常形态是指其包含的全部质量特征均为特征正常形态，过程异常形态是指其包含的全部质量特征中至少有一种为特征异常形态，通过分析确定工件的过程形态集合为{P₁,P₂,...,P_K}。

4)由于k_t、n越大导致K越大即可能出现的过程形态越多、且同种产品各过程形态间相似度较高，针对每一种过程异常形态制定一种控制修正策略是不科学的，因此依据相似性大小将K种过程形态划分为ω种形态类别，即(Ω₁,Ω₂,…,Ω_ω)，其中包含正常形态类别和异常形态类别；类别划分的具体流程为：

①从K种过程形态中选定ω个初始聚类中心；

②根据最小距离准则将K种过程形态分配到最相似的聚类中心形成一类，开始进行迭代；

③计算每个更新类的聚类中心均值向量，假设第η个类中包含n_η个过程形态第η个类的聚类中心均值向量为其中为ξ_η的第σ个属性， 为过程形态权重向量P_ηγ的第σ个属性；

④判断标准测度函数是否收敛，即是否满足|J(ε)-J(ε-1)|<ψ，若标准测度函数不收敛，则聚类过程结束；否则将计算所得更新类的聚类中心均值向量作为新的聚类中心，返回步骤②进行再次迭代，直到标准测度函数收敛。

5)经遍历过程形态集合搜索到与动态质量产品形态Q(Q₁,Q₂,...,Q_n)匹配的过程形态，进而确定其所属形态类别，最终完成加工过程形态质量动态识别过程。

参见图2，所述距离为过程形态相似距离，基于形态相似距离的过程形态相似性分析方法为：

①过程形态的网络形式表示：

过程形态的网络形式是由节点、连接节点的边组成，节点表示过程形态中的质量特征，边表示质量特征间的相互关系，对于过程形态集合中的任意两个过程形态G_u与G_v，G_u≠G_v，对应节点、边在两网络结构中处于同一相应位置，若G_u与G_v的网络结构中节点或边数目不相等，则需在短缺位置进行添加虚拟节点或添加虚拟边操作，将G_u和G_v扩展为完整网络；

②节点定义：

节点影响因子为α，表征节点对过程形态相似性分析的影响程度。G_u与G_v的网络结构中，节点权重向量分别表示为D_u=<U(d₁),U(d₂),...,U(d_n)>和D_v=<V(d₁'),V(d₂'),...,V(d_n')>，其中n为节点数，G_u与G_v的网络结构中，处于同一相应位置处的节点代表同类质量特征，同类质量特征拥有多种不同形态，质量特征的每一种形态分别对应一个节点权重的取值，且节点权重的取值依据形态间的差异性大小进行区分，虚拟节点的节点权重取值为0；

③边定义：

边影响因子β，表征边对过程形态相似性分析的影响程度。G_u与G_v的网络结构中，边权重向量分别表示为B_u=<U(b₁),U(b₂),...,U(b_m)>和B_v=<V(b₁'),V(b₂'),...,V(b_m')>，其中m为边数，G_u与G_v的网络结构中，处于同一相应位置处的边代表相同两类质量特征间的关系，相同两类质量特征间拥有多种不同的关系，每一种关系分别对应一个边权重的取值，且边权重的取值依据相同两质量特征间关系的紧密性进行区分，虚拟边的边权重取值为0；

图2中：①d表示节点，b表示边；②存在虚拟节点、虚拟边的位置分别是进行添加虚拟节点、添加虚拟边操作，虚拟节点用未填充颜色的圆圈表示，虚拟边用虚线表示，如d₂、b₁；③节点更新：指G_u和G_v同一相应位置处两节点权重的比较过程，如d₅与d₅'；④边更新：指G_u和G_v同一相应位置处两边权重的比较过程，如b₈与b₈'；⑤除虚拟节点与虚拟边在G_u和G_v中通用，不应认为其余具有相同形式、但处于两网络不同相应位置或同一网络中的节点或边拥有相同的形态和权重，如d₁与d₂'、d₁与d₆、b₁与b₃'、b₁与b₇两两之间形态和权重不一定相同。

④形态相似距离定义：

G_u与G_v的完整网络中，节点权重向量、边权重向量共同构成了过程形态权重向量，进行节点、边更新操作，即将相应位置处节点权重、边权重分别进行比较操作，该操作开销和即为G_u与G_v的完整网络间的距离，即形态相似距离，形态相似距离的值越大，过程形态的相似性越低，表示为：

$D(G_u\&LeftRightArrow;G_v){|}_{\mathrm{\&alpha;},\mathrm{\&beta;}}=\mathrm{\&alpha;}\&CenterDot;\left[\frac{1}{n}(n_1+n_2\&CenterDot;\frac{\mathrm{Edis}\{D_u\&LeftRightArrow;D_v\}}{\max \{D_u\&LeftRightArrow;D_v\}})\right]+\mathrm{\&beta;}\&CenterDot;\frac{\mathrm{Edis}\{B_u\&LeftRightArrow;B_v\}}{\max \{B_u\&LeftRightArrow;B_v\}}$

$\mathrm{Edis}\{D_u\&LeftRightArrow;D_v\}={\left(\underset{i=1}{\overset{n_2}{\mathrm{\&Sigma;}}}{|U\left(d_i\right)-V\left({d_i}^{\&prime;}\right)|}^2\right)}^{1/2}$

$\mathrm{Edis}\{B_u\&LeftRightArrow;B_v\}={\left(\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{|U\left(b_i\right)-V\left({b_i}^{\&prime;}\right)|}^2\right)}^{1/2}$

式中：

α,β——其中0≤α≤1，0≤β≤1且α+β=1，根据节点、边对形态相似性分析的影响程度预先设定；

n,n₁,n₂——n=n₁+n₂，n表示节点总数；0≤n₁≤n，表示满足U(d_i)=0∪V(d_i')=0的节点数目；0≤n₂≤n，表示满足U(d_i)≠0∩V(d_i')≠0的节点数目；

——节点更新操作距离，是其最大值；

——添加虚拟边、边更新操作距离，是其最大值。

步骤（3）异常形态修正控制

用于控制加工过程工件的形态质量，采用修正策略“制定+选择+调用”机制，对形态质量动态识别过程得到的过程异常形态进行修正控制。

异常形态修正控制的具体流程为：

1)分别针对各异常形态类别，通过对各个质量特征的特点分析及对其误差的定量分析，制定相应的修正策略S_j(j=1,...,ω)，修正策略中包含修正项以及各修正项的具体修正量，表示为：修正策略S_j={尺寸特征修正量Δ_1,j，形位特征修正量Δ_2,j，…，设备参数修正量Δ_h-1,j，工艺参数修正量Δ_h,j}。

2)动态质量产品形态Q根据其所属的形态类别，选择相对应的修正策略。

3)将修正策略转换为控制命令，发送给运动控制单元，驱动运动执行机构，以完成对被控对象即工件形态的动态修正控制。

珩磨过程形态质量动态识别与修正控制方法应用实例

珩磨主要是对工件内孔进行光整和精整的高效磨削加工方法，其加工过程存在来自工艺***的多种影响因素，这些因素常导致工件不能达到工艺要求并形成腰鼓形、喇叭口形等多种异常形态。

珩磨过程形态质量动态识别与修正控制总体流程为：在珩磨正常加工过程中，当检测到当前工件内孔直径及圆柱度误差等进入到需要进行形态质量动态识别与修正控制过程的范围内时，***发送“控制启动”信号，此时珩磨头在由上至下或由下至上的一个正常加工行程中依次进行质量信息实时跟踪及形态质量动态识别过程，经识别后若当前工件形态异常，则在下一个由下至上或由上至下的行程进入修正加工过程，即异常形态修正控制过程，调用修正策略，保证工件内孔形态质量，策略执行完成后，***发送“修正反馈”信号，修正加工过程结束，返回正常加工过程中，***等待下一次形态质量动态识别与修正控制过程启动；经识别后若当前工件形态正常，继续正常加工过程。

1)珩磨过程质量信息实时跟踪

由数字量采集电路实现对控制启动信号的获取，同时确定珩磨过程形态质量信息为：①工件内孔直径D，由气动传感器实现检测；②珩磨头往复位移Z，由高精度位移传感器实现检测；各测点在空间极坐标系下的坐标值记为S(D,Z)，如图3a、3b所示。

2)珩磨过程形态质量动态识别

①采用多截面分析进行数据预处理，将工件内孔均等划分为4个截面，相邻两截面间截面段形态构成了珩磨过程质量特征C_t(t=1,…,3)，如图3c1所示。定义珩磨过程质量特征形态异常判定分析规则M_ana：经采集获取的上截面直径D_t+1与下截面直径D_t进行比较分析得形状误差δ_t，若δ_t=D_t+1-D_t>&>0则截面段形态为上大下小，若δ_t=D_t+1-D_t<-&<0则截面段形态为上小下大，若|δ_t|=|D_t+1-D_t|≤&则截面段形态为正常，即质量特征C_t拥有k_t(t=1,...,3)=3种形态，如图3c2所示，&表示工件的圆柱度精度。质量特征C₁、C₂、C₃经质量特征形态异常判定分析后的和可得当前过程工件形态，即动态质量产品形态Q(Q₁,Q₂,Q₃)，其中Q_t为C_t的当前形态，如图3d所示。

②由以上分析可知，珩磨过程中工件可能出现的形态有K=k₁k₂k₃=3×3×3=27种，其中包含1种过程正常形态和26种过程异常形态。基于形态相似距离的对27种珩磨过程形态进行相似性分析：首先建立珩磨过程形态相似性分析网络，如图3e所示，质量特征C₁、C₂、C₃为网络节点，各节点均具有三种形态，权重分别为FD=(1上大下小，2正常，3上小下大)；质量特征C₁、C₂、C₃间的相互关系为边，网络中包含三条边，各边均具有两种形态，权重分别为FB=(0无联系，1有联系)；据以上定义可确定27种过程形态节点权重向量和边权重向量，取α=1，β=0。从27种过程形态中选定图3e中的27、4、8、11、26、16六种过程形态作为初始聚类中心，根据最小（形态相似）距离准则将27种过程形态分配到最相似的聚类中心形成一类，开始进行迭代，每次迭代后计算各更新类的聚类中心，经过多次迭代后标准测度函数收敛，将27种过程形态划分为了6类，1类正常形态类别，5类异常形态类别，结果如图3f所示。

3)珩磨过程异常形态修正控制

采用修正策略“制定+选择+调用”机制，如图3g所示：

①首先通过分析珩磨过程异常形态特点同时结合实际经验，分别针对各类异常形态制定相应的修正策略，表示为：珩磨过程异常形态修正策略S={珩磨加工区间修正量Δ₁，径向进给压力修正量Δ₂}，其中珩磨加工区间修正是指由整体加工行程转为局部修正行程，通过改变珩磨头上下换向点位置实现，径向进给压力修正是指由反馈***进给转为当量脉冲进给，根据“形状误差δ_t—径向进给压力Δ_p”关系，确定压力修正量并将其转换为脉冲设定总量发送给控制***；针对工件内孔各截面段即各质量特征，修正策略中的珩磨加工区间修正量及径向进给压力修正量是不同的，即S={Δ₁₁,Δ₁₂,Δ₁₃,Δ₂₁,Δ₂₂,Δ₂₃}，其中Δ_1t、Δ_2t分别指对第t个质量特征的加工区间修正量、径向进给压力修正量，在对修正策略的制定上充分体现了动态性的特点。

②动态质量产品形态Q经遍历27种过程形态搜索到与其匹配的过程形态，进而确定其所属形态类别，若属于异常形态类别则选择相应的珩磨过程异常形态修正策略；

③将修正策略转换为控制命令发送给珩磨过程运动控制单元，如电液伺服控制***、PLC、运动控制器等，驱动往复液压油缸、进给液压油缸以及主轴伺服电机等执行修正策略，以完成对工件内孔形态的动态修正控制。

4)应用效果

修正后效果如图3h所示，可见面向珩磨过程实施形态质量动态识别与修正控制过程后，工件内孔由最初的过程异常形态最终被修正为过程正常形态，及实地保证了工件的加工质量，避免了废品的出现，这一结果证明了所提出的基于相似性分析的形态质量动态识别方法的准确性，也证明了形态质量动态识别与修正控制于正常加工过程中实施的可行性和必要性。

Claims (5)

1.一种加工过程形态质量动态识别与修正控制方法，其特征在于，包括以下步骤：

(1)在工件的正常加工过程中，当接收到控制启动信号后，从设备层动态地获取加工过程工件的形态质量信息；

(2)将形态质量信息经过数据预处理后映射为工件的各质量特征信息，各质量特征均拥有多种形态，依据质量特征形态异常判定分析将各质量特征的形态划分为特征正常形态或特征异常形态，工件所有质量特征的当前形态之和构成动态质量产品形态；由各质量特征的所有形态经组合确定工件的过程形态集合；将过程形态集合内的过程形态基于类别划分方法划分为若干种形态类别，然后遍历过程形态集合，寻找与动态质量产品形态匹配的过程形态，进而确定动态质量产品形态所属形态类别，完成形态识别过程；

所述类别划分方法的具体流程为：

①从K种过程形态中选定ω个初始聚类中心；

②根据最小距离准则将K种过程形态分配到最相似的聚类中心形成一类，然后开始进行迭代；

③计算每个更新类的聚类中心均值向量，假设第η个类中包含n_η个过程形态第η个类的聚类中心均值向量为其中为ξ_η的第σ个属性， 为过程形态权重向量P_ηγ的第σ个属性；

④判断标准测度函数是否收敛，若标准测度函数不收敛，则聚类过程结束；否则将计算所得更新类的聚类中心均值向量作为新的聚类中心，返回步骤②进行再次迭代，直到标准测度函数收敛；

(3)若经形态识别后，动态质量产品形态属于异常形态类别，则进入修正加工过程，即异常形态修正控制过程，调用与异常形态类别相应的修正策略对工件进行修正加工，修正加工过程结束后，发送修正反馈信号，返回正常加工过程中，***等待下一次控制启动信号；若经形态识别后，动态质量产品形态属于正常形态类别，则继续正常加工过程。

2.根据权利要求1所述一种加工过程形态质量动态识别与修正控制方法，其特征在于：形态质量信息包括：①加工过程工件或最终产品自身具有的固有属性或参数；②存在于工艺***中影响加工过程工件形态质量的各种因素或参数。

3.根据权利要求1所述一种加工过程形态质量动态识别与修正控制方法，其特征在于，所述步骤(2)包括如下具体流程：

①假设某工件包含n个质量特征，则将该工件表示为(C₁,C₂,...,C_n)，其中第t个质量特征C_t拥有k_t种形态，t＝1,...,n，当C_t在其精度要求范围内时，将C_t划分为特征正常形态，反之划分为特征异常形态，这一过程称为质量特征形态异常判定分析，所有质量特征经质量特征形态异常判定分析后，工件所有质量特征的当前形态之和构成动态质量产品形态(Q₁,Q₂,...,Q_n)，其中Q_t为C_t的当前形态，t＝1,...,n；

②由各质量特征的所有形态经组合得加工过程中工件可能出现的过程形态有K＝k₁·k₂·...·k_n种，过程正常形态是指包含的全部质量特征均为特征正常形态，过程异常形态是指包含的全部质量特征中至少有一种为特征异常形态，通过分析确定工件过程形态集合为{P₁,P₂,...,P_K}；

③将K种过程形态划分为ω种形态类别，即(Ω₁,Ω₂,…,Ω_ω)，ω种形态类别中包含正常形态类别和异常形态类别；经遍历过程形态集合搜索到与动态质量产品形态(Q₁,Q₂,...,Q_n)匹配的过程形态，进而确定动态质量产品形态所属形态类别。

4.根据权利要求1所述一种加工过程形态质量动态识别与修正控制方法，其特征在于：所述距离为过程形态相似距离，过程形态相似距离采用如下的相似性分析获得：

①过程形态的网络形式表示：

过程形态的网络形式是由节点、连接节点的边组成，节点表示过程形态中的质量特征，边表示质量特征间的相互关系，对于过程形态集合中的任意两个过程形态G_u与G_v，G_u≠G_v，对应节点、边在两网络结构中处于同一相应位置，若G_u与G_v的网络结构中节点或边数目不相等，则需在短缺位置进行添加虚拟节点或添加虚拟边操作，将G_u和G_v扩展为完整网络；

②节点定义：

G_u与G_v的网络结构中，节点权重向量分别表示为D_u＝<U(d₁),U(d₂),...,U(d_n)>和D_v＝<V(d₁'),V(d₂'),...,V(d_n')>，其中n为节点数，G_u与G_v的网络结构中，处于同一相应位置处的节点代表同类质量特征，同类质量特征拥有多种不同形态，质量特征的每一种形态分别对应一个节点权重的取值，且节点权重的取值依据形态间的差异性大小进行区分，虚拟节点的节点权重取值为0；

③边定义：

G_u与G_v的网络结构中，边权重向量分别表示为B_u＝<U(b₁),U(b₂),...,U(b_m)>和B_v＝<V(b₁'),V(b₂'),...,V(b_m')>，其中m为边数，G_u与G_v的网络结构中，处于同一相应位置处的边代表相同两类质量特征间的关系，相同两类质量特征间拥有多种不同的关系，每一种关系分别对应一个边权重的取值，且边权重的取值依据相同两质量特征间关系的紧密性进行区分，虚拟边的边权重取值为0；

④形态相似距离定义：

G_u或G_v的完整网络中，节点权重向量、边权重向量共同构成了过程形态权重向量，进行节点、边更新操作，即将相应位置处节点权重、边权重分别进行比较操作，该操作开销和即为G_u与G_v的完整网络间的距离，即形态相似距离，表示为：

$D(G_u\&LeftRightArrow;G_v){|}_{\mathrm{\&alpha;},\mathrm{\&beta;}}=\mathrm{\&alpha;}\&CenterDot;\left[\frac{1}{n}(n_1+n_2\&CenterDot;\frac{\mathrm{Edis}\{D_u\&LeftRightArrow;D_v\}}{\max \{D_u\&LeftRightArrow;D_v\}})\right]+\mathrm{\&beta;}\&CenterDot;\frac{\mathrm{Edis}\{B_u\&LeftRightArrow;B_v\}}{\max \{B_u\&LeftRightArrow;B_v\}}$

$\mathrm{Edis}\{D_u\&LeftRightArrow;D_v\}={\left(\underset{i=1}{\overset{n_2}{\mathrm{\&Sigma;}}}{|U\left(d_i\right)-V\left(d_i^{\&prime;}\right)|}^2\right)}^{1/2}$

$\mathrm{Edis}\{B_u\&LeftRightArrow;B_v\}={\left(\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{|U\left(b_i\right)-V\left(b_i^{\&prime;}\right)|}^2\right)}^{1/2}$

式中：

α表征节点对相似性分析的影响程度，β表征边对相似性分析的影响程度，0≤α≤1，0≤β≤1，且α+β＝1；

n＝n₁+n₂，n表示节点总数；0≤n₁≤n，表示满足U(d_i)＝0∪V(d_i')＝0的节点数目；0≤n₂≤n，表示满足U(d_i)≠0∩V(d_i')≠0的节点数目；

$\max \{D_u\&LeftRightArrow;D_v\}$ 是 $\mathrm{Edis}\{D_u\&LeftRightArrow;D_v\}$ 的最大值；

$\max \{B_u\&LeftRightArrow;B_v\}$ 是 $\mathrm{Edis}\{B_u\&LeftRightArrow;B_v\}$ 的最大值。

5.根据权利要求1所述一种加工过程形态质量动态识别与修正控制方法，其特征在于：所述修正策略针对各异常形态类别制定，修正策略由运动控制单元及运动执行机构分别调用、执行。