CN113592772B - 基于动态加工特征的复杂零件轮廓自适应精加工方法 - Google Patents
基于动态加工特征的复杂零件轮廓自适应精加工方法 Download PDFInfo
- Publication number
- CN113592772B CN113592772B CN202110710104.1A CN202110710104A CN113592772B CN 113592772 B CN113592772 B CN 113592772B CN 202110710104 A CN202110710104 A CN 202110710104A CN 113592772 B CN113592772 B CN 113592772B
- Authority
- CN
- China
- Prior art keywords
- smr
- cutting
- contour
- sub
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 127
- 238000003754 machining Methods 0.000 title claims abstract description 72
- 238000005520 cutting process Methods 0.000 claims abstract description 202
- 238000012545 processing Methods 0.000 claims abstract description 74
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000007730 finishing process Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- DYYLLTMYNNLNMB-DTQAZKPQSA-N [4-[(e)-2-(8,8-dimethyl-6,7-dihydro-5h-naphthalen-2-yl)prop-1-enyl]phenyl]methanol Chemical compound C=1C=C2CCCC(C)(C)C2=CC=1C(/C)=C/C1=CC=C(CO)C=C1 DYYLLTMYNNLNMB-DTQAZKPQSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Quality & Reliability (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于动态加工特征的复杂零件轮廓自适应精加工方法,首先对基于动态特征的多层次结构化工艺数据,采用深度学习方法提取隐含于工艺数据中的不同工艺情境与切削层之间的映射模式。其次根据提取的映射模式预测子加工区域的切削层,并通过子加工区域切削层的自适应调整,判定子加工区域之间的可合并性。最后对具有相同切削层的不同子加工区域采用遗传算法计算优化的加工路径,从而构建子加工区域之间能够反映工艺设计意图的工艺情境合并关系,实现动态特征的识别。本发明能够有效构建子加工区域之间在不同工艺情境下的优化合并关系,提高数控加工效率,从而支持模型引导与数据驱动的自适应数控工艺设计方法。
Description
技术领域
本发明属于制造业中的基于特征的数控工艺设计、工艺数据的挖掘与重用领域,尤其涉及一种基于动态加工特征的复杂零件轮廓自适应精加工方法。
背景技术
近年来,如何分析、挖掘与重用工艺数据中包含的工艺知识在零件的快速制造过程中正变得愈发重要,尤其对于航空、航天等领域的单件、小批量复杂零件。传统的工艺知识重用主要采用基于静态特征的工艺数据表征与复用方法。但是,由于静态特征一旦定义,在零件动态加工过程中其关联的加工区域保持不变,难以反映设计人员根据不同的工艺情境(包括加工几何、加工资源、加工阶段)对不同加工区域进行动态组合优化加工,因而不支持工艺设计意图引导的工艺知识重用。
针对静态特征在工艺知识重用方面的不足,动态特征被提出对工艺数据进行多层次结构化表征,以有效反映与捕获设计人员在不同工艺情境下的工艺设计意图。此外,已有工艺知识主要通过已制单个零件采用相似性评价方法直接被重用,未能从工艺数据中挖掘潜在规律,因而仍停留在个性化实例重用阶段,难以有效泛化。为了实现数据驱动与基于动态特征的自适应数控工艺设计,还需要解决如下几个关键问题:
(1)如何从工艺数据中学习与挖掘隐含的工艺知识,将其应用于不同工艺情境下的工艺参数决策(如切削层、切深、进给率等);(2)如何根据不同工艺情境识别动态特征,以对不同加工区域进行组合优化加工,提高数控加工效率。
发明内容
发明目的:针对以上问题,本发明提出一种基于动态加工特征的复杂零件轮廓自适应精加工方法,该方法首先采用深度学习对基于动态特征的多层次结构化工艺数据进行学习与挖掘,提取工艺数据中隐含的不同工艺情境与切削层之间的映射模式f。然后,根据f预测子加工区域的切削层,对具有几何依赖关系的子加工区域的切削层进行自适应调整,并且根据切削层判定子加工区域之间的可合并性。最后,对具有相同切削层的不同子加工区域采用遗传算法计算优化的加工路径,从而构建子加工区域之间的工艺情境合并关系,实现动态特征的识别。
本发明解决其技术问题所采用的技术方案是:一种基于动态加工特征的复杂零件轮廓自适应精加工方法,包括以下步骤:
(a)从结构化工艺数据库中提取出轮廓精加工工艺数据,并且对其进行表征与深度学习,获得轮廓精加工切削层决策模型,提取工艺数据中不同工艺情境与切削层之间的映射模式f;
(b)根据所述决策模型预测子加工区域的切削层,进行子加工区域切削层自适应调整、子加工区域之间同切削层判定与路径优化;
(c)计算具有相同切削层的不同子加工区域之间的工艺情境合并关系,实现动态特征的识别,并且构建驱动几何;
所述动态特征定义为给定工艺情境下刀具可连续切削的共性加工区域DF,表示为
其中,zs、ze分别为动态特征的顶面与底面,DG为动态特征的驱动几何,SMRi为具有几何依赖关系的子加工区域,g()为驱动几何构建函数;
在给定工艺情境下,SMRi在[zs,ze]之间具有相同的切削层,并且刀具在每一切削层对SMRi进行无干涉连续加工,i=1,…,n,n为子加工区域的数量。
进一步的,所述步骤(a)具体包括:
1.1在轮廓精加工工艺情境下,对轮廓精加工工艺数据进行表征;
1.2根据1.1中表征的轮廓精加工工艺数据,采用深度神经网络分类器模型对给定轮廓精加工工艺情境下切削层隐式判定规则进行学习,获得轮廓精加工切削层决策模型。
进一步的,所述步骤1.1中在轮廓精加工工艺情境下,对轮廓精加工工艺数据进行表征,具体如下:
在轮廓精加工工艺情境下,根据刀具T与待加工几何决策轮廓精加工操作的切削层,将轮廓面的精加工描述为:
给定一个在ze深处,侧面加工余量为ae,壁高为h的侧面,zs=ze+h,当采用刀具T时,需要n个切削层;zs是动态特征顶面所对应的高度,ze是动态特征底面所对应的高度;
对于结构化工艺数据中任意一个轮廓精加工样本,表示为轮廓精加工工艺情境xi与切削层ni之间的一个映射,记作
xi={D,L,FL,zs,ze,ae}→x_labeli=ni
其中,D为刀具的直径,L为刀具的长度,FL为刀具的刃长,x_labeli为第i个预定义切削层。
进一步的,所述步骤1.2中采用深度神经网络分类器模型对给定轮廓精加工工艺情境下切削层隐式判定规则进行学习,具体如下:
采用一个四层深度神经网络分类器模型对给定轮廓精加工工艺情境下切削层隐式判定规则进行学习,获得轮廓精加工切削层决策模型;
模型的输入层为与轮廓精加工切削层计算相关的工艺情境参数X={xi};隐藏层为2个具有20个节点的全连接层;
模型的输出层为xi映射到预定义切削层X_labels={nj}中每个元素nj的概率pij,表示xi需要nj个切削层进行轮廓精加工的可能性。
进一步的,所述子加工区域切削层自适应调整,具体如下:
根据映射模式f得到子加工区域SMRi的切削层ni,表达式为
其中,ap为切深,h为动态特征顶面和底面的高度差值,为每一层的有效切深,amax为刀具允许的最大切深,[]为取整运算;通过对SMRi的每个切削层的/>进行自适应调整,使得ni保持不变;
给定2个具有几何依赖关系的子加工区域SMRi与SMRj,其中,SMRi为目标子加工区域,SMRj为需要被合并的子加工区域,SMRj依赖于SMRi,SMRi与SMRj的轮廓精加工分别需要ni与nj个切削层,ni≤nj;
如果SMRi与SMRj合并,则SMRj在之间的轮廓面/>与SMRi具有相同的切削层,/>分别为SMRj的顶面高度、SMRi的底面高度;/>为SMRj的底面高度;而SMRj在/>之间的轮廓面/>的切削层为nj-ni个,需要满足如下等式:
其中,轮廓面每一切削层的切深由/>调整为/> 为SMRj的切削层每一层的有效切深,/>为SMRi的切削层每一层的有效切深;轮廓面/>每一切削层的切深由/>调整为/> 为调整过后的子加工区域SMRj的切削层每一层的有效切深;hj为SMRj的顶面与底面的高度差值;
根据SMRi与SMRj之间的空间几何位置关系,子加工区域切削层的自适应调整分为如下2种情况:
1)当ni=nj时,如果则/>的切深由/>减小为/> 至少需要1个切削层,SMRj至少需要nj+1个切削层,SMRi不与SMRj合并;如果/>则SMRi与SMRj合并,记作/>
2)当ni≠nj时,根据与/>之间的关系,分为如下两种类型:
2a)类型II,
SMRi与SMRj在之间具有相同的切削层,其合并,记作/>
2b)类型III,
根据映射模式f预测的切削层是否为nj-ni个;如果满足,则SMRi与SMRj合并,记作/>反之,则不合并。
进一步的,计算具有相同切削层的不同子加工区域之间的合并关系,识别动态特征,具体包括:
根据子加工区域之间的几何依赖关系,自顶向下获得与每个目标子加工区域SMRi具有可合并关系的待合并子加工区域SMRj,记作Si;
给定Si中任意一个子加工区域SMRi,其由N个轮廓链Cij组成,每个轮廓链由一组相邻轮廓面构成,记作SMRi={Cik},1≤k≤N;构建轮廓链之间虚拟连续切削与非连续切削判定规则;
根据轮廓链之间虚拟连续切削与非连续切削判定规则,构建Si的一个轮廓链邻接属性图Gi,将轮廓精加工动态特征识别转化为Gi的顶点与边访问路径优化;
在轮廓精加工工艺情境下,所有访问路径中时间最短的那个解为最优动态特征,通过遗传算法求解最优动态特征。
进一步的,构建轮廓链之间虚拟连续切削与非连续切削判定规则,具体如下:
如果子加工区域SMRi与SMRj合并为一个动态特征,则SMRi与SMRj之间至少存在一对(Cin,Cjm),使刀具在Cim与Cjn之间沿构建的虚拟轮廓连续切削;
反之,如果SMRi与SMRj之间不存在(Cin,Cjm),则SMRi与SMRj不合并为一个动态特征,表明通过刀具的非连续切削的加工时间比刀具的连续切削时间要低;
给定Si中任意两个不相邻轮廓链Cin与Cjm,如果Cin与Cjm满足如下其中一个条件:
1)Cin与Cjm之间存在一条可共直线或共圆弧的边;
2)Cin与Cjm之间不超过2个轮廓面相邻;
则在Cin与Cjm之间构建一个虚拟轮廓面连接Cin与Cjm,使得刀具在Cin与Cjm之间连续切削,记作VCM(Cin,Cjm)=1。
进一步的,构建Si的一个轮廓链邻接属性图Gi,将轮廓精加工动态特征识别转化为Gi的顶点与边访问路径优化,具体如下:
基于轮廓链之间虚拟连续切削与非连续切削判定规则,构建Si的一个轮廓链邻接属性图Gi,其顶点对应轮廓链,边对应轮廓链之间的关系,包括相邻、虚拟连续切削与非连续切削,顶点之间可存在多条路径;
轮廓精加工动态特征识别转化为Gi的顶点与边访问路径优化,通过每一组顶点与边访问路径Li得到Si中子加工区域的轮廓精加工时间ti;所有访问路径中时间最短的那个解为最优动态特征。
进一步的,通过遗传算法求解所有访问路径中时间最短的那个解,即,最优动态特征,具体如下:
所述最优动态特征,记作
其中,T为最短访问时间,t(*)表示路径访问时间,为根据Li中虚拟连续切削边构建的新轮廓链,Rij为Li中的非切削边,N与M分别为/>与Rij的数量;
采用遗传算法对上述公式进行求解,每个个体c由顶点之间的虚拟边序列构成;
其中,每个基因ci表示两个顶点之间是否连续切削,如果ci为1,表示两个顶点之间连续切削;反之,则刀具需要进行非切削移动;
根据每个个体c,通过重构轮廓精加工的驱动几何,计算基于该个体的最优轮廓精加工时间。
进一步的,基于遗传算法,不同子加工区域之间轮廓链精加工路径优化步骤如下:
step1:根据个体表示方法,随机产生指定数量的初始种群,并作为当前种群;
step2:计算当前种群中每个个体的适应度,并将具有最大适应度的个体标记为当前种群中最优的;
step3:与上一轮搜索的最优个体作比较,如果当前种群中最优的个体比其优,则对其进行更新;
step4:基于当前种群的个体适应度值,采用轮盘赌方法从中选择两个个体,并对这两个个体相继执行交叉、变异操作,以生成新的个体;
step5:重复step4直到产生下一代种群;
step6:重复step2~step5,直到达到收敛容差或者最大迭代次数,并从所有种群中挑选具有最优适应度的个体作为优化解;
step7:根据最优个体,提取不同子加工区域之间的轮廓精加工工艺情境合并关系,并且构建驱动几何,实现轮廓精加工工艺情境下的动态特征识别。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
(1)提出了动态特征,可充分考虑加工资源的性能,以有效反映子加工区域在不同工艺情境下的合并关系,从而提高数控工艺设计的柔性。
(2)通过工艺数据的深度学习与挖掘,可有效提取给定工艺情境下切削层隐式判定规则,从而弥补已有基于预定义规则方法难以动态扩展的不足,提高切削层决策的泛化性能。
(3)通过融入优化,可实现不同工艺情境下具有相同切削层的不同子加工区域之间的合并计算,从而提高数控加工效率,以弥补已有方法采用保守分层加工策略的不足。
附图说明
图1是本发明方法总体框架;
图2是本发明方***廓精加工示意图;
图3是本发明方***廓精加工切削层决策模型示意图;
图4是本发明方法子加工区域切削层自适应计算示意图;
图5是本发明方法子加工区域动态特征合并计算示意图;
图6是本发明方法不相邻轮廓链虚拟连接示例图;
图7是本发明方法部分轮廓链邻接属性图示意图;
图8是本发明方法遗传算法个体表示示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
图1为基于动态加工特征的复杂零件轮廓自适应精加工方法总体框图,首先从结构化工艺数据库中提取出轮廓精加工工艺数据,并且对其进行表征与深度学习,以获得轮廓精加工切削层决策模型;其次根据轮廓精加工切削层决策模型,进行切削层自适应调整、子加工区域之间同切削层判定与路径优化;最后计算子加工区域之间的工艺情境合并关系,从而实现动态特征的识别。
本发明所述的基于动态加工特征的复杂零件轮廓自适应精加工方法,包括以下步骤:
(a)从结构化工艺数据库中提取出轮廓精加工工艺数据,并且对其进行表征与深度学习,获得轮廓精加工切削层决策模型,提取工艺数据中不同工艺情境与切削层之间的映射模式f。
(a1)在轮廓精加工工艺情境下,对轮廓精加工工艺数据进行表征,具体包括:
如图2所示,在轮廓精加工工艺情境下,根据刀具T与待加工几何决策轮廓精加工操作的切削层,将轮廓面的精加工描述为:
首先定义动态特征为给定工艺情境下刀具可连续切削的共性加工区域DF,表示为
其中,zs、ze分别为动态特征的顶面与底面,DG为动态特征的驱动几何,SMRi为具有几何依赖关系的子加工区域,g()为驱动几何构建函数;
因此,在给定工艺情境下,SMRi在[zs,ze]之间具有相同的切削层,并且刀具在每一切削层可以高效地对SMRi进行无干涉连续加工,i=1,…,n,n为子加工区域的数量;
给定一个在ze深处,侧面加工余量为ae,壁高为h的侧面,zs=ze+h,当采用刀具T时,需要n个切削层;zs是动态特征顶面所对应的高度,ze是动态特征底面所对应的高度;
对于结构化工艺数据中任意一个轮廓精加工样本,表示为轮廓精加工工艺情境xi与切削层ni之间的一个映射,记作
xi={D,L,FL,zs,ze,ae}→x_labeli=ni
其中,D为刀具的直径,L为刀具的长度,FL为刀具的刃长,x_labeli为第i个预定义切削层。
(a2)根据表征的轮廓精加工工艺数据,采用深度神经网络分类器模型对给定轮廓精加工工艺情境下切削层隐式判定规则进行学习,获得轮廓精加工切削层决策模型,具体包括:
轮廓精加工工艺数据的深度学习是构建一个训练的神经网络,可以有效的从训练样本中记忆输入工艺情境数据X={xi}与相应的预定义切削层X_labels={ni}之间的一个映射f,记作ni=f(xi);鉴于深度学习具有强大的特征自提取与非线性映射能力,同时由于X_labels为离散变量集合,采用一个四层深度神经网络分类器模型对给定轮廓精加工工艺情境下切削层隐式判定规则进行学习;
模型的输入层为与轮廓精加工切削层计算相关的工艺情境参数X={xi};隐藏层为2个具有20个节点的全连接层(20×20);
模型的输出层为xi映射到预定义切削层X_labels={nj}中每个元素nj的概率pij,表示xi需要nj个切削层进行轮廓精加工的可能性,记作
式中,工艺情境数据X={xi}与相应的预定义切削层X_labels={nj}之间的映射f,记作nj=f2(xi)。最后x_labeli等于nj,其具有最大概率pij,轮廓精加工切削层决策模型如图3所示。
(b)根据所述决策模型预测子加工区域的切削层,进行子加工区域切削层自适应调整、子加工区域之间同切削层判定与路径优化。
所述子加工区域切削层自适应调整,具体如下:
根据映射模式f得到子加工区域SMRi的切削层ni,每一层的有效切深为然而,在实际数控工艺设计过程中,不同设计人员通常设置不同的切深ap,但最终可获得相同的ni,表达式为
其中,ap为切深,h为动态特征顶面和底面的高度差值,为每一层的有效切深,amax为刀具允许的最大切深,[]为取整运算;
但是,由于SMRi的几何因素,在实际加工过程中未按照设定的ap进行加工,因而可以对SMRi的每个切削层的进行自适应调整,使得ni保持不变;
给定2个具有几何依赖关系的子加工区域SMRi与SMRj,其中,SMRi为目标子加工区域,SMRj为需要被合并的子加工区域,SMRj依赖于SMRi,根据f可知SMRi与SMRj的轮廓精加工分别需要ni与nj个切削层,ni≤nj;
如果SMRi与SMRj合并,则SMRj在之间的轮廓面/>与SMRi具有相同的切削层,/>分别为SMRj的顶面高度、SMRi的底面高度;/>为SMRj的底面高度;而SMRj在/>之间的轮廓面/>的切削层为nj-ni个,需要满足如下等式:
其中,轮廓面每一切削层的切深由/>调整为/> 为SMRj的切削层每一层的有效切深,/>为SMRi的切削层每一层的有效切深;轮廓面/>每一切削层的切深由/>调整为/> 为调整过后的子加工区域SMRj的切削层每一层的有效切深;hj为SMRj的顶面与底面的高度差值;
根据SMRi与SMRj之间的空间几何位置关系,子加工区域切削层的自适应调整分为如下2种情况:
1)当ni=nj时,如果则/>的切深由/>减小为/> 至少需要1个切削层,SMRj至少需要nj+1个切削层,此时,SMRj的轮廓精加工效率将降低,因而SMRi不与SMRj合并;但是,如果/>则SMRi与SMRj合并,记作/>
2)当ni≠nj时,根据与/>之间的关系,分为如下两种类型:
2a)类型II,
的每一切削层的切深由/>增大为/> 的每一切削层的切深由/>减小为/>通过切深的自适应调整,越深的轮廓面采用越小的切深,相对更加安全,尤其适合于小刀具;另外,/>仍可依据/>计算切削层,因而SMRj的切削层可能小于nj个,即通过子加工区域合并可以减小切削层数量;因此,SMRi与SMRj在/>之间具有相同的切削层,其可以合并,记作/>
2b)类型III,
的每一切削层的切深由/>减小为/>而/>的切削层的切深由/>增大为/>使得SMRj的切削层nj保持不变。但是,当较深的轮廓面采用较大的切深时,较小的刀具容易断,因而需要根据映射模式f预测/>的切削层是否为nj-ni个,如果满足,亦即下式成立:
则SMRi与SMRj可以合并,记作反之,则不可以合并。
图4所示为子加工区域切削层自适应计算示意图,图4(b),4(c)与图4(e),4(f)分别给出了两类子加工区域切削层自适应调整示例。由图可知,SMR2的上层切深由6.67增大为8,而下层的由6.67减小为4。因此,从刀具角度SMR2的下层轮廓精加工相对保守,但也更加安全。SMR3的上层切深由9减少为8,而下层由9增大为11。因此,从刀具角度SMR3的下层轮廓精加工更加激进,需由f来进一步判断其合理性。
(c)计算具有相同切削层的不同子加工区域之间的工艺情境合并关系,实现动态特征的识别,并且构建驱动几何,具体包括:
(c1)基于上述子加工区域自适应调整策略,根据子加工区域之间的几何依赖关系,自顶向下获得与每个目标子加工区域SMRi具有I,II,III类可合并关系的待合并子加工区域SMRj,记作Si:
但是,SMRi与SMRj是否可以合并为一个动态特征与其轮廓面的几何相对位置有关。
(c2)给定Si中任意一个子加工区域SMRi,其由N个轮廓链Cij组成,每个轮廓链由一组相邻轮廓面构成,记作SMRi={Cik},1≤k≤N;构建轮廓链之间虚拟连续切削与非连续切削判定规则;具体如下:
根据动态特征定义,如果子加工区域SMRi与SMRj可以合并为一个动态特征,则SMRi与SMRj之间至少存在一对(Cin,Cjm),使刀具在Cim与Cjn之间按进给速度沿新构建的虚拟轮廓连续切削,无需非切削移动(包括下刀、抬刀与快速等),子加工区域动态特征合并计算如图5所示;
反之,如果SMRi与SMRj之间不存在(Cin,Cjm),则SMRi与SMRj不可以合并为一个动态特征,表明通过刀具的非连续切削的加工时间比刀具的连续切削时间要低;
通常,刀具的虚拟连续切削存在于共直线/共圆弧或共简单轮廓的两个轮廓链之间,因此,给定Si中任意两个不相邻轮廓链Cin与Cjm,如果Cin与Cjm满足如下其中一个条件:
1)Cin与Cjm之间存在一条可共直线或共圆弧的边;
2)Cin与Cjm之间不超过2个轮廓面相邻;
则在Cin与Cjm之间构建一个虚拟轮廓面连接Cin与Cjm,使得刀具在Cin与Cjm之间连续切削,记作VCM(Cin,Cjm)=1。
图6所示为不相邻轮廓链虚拟连接示例图,由图可知,SMR1~6之间共圆弧,SMR7,8、SMR9,10与SMR11,12共直线,SMR11,12与SMR13~16属于1轮廓面相邻,因而可以在它们之间构建虚拟轮廓面,使得刀具能够连续切削。
(c3)根据轮廓链之间虚拟连续切削与非连续切削判定规则,构建Si的一个轮廓链邻接属性图Gi,将轮廓精加工动态特征识别转化为Gi的顶点与边访问路径优化,具体如下:
基于轮廓链之间虚拟连续切削与非连续切削判定规则,构建Si的一个轮廓链邻接属性图Gi,其顶点对应轮廓链,边对应轮廓链之间的关系,包括相邻、虚拟连续切削与非连续切削,顶点之间可存在多条路径;部分轮廓链邻接属性图示意如图7;
轮廓精加工动态特征识别转化为Gi的顶点与边访问路径优化,通过每一组顶点与边访问路径Li得到Si中子加工区域的轮廓精加工时间ti,包括连续切削与非切削;在轮廓精加工工艺情境下,所有访问路径中时间最短的那个解为最优动态特征。
(c4)鉴于遗传算法的全局搜索优势,通过遗传算法求解所有访问路径中时间最短的那个解,即,最优动态特征,具体如下:
所述最优动态特征,记作
其中,T为最短访问时间,t(*)表示路径访问时间,为根据Li中虚拟连续切削边构建的新轮廓链,Rij为Li中的非切削边,N与M分别为/>与Rij的数量;
采用遗传算法对上述公式进行求解,图8所示为遗传算法个体表示示意图,每个个体c由顶点之间的虚拟边序列构成;
其中,每个基因ci表示两个顶点之间是否连续切削,如果ci为1,表示两个顶点之间连续切削;反之,则刀具需要进行非切削移动;
根据每个个体c,通过重构轮廓精加工的驱动几何,计算基于该个体的最优轮廓精加工时间;个体适应度函数f(c)定义为每个个体的访问时间t(c)取倒数,即
根据遗传算法的基本步骤,不同子加工区域之间轮廓链精加工路径优化步骤如下:
step1:根据个体表示方法,随机产生指定数量的初始种群,并作为当前种群;
step2:计算当前种群中每个个体的适应度,并将具有最大适应度的个体标记为当前种群中最优的;
step3:与上一轮搜索的最优个体作比较,如果当前种群中最优的个体比其优,则对其进行更新;
step4:基于当前种群的个体适应度值,采用轮盘赌方法从中选择两个个体,并对这两个个体相继执行交叉、变异操作,以生成新的个体;
step5:重复step4直到产生下一代种群;
step6:重复step2~step5,直到达到收敛容差或者最大迭代次数,并从所有种群中挑选具有最优适应度的个体作为优化解;
step7:根据最优个体,提取不同子加工区域之间的轮廓精加工工艺情境合并关系,并且构建驱动几何,实现轮廓精加工工艺情境下的动态特征识别。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (6)
1.基于动态加工特征的复杂零件轮廓自适应精加工方法,其特征在于:该方法包括以下步骤:
(a)从结构化工艺数据库中提取出轮廓精加工工艺数据,并且对其进行表征与深度学习,获得轮廓精加工切削层决策模型,提取工艺数据中不同工艺情境与切削层之间的映射模式f;
(b)根据所述决策模型预测子加工区域的切削层,进行子加工区域切削层自适应调整、子加工区域之间同切削层判定与路径优化;
子加工区域切削层自适应调整,具体如下:
根据映射模式f得到子加工区域SMRi的切削层ni,表达式为
其中,ap为切深,h为动态特征顶面和底面的高度差值,为每一层的有效切深,amax为刀具允许的最大切深,[]为取整运算;通过对SMRi的每个切削层的/>进行自适应调整,使得ni保持不变;
给定2个具有几何依赖关系的子加工区域SMRi与SMRj,其中,SMRi为目标子加工区域,SMRj为需要被合并的子加工区域,SMRj依赖于SMRi,SMRi与SMRj的轮廓精加工分别需要ni与nj个切削层,ni≤nj;
如果SMRi与SMRj合并,则SMRj在之间的轮廓面/>与SMRi具有相同的切削层,分别为SMRj的顶面高度、SMRi的底面高度;/>为SMRj的底面高度;而SMRj在/>之间的轮廓面/>的切削层为nj-ni个,需要满足如下等式:
其中,轮廓面每一切削层的切深由/>调整为/> 为SMRj的切削层每一层的有效切深,/>为SMRi的切削层每一层的有效切深;轮廓面/>每一切削层的切深由/>调整为/> 为调整过后的子加工区域SMRj的切削层每一层的有效切深;hj为SMRj的顶面与底面的高度差值;
根据SMRi与SMRj之间的空间几何位置关系,子加工区域切削层的自适应调整分为如下2种情况:
1)当ni=nj时,如果则/>的切深由/>减小为/> 至少需要1个切削层,SMRj至少需要nj+1个切削层,SMRi不与SMRj合并;如果/>则SMRi与SMRj合并,记作
2)当ni≠nj时,根据与/>之间的关系,分为如下两种类型:
2a)类型II,
SMRi与SMRj在之间具有相同的切削层,其合并,记作/>
2b)类型III,
根据映射模式f预测的切削层是否为nj-ni个;如果满足,则SMRi与SMRj合并,记作/>反之,则不合并;
(c)计算具有相同切削层的不同子加工区域之间的工艺情境合并关系,实现动态特征的识别,并且构建驱动几何;
所述动态特征定义为给定工艺情境下刀具可连续切削的共性加工区域DF,表示为
其中,zs、ze分别为动态特征的顶面与底面,DG为动态特征的驱动几何,SMRi为具有几何依赖关系的子加工区域,g()为驱动几何构建函数;
在给定工艺情境下,SMRi在[zs,ze]之间具有相同的切削层,并且刀具在每一切削层对SMRi进行无干涉连续加工,i=1,…,n,n为子加工区域的数量;
根据子加工区域之间的几何依赖关系,自顶向下获得与每个目标子加工区域SMRi具有可合并关系的待合并子加工区域SMRj,记作Si;
给定Si中任意一个子加工区域SMRi,其由N个轮廓链Cik组成,每个轮廓链由一组相邻轮廓面构成,记作SMRi={Cik},1≤k≤N;构建轮廓链之间虚拟连续切削与非连续切削判定规则,具体如下:
如果子加工区域SMRi与SMRj合并为一个动态特征,则SMRi与SMRj之间至少存在一对(Cin,Cjm),使刀具在Cim与Cjn之间沿构建的虚拟轮廓连续切削;
反之,如果SMRi与SMRj之间不存在(Cin,Cjm),则SMRi与SMRj不合并为一个动态特征,表明通过刀具的非连续切削的加工时间比刀具的连续切削时间要低;
给定Si中任意两个不相邻轮廓链Cin与Cjm,如果Cin与Cjm满足如下其中一个条件:
1)Cin与Cjm之间存在一条共直线或共圆弧的边;
2)Cin与Cjm之间不超过2个轮廓面相邻;
则在Cin与Cjm之间构建一个虚拟轮廓面连接Cin与Cjm,使得刀具在Cin与Cjm之间连续切削,记作VCM(Cin,Cjm)=1;
根据轮廓链之间虚拟连续切削与非连续切削判定规则,构建Si的一个轮廓链邻接属性图Gi,将轮廓精加工动态特征识别转化为Gi的顶点与边访问路径优化,具体如下:
基于轮廓链之间虚拟连续切削与非连续切削判定规则,构建Si的一个轮廓链邻接属性图Gi,其顶点对应轮廓链,边对应轮廓链之间的关系,包括相邻、虚拟连续切削与非连续切削,顶点之间可存在多条路径;
轮廓精加工动态特征识别转化为Gi的顶点与边访问路径优化,通过每一组顶点与边访问路径Li得到Si中子加工区域的轮廓精加工时间ti;所有访问路径中时间最短的那个解为最优动态特征;
在轮廓精加工工艺情境下,所有访问路径中时间最短的那个解为最优动态特征,通过遗传算法求解最优动态特征。
2.根据权利要求1所述的基于动态加工特征的复杂零件轮廓自适应精加工方法,其特征在于:所述步骤(a)具体包括:
1.1在轮廓精加工工艺情境下,对轮廓精加工工艺数据进行表征;
1.2根据1.1中表征的轮廓精加工工艺数据,采用深度神经网络分类器模型对给定轮廓精加工工艺情境下切削层隐式判定规则进行学习,获得轮廓精加工切削层决策模型。
3.根据权利要求2所述的基于动态加工特征的复杂零件轮廓自适应精加工方法,其特征在于:所述步骤1.1中在轮廓精加工工艺情境下,对轮廓精加工工艺数据进行表征,具体如下:
在轮廓精加工工艺情境下,根据刀具T与待加工几何决策轮廓精加工操作的切削层,将轮廓面的精加工描述为:
给定一个在ze深处,侧面加工余量为ae,壁高为h的侧面,zs=ze+h,当采用刀具T时,需要n个切削层;zs是动态特征顶面所对应的高度,ze是动态特征底面所对应的高度;
对于结构化工艺数据中任意一个轮廓精加工样本,表示为轮廓精加工工艺情境xi与切削层ni之间的一个映射,记作
xi={D,L,FL,zs,ze,ae}→x_labeli=ni
其中,D为刀具的直径,L为刀具的长度,FL为刀具的刃长,x_labeli为第i个预定义切削层。
4.根据权利要求2所述的基于动态加工特征的复杂零件轮廓自适应精加工方法,其特征在于:所述步骤1.2中采用深度神经网络分类器模型对给定轮廓精加工工艺情境下切削层隐式判定规则进行学习,具体如下:
采用一个四层深度神经网络分类器模型对给定轮廓精加工工艺情境下切削层隐式判定规则进行学习,获得轮廓精加工切削层决策模型;
模型的输入层为与轮廓精加工切削层计算相关的工艺情境参数X={xi};隐藏层为2个具有20个节点的全连接层;
模型的输出层为xi映射到预定义切削层X_labels={nj}中每个元素nj的概率pij,表示xi需要nj个切削层进行轮廓精加工的可能性。
5.根据权利要求1所述的基于动态加工特征的复杂零件轮廓自适应精加工方法,其特征在于:通过遗传算法求解最优动态特征,具体如下:
所述最优动态特征,记作
其中,T为最短访问时间,t(*)表示路径访问时间,为根据Li中虚拟连续切削边构建的新轮廓链,Rij为Li中的非切削边,N与M分别为/>与Rij的数量;
采用遗传算法对上述公式进行求解,每个个体c由顶点之间的虚拟边序列构成;其中每个基因ci表示两个顶点之间是否连续切削,如果ci为1,表示两个顶点之间连续切削;反之,则刀具需要进行非切削移动;根据每个个体c,通过重构轮廓精加工的驱动几何,计算基于该个体的最优轮廓精加工时间。
6.根据权利要求5所述的基于动态加工特征的复杂零件轮廓自适应精加工方法,其特征在于:基于遗传算法,不同子加工区域之间轮廓链精加工路径优化步骤如下:
step1:根据个体表示方法,随机产生指定数量的初始种群,并作为当前种群;
step2:计算当前种群中每个个体的适应度,并将具有最大适应度的个体标记为当前种群中最优的;
step3:与上一轮搜索的最优个体作比较,如果当前种群中最优的个体比其优,则对其进行更新;
step4:基于当前种群的个体适应度值,采用轮盘赌方法从中选择两个个体,并对这两个个体相继执行交叉、变异操作,以生成新的个体;
step5:重复step4直到产生下一代种群;
step6:重复step2~step5,直到达到收敛容差或者最大迭代次数,并从所有种群中挑选具有最优适应度的个体作为优化解;
step7:根据最优个体,提取不同子加工区域之间的轮廓精加工工艺情境合并关系,并且构建驱动几何,实现轮廓精加工工艺情境下的动态特征识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710104.1A CN113592772B (zh) | 2021-06-25 | 2021-06-25 | 基于动态加工特征的复杂零件轮廓自适应精加工方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710104.1A CN113592772B (zh) | 2021-06-25 | 2021-06-25 | 基于动态加工特征的复杂零件轮廓自适应精加工方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592772A CN113592772A (zh) | 2021-11-02 |
CN113592772B true CN113592772B (zh) | 2023-11-14 |
Family
ID=78244447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110710104.1A Active CN113592772B (zh) | 2021-06-25 | 2021-06-25 | 基于动态加工特征的复杂零件轮廓自适应精加工方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592772B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587348A (zh) * | 2008-05-23 | 2009-11-25 | 蔡玉俊 | 三维刃口轮廓的螺旋线插补加工方法 |
WO2015096511A1 (zh) * | 2013-12-24 | 2015-07-02 | 沈阳飞机工业(集团)有限公司 | 飞机结构件智能数控加工编程***及方法 |
EP3345713A1 (de) * | 2017-01-05 | 2018-07-11 | Robert Bosch GmbH | Verfahren und vorrichtung zur prozessorientierten strahlformanpassung und strahlorientierung |
CN111797469A (zh) * | 2020-06-24 | 2020-10-20 | 华中科技大学无锡研究院 | 一种基于加工让刀变形约束的航发机匣工艺参数优化方法 |
-
2021
- 2021-06-25 CN CN202110710104.1A patent/CN113592772B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587348A (zh) * | 2008-05-23 | 2009-11-25 | 蔡玉俊 | 三维刃口轮廓的螺旋线插补加工方法 |
WO2015096511A1 (zh) * | 2013-12-24 | 2015-07-02 | 沈阳飞机工业(集团)有限公司 | 飞机结构件智能数控加工编程***及方法 |
EP3345713A1 (de) * | 2017-01-05 | 2018-07-11 | Robert Bosch GmbH | Verfahren und vorrichtung zur prozessorientierten strahlformanpassung und strahlorientierung |
CN111797469A (zh) * | 2020-06-24 | 2020-10-20 | 华中科技大学无锡研究院 | 一种基于加工让刀变形约束的航发机匣工艺参数优化方法 |
Non-Patent Citations (2)
Title |
---|
NC编程***中切削模型的统一表示;禹涌, 唐荣锡, 徐希;计算机辅助设计与图形学学报(第03期);全文 * |
关联工艺引导的型腔类零件局部结构检索方法;黄瑞;蒋俊锋;张树生;;计算机辅助设计与图形学学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113592772A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020034632A1 (zh) | 基于mbd的汽车典型机加工零件三维工艺设计方法及平台 | |
Wu et al. | A data mining approach for spatial modeling in small area load forecast | |
CN107578149B (zh) | 一种电网企业关键数据分析方法 | |
Cateni et al. | A multivariate fuzzy system applied for outliers detection | |
CN112464366B (zh) | 基于数据挖掘的自主水下航行器多保真度外形优化方法 | |
Wang et al. | Feature weighting fuzzy clustering integrating rough sets and shadowed sets | |
Deng et al. | A data-drivenparameter planning method for structural Parts NC machining | |
Jang et al. | Managing approximation models in collaborative optimization | |
CN114611379A (zh) | 一种基于数据驱动的加工工艺节能规划方法 | |
CN113592772B (zh) | 基于动态加工特征的复杂零件轮廓自适应精加工方法 | |
CN112861433B (zh) | 一种基于多层级集成框架的产品低碳设计的方法 | |
CN116822971B (zh) | 一种井壁风险等级预测方法 | |
Büche | Multi-objective evolutionary optimization of gas turbine components | |
JP4857228B2 (ja) | プラント運用適正化装置 | |
Ivakhnenko et al. | Problems of further development of GMDH algorithms: Part 2 | |
CN115510752A (zh) | 一种基于数据驱动的侧钻井井位优选方法及装置 | |
Wang et al. | Transfer optimization in accelerating the design of turbomachinery cascades | |
CN112796747B (zh) | 基于多目标的油气钻井策略预测方法及装置 | |
CN115879361A (zh) | 一种一次设备运维检修调试费用智能确定方法 | |
CN112596391B (zh) | 一种基于数据驱动的深度神经网络大时滞***动态建模方法 | |
Quagliarella et al. | GAs for aerodynamic shape design II: multiobjective optimization and multi-criteria design | |
CN114330005A (zh) | 一种立体开发井网的全局优化和决策方法 | |
CN116933449B (zh) | 一种基于梯度辅助学习函数的传动齿轮稳健设计优化方法 | |
CN116976208B (zh) | 一种基于机器学习的航空紧固件划分方法 | |
CN115467649B (zh) | 小井距立体开发的井网优化部署方法、***及立体井网 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |