CN114346851A - 叶片磨削工艺参数调整方法、装置、设备及存储介质 - Google Patents
叶片磨削工艺参数调整方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114346851A CN114346851A CN202111487096.5A CN202111487096A CN114346851A CN 114346851 A CN114346851 A CN 114346851A CN 202111487096 A CN202111487096 A CN 202111487096A CN 114346851 A CN114346851 A CN 114346851A
- Authority
- CN
- China
- Prior art keywords
- data
- process parameter
- blade
- surface roughness
- robot
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 286
- 230000008569 process Effects 0.000 title claims abstract description 234
- 230000003746 surface roughness Effects 0.000 claims abstract description 128
- 238000013507 mapping Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003754 machining Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 239000000306 component Substances 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000013386 optimize process Methods 0.000 description 2
- 108091003079 Bovine Serum Albumin Proteins 0.000 description 1
- 229940098773 bovine serum albumin Drugs 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B21/00—Machines or devices using grinding or polishing belts; Accessories therefor
- B24B21/16—Machines or devices using grinding or polishing belts; Accessories therefor for grinding other surfaces of particular shape
- B24B21/165—Machines or devices using grinding or polishing belts; Accessories therefor for grinding other surfaces of particular shape for vanes or blades of turbines, propellers, impellers, compressors and the like
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B21/00—Machines or devices using grinding or polishing belts; Accessories therefor
- B24B21/18—Accessories
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明公开了一种叶片磨削工艺参数调整方法、装置、设备及存储介质,属于叶片加工技术领域。本发明通过在进行机器人叶片磨削加工时,获取工艺参数数据,并将工艺参数数据输入预设工艺参数模型,得到叶片的表面粗糙度期望值数据,并对表面粗糙度期望值以及工艺参数进行计算得到目标工艺参数,可通过目标工艺参数对机器人叶片进行磨削加工,可实时调整工艺参数数据,保证叶片磨削加工表面粗糙度一致性。
Description
技术领域
本发明涉及叶片加工技术领域,尤其涉及一种叶片磨削工艺参数调整方法、装置、设备及存储介质。
背景技术
叶片作为航空发动机的关键核心部件,不仅数量多而且加工难度大,现有的机器人叶片加工方法,由于叶片曲率复杂多变及工件与砂带在接触时候的力变化较大,使得机器人保持恒定的法向磨削力较难,导致机器人叶片磨削表面一致性和尺寸精度难以保证。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种叶片磨削工艺参数调整方法、装置、设备及存储介质,旨在解决现有技术叶片加工表面粗糙度不一致的技术问题。
为实现上述目的,本发明提供了一种叶片磨削工艺参数调整方法,所述方法包括以下步骤:
在进行机器人叶片磨削加工时,获取工艺参数数据;
将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据;
将所述表面粗糙度期望值数据以及所述工艺参数中的法向磨削力进行计算,得到目标工艺参数;
通过所述目标工艺参数对机器人叶片进行磨削加工。
可选地,所述将所述表面粗糙度期望值数据以及所述工艺参数中的法向磨削力进行计算,得到目标工艺参数,包括:
对所述表面粗糙度期望值数据以及所述法向磨削力初始化,得到初始化数据;
基于初始迭代次数对所述初始化数据进行迭代;
在所述初始迭代次数大于等于预设迭代次数阈值时,根据迭代结果得到目标表面粗糙度;
根据所述目标表面粗糙度得到对应的目标工艺参数。
可选地,所述基于初始迭代次数对所述初始化数据进行迭代之后,还包括:
在所述初始迭代次数小于预设迭代次数阈值时,对所述初始化数据进行选择,得到参考数据;
将所述参考数据进行变异和交叉,并进行二次选择,得到目标数据;
基于所述目标数据更新所述初始迭代次数,得到更新后的迭代次数;
基于所述更新后的迭代次数对所述目标数据进行迭代,直至所述初始迭代次数大于等于预设迭代次数阈值。
可选地,所述工艺参数数据包括:法向磨削力、机器人进给速度以及砂带线速度;
所述将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据,包括:
从预设正交试验表中选取所述预设工艺参数模型中隐藏层的中心参数;
将所述法向磨削力、所述机器人进给速度以及所述砂带线速度输入所述预设工艺参数模型通过预设激活函数以及所述中心参数进行映射,得到映射数据;
对所述映射数据通过线性加权处理,得到叶片的表面粗糙度期望值数据。
可选地,所述在进行机器人叶片磨削加工时,获取工艺参数数据之前,还包括:
实时采集机器人的运动轨迹数据,获取所述运动轨迹数据对应的法向磨削力数据;
根据所述运动轨迹数据以及所述法向磨削力数据进行正交试验,得到表面粗糙度值;
基于所述表面粗糙度值建立运动轨迹以及法向磨削力与表面粗糙度之间的映射关系。
可选地,所述机器人运动轨迹数据包括:机器人进给速度数据以及砂带线速度数据;
所述基于所述表面粗糙度值建立运动轨迹以及法向磨削力与表面粗糙度之间的映射关系,包括:
基于所述表面粗糙度值建立机器人进给速度、砂带线速度以及法向磨削力与表面粗糙度之间的映射关系。
可选地,所述将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据之前,还包括:
根据所述机器人进给速度、砂带线速度以及法向磨削力与所述表面粗糙度之间的映射关系,将所述工艺参数数据以及所述叶片的表面粗糙度数据通过RBF神经网络进行训练;
基于训练结果得到预设工艺参数模型。
此外,为实现上述目的,本发明还提出一种叶片磨削工艺参数调整装置,所述叶片磨削工艺参数调整装置包括:
获取模块,用于在进行机器人叶片磨削加工时,获取工艺参数数据;
训练模块,用于将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据;
计算模块,用于将所述表面粗糙度期望值数据以及所述工艺参数中的法向磨削力进行计算,得到目标工艺参数;
加工模块,用于通过所述目标工艺参数对机器人叶片进行磨削加工。
此外,为实现上述目的,本发明还提出一种叶片磨削工艺参数调整设备,所述叶片磨削工艺参数调整设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的叶片磨削工艺参数调整程序,所述叶片磨削工艺参数调整程序配置为实现如上文所述的叶片磨削工艺参数调整方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有叶片磨削工艺参数调整程序,所述叶片磨削工艺参数调整程序被处理器执行时实现如上文所述的叶片磨削工艺参数调整方法的步骤。
本发明通过在进行机器人叶片磨削加工时,获取工艺参数数据;将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据;将表面粗糙度期望值数据以及工艺参数中的法向磨削力进行计算,得到目标工艺参数;通过目标工艺参数对机器人叶片进行磨削加工,通过获取加工时的工艺参数数据,并通过预设工艺参数模型对工艺参数数据进行训练,得到叶片的表面粗糙度期望值数据,并对表面粗糙度期望值以及工艺参数进行计算得到目标工艺参数,可通过目标工艺参数对机器人叶片进行磨削加工,可实时调整工艺参数数据,保证叶片磨削加工表面粗糙度一致性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的叶片磨削工艺参数调整设备的结构示意图;
图2为本发明叶片磨削工艺参数调整方法第一实施例的流程示意图;
图3为本发明叶片磨削工艺参数调整方法第二实施例的流程示意图;
图4为本发明叶片磨削工艺参数调整方法第二实施例中BSA算法优化工艺参数流程示意图;
图5为本发明叶片磨削工艺参数调整方法第三实施例的流程示意图;
图6为本发明叶片磨削工艺参数调整方法第三实施例中RBF神经网络结构图;
图7为本发明叶片磨削工艺参数调整方法第四实施例的流程示意图;
图8为本发明叶片磨削工艺参数调整方法一实施例中整体流程示意图;
图9为本发明叶片磨削工艺参数调整装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的叶片磨削工艺参数调整设备结构示意图。
如图1所示,该叶片磨削工艺参数调整设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对叶片磨削工艺参数调整设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及叶片磨削工艺参数调整程序。
在图1所示的叶片磨削工艺参数调整设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明叶片磨削工艺参数调整设备中的处理器1001、存储器1005可以设置在叶片磨削工艺参数调整设备中,所述叶片磨削工艺参数调整设备通过处理器1001调用存储器1005中存储的叶片磨削工艺参数调整程序,并执行本发明实施例提供的叶片磨削工艺参数调整方法。
本发明实施例提供了一种叶片磨削工艺参数调整方法,参照图2,图2为本发明叶片磨削工艺参数调整方法第一实施例的流程示意图。
本实施例中,所述叶片磨削工艺参数调整方法包括以下步骤:
步骤S10:在进行机器人叶片磨削加工时,获取工艺参数数据。
需要说明的是,本实施例的执行主体为叶片磨削工艺参数调整***,也可为其他可实现相同或相似功能的设备,本实施例对此不作限制。
在本实施例中,工艺参数数据包括机器人叶片磨削加工中的法向磨削压力数据、机器人进给速度数据以及砂带线速度数据。在机器人叶片磨削加工时,可通过在机器人末端安装六维传感器实时采集叶片加工时的工艺参数数据。
步骤S20:将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据。
应理解的是,叶片的表面粗糙度期望值数据指的是通过预设工艺参数模型进行重复多次训练得到的平均值,由于在叶片加工过程中,法向磨削力根据机器人运动轨迹不断的变化,所对应的表面粗糙度也在实时变化,则可将工艺参数数据输入预设工艺参数模型,得到表面粗糙度期望值数据,对实时变化的表面粗糙值数据进行估计,得到较为准确的表面粗糙度数据。
步骤S30:将所述表面粗糙度期望值数据以及所述工艺参数中的法向磨削力进行计算,得到目标工艺参数。
在具体实施中,法向磨削力为F,法向磨削力与砂轮和磨粒抗压强度及***刚性相关,在机器人叶片加工时,机器人运动轨迹不同,得到的法向磨削力也不同。目标工艺参数为计算得到的最优的砂带线速度以及进给速度。
步骤S40:通过所述目标工艺参数对机器人叶片进行磨削加工。
在本实施例中,当得到最优的目标工艺参数后,可根据此目标工艺参数对当前机器人叶片加工的砂带线速度和进给速度进行调节,实现叶片磨削加工时表面粗糙度保持一致。
本实施例通过在进行机器人叶片磨削加工时,获取工艺参数数据;将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据;将表面粗糙度期望值数据以及工艺参数中的法向磨削力进行计算,得到目标工艺参数;通过目标工艺参数对机器人叶片进行磨削加工,通过获取加工时的工艺参数数据,并通过预设工艺参数模型对工艺参数数据进行训练,得到叶片的表面粗糙度期望值数据,并对表面粗糙度期望值以及工艺参数进行计算得到目标工艺参数,可通过目标工艺参数对机器人叶片进行磨削加工,可实时调整工艺参数数据,保证叶片磨削加工表面粗糙度一致性。
参考图3,图3为本发明叶片磨削工艺参数调整方法第二实施例的流程示意图。
基于上述第一实施例,本实施例叶片磨削工艺参数调整方法所述步骤S30,具体包括:
步骤S301:对所述表面粗糙度期望值数据以及所述法向磨削力初始化,得到初始化数据。
应理解的是,当得到表面粗糙度期望值数据后,通过BSA(Bird Swarm Algorithm,鸟群算法)算法对表面粗糙度期望值数据以及所述法向磨削力进行计算,如图4所示,图4为本实施例BSA算法优化工艺参数流程示意图。通过初始化当前种群和历史种群,即对表面粗糙度期望值数据以及法向磨削力初始化,并记录全局最优和最优个体,并设计迭代计算过程中需要用到的参数,包括初始迭代次数L、最大迭代次数P以及交叉概率等,通过将初始化的数据进行迭代,并将迭代次数与最大迭代次数进行比较,当初始迭代次数大于等于最大迭代次数时,可输出最优解,即目标工艺参数。当初始迭代次数小于最大迭代次数,可对初始化数据进行选择并进行变异以及交叉等处理,并二次选择处理的数据,继续进行迭代,直至初始迭代次数大于等于最大迭代次数,图4中,选择I为在初始迭代次数小于最大迭代次数时对初始化数据进行首次筛选,选择II为对首次筛选后的初始化数据进行变异和交叉后再次进行二次选择,通过二次选择后,可得到选择的最优个体,并增加迭代次数,继续对选择后的数据进行迭代,直至初始迭代次数大于等于最大迭代次数,并输出最优的目标工艺参数。
步骤S302:基于初始迭代次数对所述初始化数据进行迭代。
需要说明的是,初始迭代次数为进行计算之前设置的,可为10次、15次等,可根据具体场景以及需求进行修改,本实施例对此不作限制。
应理解的是,当设置了数据的初始迭代次数后,可根据初始迭代次数对得到的初始化数据进行迭代。
步骤S303:在所述初始迭代次数大于等于预设迭代次数阈值时,根据迭代结果得到目标表面粗糙度。
在具体实施中,预设迭代次数阈值为最大迭代次数,例如30次、50次等,可根据具体的数据数量以及数据种类进行设置,目标表面粗糙度指的是当前法向磨削力对应的最优的表面粗糙度,当初始迭代次数大于等于最大迭代次数时,说明数据已经迭代满足要求,可输出最优的表面粗糙度。
步骤S304:根据所述目标表面粗糙度得到对应的目标工艺参数。
应理解的是,表面粗糙度与工艺参数之间有对应的映射关系,当得到目标表面粗糙度后,可根据表面粗糙度与工艺参数之间的映射关系,得到最优的工艺参数数据,即目标砂带线速度以及目标进给速度。
进一步地,当初始迭代次数小于预设迭代次数阈值时,需要继续对初始化数据进行迭代,则有:在所述初始迭代次数小于预设迭代次数阈值时,对所述初始化数据进行选择,得到参考数据;将所述参考数据进行变异和交叉,并进行二次选择,得到目标数据;基于所述目标数据更新所述初始迭代次数,得到更新后的迭代次数;基于所述更新后的迭代次数对所述目标数据进行迭代,直至所述初始迭代次数大于等于预设迭代次数阈值。
需要说明的是,参考数据指的是根据具体的选择规则对迭代的初始化数据进行筛选,得到的筛选后的数据,通过变异和交叉增加初始化数据的多样性,避免不出现最优数据,将交叉和变异后的数据根据具体的筛选规则进行二次选择,得到目标数据,可根据选择和变异交叉处理过程中不断筛选得到最优的数据,直至初始迭代次数大于等于最大迭代次数,则可输出目标粗糙度数据对应的目标工艺参数。
本实施例通过对所述表面粗糙度期望值数据以及所述法向磨削力初始化,得到初始化数据;基于初始迭代次数对所述初始化数据进行迭代;在所述初始迭代次数大于等于预设迭代次数阈值时,根据迭代结果得到目标表面粗糙度;根据所述目标表面粗糙度得到对应的目标工艺参数,通过对表面粗糙度期望值数据以及法向磨削力初始化,并进行迭代,得到目标表面粗糙度并根据目标表面粗糙度得到对应的目标工艺参数,通过计算得到工艺参数中的最优值,计算简单快速且精度较高。
参考图5,图5为本发明叶片磨削工艺参数调整方法第三实施例的流程示意图。
基于上述第一实施例,本实施例叶片磨削工艺参数调整方法所述步骤S20,具体包括:
所述工艺参数数据包括:法向磨削力、机器人进给速度以及砂带线速度。
步骤S201:从预设正交试验表中选取所述预设工艺参数模型中隐藏层的中心参数。
应理解的是,预设正交实验表为在进行模型训练之前,开展的机器人叶片磨削加工正交试验,通过试验可得到对应的中心参数数据。预设工艺参数模型为RBF(RadialBasis Function,径向基函数)神经网络模型,通过RBF模型对输入的工艺参数进行计算。
步骤S202:将所述法向磨削力、所述机器人进给速度以及所述砂带线速度输入所述预设工艺参数模型通过预设激活函数以及所述中心参数进行映射,得到映射数据。
需要说明的是,预设激活函数为RBF激活函数,通过RBF神经网络模型中隐藏层的中心参数以及法向磨削力、所述机器人进给速度以及所述砂带线
速度进行映射,得到对应的映射数据。具体步骤如下:
其中,R(xi-Ci)为激活函数,xi为输入的法向磨削力、机器人进给速度以及砂带线速度,Ci为RBF神经网络模型中隐藏层的中心参数。
步骤S203:对所述映射数据通过线性加权处理,得到叶片的表面粗糙度期望值数据。
在本实施例中,映射数据为通过激活函数对输入的法向磨削力、机器人进给速度以及砂带线速度进行映射后得到的数据。表面粗糙度期望值数据为通过对映射数据进行加权处理计算得到的表面粗糙度的平均值数据。通过对隐藏层输出的映射数据采用线性加权求和,得到Wij网络权重,对于Wij网络权重采用梯度下降法进行训练,给出的迭代结束精度为ε,当均方根误差小于ε时停止,得到满足精度要求的网络权重。进一步地,计算表面粗糙度期望值数据具体步骤如下:
其中,为表面粗糙度期望值数据,Wij为网络权重,xi为输入的法向磨削力、机器人进给速度以及砂带线速度,Ci为RBF神经网络模型中隐藏层的中心参数。如图6所示,图6为本实施例中RBF神经网络结构图,输入层为输入法向磨削力数据、机器人进给速度以及砂带线速度,网络的输入层节点数量为3,隐藏层对输入层的数据进行映射,通过隐藏层的数据输出到输出层进行计算得到表面粗糙度期望值数据。
本实施例通过从预设正交试验表中选取所述预设工艺参数模型中隐藏层的中心参数;将所述法向磨削力、所述机器人进给速度以及所述砂带线速度输入所述预设工艺参数模型通过预设激活函数以及所述中心参数进行映射,得到映射数据;对所述映射数据通过线性加权处理,得到叶片的表面粗糙度期望值数据。通过对法向磨削力。机器人进给速度以及砂带线速度输入预设工艺参数模型进行训练,得到满足精度要求的叶片的表面粗糙度期望值数据,计算准确。
参考图7,图7为本发明叶片磨削工艺参数调整方法第四实施例的流程示意图。
基于上述第一以及第三实施例,本实施例叶片磨削工艺参数调整方法所述在所述步骤S10之前,还包括:
步骤S11:实时采集机器人的运动轨迹数据,获取所述运动轨迹数据对应的法向磨削力数据。
应理解的是,机器人运动轨迹数据包括机器人进给速度数据以及砂带线速度数据,可通过预先采集机器人叶片加工时的运动轨迹数据,并根据机器人运动轨迹数据得到对应的法向磨削力数据,由于机器人运动轨迹不断变化,对应的法向磨削力也在不断变化。
步骤S12:根据所述运动轨迹数据以及所述法向磨削力数据进行正交试验,得到表面粗糙度值。
需要说明的是,当机器人进行叶片加工的法向磨削力不同时,所对应的表面粗糙度值也不同,可通过前期采集大量的机器人运动轨迹数据得到对应的法向磨削力数据,通过对运动轨迹数据以及所述法向磨削力数据进行正交试验,并根据实验结果得到对应的表面粗糙度值。
步骤S13:基于所述表面粗糙度值建立运动轨迹以及法向磨削力与表面粗糙度之间的映射关系。
在具体实施中,运动轨迹数据与法向磨削力数据为磨削工艺参数数据,可得到磨削工艺参数与表面粗糙度的最优组合,可根据表面粗糙度值建立磨削工艺参数与表面粗糙度之间的耦合关系,得到机器人进给速度、砂带线速度以及法向磨削力与表面粗糙度之间的映射关系。
进一步地,当得到了磨削工艺参数与叶片的表面粗糙度之间的耦合映射关系后,可将工艺参数数据以及表面粗糙度数据输入神经网络进行训练,则有根据所述机器人进给速度、砂带线速度以及法向磨削力与所述表面粗糙度之间的映射关系,将所述工艺参数数据以及所述叶片的表面粗糙度数据通过RBF神经网络进行训练;基于训练结果得到预设工艺参数模型。
如图8所示,图8为发明叶片磨削工艺参数调整方法整体流程示意图。通过对机器人叶片进行磨抛正交试验,以实现对RBF神经网络建模,通过正交试验得到法向磨削力、机器人进给速度、砂带线速度以及表面粗糙度的样本数据并进行训练得到预设工艺参数模型,通过获取实时的工艺参数并输入预设工艺参数模型得到表面粗糙度期望值数据,并通过BSA算法对力传感器测量的法向磨削力数据以及表面粗糙度期望值数据进行计算,得到最优目标工艺参数,通过最优砂带线速度以及进给速度调节当前的工艺参数中的砂带线速度和进给速度。
应理解的是,预设工艺参数模型RBF神经网络模型。通过速度测量仪采集砂带线速度样本数据以及机器人进给速度样本数据,并根据六维传感器测量实时法向磨削力样本数据,并测量法向磨削力数据对应的表面粗糙度样本数据,并将上述样本数据进行训练,得到训练好的预设工艺参数模型。
本实施例通过实时采集机器人的运动轨迹数据,获取所述运动轨迹数据对应的法向磨削力数据;根据所述运动轨迹数据以及所述法向磨削力数据进行正交试验,得到表面粗糙度值;基于所述表面粗糙度值建立运动轨迹以及法向磨削力与表面粗糙度之间的映射关系,通过建立磨削工艺参数与表面粗糙度之间的映射关系,可快速根据表面粗糙度得到最优的工艺参数数据。
参照图9,图9为本发明叶片磨削工艺参数调整装置第一实施例的结构框图。
如图9所示,本发明实施例提出的叶片磨削工艺参数调整装置包括:
获取模块10,用于在进行机器人叶片磨削加工时,获取工艺参数数据。
训练模块20,用于将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据。
计算模块30,用于将所述表面粗糙度期望值数据以及所述工艺参数中的法向磨削力进行计算,得到目标工艺参数。
加工模块40,用于通过所述目标工艺参数对机器人叶片进行磨削加工。
本实施例通过在进行机器人叶片磨削加工时,获取工艺参数数据;将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据;将表面粗糙度期望值数据以及工艺参数中的法向磨削力进行计算,得到目标工艺参数;通过目标工艺参数对机器人叶片进行磨削加工,通过获取加工时的工艺参数数据,并通过预设工艺参数模型对工艺参数数据进行训练,得到叶片的表面粗糙度期望值数据,并对表面粗糙度期望值以及工艺参数进行计算得到目标工艺参数,可通过目标工艺参数对机器人叶片进行磨削加工,可实时调整工艺参数数据,保证叶片磨削加工表面粗糙度一致性。
在一实施例中,所述计算模块30,还用于对所述表面粗糙度期望值数据以及所述法向磨削力初始化,得到初始化数据;基于初始迭代次数对所述初始化数据进行迭代;在所述初始迭代次数大于等于预设迭代次数阈值时,根据迭代结果得到目标表面粗糙度;根据所述目标表面粗糙度得到对应的目标工艺参数。
在一实施例中,所述计算模块30,还用于在所述初始迭代次数小于预设迭代次数阈值时,对所述初始化数据进行选择,得到参考数据;将所述参考数据进行变异和交叉,并进行二次选择,得到目标数据;基于所述目标数据更新所述初始迭代次数,得到更新后的迭代次数;基于所述更新后的迭代次数对所述目标数据进行迭代,直至所述初始迭代次数大于等于预设迭代次数阈值。
在一实施例中,所述训练模块20,还用于所述工艺参数数据包括:法向磨削力、机器人进给速度以及砂带线速度,从预设正交试验表中选取所述预设工艺参数模型中隐藏层的中心参数;将所述法向磨削力、所述机器人进给速度以及所述砂带线速度输入所述预设工艺参数模型通过预设激活函数以及所述中心参数进行映射,得到映射数据;对所述映射数据通过线性加权处理,得到叶片的表面粗糙度期望值数据。
在一实施例中,所述训练模块20,还用于实时采集机器人的运动轨迹数据,获取所述运动轨迹数据对应的法向磨削力数据;根据所述运动轨迹数据以及所述法向磨削力数据进行正交试验,得到表面粗糙度值;基于所述表面粗糙度值建立运动轨迹以及法向磨削力与表面粗糙度之间的映射关系。
在一实施例中,所述训练模块20,还用于所述机器人运动轨迹数据包括:机器人进给速度数据以及砂带线速度数据,基于所述表面粗糙度值建立机器人进给速度、砂带线速度以及法向磨削力与表面粗糙度之间的映射关系。
在一实施例中,所述训练模块20,还用于根据所述机器人进给速度、砂带线速度以及法向磨削力与所述表面粗糙度之间的映射关系,将所述工艺参数数据以及所述叶片的表面粗糙度数据通过RBF神经网络进行训练;基于训练结果得到预设工艺参数模型。
此外,为实现上述目的,本发明还提出一种叶片磨削工艺参数调整设备,所述叶片磨削工艺参数调整设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的叶片磨削工艺参数调整程序,所述叶片磨削工艺参数调整程序配置为实现如上文所述的叶片磨削工艺参数调整方法的步骤。
由于本叶片磨削工艺参数调整设备采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有叶片磨削工艺参数调整程序,所述叶片磨削工艺参数调整程序被处理器执行时实现如上文所述的叶片磨削工艺参数调整方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的叶片磨削工艺参数调整方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种叶片磨削工艺参数调整方法,其特征在于,所述叶片磨削工艺参数调整方法包括:
在进行机器人叶片磨削加工时,获取工艺参数数据;
将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据;
将所述表面粗糙度期望值数据以及所述工艺参数中的法向磨削力进行计算,得到目标工艺参数;
通过所述目标工艺参数对机器人叶片进行磨削加工。
2.如权利要求1所述的叶片磨削工艺参数调整方法,其特征在于,所述将所述表面粗糙度期望值数据以及所述工艺参数中的法向磨削力进行计算,得到目标工艺参数,包括:
对所述表面粗糙度期望值数据以及所述法向磨削力初始化,得到初始化数据;
基于初始迭代次数对所述初始化数据进行迭代;
在所述初始迭代次数大于等于预设迭代次数阈值时,根据迭代结果得到目标表面粗糙度;
根据所述目标表面粗糙度得到对应的目标工艺参数。
3.如权利要求2所述的叶片磨削工艺参数调整方法,其特征在于,所述基于初始迭代次数对所述初始化数据进行迭代之后,还包括:
在所述初始迭代次数小于预设迭代次数阈值时,对所述初始化数据进行选择,得到参考数据;
将所述参考数据进行变异和交叉,并进行二次选择,得到目标数据;
基于所述目标数据更新所述初始迭代次数,得到更新后的迭代次数;
基于所述更新后的迭代次数对所述目标数据进行迭代,直至所述初始迭代次数大于等于预设迭代次数阈值。
4.如权利要求1所述的叶片磨削工艺参数调整方法,其特征在于,所述工艺参数数据包括:法向磨削力、机器人进给速度以及砂带线速度;
所述将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据,包括:
从预设正交试验表中选取所述预设工艺参数模型中隐藏层的中心参数;
将所述法向磨削力、所述机器人进给速度以及所述砂带线速度输入所述预设工艺参数模型通过预设激活函数以及所述中心参数进行映射,得到映射数据;
对所述映射数据通过线性加权处理,得到叶片的表面粗糙度期望值数据。
5.如权利要求4所述的叶片磨削工艺参数调整方法,其特征在于,所述在进行机器人叶片磨削加工时,获取工艺参数数据之前,还包括:
实时采集机器人的运动轨迹数据,获取所述运动轨迹数据对应的法向磨削力数据;
根据所述运动轨迹数据以及所述法向磨削力数据进行正交试验,得到表面粗糙度值;
基于所述表面粗糙度值建立运动轨迹以及法向磨削力与表面粗糙度之间的映射关系。
6.如权利要求5所述的叶片磨削工艺参数调整方法,其特征在于,所述机器人运动轨迹数据包括:机器人进给速度数据以及砂带线速度数据;
所述基于所述表面粗糙度值建立运动轨迹以及法向磨削力与表面粗糙度之间的映射关系,包括:
基于所述表面粗糙度值建立机器人进给速度、砂带线速度以及法向磨削力与表面粗糙度之间的映射关系。
7.如权利要求6所述的叶片磨削工艺参数调整方法,其特征在于,所述将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据之前,还包括:
根据所述机器人进给速度、砂带线速度以及法向磨削力与所述表面粗糙度之间的映射关系,将所述工艺参数数据以及所述叶片的表面粗糙度数据通过RBF神经网络进行训练;
基于训练结果得到预设工艺参数模型。
8.一种叶片磨削工艺参数调整装置,其特征在于,所述叶片磨削工艺参数调整装置包括:
获取模块,用于在进行机器人叶片磨削加工时,获取工艺参数数据;
训练模块,用于将所述工艺参数数据输入预设工艺参数模型,获得叶片的表面粗糙度期望值数据;
计算模块,用于将所述表面粗糙度期望值数据以及所述工艺参数中的法向磨削力进行计算,得到目标工艺参数;
加工模块,用于通过所述目标工艺参数对机器人叶片进行磨削加工。
9.一种叶片磨削工艺参数调整设备,其特征在于,所述叶片磨削工艺参数调整设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的叶片磨削工艺参数调整程序,所述叶片磨削工艺参数调整程序配置为实现如权利要求1至7中任一项所述的叶片磨削工艺参数调整方法。
10.一种存储介质,其特征在于,所述存储介质上存储有叶片磨削工艺参数调整程序,所述叶片磨削工艺参数调整程序被处理器执行时实现如权利要求1至7中任一项所述的叶片磨削工艺参数调整方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487096.5A CN114346851A (zh) | 2021-12-06 | 2021-12-06 | 叶片磨削工艺参数调整方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487096.5A CN114346851A (zh) | 2021-12-06 | 2021-12-06 | 叶片磨削工艺参数调整方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114346851A true CN114346851A (zh) | 2022-04-15 |
Family
ID=81097616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111487096.5A Pending CN114346851A (zh) | 2021-12-06 | 2021-12-06 | 叶片磨削工艺参数调整方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114346851A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116551475A (zh) * | 2023-07-04 | 2023-08-08 | 张家港市卓华金属科技有限公司 | 一种用于五金工具的磨削加工方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6931330B1 (en) * | 2003-06-30 | 2005-08-16 | Lam Research Corporation | Methods for monitoring and controlling chemical mechanical planarization |
US7220164B1 (en) * | 2003-12-08 | 2007-05-22 | Beaver Creek Concepts Inc | Advanced finishing control |
CN104732003A (zh) * | 2014-12-22 | 2015-06-24 | 北京航空航天大学 | 一种基于可靠性的磨削工艺评估方法 |
CN106407683A (zh) * | 2016-09-19 | 2017-02-15 | 上海理工大学 | 基于磨削去除率模型的切入磨削工艺参数优化方法 |
CN109880998A (zh) * | 2019-03-01 | 2019-06-14 | 广东工业大学 | 一种叶片表面型面监控的方法及装置 |
CN110118543A (zh) * | 2019-04-22 | 2019-08-13 | 武汉理工大学 | 一种基于机器人盘式打磨的工件表面粗糙度预测方法 |
CN110561237A (zh) * | 2019-10-08 | 2019-12-13 | 华中科技大学 | 一种结合主被动力控制的机器人砂带磨削方法及*** |
CN111438635A (zh) * | 2018-12-30 | 2020-07-24 | 中国科学院宁波材料技术与工程研究所 | 一种提高自由曲面打磨表面均匀性的方法 |
CN112666831A (zh) * | 2020-12-24 | 2021-04-16 | 华中科技大学 | 一种机器人磨抛加工接触力的主动控制方法 |
CN112676925A (zh) * | 2020-12-29 | 2021-04-20 | 襄阳华中科技大学先进制造工程研究院 | 航空发动机叶片磨抛方法、装置、设备及存储介质 |
-
2021
- 2021-12-06 CN CN202111487096.5A patent/CN114346851A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6931330B1 (en) * | 2003-06-30 | 2005-08-16 | Lam Research Corporation | Methods for monitoring and controlling chemical mechanical planarization |
US7220164B1 (en) * | 2003-12-08 | 2007-05-22 | Beaver Creek Concepts Inc | Advanced finishing control |
CN104732003A (zh) * | 2014-12-22 | 2015-06-24 | 北京航空航天大学 | 一种基于可靠性的磨削工艺评估方法 |
CN106407683A (zh) * | 2016-09-19 | 2017-02-15 | 上海理工大学 | 基于磨削去除率模型的切入磨削工艺参数优化方法 |
CN111438635A (zh) * | 2018-12-30 | 2020-07-24 | 中国科学院宁波材料技术与工程研究所 | 一种提高自由曲面打磨表面均匀性的方法 |
CN109880998A (zh) * | 2019-03-01 | 2019-06-14 | 广东工业大学 | 一种叶片表面型面监控的方法及装置 |
CN110118543A (zh) * | 2019-04-22 | 2019-08-13 | 武汉理工大学 | 一种基于机器人盘式打磨的工件表面粗糙度预测方法 |
CN110561237A (zh) * | 2019-10-08 | 2019-12-13 | 华中科技大学 | 一种结合主被动力控制的机器人砂带磨削方法及*** |
CN112666831A (zh) * | 2020-12-24 | 2021-04-16 | 华中科技大学 | 一种机器人磨抛加工接触力的主动控制方法 |
CN112676925A (zh) * | 2020-12-29 | 2021-04-20 | 襄阳华中科技大学先进制造工程研究院 | 航空发动机叶片磨抛方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
TINGTING WANG: "《A high-precision prediction model of surface roughness in abrasive belt flexible grinding of aero-engine blade》", 《JOURNAL OF MANUFACTURING PROCESSES》, 20 April 2021 (2021-04-20) * |
庞中华,崔红著, 北京航空航天大学出版社 * |
庞中华,崔红著: "《预测理论与方法及其MATLAB实现》", 北京航空航天大学出版社, pages: 219 - 220 * |
黄云: "《航空发动机叶片机器人精密砂带磨削研究现状及发展趋势》", 《航空学报》 * |
黄云: "《航空发动机叶片机器人精密砂带磨削研究现状及发展趋势》", 《航空学报》, 25 March 2019 (2019-03-25) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116551475A (zh) * | 2023-07-04 | 2023-08-08 | 张家港市卓华金属科技有限公司 | 一种用于五金工具的磨削加工方法及*** |
CN116551475B (zh) * | 2023-07-04 | 2023-09-22 | 张家港市卓华金属科技有限公司 | 一种用于五金工具的磨削加工方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230376771A1 (en) | Training machine learning models by determining update rules using neural networks | |
CN109690576A (zh) | 在多个机器学习任务上训练机器学习模型 | |
CN114072807B (zh) | 基于小样本迁移学习的铣削机器人多模态频响预测方法 | |
CN107633105B (zh) | 一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法 | |
US11615292B2 (en) | Projecting images to a generative model based on gradient-free latent vector determination | |
CN114346851A (zh) | 叶片磨削工艺参数调整方法、装置、设备及存储介质 | |
CN114282666A (zh) | 基于局部稀疏约束的结构化剪枝方法和装置 | |
CN112388628B (zh) | 用于训练高斯过程回归模型的设备和方法 | |
Azami et al. | GPS GDOP classification via improved neural network trainings and principal component analysis | |
CN109725597A (zh) | 测试装置以及机器学习装置 | |
US11562174B2 (en) | Multi-fidelity simulated data for machine learning | |
CN109115446A (zh) | 基于跨声速风洞风速精度控制方法及*** | |
Poddar et al. | Tuning of GPS aided attitude estimation using evolutionary algorithms | |
Liao et al. | Uncertainty-aware error modeling and hierarchical redundancy optimization for robotic surface machining | |
Sim et al. | Design of fuzzy controller using schema coevolutionary algorithm | |
Saleem et al. | Application and comparison of kernel functions for linear parameter varying model approximation of nonlinear systems | |
Dębski et al. | Adaptive surrogate-assisted optimal sailboat path search using onboard computers | |
Harmening et al. | Terrestrial laserscanning-modeling of correlations and surface deformations | |
CN113065287B (zh) | 一种基于隐式特征的小天体引力场快速预测方法 | |
WO2020230215A1 (ja) | マルチタスク学習装置、推定装置、学習方法、及び学習プログラム | |
Chen et al. | The datum particle filter: Localization for objects with coupled geometric datums | |
Tian et al. | A Novel Fuzzy Echo State Broad Learning System for Surface Roughness Virtual Metrology | |
Narayan et al. | Self-Supervised Learning of Spatially Varying Process Parameter Models for Robotic Finishing Tasks | |
CN116976218B (zh) | 多磁偶极子反演方法、装置和电子设备 | |
CN112828891B (zh) | 机器人路径规划有效性的检测方法、检测装置及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220415 |
|
RJ01 | Rejection of invention patent application after publication |