CN114936525A - 外圆磨削工艺优化方法及装置 - Google Patents
外圆磨削工艺优化方法及装置 Download PDFInfo
- Publication number
- CN114936525A CN114936525A CN202210589477.2A CN202210589477A CN114936525A CN 114936525 A CN114936525 A CN 114936525A CN 202210589477 A CN202210589477 A CN 202210589477A CN 114936525 A CN114936525 A CN 114936525A
- Authority
- CN
- China
- Prior art keywords
- grinding
- finish
- stage
- semi
- rough
- 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.)
- Granted
Links
- 238000000227 grinding Methods 0.000 title claims abstract description 314
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000005457 optimization Methods 0.000 title claims abstract description 126
- 230000008569 process Effects 0.000 claims abstract description 90
- 239000002245 particle Substances 0.000 claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 239000000463 material Substances 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000003746 surface roughness Effects 0.000 claims description 66
- 230000014509 gene expression Effects 0.000 claims description 23
- 238000005498 polishing Methods 0.000 claims description 20
- 238000007670 refining Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003801 milling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 9
- 238000003754 machining Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 241000287127 Passeridae Species 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本申请涉及智能制造技术领域,特别涉及一种外圆磨削工艺优化方法及装置,其中,方法包括:确定外圆磨削工艺的优化变量和约束条件;基于约束条件,以材料去除量和磨削加工时间为优化目标,将优化变量输入改进粒子群优化算法,输出帕累托解集;将帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,预测磨削圆度和轮廓误差;通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,获得最优的外圆磨削工艺。由此,解决了相关技术中外圆磨削工艺制定依赖经验,导致效率较低、智能化水平不足,尤其是无法实现多道次磨削条件下多质量指标综合创成,无法实现外圆磨削过程的优化目的,难以满足工艺优化需求的技术问题。
Description
技术领域
本申请涉及智能制造技术领域,特别涉及一种外圆磨削工艺优化方法及装置。
背景技术
外圆磨削属于典型的精密加工范畴,是绝大多数回转类零件的最后一道加工工序,直接决定了零件的最终加工质量。在外圆磨削过程中需要同时保证表面粗糙度、光泽度、圆度、轮廓精度等多质量指标综合创成,此外还必须考虑加工效率。为保证外圆磨削的加工效果,必须合理制定外圆磨削工艺,包括不同磨削阶段的磨削深度、磨削速度、工件转速、拖板速度及磨削道次,但由于外圆磨削是复杂多序精密加工过程,受到众多因素的影响,其工艺优化一直是亟待解决的关键问题。
相关技术中,针对外圆磨削,现有的工艺优化方法主要包括:
(1)经验法。由现场工程师根据经验对外圆磨削工艺进行优化和调整,这种方法往往不能保证性能最优,同时优化效果完全取决于决策者的水平,难以规模化推广。此外,当环境或设备发生变化时,需要重新优化,周期较长,智能化水平不足。
(2)单目标优化。此类优化方法只针对外圆磨削过程中某一单一指标进行优化,例如优化表面粗糙度,虽然能保证优化的指标最优或较优,但是由于没有考虑其他质量指标,无法满足多质量指标综合创成的磨削要求。
(3)单道次优化。此类优化针对单个磨削道次进行工艺优化,没有考虑到外圆磨削过程包含粗磨、半精磨、精磨、光磨等多个工序,且每个工序包含多个道次,是一个长周期的加工过程,因此,优化得到的工艺难以取得理想的磨削效果。
综上,已有工艺优化技术难以在多道次的外圆磨削过程中实现多质量指标综合创成,且智能化较低,无法实现外圆磨削过程的优化目的,无法满足优化需求,亟待解决。
发明内容
本申请提供一种外圆磨削工艺优化方法及装置,以解决相关技术中外圆磨削工艺制定依赖经验,导致效率较低、智能化水平不足,尤其是无法实现多道次磨削条件下多质量指标综合创成,无法实现外圆磨削过程的优化目的,难以满足工艺优化需求的技术问题。
本申请第一方面实施例提供一种外圆磨削工艺优化方法,包括以下步骤:确定外圆磨削工艺的优化变量和约束条件;基于所述约束条件,以材料去除量和磨削加工时间为优化目标,将所述优化变量输入改进粒子群优化算法,输出帕累托解集;将所述帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,预测磨削圆度和轮廓误差;通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,获得最优的外圆磨削工艺。
可选地,在本申请的一个实施例中,所述确定外圆磨削工艺的优化变量和约束条件,包括:以粗磨阶段、半精磨阶段、精磨阶段、光磨阶段的磨深、磨削速度、工件转速、拖板速度及道次确定所述优化变量;建立表面粗糙度和光泽度的表达式,以基于表面粗糙度和光泽度确定所述约束条件。
可选地,在本申请的一个实施例中,所述表面粗糙度的表达式为:
Ra-final=Ra-initial+dif1-rough+dif1-semi-finish+dif1-finish+dif2,
其中,Ra-final为最终的磨削表面粗糙度,Ra-initial为初始表面粗糙度,dif1-rough为粗磨阶段表面粗糙度变化量,dif1-semi-finish为半精磨阶段表面粗糙度变化量,dif1-finish为精磨阶段表面粗糙度变化量,dif2为光磨阶段表面粗糙度变化量。
并且,所述光泽度的表达式为:
Gfinal=Ginitial+G1-rough+G1-semi-finish+G1-finish+G2,
其中,Gfinal为最终的磨削表面光泽度,Ginitial为初始表面光泽度,G1-rough为粗磨阶段表面光泽度变化量,G1-semi-finish为半精磨阶段表面光泽度变化量,G1-finish为精磨阶段表面光泽度变化量,G2为光磨阶段表面光泽度变化量。
可选地,在本申请的一个实施例中,所述材料去除量和磨削加工时间的计算公式为:
R=drough×nrough+dsemi-finish×nsemi-finish+dfinish×nfinish,
其中,R为材料去除量,T为磨削加工时间,drough为粗磨阶段的磨深,nrough为粗磨阶段的道次,fa-rough为粗磨阶段的拖板速度,dsemi-finish为半精磨阶段的磨深、nsemi-finish为半精磨阶段的道次,fa-semi-finish为半精磨阶段的拖板速度,dfinish为精磨阶段的磨深,nfinish为精磨阶段的道次,fa-finish为精磨阶段的拖板速度,nspark-out为光磨阶段的道次,fa-spark-out为光磨阶段的拖板速度,L为工件长度。
可选地,在本申请的一个实施例中,在将所述帕累托解集中均衡区域的粒子输入所述预先训练的改进Elman神经网络之前,还包括:获取已有的精磨阶段工艺参数及对应的磨削圆度和轮廓误差,生成样本集;利用所述样本集的训练集和测试集训练预设的改进Elman神经网络,生成所述预先训练的改进Elman神经网络。
本申请第二方面实施例提供一种外圆磨削工艺优化装置,包括:确定模块,用于确定外圆磨削工艺的优化变量和约束条件;第一优化模块,用于基于所述约束条件,以材料去除量和磨削加工时间为优化目标,将所述优化变量输入改进粒子群优化算法,输出帕累托解集;预测模块,用于将所述帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,预测磨削圆度和轮廓误差;第二优化模块,用于通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,获得最优的外圆磨削工艺。
可选地,在本申请的一个实施例中,所述确定模块包括:确定单元,用于以粗磨阶段、半精磨阶段、精磨阶段、光磨阶段的磨深、磨削速度、工件转速、拖板速度及道次确定所述优化变量;建设单元,用于建立表面粗糙度和光泽度的表达式,以基于表面粗糙度和光泽度确定所述约束条件。
可选地,在本申请的一个实施例中,所述表面粗糙度的表达式为:
Ra-final=Ra-initial+dif1-rough+dif1-semi-finish+dif1-finish+dif2,
其中,Ra-final为最终的磨削表面粗糙度,Ra-initial为初始表面粗糙度,dif1-rough为粗磨阶段表面粗糙度变化量,dif1-semi-finish为半精磨阶段表面粗糙度变化量,dif1-finish为精磨阶段表面粗糙度变化量,dif2为光磨阶段表面粗糙度变化量。
并且,所述光泽度的表达式为:
Gfinal=Ginitial+G1-rough+G1-semi-finish+G1-finish+G2,
其中,Gfinal为最终的磨削表面光泽度,Ginitial为初始表面光泽度,G1-rough为粗磨阶段表面光泽度变化量,G1-semi-finish为半精磨阶段表面光泽度变化量,G1-finish为精磨阶段表面光泽度变化量,G2为光磨阶段表面光泽度变化量。
可选地,在本申请的一个实施例中,所述材料去除量和磨削加工时间的计算公式为:
R=drough×nrough+dsemi-finish×nsemi-finish+dfinish×nfinish,
其中,R为材料去除量,T为磨削加工时间,drough为粗磨阶段的磨深,nrough为粗磨阶段的道次,fa-rough为粗磨阶段的拖板速度,dsemi-finish为半精磨阶段的磨深、nsemi-finish为半精磨阶段的道次,fa-semi-finish为半精磨阶段的拖板速度,dfinish为精磨阶段的磨深,nfinish为精磨阶段的道次,fa-finish为精磨阶段的拖板速度,nspark-out为光磨阶段的道次,fa-spark-out为光磨阶段的拖板速度,L为工件长度。
可选地,在本申请的一个实施例中,本申请实施例的装置还包括:生成模块,用于在将所述帕累托解集中均衡区域的粒子输入所述预先训练的改进Elman神经网络之前,获取已有的精磨阶段工艺参数及对应的磨削圆度和轮廓误差,生成样本集;训练模块,用于在将所述帕累托解集中均衡区域的粒子输入所述预先训练的改进Elman神经网络之前,利用所述样本集的训练集和测试集训练预设的改进Elman神经网络,生成所述预先训练的改进Elman神经网络。
本申请第三方面实施例提供一种电子设备,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计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的外圆磨削工艺优化方法。
本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上述实施例所述的外圆磨削工艺优化方法。
本申请实施例可以基于约束条件,以材料去除量和磨削加工时间为优化目标,将优化变量输入改进粒子群优化算法,从而输出帕累托解集,并将帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,进而通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,从而获得最优的外圆磨削工艺,进而在工艺优化过程中无需依赖经验,有效提高了工艺优化的效率和智能化水平,使得实现了多道次条件下多质量指标综合创成,保证外圆磨削的加工效果,有效满足了工艺优化的需求。由此,解决了相关技术中外圆磨削工艺制定依赖经验,导致效率较低、智能化水平不足,尤其是无法实现多道次磨削条件下多质量指标综合创成,难以满足工艺优化需求的技术问题。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种外圆磨削工艺优化方法的流程图;
图2为根据本申请一个具体实施例提供的帕累托解集的示意图;
图3为根据本申请一个具体实施例提供的圆度和轮廓误差的预测结果及对应的最优外圆磨削工艺的示意图;
图4为根据本申请实施例的外圆磨削工艺优化装置的结构示意图;
图5为根据本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的外圆磨削工艺优化方法及装置。针对上述背景技术中心提到的相关技术中外圆磨削工艺制定依赖经验,导致效率较低、智能化水平不足,尤其是无法实现多道次磨削条件下多质量指标综合创成,无法实现外圆磨削过程的优化目的,难以满足工艺优化需求的问题,本申请提供了一种外圆磨削工艺优化方法,在该方法中,本申请实施例可以基于约束条件,以材料去除量和磨削加工时间为优化目标,将优化变量输入改进粒子群优化算法,从而输出帕累托解集,并将帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,进而通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,从而获得最优的外圆磨削工艺,进而在工艺优化过程中无需依赖经验,有效提高了工艺优化的效率和智能化水平,使得实现了多道次条件下多质量指标综合创成,保证外圆磨削的加工效果,有效满足了工艺优化的需求。由此,解决了相关技术中外圆磨削工艺制定依赖经验,导致效率较低、智能化水平不足,尤其是无法实现多道次磨削条件下多质量指标综合创成,无法实现外圆磨削过程的优化目的,难以满足工艺优化需求的技术问题。
具体而言,图1为本申请实施例所提供的一种外圆磨削工艺优化方法的流程示意图。
如图1所示,该外圆磨削工艺优化方法包括以下步骤:
在步骤S101中,确定外圆磨削工艺的优化变量和约束条件。
作为一种可能实现的方式,本申请实施例可以确定外圆磨削工艺的优化变量和约束条件,从而考虑多种质量指标,有效的满足多质量指标综合创成的磨削要求,提高智能化水平。
可以理解的是,本申请实施例针对的外圆磨削对象以一大型轧辊工件为例,工件包括:材料为92CrMo,表面硬度为70HSD,辊身长度为1440mm,初始直径为244.417mm,对本申请实施例进行举例描述,以便于理解。
其中,在本申请的一个实施例中,确定外圆磨削工艺的优化变量和约束条件,包括:以粗磨阶段、半精磨阶段、精磨阶段、光磨阶段的磨深、磨削速度、工件转速、拖板速度及道次确定优化变量;建立表面粗糙度和光泽度的表达式,以基于表面粗糙度和光泽度确定约束条件。
具体地,优化变量包括粗磨、半精磨、精磨三个阶段的磨深、磨削速度、工件转速、拖板速度及道次,以及光磨阶段的磨深、磨削速度、工件转速和拖板速度,共19个优化变量,从而建立表面粗糙度和光泽度的表达式,并作为约束条件。
其中,在本申请的一个实施例中,针对表面粗糙度和光泽度多工序、多道次演化的特点,建立表面粗糙度的表达式为:
Ra-final=Ra-initial+dif1-rough+dif1-semi-finish+dif1-finish+dif2,
其中,Ra-final为最终的磨削表面粗糙度,Ra-initial为初始表面粗糙度,dif1-rough为粗磨阶段表面粗糙度变化量,dif1-semi-finish为半精磨阶段表面粗糙度变化量,dif1-finish为精磨阶段表面粗糙度变化量,dif2为光磨阶段表面粗糙度变化量。
在本申请的实施例中,初始表面粗糙度为已知量,且各磨削阶段的表面粗糙度变化量均由各阶段的磨深、磨削速度、工件转速、拖板速度及道次通过多项式计算得到,例如,在申请本实例中,dif1-rough的表达式如下:
其中,drough为粗磨阶段的磨深、vs-rough为粗磨阶段的磨削速度、vw-rough为粗磨阶段的工件转速,fa-rough为粗磨阶段的拖板速度,nrough为粗磨阶段的道次。dif1-semi-finish、dif1-finish及dif2的表达式与dif1-rough类似,不一一给出,但在dif2的表达式中,没有磨削深度。
并且,光泽度的表达式为:
Gfinal=Ginitial+G1-rough+G1-semi-finish+G1-finish+G2,
其中,Gfinal为最终的磨削表面光泽度,Ginitial为初始表面光泽度,G1-rough为粗磨阶段表面光泽度变化量,G1-semi-finish为半精磨阶段表面光泽度变化量,G1-finish为精磨阶段表面光泽度变化量,G2为光磨阶段表面光泽度变化量。
在本申请的实施例中,初始表面光泽度为已知量,且各磨削阶段的表面光泽度变化量均由各阶段的磨深、磨削速度、工件转速、拖板速度及道次通过多项式计算得到,具体地,G1-rough的表达式如下:
G1-rough=-425+25.9drough+0.061vs-rough+11.55vw-rough
+0.810vs-rough-110.4nrough-0.0918vw-rough 2
-0.000278vs-rough 2-10.24nrough 2-0.0492d×vs-rough
+0.0837vs-rough×nrough+0.0671vw-rough×nrough
其中,G1-semi-finish、G1-finish及G2的表达式与G1-rough类似,不一一给出,但在G2的表达式中,没有磨削深度。
本申请实施例可以将表面粗糙度和光泽度作为外圆磨削工艺过程中的约束条件,即通过上述表面粗糙度和光泽度的表达式计算不同工艺参数组合下的表面粗糙度和光泽度,判断是否满足要求,从而提高外圆磨削工艺的优化效果。
在步骤S102中,基于约束条件,以材料去除量和磨削加工时间为优化目标,将优化变量输入改进粒子群优化算法,输出帕累托解集。
在实际执行过程中,本申请实施例可以基于外圆磨削工艺的约束条件,以材料去除量和磨削加工时间为优化目标,并将优化变量输入通过改进粒子群算法,改进粒子群算法在标准粒子群算法的基础上添加自适应网格策略和动态权重学习策略,从而得到帕累托解集。
其中,在本申请的一个实施例中,材料去除量和磨削加工时间的计算公式为:
R=drough×nrough+dsemi-finish×nsemi-finish+dfinish×nfinish,
其中,R为材料去除量,T为磨削加工时间,drough为粗磨阶段的磨深,nrough为粗磨阶段的道次,fa-rough为粗磨阶段的拖板速度,dsemi-finish为半精磨阶段的磨深,nsemi-finish为半精磨阶段的道次,fa-semi-finish为半精磨阶段的拖板速度,dfinish为精磨阶段的磨深,nfinish为精磨阶段的道次,fa-finish为精磨阶段的拖板速度,nspark-out为光磨阶段的道次,fa-spark-out为光磨阶段的拖板速度,L为工件长度。
在工艺优化过程中,以材料去除率R最大化和加工时间T最小化为目标,同时,表面粗糙度和光泽度的约束如下:
本申请实施例在工艺优化过程中,由于外圆磨削设备加工性能限制,还需要遵循以下约束:
此外,根据外圆磨削的规律和习惯,各工序磨深、拖板速度及道次存在以下关系:
进一步地,本申请实施例利用改进的粒子群优化算法,可以输出帕累托解集,具体地,改进粒子群算法相对标准粒子群算法的改进点如下:
步骤S1021:在粒子迭代过程中使用了动态权重学习策略。
粒子迭代过程如下所示:
其中,为第k+1代粒子位置,为第k代粒子位置,n为粒子编号,在本实施例中,每个粒子代表19个优化变量,因此,粒子的维度为19;为第k+1代粒子速度,为第k代粒子速度,为k次迭代后第n个粒子的最佳位置,分别为k次迭代后所有粒子的最佳位置,w为惯性权重因子,c1和c2是学习因子,r1和r2是均匀分布在[0 1]的随机数。
在动态权重学习策略中,惯性权重因子和学习因子设置如下:
其中,Ic为当前迭代次数,It为总迭代次数,ws为惯性权重因子的初始值,we为惯性权重因子的终止值,c1s为c1的初始值,c1e为c1的停止值,且c1s>c1e;c2s为c2的初始值,c2e为c2的停止值,且c2e>c2s。
步骤S1022:自适应网格策略。
在选取帕累托解集中的非支配解粒子时,采用自适应网格策略,网格计算如下:
其中,g1、g2、t1和t2表示出网格的边界,d1和d2表示出单个网格的大小,f(T)和f(G)分别为磨削时间和材料去除量目标函数在非支配解粒子中的适应度值,α为调整系数,设定为0.1,d为网格维度。
在本申请的实施例中,如图2所示,应用上述改进粒子群算法,随机生成100个初始粒子,每个粒子代表一组磨削工艺,迭代100次,网格数量为7×7,ws和we分别为0.5和0.001,c1s和c1e分别为2.5和0.5,c2s和c2e分别为0.5和2.5,从而得到帕累托解集。其中,图2中的横坐标为优化目标1:加工时间;纵坐标为优化目标2:材料去除量,阴影区域为机床加工性能可实现区域,图中的圆圈组成了帕累托解集,包含3个区域,即加工时间较优区域、均衡区域和材料去除较优区域,图2中的所有解均满足前述表面粗糙度和光泽度的约束要求。
在步骤S103中,将帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,预测磨削圆度和轮廓误差。
在部分实施例中,本申请实施例可以将帕累托解集中均衡区域的粒子对应的精磨工艺参数输入预先训练的改进Elman神经网络,将改进Elman神经网络在标准Elman神经网络的基础上使用Sine混沌映射和麻雀搜索算法,下面会进行详细赘述,从而输出磨削圆度和轮廓误差的预测值,其中,帕累托解集中均衡区域是指位于帕累托解集中部的粒子,即材料去除量R和磨削加工时间T均处于中间值。
如图2所示,本申请实施例选择图2中均衡区域内的粒子,将粒子对应的精磨阶段的工艺参数输入预先训练的改进Elman神经网络,有网络输出各粒子对应的圆度和轮廓误差,其中,选择均衡区域内的粒子1、粒子2和粒子3。如图3所示,可以使用该训练的改进Elman神经网络,对粒子1、粒子2和粒子3进行圆度和轮廓误差进行预测。
进一步地,在本申请的一个实施例中,在将帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络之前,还包括:获取已有的精磨阶段工艺参数及对应的磨削圆度和轮廓误差,生成样本集;利用样本集的训练集和测试集训练预设的改进Elman神经网络,生成预先训练的改进Elman神经网络。
本申请实施例可以获取已有的精磨阶段工艺参数及对应的磨削圆度和轮廓误差,从而生成样本集,并利用样本集的训练集和测试集训练预设的改进Elman神经网络,生成预先训练的改进Elman神经网络,进而可以将帕累托解集中均衡区域的粒子对应的精磨工艺参数输入预先训练的改进Elman神经网络,从而预测磨削圆度和轮廓误差。
其中,改进Elman神经网络相对标准Elman神经网络的改进点如下:
步骤一:Sine混沌映射。
利用Sine混沌映射初始化种群个***置,丰富种群多样性,解决种群分布不均匀、搜索空间不足的问题,具体如下:
其中,xn为***输入,xn+1为***输出,x0为初始值,μ∈[0 1]为控制参数,本申请实施例中设置μ=0.99。
步骤二:麻雀搜索算法。
使用麻雀搜索算法优化Elman神经网络的权值和阈值,获得权值和阈值的最优解,提高Elman神经网络的回归性能,麻雀搜索算法包括发现者、加入者和侦察者,在搜索的过程中,发现者为搜索初期适应度较高的个体,加入者为搜索初期的其他个体,随着搜索的进行和适应度的更新,加入者和搜索者的身份可以动态切换,只要能得到更高的适应度值就能成为新的发现者,但两者在种群中的比列是不变的,侦察者为处于搜索域边缘的个体,这类个体会随机选择搜索方向,并更新适应度及位置信息,以便靠近发现者,在本申请实施例中,以圆度和轮廓误差的预测准确率作为适应度函数。
通过上述改进,得到改进的Elman神经网络,进一步利用已有的321组精磨阶段工艺参数及对应的磨削圆度和轮廓误差,对该改进的Elman神经网络进行训练,具体流程如下:
步骤S1:将321组精磨阶段工艺参数及对应的磨削圆度和轮廓误差输入改进的神经网络;
步骤S2:初始神经网络的权值和阈值,并用种群中的个体表示这些权值和阈值;
步骤S3:利用Sine混沌映射初始化麻雀搜索算法的种群;
步骤S4:计算个体适应度值,找到当前全局最优解并确定对应的位置,进行个***置的更新;
步骤S5:查看位置更新之后的个体适应度值,并与当前最优适应度值进行比较,达到最大迭代次数之后选择全局最优解。否则,再次进行迭代;
步骤S6:将输出的最优解作为神经网络输入层到隐藏层的权值和阈值,并进行正向传播;
步骤S7:利用误差反向传播微调隐藏层到输出层的参数,迭代训练直到达到预设的迭代次数。
其中,本申请实施例的种群规模为30,迭代50次,学习率为0.1。
在步骤S104中,通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,获得最优的外圆磨削工艺。
作为一种可能实现的方式,本申请实施例可以对比不同磨削工艺对应的磨削圆度和轮廓误差预测值,从而选择较优的外圆磨削工艺,若不同磨削工艺的磨削圆度和轮廓误差区别较小,则综合考虑磨削加工时间,选择磨削加工时间较短的外圆磨削工艺,从而有效提高了工艺优化的效率和智能化水平,使得实现了多道次条件下多质量指标综合创成,保证外圆磨削的加工效果,有效满足了工艺优化的需求。
如图3所示,本申请实施例通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,综合选择出最优的外圆磨削工艺,例如,粒子1对应的圆度和轮廓误差预测值分别为4.0μm和4.5μm,粒子2对应的圆度和轮廓误差预测值分别为3.4μm和3.3μm,粒子3对应的圆度和轮廓误差预测值分别为3.1μm和3.25μm。通过对比,粒子2和粒子3对应的圆度和轮廓误差明显优于粒子1,故首先排除粒子1;由于粒子2和粒子3对应的圆度和轮廓误差基本一致,故比较加工时间。
如图2所示,粒子2相对于粒子3的加工时间明显更优,因此,综合分析后,选择粒子2作为最优粒子,其对应的工艺作为最优的外圆磨削工艺,如图3所示,其对应的表面粗糙度为0.103μm,表面光泽度为91.4GU,均满足约束要求。
综上,本申请实施例完成了该大型轧辊工件的外圆磨削工艺智能优化,同时保证了表面粗糙度、光泽度、圆度、轮廓误差等多质量指标创成,并具有较短的加工时间,保证了外圆磨削效率。
根据本申请实施例提出的外圆磨削工艺优化方法,可以基于约束条件,以材料去除量和磨削加工时间为优化目标,将优化变量输入改进粒子群优化算法,从而输出帕累托解集,并将帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,进而通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,从而获得最优的外圆磨削工艺,进而在工艺优化过程中无需依赖经验,有效提高了工艺优化的效率和智能化水平,使得实现了多道次条件下多质量指标综合创成,保证外圆磨削的加工效果,有效满足了工艺优化的需求。
其次参照附图描述根据本申请实施例提出的外圆磨削工艺优化装置。
图4是本申请实施例的外圆磨削工艺优化装置的方框示意图。
如图4所示,该外圆磨削工艺优化装置10包括:确定模块100、第一优化模块200、预测模块300和第二优化模块400。
具体地,确定模块100,用于确定外圆磨削工艺的优化变量和约束条件。
第一优化模块200,用于基于约束条件,以材料去除量和磨削加工时间为优化目标,将优化变量输入改进粒子群优化算法,输出帕累托解集。
预测模块300,用于将帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,预测磨削圆度和轮廓误差。
第二优化模块400,用于通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,获得最优的外圆磨削工艺。
可选地,在本申请的一个实施例中,确定模块100包括:确定单元和建设单元。
其中,确定单元,用于以粗磨阶段、半精磨阶段、精磨阶段、光磨阶段的磨深、磨削速度、工件转速、拖板速度及道次确定优化变量。
建设单元,用于建立表面粗糙度和光泽度的表达式,以基于表面粗糙度和光泽度确定约束条件;
可选地,在本申请的一个实施例中,表面粗糙度的表达式为:
Ra-final=Ra-initial+dif1-rough+dif1-semi-finish+dif1-finish+dif2,
其中,Ra-final为最终的磨削表面粗糙度,Ra-initial为初始表面粗糙度,dif1-rough为粗磨阶段表面粗糙度变化量,dif1-semi-finish为半精磨阶段表面粗糙度变化量,dif1-finish为精磨阶段表面粗糙度变化量,dif2为光磨阶段表面粗糙度变化量。
并且,光泽度的表达式为:
Gfinal=Ginitial+G1-rough+G1-semi-finish+G1-finish+G2,
其中,Gfinal为最终的磨削表面光泽度,Ginitial为初始表面光泽度,G1-rough为粗磨阶段表面光泽度变化量,G1-semi-finish为半精磨阶段表面光泽度变化量,G1-finish为精磨阶段表面光泽度变化量,G2为光磨阶段表面光泽度变化量。
可选地,在本申请的一个实施例中,材料去除量和磨削加工时间的计算公式为:
R=drough×nrough+dsemi-finish×nsemi-finish+dfinish×nfinish,
其中,R为材料去除量,T为磨削加工时间,drough为粗磨阶段的磨深,nrough为粗磨阶段的道次,fa-rough为粗磨阶段的拖板速度,dsemi-finish为半精磨阶段的磨深、nsemi-finish为半精磨阶段的道次,fa-semi-finish为半精磨阶段的拖板速度,dfinish为精磨阶段的磨深,nfinish为精磨阶段的道次,fa-finish为精磨阶段的拖板速度,nspark-out为光磨阶段的道次,fa-spark-out为光磨阶段的拖板速度,L为工件长度。
可选地,在本申请的一个实施例中,本申请实施例的装置10还包括:生成模块和训练模块。
其中,生成模块,用于在将帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络之前,获取已有的精磨阶段工艺参数及对应的磨削圆度和轮廓误差,生成样本集。
训练模块,用于在将帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络之前,利用样本集的训练集和测试集训练预设的改进Elman神经网络,生成预先训练的改进Elman神经网络。
需要说明的是,前述对外圆磨削工艺优化方法实施例的解释说明也适用于该实施例的外圆磨削工艺优化装置,此处不再赘述。
根据本申请实施例提出的外圆磨削工艺优化装置,可以基于约束条件,以材料去除量和磨削加工时间为优化目标,将优化变量输入改进粒子群优化算法,从而输出帕累托解集,并将帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,进而通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,从而获得最优的外圆磨削工艺,进而在工艺优化过程中无需依赖经验,有效提高了工艺优化的效率和智能化水平,使得实现了多道次条件下多质量指标综合创成,保证外圆磨削的加工效果,有效满足了工艺优化的需求。
图5为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的外圆磨削工艺优化方法。
进一步地,电子设备还包括:
通信接口503,用于存储器501和处理器502之间的通信。
存储器501,用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现,则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器501、处理器502及通信接口503,集成在一块芯片上实现,则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的外圆磨削工艺优化方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种外圆磨削工艺优化方法,其特征在于,包括以下步骤:
确定外圆磨削工艺的优化变量和约束条件;
基于所述约束条件,以材料去除量和磨削加工时间为优化目标,将所述优化变量输入改进粒子群优化算法,输出帕累托解集;
将所述帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,预测磨削圆度和轮廓误差;以及
通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,获得最优的外圆磨削工艺。
2.根据权利要求1所述的方法,其特征在于,所述确定外圆磨削工艺的优化变量和约束条件,包括:
以粗磨阶段、半精磨阶段、精磨阶段、光磨阶段的磨深、磨削速度、工件转速、拖板速度及道次确定所述优化变量;
建立表面粗糙度和光泽度的表达式,以基于表面粗糙度和光泽度确定所述约束条件。
3.根据权利要求2所述的方法,其特征在于,所述表面粗糙度的表达式为:
Ra-final=Ra-initial+dif1-rough+dif1-semi-finish+dif1-finish+dif2,
其中,Ra-final为最终的磨削表面粗糙度,Ra-initial为初始表面粗糙度,dif1-rough为粗磨阶段表面粗糙度变化量,dif1-semi-finish为半精磨阶段表面粗糙度变化量,dif1-finish为精磨阶段表面粗糙度变化量,dif2为光磨阶段表面粗糙度变化量。
并且,所述光泽度的表达式为:
Gfinal=Ginitial+G1-rough+G1-semi-finish+G1-finish+G2,
其中,Gfinal为最终的磨削表面光泽度,Ginitial为初始表面光泽度,G1-rough为粗磨阶段表面光泽度变化量,G1-semi-finish为半精磨阶段表面光泽度变化量,G1-finish为精磨阶段表面光泽度变化量,G2为光磨阶段表面光泽度变化量。
4.根据权利要求1所述的方法,其特征在于,所述材料去除量和磨削加工时间的计算公式为:
R=drough×nrough+dsemi-finish×nsemi-finish+dfinish×nfinish,
其中,R为材料去除量,T为磨削加工时间,drough为粗磨阶段的磨深,nrough为粗磨阶段的道次,fa-rough为粗磨阶段的拖板速度,dsemi-finish为半精磨阶段的磨深、nsemi-finish为半精磨阶段的道次,fa-semi-finish为半精磨阶段的拖板速度,dfinish为精磨阶段的磨深,nfinish为精磨阶段的道次,fa-finish为精磨阶段的拖板速度,nspark-out为光磨阶段的道次,fa-spark-out为光磨阶段的拖板速度,L为工件长度。
5.根据权利要求1所述的方法,其特征在于,在将所述帕累托解集中均衡区域的粒子输入所述预先训练的改进Elman神经网络之前,还包括:
获取已有的精磨阶段工艺参数及对应的磨削圆度和轮廓误差,生成样本集;
利用所述样本集的训练集和测试集训练预设的改进Elman神经网络,生成所述预先训练的改进Elman神经网络。
6.一种外圆磨削工艺优化装置,其特征在于,包括:
确定模块,用于确定外圆磨削工艺的优化变量和约束条件;
第一优化模块,用于基于所述约束条件,以材料去除量和磨削加工时间为优化目标,将所述优化变量输入改进粒子群优化算法,输出帕累托解集;
预测模块,用于将所述帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,预测磨削圆度和轮廓误差;以及
第二优化模块,用于通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,获得最优的外圆磨削工艺。
7.根据权利要求6所述的装置,其特征在于,所述确定模块包括:
确定单元,用于以粗磨阶段、半精磨阶段、精磨阶段、光磨阶段的磨深、磨削速度、工件转速、拖板速度及道次确定所述优化变量;
建设单元,用于建立表面粗糙度和光泽度的表达式,以基于表面粗糙度和光泽度确定所述约束条件。
8.根据权利要求7所述的装置,其特征在于,所述表面粗糙度的表达式为:
Ra-final=Ra-initial+dif1-rough+dif1-semi-finish+dif1-finish+dif2,
其中,Ra-final为最终的磨削表面粗糙度,Ra-initial为初始表面粗糙度,dif1-rough为粗磨阶段表面粗糙度变化量,dif1-semi-finish为半精磨阶段表面粗糙度变化量,dif1-finish为精磨阶段表面粗糙度变化量,dif2为光磨阶段表面粗糙度变化量。
并且,所述光泽度的表达式为:
Gfinal=Ginitial+G1-rough+G1-semi-finish+G1-finish+G2,
其中,Gfinal为最终的磨削表面光泽度,Ginitial为初始表面光泽度,G1-rough为粗磨阶段表面光泽度变化量,G1-semi-finish为半精磨阶段表面光泽度变化量,G1-finish为精磨阶段表面光泽度变化量,G2为光磨阶段表面光泽度变化量。
9.一种电子设备,其特征在于,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计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的外圆磨削工艺优化方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的外圆磨削工艺优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210589477.2A CN114936525B (zh) | 2022-05-26 | 2022-05-26 | 外圆磨削工艺优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210589477.2A CN114936525B (zh) | 2022-05-26 | 2022-05-26 | 外圆磨削工艺优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114936525A true CN114936525A (zh) | 2022-08-23 |
CN114936525B CN114936525B (zh) | 2022-12-09 |
Family
ID=82866022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210589477.2A Active CN114936525B (zh) | 2022-05-26 | 2022-05-26 | 外圆磨削工艺优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936525B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116954155A (zh) * | 2023-08-25 | 2023-10-27 | 清华大学 | 数控加工零件表面质量调控方法、装置、设备及介质 |
CN116974241A (zh) * | 2023-07-10 | 2023-10-31 | 清华大学 | 面向绿色低碳制造的数控机床几何优化方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008131409A1 (en) * | 2007-04-23 | 2008-10-30 | Tufts University | Methods for calculating particle size distribution |
CN106078509A (zh) * | 2016-06-03 | 2016-11-09 | 上海理工大学 | 用于外圆切入磨削工件圆度误差实时计算方法 |
CN109033730A (zh) * | 2018-09-30 | 2018-12-18 | 北京工业大学 | 一种基于改进的粒子群优化算法的刀具磨损预测方法 |
CN110348075A (zh) * | 2019-06-20 | 2019-10-18 | 湖南科技大学 | 一种基于改进支持向量机算法的磨削表面粗糙度预测方法 |
CN112836297A (zh) * | 2021-02-03 | 2021-05-25 | 上海交通大学 | 基于集成计算与容差设计的合金铸件尺寸精确调控方法 |
CN112861394A (zh) * | 2021-01-19 | 2021-05-28 | 北京科技大学 | 基于遗传粒子群算法的冷轧轧辊磨削量优化方法及*** |
CN113836706A (zh) * | 2021-09-07 | 2021-12-24 | 西南林业大学 | 一种数控加工参数优化方法及存储介质 |
CN113868800A (zh) * | 2021-09-29 | 2021-12-31 | 江苏科技大学 | 一种凸轮轴磨削深度参数优化方法 |
CN113919101A (zh) * | 2021-10-29 | 2022-01-11 | 哈尔滨工业大学 | 一种基于响应曲面法和粒子种群优化算法的球头砂轮磨削工艺参数优化方法 |
-
2022
- 2022-05-26 CN CN202210589477.2A patent/CN114936525B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008131409A1 (en) * | 2007-04-23 | 2008-10-30 | Tufts University | Methods for calculating particle size distribution |
CN106078509A (zh) * | 2016-06-03 | 2016-11-09 | 上海理工大学 | 用于外圆切入磨削工件圆度误差实时计算方法 |
CN109033730A (zh) * | 2018-09-30 | 2018-12-18 | 北京工业大学 | 一种基于改进的粒子群优化算法的刀具磨损预测方法 |
CN110348075A (zh) * | 2019-06-20 | 2019-10-18 | 湖南科技大学 | 一种基于改进支持向量机算法的磨削表面粗糙度预测方法 |
CN112861394A (zh) * | 2021-01-19 | 2021-05-28 | 北京科技大学 | 基于遗传粒子群算法的冷轧轧辊磨削量优化方法及*** |
CN112836297A (zh) * | 2021-02-03 | 2021-05-25 | 上海交通大学 | 基于集成计算与容差设计的合金铸件尺寸精确调控方法 |
CN113836706A (zh) * | 2021-09-07 | 2021-12-24 | 西南林业大学 | 一种数控加工参数优化方法及存储介质 |
CN113868800A (zh) * | 2021-09-29 | 2021-12-31 | 江苏科技大学 | 一种凸轮轴磨削深度参数优化方法 |
CN113919101A (zh) * | 2021-10-29 | 2022-01-11 | 哈尔滨工业大学 | 一种基于响应曲面法和粒子种群优化算法的球头砂轮磨削工艺参数优化方法 |
Non-Patent Citations (2)
Title |
---|
崔奇 等: ""高精度无心磨削圆度保证和成圆过程解析"", 《机床与液压》 * |
谢天舒: ""氮化硅陶瓷轴承外圈磨削的双目标工艺优化"", 《金刚石与磨料磨具工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116974241A (zh) * | 2023-07-10 | 2023-10-31 | 清华大学 | 面向绿色低碳制造的数控机床几何优化方法及装置 |
CN116974241B (zh) * | 2023-07-10 | 2024-02-06 | 清华大学 | 面向绿色低碳制造的数控机床几何优化方法及装置 |
CN116954155A (zh) * | 2023-08-25 | 2023-10-27 | 清华大学 | 数控加工零件表面质量调控方法、装置、设备及介质 |
CN116954155B (zh) * | 2023-08-25 | 2024-01-26 | 清华大学 | 数控加工零件表面质量调控方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114936525B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114936525B (zh) | 外圆磨削工艺优化方法及装置 | |
Ilievski et al. | Efficient hyperparameter optimization for deep learning algorithms using deterministic rbf surrogates | |
Sangsawang et al. | Metaheuristics optimization approaches for two-stage reentrant flexible flow shop with blocking constraint | |
CN114239733A (zh) | 基于迁移学习的机床响应建模方法、***及响应预测方法 | |
Shaik | Optimal selection of operating parameters in end milling of Al-6061 work materials using multi-objective approach | |
CN112379589B (zh) | 蜗轮加工形性可控工艺 | |
CN110118543B (zh) | 一种基于机器人盘式打磨的工件表面粗糙度预测方法 | |
CN112733296A (zh) | 基于grnn的混联机器人铣削加工误差预测及补偿方法 | |
CN114897028B (zh) | 数控加工表面粗糙度预测方法及装置 | |
CN113138555A (zh) | 一种基于遗传算法优化的grnn电主轴热误差建模方法 | |
CN114662410A (zh) | 打磨工艺参数组合的确定方法、装置、电子设备和介质 | |
CN112737463A (zh) | 一种永磁直线同步电机的多目标优化方法及装置 | |
CN115689070B (zh) | 基于帝王蝶算法优化bp神经网络模型的能源预测方法 | |
Gajate et al. | Transductive-weighted neuro-fuzzy inference system for tool wear prediction in a turning process | |
CN112733301B (zh) | 一种基于神经网络的六维力矩传感器重力补偿方法及*** | |
CN116703113A (zh) | 一种高维多目标柔性产线排产方法 | |
CN116976192A (zh) | 一种基于js-bp模型的模锻件缺陷精准修型工艺参数决策方法 | |
CN113902173B (zh) | 一种基于改进狼群算法的柔性作业车间调度方法 | |
CN115345303A (zh) | 卷积神经网络权重调优方法、装置、存储介质和电子设备 | |
CN113821975A (zh) | 一种燃料电池性能衰减预测方法及*** | |
CN116954155B (zh) | 数控加工零件表面质量调控方法、装置、设备及介质 | |
CN111983919A (zh) | 一种emd-lms混合控制方法及控制*** | |
Tang et al. | Artificial Neural Network (ANN) Approach for Predicting Friction Coefficient of Roller Burnishing AL6061 | |
CN114896771B (zh) | 一种考虑热迟滞的数控机床主轴热误差分段建模方法 | |
CN117113845B (zh) | 一种avoa优化lstm神经网络主轴热误差建模方法 |
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 |