CN117556345B - 基于神经网络的磁流变抛光去除函数预测装置及方法 - Google Patents
基于神经网络的磁流变抛光去除函数预测装置及方法 Download PDFInfo
- Publication number
- CN117556345B CN117556345B CN202410043191.3A CN202410043191A CN117556345B CN 117556345 B CN117556345 B CN 117556345B CN 202410043191 A CN202410043191 A CN 202410043191A CN 117556345 B CN117556345 B CN 117556345B
- Authority
- CN
- China
- Prior art keywords
- removal function
- prediction
- neural network
- polishing
- coordinate matrix
- 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
- 238000005498 polishing Methods 0.000 title claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 21
- 239000007788 liquid Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 45
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明涉及光学制造技术领域,尤其涉及一种基于神经网络的磁流变抛光去除函数预测装置及方法,装置包括抛光轮、线激光测量仪和计算机,预测方法包括首先计算机控制线激光测量仪采集抛光轮上的磁流变缎带轮廓,经数据预处理后输入至构建好的神经网络结构中进行训练,得到预测网络模型,再对输出进行三维重建得到最终的预测去除函数;以神经网络代替常规构建数学模型,建立磁流变抛光缎带与去除函数之间的映射关系,提升了磁流变抛光精度,更适用于实际加工中磁流变抛光前去除函数的高精度预测和实时去除函数监控问题。
Description
技术领域
本发明涉及光学制造技术领域,尤其涉及一种基于神经网络的磁流变抛光去除函数预测装置及方法。
背景技术
磁流变抛光(Magnetorheological Finishing,MRF)因其具有较好的材料去除稳定性,在光学元件抛光中已经得到了广泛的应用。去除函数的稳定性和可预测性对于确定性去除至关重要,由于磁流变抛光机理复杂,难以建立精准的去除函数模型,以往的去除函数建模均为基于数理方法和经验法的建模,对于抛光的指导意义不大。智能学习模型,如深度学习、迁移学习、强化学习和模仿学习,已经在各行各业得到了广泛的应用。
现有磁流变抛光去除函数模型均为基于理想状态下的数理建模,无法进行去除函数的预测,且仅为对理想状态下的拟合,而实际加工过程中磁流变抛光机理复杂,因此在实际工程应用中,现有理论模型无法进行去除函数的高精度预测和实时去除函数的监控。
发明内容
本发明为解决上述问题,提供一种基于神经网络的磁流变抛光去除函数预测装置及方法,使用神经网络建立磁流变缎带轮廓与去除函数之间的关系,通过线激光测量仪扫描磁流变缎带轮廓即可进行抛光前去除函数的高精度预测和实时去除函数的监控。
第一方面,本发明提供了一种基于神经网络的磁流变抛光去除函数预测装置,包括抛光轮、线激光测量仪和计算机,其中,计算机的内部包括:
控制模块,用于控制抛光轮进行上液和转动,以及控制线激光测量仪采集上液前抛光轮上的平均轮廓,以及上液后抛光轮的磁流变缎带的平均轮廓;
数据预处理模块,用于对线激光测量仪采集到的数据进行二维矩阵化处理及归一化处理,得到训练数据集和测试数据矩阵;
神经网络训练模块,用于将训练数据集输入至构建好的神经网络结构中进行训练,得到预测网络模型;将测试数据输入预测网络模型中,得到预测坐标矩阵;
去除函数重构模块,用于将预测坐标矩阵进行三维重建,得到最终的预测去除函数。
进一步的,抛光轮和计算机构成控制线路,线激光测量仪和计算机构成数据采集线路;线激光测量仪与抛光轮的距离在10-15cm范围内。
第二方面,本发明提供了一种基于神经网络的磁流变抛光去除函数预测方法,适用于第一方面提供的基于神经网络的磁流变抛光去除函数预测装置,方法具体包括以下步骤:
S1:控制模块控制抛光轮转动,并控制线激光测量仪对未上液时的抛光轮平均轮廓进行测量;
S2:控制模块控制抛光轮上液并对加工元件进行加工,控制线激光测量仪采集此时的抛光轮平均轮廓,两个抛光轮平均轮廓的未重叠区域即为磁流变缎带的有效区域,并获取有效区域下对应的去除函数;
S3:数据预处理模块将有效区域进行二维化处理,得到坐标矩阵x0,以及去除函数的坐标矩阵y;对坐标矩阵x0进行归一化处理,得到归一化后的坐标矩阵x;
S4:重复步骤S2~S3,得到不少于100组的坐标矩阵x和坐标矩阵y,作为训练数据集;
S5:将坐标矩阵x作为输入,坐标矩阵y作为输出,共同输入至神经网络训练模块中得到预测网络模型;
S6:重复步骤S2,获取测试数据矩阵x’,将测试数据矩阵x’输入预测网络模型中得到预测坐标矩阵y’;
S7:通过去除函数重构模块对预测坐标矩阵y’进行三维重构,得到预测的去除函数三维特征。
与现有技术相比,本发明能够取得如下有益效果:
1)本发明提出了的基于神经网络的磁流变抛光去除函数预测方法,通过神经网络建立磁流变缎带与去除函数之间的映射关系,可以进行去除函数的预测的同时,避免了传统构建数理模型的方法中仅为对理想状态下的拟合而无法应用于实际加工的缺点,提升了磁流变抛光精度,解决了磁流变抛光前去除函数高精度预测和实时去除函数监控问题;
2)由于输入是二维轮廓矩阵,输出是三维的去除函数坐标组成的点云矩阵,升维映射会导致特征丢失很多,并不能实现高精度去除函数预测。因此,本发明先对去除函数的多个二维的切片得到二维矩阵,再由二维矩阵重组成三维去除函数,避免了升维映射带来的误差。
附图说明
图1是根据本发明实施例提供的基于神经网络的磁流变抛光去除函数预测装置的结构图;
图2是根据本发明实施例提供的基于神经网络的磁流变抛光去除函数预测方法的流程图。
附图标记:抛光轮1、线激光测量仪2、计算机3、磁流变缎带4。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,而不构成对本发明的限制。
本发明提供了基于神经网络的磁流变抛光去除函数预测装置及方法,首先通过线激光测量仪扫描磁流变缎带轮廓再使用神经网络建立磁流变缎带轮廓与去除函数之间的映射关系,取代了现有方法中基于理想状态下构建数理建模,进行抛光前去除函数的高精度预测和实时去除函数的监控。
图1示出了是根据本发明实施例提供的基于神经网络的磁流变抛光去除函数预测装置的结构。
如图1所示,本发明实施例提供的基于神经网络的磁流变抛光去除函数预测装置,包括抛光轮1、线激光测量仪2和计算机3。
其中,计算机3的内部包括:
控制模块,用于控制抛光轮1进行上液和转动,以及控制线激光测量仪2采集上液前抛光轮1上的平均轮廓,以及上液后抛光轮1的磁流变缎带4的平均轮廓;
数据预处理模块,用于对线激光测量仪2采集到的数据进行二维矩阵化处理及归一化处理,得到训练数据集和测试数据矩阵;
神经网络训练模块,用于将训练数据集输入至构建好的神经网络结构中进行训练,得到预测网络模型;将测试数据输入预测网络模型中,得到预测坐标矩阵;
去除函数重构模块,用于将预测坐标矩阵进行三维重建,得到最终的预测去除函数。
抛光轮1和计算机3构成控制线路,线激光测量仪2和计算机3构成数据采集线路。线激光测量仪2固定在标定点,标定点与抛光轮1的距离应在10-15cm范围内。
本具体实施例中,神经网络结构采用40个4层MLP(多层感知,Multi-LayerPerceptron)网络组合而成的网络。40个网络的输入相同,均为轮廓的坐标矩阵。每一个MLP网络负责输出一个去除函数二维切片,40个MLP网络输出40个二维切片的预测坐标矩阵,再将这些预测坐标矩阵输入去除函数重构模块中重构得到三维的去除函数形貌。
本发明还提供了一种基于神经网络的磁流变抛光去除函数预测方法,适用于提供的基于神经网络的磁流变抛光去除函数预测装置。
图2示出了根据本发明实施例提供的基于神经网络的磁流变抛光去除函数预测方法的流程。
如图2所示,方法具体包括以下步骤:
S1:控制模块控制抛光轮1转动,并控制线激光测量仪2对未上液时的抛光轮平均轮廓进行测量。
S2:控制模块控制抛光轮1上液并对加工元件进行加工,控制线激光测量仪2采集此时的抛光轮平均轮廓,两个抛光轮平均轮廓的未重叠区域即为磁流变缎带4的有效区域,以及有效区域下对应的去除函数。
S3:数据预处理模块将有效区域进行二维化处理,得到坐标矩阵x0,以及去除函数的坐标矩阵y;对坐标矩阵x0进行归一化处理,得到归一化后的坐标矩阵x。
S4:重复步骤S2~S3,得到不少于100组的坐标矩阵x和坐标矩阵y,作为训练数据集。
本具体实施例中,共获得130组坐标矩阵x和坐标矩阵y作为训练数据集,将训练数据集按比例为8:2设置为训练集和验证集。
S5:将坐标矩阵x作为输入,坐标矩阵y作为输出,共同输入至神经网络训练模块中得到预测网络模型。
S6:重复步骤S2,获取测试数据矩阵x’,将测试数据矩阵x’输入预测网络模型中得到预测坐标矩阵y’。
S7:通过去除函数重构模块对预测坐标矩阵y’进行三维重构,得到预测的去除函数三维特征。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (3)
1.一种基于神经网络的磁流变抛光去除函数预测装置,包括抛光轮、线激光测量仪和计算机,其特征在于,所述计算机的内部包括:
控制模块,用于控制所述抛光轮进行上液和转动,以及控制所述线激光测量仪采集上液前所述抛光轮上的平均轮廓,以及上液后所述抛光轮的磁流变缎带的平均轮廓;
数据预处理模块,用于对所述线激光测量仪采集到的数据进行二维矩阵化处理及归一化处理,得到训练数据集和测试数据矩阵;
神经网络训练模块,用于将所述训练数据集输入至构建好的神经网络结构中进行训练,得到预测网络模型;将所述测试数据输入所述预测网络模型中,得到预测坐标矩阵;
去除函数重构模块,用于将所述预测坐标矩阵进行三维重建,得到最终的预测去除函数。
2.根据权利要求1所述的基于神经网络的磁流变抛光去除函数预测装置,其特征在于,所述抛光轮和所述计算机构成控制线路,所述线激光测量仪和所述计算机构成数据采集线路;所述线激光测量仪与所述抛光轮的距离在10-15cm范围内。
3.一种基于神经网络的磁流变抛光去除函数预测方法,其特征在于,适用于如权利要求1或权利要求2所述的基于神经网络的磁流变抛光去除函数预测装置,所述方法具体包括以下步骤:
S1:所述控制模块控制抛光轮转动,并控制所述线激光测量仪对未上液时的抛光轮平均轮廓进行测量;
S2:所述控制模块控制所述抛光轮上液并对加工元件进行加工,控制所述线激光测量仪采集此时的抛光轮平均轮廓,两个抛光轮平均轮廓的未重叠区域即为磁流变缎带的有效区域,并获取所述有效区域下对应的去除函数;
S3:所述数据预处理模块将所述有效区域进行二维化处理,得到坐标矩阵x0,以及所述去除函数的坐标矩阵y;对所述坐标矩阵x0进行归一化处理,得到归一化后的坐标矩阵x;
S4:重复所述步骤S2~S3,得到不少于100组的坐标矩阵x和坐标矩阵y,作为所述训练数据集;
S5:将所述坐标矩阵x作为输入,所述坐标矩阵y作为输出,共同输入至所述神经网络训练模块中得到所述预测网络模型;
S6:重复所述步骤S2,获取测试数据矩阵x’,将所述测试数据矩阵x’输入所述预测网络模型中得到预测坐标矩阵y’;
S7:通过所述去除函数重构模块对所述预测坐标矩阵y’进行三维重构,得到预测的去除函数三维特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043191.3A CN117556345B (zh) | 2024-01-11 | 2024-01-11 | 基于神经网络的磁流变抛光去除函数预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043191.3A CN117556345B (zh) | 2024-01-11 | 2024-01-11 | 基于神经网络的磁流变抛光去除函数预测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117556345A CN117556345A (zh) | 2024-02-13 |
CN117556345B true CN117556345B (zh) | 2024-03-12 |
Family
ID=89820845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410043191.3A Active CN117556345B (zh) | 2024-01-11 | 2024-01-11 | 基于神经网络的磁流变抛光去除函数预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556345B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118081493A (zh) * | 2024-04-26 | 2024-05-28 | 中国科学院长春光学精密机械与物理研究所 | 磁流变抛光设备磁场分布检测装置及方法 |
CN118081494B (zh) * | 2024-04-28 | 2024-07-23 | 中国科学院长春光学精密机械与物理研究所 | 基于最优去除函数选择的磁流变抛光加工方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644915A (zh) * | 2009-08-26 | 2010-02-10 | 中国人民解放军国防科学技术大学 | 基于去除函数预测模型的计算机控制抛光方法 |
CN103447891A (zh) * | 2013-08-26 | 2013-12-18 | 中国科学院光电技术研究所 | 一种磁流变高精度定位装置及磁流变去除函数转换方法 |
CN110245317A (zh) * | 2019-05-16 | 2019-09-17 | 中国工程物理研究院激光聚变研究中心 | 一种磁流变抛光去除函数的提取方法及装置 |
CN116230127A (zh) * | 2022-12-26 | 2023-06-06 | 西南科技大学 | 抛光垫磨损导致材料去除率不稳定的快速补偿方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8828262B2 (en) * | 2010-05-06 | 2014-09-09 | Lawrence Livemore National Security, Llc | Method and system for polishing materials using a nonaqueous magnetorheological fluid |
US20230173639A1 (en) * | 2020-07-21 | 2023-06-08 | Changchun Institute Of Optics, Fine Mechanics And Physics, Chinese Academy Of Sciences | Precision calibrating device for magnetorheological polishing device and method thereof |
-
2024
- 2024-01-11 CN CN202410043191.3A patent/CN117556345B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644915A (zh) * | 2009-08-26 | 2010-02-10 | 中国人民解放军国防科学技术大学 | 基于去除函数预测模型的计算机控制抛光方法 |
CN103447891A (zh) * | 2013-08-26 | 2013-12-18 | 中国科学院光电技术研究所 | 一种磁流变高精度定位装置及磁流变去除函数转换方法 |
CN110245317A (zh) * | 2019-05-16 | 2019-09-17 | 中国工程物理研究院激光聚变研究中心 | 一种磁流变抛光去除函数的提取方法及装置 |
CN116230127A (zh) * | 2022-12-26 | 2023-06-06 | 西南科技大学 | 抛光垫磨损导致材料去除率不稳定的快速补偿方法 |
Non-Patent Citations (3)
Title |
---|
流体磨料光整加工理论与技术的发展;高航;吴鸣宇;付有志;郭东明;;机械工程学报;20150405(第07期);第174-187页 * |
磁流变抛光去除函数形状动态预测方法;杨航;何建国;黄文;张云飞;;强激光与粒子束;20150915(第09期);第1-6页 * |
虚拟加工的磁流变抛光面形预测;张云飞;王洋;王亚军;何建国;吉方;;现代制造工程;20100518(第05期);第67-71页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117556345A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117556345B (zh) | 基于神经网络的磁流变抛光去除函数预测装置及方法 | |
CN106182765B (zh) | 基于支持向量机的3d打印模型尺寸误差预测方法 | |
CN111274671B (zh) | 一种基于数字孪生的复杂产品装配过程精准修配方法及其运行*** | |
CN105574587B (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
CN110103071B (zh) | 一种变形复杂零件的数字化寻位加工方法 | |
CN114662410A (zh) | 打磨工艺参数组合的确定方法、装置、电子设备和介质 | |
CN111123833B (zh) | 一种机床的热误差补偿计算方法、装置、设备和存储介质 | |
CN108537791B (zh) | 一种基于机器视觉的冲压件冲孔在线检测方法 | |
CN112766687B (zh) | 一种基于深度cnn的飞机总装物料配送优先级分配方法 | |
CN112706406B (zh) | 快速成型制造模型的处理方法、装置和计算机设备 | |
CN111444619B (zh) | 一种注塑模具冷却***在线分析方法及设备 | |
CN111125879B (zh) | 一种数控蒙皮拉形机数字孪生方法及装置 | |
CN110175372B (zh) | 一种基于母面特征参数的包络面表征方法 | |
CN110532667B (zh) | 一种用于提高精密机床空间几何误差模型建模精度的方法 | |
Li et al. | A reconstructed variable regression method for thermal error modeling of machine tools | |
CN108731616B (zh) | 一种基于云模型的螺旋锥齿轮齿面测量点自适应分布方法 | |
CN116720442A (zh) | 一种基于改进傅里叶神经算子的磨损预测方法 | |
CN116476070A (zh) | 大型筒件局部特征机器人扫描测量路径调整方法 | |
CN113642129B (zh) | 一种工件校正载荷快速施加及变形有限元获取方法 | |
CN114417681B (zh) | 基于动态决策和神经网络的二维结构变形监测方法及装置 | |
CN111210877A (zh) | 一种推断物性参数的方法及装置 | |
CN111968183B (zh) | 一种用于单目线激光三维测量模块标定的量块标定法 | |
CN110489901B (zh) | 一种用于校验精密机床空间几何误差模型建模精度的方法 | |
CN112355713A (zh) | 基于图像预测切削力的方法、装置及设备 | |
CN111768347A (zh) | 一种判定零件工装是否适合从模拟量改为数字量的方法 |
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 |