一种薄壁件让刀变形误差预测模型建立方法及其应用技术

本发明专利技术公开了一种薄壁件让刀变形误差预测模型建立方法及其应用，属于加工误差预测领域，包括：通过有限元分析方法建立切削力模型，以实际产线不同加工条件下的刀具参数、加工过程参数和材料切削力参数作为切削力模型输入，输出与各组参数对应的切削力和让刀变形误差，得到训练数据集；获得多组加工现场的切削力及对应的让刀变形误差，得到测试数据集；在神经网络的输入层和第一个隐藏层之间增加一个数据增强模块，建立小样本学习模型，用于根据切削力预测让刀变形误差；分别利用训练数据集和测试数据集对小样本学习模型进行训练和测试，得到薄壁件让刀变形误差预测模型。本发明专利技术能够提高对薄壁件加工过程中让刀变形误差的预测精度。精度。精度。

【技术实现步骤摘要】
一种薄壁件让刀变形误差预测模型建立方法及其应用


[0001]本专利技术属于加工误差预测领域，更具体地，涉及一种薄壁件让刀变形误差预测模型建立方法及其应用。

技术介绍

[0002]在薄壁件加工过程中，让刀变形误差与切削力信号、振动信号等各种可测量信号之间呈现显著的非线性关系。薄壁件零部件广泛应用于航空航天领域中，其产品种类多，更新换代快，对加工过程中的快速响应提出了较高的需求。薄壁零部件的服役性能的好坏很大程度上取决于加工精度的高低。航空航天类零部件大多属于空间自由曲面，由难加工材料制成，加工依赖多轴联动数控机床，切削过程中载荷较大，制造工艺稳定性差，工件以及刀具都会不可避免的产生加工变形，从而导致加工误差，影响最终的加工精度与加工质量。薄壁件最终的误差值来源于工件端和刀具端。在薄壁零件加工过程中，常会使用直径较小的刀具进行微细加工，因此在薄壁件微细加工中，让刀变形误差值是引起整体加工误差值的重要原因之一。通过对让刀变形误差等加工误差进行预测，使得在加工过程中可以进行误差控制，从而有效减小加工误差，提高加工精度。因此，加工误差的预测尤为重要。
[0003]随着深度学习的快速发展，已有研究将深度学习应用到了机械领域中，但是，当前深度学习的研究大多是基于充足的数据样本，而在机械领域中，尤其是在面向航空航天复杂薄壁件加工的工业场景中，薄壁件属于小批量加工，但是加工精度要求很高。因此，在航空航天领域中所能获取到的实际真实加工样本数据一般较少。同时，航空航天领域中薄壁加工件受限于实验成本，使得研究中的样本稀疏问题变得更加突出。数据样本量少，会使得模型训练次数下降，会使得加工预测拟合结果的可信度下降。因此数据驱动模型所存在的较小输入样本量问题成为当前薄壁件加工误差预测中的难点之一。
[0004]在传统的实验方法中，主要是对加工工件进行有限元建模，对建模后的有限元模型进行仿真，得到大量的仿真数据，并利用所得到的大量仿真数据来替代真实加工样本数据，由此解决真实加工样本数据少的问题。有限元仿真方法能够有效解决实际加工中数据测量与获取困难问题，但是有限元仿真方法在边界条件设定等方面存在着一定的局限性。最终的加工误差预测结果精度不高。

技术实现思路

[0005]针对现有技术的缺陷和改进需求，本专利技术提供了一种薄壁件让刀变形误差预测模型建立方法及其应用，其目的在于，提高对薄壁件加工过程中让刀变形误差的预测精度。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种薄壁件让刀变形误差预测模型建立方法，包括：
[0007]通过有限元分析方法建立切削力模型，以薄壁件实际产线在不同加工条件下的刀具参数、加工过程参数和材料切削力参数作为切削力模型的输入，以由切削力模型输出与各组参数对应的切削力和让刀变形误差，得到训练数据集；
[0008]获得多组采集自薄壁件加工现场的切削力及对应的让刀变形误差，得到测试数据集；
[0009]基于神经网络建立小样本学习模型，用于根据薄壁件加工过程中的切削力预测对应的让刀变形误差；分别利用训练数据集和测试数据集对小样本学习模型进行训练和测试，在训练和测试结束后，将小样本学习模型作为薄壁件让刀变形误差预测模型；
[0010]其中，小样本学习模型中，在输入层和第一个隐藏层之间包含一个数据增强模块，用于对输入的数据进行扩充与增强。
[0011]本专利技术按照薄壁件实际加工中给定的加工刀具参数、加工过程参数和材料切削力系数设置有限元仿真的初始条件，仿真得到的切削力和对应的让刀变形误差能够很好地贴合航空航天现场产线的实际生产情况，从而保证模型的训练效果；由于仿真得到的训练数据集与实际加工现场中的数据集规模相同，同样存在着数据样本数较少的问题，本专利技术在神经网络的基础上，在输入层和第一个隐藏层之间加入用于对输入数据进行扩充与增强的数据增强模块，能够更高效地使用所获得的小样本数据产生大量的训练数据，从而缓解小样本数据下的数据欠定情况，保证训练得到的模型预测结果的可信度；本专利技术利用来自实际加工现场的真实切削力及对应的让刀变形误差构架测试数据集，对训练后的模型进行测试，能够进一步提高模型的预测精度。
[0012]进一步地，数据增强模块通过对抗生成式网络对输入的数据进行扩充与增强。
[0013]标准的数据增强只产生有限的貌似真实的可替代数据，本专利技术通过生成对抗式网络对输入的数据进行扩充与增强，能够产生更多有效的训练样本，保证模型的训练效果。
[0014]进一步地，对抗生成式网络中的生成器对输入的数据进行扩充与增强，包括：
[0015](S1)对于原始输入的数据点，将其作为原数据点Q，并转入步骤(S2)；
[0016](S2)根据生成一个新的数据点ω，并按照Q＝g(p,ω)对原数据点Q进行更新；
[0017](S3)重复执行步骤(S2)，直至达到预设的迭代次数，将原始输入的数据点和所有生成的新的数据点组成增强后的数据集，由此实现对输入数据的扩充与增强；
[0018]其中，为生成器的生成函数，p是隐含的使数据生成变化的高斯变量，g为用于对原数据点Q进行更新的函数。
[0019]本专利技术通过上述迭代方式，对输入的数据进行扩充和增强，在每次迭代开始前，都借助于一个高斯变量对生成器的生成函数的输入进行更新，能够降低对生成函数的要求，保证能够产生更多有效的训练样本。
[0020]进一步地，小样本学习模型中，每两个相邻的隐藏层之间包含一个泛化模块；
[0021]泛化模块，用于通过快慢权重算法对其所连接的隐藏层参数进行调整。
[0022]本专利技术通过在小样本学习模型中，每两个相邻的隐藏层之间加入一个泛化模块，以通过快慢权重算法对泛化模块所连接的隐藏层参数进行调整，能够增加模型的泛化能力，进一步保证模型的预测精度。
[0023]进一步地，小样本学习模型中，最后一个隐层与输出层之间包含一个注意力模块；
[0024]注意力模块，用于通过注意力机制对最后一个隐藏层输出的数据中每一维元素被选择的概率进行调整，以筛选出感兴趣的元素。
[0025]本专利技术在小样本学习模型中的最后一个隐层与输出层之间增加一个注意力模块，
以通过注意力机制对最后一个隐藏层输出的数据中每一维元素被选择的概率进行调整，调整结果为使得薄壁件加工误差最小的局部最优解，由此能够准确筛选出感兴趣的元素，进一步保证模型的预测精度。
[0026]进一步地，刀具参数包括：刀具直径、切削刃螺旋角和刀具径向柔度；
[0027]加工过程参数包括：主轴转速、每齿进给量、法向切深和行距；
[0028]材料切削力参数系数包括：切向剪切力系数、径向剪切力系数和轴向剪切力系数。
[0029]本专利技术以上述薄壁件实际加工中给定的加工刀具参数、加工过程参数和材料切削力系数设置有限元仿真的初始条件，能够准确通过有限元仿真的方法获得各组参数对应的切削力和让刀变形误差。
[0030]进一步地，本专利技术提供的薄壁件让刀变形误差预测模型建立方法，还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种薄壁件让刀变形误差预测模型建立方法，其特征在于，包括：通过有限元分析方法建立切削力模型，以薄壁件实际产线在不同加工条件下的刀具参数、加工过程参数和材料切削力参数作为所述切削力模型的输入，以由所述切削力模型输出与各组参数对应的切削力和让刀变形误差，得到训练数据集；获得多组采集自薄壁件加工现场的切削力及对应的让刀变形误差，得到测试数据集；基于神经网络建立小样本学习模型，用于根据薄壁件加工过程中的切削力预测对应的让刀变形误差；分别利用所述训练数据集和所述测试数据集对所述小样本学习模型进行训练和测试，在训练和测试结束后，将所述小样本学习模型作为薄壁件让刀变形误差预测模型；其中，所述小样本学习模型中，在输入层和第一个隐藏层之间包含一个数据增强模块，用于对输入的数据进行扩充与增强。2.如权利要求1所述的薄壁件让刀变形误差预测模型建立方法，其特征在于，所述数据增强模块通过对抗生成式网络对输入的数据进行扩充与增强。3.如权利要求2所述的薄壁件让刀变形误差预测模型建立方法，其特征在于，所述对抗生成式网络中的生成器对输入的数据进行扩充与增强，包括：(S1)对于原始输入的数据点，将其作为原数据点Q，并转入步骤(S2)；(S2)根据生成一个新的数据点ω，并按照Q＝g(p,ω)对原数据点Q进行更新；(S3)重复执行步骤(S2)，直至达到预设的迭代次数，将原始输入的数据点和所有生成的新的数据点组成增强后的数据集，由此实现对输入数据的扩充与增强；其中，为所述生成器的生成函数，p是隐含的使数据生成变化的高斯变量，g为用于对原数据点Q进行更新的函数。4.如权利要求1
‑
3任一项所述的薄壁件让刀变形误差预测模型建立方法，其特征在于，所述小样本学习模型中，每两个相邻的隐藏层之间包含一个泛化模块；所述泛化模块，用于通过快慢权重算法对其所连...

【专利技术属性】
技术研发人员：彭芳瑜，赵晟强，周林，孙豪，张腾，张驰，闫蓉，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：