【技术实现步骤摘要】
本专利技术属于光学元件铣磨领域，具体是一种深矢高非球面光学元件铣磨方法。
技术介绍
1、近些年来，非球面光学元件凭借其优越的光学特性和无与伦比的成像效果，在光学系统中得到广泛应用，成为不可或缺的光学元件。在光学系统设计中，多个球面镜片堆叠组合的成像效果用一个非球面镜片就可以达到，这样就大大简化了光学仪器的结构组成。非球面光学元件应用在光学仪器中具有轻量化、成像效果佳、低成本、使得光学系统设计更为灵活等特点，因此非球面光学元件在军事、航空航天以及高新技术民用工业等领域应用频繁。
2、现有技术中利用基于神经网络的插补方法进行轨迹控制，以优化加工工艺流程，但铣磨过程中，磨轮会逐渐磨损，直至寿命耗尽后更换，在此过程中，会导致磨轮与原有尺寸不符，使实际加工轨迹出现偏离。
技术实现思路
1、为了解决上述问题，本专利技术的目的是提供一种深矢高非球面光学元件铣磨方法，对磨轮磨损量产生的精度偏差进行补偿。
2、为了实现上述目的，本专利技术的技术方案如下：一种深矢高非球面光学元件铣磨方法，包括以下步骤：
3、步骤一，准备加工磨轮，磨轮分别设有移动平台和旋转平台，移动平台用于驱动磨轮在x轴和y轴上移动，旋转平台用于驱动磨轮改变铣磨角度；
4、步骤二，构建bp神经网络，在光学元件非球面子午截面曲线上进行样本采集，以切线法轨迹成形方法进行分割曲线采集，获取基础加工轨迹，将待插补曲线的切点选取作为采集样本，对bp神经网络进行大量训练优化基础加工轨迹，每次训练均对
5、步骤三，收集训练中磨轮实际尺寸变化函数，以单个磨轮为单位，得到若干以加工次数为x轴，磨损量为y轴的变化函数库；
6、步骤四，利用基础加工轨迹进行数控加工，选择若干个加工次数节点，采集磨轮实际尺寸数据，带入变化函数库中得到与加工次数节点数据拟合的变化函数，对基础加工轨迹进行修正，具体为公式：
7、；
8、；
9、其中vx为x轴方向移动速度，vy为y轴方向移动速度，（xi，yi）为第i个加工轨迹切点坐标，θ为切点法线与 x 轴形成的夹角，ω为旋转平台转动角速度，f（n）为变化函数，n为加工次数。
10、采用上述方案后实现了以下有益效果：非球面加工方法均是采用轨迹成形法，理论上加工工具始终沿着设计工件子午截面曲线切线方向移动，能有效消除表面波纹误差，得到连续光滑的光学表面。移动平台和旋转平台用于驱动磨轮，通过三轴联动使磨轮沿光学元件非球面移动，以完成对非球面表面的铣磨。
11、现有技术中采用直线段或圆弧线段等去逼近零件轨迹曲线，由于非球面不规则，依赖直线段或圆弧线段均难以完美的贴合光学元件表面切线，因此难以得到光滑连续的切割线。bp神经网络的引入，通过bp神经学习，自学习能力逼近拟合加工轨迹，优化切割曲线，得到相比依赖直线段或圆弧线段更光滑连续的切割线。但受到磨轮磨损量的影响，随着加工次数的增多或磨轮更替，导致拟合的加工轨迹会发生不同程度的偏移，因此引入磨轮实际尺寸变化函数。
12、磨轮实际尺寸变化函数在训练bp神经网络的过程中引入，bp神经网络训练时为减少磨轮磨损量带来的影响，每次训练时均采用人工对磨轮表面进行修整对正，以获得理论拟合轨迹，在修整对正过程中，记录的磨轮实际尺寸则用于构造变化函数。由于磨轮会更换，其磨损系数也会发生细微变化，因此通过数据积累以构建变化函数库，针对实际加工中磨轮前期磨损变化趋势，采集并套用对应的变化函数，对轨迹进行修正，以使理论拟合轨迹的得到磨损修正。因此在控制磨轮的三轴联动时，采用公式对移动量进行修正，以提高加工精度。
13、进一步，bp神经网络的学习率在0.4至0.6之间。
14、有益效果：学习率过大会致使整个训练系统不稳定，在误差极小值附近容易产生振荡而不易收敛，学习率过小则导致收敛过慢，训练时间过长，因此将学习率设置在0.4至0.6之间，以达到适宜的学习效果。
15、进一步，bp神经网络的迭代次数至少为3000次。
16、有益效果：迭代次数至少为3000次，以确保收集到足够的数据，达到适宜的拟合效果。
17、进一步，步骤四中ω的值为0.05rad/s。
18、有益效果：ω的值影响对单个切点的切割时间，影响铣磨加工周期，ω过大会使切割时间过短，粗糙度较高，而过小的角速度将会增加切割时长，降低加工效率，ω的值为0.05rad/s能够平衡切割时长和加工效率。
19、进一步，磨轮选择金刚石砂轮。
20、有益效果：金刚石砂轮硬度高、抗压强度高、耐磨性好、寿命长，能够减少磨轮更换次数。
21、进一步，更换磨轮后对磨轮位置进行校准，确保磨轮中心与工件轴心线重合。
22、有益效果：工件在加工过程中会发生自转，如果轴心线偏离，将不可避免出现工件偏心的情况。
23、进一步，对工件轴进行实时铣磨力矩检测，当力矩异常时，复查磨轮尺寸和轴心性重合情况。
24、有益效果：铣磨力矩检测能够有效的检测加工轨迹是否拟合工件实际情况，有助于使用者排查加工异常。
本文档来自技高网...【技术保护点】
1.一种深矢高非球面光学元件铣磨方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的深矢高非球面光学元件铣磨方法，其特征在于：BP神经网络的学习率在0.4至0.6之间。
3.根据权利要求2所述的深矢高非球面光学元件铣磨方法，其特征在于：BP神经网络的迭代次数至少为3000次。
4.根据权利要求3所述的深矢高非球面光学元件铣磨方法，其特征在于：步骤四中ω的值为0.05rad/s。
5.根据权利要求4所述的深矢高非球面光学元件铣磨方法，其特征在于：磨轮选择金刚石砂轮。
6.根据权利要求5所述的深矢高非球面光学元件铣磨方法，其特征在于：更换磨轮后对磨轮位置进行校准，确保磨轮中心与工件轴心线重合。
7.根据权利要求6所述的深矢高非球面光学元件铣磨方法，其特征在于：对工件轴进行实时铣磨力矩检测，当力矩异常时，复查磨轮尺寸和轴心性重合情况。
【技术特征摘要】
1.一种深矢高非球面光学元件铣磨方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的深矢高非球面光学元件铣磨方法，其特征在于：bp神经网络的学习率在0.4至0.6之间。
3.根据权利要求2所述的深矢高非球面光学元件铣磨方法，其特征在于：bp神经网络的迭代次数至少为3000次。
4.根据权利要求3所述的深矢高非球面光学元件铣磨方法，其特征在于：步骤四中ω的值为0.0...
【专利技术属性】
技术研发人员：吴庆玲，韩天格，曹玥，
申请(专利权)人：吉林交通职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。