【技术实现步骤摘要】
本专利技术属于智能制造，尤其是涉及一种基于kde特征表征的航发叶片铣削精度预测方法，该预测方法采用机器学习算法实现，基于核密度估计(kde)特征表征的航空发动机叶片五轴铣削加工精度预测。
技术介绍
1、航空发动机叶片作为关键的动力组件，其加工精度对发动机的性能和稳定性起着决定性作用。由于航空叶片通常具有复杂的弯扭几何形状以及薄壁特征，其五轴铣削加工过程面临着极高的精度控制要求。在实际加工中，叶片每一点的位置度准确性至关重要；而由于点位众多，全面的准确测量与评估变得非常困难和耗时。因此，如何有效评价和预测加工过程中叶片的位置度变化，是提高加工质量和效率的关键技术挑战。然而，传统的精度预测方法多依赖经验公式或简化的物理模型，难以适应复杂加工条件下的精度预测需求，也无法充分利用丰富的历史数据资源。
2、传统的质量控制方法往往依赖大量的点位测量，这不仅消耗大量时间而且昂贵，并且难以全面地评估叶片整体的加工质量。相较于传统方法，机器学习算法提供了新的解决途径。通过对历史加工数据的学习，可以构建预测模型来估计加工精度，实现智能预测。并且机器学习在对加工精度进行预测时，通常需要清晰定义的输出标签，但从众多测量数据中得到一个单一的加工精度指标是非常困难的。此外，叶片每一个点的位置度偏差是随机分布的，而不是一个简单的确定值，这给基于确定标签的机器学习应用带来了困难。
技术实现思路
1、针对现有技术中存在的不足，本专利技术的目的是，提供一种基于核密度估计(kde)特征表征的航发叶片铣削精度
2、为实现上述目的，本专利技术采用的技术方案是：
3、一种基于kde特征表征的航发叶片铣削精度预测方法，所述预测方法包括以下步骤：
4、s1:确定五个关键加工参数，分别为：主轴转速、进给速度、切削深度、路径间距和刀具侧倾角，每个关键加工参数在不同的水平上进行变化形成正交实验表，通过正交实验法评估各关键加工参数对航空发动机叶片的五轴铣削加工精度的影响；
5、s2:对每个叶片在叶盆(凹面)和叶背(凸面)上分别均匀地选取至少64个检测点，以叶片实际加工结果与其对应的三维cad模型比较获得这些检测点的位置度偏差数据；
6、s3:数据标注阶段，
7、采用核密度估计对单个叶片上检测点的位置度偏差进行概率密度分布拟合，产生连续概率分布曲线，将曲线离散均匀采样获得至少10个代表性数据点，以保留曲线形状的关键特征而不丢失细节信息，将获得的代表性数值点作为标签进行标注；
8、以代表性数值点及对应的关键加工参数构建数据集，用于训练多输入多输出神经网络；
9、s4:以五个关键加工参数为输入，以每个曲线选择的代表性数据点的个数为输出，建立多输入多输出神经网络，应用粒子群优化算法对多输入多输出神经网络的网络权重和偏置进行优化，并利用数据集训练多输入多输出神经网络，获得多目标粒子群优化的多输入多输出网络模型，用于预测在给定的关键加工参数下，铣削加工航空发动机叶片时可能达到的加工精度。
10、进一步地，所述步骤s1具体包括以下步骤：
11、s11:选取五个关键加工参数，即：主轴转速、进给速度、切削深度、路径间距和刀具侧倾角；并设定各个关键加工参数的工作范围，以航空发动机叶片加工精度为研究目标；
12、s12:为每个选定的关键加工参数设置不同的水平，全面覆盖可能的工作范围，根据正交实验设计原理，构建正交实验矩阵，并确保所有关键加工参数组合得到充分而合理的考察；
13、s13:根据正交实验矩阵执行铣削加工实验，获得不同的成品叶片。
14、进一步地，步骤s2具体包括以下步骤：
15、s21:根据不同的实际生产要求使用三维计算机辅助设计(cad)软件生成叶片的三维cad模型，准确反映其最终在数控机床加工后需要达到的几何形状；
16、s22:在三维cad模型中，沿曲率方向等间距选择8个叶型截面，这8个叶型截面应该平行于叶片轴向，覆盖从叶片毂端到叶尖的整个长度；
17、s23:在每个叶型截面上，分别在叶盆(凹面)和叶背(凸面)曲率方向等间距选择8个测量点，以确保这些测量点在每个截面曲线上均匀分布；
18、s24:将每个截面上的测量点位置输入到机床的测量系统中，定位每个点的理论位置数据；
19、s25:叶片加工完成后，确保叶片固定在机床上不动，以便在机测量时叶片的相对位置保持不变；
20、s26:检查机床的测量系统确保测头已校准，确定其测量精度能够满足要求；
21、s27:启动机床的在机测量程序，依次将测头定位到先前设置好的64个叶盆检测点和64个叶背检测点，共128个检测点，获取每个检测点的实际位置数据；
22、s28:将测头得到的测量数据与三维cad模型中的对应理论数据进行比较计算，得到位置度偏差；
23、s29:记录所有的位置偏差数据，用于下一步骤的分析。
24、进一步地，所述步骤s3具体包括以下步骤：
25、s31:数据收集：在机测量叶片之后，收集叶片的加工精度数据，即每个检测点的位置度偏差；
26、s32:将数据通过kde转化成概率密度曲线形成标签：
27、设{x1,x2,...,xn}是从具有未知密度f的某种分布中抽取的单变量独立且相同分布的样本，想要估计这个函数的形状f，它的核密度估计函数为：
28、
29、其中n表示检测点数目，x为各个检测点的偏差值，k为一个非负函数称为核函数，h>0为带宽，kh为缩放核函数，
30、所述缩放核函数kh为高斯核，即matlab程序里选用的'normal'核函数；
31、使用最小化平均积分平方误差法选择带宽h，优选带宽为0.009-0.01；
32、s35:执行核密度估计：利用选定的核函数和带宽，对叶片上每个的检测点位置度偏差进行核密度估计，生成整个叶片的位置误差的概率密度分布图；
33、s36:分析和可视化分布：对生成的概率密度分布进行分析，通过matlab中“plot”函数来进行可视化，以直观理解数据分布的特点；
34、s37:数据标注：将核密度估计生成的概率密度曲线离散并均匀采样获得至少10个代表性数据点，以保留曲线形状的关键特征而不丢失细节信息，将获得的代表性数据点作为标签进行标注，这些标签代表了观测数据的真实分本文档来自技高网...
【技术保护点】
1.一种基于KDE特征表征的航发叶片铣削精度预测方法，其特征在于，所述预测方法包括以下步骤：
2.根据权利要求1所述的预测方法，其特征在于，所述步骤S1具体包括以下步骤：
3.根据权利要求1所述的预测方法，其特征在于，步骤S2具体包括以下步骤：
4.根据权利要求1所述的预测方法，其特征在于，所述步骤S3具体包括以下步骤：
5.根据权利要求1所述的预测方法，其特征在于，所述神经网络为BP神经网络、人工神经网络ANN或递归神经网络RNN。
6.根据权利要求1所述的预测方法，其特征在于，根据生产标准提前设定一条理想的概率密度曲线并定义一个可接受的预测误差界限，用来判别叶片加工精度是否符合要求；
【技术特征摘要】
1.一种基于kde特征表征的航发叶片铣削精度预测方法，其特征在于，所述预测方法包括以下步骤：
2.根据权利要求1所述的预测方法，其特征在于，所述步骤s1具体包括以下步骤：
3.根据权利要求1所述的预测方法，其特征在于，步骤s2具体包括以下步骤：
4.根据权利要求1所述的预测方法，其特征在于，...
【专利技术属性】
技术研发人员：杨骅，王浩宁，李子瑞，申自砺，季文斌，黄强飞，张仕进，
申请(专利权)人：河北工业大学，
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。