CN102521442A - 基于特征样本的飞机结构件神经网络加工时间预测方法 - Google Patents

Abstract

本发明公开了一种基于特征样本的飞机结构件神经网络加工时间预测方法，属于CAD/CAPP/CAM技术领域。该方法首先归纳飞机结构件的典型加工特征，创建典型特征库，提炼影响加工时间的典型加工特征几何参数和切削参数，通过仿真实验建立典型特征样本库，基于此样本库构建并训练BP神经网络，建立零件的数控加工时间与特征之间的映射关系。基于已经训练完成的BP神经网络，提取待预测零件的加工特征，并以加工特征和切削参数作为神经网络的输入，预测零件的加工时间。本方法基于特征样本库预测加工时间，进一步优化了神经网络，解决了企业因设备、加工工艺、制造水平等变化而带来的样本老化、适应性差的问题，预测准确度和效率高。

Description

基于特征样本的飞机结构件神经网络加工时间预测方法

技术领域

本发明涉及一种工时预测方法，尤其涉及一种飞机结构件加工工时预测方法，属于CAD(计算机辅助设计)/CAPP(计算机辅助工艺过程设计)/CAM(计算机辅助制造)技术领域。

背景技术

在企业发展战略中，成本控制是成本管理的重要手段，是推动改善企业经营管理的动力。航空产品工时是产品成本控制的关键因素之一。航空产品生产制造工时是产品生产制造过程中企业人力资源和物质资源投入多少的具体体现，是企业生产产品、生产规模、生产水平的一种反映，也是企业进行生产条件建设、生产管理、成本核算、计划控制等的重要依据，更是企业进行科学管理、优化加工结构、提高劳动生产效率的基础和重要前提。此外产品加工成本为企业在转包生产中与外方技术谈判时提供重要依据，而产品工时是产品报价的重要基础数据，航空制造企业只有准确地把握产品工时信息，合理地制定产品工时，才能合理地组织生产、适时地挖掘企业潜力、提高企业生产效率、降低企业成本、最终加强企业市场竞争力。

传统的工时预测手段主要是以经验值进行衡量，处在一个初级阶段，水平较低，预测结果具有较强的随意性，精度难以保证。而随着计算机技术的发展，计算机辅助预测工时成为重要研究方向。目前已知的工时预测方法主要有：查表法、数学模型法、成组技术法、人工智能法、数控加工程序仿真法。这些方法在精度或效率其中的一方面具有优势，但都难以兼顾精度和效率。

对现有技术文献检索发现，朱历新等在学术期刊《机械科学与技术》2004，6(23)，P702-704上发表的论文“基于神经网络的工时定额技术研究”，通过构建BP神经网络结构，收集训练样本，并对样本进行训练得到网络的各个单元的链接权值，采用神经网络算法确定工时定额。该方法的不足之处在于：(1)只考虑了较为简单规则的平面加工面，因而只能用于结构较为简单规则的零件，对于飞机复杂结构件等含有大量的自由曲面的零件不能适用；(2)输入因素的选择上没有考虑切削参数和相关的加工资源，而切削参数和加工资源如机床等对零件加工工时有很大的影响；(3)收集的样本不具有可持续性，依赖企业的生产工艺、制造装备、生产管理水平，因而不能与企业平行发展，样本的收集滞后于企业的发展水平，不能适用企业的实时生产状况，使其实用性不强。

本发明创造的发明人刘长青等在学术期刊《计算机集成制造系统》2011，17(10)，P2156-2162上发表的论文“基于特征的飞机结构件数控加工工时预测模型”，以零件作为神经网络训练样本，通过提取零件的特征，以总体特征和各类型特征的数量作为神经网络输入预测工时，效率高且误差在10％以内，但是该方法以零件作为样本，在解决由于工艺变化而带来样本老化的问题方面还有一定的不足。

发明内容

本发明所要解决的技术问题在于克服现有零件加工时间预测方法的不足，提供一种基于特征样本零件加工时间预测方法。

本发明的基于特征样本的飞机结构件神经网络加工时间预测方法包括如下步骤：

步骤1、建立典型加工特征库；

步骤2、提炼典型加工特征参数；

步骤3、提炼影响加工时间的切削参数；

步骤4、基于典型工艺方案、提炼的典型加工特征参数和切削参数，在数控系统仿真平台上进行加工时间仿真；

步骤5、基于加工时间仿真数据建立典型特征样本库；

步骤6、基于典型特征样本库中的样本构建BP神经网络；

步骤7、提取待预测加工时间零件实例的加工特征；

步骤8、基于BP网络预测零件加工时间。

本发明方法的预测准确率高，预测速度快，相对目前已有的工时预测方法同时兼顾了精度和效率，具有较高的实际应用价值。

附图说明

图1基于特征样本的飞机结构件神经网络加工时间预测方法流程图；

图2为本发明的筋顶特征示意图，其中图2a中的f_r1、f_r3为弧筋顶，弧筋顶f_r1的加工驱动线为e_r1、e_r2、e_r3，图2a中的f_r2为水平筋顶，水平筋顶f_r2的加工驱动线为e_r4，图2b中的f_r’2为斜筋顶，其加工驱动线为e_r’1，图中α_R为斜筋顶的倾角；

图3为槽特征示意图，其中a图所示为一个简单槽，包括槽腹板f_p1，槽转角f_p10、f_p4、f_p6、f_p8，槽内型是由槽侧壁f_p2、f_p5、f_p7、f_p9和槽转角f_p10、f_p4、f_p6、f_p8所围成的槽腔内轮廓，f_p3图为槽内型的驱动线，由图中的e_p1、e_p2、e_p3、e_p4、e_p5、e_p6、e_p7、e_p8构成，h_p为槽的深度；

图4为轮廓特征示意图，轮廓为零件的外围形状，基本轮廓如图所示，由f_c1、f_c2、f_c3、f_c4、f_c5面所构成，轮廓的周长为如图中虚线的长度所示，h_c为轮廓高度；

图5为圆孔特征示意图，D_h为圆孔的直径，H_h为圆孔深；

图6为非圆孔特征示意图，非圆孔特征的周长为如图所示的e_n1、e_n2、e_n3、e_n4、e_n5、e_n6、e_n7、e_n8的长度之和，H_n为非圆孔深度；

图7为采用的BP网络三层结构图示意图，图中X₁，X2，X₃为输入项，T为输出的加工时间。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

图1是基于特征样本的飞机结构件神经网络加工时间预测方法流程图，如图所示，包括以下各步骤：

1、建立典型加工特征库，定义影响工时的基本特征，典型加工特征库包含特征如下：零件包含四大类典型特征包括：筋顶、槽、轮廓、孔。

筋顶特征分为三类：水平筋顶、斜筋顶、弧筋顶；槽包含三类子特征：槽腹板、槽内型、槽转角。轮廓特征、孔特征和非孔特征作为单独的特征。

2、提炼典型加工特征参数，典型加工特征参数包括：

a.关于筋顶特征：对于水平筋顶，影响其加工时间的特征参数为水平筋顶的加工驱动线长度；对于斜筋顶影响，其加工时间的特征参数为斜筋顶的加工驱动线长度和斜顶筋的倾斜角度；对于弧筋顶影响，其加工时间的主要因素为弧筋顶的加工驱动线长度；图2为本发明的筋顶特征示意图，其中图2a中的f_r1、f_r3为弧筋顶，弧筋顶f_r1的加工驱动线为e_r1、e_r2、e_r3，图2a中的f_r2为水平筋顶，水平筋顶f_r2的加工驱动线为e_r4，图2b中的f_r’2为斜筋顶，其加工驱动线为e_r’1，图中α_R为斜筋顶的倾角；

b.关于槽特征：对于槽腹板特征，影响其加工时间的主要因素为腹板的面积，其中若槽中含有的凸台也当作腹板面处理；对于槽内型，影响其加工时间的特征参数为内型驱动线长度；对于槽转角，影响其加工时间的特征参数为转角半径、转角角度、转角深度；图3为槽特征示意图，其中a图所示为一个简单槽，包括槽腹板f_p1，槽转角fp₁₀、f_p4、f_p6、f_p8，槽内型是由槽侧壁f_p、f_p5、f_p7、f_p9和槽转角f_p10、f_p4、f_p6、f_p8所围成的槽腔内轮廓，f_p3图为槽内型的驱动线，由b图中的e_p1、e_p2、e_p3、e_p4、e_p5、e_p6、e_p7、e_p8构成，h_p为槽的深度；

c.关于轮廓：影响其加工时间的特征参数为零件轮廓的周长，轮廓的高度；图4为轮廓特征示意图，轮廓为零件的外围形状，基本轮廓如图所示，由f_c1、f_c2、f_c3、f_c4、f_c5面所构成，轮廓的周长为如图中虚线的长度所示，h_c为轮廓高度；

d.关于圆孔：影响其加工时间的特征参数为圆孔的半径、圆孔的深度；图5为圆孔特征示意图，D_h为圆孔的直径，H_h为圆孔深；

e.关于非圆孔：影响其加工时间特征参数为非圆孔的周长、非圆孔的深度；图6为非圆孔特征示意图，非圆孔特征的周长为如图所示的e_n1、e_n2、e_n3、e_n4、e_n5、e_n6、e_n7、e_n8的长度之和，H_n为非圆孔深度；

以上特征及其参数均采用自动特征识别实现，自动特征识别算法参考本专利发明人李迎光等在国际学术期刊《Journal of Engineering Manufacture》2010，P224：271-278上发表的论文“Feature recognition technology for aircraft structural parts basedon a holistic attribute adjacency graph”。

3、提炼影响工时的切削参数，当工件、刀具、机床等加工资源都确定后，影响生产效率的主要因素为：切削速度、进给量、切削深度和切削宽度，对于不同的特征影响的切削参数如下：

对于筋顶特征、槽内型特征、对于孔特征，影响其加工时间的切削参数为：转速、进给速度、切深；

对于槽腹板特征、槽转角特征、轮廓特征、非圆孔特征，影响其加工时间的切削参数为：转速、进给速度、切宽、切深；

4、进行切削仿真实验，以特征为研究对象，基于典型的零件加工工艺和提炼的切削参数，通过不断变换特征的尺寸特征，试验过程中记录不同尺寸的特征的加工时间，形成基于特征的加工时间库。特征参数的选取原则如下：

a.筋顶：1)对于水平筋顶，它的加工驱动线长度范围定为10～1500mm，从实验结果中选取的水平筋顶样本的加工驱动线长度处在上述范围，且选取的数据满足正态分布的要求；2)对于斜筋顶，它的加工驱动线长度范围定为10～200mm，倾角范围定为10～80°，从实验结果中选取的斜筋顶样本的加工驱动线长度和倾角范围处在上述范围，且选取的数据满足正态分布的要求；3)对于弧筋顶，它的加工驱动线长度范围定为10～100mm；从实验结果中选取的弧筋顶样本的加工驱动线长度处在上述范围，且选取的数据满足正态分布的要求；每一类筋顶特征取50组样本数据；

b.槽：1)对于槽腹板，它的面积范围定位为0.001～0.1m²，选取的槽腹板样本面积参数按照正态分布分布在该范围；2)对于槽内型，槽内型驱动线长度范围定为100～1200mm，槽内型深度定为3～100mm，选取的槽内型特征的驱动线长度和深度按照正态分布分布在所述范围，共取60组数据；3)对于槽转角，转角半径数据定为6mm、10mm、12mm、16mm、20mm，夹角数据定为30°、45°、60°、75°、90°、120°，转角深度范围定为3～100mm，深度数据满足正态分布要求，共取160组槽转角样本数据；

c.轮廓：周长范围为1000～6000mm，轮廓高度范围为20～180mm，选取的轮廓的周长和轮廓高度数据按照正态分布分布在上述范围，选取40组样本数据；

d.圆孔：孔径范围定为8～80mm，孔深范围定为3～50mm，选取的孔的直径数据定为：8mm、10mm、20mm、30mm、60mm、80mm，深度数据按正态分布分布在上述范围，在不同的加工精度的情况下各取50组数据；

e.非圆孔：非圆孔的周长范围定为10～1000mm，非圆孔深度定为3～50mm，选取的非圆孔的周长和深度数据按照正态分布分布在该范围，选取50组样本数据；

5、建立特征与特征加工时间对应关系，每一类特征均建立一定数量的特征实例，形成典型特征样本库。

6、基于建立的典型特征样本库，以特征为对象建立与之对应的BP网络。BP网络的输入节点是每一类特征的几何特征参数、相关切削参数以及其他可能的影响因素，BP网络的输出即是每一类特征的加工工时。通过特征样本库的样本训练出每一类特征的BP网络并进行标记保存。

BP网络均采用如图7中所示的三层网络结构，激活函数为sigmoid函数：

$f\left(\mathrm{\η}\right)=\frac{1}{1+e^{-\mathrm{\η}}}---\left(1\right)$

式(1)中η是幂数。

误差函数为：

$\mathrm{Error}=\frac{1}{2}{\mathrm{\Σ}}_{i=1}^m{({\mathrm{Expectoutput}}_i-{\mathrm{output}}_i)}^2---\left(2\right)$

式(2)中Error为训练误差，m为样本数量，Expectoutput_i为第i个样本训练期望输出值，output_i为第i个样本实际输出值。设置训练误差Error为0.001，最大训练次数设为10000次。网络的初始权值为用随机函数生成的(-1，1)之间的随机数。学习速率定为0.6。为提高BP网络的收敛速度在输出层的转换函数导数项中引入一个惩罚项和自适应学习速率。

加入惩罚项方法见下式：

δ_i＝(f′(η)+α)(Expectoutput_i-output_i)                              (3)

式(3)中δ_i为第i个样本训练输出项误差校正项，f′(η)为激活函数导数项，α为惩罚项，一般取为0.1。

本方法采用下式来调整学习速率：

$\mathrm{\&beta;}(k+1)=\left\{\begin{array}{cc}1.05\mathrm{\&beta;}\left(k\right),& \mathrm{erro}(k+1)<\mathrm{erro}\left(k\right)\\ 0.95\mathrm{\&beta;}\left(k\right),& \mathrm{erro}(k+1)>\mathrm{erro}\left(k\right)\\ \mathrm{\&beta;}\left(k\right),& \mathrm{other}\end{array}\right.---\left(4\right)$

式(4)中β(k+1)为第k+1次学习速率，β(k)第k次学习速率，erro(k+1)为第k+1次的误差，erro(k)为第k次的误差。

权值的调整量如下式所示：

Δw_ij(k+1)＝(1-mc)βδ_ip_j+mcΔw_ij(k)          (5)

Δb_i(k+1)＝(1-mc)βδ_i+mcΔb_i(k)              (6)

式(5)、(6)中Δw_ij(k+1)为训练k+1次权值的调整量，mc为附加的动量项，在此取为0.95，β为学习速率，由式(4)得到，p_j为输入量，Δw_ij(k)为训练k次权值的调整量。Δb_i(k+1)为训练k+1次的阀值调整量，Δb_i(k)为训练k次的阀值调整量。

每种特征对应的BP网络的节点设置如下：

水平筋顶：采用三层网络结构，输入层包含4个节点分别代表转速、进给速度、切深、水平筋顶的加工驱动线的长度。中间层采用7个节点，输出层则包含1个节点，代表加工水平筋顶所用的加工时间。

斜筋顶：输入层包含5个节点分别代表转速、进给速度、切深、斜筋顶的加工驱动线长度、斜筋顶的倾角。中间层采用8个节点，输出层则包含1个节点，代表加工斜筋顶所用的加工时间。

弧筋顶：输入层包含4个节点分别代表转速、进给速度、切深、弧筋顶的加工驱动线长度。中间层采用7个节点，输出层则包含1个节点，代表加工弧筋顶所用的加工时间。

槽腹板：输入层包含5个节点分别代表转速、进给速度、切深、切宽、腹板的面积。中间层采用8个节点，输出层则包含1个节点，代表加工槽腹板所用的加工时间。

槽内型：输入层包含4个节点分别代表转速、进给速度、切深、槽内型最低环线长度，中间层采用7个节点，输出层则包含1个节点，代表加工槽腹板所用的加工时间。

槽转角：输入层包含7个节点分别代表转速、进给速度、切深、切宽、转角半径、转角夹角、转角深度。中间层采用10个节点，输出层则包含1个节点，代表加工槽转角所用的加工时间。

轮廓：输入层包含6个节点分别代表转速、进给速度、切深、切宽、轮廓的高度中心位置的周长，轮廓的高度。中间层采用9个节点，输出层则包含1个节点，代表加工零件外轮廓所用的加工时间。

孔：输入层包含5个节点分别代表转速、进给速度、切深、孔径、孔深。中间层采用8个节点，输出层则包含1个节点，代表加工零件的孔所用的加工时间。

7、为预测新的零件实例的加工时间，首先获取该零件的特征，以上述特征几何参数和切削参数作为相应已训练好的BP神经网络的输入，进行预测，BP网络的输出即是特征的加工时间，最后通过累加零件所有特征的加工时间得到零件总的加工时间。

Claims (9)

1.一种基于特征样本的飞机结构件神经网络加工时间预测方法，其特征在于，包括以下步骤：

步骤1、建立典型加工特征库；

步骤2、提炼典型加工特征参数；

步骤3、提炼影响加工时间的切削参数；

步骤4、基于典型工艺方案、提炼的典型加工特征参数和切削参数，在数控系统仿真平台上进行加工时间仿真；

步骤5、基于加工时间仿真数据建立典型特征样本库；

步骤6、基于典型特征样本库中的样本构建BP神经网络；

步骤7、提取待预测加工时间零件实例的加工特征；

步骤8、基于BP网络预测零件加工时间。

2.如权利要求1所述基于特征样本的飞机结构件神经网络加工时间预测方法，其特征在于，所述典型加工特征库包含槽、筋顶、孔及轮廓四大类加工特征，其中槽特征包含腹板、内型及转角三种子特征，筋顶特征分为水平筋顶、斜筋顶和弧筋顶三类，孔分为圆孔和非圆孔两类。

3.如权利要求1所述基于特征样本的飞机结构件神经网络加工时间预测方法，其特征在于，所述典型加工特征参数包括：

a.影响筋顶加工时间的几何参数，包括：水平筋顶和弧筋顶特征的加工驱动线长度、斜筋顶的加工驱动线长度和斜筋顶的倾角；

b.影响槽加工时间的几何参数，分别由槽各个子特征的几何参数决定，包括：1)槽腹板面积； 2)槽内型的驱动线长度 ；3) 槽转角的半径、夹角和深度； 

c.影响轮廓特征加工时间的几何参数，包括：外轮廓的周长及轮廓的高度； 

d.影响圆孔特征加工时间的几何参数，包括：孔径、孔深和孔的加工精度；

e. 影响非圆孔特征加工时间的几何参数，包括：非圆孔的周长和深度。

4.如权利要求1所述基于特征样本的飞机结构件神经网络加工时间预测方法，其特征在于，所述切削参数包括：主轴转速、进给量、切削深度和切削宽度。

5.如权利要求1所述基于特征样本的飞机结构件神经网络加工时间预测方法，其特征在于，所述步骤4仿真过程如下：在确定了零件的工艺方案、加工资源和切削参数之后，通过对筋顶、槽、轮廓、孔及非圆孔特征编制数控加工程序，在数控系统仿真平台上对加工特征的刀轨进行仿真，并记录特征的几何参数、切削参数及其对应的加工时间。

6.如权利要求1所述基于特征样本的飞机结构件神经网络加工时间预测方法，其特征在于，所述步骤5建立典型特征样本库是指在仿真切削实验的记录结果中，每一类特征选取特征参数数据处在规定的范围内的特征，具体的数据选取过程如下： 

a.筋顶，1）对于水平筋顶，它的加工驱动线长度范围定为10~1500mm，从实验结果中选取的水平筋顶样本的加工驱动线长度处在上述范围，且选取的数据满足正态分布的要求；2）对于斜筋顶，它的加工驱动线长度范围定为10~200mm，倾角范围定为10~80°，从实验结果中选取的斜筋顶样本的加工驱动线长度和倾角范围处在上述范围，且选取的数据满足正态分布的要求；3）对于弧筋顶，它的加工驱动线长度范围定为10~100mm；从实验结果中选取的弧筋顶样本的加工驱动线长度处在上述范围，且选取的数据满足正态分布的要求；每一类筋顶特征取50组样本数据；

b.槽，1）对于槽腹板，它的面积范围定位为0.001~0.1㎡，选取的槽腹板样本面积参数按照正态分布分布在该范围；2）对于槽内型，槽内型驱动线长度范围定为100~1200mm，槽内型深度定为3~100mm，选取的槽内型特征的驱动线长度和深度按照正态分布分布在所述范围，共取60组数据；3）对于槽转角，转角半径数据定为6mm、10mm、12mm、16mm、20mm，夹角数据定为30°、45°、60°、75°、90°、120°，转角深度范围定为3~100mm，深度数据满足正态分布要求，共取160组槽转角样本数据；

c.轮廓，周长范围为1000~6000mm，轮廓高度范围为20~180mm，选取的轮廓的周长和轮廓高度数据按照正态分布分布在上述范围，选取40组样本数据；

d.圆孔，孔径范围定为8~80mm，孔深范围定为3~50mm，选取的孔的直径数据定为：8mm、10mm、20mm、30mm、60mm、80mm，深度数据按正态分布分布在上述范围，在不同的加工精度的情况下各取50组数据；

e.非圆孔，非圆孔的周长范围定为10~1000mm，非圆孔深度定为3~50mm，选取的非圆孔的周长和深度数据按照正态分布分布在该范围，选取50组样本数据；

按照上述数据选取方法，组织样本，建立典型特征样本库。

7.如权利要求1所述基于特征样本的飞机结构件神经网络加工时间预测方法，其特征在于，所述步骤6基于典型特征样本库中的样本构建BP神经网络的方法为：以每一类的特征建立一个对应的BP神经网络，BP神经网络的输入为影响特征加工时间的几何参数及切削参数，输出为单个特征的加工时间。

8.如权利要求1所述基于特征样本的飞机结构件神经网络加工时间预测方法，其特征在于，所述步骤7提取待预测加工时间零件实例的加工特征是指通过获取零件的加工特征及其参数，并得到每个特征或子特征的几何特征参数。

9.如权利要求1所述基于特征样本的飞机结构件神经网络加工时间预测方法，其特征在于，所述步骤8预测零件加工时间是指通过获取的零件加工特征，将每一个特征几何参数及切削参数作为对应BP网络的输入，BP网络的输出即是该特征的加工时间，最后通过累加零件包含的所有特征的加工时间，得到零件的总的加工预测时间。

Images